CN117708625A - 一种乏数据背景下大坝监测历史数据填补方法 - Google Patents
一种乏数据背景下大坝监测历史数据填补方法 Download PDFInfo
- Publication number
- CN117708625A CN117708625A CN202410028424.2A CN202410028424A CN117708625A CN 117708625 A CN117708625 A CN 117708625A CN 202410028424 A CN202410028424 A CN 202410028424A CN 117708625 A CN117708625 A CN 117708625A
- Authority
- CN
- China
- Prior art keywords
- data
- component
- measuring point
- missing
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims abstract description 6
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 238000006073 displacement reaction Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 238000005259 measurement Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种乏数据背景下大坝监测历史数据填补方法，包括：获取监测数据并进行预处理，并将预处理后的数据与时间序列关联，形成以相同时间单位的时间序列数据；识别预处理后的数据存在缺失的测点，作为目标缺失测点，并利用十字线法选定同源测点；利用经验模态分解算法对目标缺失测点和同源测点的时间序列数据进行分解；分别以各缺失分量为距离起点，分解分量为距离终点计算相似距离，并以得到的相似距离进行排序、将目标测点分量和计算距离分量进行聚合整合；将聚类函数集输入至预测模型中；将预测分量叠加到目标缺失测点的本征模函数分量上。本发明具有更适用于中小型水库大坝缺失值填充、前置数据少、预测精度高，适用性更广等特点。
Description
技术领域
本发明涉及大坝监测领域，特别是涉及一种乏数据背景下大坝监测历史数据填补方法。
背景技术
水库大坝安全评价导则指出，监测资料应及时整编分析，保证监测数据完整性，以便通过监测资料及时了解大坝形状，并为大坝总体安全评价提供基本资料。传统的大坝缺失数据补全方法依靠于完整的前置数据和经验函数，对于数据缺乏的中小型土石坝则效果不佳。变形值作为反映水库大坝安全状态的综合变量，是评价结构性能的重要指标，也是目前大坝监测领域的重点研究部分。
通过对坝体变形值的监测分析可以更好的了解大坝的运行性态，但变形量作为预测的主要对象的前提是作为监测因变量，前置数据和公认的解释分量(如水压、温度、时效等)监测数据须完整有效，才能够得到较好的预测精度。
但是，目前仍有部分老旧工程未进行自动化监测，由于人工记录缺乏规范性且人为读数计数存在较大的主观性与不确定性，导致数据未被记录或错误记录。目前如何解决上述乏数据背景下，自变量数据缺失填补的方法仍没有较公认有效的方法，不能精准填补监测数据中的缺失部分，而无法为后续监测大坝形变提供有效数据。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种乏数据背景下大坝监测历史数据填补方法。
为实现上述目的，本发明提供了如下方案：
一种乏数据背景下大坝监测历史数据填补方法，包括：
利用大坝埋设监测设备和可用的数据源中获取监测数据；
对采集的监测数据进行预处理，并将预处理后的数据与时间序列关联，形成以相同时间单位的时间序列数据；
识别预处理后的数据存在缺失的测点，作为目标缺失测点，并利用十字线法选定同源测点；
利用经验模态分解算法对所述目标缺失测点和所述同源测点的时间序列数据进行分解，分别得到缺失分量和分解分量；
分别以各所述缺失分量为距离起点，所述分解分量为距离终点计算相似距离，并以得到的相似距离进行排序、将目标测点分量和计算距离分量进行聚合整合，得到各聚类函数集；
将所述聚类函数集输入至预测模型中，得到各预测分量；
将所述预测分量叠加到所述目标缺失测点的本征模函数分量上。
优选地，所述监测数据包括：渗压计水位数据、GNSS位移计各方向位移数据、深部位移数据。
优选地，所述预测模型是基于门控循环单元GRU进行构建得到的。
优选地，在识别预处理后的数据存在缺失的测点，作为目标缺失测点，并利用十字线法选定同源测点之后，还包括：
绘制数据折线图以确定同源测点和目标缺失测点是否具有同趋势性，若趋势性的差值小于预设阈值，则确定为同组数据，若趋势性的差值大于预设阈值，则更换同源测点。
优选地，对采集的监测数据进行预处理的过程包括：数据清洗、数据平整、数据格式转换和数据集成。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种乏数据背景下大坝监测历史数据填补方法，包括：利用大坝埋设监测设备和可用的数据源中获取监测数据；对采集的监测数据进行预处理，并将预处理后的数据与时间序列关联，形成以相同时间单位的时间序列数据；识别预处理后的数据存在缺失的测点，作为目标缺失测点，并利用十字线法选定同源测点；利用经验模态分解算法对所述目标缺失测点和所述同源测点的时间序列数据进行分解，分别得到缺失分量和分解分量；分别以各所述缺失分量为距离起点，所述分解分量为距离终点计算相似距离，并以得到的相似距离进行排序、将目标测点分量和计算距离分量进行聚合整合，得到各聚类函数集；将所述聚类函数集输入至预测模型中，得到各预测分量；将所述预测分量叠加到所述目标缺失测点的本征模函数分量上。本发明具有更适用于中小型水库大坝缺失值填充、前置数据少、预测精度高，适用性更广等特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的方法流程图；
图2为本发明实施例提供的技术路线示意图；
图3为本发明实施例提供的十字线法选点图；
图4为本发明实施例提供的样本测点分解数据图；
图5为本发明实施例提供的样本测点前100时间步DTW距离图；
图6为本发明实施例提供的预处理后数据折线图；
图7为本发明实施例提供的预测结果对比图与预测残差图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种乏数据背景下大坝监测历史数据填补方法，具有更适用于中小型水库大坝缺失值填充、前置数据少、预测精度高，适用性更广等特点。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的方法流程图，如图1所示，本发明提供了一种乏数据背景下大坝监测历史数据填补方法，包括：
步骤100：利用大坝埋设监测设备和可用的数据源中获取监测数据；
步骤200：对采集的监测数据进行预处理，并将预处理后的数据与时间序列关联，形成以相同时间单位的时间序列数据；
步骤300：识别预处理后的数据存在缺失的测点，作为目标缺失测点，并利用十字线法选定同源测点；
步骤500：利用经验模态分解算法对所述目标缺失测点和所述同源测点的时间序列数据进行分解，分别得到缺失分量和分解分量；
步骤600：分别以各所述缺失分量为距离起点，所述分解分量为距离终点计算相似距离，并以得到的相似距离进行排序、将目标测点分量和计算距离分量进行聚合整合，得到各聚类函数集；
步骤700：将所述聚类函数集输入至预测模型中，得到各预测分量；
步骤800：将所述预测分量叠加到所述目标缺失测点的本征模函数分量上。
如图2所示，本实施例的技术流程包括：
1)采集数据：从大坝埋设监测设备和其他可用的数据源中获取监测数据。这些数据可能包括渗压计水位数据、GNSS位移计各方向位移数据、深部位移数据以及其他相关的监测信息。将数据进行下载转移为可读取的监测数据。选取部分孔隙水压力监测样本数据如表1，其中第一行为测点位置。
表1
2)数据预处理：对采集的监测数据进行预处理并将数据与时间序列关联，形成以相同时间单位的时间序列数据，其中数据预处理包括括数据清洗、数据平整、数据格式转换，数据集成。
数据清洗指的是对可读数据中进行重复值删除、识别移除异常值、剔除数据中的孤立点等。
数据平整指的是对不同传感器采集的数据的时间戳格式标准化，并对不同时间单位的监测数据进行时间戳对齐。
数据格式转换指的是将数据字段的类型转换为适合时间序列分析的格式，以适应后续模型读写。
数据集成指的是将来自不同传感器的数据整合成一个完整的时间序列数据集，并按照相同的时间单位对齐，以便进行时间序列分析。
3)筛选缺失测点与同源测点：识别预处理后数据存在缺失的测点，利用十字线法选定同源测点。
十字线法是利用大坝监测埋设点相同基准线、高程下同源测点数据具有相似趋势性或依赖性，以缺失数据测点为参考点，使用测距仪或测量工具沿一条直线拉出基准线，并从基线的两端，垂直地拉出两条垂直线，与基线相交，形成一个“十字”字型结构，将经过的测点作为同源测点。上述样本选点如图3所示。
4)测点定位：建立数据折线图以确定同源测点和缺失的目标测点是否具有同趋势性，若趋势性较接近则确定为同组数据、若趋势性相差较大则更换同源测点。
5)数据分解：利用经验模态分解算法对目标缺失测点和同源测点的时间序列数据进行分解，得到不同的本征模函数IMF。
经验模态分解算法是是一种信号处理技术，旨在将复杂的非线性和非平稳信号分解成一组IMF分量。这些IMF满足以下条件:在整个数据范围内，局部极值点和过零点的数目必须相等，或者相差数目最多为1；在任意时刻，局部最大值的包络(上包络线)和局部最小值的包络(下包络线)的平均值必须为零。步骤如下，找到原始信号x(t)的极大值和极小值点，然后通过曲线插值方法对这些极值点进行拟合，得到信号的上包络线xmax(t)和下包络线xmin(t)，并对上下包路线求平均值，所用公式为：
对原始信号x(t)与平均包络m1(t)进行相减，得到余下信号d1(t)。一般情况下，对于平稳信号而言，它是原始信号x(t)的第一个IMF。但对于非平稳信号，信号的并不是在某一个区域内单调递增的，而是会出现拐点。这些能反映原始信号x(t)的具体特征的拐点若未被选中，则得到的第一阶模态函数并不准确，也就是通常得到的d1(t)并不满足IMF的两个条件，所以需要继续进行筛选。
对余下信号d1(t)进行重复步骤，直到SD(筛分门限值，一般取值(0.2-0.3)小于门限值时才停止，本实施例取0.2。得到最终合适的第一阶模态分量c1(t)，即第一个IMF。其中SD公式为：
对信号x(t)与c1(t)求差，得到第一阶残差量r1(t)，将r1(t)替代原始信号x(t)进行上述步骤重复，直到n次后可获取第n阶模态函数cn(t)和最终符合标准的残差量rn(t)。原始信号x(t)经EMD分解的公式为：
可以得到，取前述样本C1-3测点数据分解后如图4所示。部分时间步如表2所示，其中第一行为原数据值，是分解量的叠加值：
表2
6)数据聚类：分别以各缺失分量为距离起点，分解分量为距离终点计算DTW距离。以得到的相似距离将目标测点分量和计算距离分量进行聚合整合，得到各聚类函数集。计算DTW距离步骤如下：
记两个时序列分别为Q＝(q1,q2,…,qn)和C＝(c1,c2,…,cm),长度分别为n和m。构建一个n*m的矩阵D，记D[i,j]表示Qi与Pj之间的欧氏距离,。DTW的目标就是要找到一条从[1,1]到[n,m]的路径使得该条路径的累积欧氏距离最小。计算公式如下：
γ(i,j)＝d(qi,cj)+min(γ(i-1,j-1),γ(i-1,j),γ(i,j-1)
其中：w*为DTW距离，γ(i,j)为矩阵D中从[1,1]到达[i,j]的累计距离，ωk表示路径经过的某格点所保存的q和c之间某两点(qi,cj)之间的欧氏距离的平方，d(i,j)为当前格点距离。
分别以各缺失分量为距离起点，IMF分量为距离终点计算DTW距离，以得到最接近的第一距离为d1，设阈值为μ，得到各缺失分量的最接近DTW距离分量，并进行聚合整合为各聚类函数集D1，D2,…,Dn，聚类规则为从第一距离d1到最终距离d1+μ为一函数组。取前述样本C1-3测点前100时间步DTW距离如图5所示。部分计算结果如表3所示
表3
7)模型预测：基于已聚类的同源测点和分解后的IMF数据，对各个函数集建立基于门控循环单元GRU的预测模型。本实施例使用基于Python语言建立预测模型。第三方库使用PyTorch、pandas和scikit-learn。基于前述样本，在数据处理部分，如图6所示，将80％作为训练集，20％作为验证集。
将训练集输入GRU模型进行训练，本实施例中，优化器选择Adam、损失函数选用相对误差MSE。超参数设隐藏层为64层，GRU预测层为1层。超参数设学习率为0.001，训练次数和批次分别为100与64。完成训练后，向模型输入验证集的数据即可获得对应函数集的预测分量值。
8)叠加分量：将预测的缺失数据值叠加到原始数据中，填补历史数据中的缺失部分。这一步骤可以通过将预测的值添加到原始IMF分量中来完成。上述样本通过模型预测得到的部分结果如表4所示：
表4
完成模型训练后，需要对模型的预测效果进行评估。本实施例主要采用机器学***均绝对误差MAE。公式分别如下：
其中，yi为孔隙水压力实际值，为预测值，n为样本数量。
图7为GRU模型的预测结果图。为了更好的评估模型效果，将模型的预测结果与现有方法进行比较，如图6所示。指标比较结果如表5
表5
| 模型类别 | MSE | MAE |
| 线性回归 | 2.04 | 1.43 |
| 随机森林 | 9.28 | 3.05 |
| ES-LSTM | 1.87 | 1.37 |
| GRU | 0.52 | 0.72 |
由表5可知，对于乏数据背景下缺少前置数据和经验分量的中小型水库大坝监测缺失值来说，本模型提出的算法的均方误差和平均绝对误差都由于传统的线性回归、随机森林、长短期记忆网络LSTM。本发明将EMD算法,DTW距离,GRU模型三者结合，以应对乏数据背景下大坝监测历史缺失数据的填补问题。这一综合方法充分利用了EMD算法的数据分解和分量分析能力，结合DTW距离的相似性度量，以及GRU模型的时间序列预测能力，适应国内中小型水库大坝监测数据缺失问题，保证数据的可靠性，为后续大坝总体安全评价提供有效资料。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种乏数据背景下大坝监测历史数据填补方法，其特征在于，包括：
利用大坝埋设监测设备和可用的数据源中获取监测数据；
对采集的监测数据进行预处理，并将预处理后的数据与时间序列关联，形成以相同时间单位的时间序列数据；
识别预处理后的数据存在缺失的测点，作为目标缺失测点，并利用十字线法选定同源测点；
利用经验模态分解算法对所述目标缺失测点和所述同源测点的时间序列数据进行分解，分别得到缺失分量和分解分量；
分别以各所述缺失分量为距离起点，所述分解分量为距离终点计算相似距离，并以得到的相似距离进行排序、将目标测点分量和计算距离分量进行聚合整合，得到各聚类函数集；
将所述聚类函数集输入至预测模型中，得到各预测分量；
将所述预测分量叠加到所述目标缺失测点的本征模函数分量上。
2.根据权利要求1所述的乏数据背景下大坝监测历史数据填补方法，其特征在于，所述监测数据包括：渗压计水位数据、GNSS位移计各方向位移数据、深部位移数据。
3.根据权利要求1所述的乏数据背景下大坝监测历史数据填补方法，其特征在于，所述预测模型是基于门控循环单元GRU进行构建得到的。
4.根据权利要求1所述的乏数据背景下大坝监测历史数据填补方法，其特征在于，在识别预处理后的数据存在缺失的测点，作为目标缺失测点，并利用十字线法选定同源测点之后，还包括：
绘制数据折线图以确定同源测点和目标缺失测点是否具有同趋势性，若趋势性的差值小于预设阈值，则确定为同组数据，若趋势性的差值大于预设阈值，则更换同源测点。
5.根据权利要求1所述的乏数据背景下大坝监测历史数据填补方法，其特征在于，对采集的监测数据进行预处理的过程包括：数据清洗、数据平整、数据格式转换和数据集成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028424.2A CN117708625B (zh) | 2024-01-09 | 2024-01-09 | 一种乏数据背景下大坝监测历史数据填补方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028424.2A CN117708625B (zh) | 2024-01-09 | 2024-01-09 | 一种乏数据背景下大坝监测历史数据填补方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117708625A true CN117708625A (zh) | 2024-03-15 |
| CN117708625B CN117708625B (zh) | 2024-06-18 |
Family
ID=90157146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410028424.2A Active CN117708625B (zh) | 2024-01-09 | 2024-01-09 | 一种乏数据背景下大坝监测历史数据填补方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117708625B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118035774A (zh) * | 2024-04-15 | 2024-05-14 | 四川能投云电科技有限公司 | 一种水位和压力信号数据安全控制方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110197211A (zh) * | 2019-05-17 | 2019-09-03 | 河海大学 | 一种面向大坝安全监测数据的相似性数据聚类方法 |
| WO2019224739A1 (en) * | 2018-05-25 | 2019-11-28 | University Of Johannesburg | System and method for real time prediction of water level and hazard level of a dam |
| CN111191191A (zh) * | 2019-12-26 | 2020-05-22 | 南昌大学 | 一种精准预测混凝土坝变形效应的组合模型的构建方法 |
| CN111860982A (zh) * | 2020-07-06 | 2020-10-30 | 东北大学 | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 |
| CN113391052A (zh) * | 2021-05-19 | 2021-09-14 | 山东省气象信息中心(山东省气象档案馆) | 基于emd-dtw的土壤水分观测数据异常值检测方法 |
| CN113688770A (zh) * | 2021-09-02 | 2021-11-23 | 重庆大学 | 高层建筑长期风压缺失数据补全方法及装置 |
| US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
| US11841839B1 (en) * | 2022-09-02 | 2023-12-12 | Zhejiang Lab | Preprocessing and imputing method for structural data |
| CN117313201A (zh) * | 2023-09-26 | 2023-12-29 | 武汉大学 | 考虑堆石坝多测点复杂关联性时空融合的变形预测方法及*** |
-
2024
- 2024-01-09 CN CN202410028424.2A patent/CN117708625B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019224739A1 (en) * | 2018-05-25 | 2019-11-28 | University Of Johannesburg | System and method for real time prediction of water level and hazard level of a dam |
| CN110197211A (zh) * | 2019-05-17 | 2019-09-03 | 河海大学 | 一种面向大坝安全监测数据的相似性数据聚类方法 |
| CN111191191A (zh) * | 2019-12-26 | 2020-05-22 | 南昌大学 | 一种精准预测混凝土坝变形效应的组合模型的构建方法 |
| CN111860982A (zh) * | 2020-07-06 | 2020-10-30 | 东北大学 | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 |
| US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
| CN113391052A (zh) * | 2021-05-19 | 2021-09-14 | 山东省气象信息中心(山东省气象档案馆) | 基于emd-dtw的土壤水分观测数据异常值检测方法 |
| CN113688770A (zh) * | 2021-09-02 | 2021-11-23 | 重庆大学 | 高层建筑长期风压缺失数据补全方法及装置 |
| US11841839B1 (en) * | 2022-09-02 | 2023-12-12 | Zhejiang Lab | Preprocessing and imputing method for structural data |
| CN117313201A (zh) * | 2023-09-26 | 2023-12-29 | 武汉大学 | 考虑堆石坝多测点复杂关联性时空融合的变形预测方法及*** |
Non-Patent Citations (6)
| Title |
|---|
| LEE EM等: "Deciphering the black box of deep learning for multi-purpose dam operation modeling via explainable scenarios", JOURNAL OF HYDROLOGY, vol. 626, 30 November 2023 (2023-11-30), pages 130177 * |
| WANG WX等: "Route Identification Method for On-Ramp Traffic at Adjacent Intersections of Expressway Entrance", JOURNAL OF ADVANCED TRANSPORTATION, 4 December 2019 (2019-12-04), pages 6960193 * |
| ZHENG L等: "Research on short-term power load forecasting method based on EMD-GRU", 2023 4TH INTERNATIONAL CONFERENCE ON ELECTRONIC COMMUNICATION AND ARTIFICIAL INTELLIGENCE (ICECAI), 31 December 2023 (2023-12-31), pages 158 - 63 * |
| ZHENG ZH等: "Multivariate data decomposition based deep learning approach to forecast one-day ahead significant wave height for ocean energy generation", RENEWABLE & SUSTAINABLE ENERGY REVIEWS, vol. 185, 31 October 2023 (2023-10-31), pages 113645 * |
| 刘鹤鹏等: "融合多测点数据相关性的大坝监测历史数据填补", 人民长江, vol. 54, no. 09, 25 September 2023 (2023-09-25), pages 245 - 251 * |
| 毛建刚等: "不同模态分解方法下LSTM模型大坝变形预测效果对比", 四川水利, vol. 45, no. 02, 15 April 2024 (2024-04-15), pages 112 - 117 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118035774A (zh) * | 2024-04-15 | 2024-05-14 | 四川能投云电科技有限公司 | 一种水位和压力信号数据安全控制方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117708625B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
| CN109840362B (zh) | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 | |
| CN117708625B (zh) | 一种乏数据背景下大坝监测历史数据填补方法 | |
| CN111400371A (zh) | 一种基于电压相关性校验的户变关系识别方法 | |
| CN111709465B (zh) | 大坝安全监测数据粗差智能识别方法 | |
| CN112348290B (zh) | 河流水质预测方法、装置、存储介质及设备 | |
| CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
| CN110276385B (zh) | 基于相似性的机械部件剩余使用寿命预测方法 | |
| CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
| CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
| CN113268883A (zh) | 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法 | |
| CN114254695B (zh) | 一种航天器遥测数据自适应异常检测方法及装置 | |
| CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
| CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
| CN111222095A (zh) | 一种大坝变形监测中的粗差判别方法、装置及*** | |
| CN114035468A (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与*** | |
| CN117314016A (zh) | 基于bim技术的水利工程在线监控方法 | |
| Zhang et al. | Real-time burst detection based on multiple features of pressure data | |
| CN115329656A (zh) | 一种基于改进卷积神经网络的城市内涝积水分布快速预测方法 | |
| CN105224801B (zh) | 一种多因子水库入库流量短期预报评价方法 | |
| CN117520784A (zh) | 基于卷积注意力长短期神经网络的地下水位多步预测方法 | |
| CN117874655A (zh) | 考虑多重影响因素的动态大坝安全监控指标拟定方法 | |
| CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及*** | |
| CN117313041A (zh) | 一种埋地管道外表面点蚀预测与因素分析方法 | |
| CN114881074A (zh) | 一种基于聚类-深度学习的工程结构变形预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |