M估计法在大坝安全监测中的应用

针对传统统计模型无法抵御异常值影响、鲁棒性较差的问题,引入稳健回归中经典的M估计法,基于李家峡水电站监测资料建立了大坝径向位移M估计模型,对监测数据进行拟合及预报,并与传统回归统计模型做了比较。结果表明,该方法有效降低异常值影响、稳健性较好。     

基于M估计的抗差Kalman滤波算法在某混凝土重力坝变形监测中的应用

为了解决标准Kalman滤波法不能很好处理大坝变形观测粗差与状态方程异常的问题,提出了采用基于M估计的抗差Kalman滤波算法,在最小二乘准则的基础上,通过调整观测值对状态估计的比例权重,可得到模型参数的稳健估计,给出了其滤波准则及递推公式,并根据预测残差调节增益矩阵的大小,尽可能地削弱监测噪声和动态噪声里粗差的影响,让系统处于比较稳定的状态。实例应用结果表明,该算法不仅可提高滤波精度,且能很好地控制观测异常和动态扰动异常对监测的影响。     

改进云模型在大坝安全监测数据异常识别中的应用

大坝安全监测序列中异常数据的准确识别是科学评判大坝运行性态与安全状况的前提和保障.传统的基于回归模型的异常识别方法会在监测数据的拟合精度较低时造成正常值误判或异常值漏判.因此,提出基于日变化速率的改进云模型识别方法,以测值的日变化速率代替原始数据建立云模型,对用外轮廓区间作为预警阈值的控制方法进行改进,并将其应用效果与...     

用不完全样本作洪水频率的稳健估计

本文用不完全样本作出了洪水频率的稳健估计,理论和模拟试验结果证、明所得的参数估计值、稳健性和精度都较好。     

大坝监测数据异常值识别方法探讨

基于时间序列的监测数据,通过对异常值传统概率识别方法的改进及对监测数据的处理分析,并以晒北滩水电站碾压混凝土重力坝齿槽裂缝监测数据为例进行了探讨。算例结果表明,该法对大坝监测数据异常值的识别效率高,行之有效。     

基于自适应DBSCAN算法的风电机组异常数据识别研究

为了对风电机组实测数据中的异常数据进行有效识别和剔除,通过分析风电机组的风速-功率异常数据,提出了基于分功率区间的自适应密度聚类(DBSCAN)异常数据识别算法,采用无标签聚类轮廓系数对DBSCAN算法中关键参数半径(ε)和邻域密度阈值(Z)进行自适应最佳选择,并利用该算法识别实验机组的异常数据.结果 表明:该算法避免了人为主观设定导致的误差,能够对风电机组异常数据进行有效识别.     

大坝监测数据异常值的概率识别法

及时捕捉异常测值并分析产生异常值的原因是大坝安全监测评价的关键问题。将监测效应量和环境量看作随机序列，通过检验监测效应量与环境量的概率分布，用小概率识别法，在给定概率水平下确定监测效应量的异常值，由此实现了对监测数据异常值成因的初步识别。     

考虑不确定性的大坝监测信息异常诊断方法及应用

大坝监测资料分析是一个充满不确定性的复杂非线性问题,常规的分析方法较少考虑监测信息中的不确定性问题,导致分析结果的合理性存疑。因此,基于信息熵理论的重要指标——近似熵研究大坝监测信息中的不确定性问题,利用实际监测数据选取近似熵算法的关键参数,进而评估大坝的运行状态。通过分析混凝土坝坝顶水平位移和土石坝测压管水位,发现近似熵算法能在若干监测信息不确定性条件下较有效地识别大坝监测数据的异常。     

基于DBSCAN的大坝安全监测异常数据检测算法

为有效识别出安全监测数据中的异常值,考虑环境因素对观测值的影响,提出了一种基于DBSCAN聚类算法的大坝安全监测异常数据检测算法,通过引入数学回归模型获取残差序列,再结合DBSCAN算法对残差序列进行分析,并对大坝安全监测中常见的周期性、趋势性和不规则性数据进行异常检测试验。试验结果表明,该算法对各类异常添加模式下的试验数据查准率、查全率、准确率均达到0.99以上,相比于传统方法具有更好的适用性和鲁棒性。     

大坝安全综合评价多指标权重确定方法研究

针对大坝安全综合评价中多指标权重的确定问题,将熵理论引入大坝安全综合评价中,应用广义最大熵原理,将不同赋权方法有机集成在一起确定大坝安全评价中多指标权重.该方法同时最大化体系内所有随机变量的香农熵,得到较稳健的估计结果.通过工程实例验证了此方法有效可行,为相似工程问题的多指标权重确定提供新的思路.     

基于多元状态估计与自适应闽值的电站辅机故障预警

为了有效识别辅机运行过程中的故障,将多元状态估计技术应用于辅机的故障预警中。根据机组功率高低将辅机的历史状态矩阵分为3类,通过等距抽样选取典型状态分别建立子模型。对于输入的观测向量,模型给出相应的估计向量,两者的偏差可用相似度函数表示,并基于区间估计的思想设计了相似度的自适应阈值方法。最后利用某350 MW热电机组的中速磨煤机堵煤故障前的数据进行仿真。结果表明:模型在磨煤机跳闸前264 s做出预警,具有较高的故障检测效率;与传统的固定阈值方法相比,采用自适应阈值方法可有效降低误报率。     

基于差分序列方差与CPS融合的数字变电站数据异常检测方法

针对传统基于简单阈值的异常检测方法已无法适用于数字变电站过程层网络中可能出现的设备物理故障和恶意入侵导致的数据异常的问题,提出了一种基于差分序列方差（difference sequence variance,VDS）与信息物理系统（cyber-physical system,CPS）融合的数字变电站数据异常检测方法。首先,在分析CPS中面向通用对象的变电站事件（generic object oriented substation event, GOOSE）和制造报文规范（manufacturing message specification,MMS）数据的行为特征基础上,研究了IEC 61850协议规范的度量方法,提出了网络和系统管理方案;其次,基于VDS的异常检测方法和流程,结合数字变电站过程层报文特点,提出了变电站流量异常隶属函数以及基于CPS融合的参数确定方法;最后通过仿真验证了所提方法不仅能有效识别信息设备物理故障和恶意入侵导致的数据异常,对于拒绝服务攻击也能实现准确检测,相比于传统方法具有更高的准确性与可靠性。     

软硬折衷阈值小波去噪法在大坝位移监控中的应用

为识别并去除棉花滩水电站大坝监测数据中的噪音,采用软硬折衷阈值小波去噪法对坝顶水平位移进行去噪处理,利用MATLAB中自带的支持向量机工具箱对去噪后的坝顶水平位移进行拟合、预测,并与传统多元回归方法的结果进行对比。结果表明,该方法在建模时段和预测时段的误差平方和分别为3.49、5.49,均优于传统多元回归方法,软硬折衷小波去噪方法与支持向量机结合具有较好的拟合、预测效果。     

基于全卷积神经网络的大坝变形监测数据粗差识别方法研究

针对大坝变形监测数据普遍存在粗差的问题，采用全卷积神经网络(FCN)模型对人工标记数据集进行表征学习的方法实现变形粗差数据识别的人工智能模拟；在此基础上，利用Python和Tensorflow框架构建了用于变形监测数据粗差识别的FCN模型并以人工标注数据集进行模型训练；最后，以训练得到的最优模型对某重力坝变形监测数据进行粗差识别应用。结果表明，经训练的FCN模型能够较准确地识别大坝变形监测数据中的粗差值，提高了大坝安全管理效率。     

改进阈值提升小波法在大坝位移分析中的应用

将大坝的监测数据序列视为一串不同频率的数字信号,针对信号中的高频噪声,提出采用基于改进阀值提升小波法提取大坝变形效应量.算例表明,与传统小波法相比,改进阈值提升小波法在分离效应分量时更准确、客观,可为分析大坝工作性态提供参考.     

基于FBWM-EWM-LDM组合模型的大坝风险识别方法

鉴于大坝风险评估信息具有一定的模糊性和不确定性，提出了一种基于FBWM EWM LDM组合模型的大坝风险识别方法，通过模糊最优最劣法和熵权法分别确定大坝风险评价指标体系中各风险项的主、客观权重，同时利用级差最大化法构建非线性规划问题求得最佳组合权重，进而确定风险排序以识别工程中的主要风险。实例应用结果表明，模型识别结果与工程实际情况相吻合，验证了模型的合理性与有效性，为大坝风险管理与除险加固决策提供了依据。     

基于温度参数的风电机组异常识别

文章针对风电机组运行过程中机组早期的异常状态识别问题,提出一种考虑有功功率的基于机组温度参数变化特性的风电机组异常识别模型。首先,分析风电机组各系统与温度相关的参数。然后,利用相关性理论,确定了与有功功率相关的温度参数:齿轮箱高速轴轴承前端温度、齿轮箱高速轴轴承后端温度、齿轮箱油温、发电机驱动端轴承温度、发电机非驱动端轴承温度、发电机定子绕组温度,形成了异常检测的参数体系。再次,以正常状态下机组温度参数的偏度和峰度的最大区间作为阈值,建立风电机组异常识别模型。最后,采用滑动窗口对机组运行状态进行在线监测。通过实例研究发现,当机组发生异常状态时,温度参数的偏度或者峰度超过了阈值,比警报提前了15 d。该识别模型为风电机组的早期故障预警提供了参考。     

燕山水库施工期安全监测资料的统计诊断

针对大坝安全监测资料中常出现偏离目标真值的异常点,基于观测数据质量的有效检测和诊断分析了监测资料误差成因及特点,探讨了监测资料的统计诊断方法,并应用于燕山水库.结果表明,识别异常数据效果良好,可有效提高建模分析精度.     

基于多元状态估计和偏离度的电厂风机故障预警

为了解决风机故障预警问题,提出一种基于多元状态估计技术(MSET)和偏离度的方法.利用MSET建立风机正常运行状态下的非参数模型,对观测向量进行最优估计并得到估计向量,观测向量与估计向量之间的差异可以反映风机工作是否异常.引入偏离度定量衡量观测向量与估计向量之间的偏离程度,有利于捕捉故障发展过程,然后利用滑动窗口法确定故障预警阈值.当平均偏离度超过预警阈值时,发出报警信息提醒运行人员处理.以长春某热电厂引风机的某次故障为例进行应用研究.结果表明:该方法可以及时发现风机异常,实现风机实时故障预警.     

基于迁移学习的复杂环境下输电杆塔异常振动识别

架空输电线路杆塔所处环境复杂,传统方法中假设的标准样本与实际样本分布一致的前提遭到破坏,导致单一的识别模型在不同环境下对杆塔异常振动识别准确率降低.为改善识别模型偏差问题,文章提出一种基于领域适配深度迁移学习的杆塔异常振动识别方法.通过一维卷积神经网络实现不同环境条件下异常振动信号的自动特征提取,并引入迁移学习,实现复...