[發明專利]一種基于集成學習的大壩監測數據異常檢測方法

在審

• 申請號: 202011038886.0
• 申請日: 2020-09-28
• 公開（公告）號: CN112183624A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 毛鶯池;劉意;王龍寶;李志興;徐淑芳;程楊堃;段云超;孫建英;郭銳;胡奇瑋;孟歡
• 申請（專利權）人: 河海大學;華能瀾滄江水電股份有限公司;華能集團技術創新中心有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/16;G06F16/903
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 梁耀文

本發明公開了一種基于集成學習的大壩監測數據異常檢測方法，步驟為：異常檢測模型池構造階段：利用隨機子采樣構造不同的監測數據子集，并根據超參數多樣性構造不同的模型組，訓練得到異常檢測模型池。偽真值標簽構造階段：基于異常檢測模型池,采用集成一致性方法構造測點的偽真值標簽。最優模型組合選擇階段：基于鄰域相關性選擇目標測點相關鄰域，根據測點鄰域的異常得分矩陣與從測點的偽真值標簽間的皮爾遜相關性，選擇最優模型組合。結果判斷階段：計算測點在最優模型組合上的得分，判斷測點異常情況。本發明通過對大壩監測數據進行特征學習，高效精確計算處理并得出檢測結果，為大壩安全分析提供決策依據。

技術領域

本發明屬于大壩監測領域，特別涉及一種基于集成學習的大壩監測數據異常檢測方法。

背景技術

大壩監測數據異常檢測對于水庫能否正常運行至關重要，水庫大壩安全監測要做到定時定點、規律系統，以觀測數據的分析結果為主要依據，為水庫安全運行提供服務。大壩異常數據檢測是通過儀器觀測和巡視檢查對水利水電工程主體結構、地基基礎、兩岸邊坡、相關設施以及周圍環境所作的測量及觀察；“檢測”既包括對建筑物固定測點按一定頻次進行的儀器觀測，也包括對建筑物外表及內部大范圍對象的定期或不定期的直觀檢查和儀器探查。通過觀測儀器和設備，以及時取得反映大壩和基巖性態變化以及環境對大壩作用的各種異常數據。其目的是分析估計大壩的安全程度，以便及時采取措施，設法保證大壩安全運行。

基于學習的方法逐漸應用于異常檢測，該類方法構造深度神經網絡捕獲數據關系。許多神經網絡方法如長短記憶網絡LSTM、循環神經網絡RNN、自編碼器Auto-Encoder等，能有效捕獲大壩監測數據時序關系，提高時序數據異常檢測性能。在處理有標簽的數據時，基于學習的方法表現出優越的性能，但是在異常檢測這類無監督問題時表現受限。基于學習的方法通常需要大量的大壩監測數據樣本，通過不斷的迭代學習計算結果，在處理高維數據時計算消耗巨大。

集成學習能有效提升大壩監測數據異常檢測性能，但是現有方法存在以下問題：(1)大多數方法不經過篩選，組合所有的基礎檢測模型。這類方法會導致集成方法準確性降低，因為對于不同的數據集，基礎檢測單元的性能也不同，不經選擇直接組合會導致表現較差的基礎模型降低整體性能；(2)在基礎檢測模型選擇和組合中，通常會忽略大壩監測數據間的局部相關性，導致輸出結果不是最優解；(3)在基礎檢測模型選擇中，通常會考慮多樣性和一致性，沒有對二者進行平衡。

發明內容

發明目的：為了克服現有技術中存在的大壩安全監測系統監測點多，數據量龐雜，人工判別異常數據點難度高且效率低問題，本發明提供一種基于集成學習的大壩監測數據異常檢測方法，對海量高維數據進行特征學習，高效精確計算處理并得出檢測結果。

技術方案：為實現上述目的，本發明提供一種基于集成學習的大壩監測數據異常檢測方法，包括如下步驟：

(1)大壩監測點的集成單元的構造：利用隨機子采樣構造不同的監測數據子集，并根據超參數多樣性構造不同的模型組，訓練得到異常檢測模型池；

(2)偽真值標簽的構造：基于異常檢測模型池,采用集成一致性方法構造測點的偽真值標簽；

(3)測點局部鄰域空間生成：基于鄰域相關性選擇目標測點相關鄰域，根據測點鄰域的異常得分矩陣與從測點的偽真值標簽間的皮爾遜相關性，選擇最優模型組合；

(4)測點異常情況判斷：計算測點在最優模型組合上的得分，判斷測點異常情況。

進一步的，所述步驟(1)中集成單元構造的具體步驟如下：

(1.1)劃分測點：在T₀～T₁時間段內，將大壩監測點劃分為訓練測點和測試測點；訓練測點表示有n個訓練測點，每個測點有溫度、水位，滲流量等d個特征，構成d維特征空間；測試測點表示有m個測試測點；