模糊聚类和偏最小二乘法在大坝监测数据分析中的应用

发布时间：2019-09-04 13:22

【摘要】：我国拥有数量众多的大坝和水库,对大坝原型观测资料的分析是掌握大坝真实工作性态的重要手段,为水电站的正常运行管理提供了科学依据。因此,需要对大坝的原型观测资料进行及时,有效地分析。一般大中型水电站,布设有大量安全监测设施,且每一类监测设施有多个监测点(数十个或上百个)。按规范要求,对它们的监测频率较高,常常积累大量的监测数据。若逐点进行建模分析,费时费工,不利于及时掌握大坝的运行性态。因此,本文通过基于模糊关系的聚类分析方法快速地获得了变形观测点的类别划分,对典型观测点建立了偏最小二乘回归模型。主要研究内容及成果如下： (1)以某水电站为例,运用基于模糊等价关系的聚类方法对大坝和船闸的变形监测点进行了模糊聚类分析。利用模糊传递闭包法将模糊相似关系转化为模糊等价关系,选取阀值α进行聚类,应用基于平均每期各点间的变形允许差的评价方法对分类结果进行评价,选出最佳分类,并确定了典型观测点。 (2)对选出的典型观测点建立了数学模型。建立模型时选择的影响因素有水位、温度、时效,最后共有9项因子,并选择偏最小二乘法建立回归模型,有效地解决了因子间存在多重相关性及建模样本容量较少的问题。 (3)运用建立好的偏最小二乘回归模型对典型测点后5期变形数据进行预报,并和实测值进行比较,结果表明所建立的偏最小二乘回归方程能较好的进行预报。 (4)通过模糊聚类分析对变形监测数据进行处理,获得了变形监测点的最佳分类,在每一类中选取一定数量的测点建立数学模型,然后以此模型对这一类变形监测点进行分析。结果表明,对变形监测点的分类合理,并选出了典型观测点,减少纷繁复杂的计算,提高监测数据分析人员的工作效率。
【图文】：

曲线,偏最小二乘回归,模型拟合,测点

解释能力为94.87%，对自变量和因变量的累计解释能力均较高。对于A09测点最终提取的2个主成分对自变量的解释能力为94.33%，对因变量的解释能力为84.85%，对自变量和因变量的累计解释能力均较高。B.统计参数通常在回归分析中，为了检验回归模型的有效性，要计算衡量有效性和精度的指标复相关系数和剩余标准差，并对回归方程进行统计检验（F检验）。计算A07和A09测点的偏最小二乘回归方程的各指标见表3-5表3-5统计参数Table.3-5 Statistical parameter ^ 复相关系数R 剩余标准差S F检验值AO7 测点 0. 9040 1. 1074 4. 7984A09 测点 0. 8853 1. 0864 4. 0757 由表3-5,可以发现：测点A07、A09的偏最小二乘回归模型的复相关系数均较大，剩余标准差接近于1，F检验值均大于临界值3.18,说明建立的模型精度较高，回归方程有效。A07、A09测点的偏最小二乘回归模型拟合曲线见：图3-1和图3-2

曲线,偏最小二乘回归,模型拟合,测点

3.4本章小结本章首先介绍了最小二乘估计法基本原理及其方程的表达形式，并阐述了该法的一些缺陷，如自变量集合间不容许存在多重相关性以及样本点容量不宜过小等问题时，采用该法就会严重地扩大模型误差，，并破坏模型的稳健性。因此，本文引入了偏最小二乘法，并介绍了其发展概况、基本原理及特点、交叉有效性检验原则、精度分析等内容。偏最小二乘法的主要特点是能够在自变量存在严重多重相关性的条件下及允许在样本点个数少于变量个数的条件下进行回归建模。最后，对某混凝土重力坝变形监测数据通过模糊聚类分析选出的典型观测点建立偏最小二乘回归模型。考虑因素有上、下游库水位，温度，时效，共选用影响因子9项，利用matlab软件工具箱，并自编PLSR程序进行回归分析，结果表明建立的模型精度较高，回归方程有效。
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TV698.1

【参考文献】