[发明专利]一种基于ARIMA和PSO-ELM的混凝土坝变形组合预报模型构建方法

说明书

本发明提供了一种基于ARIMA和PSO‑ELM的混凝土坝变形组合预报模型构建方法，针对大坝变形过程受多因素相互影响导致的高度非线性、不确定性，以及受复杂噪声污染呈现不规则混沌特性等特点，利用集合经验模态（EEMD）对位移混合模型的残差序列进行自适应的分析和处理，粒子群算法（PSO）优化ELM选择最优的输入权值矩阵和隐含层偏差，构建PSO‑ELM模型对其非线性高频感应信号进行优化，同时借助自回归积分滑动平均模型(ARIMA)对其低频趋势信号进行拟合预测，建立了一种多尺度变形优化组合预报模型。本发明所建模型相对传统模型预测精度更高,能够克服监测序列中的噪声干扰,反映大坝监测序列的多尺度特性,能够更加清楚、全面地对大坝监测数据时间序列进行分析与判断。

技术领域

本发明涉及大坝运行安全监测与管理技术领域，具体的说，是一种基于ARIMA和PSO-ELM的混凝土坝变形组合预报模型构建方法。

背景技术

大坝在其服役过程中受到外荷载环境等多复杂因素的影响，其局部和整体的安全性能随时间推移而逐步消退，大坝变形是评价大坝现役性态的重要指标，反映了坝体在外部环境荷载与内部筑坝材料性能演变双重耦合作用下的动态演变过程，通过采集与整理变形监测数据，深入挖掘变形演变规律以及对监测信号的混沌信号处理，建立实时预报模型，对于评价大坝运行工况，保障大坝安全具有重要意义。

基于坝体、坝基、高边坡周边环境和滑坡对水库大坝的影响的原型观测和渗流，通常使用一些数学、机械和人工智能理论和方法来分析和评估大坝的行为。被认为是保证大坝工程使用安全的有效途径，但对大坝变形与其影响因子之间的复杂非线性关系挖掘不足，常用的大坝变形安全监测资料分析模型主要有3种:统计模型、确定性模型、混合模型，统计模型计算高效简便且考虑了静水荷载，但无法从力学的概念角度反应大坝的性态，确定性模型利用有限元法计算荷载作用下大坝和坝基的效应场，虽建立物理性质的表达式，但需要完整资料来确定大坝以及坝基材料属性，以及边界边坡条件的设置，因此这两种模型存在着一定的局限性，混合模型弥补上述两种模型的不足，发挥了其各自优势，是由上述两种模型为基础构建而成，有效提高模型的精度，但单一的混合模型无法解决由环境、人为和其他不确定因素造成的噪声对监测数据的影响，杨贝贝等利用小波分析工具对监测数据序列进行时频分解，借助混沌相空间重构技术，重构各子序列的相空间。依据去噪和重构后的变形子序列，建立大坝变形性态支持向量机预测模型。在解决小样本、非线性、高维数问题方面，较其他模型有明显优势。但此模型多仅考虑其主要影响因素而未考虑其残差序列内蕴混沌效应的影响，进而限制了拟合精度与预报结果可靠性的提升，有不少学者尝试将EMD非平稳数据分析方法引入大坝变形分析中，例如张豪等将，利用利用经验模态分解算法分解大坝变形数据，得到不同物理特征尺度的变形分量，分析各变形分量特征及其相关影响因素。针对各变形分量的特点，分别建立基于GA-SVM的各变形分量预测模型，将各分量预测模型相加，最终构建基于经验模态分解和支持向量机的多尺度变形预测模型。然而，在信号分解过程中，EMD方法根据信号的极值点采用三次样条插值函数拟合以获得的上、下包络线存在边界效应等问题，这使分解得到的各个分量的精度受到了影响，不利于分析隐含在信号中的信号变化特征。因此如何对变形残差序列进行降噪处理以及对混沌成分进行相空间重构，对于大坝变形性态的精准预测具有重要意义。

考虑到解决变形监测残差数据存在因子的不确定性，非线性问题是提高模型的抗噪能力等问题的关键，本发明提出了一种基于ARIMA和PSO-ELM的多尺度大坝变形预测模型，利用具有可抑制序列本征模态函数(IMF)的模态混叠的集成经验模态，将具有混沌特性的残差序列进行降噪处理，分解为多项高频感应信号和一项低频趋势信号，利用粒子群算法的参数寻优特长，优化极限学习机的输入权值矩阵和隐含层偏差，再结合ARIMA模型的数据训练优势对其高频感应信号以及低频趋势信号进行处理以及预测，并将残差预报项与回归模型预报值相叠加，建立了一种具有较好的自适应学习能力和交叉容错修正等功能残差预报组合模型，本发明所建组合预报模型较常规模型的预报精度有明显提高，此亦为其他水工建筑物变形预报提供了一种便捷高效的新方法。

发明内容