针对大坝观测数据中存在的噪声容易掩盖实际变形曲线走势的问题,提出一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和自回归移动平均模型(ARIMA)的大坝变形预测方法。通过对观测数据进行EEMD和PCA,从而构建映射矩阵,然后利用映射矩阵对原始数据构建的样本矩阵进行转换,实现消噪效果,进而对处理后的观测数据进行ARIMA建模预测,据此构建EEMD-PCA-ARIMA模型。依据所提出的模型对实际大坝坝顶水平位移观测数据进行预测分析,并与实测数据和经直接去掉高频分量消噪后的ARIMA预测模型、ARIMA预测模型、BP神经网络模型预测模型进行对比分析。结果表明:此方法能够更好地获取大坝的实际变形曲线,对于大坝变形预测而言是一种有效的方法。
Abstract
The trend of actual dam deformation curve is easily covered up by noises in dam observation data. In this paper, a prediction method for dam deformation integrating ensemble empirical mode decomposition (EEMD), principal component analysis (PCA) and autoregressive integrated moving average (ARIMA) model is put forward. The mapping matrix is constructed by EEMD and PCA of the observed data, and then the sample matrix constructed by the original data is transformed by the mapping matrix to accomplish denoising; subsequently, the ARIMA model of the processed observation data is built and employed to predict and analyze the observed data of horizontal displacement of dam crest. The prediction result is compared with the measured data, ARIMA predicted data directly removed of high-frequency components, ARIMA predicted data, and BP neural network predicted data. Results suggest that the proposed method is effective for dam deformation prediction as it could better acquire the actual deformation curve.
关键词
大坝变形 /
变形预测 /
集合经验模态分解 /
主成分分析 /
自回归移动平均模型
Key words
dam deformation /
deformation prediction /
EEMD /
PCA /
ARIMA
{{custom_sec.title}}
{{custom_sec.title}}
{{custom_sec.content}}
参考文献
[1] 蒋廷臣, 张 勤, 周 立, 等. 基于小波方法的非线性回归模型研究.测绘学报,2006, 35(4):337-341.
[2] 张建锋, 刘见宝, 崔树军, 等. 小波-神经网络混合模型预测地下水水位.raybet体育在线
院报,2016, 33(8):18-21.
[3] 姜振翔, 徐镇凯, 魏博文. 基于小波分解和支持向量机的大坝位移监控模型.raybet体育在线
院报,2016, 33(1):43-47.
[4] 薛 洋,杨 光,许 雷. 基于Kalman-ARIMA模型的大坝变形预测.中国农村水利水电,2016,15(12): 117-119,123.
[5] 覃劭峰. 基于GM(1,1)-ARIMA最优组合的大坝预测模型.测绘通报,2014,2(增刊2): 66-69.
[6] 王 锋, 苏怀智, 荆 凯. 基于ARIMA-ANN的大坝安全监控模型.武汉大学学报(工学版),2010, 43(5):585-588.
[7] 王金涛, 郭广礼, 郭庆彪,等. 相关性的组合预测模型在开采沉陷中的应用.测绘科学,2017, 42(10):181-185.
[8] 文鸿雁.基于小波理论的变形分析模型研究.武汉:武汉大学,2004.
[9] 杨 庆,任 超. 大坝变形的去噪傅里叶模型预测.测绘科学,2019,44(2):158-163.
[10] 晏红波, 周 斌, 卢献健,等. 基于EEMD-GA-BP模型的大坝变形监测数据预报.raybet体育在线
院报,2019,36(9):58-63.
[11] WU Z H, HUANG N E. Ensemble Empirical Mode Decomposition: A Noise-assisted Data Analysis Method . Advances in Adaptive Data Analysis, 2009, 1(1): 1-4.
[12] 杨永锋, 吴亚锋. 经验模态分解在振动分析中的应用.北京:国防工业出版社,2013.
[13] 刘晓东, 刘朦月, 陈寅生,等. EEMD-PE与M-RVM相结合的轴承故障诊断方法.哈尔滨工业大学学报,2017, 49(9):122-128.
[14] 陈 忠, 符和超. 基于EEMD方法的永磁同步电机电磁噪声诊断.振动与冲击, 2013,32(20):124-128.
[15] 王文波, 张晓东, 汪祥莉. 基于主成分分析的经验模态分解消噪方法.电子学报,2013, 41(7):1425-1430.
[16] 李子奈.计量经济学.北京:高等教育出版社,2004.
[17] 杨 杰, 吴中如. 大坝安全监控的国内外研究现状与发展.西安理工大学学报,2002,18(1):26-30.
[18] 张琦伟, 袁鸿鹄, 王芝银,等. 考虑气象因素影响的大坝监测沉降小波分析.岩土力学,2010,31(3):811-814,826.
基金
广西自然科学基金项目(2017GXNSFAA198308);广西空间信息与测绘重点实验室主任基金项目(15-140-07- 09)
PDF(2121 KB)
