一种水利工程异常检测方法

技术领域

本申请涉及数据处理技术领域，特别是涉及一种水利工程异常检测方法。

背景技术

随着全球经济的发展，人们对水资源的利用变得越来越重视，水利工程项目已经在我国很多地区发挥了巨大的作用。在工程建设过程中，人们追求一种自动化管理模式，希望出现异常情况时水利工程项目能够自动检测异常状态，并能解决一些简单的问题，或者将待解决问题放在异常任务队列中，等待技术人员进行处理。

在水利工程中，如果出现特大洪水灾害，若不及时发现并采取一定的措施，极有可能会导致大量的人力、物力的浪费，甚至会付出生命的代价。因此，本发明采用水位传感器来监测水流量的实时数据，提出一种水利工程异常检测方法，通过数据分析技术来检测水利工程的异常状态。

发明内容

本发明提供一种水利工程异常检测方法，该方法能够准确检测水利工程的异常状态。

第一方面，本申请提供一种水利工程异常检测方法，包括：利用水位传感器对水位信息进行实时监控，得到历史水位高度时间序列数据，以及利用温度传感器进行温度检测，得到每一时间对应的温度信息；所述历史水位高度时间序列数据包括多个数据点，每一数据点表征每一时间对应的水位高度；基于每个所述数据点得到初始k值，基于所述温度信息、水位波动性指标对所述初始k值进行修正，得到实时k值；基于所述实时k值采用LOF异常检测算法对数据进行检测，确定当前时间对应的水位高度是否异常。

在一可选实施例中，基于每个所述数据点得到初始k值，包括：

基于当前数据点和当前数据点相邻的数据点之间水位高度差确定当前数据点对应的区域数据点集合；

基于所述区域数据点集合内数据点所在窗口的对角线的大小以及所述数据点的数量确定平均窗口大小；

基于所述平均窗口大小确定每一所述数据点对应的窗口宽度，所述窗口宽度为所述初始k值。

在一可选实施例中，所述基于当前数据点和当前数据点相邻的数据点之间水位高度差确定当前数据点对应的区域数据点集合，包括：

如果当前数据点和当前数据点相邻的数据点之间水位高度差的绝对值处于第一预设范围，则将所述当前数据点相邻的数据点加入数据集合中，进而得到所述区域数据点集合。

在一可选实施例中，所述第一预设范围为（

在一可选实施例中，基于所述温度信息、水位波动性指标对所述初始k值进行修正，得到实时k值，包括：

计算每个数据点在所述平均窗口大小的范围内，温度信息与水位高度的皮尔森相关系数，所述皮尔森相关系数表征温度信息对水位高度的温差影响程度；

基于所述温差影响程度修正每个数据点对应的所述水位高度，得到修正后的去温差高度；

基于历史水位高度时间序列数据得到斜率函数；

基于所述斜率函数确定每一数据点的波动性指标；

基于所述波动性指标以及所述去温差高度计算修正系数，利用所述修正系数对所述初始k值进行修正，得到实时k值。

在一可选实施例中，计算每个数据点在所述平均窗口大小的范围内，温度信息与水位高度的皮尔森相关系数，包括：

；

其中，

在一可选实施例中，基于历史水位高度时间序列数据得到斜率函数，包括：

对历史水位高度时间序列进行拟合得到拟合函数；

对拟合函数进行一阶求导，得到所述斜率函数。

在一可选实施例中，基于所述斜率函数确定每一数据点的波动性指标，包括：

；

；

其中，

在一可选实施例中，基于所述波动性指标以及所述去温差高度计算修正系数，利用所述修正系数对所述初始k值进行修正，得到实时k值，包括：

表示将值归一化，/>

在一可选实施例中，基于所述实时k值采用LOF异常检测算法对数据进行检测，确定当前时间对应的水位高度是否异常，包括：

基于所述实时k值采用LOF异常检测算法对数据点进行检测，得到离群因子得分；

如果离群因子得分远大于1就判断数据点为异常点，则当前时间对应的水位高度异常。

本申请的有益效果，区别于现有技术，本申请的水利工程异常检测方法，包括：利用水位传感器对水位信息进行实时监控，得到历史水位高度时间序列数据，以及利用温度传感器进行温度检测，得到每一时间对应的温度信息；所述历史水位高度时间序列数据包括多个数据点，每一数据点表征每一时间对应的水位高度；基于每个所述数据点得到初始k值，基于所述温度信息、水位波动性指标对所述初始k值进行修正，得到实时k值；基于所述实时k值采用LOF异常检测算法对数据进行检测，确定当前时间对应的水位高度是否异常。该方法能够准确检测水利工程的异常状态。

附图说明

图1是本申请水利工程异常检测方法的一实施例的流程示意图；

图2是图1中步骤S12的一实施例的流程示意图；

图3是根据窗口大小

图4是图1中步骤S13的一实施例的流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面结合附图和实施例对本申请进行详细的说明。

请参见图1，为本发明水利工程异常检测方法的一实施例的流程示意图，具体包括：

步骤S11：利用水位传感器对水位信息进行实时监控，得到历史水位高度时间序列数据，以及利用温度传感器进行温度检测，得到每一时间对应的温度信息；所述历史水位高度时间序列数据包括多个数据点，每一数据点表征每一时间对应的水位高度。

具体的，在大坝两边的左右两个角分别安装一个水位传感器，用来检测水位的数据变化情况。同时安装温度传感器来检测实时温度信息。这些数据信息会实时传输到后台，目的是为了对正确的水位数据信息做进一步的异常数据检测分析。

具体的，利用水位传感器对水位信息进行实时监控，得到历史水位高度时间序列数据，所述历史水位高度时间序列数据包括多个数据点，每一数据点表征每一时间对应的水位高度。利用温度传感器进行温度检测，得到每一时间对应的温度信息。

步骤S12：基于每个所述数据点得到初始k值。

本发明利用水位传感器传输的数据对水利工程中的水位信息进行实时监控，通过及时将数据信息进行分析和判断，对异常数据进行检测，在将数据信息发送给工作人员的同时也将通过异常检测分析得到的异常结果发送给工作人员，完成异常检测的双保险。

对于水位传感器获取到的水位数据信息，如果当前水位高于或低于经验阈值，那么就立即发出警报，提醒工作人员进行处理。但是，如果在发生洪水灾害到来之前，水位就会发生异常变化，但是这个变化通过简单的阈值还不足以判断出危险情况，这时就需要对水位传感器获得的水位高度时间序列数据信息进行异常分析，从这时间序列中分析出现的异常数据的情况，这里采用异常检测算法LOF来对数据的密度进行分析，LOF同时考虑了数据集的局部和全局属性，能得到量化后的每个数据点的异常程度。

LOF异常检测算法会用到第

本发明首先对历史水位高度时间序列数据的每个数据点进行分析，通过扩大每个数据点的区域得到一个平均窗口大小，再根据这个平均窗口取得横坐标的宽度即为基础

对历史水位高度时间序列数据中的每个数据点进行分析，分别对每个数据点进行区域扩大，直到扩大到待加入数据点与区域内的数据点之间差别较大时，就停止加入。最后对所有数据点区域内最左边和最右边数据点的横纵坐标之间的距离计算其欧式距离，这里将欧氏距离定义为窗口对角线长度，即窗口大小。对所有的数据点的窗口大小求其均值，即为窗口的大小

具体的，请参见图2，步骤S12具体包括：

步骤S21：基于当前数据点和当前数据点相邻的数据点之间水位高度差确定当前数据点对应的区域数据点集合。

对于历史水位高度时间序列数据上所有的数据点，对其中任意一个数据点

在一具体实施例中，判断是否将数据点加入区域数据点集合的判断条件为：

；

其中，

步骤S22：基于所述区域数据点集合内数据点所在窗口的对角线的大小以及所述数据点的数量确定平均窗口大小。

具体的，用

其中，

步骤S23：基于所述平均窗口大小确定每一所述数据点对应的窗口宽度，所述窗口宽度为所述初始k值。

具体的，

步骤S13：基于所述温度信息、水位波动性指标对所述初始k值进行修正，得到实时k值。

具体的，由于对夏季的水位数据信息的包容性更大，所以采用更大的

对于求得的窗口大小D用来确定每个数据点的基础

已经考虑到在夏季和冬季的降水量以及水流量的变化程度并不相同，其实昼夜温差也会对水位数据信息造成一定的影响。这里通过安装温度传感器来监测实时温度信息。

在温度较高的情况下，水分子运动剧烈，会导致水位高度出现波动性变化。但是这种因为温度上升而产生的水位数据信息的变化并不能作为水利工程异常情况，所以，为了减弱这种影响，根据实时温度函数

在一实施例中，请参见图4，步骤S13具体包括：

步骤S31：计算每个数据点在所述平均窗口大小的范围内，温度信息与水位高度的皮尔森相关系数，所述皮尔森相关系数表征温度信息对水位高度的温差影响程度。

在一实施例中，对于温度对水位高度时间序列数据产生的影响程度，这里通过计算每个数据点在窗口大小为D的范围内，温度数据

其中，

步骤S32：基于所述温差影响程度修正每个数据点对应的所述水位高度，得到修正后的去温差高度。

皮尔森相关系数表征温度信息对水位高度的温差影响程度。利用温差影响程度

具体的，利用温差影响程度

这个对水位高度

步骤S33：基于历史水位高度时间序列数据得到斜率函数。

考虑到如果突发洪水，水位上升的速度一定比平时正常的水流量上升的快，所以需要对数据集的斜率进行分析。如果水位上升速度较快，那么曲线的斜率一定也同样是很大的。因此基于历史水位高度时间序列数据得到斜率函数。在一实施例中，对历史水位高度时间序列进行拟合得到拟合函数；对拟合函数进行一阶求导，得到所述斜率函数。

具体的，这里将历史水位高度时间序列数据

步骤S34：基于所述斜率函数确定每一数据点的波动性指标。

对于水位数据曲线，其波动性会实时反应异常情况。所以对曲线的波动性分析是检测水利工程异常的重要步骤。对于曲线来说，每个数据点的曲线波动变化程度可以用

在一实施例中，基于所述斜率函数确定每一数据点的波动性指标，具体方式为：

；

；

其中，

步骤S35：基于所述波动性指标以及所述去温差高度计算修正系数，利用所述修正系数对所述初始k值进行修正，得到实时k值。

异常检测算法LOF确定的

具体的，基于所述波动性指标以及所述去温差高度计算修正系数，利用所述修正系数对所述初始k值进行修正，得到实时k值，包括：

表示将值归一化，/>

其中，

表示在第/>

由于这个修正过程主要针对突发灾害对水位数据曲线的检测，所以，需要对曲线波动变化程度设置较高的映射系数，这样就可以在这两个指标的基础上优先判断波动性，使用水位高度辅助判断异常情况。这里设置映射系数

步骤S14：基于所述实时k值采用LOF异常检测算法对数据进行检测，确定当前时间对应的水位高度是否异常。

具体的，通过上述步骤对基础

具体的，判断离群因子是否接近1，如果接近1则判断该点为正常点，如果该点远大于1就判断该点为异常点，这里取经验值3，如果离群因子的值大于3，则将该数据点判定为异常点，以此来评估异常数据点。

本申请的方案中，水位传感器能够将实时的水位高度时间序列数据传输给工作人员，这些数据包括水位大小和水位上升或下降的稳定性。当后台获取到这些数据信息时，如果工作人员没有处理及时，就会对一些突发的情况错失最佳干预时间，导致灾难的发生。本发明使用异常检测算法LOF来对从水位传感器获取到的实时的水位高度时间序列数据进行分析，通过计算平均窗口大小

以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。