大坝安全研判方法及装置、电子设备、存储介质与流程

本技术涉及大坝安全监测，尤其涉及一种大坝安全研判方法及装置、电子设备、存储介质。

背景技术：

1、大坝作为水利工程的关键组成部分，承担着调蓄、防洪、供水等重要任务。然而，由于地质、气候、人为因素等多方面的影响，大坝的安全性成为当前水利工程领域亟待解决的重要问题。及时准确的大坝安全研判能避免大坝破坏危害周边地区民众的生命财产安全。

2、现阶段对大坝安全监测值的异常检测通常有两类：一类是基于监测数据分析的，如基于时空图、基于神经网络分类、基于数学统计分析或基于聚类分析的异常数据检测；另一类是基于回归或神经网络模型寻找外界环境变量和大坝监测值的历史数据的关系，并预测大坝监测值，然后通过分析预测监测值和实测监测值的偏差大小来研判大坝安全。

3、基于监测数据分析的方法没有全面的考虑外界环境变量对大坝监测值的影响，相对片面的寻找数据之间的关系；基于回归或神经网络模型预测的方法虽然能较为准确的预测监测值，但是对于监测值阈值的设定往往依靠经验判断。由此，现阶段的大坝安全研判方法尚有需要改进的地方。

技术实现思路

1、本技术实施例的目的是提供一种大坝安全研判方法及装置、电子设备、存储介质，以解决相关技术中存在的没有全面的考虑外界环境变量对大坝监测值的影响以及没有准确的监测值阈值设定的技术问题。

2、根据本技术实施例的第一方面，提供一种大坝安全研判方法，包括：

3、获取大坝所在区域的外界环境数据，所述外界环境数据包括历史时段内外界环境数据和预测时段内外界环境数据；

4、获取大坝各类监测数据，所述大坝各类监测数据包括历史时段内大坝各类监测数据和预测时段内大坝各类监测数据；

5、将所述外界环境数据、历史时段内大坝各类监测数据以及时间作为模型输入，预测时段内大坝各类监测数据作为模型输出，对attention-bilstm模型进行训练；

6、根据所述外界环境数据，获取各数据类型的变化范围，取变化范围的最大值和最小值叠加到预测时段内外界环境数据，输入至训练后的attention-bilstm模型中，得到大坝各类监测数据在不同工况下的值范围；

7、将所述预测时段内大坝各类监测数据与所述的值范围进行比较，获得大坝安全研判结果。

8、可选的，获取大坝所在区域的外界环境数据，包括：

9、通过水文站和墒情站，获取大坝某时间段t∈[t0，tn]的历史外界环境数据，包括：大坝上游水位zut、大坝下游水位zdt、坝上各高程及断面测点温度th_s_t、库区内各雨量站雨量rd_t，h表示高程，s表示断面，d表示雨量站编号。

10、可选的，获取大坝各类监测数据，包括：

11、通过安装在大坝内部和外部的传感器，采集大坝某时间段t∈[t0，tn]的各类监测历史数据，包括渗流、渗压、表面位移、深部位移、扬压力、沉降。

12、可选的，将所述外界环境数据、历史时段内大坝各类监测数据以及时间作为模型输入，预测时段内大坝各类监测数据作为模型输出，对attention-bilstm模型进行训练，包括：

13、令时刻t的模型输入xt＝为：

14、xt＝[zut,zdt,t0_0_t,t0_1_t,......,t1_s_t,......,th_s_t,r0_t,r1_t,......,rd_t,v0_0_(t-1),v0_1_(t-1),......,v0_q_(t-1),v1_q_(t-1),......,vp_q_(t-1)]，其中t0_0_t到t0_s_t表示高程为0、第0断面到第s断面各温度监测设备的在t时刻的数值，t0_s_t到th_s_t表示在0断面、第0高程到第s高程各温度监测设备的在t时刻的数值；

15、模型输出yt为：yt＝[v0_0_t,v0_1_t,......,v0_q_t,v1_q_t,......,vp_q_t]；

16、式中，t∈[t0，tn]，zut为大坝上游水位，zdt为大坝下游水位，th_s_t为坝上各高程及断面测点温度，rd_t为库区内个雨量站雨量，h表示高程，s表示断面，d表示雨量站编号，vp_q_t为监测历史数据，p表示各测点类型，q表示测点编号；

17、根据固定时间长度s，通过滑窗的方式获得模型输入xt时间序列：

18、x＝[x0,x1,......,xn-(s-1)]，其中xt＝[xt,xt+1,......,xt+(s-1)]；

19、以及模型输出yt时间序列：

20、y＝[y0,y1,......,yn-(s-1)]，其中yt＝[yt,yt+1,......,yt+(s-1)]；

21、利用所述模型输入和模型输出对attention-bilstm模型进行训练，训练后，将x输入attention-bilstm模型，输出q*p个大坝各类监测数据的预测值y`。

22、可选的，对attention-bilstm模型进行训练所使用的损失函数为均方根误差，即实际监测值y与预测值y`的均方根之和，以损失函数值最小为优化目标。

23、可选的，根据所述外界环境数据，获取各数据类型的变化范围，取变化范围的最大值和最小值叠加到预测时段内外界环境数据，输入至attention-bilstm模型，得到大坝各类监测数据在不同工况下的值范围，包括：

24、对历史时段内外界环境数据分析计算，得到单位时间内外界环境数据变化范围；

25、通过取变化范围的最大值和最小值叠加到预测时段内外界环境数据，然后输入至attention-bilstm模型，计算得到不同工况场景下，大坝各类监测值可能的波动范围，在物理意义上，该波动范围代表大坝安全工况下的极值范围。

26、根据本技术实施例的第二方面，提供一种大坝安全研判装置，包括：

27、第一获取模块，用于获取大坝所在区域的外界环境数据，所述外界环境数据包括历史时段内外界环境数据和预测时段内外界环境数据；

28、第二获取模块，用于获取大坝各类监测数据，所述大坝各类监测数据包括历史时段内大坝各类监测数据和预测时段内大坝各类监测数据；

29、训练模块，用于将所述外界环境数据、历史时段内大坝各类监测数据以及时间作为模型输入，预测时段内大坝各类监测数据作为模型输出，对attention-bilstm模型进行训练；

30、计算模块，用于根据所述外界环境数据，获取各数据类型的变化范围，取变化范围的最大值和最小值叠加到预测时段内外界环境数据，输入至训练后的attention-bilstm模型中，得到大坝各类监测数据在不同工况下的值范围；

31、研判模块，用于将所述预测时段内大坝各类监测数据与所述的值范围进行比较，获得大坝安全研判结果。

32、根据本技术实施例的第三方面，提供一种电子设备，包括：

33、一个或多个处理器；

34、存储器，用于存储一个或多个程序；

35、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。

36、根据本技术实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。

37、本技术的实施例提供的技术方案可以包括以下有益效果：

38、与基于监测数据分析的异常检测方法相比，本发明充分考虑了预报时段内的外界环境数据变化以及历史时段大坝各类监测值数据与预报期内大坝各类监测值数据之间的关系，并通过使用注意力机制让attention-bilstm模型自主选择权重。在扩大的方法的泛用性的同时提高了预测的准确度和召回率。

39、相较于基于回归或神经网络模型预测的方法，本发明可根据预知到来的载荷变化，快速计算大坝各类安全监测预测值以及上下限阈值，而非根据人为经验，预设的上下限阈值。通过比较计算得到的上下限阈值和实际大坝安全监测值，提前研判大坝安全。

40、通过叠加历史变化极值至外界环境变量，计算获得各个监测点位的历史的上下限阈值。将历史实测应变量与预测阈值范围进行比较，得到监测值与上下限阈值的距离趋势变化。结合趋势变化，研判在短期的未来，监测值是否有越过阈值范围可能性。

41、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。