一种水文站点实测径流异常检测方法及装置与流程

摘要: 本发明涉及一种水文站点实测径流异常检测方法及装置,属于水文监测。背景技术:1、目前在水电站及水文测站的实际运行中,径流数据是防洪调度、发电计划及水资源配置的核心...
一种水文站点实测径流异常检测方法及装置与流程

本发明涉及一种水文站点实测径流异常检测方法及装置,属于水文监测。

背景技术:

1、目前在水电站及水文测站的实际运行中,径流数据是防洪调度、发电计划及水资源配置的核心输入。然而,受野外极端环境影响,传感器常受电磁脉冲干扰、泥沙淤积、漂浮物遮挡、以及寒冷地区结冰的影响,导致产生突变尖峰、零点漂移或假性平顶值等异常值。

2、现有技术中,常规的异常检测主要依赖单一变量的固定阈值法(如3-sigma原则),其缺陷在于:(1)无法识别数值虽在正常范围内但物理逻辑不通的异常;(2)在洪水期等高波动非平稳过程中容易将合理数值判定为异常。近年来随着时序预测和异常检测技术的不断发展,基于深度学习(例如长短期记忆网络lstm)的判别模型被提出。但其递归结构在处理长时序数据时存在梯度消失问题,且对瞬时突变信号捕捉精度不足。

3、因此,本领域迫切需要一种能够融合水位、气象等物理特征,具备物理可解释性且鲁棒的异常检测方案。

技术实现思路

1、本发明的目的在于克服现有技术中的不足,提供一种水文站点实测径流异常检测方法及装置,能够融合水位、气象等物理特征,具备物理可解释性且提高鲁棒性。

2、为达到上述目的,本发明是采用下述技术方案实现的:

3、第一方面,本发明提供了一种水文站点实测径流异常检测方法,包括以下步骤:

4、步骤1:构建多源特征并进行时间分辨率采样对齐和归一化操作,得到特征张量;

5、步骤2:根据所述特征张量,进行基于tcn-ae和多源物理特征的径流时序重建,得到径流的重建序列;

6、步骤3:根据所述径流的重建序列,进行基于mad的残差动态阈值识别,得到候选异常点;

7、步骤4:根据所述候选异常点,基于物理逻辑规则进行异常值复核,得到实测径流异常情况。

8、进一步的,步骤1中,构建多源特征并进行时间分辨率采样对齐和归一化操作,得到特征张量,包括:

9、获取流域目标水文测站的多源物理时序数据,所述数据至少包括实测径流序列,以及测站水位序列、测站上游流域面平均降雨序列、测站雷达回波序列和测站上游流域平均气温序列;

10、对多源物理时序数据钟不同频率的数据采样统一到预设频率,比如1h尺度,对采集频率高于预设频率的水位数据(通常水位数据的采集频率高于1h,例如15min)进行均值降采样,采样公式如下:

11、;

12、其中和分别是预设频率的水位数据和高频水位数据,其中n指在预设频率的一个周期内水位数据的采集次数。

13、然后将对齐后的上述多维序列分别映射至[0,1]区间,构建特征张量。

14、进一步的,进行时间分辨率采样对齐和归一化操作,还包括:

15、时间分辨率采用1小时。

16、对空缺小于等于3小时的数据采用线性插值,超过3小时则采用邻近10天同时段中位数填充。

17、进一步的,步骤2中,根据所述特征张量,进行基于tcn-ae和多源物理特征的径流时序重建,包括:

18、将特征张量输入tcn-ae模型中,重构得到与特征张量在时间维度上长度完全对齐的多变量序列,并提取得到径流序列;

19、所述tcn-ae模型包括对称设置的编码器和解码器;

20、编码器利用多层时间卷积网络tcn通过因果卷积和膨胀卷积把输入的特征张量压缩成一个低维潜在空间向量,

21、解码器将低维潜在空间向量重构成与原始输入结构一致的序列,得到与特征张量在时间维度上长度完全对齐的多变量序列;

22、所述编码器由三层一维扩张因果卷积层构成,卷积核大小,扩张因子分别设定为。

23、每一层包含残差连接与层归一化。

24、为确保捕捉过去足够时间的产汇流物理特征,其感受野计算公式为:

25、

26、其中,为卷积核大小,为第i个扩张因子。假设时间步长为小时(本发明针对流量实测数据,每小时测一次,)。感受野的实际物理时间跨度为:

27、

28、通过全连接层将特征维度压缩至原始输入特征维度的(一般取4),使模型保留具备代表性的模式。

29、所述解码器的结构与编码器的结构对称。

30、进一步的,所述tcn-ae模型通过最小化原始输入序列和重构后的序列之间的重构误差,让模型利用测站水位序列、测站上游流域面平均降雨序列、测站雷达回波序列测站上游流域平均气温序列重构径流变化模式;

31、训练数据至少取过去10年的实测数据,训练集、测试集和验证集的比例分别为7:1:2。

32、进一步的,步骤3中,根据所述的重建径流序列,进行基于mad的残差动态阈值识别,得到候选异常点,包括:

33、首先,计算t时刻实测径流与重构径流值的残差,公式如下:

34、

35、其中为t时刻实测径流,为t时刻tcn-ae的径流重构值。然后利用中位数绝对偏差(mad)结合滑动窗口计算动态检测阈值:

36、

37、

38、其中,为t时刻的中位数绝对偏差值;表示中位数;为灵敏度系数。若,则判定为候选异常点。

39、进一步的,步骤4中,根据所述候选异常点,基于物理逻辑规则进行异常值复核,得到实测径流异常情况,包括:

40、将候选异常点输入预设的物理逻辑门规则库,按突变干扰规则、测道堵塞规则和零点漂移规则进行最终诊断,分别判定出候选异常点的实测径流异常情况;所述实测径流异常情况的种类包括传感器电磁脉冲噪声突变干扰异常、漂浮物遮挡或采样孔堵塞异常、传感器硬件温漂或零点偏移异常。

41、进一步的,突变干扰规则包括:同时满足以下判别式,确认为因传感器电磁脉冲噪声突变干扰造成的径流记录异常:

42、

43、

44、

45、其中,和分别是t时刻和t-1时刻的水位(m),为雷达回波信号强度()。

46、进一步的,测道堵塞规则包括:同时满足以下判别式,确认为因漂浮物遮挡或采样孔堵塞造成的径流记录异常:

47、

48、

49、

50、其中,为过去四小时径流的方差(),为t时刻降雨量(mm)。

51、进一步的,零点漂移规则:同时满足以下判别式,确认为因传感器硬件温漂或零点偏移造成的径流记录异常:

52、

53、

54、其中,为t时刻气温(℃)。

55、第二方面,本发明提供一种水文站点实测径流异常检测装置,包括处理器及存储介质;

56、所述存储介质用于存储指令;

57、所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。

58、与现有技术相比,本发明所达到的有益效果:

59、1、诊断明确性:不同于黑盒ai模型,本发明结合了气象-水位-流量一致性、产汇流因果性等水文学常识进行后验,使得每一个检出的异常点都带有明确的物理标签(如突变干扰、测道堵塞、零点漂移),极大地提升了水电站或水文测站运行维护的决策效率。

60、2、物理可解释性:本发明通过tcn-ae与物理逻辑门的双重验证,有效解决了特殊时期被传统阈值方法误判为异常以及真实异常无法被检测的痛点。

61、3、动态适应性强:通过引入基于滑动窗口(对应w日的水文循环)的mad动态阈值机制,本方案能够自动适应流域的丰枯水期转换。在洪水期自动放宽阈值以容忍径流记录的高频波动,在枯水期自动收紧阈值以捕捉径流记录的微小漂移,有效减少了漏报与误报。

62、4、计算高效性:tcn的并行卷积特性使得单点耗时显著低于lstm等常规深度学习模型,可以满足厂站侧多水文测点秒级质控的实时性需求。