Page 51 - 2024年第55卷第9期

图 ９ 各测点对照模型残差分布图

图 １０ 各测点对照模型评价指标雷达图

４ 结论

本文以数据降噪、特征筛选及时序预测三方面为出发点，将分解降噪方法、智能优化算法、特征
选择法等相结合进行组合建模，挖掘大坝变形数据特征、构建大坝变形预测模型，并依据多重指标结
合某混凝土坝监测数据进行对比分析，主要结论如下：（１）ＧＷＯ优化的 ＣＥＥＭＤＡＮ阈值降噪法依据数
据特性从分解算法原理、阈值及函数选取及参数组合三方面自适应完成数据降噪，在分解精度、降噪
误差比方面优于对照模型，可有效解决分解过程中涉及的参数标定问题，且在降低噪声影响的同时可
保留数据整体变化规律，保证有效信息的提取。（ ２）以 ＲＦＥＣＶ为框架，选取三种元学习器与 ｋ折交叉
试验对因子集进行筛选降维，确定最优特征集合并降低了冗余特征可能对预测精度与稳定性产生的不
利影响。同时可以依据不同时期的数据序列，筛选出能反映相应变形的影响因子，有助于更加清楚地
揭示变形规律。（ ３）综合考虑时序数据特性与输入时间窗步数，本文模型通过捕捉双向信息的前后关
联性，提高了对于非线性时序数据特征的编译能力，在预测精度、残差分布上优于对照方法。

参 考 文 献：

［ １］ 向镇洋，包腾飞，白妍丽，等．基于混合注意力机制和深度学习的大坝变形预测模型［Ｊ］．水利水电科技
进展，２０２３，４３（２）：９６ － １０１．
［ ２］ 周仁练，苏怀智，韩彰，等．混 凝 土 坝 变 形 的 长 期 预 测 模 型 与 应 用 ［Ｊ］．水 力 发 电 学 报，２０２１，４０（９）：
１２２ － １３１．
［ ３］ 王海龙，赵岩，王海军，等．基 于 ＣＥＥＭＤＡＮ － 小 波 包 分 析 的 隧 道 爆 破 信 号 去 噪 方 法 ［Ｊ］．爆 炸 与 冲 击，
２０２１，４１（５）：１２５ － １３７．
［ ４］ 董泳，刘肖峰，李 云 波，等．基 于 ＥＭＤ － ＥＥＭＤ － ＬＳＴＭ 的 大 坝 变 形 预 测 模 型 ［Ｊ］．水 力 发 电，２０２２，４８
（１０）：６８ － ７１，１１２．
［ ５］ 侯回位，郑东健，刘永涛，等．基于 ＥＥＭＤ － ＳＥ － ＬＳＴＭ的混凝土坝变形监测模型［Ｊ］．水利水电科技进展，
２０２２，４２（１）：６１ － ６６．

— １ ０ ６ —
５