基于經(jīng)驗模態(tài)分解的城市供水水質(zhì)異常事件檢測方法研究.pdf

1、水質(zhì)安全問題關(guān)乎國計民生，在全世界范圍內(nèi)都受到了廣泛關(guān)注和高度重視。水質(zhì)污染事件發(fā)生往往后果嚴重，因此，建立水質(zhì)污染物防范機制及監(jiān)測系統(tǒng)進行水質(zhì)污染預警十分必要。其中，水質(zhì)異常事件檢測算法是水質(zhì)污染監(jiān)測系統(tǒng)的核心。常見的異常檢測算法包括基于統(tǒng)計分析的算法、聚類分類算法及人工智能算法等。然而，水質(zhì)指標時序自身具有非平穩(wěn)性，且水質(zhì)事件發(fā)生時尺度具有不確定性，常規(guī)算法針對多尺度事件適應性仍然較差，特別是針對長而緩的事件，檢出率較低且誤報率較高

2、。
　　為了進一步挖掘水質(zhì)指標時序來源不同成分的波動特性，并結(jié)合事件的多尺度特性及時頻變化特征，提升水質(zhì)異常檢測算法的檢出能力和信息利用率，本文提出了基于經(jīng)驗模態(tài)分解的水質(zhì)異常檢測方法，主要論述了經(jīng)驗模態(tài)分解的理論研究、應用領(lǐng)域、現(xiàn)有問題及改進方案等，并通過仿真分析及與常規(guī)算法對比，驗證了提出算法在異常事件檢測方面的有效性。
　　本文的主要工作及創(chuàng)新點如下:
　　1.針對水質(zhì)指標時序中含有來源不同的成分及水質(zhì)異常事件發(fā)

3、生時的尺度不確定性，提出了基于經(jīng)驗模態(tài)分解及廣義零交叉理論的局部時間尺度匹配水質(zhì)異常檢測方法。首先將經(jīng)預處理后的原始水質(zhì)指標時序利用經(jīng)驗模態(tài)分解(EMD)進行信號逐層提取，獲得一系列振動周期逐漸增大的固有模態(tài)函數(shù)（IMF），并分別利用3δ閾值檢測法進行異常事件檢測，然后計算每個模態(tài)每個時間點的局部時間尺度，從而獲得每個頻段的平均時間尺度。對于每個觀察點，計算其局部動態(tài)時間，并根據(jù)時間尺度歸屬的定義計算其歸屬度，挑選出最敏感的固有模態(tài)函數(shù)

4、進行融合事件檢測。該方法能夠針對不同尺度的事件進行異常檢測，具有一定的尺度自適應性，對于長而緩的水質(zhì)異常事件也具有一定檢測效果。
　　2.針對EMD分解中的模態(tài)混疊及直接融合事件檢測結(jié)果方法忽略了各頻段之間的內(nèi)在聯(lián)系問題，提出了基于聚合經(jīng)驗模態(tài)分解的多維異常事件檢測方法。將水質(zhì)指標時序用聚合模態(tài)分解(EEMD)方法進行分解，在挑選出敏感尺度后，利用所選各尺度在每個時刻點的值構(gòu)建目標特征向量，并利用訓練集數(shù)據(jù)進行模型訓練。對于每個觀

5、察點，計算其目標特征向量至訓練集中心的馬氏距離，通過設置不同的置信度及閾值判定是否發(fā)生異常。該方法能夠抑制由水質(zhì)指標時序信號的非平穩(wěn)性及間歇性等造成的模態(tài)混疊問題，且充分利用了敏感頻段間的內(nèi)在聯(lián)系，具有更好的事件檢測效果。
　　3.針對EEMD在線應用時，在被分析信號兩端出現(xiàn)失真或者發(fā)散的邊際效應問題，提出了基于極值點對稱延拓的在線EEMD異常事件檢測算法。通過對原始水質(zhì)時序的極值點進行延拓，可以有效防止其在邊界位置失真或振蕩。通