4、异常样本识别：异常样本的常见类型与识别方法

在容量水位监测中，原始样本序列常因传感器故障、通信干扰、环境突变或人为操作失误而混入异常值。若未能在复核前有效识别，后续的趋势分析、库容计算和预警逻辑将产生系统性偏差。本节从异常样本的常见类型和识别方法两个维度展开，帮助复核人员建立快速筛查能力。

4.1 异常样本的常见类型

根据水位数据在时间序列上的表现形态，异常样本可归纳为以下四类：

4.2 异常识别方法

针对上述异常类型，工程实践中主要采用三种识别方法：阈值法、变化率法和统计法。三种方法在检测能力、计算复杂度和适用场景上各有侧重。

4.3 识别方法的工作流程

下图展示了三种识别方法在异常样本复核中的串联应用逻辑。实际系统中通常先通过阈值法快速过滤明显超限值，再使用变化率法捕获跳变，最后用统计法识别漂移和隐性异常。

4.4 三种方法的详细说明与代码示例

4.4.1 阈值法

阈值法是最直观的识别手段。复核人员需根据水库的设计参数设定物理上下限：

• 上限（H_max）：坝顶高程或防浪墙顶高程，通常取设计洪水位或校核洪水位。
• 下限（H_min）：库底高程或死水位，部分水库还需考虑淤积高程。

判定规则：若 H_sample < H_min 或 H_sample > H_max，则标记为超限异常。

# 阈值法示例（Python）
H_min = 85.0   # 死水位（m）
H_max = 105.0  # 设计洪水位（m）

def threshold_check(sample):
    if sample < H_min or sample > H_max:
        return "超限异常"
    return "正常"

4.4.2 变化率法

变化率法通过计算相邻样本的差值来检测跳变。对于水位数据，通常采用一阶差分：

• 差分值：ΔH = H(t) - H(t-1)
• 最大允许变化率（ΔH_max）：根据水库的泄流能力、闸门启闭速度或历史最大涨落率确定。

判定规则：若 |ΔH| > ΔH_max，则标记为跳变异常。

# 变化率法示例（Python）
delta_H_max = 0.5  # 最大允许变化率（m/采样间隔）

def rate_check(current, previous):
    delta = current - previous
    if abs(delta) > delta_H_max:
        return "跳变异常"
    return "正常"

4.4.3 统计法

统计法利用滑动窗口内的历史数据建立统计基线，适用于检测缓慢漂移和周期性异常。常用方法包括：

• Z-Score 法：计算当前样本与窗口均值的偏离程度，Z = (x - μ) / σ，若 |Z| > 3 则判为异常。
• IQR 法：基于四分位距，IQR = Q3 - Q1，若样本超出 [Q1 - 1.5×IQR, Q3 + 1.5×IQR] 则判为异常。
• 移动平均残差法：计算样本与移动平均值的残差，残差超过阈值则判为异常。

# 统计法示例（Z-Score，Python）
import numpy as np

def zscore_check(sample, window_data):
    mu = np.mean(window_data)
    sigma = np.std(window_data)
    if sigma == 0:
        return "正常"  # 窗口内数据无波动时跳过
    z = (sample - mu) / sigma
    if abs(z) > 3.0:
        return "统计异常（漂移/隐性跳变）"
    return "正常"

4.5 三种方法的对比与选择建议

在实际复核流程中，三种方法并非互斥，而是形成分层检测体系。下表从多个维度给出选择建议：