1.一种基于模型自动匹配的大坝单测点阈值计算方法，其特征在于，包括如下步骤：(1)选择多项式回归、差分自回归移动平均模型、长短期记忆网络、多层感知机、均值、最小二乘回归、基于注意力机制的长短期记忆网络的机器学习和深度学习模型，构建到预测模型总库；(2)从每类仪器中选择5个测点构成试点集，试点集中每个测点依次向模型总库中所有模型输入测点数据，为每个模型配置最佳参数并计算其R平方值，比较R平方值选择对应值最大的预测模型配置给该测点，并存入数据库；(3)剩余测点与所有已配置好的同仪器类型的测点计算数据相似度，选择最小相似度值的测点作为相似测点，若最小相似度值小于等于阈值S，则直接配置该测点与相似测点相同的预测模型，否则返回步骤(2)重新匹配模型；(4)每隔一个月更新一次预测模型，计算这个月测点数据的R平方值，与原预测模型离线阶段时的初始R平方值比较，若大于等于初始R平方值，则原预测模型不变，若小于初始R平方值且两者相差在0.02范围内，则仅更新原预测模型的超参数，否则返回步骤(2)重新匹配模型；(5)将清洗后的测点数据输入预测模型，得到预测值，并根据3σ准则计算出测点阈值当日的异常级别。
2.根据权利要求1中所述的一种基于模型自动匹配的大坝单测点阈值计算方法，其特征在于，所述步骤(2)中从每类仪器中选择5个测点构成试点集，试点集中每个测点依次向模型总库中所有模型输入测点数据，为每个模型配置最佳参数并计算其R平方值，比较R平方值选择对应值最大的预测模型配置给该测点，并存入数据库的具体步骤如下：(2.1)对于仪器类型，每个模型需要训练的超参数皆事先设定好并存入数据库，并分为无参数、机器学习模型参数和深度学习模型参数3种情况；其中无参数情况下不训练参数；机器学习模型参数下先随机生成G 1 个超参数值组，与测点数据一同输入模型训练，并得到G 1 个R平方值，将G 1 个超参数值组和R平方值输入代理模型训练，其中代理模型选择随机森林，之后随机生成G 2 个超参数值组，输入代理模型得到G 2 个R平方值，从中选择值最大的超参数值组作为最佳参数，其中G 1 默认值为1000，G 2 默认值是2000；(2.2)试点集中每个测点依次向模型总库中所有模型输入测点数据，得到 的结果，再求每个预测模型的R平方值， 其中j＝1,2,…,N， 是第i个预测模型的预测值， 是平均值，比较 值并将最大值的预测模型赋予给该测点，并将模型名和R平方值存入数据库。
3.根据权利要求1中所述的一种基于模型自动匹配的大坝单测点阈值计算方法，其特征在于，所述步骤(3)中剩余测点与所有已配置好的同仪器类型的测点计算数据相似度，选择最小相似度值的测点作为相似测点，并与阈值比较做出相应处理的具体步骤如下：(3.1)依次遍历剩余测点，获取测点T i 前Y年数据(t i1 ,...t in )和仪器类型名，与所有已配置好的同仪器类型的测点T j 计算数据相似度，其中相似度计算应用形态相似距离的方法，公式如下所示：其中t ik 是测点T i 第k天的测值，t jk 是测点T j 第k天的测值， 计算的是欧式距离， 计算的是曼哈顿距离， 计算的是每天测值差值之和的绝对值；(3.2)选择D MSD 值最小的测点作为相似测点，当D MSD ≤S时，则直接配置该测点与相似测点相同的预测模型，否则返回步骤(2)重新匹配最佳模型；
4.根据权利要求1中所述的一种基于模型自动匹配的大坝单测点阈值计算方法，其特征在于，所述步骤(4)中更新预测模型，比较该时段测点数据的R平方值与原预测模型离线阶段时的初始R平方值，若大于等于初始R平方值则不变，若小于且差值在0.02范围内则仅更新原预测模型的超参数，否则重新匹配模型的具体步骤如下：每隔一个月更新一次预测模型，若未满一个月则直接进行阈值计算，否则计算这个月测点数据的R平方值，与原预测模型离线阶段时的初始R平方值比较，若大于等于初始R平方值，则原预测模型不变；若小于初始R平方值且两者差值在0.02范围内，则为原始超参数组(v 1 ,v 2 ,...v n )中各参数设置取值区间，即v i 参数的取值区间为[0.5v i ,1.5v i ]，之后从中随机取值生成G个超参数值组，与清洗后的测点数据一同输入原预测模型，并比较计算出来的R平方值，包含原始超参数组的R平方值，选择其中值最大的超参数组来更新原预测模型参数；否则返回步骤(2)中重新匹配模型，若更新后的预测模型仍是原模型，则报出预测模型总库需要增加新预测模型的日志。
5.根据权利要求1中所述的一种基于模型自动匹配的大坝单测点阈值计算方法，其特征在于，所述步骤(5)中计算出测点阈值当日的异常级别的具体步骤如下：将清洗后的测点数据输入预测模型，得到预测值，并根据3σ准则计算出测点阈值当日的异常级别，即当 时，测点发生异常，其中残差 x i 是测值， 是平均值。
