CN108734360B - 一种基于修正的elm预测模型多维遥测数据智能判读方法 - Google Patents
一种基于修正的elm预测模型多维遥测数据智能判读方法 Download PDFInfo
- Publication number
- CN108734360B CN108734360B CN201810631871.1A CN201810631871A CN108734360B CN 108734360 B CN108734360 B CN 108734360B CN 201810631871 A CN201810631871 A CN 201810631871A CN 108734360 B CN108734360 B CN 108734360B
- Authority
- CN
- China
- Prior art keywords
- prediction
- current time
- parameter
- target
- time point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
一种基于修正的ELM预测模型多维遥测数据智能判读方法,本发明涉及基于修正的ELM预测模型多维遥测数据智能判读方法。本发明的目的是为了解决现有未超过阈值门限的异常数据导致卫星部件异常漏检;以及传统方法中判据规则一旦输入就无法更改,灵活性较差,无法跟踪数据的缓变趋势,一旦数据超过预设阈值,将会产生大量的虚警的问题。具体过程为:一、构建A个ELM单步预测模型,A个ELM单步预测模型输出当前时间点的A个目标参数;二、基于历史真实目标参数预测当前时间点的目标参数预测值;三、得到A个修正后的当前时间点的目标参数值;四、判断样本是否正常。本发明用于多维遥测数据智能判读方法领域。
Description
技术领域
本发明涉及基于修正的ELM预测模型多维遥测数据智能判读方法。
背景技术
卫星在轨运行期间,其运行状态监测系统的传感器监测数据通过遥测系统传输至地面,此遥测数据是地面控制中心判断在轨卫星运行状态和健康状态的唯一依据。分析遥测数据潜在规律,建立卫星遥测数据与卫星运行状态的对应关系,对卫星测控管理与决策活动,如改进卫星的设计、增强其运行可靠性,提高测试以及监测自动化,具有非常重要的现实意义。
卫星遥测数据判读是指依据判读准则,对卫星控制指令、下行遥测数据进行监测及检查,判断卫星各设备工作是否正常、接口是否正确、卫星运行是否正常的过程。由于卫星是一个复杂的系统,参数之间相互关联,相互耦合,参数数值变化以及系统运行的模式变化由多种遥测参数共同决定。通常情况下多维参数判读分为对参数的正确性判读和对运行模式的判读。因此,本发明针对多维数据的关联关系,分别对卫星参数正确性及其对应的运行模式进行判读。
目前,大部分卫星数据判读工作仍以人工判读为主,通过工程技术人员对遥测数据进行近乎实时的观测,实现数据的人工判读。由于判读规则形式多样,依靠人工监视的方法对遥测数据进行判读不但需要大量具有丰富专业知识和经验的工程技术人员,还存在着高误检率和漏检率的风险。在人工监测的基础上,对判读系统加以阈值判读方法作为辅助,该种方法是较为传统的,也是实际普遍采用的数据方法。通过预设阈值,例如总线电流、电压、角速度、温度值的上下限值,以及“与”、“或”关系等参数间简单规则,对遥测数据实时的进行自动的正确性判读,对存在于阈值之外的数据进行超限报警。然而,实际应用过程中,基于阈值的判读方法只能针对单维数据进行判读,且存在大量异常并不能通过简单的监测上下限值来进行检测,某些异常模式发生时,并没有超过事先设定的阈值;阈值设定的自适应能力弱,监测航天器系统有改变时,判读幅值判据就需要重新设定。专家系统方法也是应用广泛的数据判读手段。专家系统是一种以知识为基础的具有专家解决问题能力的软件系统,其工作过程更接近于人类习惯的方式和要求。专家知识通常以因果关系作为规则的表征形式,将专家经验编码为模型形式,代替人工判读用于对数据的自动判读。相比于基于阈值和简单规则的判读方法,基于专家系统方法的判读更加严谨,具有更强的诊断能力。
传统的遥测数据判读方法逐渐存在着以下局限:
(1)未超过阈值门限的异常数据导致卫星部件异常漏检;
(2)卫星运行环境大量判据规则需要依据专家经验人工预先输入,然而复杂的遥测数据类型以及未知的异常模式使技术人员难以形成完整的卫星遥测数据规则库;
(3)卫星长期运行过程中,性能部件必然会有一定程度上的性能衰退,传统方法中判据规则一旦输入就无法更改,灵活性较差,无法跟踪数据的缓变趋势,一旦数据超过预设阈值,将会产生大量的虚警。
因此,针对以上局限性,智能化数据判读方法逐渐收到该领域技术人员的关注,该类方法仅根据历史数据特性,就可以寻找并建立卫星正常系统下的遥测数据变化规则,从而进行判读。
发明内容
本发明的目的是为了解决现有未超过阈值门限的异常数据导致卫星部件异常漏检;卫星运行环境大量判据规则需要依据专家经验人工预先输入,然而复杂的遥测数据类型以及未知的异常模式使技术人员难以形成完整的卫星遥测数据规则库;以及传统方法中判据规则一旦输入就无法更改,灵活性较差,无法跟踪数据的缓变趋势,一旦数据超过预设阈值,将会产生大量的虚警的问题,而提出一种基于修正的ELM预测模型多维遥测数据智能判读方法。
一种基于修正的ELM预测模型多维遥测数据智能判读方法具体过程为:
本发明针对卫星遥测数据;
步骤一、构建A个ELM单步预测模型,将预测因子分别输入A个ELM单步预测模型,A个ELM单步预测模型输出当前时间点的A个目标参数;A取值为A∈[5,50];
步骤二、基于历史真实目标参数预测当前时间点的目标参数预测值;
步骤三、利用步骤二得到的当前时间点的目标参数预测值分别对步骤一得到的A个当前时间点的目标参数进行修正,得到A个修正后的当前时间点的目标参数值;
步骤四、
1)
根据判读任务,当步骤三得到的A个修正后的当前时间点的目标参数值属于模拟量时,对修正后的当前时间点的目标参数值进行不确定度估计,得到A个模拟量目标参数不确定度;
判断当前时间点的真实目标参数值是否落在预测区间内,如果是,当前时间点的真实目标参数值被判读为正常数据;否则,将标记为异常数据;
2)
若大于等于一半,判断是否在目标数字量集合m=[m0,m1,…,mQ]内,若在m=[m0,m1,…,mQ]内,则将在集合m=[m0,m1,…,mQ]中对应的某个元素作为预测因子标记结果;否则,则预测因子标记为异常。
本发明的有益效果为:
本发明面向遥测数据提出的基于ELM预测模型的自适应数据判读方法,能够极大降低判读系统对专家经验的依赖,不需设定阈值,自主提取多维参数变化规律,对目标参数进行快速、准确地预测和判读,解决现有未超过阈值门限的异常数据导致卫星部件异常漏检;卫星运行环境大量判据规则需要依据专家经验人工预先输入,然而复杂的遥测数据类型以及未知的异常模式使技术人员难以形成完整的卫星遥测数据规则库的问题;
此外,本发明提出的方法对不同类型的参数具有较强的适用性及可扩展能力,解决了传统方法中判据规则一旦输入就无法更改,灵活性较差,无法跟踪数据的缓变趋势,一旦数据超过预设阈值,将会产生大量的虚警的问题。
相比于传统的遥测数据判读方法,本发明的方法具有自动提取判读规则的能力
相比于智能算法中的其他预测模型,本发明的方法具有更高的预测精度,具体量化指标如下:
相比于智能算法中的分类模型,本发明的方法具有快的模型训练及判读速度,时间消耗相比于分类模型时间上增加了降低了3个数量级,精度上也具有一定优势,具体量化指标如下:
数字量目标参数判读结果
附图说明
图1为本发明基于ELM预测模型的多参数预测方法框架图;
图2为本发明数据选择及预处理流程图;
图3为本发明数字量判读策略流程图;
图4a为蓄电池荷电状态预测结果图;
图4b为蓄电池荷电状态预测残差图;
图5a为太阳阵输出电流预测结果图;
图5b为太阳阵输出电流预测结果图;
图6a为蓄电池荷电状态预测结果异常判读结果图;
图6b为蓄电池荷电状态预测残差异常判读结果图;
图7为蓄电池充电状态判读结果图。
具体实施方式
具体实施方式一:本实施方式的一种基于修正的ELM预测模型多维遥测数据智能判读方法具体过程为:
本发明针对卫星遥测数据;
步骤一、构建A个ELM单步预测模型,将预测因子(如卫星电源子系统蓄电池组荷电状态)分别输入A个ELM单步预测模型,A个ELM单步预测模型输出当前时间点的A个目标参数(如卫星电源子系统太阳电池阵输出功率、蓄电池组压力、蓄电池组输出电压、蓄电池组充电电流等参数);A通常情况下取值为A∈[5,50];
步骤二、基于历史真实目标参数预测当前时间点的目标参数预测值;
步骤三、利用步骤二得到的当前时间点的目标参数预测值分别对步骤一得到的A个当前时间点的目标参数进行修正,得到A个修正后的当前时间点的目标参数值;
步骤四、
基于bagging的数据判读策略
由于数据判读的性能取决于预测模型的准确率,因此通过提高预测模型的预测精度及稳定性可以有效地提升数据判读算法性能。因此在进行数据判读之前,首先利用集成学习的方法得到精度及稳定性都更好的预测值。在此基础上,分别针对模拟量和数字量的判读策略逐一进行展开。
集成学习算法是通过将一系列有差异的预测精度较低的基学习器(弱学习器)进行组合,构造成具有高预测精度的强预测器,提升算法的鲁棒性。上述参数预测模型是一种基预测器,可以采用集成学习的方法增强模型的稳定性和预测性能。
Bagging是最常用的集成学习算法,bagging算法的基本思想是让预测模型训练K轮,每轮的训练集Di(i=1,…,K)通过在原始训练集D上进行Bootstrap重采样获取。然后利用由不同训练集训练出来的预测器Fi进行预测,得到K个不同的预测结果组成的预测结果集合
1)模拟量判读策略
根据判读任务,当步骤三得到的A个修正后的当前时间点的目标参数值属于模拟量时,对修正后的当前时间点的目标参数值进行不确定度估计,得到A个模拟量目标参数不确定度;
判断当前时间点的真实目标参数值是否落在预测区间内,如果是,当前时间点的真实目标参数值被判读为正常数据;否则,将标记为异常数据;
2)数字量判读策略
针对如指令判读或事件监测等类别判别需求,在训练过程中,应首先将目标参数转换为对应的数字量标记,以适应模型的输出表达。在实时预测过程中,由于预测结果为浮点数,需将预测结果转换为数字量表示,如m=[m0,m1,…,mQ],m为整型数组。再判断数字量是否在预设数字量中,从而判断正常与否。
目标参数判读策略如图3所示。
根据判读任务,当步骤三得到的A个修正后的当前时间点的目标参数值属于数字量时,对步骤一中当前时间点的A个目标参数分别进行取整,对取整结果进行投票,将投票率最高的作为最终的数字量预测结果(预测结果只有一个值);
若大于等于一半,判断是否在目标数字量集合m=[m0,m1,…,mQ]内,若在m=[m0,m1,…,mQ]内,则将在集合m=[m0,m1,…,mQ]中对应的某个元素作为预测因子标记结果;否则,则预测因子标记为异常。
所述目标数字量集合m=[m0,m1,…,mQ]为人为根据整个卫星系统运行模式事先设定,已知的。
具体实施方式二、本实施方式与具体实施方式一不同的是:所述步骤一中构建A个ELM单步预测模型,将预测因子分别输入A个ELM单步预测模型,A个ELM单步预测模型输出当前时间点的A个目标参数;具体过程为:
本发明以ELM预测模型为基础,对多维遥测数据分别开展异常参数的判读和运行模式的判读。利用历史遥测数据,构造模型输入相空间,实现ELM预测模型的离线训练及实时预测;针对数据时间维度上的特性,提出基于指数平滑法的预测结果修正方法。最后,基于集成学习方法分别针对参数判读和模式判读给出判读策略,实现对系统的参数异常检测及模式识别。
总体上,基于ELM的多维遥测数据判读方法分为参数预测和数据判读两个过程,即
(1)首先利用参数预测方法对目标参数进行精确预测,(2)再基于预测结果结合数
据判读策略对实时监测值进行判读。
(1)基于ELM预测模型的参数预测方法,如图1;
通常情况下,目标参数值不仅受到多维参数关联关系的影响,同时也由时间维度的变化趋势决定。因此,本文提出基于预测模型的多维参数预测方法,并对预测结果进行时间维度的修正,方法框架如图1所示。该方法主要分为多参数预测模型训练、参数修正值计算以及实时观测值预测三个过程。其中,参数预测是基于ELM预测模型展开,参数修正是利用指数平滑法对目标参数进行时间维度的预测,从而生成修正值。基于预测模型结构对实时数据进行输入相空间重构后,完成对目标参数的实时预测。以下将对基于ELM预测模型的参数预测方法和基于指数平滑法的参数修正方法这两个关键过程进行详细介绍。
A.基于ELM预测模型的目标参数单步预测
参数预测模型针对多维参数在单时间点的关联关系,对目标参数进行预测。模型训练过程主要包括多维历史数据相关性分析、数据选择及预处理、相空间重构和模型参数计算四个步骤。具体如下:
步骤一一、计算任意两个预测因子间的相关性;
对多种参数进行预测因子间的相关性分析是高维数据分析的第一步,从而衡量任意两个预测因子的相关密切程度。对预测因子进行相关性分析,相关性极强的两个预测因子可作为冗余因素,对其进行适当约简。对预测因子和历史目标参数进行相关性分析,将相关性的强弱作为相空间重构权值对输入向量进行加权。
步骤一二、根据预测因子间的相关度对预测因子约减,得到参数归一化后的预测因子;
步骤一三、将步骤一二得到的参数归一化后的预测因子与历史真实目标参数进行加权,得到输入ELM单步预测模型的预测因子;
步骤一四、利用步骤一三得到的输入ELM单步预测模型的预测因子和对应的历史真实目标参数对ELM单步预测模型进行训练,得到ELM单步预测模型;
将当前预测因子输入A个ELM单步预测模型,ELM单步预测模型输出当前时间点的A个目标参数。
在实时数据的目标参数单步预测中,实时数据的输入相空间重构方法与上述步骤三中相同,将重构后的输入向量输入至训练完成的预测模型中,即得到预测结果。
基于上述提出的方法框架的预测过程,能够充分利用多维参数信息,智能的挖掘不同参数间的关联规则,能够发现目标参数与预测因子的变化规则,得到融合多维参数信息的预测结果。但是该方法的每一个输入样本均为单一时间点的参数值,没有考虑到预测目标在时间维度上的变化趋势。因此,针对预测目标参数的预测结果修正方法将用于提取预测目标参数的时间维度的变化趋势形态信息,对多维参数预测结果进行修正,得到兼顾多维参数信息和时间维度的最终预测结果。
具体实施方式三、本实施方式与具体实施方式一或二不同的是:所述步骤一二中根据预测因子间的相关度对预测因子约减,得到参数归一化后的预测因子;具体过程为:具体流程如图2所示。
步骤一二一、计算任意两个预测因子间的相关度,判断相关系数是否大于0.9,是,执行步骤一二二,否,执行步骤一二五;
步骤一二二、计算预测因子与历史真实目标参数间的相关度,执行步骤一二三;
步骤一二三、选择预测因子与历史真实目标参数相关度最强的参数;
步骤一二四、将预测因子与历史真实目标参数相关度不是最强的参数所对应的预测因子约减;
步骤一二五、对约减后剩余的预测因子进行参数归一化,得到参数归一化后的预测因子;
将与目标参数相关系数小于0.1的参数约减,不作为预测因子参与相空间重构;将预测因子间相关系数大于0.9的参数中,保留与目标参数相关性最强的参数值。最后对所有已选参数进行归一化处理。
具体实施方式四、本实施方式与具体实施方式一至三之一不同的是:所述步骤一三中将步骤一二得到的参数归一化后的预测因子与历史真实目标参数进行加权,得到输入ELM单步预测模型的预测因子;具体过程为:
将历史真实目标参数、步骤一二得到的参数归一化后的预测因子作为训练集;
将训练集中多维时间序列[s1(tp),s2(tp),…,sq(tp)],p=1,2,…,P构造为形如下式的向量:
[Xp]=[xp,1,xp,2,…,xp,N]
[Yp]=[yp,1]
所述多维时间序列为历史真实目标参数和步骤一二得到的参数归一化后的预测因子;
其中P为历史真实目标参数的时间长度,sq(tp)为第q维时间序列,q为历史真实目标参数的维度和步骤一二得到的参数归一化后的预测因子的维度之和,Xp为步骤一二得到的参数归一化后的预测因子,Yp为历史真实目标参数,Xp、Yp为一个样本,即ELM单步预测模型的输入和对应的输出,xp,N为步骤一二得到的参数归一化后的第N个预测因子,N为步骤一二得到的参数归一化后的预测因子个数,取值为q-1,yp,1为历史真实目标参数;
多维时间序列[s1(tp),s2(tp),…,sq(tp)],p=1,2,…,P重构为:
{[s1(t1),s2(t1),…,sq-1(t1)],sq(t1)}
{[s1(t2),s2(t2),…,sq-1(t2)],sq(t2)}
……
{[s1(tP),s2(tP),…,sq-1(tP)],sq(tP)}
以集合的形式来表示,每个集合第一个元素代表预测因子,第二个元素代表目标参数,下同。
设步骤一二二中计算预测因子与历史真实目标参数间的相关系数分别为ω1,ω2,…,ωq-1,将ω1,ω2,…,ωq-1作为权重对输入相空间(归一化后的预测因子)进行加权处理,使得相关性更强的参数在预测模型中起到更强的作用,得到输入ELM单步预测模型的预测因子:
具体实施方式五、本实施方式与具体实施方式一至四之一不同的是:所述步骤一四中利用步骤一三得到的输入ELM单步预测模型的预测因子和对应的历史真实目标参数对ELM单步预测模型进行训练,得到ELM单步预测模型;
训练过程为:
已知ELM单步预测模型输入层神经元个数等于步骤一三得到的输入ELM单步预测模型的预测因子个数,ELM单步预测模型输出层神经元个数等于1,利用网格搜索,确定最优的隐藏层神经元个数;随机设定输入层及隐藏层之间的权重和偏置;最后计算隐藏层及输出层之间权重参数,得到ELM单步预测模型。
具体实施方式六、本实施方式与具体实施方式一至五之一不同的是:所述步骤二中基于历史真实目标参数预测当前时间点的目标参数预测值;具体过程为:
B.基于指数平滑法的预测结果修正方法
注:三次指数平滑法是时间序列预测的常用方法,在本发明中利用该方法作为预测结果修正的依据。
由于多参数预测模型忽略了参数本身的时序关系,只关注同一时刻的各参数间的相关性,丢失了目标参数本身长期的变化趋势信息。因此,在单时间点的预测模型的基础上,利用针对目标预测参数的预测模型对预测结果进行修正。本文对目标预测参数采用三次指数平滑法进行近似拟合并在此基础上进行时间维度上的预测。由于该部分只能基于单参数时间上的关联进行外推而进行预测,只能提取趋势规则,达不到对某一单一时间点的精确预测,因此将预测结果作为修正值对上述ELM参数预测模型进行修正。
对于预测目标参数序列xi,i=1,2,…,n,三次指数平滑法计算公式为
S′t=αxt+(1-α)S′t-1
S″t=αS′t+(1-α)S″t-1
S″′t=αS″t+(1-α)S″′t-1
其中α为三次指数平滑法的参数,S′t为一次指数平滑结果,S″t-1为二次指数平滑结果,S″′t为三次指数平滑结果;
若已知目标参数的t个时间点的历史数据,对于外推的第m个时间点的预测值为x′t+m
其中,
at=3S′t-3S″t+S″′t
其中at、bt、ct为中间变量;
以上是三次指数平滑法的原理。
具体过程为:
利用网格搜索方法的评价指标,对三次指数平滑法的参数α进行参数寻优,得到最优的参数α;最优的参数α根据三次指数平滑法得到当前时间点的目标参数预测值。
具体实施方式七、本实施方式与具体实施方式一至六之一不同的是:所述网格搜索方法的评价指标采用全局均方误差公式计算R_c,公式为:
其中R_c为参数寻优的评价指标,msei为均方误差,K为真实历史目标参数预测时间点的个数。
其他步骤及参数与具体实施方式一至六之一相同。
具体实施方式八、本实施方式与具体实施方式一至七之一不同的是:所述步骤三中利用步骤二得到的当前时间点的目标参数预测值分别对步骤一得到的A个当前时间点的目标参数进行修正,得到A个修正后的当前时间点的目标参数值;具体过程为:
修正公式为:
x′n为由修正模型得到的预测值,蕴含着目标参数的趋势信息;为基于多维参数预测模型的预测结果,蕴含着多维参数间的关联信息。在此公式中,利用x′n修正由上式知,当时,预测结果将被向下修正,即反之,预测结果将被向上修正,即此外,由于多维参数间的关联信息在目标参数的预测上起到决定性作用,而修正值包含的是全局特征,对单一时间点的局部特征起到辅助作用。因此当修正值x′n与预测结果相差越大,即认为修正值的可信度越低,修正程度越小;反之,当修正值x′n与预测结果相差越小,即认为修正值的可信度较高,修正程度越大,修正的范围为同样地,修正系数η由网格搜索方法寻优得到。
通过上述对预测结果的修正方法,本发明提出的多维参数预测模型不再局限于单时间点的多维参数关联信息,而是结合了目标参数的时间维度的形态变化趋势信息,从而使预测结果更贴合时间维度的变化而对目标参数具有更高的预测准确度。
其他步骤及参数与具体实施方式一至七之一相同。
具体实施方式九、本实施方式与具体实施方式一至八之一不同的是:所述1)中根据判读任务,当步骤三得到的A个修正后的当前时间点的目标参数值属于模拟量时,对修正后的当前时间点的目标参数值进行不确定度估计,得到A个模拟量目标参数不确定度;具体过程为:
当目标参数为模拟量时,通过对预测结果进行预测阈值估计,得到正常参数范围,即可对目标参数进行正常或异常判读,判读策略包括以下3个步骤:
a):基于训练集预测残差的固定不确定度估计:
当训练集数据量足够大时,训练集标准差S近似等于总体标准差σ,经验证,预测残差e满足均值为0的正态分布,即残差e~N(0,σ2),取置信水平P=95%,
固定不确定度u1=±2·σ≈±2·S,u1包含了全局不确定度信息;
其中σ为总体(历史的和预测的目标参数)标准差,S为训练集标准差;
b):基于步骤三得到的A个修正后的当前时间点的目标参数值的概率分布,估计当前时间目标参数的动态不确定度:
基于步骤三得到的A个修正后的当前时间点的目标参数值以及步骤三得到的均值计算在一定置信水平下的基于A个ELM单步模型的单点动态不确定度,经检验,多模型预测结果符合以为中心,以为标准差的正态分布,为A个修正后的当前时间点的目标参数值,因此当置信水平为P=95%时,动态不确定度u2=±2·δ;
δ为A个修正后的当前时间点的目标参数值的标准差;
c):对不确定度进行融合:
利用下式对固定不确定度u1和动态不确定度u2进行融合,得到模拟量目标参数不确定度:
其他步骤及参数与具体实施方式一至八之一相同。
采用以下实施例验证本发明的有益效果:
实施例1
本实施例具体是按照以下步骤制备的:
参数预测:将本发明提出的方法与常用的SVR参数预测方法以及传统ELM预测模型进行对比实验,实验结果如表1所示。
表1参数预测均方误差
由表1知,ELM预测模型、SVR模型以及BP神经网络几乎可以达到与相同的准确率,但是在模型训练时间上,ELM模型的训练时间只有SVR模型一半,BP神经网络相比于ELM模型慢了两个数量级同时准确率略低于其他两种模型。这意味着ELM在多模型融合与集成学习上具有很大的优势。而修正后的预测模型的预测误差明显降低,对目标参数的预测可以根据时间维度上的有效信息进行更准确的拟合。相比于传统的ELM模型,该模型牺牲了部分时间消耗,从而得到了更高的预测准确率。
模式判读:将本发明提出的修正的ELM算法与SVR预测模型、传统ELM预测模型作对比实验,模式判读错误率统计如表2所示。
表2模式判读错误率
由表2知,相比于SVR模型和传统的ELM模型,本发明提出的修正的ELM模型在模式判读的应用中具有更低的错误率,能够准确从多维数据中提取规则,从而识别系统运行状态。
实施例2
本实施例具体是按照以下步骤制备的:
实验数据来源于卫星电源子系统遥测数据。
实验将根据数据判读的需求,从以下两个方面展开:
实验一:参数判读:考虑到多维参数之间的耦合关系,当一个参数发生变化的时候,其他与之相关的参数也会随之变化。本发明分别以卫星电源子系统中的三种重要参数作为目标参数,其他参数作为预测因子,开展模拟量数据判读。
实验二:模式判读:当某些参数发生变化,根据这些变化推断出系统正处于的运行模式,从参数变化的规律中总结出事件的发生。通常情况下,卫星电源子系统将在光照期和地影期间不断切换;其中,蓄电池组会在快速充电、涓流充电、放电状态间切换;因此,利用数字量数据判读策略,对运行模式进行判读。
实验流程如下:
将历史700个时间点的数据作为训练集数据,300个时间点的数据作为验证集数据,最后1000个时间点作为测试集。
以多维预测因子参数历史数据作为训练集。
首先,对任意两个参数进行相关性分析。计算预测因子两两之间的相关系数,再计算每一个预测因子与目标参数之间的相关系数。
然后,进行数据选择及归一化预处理。对于相关系数大于0.9的预测因子,选择与目标参数相关性更强的预测因子,其他因子将被约减。对选择的数据进行归一化处理。
再后,ELM预测模型输入相空间为同一时间点的预测因子值,输出相空间为该时间点的目标参数值。
最后,利用训练集数据,计算ELM预测模型参数,完成模型训练过程。
以预测目标历史数据作为训练集。
首先,利用网格搜索确定合适的平滑系数。
然后,基于训练集数据对目标参数利用三次指数平滑法得到外推预测公式。
最后,得到当前时间点的修正值。
实时观测值输入。
首先,获取当前时刻预测因子值构成ELM预测模型的输入向量,获得当前时间点的目标参数预测值。
然后,利用修正方法的外推预测公式,获得当前时间点的修正值,利用修正公式对预测结果进行修正,得到最终的目标参数预测值。
最后,当目标参数为模拟量,按照模拟量判读策略,计算预测区间,从而对实时观测值进行正确性判读;若目标参数为数字量,按照数字量判读策略,对运行模式进行判读。
由于大部分的系统故障可由蓄电池荷电状态(State of Charge,SOC)以及太阳阵输出电流(Isol)这三种参数所表征,因此该部分验证实验将其中一个参数作为目标参数,其余20余种参数作为预测因子,进行参数预测。
蓄电池荷电状态以及太阳阵输出电流预测结果如图4a、4b、5a、5b所示。本发明提出的修正的ELM参数预测方法,能够对目标参数有较好的拟合,总体上能够准确捕捉模型变化趋势,对于每一个时间点的预测也具有较高的精度。
对遥测数据注入太阳电池阵对日定向驱动机构故障,故障注入位置位于测试集第349个时间点。对日定向驱动机构故障,导致太阳帆板不能准确指向太阳方向,导致太阳阵无法接收到足够的光能,不能为蓄电池提供充足的充电电流,导致蓄电池荷电状态下降。以蓄电池荷电状态作为目标参数进行异常判读实验验证。参数预测及异常检测结果如图6a、6b所示。由图6a、6b知,在未注入异常的阶段,本文提出的参数判读模型对于目标参数序列有较好的拟合,在时间点349以后发生了对日定向驱动机构故障,真实数据值均落在估计置信区间之外,并被标记了异常,模型预测在正常情况下,数据应大致分布在红色星号(*)的轨迹附近。
选取蓄电池组产生的数据,包括蓄电池电量、荷电状态、蓄电池压力、蓄电池电压等7种参数对蓄电池组的状态进行判读,判断其属于快速充电、涓流充电或放电运行模式。首先基于原始数据集对样本进行标记,其中将放电状态标记为0,快速充电状态标记为0.5,涓流充电状态标记为1。对蓄电池运行模式进行判读,判读结果如图7所示。对1000个时间点进行判读,模式划分错误率为ERR=0.7%。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (9)
1.一种基于修正的ELM预测模型多维遥测数据智能判读方法,其特征在于:所述方法具体过程为:
步骤一、构建A个ELM单步预测模型,将预测因子分别输入A个ELM单步预测模型,A个ELM单步预测模型输出当前时间点的A个目标参数;A取值为A∈[5,50];
步骤二、基于历史真实目标参数预测当前时间点的目标参数预测值;
步骤三、利用步骤二得到的当前时间点的目标参数预测值分别对步骤一得到的A个当前时间点的目标参数进行修正,得到A个修正后的当前时间点的目标参数值;
步骤四、
1)根据判读任务,当步骤三得到的A个修正后的当前时间点的目标参数值属于模拟量时,对修正后的当前时间点的目标参数值进行不确定度估计,得到A个模拟量目标参数不确定度;
判断当前时间点的真实目标参数值是否落在预测区间内,如果是,当前时间点的真实目标参数值被判读为正常数据;否则,将标记为异常数据;
2.根据权利要求1所述一种基于修正的ELM预测模型多维遥测数据智能判读方法,其特征在于:所述步骤一中构建A个ELM单步预测模型,将预测因子分别输入A个ELM单步预测模型,A个ELM单步预测模型输出当前时间点的A个目标参数;具体过程为:
步骤一一、计算任意两个预测因子间的相关性;
步骤一二、根据预测因子间的相关度对预测因子约减,得到参数归一化后的预测因子;
步骤一三、将步骤一二得到的参数归一化后的预测因子与历史真实目标参数进行加权,得到输入ELM单步预测模型的预测因子;
步骤一四、利用步骤一三得到的输入ELM单步预测模型的预测因子和对应的历史真实目标参数对ELM单步预测模型进行训练,得到ELM单步预测模型;
将当前预测因子输入A个ELM单步预测模型,ELM单步预测模型输出当前时间点的A个目标参数。
3.根据权利要求2所述一种基于修正的ELM预测模型多维遥测数据智能判读方法,其特征在于:所述步骤一二中根据预测因子间的相关度对预测因子约减,得到参数归一化后的预测因子;具体过程为:
步骤一二一、计算任意两个预测因子间的相关度,判断相关系数是否大于0.9,是,执行步骤一二二,否,执行步骤一二五;
步骤一二二、计算预测因子与历史真实目标参数间的相关度,执行步骤一二三;
步骤一二三、选择预测因子与历史真实目标参数相关度最强的参数;
步骤一二四、将预测因子与历史真实目标参数相关度不是最强的参数所对应的预测因子约减;
步骤一二五、对约减后剩余的预测因子进行参数归一化,得到参数归一化后的预测因子。
4.根据权利要求3所述一种基于修正的ELM预测模型多维遥测数据智能判读方法,其特征在于:所述步骤一三中将步骤一二得到的参数归一化后的预测因子与历史真实目标参数进行加权,得到输入ELM单步预测模型的预测因子;具体过程为:
将历史真实目标参数、步骤一二得到的参数归一化后的预测因子作为训练集;
将训练集中多维时间序列[s1(tp),s2(tp),…,sq(tp)],p=1,2,…,P构造为形如下式的向量:
[Xp]=[xp,1,xp,2,…,xp,N]
[Yp]=[yp,1]
所述多维时间序列为历史真实目标参数和步骤一二得到的参数归一化后的预测因子;
其中P为历史真实目标参数的时间长度,sq(tp)为第q维时间序列,q为历史真实目标参数的维度和步骤一二得到的参数归一化后的预测因子的维度之和,Xp为步骤一二得到的参数归一化后的预测因子,Yp为历史真实目标参数,xp,N为步骤一二得到的参数归一化后的第N个预测因子,N为步骤一二得到的参数归一化后的预测因子个数,取值为q-1,yp,1为历史真实目标参数;
多维时间序列[s1(tp),s2(tp),…,sq(tp)],p=1,2,…,P重构为:
{[s1(t1),s2(t1),…,sq-1(t1)],sq(t1)}
{[s1(t2),s2(t2),…,sq-1(t2)],sq(t2)}
……
{[s1(tP),s2(tP),…,sq-1(tP)],sq(tP)}
设步骤一二二中计算预测因子与历史真实目标参数间的相关系数分别为ω1,ω2,…,ωq-1,将ω1,ω2,…,ωq-1作为权重对输入相空间进行加权处理,得到输入ELM单步预测模型的预测因子:
{[ω1·s1(t1),ω2·s2(t1),…,ωq-1·sq-1(t1)],sq(t1)}
{[ω1·s1(t2),ω2·s2(t2),…,ωq-1·sq-1(t2)],sq(t2)}
……
{[ω1·s1(tP),ω2·s2(tP),…,ωq-1·sq-1(tP)],sq(tP)} 。
5.根据权利要求4所述一种基于修正的ELM预测模型多维遥测数据智能判读方法,其特征在于:所述步骤一四中利用步骤一三得到的输入ELM单步预测模型的预测因子和对应的历史真实目标参数对ELM单步预测模型进行训练,得到ELM单步预测模型;
训练过程为:
已知ELM单步预测模型输入层神经元个数等于步骤一三得到的输入ELM单步预测模型的预测因子个数,ELM单步预测模型输出层神经元个数等于1,利用网格搜索,确定最优的隐藏层神经元个数;随机设定输入层及隐藏层之间的权重和偏置;最后计算隐藏层及输出层之间权重参数,得到ELM单步预测模型。
6.根据权利要求5所述一种基于修正的ELM预测模型多维遥测数据智能判读方法,其特征在于:所述步骤二中基于历史真实目标参数预测当前时间点的目标参数预测值;具体过程为:
利用网格搜索方法的评价指标,对三次指数平滑法的参数α进行参数寻优,得到最优的参数α;最优的参数α根据三次指数平滑法得到当前时间点的目标参数预测值。
9.根据权利要求8所述一种基于修正的ELM预测模型多维遥测数据智能判读方法,其特征在于:所述1)中根据判读任务,当步骤三得到的A个修正后的当前时间点的目标参数值属于模拟量时,对修正后的当前时间点的目标参数值进行不确定度估计,得到A个模拟量目标参数不确定度;具体过程为:
a):基于训练集预测残差的固定不确定度估计:
固定不确定度u1=±2·σ≈±2·S;
其中σ为标准差,S为训练集标准差;
b):基于步骤三得到的A个修正后的当前时间点的目标参数值的概率分布,估计当前时间目标参数的动态不确定度:
δ为A个修正后的当前时间点的目标参数值的标准差;
c):对不确定度进行融合:
利用下式对固定不确定度u1和动态不确定度u2进行融合,得到模拟量目标参数不确定度:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810631871.1A CN108734360B (zh) | 2018-06-19 | 2018-06-19 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810631871.1A CN108734360B (zh) | 2018-06-19 | 2018-06-19 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734360A CN108734360A (zh) | 2018-11-02 |
CN108734360B true CN108734360B (zh) | 2021-09-07 |
Family
ID=63930179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810631871.1A Active CN108734360B (zh) | 2018-06-19 | 2018-06-19 | 一种基于修正的elm预测模型多维遥测数据智能判读方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734360B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109344085B (zh) * | 2018-11-14 | 2021-11-23 | 上海微小卫星工程中心 | 一种分析卫星测试数据的方法和系统 |
CN109885563B (zh) * | 2019-02-01 | 2023-10-20 | 沈阳航空航天大学 | 一种基于动态规则约束的数据清洗算法 |
CN110009154B (zh) * | 2019-04-03 | 2023-05-30 | 深圳威狮物流网络科技有限公司 | 一种退款预测方法、装置、终端设备及存储介质 |
CN110796349A (zh) * | 2019-10-16 | 2020-02-14 | 昆明理工大学 | 一种信用卡盗刷事件预警模型的建立及评估方法 |
CN111335876A (zh) * | 2020-03-02 | 2020-06-26 | 北京四利通控制技术股份有限公司 | 一种石油钻井井眼轨迹自适应跟踪预测控制方法 |
CN111611294B (zh) * | 2020-04-30 | 2023-06-09 | 中国西安卫星测控中心 | 星敏感器数据异常检测方法 |
CN111415109B (zh) * | 2020-06-09 | 2020-08-28 | 中国人民解放军国防科技大学 | 一种数据驱动的对地观测卫星电源系统应急保障能力评估方法 |
CN111860373B (zh) * | 2020-07-24 | 2022-05-20 | 浙江商汤科技开发有限公司 | 目标检测方法及装置、电子设备和存储介质 |
CN112785057B (zh) * | 2021-01-21 | 2023-09-01 | 上海东普信息科技有限公司 | 基于指数平滑的件量预测方法、装置、设备及存储介质 |
CN113589330B (zh) * | 2021-01-21 | 2024-04-26 | 中国科学院微小卫星创新研究院 | 卫星电源系统健康状态监测系统 |
CN113203953B (zh) * | 2021-04-02 | 2022-03-25 | 中国人民解放军92578部队 | 基于改进型极限学习机的锂电池剩余使用寿命预测方法 |
CN113205162B (zh) * | 2021-07-07 | 2021-09-28 | 耕宇牧星(北京)空间科技有限公司 | 卫星遥测数据的判读方法、系统、电子设备及存储介质 |
CN113537617A (zh) * | 2021-07-29 | 2021-10-22 | 中国工商银行股份有限公司 | 一种用于预测数据分布的方法、装置、设备和存储介质 |
CN115543638B (zh) * | 2022-12-01 | 2023-03-14 | 中南大学 | 基于不确定性的边缘计算数据收集分析方法、系统及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183994A (zh) * | 2015-09-10 | 2015-12-23 | 广西大学 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
CN107392352A (zh) * | 2017-06-21 | 2017-11-24 | 广州市香港科大霍英东研究院 | 一种基于融合极限学习机的电池未来温度预测方法及系统 |
CN107843843A (zh) * | 2017-09-30 | 2018-03-27 | 江苏理工学院 | 一种基于大数据和极限学习机的车载电池soc在线预测方法 |
-
2018
- 2018-06-19 CN CN201810631871.1A patent/CN108734360B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105183994A (zh) * | 2015-09-10 | 2015-12-23 | 广西大学 | 一种基于改进的i-elm的动力电池soc预测方法及装置 |
CN107392352A (zh) * | 2017-06-21 | 2017-11-24 | 广州市香港科大霍英东研究院 | 一种基于融合极限学习机的电池未来温度预测方法及系统 |
CN107843843A (zh) * | 2017-09-30 | 2018-03-27 | 江苏理工学院 | 一种基于大数据和极限学习机的车载电池soc在线预测方法 |
Non-Patent Citations (2)
Title |
---|
大数据:内涵、技术体系与展望;彭宇,等;《电子测量与仪器学报》;20150430;第29卷(第4期);全文 * |
锂离子电池健康评估和寿命预测综述术;刘大同,等;《仪器仪表学报》;20150131;第36卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108734360A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734360B (zh) | 一种基于修正的elm预测模型多维遥测数据智能判读方法 | |
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
Kankanala et al. | AdaBoost $^{+} $: An Ensemble Learning Approach for Estimating Weather-Related Outages in Distribution Systems | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN110658462B (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
CN111612029B (zh) | 机载电子产品故障预测方法 | |
CN110795510A (zh) | 基于高维数据关联挖掘的航天器系统健康状态评估方法 | |
Paoli et al. | Solar radiation forecasting using ad-hoc time series preprocessing and neural networks | |
An et al. | A data-driven method for transient stability margin prediction based on security region | |
CN105825271A (zh) | 基于证据推理的卫星故障诊断与预测方法 | |
CN112733997A (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN115712873A (zh) | 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN110032799A (zh) | 一种微生物制药过程的角相似度阶段划分及监测方法 | |
CN114021836A (zh) | 基于不同角度融合的多变量水库入水量预测系统、训练方法及应用 | |
CN114091600B (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
CN113283113B (zh) | 太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 | |
CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
Xia et al. | Outlier reconstruction based distribution system state estimation using equivalent model of long short-term memory and Metropolis-Hastings sampling | |
CN117554818A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |