CN112713881B - 一种基于边缘计算的同步时钟维持系统与方法 - Google Patents
一种基于边缘计算的同步时钟维持系统与方法 Download PDFInfo
- Publication number
- CN112713881B CN112713881B CN202011438674.1A CN202011438674A CN112713881B CN 112713881 B CN112713881 B CN 112713881B CN 202011438674 A CN202011438674 A CN 202011438674A CN 112713881 B CN112713881 B CN 112713881B
- Authority
- CN
- China
- Prior art keywords
- crystal oscillator
- data
- signal
- filtering
- module
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 34
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 17
- 239000013078 crystal Substances 0.000 claims abstract description 118
- 230000006870 function Effects 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 27
- 230000032683 aging Effects 0.000 claims abstract description 17
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 61
- 210000002569 neuron Anatomy 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 12
- 230000003750 conditioning effect Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 abstract description 3
- 238000010223 real-time analysis Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03K—PULSE TECHNIQUE
- H03K5/00—Manipulating of pulses not covered by one of the other main groups of this subclass
- H03K5/13—Arrangements having a single output and transforming input signals into pulses delivered at desired time intervals
- H03K5/135—Arrangements having a single output and transforming input signals into pulses delivered at desired time intervals by the use of time reference signals, e.g. clock signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Nonlinear Science (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于边缘计算的同步时钟维持系统与方法,该系统通过综合晶体老化特性曲线和影响晶振频率误差的多环境因素(温度、湿度和压强等)进行BP神经网络训练,实时更新预测函数模型,提高晶振频率修正精度;采用深度边缘计算对晶振输出频率误差进行实时分析学习,在丢失GPS信号后通过预测函数模型得到晶振频率调节字,及时修正晶振输出频率以实现时钟维持;集成晶振内外部环境因素测量传感器,便于为深度边缘计算提供训练数据库。
Description
技术领域
本发明涉及电力系统监测与控制技术领域,具体涉及一种基于边缘计算的同步时钟维持系统与方法。
背景技术
随着大规模电力电子器件接入电网,对电力系统监测与控制带来新的挑战。而信号授时的准确性是电力系统检测与控制的重要前提,因此如何保证同步授时的准确性成为重要问题。近年来,基于卫星授时的广域量测方法的提出有效解决了电压和电流同步授时的问题,但卫星授时信号存在随机误差,并且在卫星授时信号丢失后,将无法满足时钟精度长期准确保持的要求。其中,晶振是授时时钟维持的重要组成部分,具有在丢失主站授时信号后提供时钟源的重要功能,为了保证时钟系统的高稳定性能多采用恒温晶振,但恒温晶振容易受到外部温度、压强以及自身衰老等因素的影响,在运行过程中容易产生频率偏移,难以长时间维持稳定输出频率的特性。因此,在同步时钟维持领域有必要通过合适方法提高恒温晶振的输出频率精度和稳定性。
目前恒温晶振的时钟维持技术多依靠专家经验对晶振的输出进行修正,这种方式需要大量的实际测试来观察统计晶振误差,导致了设计成本增加和设计周期延长。另外,根据目前国内外研究现状,通常仅考虑温度、压强和晶体老化等其中一种因素进行修正,无法全面调整恒温晶振的稳定性和准确性,影响主站授时的精确度和丢失主站时钟信号后的时钟维持。
发明内容
本发明要解决的技术问题是现有对晶振输出进行修正的方法多依靠专家经验且仅考虑一种因素,无法全面调整恒温晶振的稳定性和准确性,导致主站授时的精确度不高,且丢失主站时钟信号后的时钟维持效果不好。因此,本发明提供一种基于边缘计算的同步时钟维持系统与方法,综合考虑温度、湿度、压强和晶体衰老等因素,通过BP神经网络算法对其进行训练实时更新预测函数模型,通过反馈的晶振频率调节字实时修正晶振时钟源,以及保证丢失主站时钟信号后的时钟维持,延长晶振维持稳定时间,提高时钟源的准确性。
本发明通过下述技术方案实现:
一种基于边缘计算的同步时钟维持系统,包括GPS接收模块、滤波模块、时间间隔测量模块、深度边缘计算模块、集成环境测量模块、晶振频率预测模块、信号调理电路和锁相环分频模块;
所述GPS接收模块,用于接收卫星发送的时间信号并对所述时间信号进行解析,输出GPS秒脉冲信号用于同步授时;
所述滤波模块,用于接收所述GPS秒脉冲信号并对所述GPS秒脉冲信号进行滤波,输出滤波信号;
所述锁相环分频模块,用于接收晶振输出的频率,并对所述频率进行分频得到晶振秒脉冲信号;
所述时间间隔测量模块,用于实时接收所述滤波信号和所述晶振秒脉冲信号,并计算所述滤波信号和所述晶振秒脉冲信号的上升沿之间的时间间隔误差反馈给所述深度边缘计算模块;
所述集成环境测量模块,用于实时采集环境数据并发送给所述深度边缘计算模块;
所述深度边缘计算模块,用于实时获取的晶体老化特性曲线、所述时间间隔误差和所述环境数据并输入到BP神经网络进行训练,得到预测函数模型;通过所述预测函数模型对实时获取的晶体老化特性曲线、所述时间间隔误差和所述环境数据进行边缘计算分析,输出晶振频率调节字信息;
所述晶振频率预测模块,用于接收所述深度边缘计算模块反馈的晶振频率调节字信息,并预测下一时刻的晶振反馈控制信息发送给所述信号调理电路;
所述信号调理电路,用于通过接收到的所述晶振反馈控制信息调节输出电压修正下一时刻的晶振输出频率,以实现时钟维持。
进一步地,所述深度边缘计算模块包括滤波单元和BP神经网络单元:
所述滤波单元,用于实时获取集成环境测量模块发送的环境数据,并通过卡尔曼滤波算法对所述环境数据进行滤波处理,得到处理数据发送给所述BP神经网络单元;
所述BP神经网络单元,用于将实时获取的晶体老化特性曲线、时间间隔误差和所述处理数据作为原始学习数据,并将所述原始学习数据输入到BP神经网络中进行学习,得到预测函数模型;通过所述预测函数模型输出晶振频率调节字信息。
进一步地,所述通过卡尔曼滤波算法对所述环境数据进行滤波处理,得到处理数据,包括:
根据向前推算状态变量方程计算当前状态量的估计值,并根据向前推算误差协方差公式计算当前误差协方差的估计值;
通过卡尔曼增益更新所述当前状态量的估计值和所述当前误差协方差的估计值,得到处理数据。
进一步地,所述将所述原始学习数据输入到BP神经网络中进行学习,得到预测函数模型,包括:
将所述原始学习数据输入到所述BP神经网络的输入层,所述输入层通过输入层函数将所述原始学习数据转换为隐藏层的输入数据输入到隐藏层;
所述隐藏层通过隐藏层激活函数对所述隐藏层接收到的输入数据作为进行处理,得到隐藏层的输出数据;
基于所述隐藏层的输出数据获取输出层的输入数据,将所述输出层的输入数据输入到输出层激活函数中,获取预测函数模型。
进一步地,所述输入层函数模型具体为:其中,Netin(j)表示隐藏层中第j个神经元对应的输入数据,wij表示输入层第i个神经元与隐藏层第j个神经元之间的权值,xi表示输入层第i个神经元对应的原始学习数据。
进一步地,所述隐藏层激活函数具体为:Netout(j)=f(Netin(j)),其中,Netout(j)表示隐藏层中第j个神经元对应的输出数据,f(·)表示隐藏层激活函数。
进一步地,所述基于所述隐藏层的输出数据获取输出层的输入数据,包括:
通过输出层函数对所述隐藏层的输出数据进行处理,获取输出层的输入数据;所述输出层转换函数,其中,其中,Oin(k)表示输出层中第k个神经元对应的输入数据,wjk表示隐藏层第j个神经元与输出层第k个神经元之间的权值,Netout(j)表示隐藏层中第j个神经元对应的输出数据。
进一步地,所述同步时钟维持装置还包括晶振;所述晶振为晶体管振荡器,用于当GPS信号丢失时作为时钟源发送时间信号。
进一步地,所述环境数据包括晶振内部和外部的温度、湿度和压强。
一种基于边缘计算的同步时钟维持方法,包括:
接收卫星发送的时间信号并对所述时间信号进行解析,输出GPS秒脉冲信号;
对所述GPS秒脉冲信号进行滤波,输出滤波信号;
实时接收所述滤波信号和晶振秒脉冲信号,并计算所述滤波信号和所述晶振秒脉冲信号的上升沿之间的时间间隔误差;
判断锁相环分频模块是否接收滤波信号,若接收到所述滤波信号,则对所述滤波信号进行分频得到晶振秒脉冲信号;
若接收到所述滤波信号,则通过预测函数模型对实时获取的晶体老化特性曲线、环境数据和所述时间间隔误差进行边缘计算分析,输出晶振频率调节字信息;
基于所述晶振频率调节字信息预测下一时刻的晶振反馈控制信息,并基于所述晶振反馈控制信息调节输出电压修正下一时刻的晶振输出频率,以实现时钟维持。
本发明提供的一种基于边缘计算的同步时钟维持系统与方法,通过综合晶体老化特性曲线和影响晶振频率误差的多环境因素(温度、湿度和压强等)进行BP神经网络训练,实时更新预测函数模型,提高晶振频率修正精度;采用深度边缘计算对晶振输出频率误差进行实时分析学习,在丢失GPS信号后通过预测函数模型得到晶振频率调节字,及时修正晶振输出频率以实现时钟维持;集成晶振内外部环境因素测量传感器,便于为深度边缘计算提供训练数据库。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明一种基于边缘计算的同步时钟维持系统的原理框图。
图2为图1中深度边缘计算模块的原理框图。
图3为BP神经网络训练示意图。
图4为本发明一种基于边缘计算的同步时钟维持方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图1-图3所示,一种基于边缘计算的同步时钟维持系统,包括GPS接收模块1、滤波模块2、时间间隔测量模块3、深度边缘计算模块4、集成环境测量模块5、晶振频率预测模块6、信号调理电路7和锁相环分频模块9。
GPS接收模块1,用于接收卫星发送的时间信号并对时间信号进行解析,输出GPS秒脉冲信号用于同步授时。
滤波模块2,用于接收GPS秒脉冲信号并对GPS秒脉冲信号进行滤波,输出滤波信号。
具体地,通常解析出的GPS秒脉冲信号含有干扰脉冲,对系统授时精度有影响,不能直接利用,因此,需要通过滤波模块2对解析的GPS秒脉冲信号的波形进行整形后输入给时间间隔测量模块3。
锁相环分频模块9,用于接收晶振8输出的频率,并对频率进行分频得到晶振秒脉冲信号。
时间间隔测量模块3,用于实时接收滤波信号和晶振秒脉冲信号,并计算滤波信号和晶振秒脉冲信号的上升沿之间的时间间隔误差反馈给深度边缘计算模块4。
集成环境测量模块5,用于实时采集环境数据并发送给深度边缘计算模块4。
本实施例中的环境数据指通过温度传感器、湿度传感器和压强传感器检测晶振外部和内部和外部的温度、湿度和压强得到的数据。
深度边缘计算模块4,用于实时获取的晶体老化特性曲线、时间间隔误差和环境数据并输入到BP神经网络进行训练,得到预测函数模型;通过预测函数模型对实时获取的晶体老化特性曲线、时间间隔误差和环境数据进行边缘计算分析,输出晶振频率调节字信息。
晶振频率预测模块6,用于接收深度边缘计算模块4反馈的晶振频率调节字信息,并预测下一时刻的晶振反馈控制信息发送给信号调理电路7。
信号调理电路7,用于通过接收到的晶振反馈控制信息调节输出电压修正下一时刻的晶振输出频率,以实现时钟维持。
进一步地,同步时钟维持装置还包括晶振8。本实施例中的晶振8为晶体管振荡器,用于当GPS信号丢失时作为时钟源发送时间信号。
进一步地,环境数据包括晶振8内部和外部的温度、湿度和压强。
进一步地,深度边缘计算模块4包括滤波单元41和BP神经网络单元42:
滤波单元41,用于实时获取集成环境测量模块5发送的环境数据,并通过卡尔曼滤波算法对环境数据进行滤波处理,得到处理数据发送给BP神经网络单元42。
BP神经网络单元42,用于将实时获取的晶体老化特性曲线、时间间隔误差和处理数据作为原始学习数据,并将原始学习数据输入到BP神经网络中进行学习,得到预测函数模型;通过预测函数模型输出晶振频率调节字信息。
进一步地,通过卡尔曼滤波算法对环境数据进行滤波处理,得到处理数据,包括:
根据向前推算状态变量方程计算当前状态量的估计值,并根据向前推算误差协方差公式计算当前误差协方差的估计值。通过卡尔曼增益更新当前状态量的估计值和当前误差协方差的估计值,得到处理数据。
具体地,卡尔曼滤波算法首先根据向前推算状态变量方程计算当前状态量的估计值,并根据向前推算误差协方差计算当前误差协方差的估计值;然后通过卡尔曼增益更新当前状态量的估计值和当前误差协方差的估计值,得到更新后的状态量和更新后的误差协方差其中,和分别表示(k-1)和k时刻的后验状态的估计值;表示k时刻的先验状态的估计值,由上一时刻(k-1)时刻的最优估计得到;PK-1和Pk分别表示(k-1)和k时刻的后验估计协方差;表示k时刻的先验估计协方差;H是状态变量到测量的转换矩阵;Zk表示测量值;Kk表示滤波增益矩阵;A表示状态转移矩阵;Q表示过程激励噪声协方差;R表示测量噪声协方差;B表示输入状态转移矩阵。
通过上述卡尔曼增益方程、更新后的状态量和更新后的误差协方差以实现将先验估计与新的测量值结合用来构造改进的后验估计。
进一步地,将原始学习数据输入到BP神经网络中进行学习,得到预测函数模型,包括:
将原始学习数据输入到BP神经网络的输入层,输入层通过输入层函数将原始学习数据转换为隐藏层的输入数据输入到隐藏层。
隐藏层通过隐藏层激活函数对隐藏层接收到的输入数据作为进行处理,得到隐藏层的输出数据。
基于隐藏层的输出数据获取输出层的输入数据,将输出层的输入数据输入到输出层激活函数中,获取预测函数模型。
进一步地,输入层函数模型具体为:其中,Netin(j)表示隐藏层中第j个神经元对应的输入数据,wij表示输入层第i个神经元与隐藏层第j个神经元之间的权值,xi表示输入层第i个神经元对应的原始学习数据。M为输入层中神经元的个数。
进一步地,隐藏层激活函数具体为:Netout(j)=f(Netin(j)),其中,Netout(j)表示隐藏层中第j个神经元对应的输出数据,f(·)表示隐藏层激活函数。
进一步地,基于隐藏层的输出数据获取输出层的输入数据,包括:
通过输出层函数对隐藏层的输出数据进行处理,获取输出层的输入数据;输出层转换函数其中,Oin(k)表示输出层中第k个神经元对应的输入数据,wjk表示隐藏层第j个神经元与输出层第k个神经元之间的权值,Netout(j)表示隐藏层中第j个神经元对应的输出数据。Q为隐含层中神经元的个数,通常层数越多拟合精度越高,但会带来训练速度过慢和过拟合问题
实施例2
如图4所示,本实施例与实施例1的区别在于,一种基于边缘计算的同步时钟维持方法,包括:
接收卫星发送的时间信号并对时间信号进行解析,输出GPS秒脉冲信号。
对GPS秒脉冲信号进行滤波,输出滤波信号。
实时接收滤波信号和晶振秒脉冲信号,并计算滤波信号和晶振秒脉冲信号的上升沿之间的时间间隔误差。
判断锁相环分频模块是否接收滤波信号,若接收到滤波信号,则对滤波信号进行分频得到晶振秒脉冲信号。
若接收到滤波信号,则通过预测函数模型对实时获取的晶体老化特性曲线、环境数据和时间间隔误差进行边缘计算分析,输出晶振频率调节字信息。
基于晶振频率调节字信息预测下一时刻的晶振反馈控制信息,并基于晶振反馈控制信息调节输出电压修正下一时刻的晶振输出频率,以实现时钟维持。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于边缘计算的同步时钟维持系统,其特征在于,包括GPS接收模块(1)、滤波模块(2)、时间间隔测量模块(3)、深度边缘计算模块(4)、集成环境测量模块(5)、晶振频率预测模块(6)、信号调理电路(7)和锁相环分频模块(9);
所述GPS接收模块(1),用于接收卫星发送的时间信号并对所述时间信号进行解析,输出GPS秒脉冲信号用于同步授时;
所述滤波模块(2),用于接收所述GPS秒脉冲信号并对所述GPS秒脉冲信号进行滤波,输出滤波信号;
所述锁相环分频模块(9),用于接收晶振(8)输出的频率,并对所述频率进行分频得到晶振秒脉冲信号;
所述时间间隔测量模块(3),用于实时接收所述滤波信号和所述晶振秒脉冲信号,并计算所述滤波信号和所述晶振秒脉冲信号的上升沿之间的时间间隔误差反馈给所述深度边缘计算模块(4);
所述集成环境测量模块(5),用于实时采集环境数据并发送给所述深度边缘计算模块(4);
所述深度边缘计算模块(4),用于实时获取的晶体老化特性曲线、所述时间间隔误差和所述环境数据并输入到BP神经网络进行训练,得到预测函数模型;通过所述预测函数模型对实时获取的晶体老化特性曲线、所述时间间隔误差和所述环境数据进行边缘计算分析,输出晶振频率调节字信息;
所述晶振频率预测模块(6),用于接收所述深度边缘计算模块(4)反馈的晶振频率调节字信息,并预测下一时刻的晶振反馈控制信息发送给所述信号调理电路(7);
所述信号调理电路(7),用于通过接收到的所述晶振反馈控制信息调节输出电压修正下一时刻的晶振输出频率,以实现时钟维持;
所述深度边缘计算模块(4)包括滤波单元(41)和BP神经网络单元(42):
所述滤波单元(41),用于实时获取所述集成环境测量模块(5)发送的环境数据,并通过卡尔曼滤波算法对所述环境数据进行滤波处理,得到处理数据发送给所述BP神经网络单元(42);
所述BP神经网络单元(42),用于将实时获取的晶体老化特性曲线、时间间隔误差和所述处理数据作为原始学习数据,并将所述原始学习数据输入到BP神经网络中进行学习,得到预测函数模型;通过所述预测函数模型输出晶振频率调节字信息;
所述通过卡尔曼滤波算法对所述环境数据进行滤波处理,得到处理数据,包括:
根据向前推算状态变量方程计算当前状态量的估计值,并根据向前推算误差协方差公式计算当前误差协方差的估计值;
通过卡尔曼增益更新所述当前状态量的估计值和所述当前误差协方差的估计值,得到处理数据;
所述晶振(8)为晶体管振荡器,用于当GPS信号丢失时作为时钟源发送时间信号;
所述环境数据包括晶振(8)内部和外部的温度、湿度和压强。
2.根据权利要求1所述的一种基于边缘计算的同步时钟维持系统,其特征在于,所述将所述原始学习数据输入到BP神经网络中进行学习,得到预测函数模型,包括:
将所述原始学习数据输入到所述BP神经网络的输入层,所述输入层通过输入层函数将所述原始学习数据转换为隐藏层的输入数据输入到隐藏层;
所述隐藏层通过隐藏层激活函数对所述隐藏层接收到的输入数据作为进行处理,得到隐藏层的输出数据;
基于所述隐藏层的输出数据获取输出层的输入数据,将所述输出层的输入数据输入到输出层激活函数中,获取预测函数模型。
4.根据权利要求2所述的一种基于边缘计算的同步时钟维持系统,其特征在于,所述隐藏层激活函数具体为:Netout(j)=f(Netin(j)),其中,Netout(j)表示隐藏层中第j个神经元对应的输出数据,f(·)表示隐藏层激活函数。
6.一种基于边缘计算的同步时钟维持方法,其特征在于,包括:
接收卫星发送的时间信号并对所述时间信号进行解析,输出GPS秒脉冲信号;
对所述GPS秒脉冲信号进行滤波,输出滤波信号;
实时接收所述滤波信号和晶振秒脉冲信号,并计算所述滤波信号和所述晶振秒脉冲信号的上升沿之间的时间间隔误差;
判断锁相环分频模块是否接收滤波信号,若接收到所述滤波信号,则对所述滤波信号进行分频得到晶振秒脉冲信号;
若接收到所述滤波信号,则通过预测函数模型对实时获取的晶体老化特性曲线、环境数据和所述时间间隔误差进行边缘计算分析,输出晶振频率调节字信息;
基于所述晶振频率调节字信息预测下一时刻的晶振反馈控制信息,并基于所述晶振反馈控制信息调节输出电压修正下一时刻的晶振输出频率,以实现时钟维持;
滤波单元(41)实时获取集成环境测量模块(5)发送的环境数据,并通过卡尔曼滤波算法对所述环境数据进行滤波处理,得到处理数据发送给BP神经网络单元(42);
BP神经网络单元(42)将实时获取的晶体老化特性曲线、时间间隔误差和所述处理数据作为原始学习数据,并将所述原始学习数据输入到BP神经网络中进行学习,得到预测函数模型;通过所述预测函数模型输出晶振频率调节字信息;
所述通过卡尔曼滤波算法对所述环境数据进行滤波处理,得到处理数据,包括:
根据向前推算状态变量方程计算当前状态量的估计值,并根据向前推算误差协方差公式计算当前误差协方差的估计值;
通过卡尔曼增益更新所述当前状态量的估计值和所述当前误差协方差的估计值,得到处理数据;
晶振(8)为晶体管振荡器,当GPS信号丢失时通过晶振(8)作为时钟源发送时间信号;
所述环境数据包括晶振(8)内部和外部的温度、湿度和压强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011438674.1A CN112713881B (zh) | 2020-12-10 | 2020-12-10 | 一种基于边缘计算的同步时钟维持系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011438674.1A CN112713881B (zh) | 2020-12-10 | 2020-12-10 | 一种基于边缘计算的同步时钟维持系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112713881A CN112713881A (zh) | 2021-04-27 |
CN112713881B true CN112713881B (zh) | 2022-11-01 |
Family
ID=75542958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011438674.1A Active CN112713881B (zh) | 2020-12-10 | 2020-12-10 | 一种基于边缘计算的同步时钟维持系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112713881B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673110A (zh) * | 2021-08-26 | 2021-11-19 | 广东电网有限责任公司惠州供电局 | 一种晶振时钟修正方法、装置、设备和介质 |
CN114257603B (zh) * | 2021-11-18 | 2023-08-29 | 国电南瑞南京控制系统有限公司 | 适用于组态化配电终端的时间同步方法、对时模块和终端 |
CN114742005B (zh) * | 2022-04-15 | 2023-05-23 | 上海柯锐芯微电子有限公司 | 基于vppm的石英晶振温度频率特性建模方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905137A (zh) * | 2014-04-23 | 2014-07-02 | 南京磐能电力科技股份有限公司 | 基于fpga的同步脉冲抖动抑制方法及系统 |
CN105527833A (zh) * | 2016-01-28 | 2016-04-27 | 安徽四创电子股份有限公司 | 一种北斗gps双模电力时间同步装置 |
CN107566105A (zh) * | 2017-08-07 | 2018-01-09 | 南方电网科学研究院有限责任公司 | 时间同步设备补偿方法、装置、存储介质及其计算机设备 |
CN111650617A (zh) * | 2020-06-10 | 2020-09-11 | 国网湖南省电力有限公司 | 基于新息加权自适应不敏卡尔曼滤波的晶振频率驯服方法、系统及介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8922421B2 (en) * | 2009-12-10 | 2014-12-30 | Lockheed Martin Corporation | Method and system for use of GPS disciplined oscillators for coherent timing reference in distributed radar systems |
US9883259B2 (en) * | 2011-08-15 | 2018-01-30 | Digimarc Corporation | Synchronized metrology in power generation and distribution networks |
US9660797B2 (en) * | 2013-03-21 | 2017-05-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for implementing clock holdover |
CN109407498A (zh) * | 2018-01-04 | 2019-03-01 | 国网四川省电力公司电力科学研究院 | 一种电能表时钟测试方法及电能表时钟测试装置 |
CN109547431A (zh) * | 2018-11-19 | 2019-03-29 | 国网河南省电力公司信息通信公司 | 一种基于cs和改进bp神经网络的网络安全态势评估方法 |
CN109581856B (zh) * | 2018-12-13 | 2020-09-29 | 国电南瑞科技股份有限公司 | 一种基于高性能晶振频率校准的对时守时方法 |
CN109557371B (zh) * | 2018-12-19 | 2020-06-09 | 清华大学 | 一种用于配电网相量测量的同步授时守时方法 |
CN110309593B (zh) * | 2019-07-01 | 2022-06-28 | 广东大普通信技术股份有限公司 | 一种预测恒温晶振老化率的装置及方法 |
-
2020
- 2020-12-10 CN CN202011438674.1A patent/CN112713881B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103905137A (zh) * | 2014-04-23 | 2014-07-02 | 南京磐能电力科技股份有限公司 | 基于fpga的同步脉冲抖动抑制方法及系统 |
CN105527833A (zh) * | 2016-01-28 | 2016-04-27 | 安徽四创电子股份有限公司 | 一种北斗gps双模电力时间同步装置 |
CN107566105A (zh) * | 2017-08-07 | 2018-01-09 | 南方电网科学研究院有限责任公司 | 时间同步设备补偿方法、装置、存储介质及其计算机设备 |
CN111650617A (zh) * | 2020-06-10 | 2020-09-11 | 国网湖南省电力有限公司 | 基于新息加权自适应不敏卡尔曼滤波的晶振频率驯服方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
General Unbiased FIR Filter With Applications to GPS-Based Steering of Oscillator Frequency;Yuriy S. Shmaliy等;《IEEE Transactions on Control Systems Technology》;20160707;第25卷(第3期);1141-1148 * |
基于全数字锁相环的电力系统高精度同步时钟;李泽文等;《电力自动化设备》;20150701;第35卷(第7期);32-36 * |
Also Published As
Publication number | Publication date |
---|---|
CN112713881A (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112713881B (zh) | 一种基于边缘计算的同步时钟维持系统与方法 | |
CN103916896B (zh) | 基于多维Epanechnikov核密度估计的异常检测方法 | |
CN108008099B (zh) | 一种污染源定位方法 | |
CN111103325B (zh) | 一种基于集成神经网络学习的电子鼻信号漂移补偿方法 | |
CN111510500B (zh) | 一种基于边缘计算的水质监测数据校准方法 | |
CN108614071B (zh) | 分布式室外大气质量监测精度校正系统及参数更新方法 | |
CN111896029A (zh) | 一种基于组合算法的mems陀螺随机误差补偿方法 | |
CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性系统状态估计方法 | |
CN114264865B (zh) | 一种电流采集装置在线自校准方法 | |
CN101916394A (zh) | 一种基于知识融合的在线软测量方法 | |
CN107656905B (zh) | 一种利用误差传递的空气质量数据实时校准方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN112985692B (zh) | 一种融合多项式与学习模型的气压传感器误差标校方法 | |
CN105938133A (zh) | 一种无线气体传感器在线校准方法及系统 | |
CN107687872B (zh) | 基于动态模型更新的桥梁结构健康状态监测方法及系统 | |
CN112968931A (zh) | 一种基于多传感器的农作物环境温度数据融合系统及方法 | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
CN116834977A (zh) | 一种卫星轨道数据的范围控制方法 | |
CN103033274A (zh) | 一种日照温度概率密度的测定方法 | |
CN104316905A (zh) | 处理飞行时间测距数据的自适应卡尔曼滤波的方法 | |
CN108226842A (zh) | 电流传感器的幅频校准系统及方法 | |
CN110858309B (zh) | 一种多基准时钟加权合成方法 | |
US20150087333A1 (en) | Method for correcting position information | |
CN117664441A (zh) | 一种压力变送器的老化检测方法及系统 | |
CN114924237B (zh) | 一种用于动态检测雷达数据异常值的滤波方法 |
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 |