CN115496268A

CN115496268A - 一种电力系统对时网络时钟源时间偏差在线预测的方法

Info

Publication number: CN115496268A
Application number: CN202211062273.XA
Authority: CN
Inventors: 滕云龙; 井实; 李坚; 史国鑫; 冯世林; 张大伟; 刘晓川; 魏旺全; 罗荣森; 唐小慧; 邓志森; 刘海洋; 王大兴
Original assignee: Chengdu Yz Digital Equipment Co ltd; University of Electronic Science and Technology of China; State Grid Sichuan Electric Power Co Ltd; Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Current assignee: Chengdu Yz Digital Equipment Co ltd; University of Electronic Science and Technology of China; State Grid Sichuan Electric Power Co Ltd; Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority date: 2022-09-01
Filing date: 2022-09-01
Publication date: 2022-12-20

Abstract

本发明公开一种电力系统对时网络时钟源时间偏差在线预测的方法,应用于新型电力系统领域，针对传统时钟源时间偏差数据离线预测算法占用大量存储资源和运算资源，不能实时跟踪系统动态变化的问题，本发明将卡尔曼滤波算法与回声状态网络有机结合，通过卡尔曼滤波算法在线调整回声状态网络的输出权值，从而提升回声状态网络的性能，提高了电力系统对时网络中时钟源时间偏差预测的效率和精度。

Description

一种电力系统对时网络时钟源时间偏差在线预测的方法

技术领域

本发明属于新型电力系统领域，特别涉及一种面向电力系统对时网络时钟源时间偏差的预测技术。

背景技术

随着以新能源为主体的新型电力系统的构建，数字化技术在电力系统的应用也越来越广泛，电力自动化设备对时间同步的要求进一步提高。电力系统内部信息交换量大，状态改变快，因此需要可靠、准确、安全的时钟源，为电力系统各类运行设备提供精确的时间基准。

目前，电力系统中各调控中心、集控站、变电站、发电厂都配置了一套时间同步系统，各级厂站内部都会安装GPS或北斗的卫星接收机，通过卫星接收机接收信号，并依据卫星时钟与晶振时钟作为时间同步的同步源，实现厂站内的时间同步。采用单一授时源时，会出现授时精度和安全性不足、授时稳定性差等问题，电力系统通常依据卫星时钟与晶振时钟的误差互补特性对对时网络时钟源进行校准，结合精确的时钟源偏差预测算法和补偿方案，使得产生的电力系统时钟源具有精确度高和稳定性强等特点。

时钟源时间偏差包括GPS秒时钟的误差和高精度晶振的累计误差，是非线性非平稳数据。目前，主要采用动态平均法和误差估计相结合的方法，以及人工神经网络算法对时钟源时间偏差进行预测，动态平均法和误差估计法模型计算简单、容易实现，但模型的预报存在一定的不确定性；人工神经网络算法记忆不稳定、学习速度慢等缺点，需要设置许多参数，目前对参数的选取还没有一个科学的理论支持，需要不断的尝试才能找到最优参数，且训练时网络收敛慢，容易陷入局部最小等问题。

作为一种特殊的递归神经网络，回声状态网络(ESN)具有非线性映射能力强、训练过程简单并且具有全局最优等特点，可以有效弥补传统神经网络在时间序列预测方面的不足。然而，传统回声状态网络是基于伪逆法和岭回归法将多个时刻的储备池状态作为一个整体来训练网络的输出权值，这种批量的学习模式不能实时调整网络参数，而且需要占用较大的存储和运算资源，难以运用在电力系统中各调控中心、集控站、变电站、发电厂等对实时性要求高的场景中。

发明内容

为解决上述技术问题，本发明提出一种电力系统对时网络时钟源时间偏差在线预测方法，能有效提高电力系统对时网络中时钟源时间偏差预测的精度。

本发明采用的技术方案为：一种电力系统对时网络时钟源时间偏差在线预测方法，包括：

S1、采集时钟源时间偏差数据；

S2、对采集的时钟源时间偏差数据进行预处理；

S3、根据回声状态网络构造时钟源时间偏差数据输入输出非线性映射关系；

S4、利用卡尔曼滤波算法在线调整的储备池输出回声状态网络的权重矩阵；

S5、根据步骤S4的权重矩阵更新后的回声状态网络，进行时钟源偏差预测。

本发明的有益效果：本发明的方法将卡尔曼滤波算法与回声状态网络有机结合，通过卡尔曼滤波算法在线调整回声状态网络的输出权值，从而提升回声状态网络的性能，提高了电力系统对时网络中时钟源时间偏差预测的效率和精度。

附图说明

图1为本发明的方案流程图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

如图1所示，本发明的方案包括以下步骤：

(1)、采集时钟源时间偏差数据

GPS接收机输出的秒时钟与UCT(Universal Time Coordinated)存在误差ε，从长时间来衡量，GPS接收机输出的时间平均偏差趋近于零，但是，从每一个秒脉冲的精度来看，就可能有很大的偏差，正是因为如此，GPS接收机给出的时间精度指标是一个概率指标且ε服从正态分布。取样本数为N，则有：ε～N(0,σ²)，σ表示方差，不同档次的接收机，σ数值大小不同，以Motorola VP Oncore GPS接收机为例，其σ取50ns，即该GPS接收机的时钟源时间偏差落入1σ范围(50ns)内的概率为0.6828，落入2σ范围(100ns)内的概率为0.9546，落入3σ范围(150ns)内的概率为0.9974。考查GPS秒时钟α：α₁,α₂,...,α_n，则GPS输出的秒时钟序列对应的UCT序列β可记为：α₁-ε₁,α₂-ε₂,...,α_n-ε_n。通用公式为：

β_n＝α_n-ε_n n∈N,ε_n～N(0,σ²) (1)

式中，β_n为GPS输出第n个秒脉冲对应的UTC，α_n为GPS第n个秒时钟，ε_n为时间误差。

用高精度晶振产生秒脉冲，若该晶振绝对准确，则计数周期为ΔT时，秒时钟序列Y可表示为：

β_n＝β_n-1+η_nΔT (2)

式中：η_n为1s内晶振的计数值(一般选取频率能被1s整除的高精度晶振，以使η_n为整数)。

有晶振或多或少都存在一定误差，其中高精度晶振的随机误差很小，可忽略不计，而累计误差则较大。所以上式表示的时钟在短时间内比较准确，而在长时间后则会出现较大误差。

为产生高精度时钟，考虑到GPS秒时钟与晶振时钟精度互补的特点，如果把二者结合起来，则可产生高精度时钟。

用高精度晶振记录GPS秒脉冲，若计数周期为ΔT，则秒时钟序列Y可表示为：

β_n＝β_n-1+η_nΔT-ε_n (3)

式中，ε_n为包括GPS秒时钟的随机误差和晶振的累计误差。

即采集到的时钟源时间偏差数据集合为X(n)，X(n)＝[x(1),x(2),...,x(n)]，其中，x(n)＝ε_n为时刻n的时钟源时间偏差数据。

(2)、对时钟源时间偏差数据进行预处理

由于时钟源时间偏差数据带有一定的粗差和跳变，在进行训练拟合之前需对其进行数据预处理。

(2.1)、相位与频率的数据转换

对于时钟源时间偏差数据的粗差可以通过中位数绝对偏差方法(MAD)把时钟源偏差数据转换成时钟源偏差的频率数据，其转化公式为

其中，y(i)和x(i)分别为得到的时钟源偏差的频率数据和时钟源偏差数据，τ为采样间隔。

(2.2)、中位数法剔除粗差

通过中位数法对频率数据y_i进行处理，来剔除相位数据x_i中的粗差，中位数由下式表示：

MAD＝Median{|y(i)-m|/0.6745} (5)

式中，m＝Median{y(i)}为时钟源偏差的频率数据序列y(i)的中位数，如果y_i满足下式

|y(i)|≥(m+λ·MAD) (6)

则判定该数据为粗差，其中整数λ为粗差因子(λ取值一般为3/4/5)，其取值根据实际情况调整，直到粗差被清除。

(2.3)、跳变探测法寻找跳变点

跳变是指时钟源时间偏差序列在某处发生不连续，并没有被模型计算出来，导致在后面的时钟源时间偏差值出现相同大小的跳变。相位数据的跳变对应于频率数据的峰值，跳变的大小明显大于两个时钟源时间偏差差值的平均值；一般采用跳变探测的办法加以区分并得到跳变的大小。

首先，计算置信区间内时钟源时间偏差数据X(n)单位时间内变化的平均值，公式如下

其中Δδ为时钟源时间偏差的平均变化值，x(i)为第i个时钟源时间偏差数据，t_i为采集第i个时钟源时间偏差数据的时刻，t_i-t_i-1即为采样间隔，一般为固定值。置信区间的大小通过指定的n值确定。则通过下式判断两个时钟源时间偏差间是否发生钟跳。

其中σ(Δδ)为Δδ的标准差，表示时钟源时间偏差的平均噪声水平。

两个时钟源时间偏差变化如果大于这个门限值，则认为可能有跳变发生。再通过与后面时钟源时间偏差变化进行比较，进一步确定是否发生跳变：若符合下式，则认为跳变非异常值，否则认为是异常值，需要剔除x(i)。

通过对后续时钟源时间偏差数据的递推，更新Δδ和σ(Δδ)，重复上面上个步骤，直到完成整个钟源时间偏差数据的探测。

定位出时钟源偏差数据粗差和跳变点后，将该处数据剔除，以便进行训练预测。

(3)、利用回声状态网络构造时钟源时间偏差输入输出非线性映射关系

(3.1)、初始化网络参数

初始化输入矩阵W_in，W_in由均匀分布在[-1,1]之间的随机数经过放缩因子调整后生成，使W_in的最大奇异值小于1以保证初始状态x(0)的影响随着时刻n的增大越来越小，n＝1,2,3,…,N；初始化储备池内部权连接矩阵W，设置稀疏度和谱半径ρ，根据公式W＝W·(1.25/ρ)对矩阵W进行放缩，确保矩阵W的谱半径小于1以保证网络的稳定性；随机生成储备池状态u(0)。

(3.2)、更新迭代

储备池当前的回声状态向量u(n)＝[u₁(n),…,u_N(n)]^T由输入向量和之前时刻的回声状态向量决定，即ESN(Echo State Network，回声状态网络)的状态方程为

u(n)＝f(W_inX(n)+Wu(n-1)) (10)

其中，f(·)＝[f₁(·),...,f_N(·)]代表储备池内部神经元的激活函数，通常设置为tanh(·)；X(n)＝[x(1),x(2),...,x(n)]是当前的输入向量，W_in∈R^N×n和W∈R^N×N,W_in∈R^N ^×n表示W_in是N*n维的矩阵，同理W∈R^N×N表示W是N*N维的矩阵。

ESN的输出方程为

y(n)＝f_out(W_outu(n)) (11)

其中，f_out(·)代表输出层的读出函数，在经典的ESN中它是一个线性函数。W_out∈R^M×N是ESN的输出权值矩阵。

根据式(10)和式(11)对网络的状态向量u(n)和输出向量y(n)进行计算更新。系统空转一定时间后，在t时刻从初始化状态对回声状态网络进行状态更新；每一轮更新后保存回声状态网络当前状态的数据u(n)和y(n)。这里的系统空转即调整储备池输出权值矩阵的过程。

(4)、利用卡尔曼滤波算法在线调整的储备池输出权值

(4.1)、转化ESN状态方程和输出方程

将式(10)ESN的状态方程和式(11)ESN的输出方程转化为如下形式：

W_out(n+1)＝W_out(n)+v(n) (12)

其中，W_out(n)为n时刻的输出权值，将其视为系统的状态向量，x(n)为系统输入，y(n)为系统观测值，与W_out(n)成线性关系。v(n)是系统噪声，服从均值为零，协方差矩阵为Q的高斯分布。

为观测噪声，服从均值为零，协方差矩阵为U的髙斯分布。v(n)和

相互独立。

(4.2)、初始化

随机初始化u(0),

和P_v(0|0)，Q和U。

(4.3)、预测阶段

根据n-1时刻的状态最优估计值预测n时刻的状态值

和协方差矩阵P_v(n|n-1)

上式中，

为有差估计。

(4.4)、更新阶段

对预测模型进行修正，更新下列矩阵，以获得更准确的估计值；具体的：训练阶段根据公式(10)更新储备池的状态；根据公式(15)分别计算卡尔曼滤波增益K(n)、后验估计误差的协方差P_v(n|n)、输出权值矩阵的后验估计

其中K(n)为最优卡尔曼増益，P_v(n|n)为更新之后的状态协方差矩阵，

为n时刻经过卡尔曼滤波之后输出权值矩阵的无差估计，y(n)为观测值，u(n)为由状态向量W_out(n)向观测向量y(n)变换的测量矩阵。

(5)、利用ESN网络进行时钟源偏差预测

基于卡尔曼滤波训练完回声状态网络后，取预测原点之前的数据，预测原点即t时刻，即从时刻t开始预测，时刻t之前训练回声状态网络，按照步骤(2)所述的采样数据预处理方法形成新的规范化数据，并将其输入到训练好的回声状态网络中：通过式(10)计算得出最新的网络状态，再根据式(11)计算预测值，即得到预测值。

经过上述步骤，得到的时钟源偏差预测数据

并且对最近N次的计数值η求取动态平均值，将得到的平均值

作为下一秒的计数估计值

结合式(3)和GPS时间解码信息(年、月、日、时、分、秒及秒以下时间)，就可以得到高精度时间信息。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims

1.一种电力系统对时网络时钟源时间偏差在线预测方法，其特征在于，包括：

S1、采集时钟源时间偏差数据；

S2、对采集的时钟源时间偏差数据进行预处理；

2.根据权利要求1所述的一种电力系统对时网络时钟源时间偏差在线预测方法，其特征在于，步骤S1具体为：

用高精度晶振记录GPS秒脉冲，计数周期为ΔT，则秒时钟序列表示为：

β_n＝β_n-1+η_nΔT-ε_n

式中，ε_n为时刻n的时钟源时间偏差数据，β_n为GPS输出第n个秒脉冲对应的UTC，β_n-1为GPS输出第n-1个秒脉冲对应的UTC，η_n为1s内晶振的计数值；

采集到的时钟源时间偏差数据集合记为X(n)，X(n)＝[x(1),x(2),...,x(n)]，其中，x(n)＝ε_n。

3.根据权利要求2所述的一种电力系统对时网络时钟源时间偏差在线预测方法，其特征在于，步骤S2具体为：

S21、将采集的时钟源时间偏差数据转换成时钟源偏差的频率数据：

其中，y(i)和x(i)分别为得到的时钟源偏差的频率数据和时钟源偏差数据，τ为采样间隔；

S22、通过中位数法对频率数据y_i进行处理，来定位相位数据x_i中的粗差；

S23、通过分段处理定位出时钟源偏差数据的跳变点；

S24、将定位出时钟源偏差数据粗差和跳变点剔除。

4.根据权利要求3所述的一种电力系统对时网络时钟源时间偏差在线预测方法，其特征在于，步骤S22具体为：

中位数由下式表示：

MAD＝Median{|y(i)-m|/0.6745}

|y(i)|≥(m+λ·MAD)

则判定该数据为粗差，其中整数λ为粗差因子。

5.根据权利要求3所述的一种电力系统对时网络时钟源时间偏差在线预测方法，其特征在于，步骤S23具体为：

对时钟源偏差数据X(n)＝[x(1),x(2),...,x(n)]，定义一个具有偶数个元素的子数据序列：

A₀＝{x(i),x(i+1),…,x(i+j)}

将子序列A₀等分为前后两个子序列

和

求取子序列A₁和A₂的均值meanA₁和meanA₂，令：

a＝|meanA₁-meanA₂|

对于检测量a以及给定门限κ，分为以下两种情况：

①若a<κ，则令i＝i+1，即滑动窗口向后移动一个数据位置，并重新计算a；

②若a≥κ，则此时序列A₂必定包含跳变点，将x(i+(j+1)/2)暂时标记为跳变点，并令i＝i+1，继续计算a，并且将新的x(i+(j+1)/2)也暂时标记为跳变点，如此进行(j+1)/2+1次必定得到一个最大的a，此时计算出最大值a的序列中的x(i+(j+1)/2)即为跳变点。

6.根据权利要求3所述的一种电力系统对时网络时钟源时间偏差在线预测方法，其特征在于，步骤S5具体为：根据步骤S1重新采集时钟源时间偏差数据，并将经步骤S2进行预处理后的数据输入到训练好的回声状态网络中；

通过下式计算得出最新的网络状态，

u(n)＝f(W_inX(n)+Wu(n-1))

其中，f(·)＝[f₁(·),...,f_N(·)]代表储备池内部神经元的激活函数，通常设置为tanh(·)；X(n)＝[x(1),x(2),...,x(n)]是当前的输入向量，W_in是回声状态网络的输入权值矩阵，W_in∈R^N×n，W_in∈R^N×n表示W_in是N*n维的矩阵，W表示储备池内部权连接矩阵，W∈R^N×N,W∈R^N×N表示W是N*N维的矩阵；

再根据下式计算预测值，即得到预测值：

y(n)＝f_out(W_outu(n))

其中，f_out(·)代表输出层的读出函数，W_out是回声状态网络的输出权值矩阵，W_out∈R^M ^×N。

7.根据权利要求6所述的一种电力系统对时网络时钟源时间偏差在线预测方法，其特征在于，还包括根据步骤S5预测的时钟源时间偏差预测数据，计算高精度时间信息；具体的：

对最近N次的计数值η求取动态平均值

将得到的平均值

作为下一秒的计数估计值，根据得到的时钟源偏差预测数据，并且结合公式β_n＝β_n-1+η_nΔT-ε_n和GPS时间解码信息，得到高精度时间信息。