电力系统对时网络时钟源时间偏差组合预测方法和系统

技术领域

本发明属于电力系统时间同步技术领域，具体涉及一种电力系统对时网络时钟源时间偏差组合预测方法和系统。

背景技术

目前，电力系统主要采用GPS(或者北斗)接收机，卫星接收机通过接收信号，并依据卫星时钟与晶振时钟作为时间同步的同步源，实现时间同步。但上述方式存在授时精度和安全性不足、授时稳定性差等问题；因此，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时钟源进行校准，结合时钟源偏差预测算法和补偿方案，以提高电力系统时间同步精度和稳定性。

对于电力系统时间同步而言，其时钟源时间偏差序列主要包括GPS秒时钟的误差和高精度晶振的累计误差，可以将其视为非线性非平稳时间序列。实际上，对于非线性非平稳时间序列而言，难以使用单一模型进行有效预测。对于同一预测问题而言，由于角度方式和层次等有所不同，可以为该序列提供多种预测方法。然而单项预测模型无法考虑电力系统时钟源时间偏差所有影响因素，导致预测精度较低。

发明内容

为了解决现有单项预测模型预测精度较低的问题，本发明提供了一种电力系统对时网络时钟源时间偏差组合预测方法和系统。本发明通过将电力系统时钟源时间偏差序列视为灰色系统，并采用组合预测算法：分别从连续以及离散角度对其建立灰色GM(1，1)预测模型以及线性时变参数离散灰色模型TDGM(1，1)，获得两个预测值，然后根据熵权法分别计算各自权值，最终获得最终预测值，有效提高电力系统对时网络中时钟源时间偏差序列的预测精度。

本发明通过下述技术方案实现：

一种电力系统对时网络时钟源时间偏差组合预测方法，该方法包括：

获取电力系统对时网络中时钟源原始时间偏差序列；

对所述原始时间偏差序列建立GM(1,1)预测模型，得到连续角度下的时间偏差序列预测值；

对所述原始时间偏差序列建立TDGM(1,1)预测模型，得到离散角度下的时间偏差序列预测值；

确定所述GM(1,1)预测模型和所述TDGM(1,1)预测模型的权重系数，建立组合预测模型；

根据组合预测模型，得到电力系统对时网络中时钟源时间偏差序列预测值。

作为一种优选的实施方式，本发明的对所述原始时间偏差序列建立GM(1,1)预测模型，得到连续角度下的时间偏差序列预测值，具体包括：

对所述原始时间偏差序列进行累加生成操作，得到一阶累加生成序列；

对所述一阶累加生成序列建立一阶微分方程；

根据最小二乘法，得到所述一阶微分方程的参数估计值；

根据所述参数估计值，得到所述一阶累加生成序列的预测值；

根据所述一阶累加生成序列的预测值，得到所述原始时间偏差序列的预测值。

作为一种优选的实施方式，本发明建立的一阶微分方程为：

，

其中，

令矩阵

，

其中，

根据最小二乘法，估计出发展系数

，

根据参数估计值，得到所述一阶累加生成序列

。

作为一种优选的实施方式，本发明得到原始时间偏差序列

。

作为一种优选的实施方式，本发明的对所述原始时间偏差序列建立TDGM(1,1)预测模型，得到离散角度下的时间偏差序列预测值，具体包括：

对所述原始时间偏差序列进行累加生成操作，得到一阶累加生成序列；

根据所述一阶累加生成序列，构建线性时变参数离散灰色TDGM(1,1)预测模型；

根据所述TDGM(1,1)预测模型获取所述一阶累加生成序列估计值和原始时间偏差序列的模拟值。

作为一种优选的实施方式，本发明构建的线性时变参数离散灰色TDGM(1,1)预测模型表示为：

，

其中，

将所述TDGM(1,1)预测模型转化成矩阵-向量形式，即：

，

其中：

，

根据最小二乘原理对参数

。

作为一种优选的实施方式，本发明令一阶累加生成序列初始估计值

，

通过累减还原得到原始时间偏差序列的预测值

。

作为一种优选的实施方式，本发明的确定所述GM(1,1)预测模型和所述TDGM(1,1)预测模型的权重系数，建立组合预测模型，具体包括：

分别计算所述GM(1,1)预测模型和所述TDGM(1,1)预测模型的相对预测误差；

对两个预测模型的所述相对预测误差分别进行归一化处理；

根据归一化处理后的相对预测误差，分别计算两个预测模型的熵值；

根据两个预测模型的熵值，分别计算两个预测模型的变异程度系数；

根据两个预测模型的变异程度系数，分别确定两个预测模型的权系数；

根据两个预测模型的权系数，建立组合预测模型。

作为一种优选的实施方式，本发明建立的组合预测模型为：

，

式中，

另一方面，本发明提出了一种电力系统对时网络时钟源时间偏差组合预测系统，包括：

数据获取模块，用于获取电力系统对时网络中时钟源原始时间偏差序列；

第一预测模块，用于对时间偏差序列建立GM(1,1)预测模型，得到连续角度下的时间偏差序列预测值；

第二预测模块，用于对时间偏差序列建立TDGM(1,1)预测模型，得到离散角度下的时间偏差序列预测值；

组合预测模块，确定GM(1,1)预测模型和TDGM(1,1)预测模型权重系数，从而建立组合预测模型，并根据组合预测模型，得到电力系统时钟源时间偏差序列预测值。

本发明具有如下的优点和有益效果：

1、本发明将电力系统时钟源时间偏差序列视为灰色系统，分别从连续以及离散角度对该系统建立灰色GM(1，1)预测模型以及线性时变参数离散灰色模型TDGM(1，1)，并运用信息熵加权法，根据单一预测的误差序列变异程度，确定每个预测模型权重系数，从而建立组合预测模型进行误差预测，可以有效提高电力系统对时网络中时钟源时间偏差序列的预测精度。

2、本发明将多种预测结果进行综合考虑，比单项预测模型更为系统和全面。

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为本发明实施例的方法流程示意图；

图2为本发明实施例的系统原理框图。

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：

针对现有单项预测模型预测精度较低的问题，本实施例提出了一种电力系统对时网络时钟源时间偏差组合预测方法。对于电力系统时钟源时间偏差序列进行预测时，需要考虑不同因素对序列预测精度的影响。在上述因素中，有些因素是已知的，有些是未知的。而灰色系统理论以“部分信息已知、部分信息未知”的“小样本”、“贫信息”的不确定性系统为研究对象。因此本实施例提出的方法采用基于灰色系统理论的电力系统时钟源时间偏差组合预测算法：具体通过将电力系统时钟源时间偏差序列视为灰色系统，分别从连续以及离散角度对其建立灰色GM(1,1)预测模型以及线性时变参数离散灰色模型TDGM(1,1)，获得两个预测值；然后根据熵权法分别计算各自权值，最后获得最终预测值。

具体如图1所示，本实施例提出的方法包括以下步骤：

步骤1，获取电力系统对时网络中时钟源原始时间偏差序列。

对于原始时间偏差序列，可以将待测时钟源与更高精度时间基准设备的秒脉冲输入时间间隔计数器的通道，将原子钟作为时间间隔计数器的外部参考时钟，对一段时间内的时间数据进行等时间间隔采样差分得到。在实验室场景下时间基准和外部参考时钟可以采用国家授时中心UTC（Universal Time Coordinated，协调世界时）主钟等理想参考信号，在具体应用场景中时间基准可以使用准确度与卫星导航系统时间相当的GNSS（GlobalNavigation Satellite System，全球导航卫星系统）双频定时接收机的定时信号，外部参考时钟可以采用铷钟。详细方法本实施例不进行具体限定。

步骤2，对时间偏差序列建立GM(1,1)预测模型，得到连续角度下的时间偏差序列预测值。

步骤3，对时间偏差序列建立TDGM(1,1)预测模型，得到离散角度下的时间偏差序列预测值。

步骤4，确定GM(1,1)预测模型和TDGM(1,1)预测模型权重系数，从而建立组合预测模型。

步骤5，根据组合预测模型，得到电力系统时钟源时间偏差序列预测值。

作为一种可选的实施方式，步骤2还包括以下子步骤：

步骤21，对原始时间偏差序列进行累加生成操作，得到一阶累加生成序列。

假设电力系统时钟源时间偏差序列(即原始序列)为

(1)

其中

对原始序列

(2)

其中：

(3)

特别地，需要取到

步骤22，对一阶累加生成序列建立一阶微分方程。

建立的一阶微分方程，如式(4)所示：

(4)

其中：参数

令矩阵

(5)

在式(5)中：

步骤23，根据最小二乘法，得到一阶微分方程的参数估计值。

具体根据最小二乘法，估计出发展系数

(6)

步骤24，根据参数估计值，得到一阶累加生成序列的预测值。

具体根据上述参数估计值，得到一阶累加生成序列

(7)

步骤25，根据一阶累加生成序列的预测值，得到原始时间偏差序列的预测值。

具体结合式(7)，得到原始序列

(8)

根据式(8)可以从连续角度对偏差序列进行预测。

作为一种可选的实施方式，从离散角度出发，对时间偏差序列建立线性时变参数离散灰色模型TDGM(1,1)，主要包括以下步骤：

步骤31，对原始序列(即电力系统时钟源时间偏差序列)

步骤32，根据一阶累加生成序列，构建线性时变参数离散灰色TDGM(1,1)预测模型。

线性时变参数离散灰色TDGM(1,1)预测模型可以表示为

(9)

其中，

将式(9)转化成矩阵-向量形式，即

(10)

其中：

。

根据最小二乘原理对参数

(11)

步骤33，根据TDGM(1,1)预测模型获取一阶累加生成序列估计值和原始时间偏差序列的预测值：

令初始值

(12)

通过累减还原可以得到原序列的预测值

(13)

根据式(13)可以从离散角度对偏差序列进行预测。

作为一种可选的实施方式，运用信息熵加权法，根据上述单一预测模型预测的误差序列变异程度，确定每个预测模型权重系数，从而建立组合预测模型。在本实施例中，组合预测模型涉及到GM(1,1)预测模型、线性时变参数离散灰色模型TDGM(1,1)两种单一预测模型，具体过程包括：

步骤41，分别计算两种单一预测模型的相对预测误差。

在

(14)/>

与第2种预测方法（即TDGM(1,1)预测模型）的相对误差为：

(15)

步骤42，对两种单一预测模型的相对预测误差分别进行归一化处理，即：

(16)

步骤43，根据归一化处理后的相对预测误差，分别计算上述两种单一预测模型的熵值。

上述两种单一预测模型的熵值分别为

(17)

步骤44，根据两种单一预测模型的熵值，分别计算两种单一预测模型的变异程度系数：

(18)

步骤45，根据两种单一预测模型的变异程度系数，分别确定两种单一预测模型的权系数：

(19)

步骤46，根据两种单一预测模型的权系数，建立组合预测模型，即：

(20)

其中，

本实施例还提出了一种电力系统对时网络时钟源时间偏差组合预测系统，具体如图2所示，该系统包括：

数据获取模块，用于获取电力系统对时网络中时钟源原始时间偏差序列。

第一预测模块，用于对时间偏差序列建立GM(1,1)预测模型，得到连续角度下的时间偏差序列预测值。

第二预测模块，用于对时间偏差序列建立TDGM(1,1)预测模型，得到离散角度下的时间偏差序列预测值。

组合预测模块，确定GM(1,1)预测模型和TDGM(1,1)预测模型权重系数，从而建立组合预测模型，并根据组合预测模型，得到电力系统时钟源时间偏差序列预测值。

本实施例还提出了一种计算机设备，用于执行本实施例的上述方法。

计算机设备包括处理器、内存储器和系统总线；内存储器和处理器在内的各种设备组件连接到系统总线上。处理器是一个用来通过计算机系统中基本的算术和逻辑运算来执行计算机程序指令的硬件。内存储器是一个用于临时或永久性存储计算程序或数据(例如，程序状态信息)的物理设备。系统总线可以为以下几种类型的总线结构中的任意一种，包括存储器总线或存储控制器、外设总线和局部总线。处理器和内存储器可以通过系统总线进行数据通信。其中内存储器包括只读存储器(ROM)或闪存，以及随机存取存储器(RAM)，RAM通常是指加载了操作系统和计算机程序的主存储器。

计算机设备一般包括一个外存储设备。外存储设备可以从多种计算机可读介质中选择，计算机可读介质是指可以通过计算机设备访问的任何可利用的介质，包括移动的和固定的两种介质。例如，计算机可读介质包括但不限于，闪速存储器(微型SD卡)，CD-ROM，数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备，或者可用于存储所需信息并可由计算机设备访问的任何其它介质。

计算机设备可在网络环境中与一个或者多个网络终端进行逻辑连接。网络终端可以是个人电脑、服务器、路由器、智能电话、平板电脑或者其它公共网络节点。计算机设备通过网络接口（局域网LAN接口）与网络终端相连接。局域网(LAN)是指在有限区域内，例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼，互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。

应当指出的是，其它包括比计算机设备更多或更少的子系统的计算机系统也能适用于发明。

如上面详细描述的，适用于本实施例的计算机设备能执行电力系统对时网络时钟源时间偏差组合预测方法的指定操作。计算机设备通过处理器运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备或者通过局域网接口从另一设备读入到存储器中。存储在存储器中的软件指令使得处理器执行上述的群成员信息的处理方法。此外，通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此，实现本实施例并不限于任何特定硬件电路和软件的组合。

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。