灰色模型与自回归模型组合在钟差短期预报中的应用研究

研究卫星钟差预报的精度及稳定性对增强卫星导航系统的导航、授时等功能有重要作用。针对GM(1,1)模型在卫星钟差短期预报时存在的问题,引入AR模型对其预报结果进行修正,以提高钟差预报结果的精度和稳定性。实验结果表明：组合模型的预报精度较单一GM(1,1)模型有一定提高,其中铷钟的精度提高较为明显,铯钟的精度则提高较少;此外,组合模型的误差变化趋势与GM(1,1)模型相似,但稳定性相对更高。     

正交迭代泛函网络在中短期钟差预报中的应用

 在卫星钟源无法与地面钟源进行实时比对的时段中,准确预报卫星钟差对于维持卫星的稳定运行具有重要意义。针对卫星钟差的中短期预报问题,选择多项式模型对钟差进行建模分析,设计了一种基于滑动窗模型的正交迭代泛函网络算法。利用泛函网络的非线性学习能力对钟差预报模型进行拟合分析,采用正交函数作为泛函网络的基函数簇,并引入滑动窗思想来更新输入层元素进行迭代训练,获得较小的预报误差。分析表明,预报时间小于12 h 时,预报误差为0.2~0.5 ns,预报精度与IGU P精度相当;当预报时间为24 h 时,预报误差总体在1 ns,预报精度略次于IGU P 精度;当预报时间为1 个卫星周时,最大误差达130 ns,难以满足卫星运行对钟源的要求。研究表明：该算法适合于短期卫星钟差预报,不适合中长期钟差预报。     

基于通用钟差模型的北斗卫星钟预报精度分析

卫星钟差参数的预报精度直接影响卫星导航系统的服务性能.影响卫星钟预报精度的因素有很多,其中钟差序列的建模质量是一个很重要的影响因子,只有最能反映星载原子钟自身物理特性和运行状态的模型才能获得更高的卫星钟预报精度.本文分析了北斗系统钟差序列的特性,提出了一种通用的钟差模型,该模型同时包含线性项、周期项和随机项,并且利用了AR模型对随机项进行建模,给出了周期项和AR模型参数的确定方法,该模型还能够根据实际星载钟特性进行退化与扩展.本文还给出了基于该模型的卫星钟预报方法,最后利用北斗实测数据进行了卫星钟预报精度分析试验,试验结果表明:所提出的通用模型能够最大限度地拟合钟差序列,从而大大提高卫星钟的预报精度,特别是针对一些稳定度较差的星载钟,实现了6 h预报精度2 ns,12 h预报精度5.5 ns.     

北斗卫星星载原子钟的短期钟差预报模型参数选取分析

高精度实时卫星钟差改正数据的获取一直是实现精密单点定位技术的关键问题.针对短期钟差预报模型参数设定对预报精度的影响,详细分析了多项式模型和灰色模型的基本原理,通过对精密星历文件中钟差数据的计算,分析阶数和已知数据个数对2种预报模型精度的影响,评估了此2种预报模型的优劣.实验结果表明:多项式模型应采用的已知点数量和阶数分别为7和2,而灰色模型的已知点数量应设为11;灰色模型总体上优于多项式模型.     

基于灰色BP网络的卫星钟差预报

精密卫星钟差是精密定轨的重要因素之一.将BP神经网络模型引入卫星钟差预报,分别对少量及大量的卫星钟差数据进行预报,将其预报精度和灰色模型GM(1,1)预报结果进行分析比较,证明BP神经网络模型适于卫星钟差预报.通过对IGU超快速星历中的卫星钟差进行预报,发现前期预报精度很高,验证了其实际有效性.     

多变量相空间重构的多核最小二乘支持向量机电力负荷预测优化策略

针对短期电力负荷在线预测问题,结合多变量相空间重构以及多核函数LS-SVM(least squares support vector machine),提出一种基于滑动窗口策略与改进人工鱼群算法(artificial fish swarm algorithm)的短期电力负荷在线预测综合优化方法。首先利用多变量相空间重构还原真实电力系统动力学特性;然后将核函数进行排列组合,从而将组合核函数的构造问题转换为权值系数的优化问题。进一步将延迟时间、嵌入维数、LS-SVM参数以及核函数权值作为整体参数向量,利用混沌自适应人工鱼群算法对训练数据预测精度的适应度函数进行优化,从而得到最优的预测模型参数。最后通过滑动时窗策略将得到的预测模型对短期电力负荷进行在线预测,结果证明了提出方法的有效性。     

双变权缓冲GM(1,1)模型在GPS卫星钟差预报中的应用

GPS卫星钟差预报时,传统GM(1,1)模型对存在跳变和扰动因素的卫星钟差数据预报效果较差,为了提高模型的预报精度,提出应用缓冲算子改善原始数据的光滑度,而现实中传统的缓冲算子大都是固定不变的,作用强度不可调,适用性较差。针对这些问题,引入变权缓冲算子结合加权背景值,通过搜索寻优算法以拟合值和实际值的误差平方和最小为目标,选择最优变权缓冲系数和背景权值,从而构建双变权缓冲GM(1,1)模型。通过理论分析和算例结果表明,对不同类型GPS卫星钟,优化的模型相比传统GM(1,1)模型的预报精度改善效果不同,其中对铯钟提高不明显,对铷钟均有所提高。     

北斗新一代试验卫星星钟及轨道精度初步分析

北斗卫星导航系统新一代试验卫星星座由2颗高轨倾斜地球同步轨道卫星和3颗中轨地球轨道卫星组成,2016年2月全部发射入轨,其任务是验证北斗系统从目前区域导航定位授时服务走向全球服务的新技术体制设计及指标性能.导航卫星星载原子钟是最重要载荷之一,负责星上时间频率基准信号维持和产生,本文利用星地双向时频传递设备观测的星地钟差数据,评估了试验星配置的新型高精度铷钟和被动型氢钟的实际性能,定量比较了相对于北斗区域系统卫星钟的性能提升.结果表明新一代试验星与北斗区域系统卫星钟差预报精度相比较有较大提高,地球倾斜静止卫星(Inclined Geosynchronous Orbit,IGSO)短期预报误差从0.65ns减小到0.30ns,中轨道卫星(Medium Orbit,MEO)短期预报误差从0.78ns减小到0.32ns,IGSO/MEO卫星中期预报误差均从2.50ns减小到约1.50ns.星间链路(Inter-Satellite Link,ISL)是北斗全球系统最重要的技术体制设计之一,本文评估了试验卫星实现的星间伪距测量对提升空间信号精度,即轨道和钟差的贡献,得到在地面监测网无法连续覆盖到的境外弧段,高精度星间链路测量对轨道确定和钟差测定精度的提升尤为明显.加入星间伪距测量,MEO卫星重新入境时钟差预报误差由3ns减小至1ns以内.采用星地星间联合定轨方法估计的卫星轨道径向重叠弧段互差优于0.1m,三维位置重叠互差优于0.5m,预报24h径向重叠弧段互差优于0.2m,三维位置重叠互差优于1m,均较区域监测网L波段定轨结果有较大提升.为解决多星定轨处理时卫星钟差与轨道高度耦合问题,本文提出了卫星钟差半约束模式定轨处理方法.用户等效距离误差分析结果表明采用卫星钟差半约束的定轨模式,卫星轨道预报4h用户等效距离误差由1.04m减小至0.82m.     

改进的蜂群LS-SVM故障预测

为了提高基于最小二乘支持向量机的故障预测精准度,提出了AFS-ABC算法,用于组合优化LS-SVM的规则化参数C和宽度参数σ.该算法将鱼群算法AFS简化模型中人工鱼的寻优更新方法引入到蜂群算法中,以互补优势、互克不足.通过100维Ackley函数验证了该算法在优化精度和搜索速度上较AFS算法与ABC算法的优越性,并以某航空电子系统电源模块记录电压数据序列的前40个作为LS-SVM模型的训练集,后15个作为测试集,利用MAT-LAB的LS-SVM工具箱进行状态预测仿真.结果表明,AFS-ABC算法较好地改善了LS-SVM的预测精度,同时解决了局部极值和寻优结果精度低的问题.     

时钟校准过程中的组合钟差预报模型

时间同步技术在分布式系统中应用广泛,时钟校准是时间同步的前提。针对时间校准过程中所需的时间信号可能出现传递失效等问题,在时间校准过程中引入钟差预报技术。同时为提高钟差预报模型的预报精度,提出一种GM-BP神经网络的钟差预报组合模型,首先利用已测钟差数据建立多个不同维数的GM(1,1)钟差预报模型,并对某时段的钟差进行预报,发挥多个不同GM(1,1)模型的优点;然后利用训练好的BP神经网络对预报结果进行非线性组合,最终的预报结果为BP神经网络非线性组合后的钟差。利用衰减器模拟对流层散射信道,设计对流层散射单向时钟校准试验,利用试验过程中实测的钟差数据进行组合模型精度验证。仿真结果表明,组合模型较单一预报模型,预报误差更加平稳,精度上提高53%~95%。     

基于人工鱼群算法处理圆度误差

圆度误差是机械零件及其互换性的重要指标,是产品质量的关键,这里提出一种基于人工鱼群算法(AF-SA)计算圆度误差的方法。人工鱼群算法(AFSA)源于对鱼群运动行为的研究,是一种新型的智能仿生优化算法。它具有并行性、简单性、全局性、快速性和跟踪性等特点。该方法能够克服传统圆度误差最小二乘法评价的局部收敛问题,可以有效、正确地评价圆度误差。     

鱼群算法优化组合核函数GPR的油井动液面预测

针对抽油井动液面(DFL)检测主要依靠人工操作回声仪测试,无法实时在线检测,而单一核函数的高斯过程回归(GPR)无法明显提高预测精度和泛化能力,提出了一种人工鱼群算法(AFSA)优化组合核函数的动态高斯过程回归动液面预测模型.采用多项式函数、线性函数与径向基函数组合构建核函数,利用人工鱼群算法对核函数模型参数进行寻优,采用快速傅里叶变换(FFT)和核主元分析(KPCA)融合提取时频数据非线性特征作为模型输入,提高模型的预测精度和泛化能力.油田现场应用验证了该方法的有效性.     

基于人工鱼群算法的分类规则发现

人工鱼群算法(AFSA)是一种最新提出的新型仿生优化算法,具有良好的克服局部极值和获得全局极值的能力.利用鱼群算法进行分类规则挖掘,建立了相应的优化模型.通过对公用数据的实验和CN2算法的对比表明,本算法可得到预测准确率较高的分类规则,同时规则更为简单.     

基于LSTM的短波频率参数预测

针对现有短波通信频率参数预测方法操作繁琐、预测精度不足的缺点,首次提出一种基于长短期记忆型循环神经网络（LSTM RNN）的预测方法。通过对电离层参数f0F2数据的分析,利用LSTM在处理时序相关数据时可以长期记忆网络历史数据的优势,对f0F2值进行预测。对比反向传播神经网络（BPNN）,LSTM将误差降低了7%,并将均方误差控制在2%以下。研究结果表明：基于LSTM搭建的提前预报5天的f0F2值的模型是可行的且比BP神经网络更适合预测电离层的f0F2值。     

An optimized short-term wind power interval prediction method considering NWP accuracy

In recent years, the accuracy of the wind power prediction has been urgently studied and improved to satisfy the requirements of power system operation. In this paper, the relevance vector machine(RVM)-based models are established to predict the wind power and its interval for a given confidence level. An NWP improvement module is presented considering the characteristic of NWP error. Moreover, two parameter optimization algorithms are applied to further improve the prediction model and to compare each performance. To take three wind farms in China as examples, the performance of two RVM-based models optimized, respectively, by genetic algorithm(GA)and particle swarm optimization(PSO) are compared with predictions based on a genetic algorithm–artificial neural network(GA–ANN) and support vector machine. Results show that the proposed models have better prediction accuracy with GA–RVM model and more efficient calculation with PSO–RVM.     

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。     

自适应神经网络在短期负荷预测中的应用

采用基于混沌算法的自适应预测模型,应用于电力系统短期负荷预测.选取重构相空间中的饱和嵌入维数作为神经网络的输入节点数,适当选择非线性反馈项,能使网络的动力学在权空间具有混沌行为.通过进化算法建立一种自适应机制,使得网络能够根据学习和训练的结果优化非线性反馈项.算例表明,该算法具有很强的自适应能力和鲁棒性,精度高.     

MC—CDMA系统中分集接收的改进AFSA多用户检测

文章在多载波码分多址（MC—CDMA）系统上行链路的频率选择性信道中,提出了一种使用多天线分集接收的基于改进人工鱼群算法（AFSA）的多用户检测（MUD）方案。为了解决多目标问题,考虑针对不同天线分支代价函数根据Pareto优化准则进行个体选择,使改进后的鱼群算法具有选择行为和交叉行为,同时也独立利用不同天线分支信号携带的有用信息。仿真结果表明,在相同计算复杂度下,基于Pareto优化准则的个体选择机制AFSA—MUD的误码率（BER）性能要远远优于基于代价函数线性合并的个体选择机制;通过与单用户和最优检测仿真结果比较也表明,基于该策略的改进人工鱼群算法的多用户检测是有效的。