CN105929216A - 一种卫星电源主母线电流区间预测方法 - Google Patents
一种卫星电源主母线电流区间预测方法 Download PDFInfo
- Publication number
- CN105929216A CN105929216A CN201610223421.XA CN201610223421A CN105929216A CN 105929216 A CN105929216 A CN 105929216A CN 201610223421 A CN201610223421 A CN 201610223421A CN 105929216 A CN105929216 A CN 105929216A
- Authority
- CN
- China
- Prior art keywords
- value
- parameter
- individual
- interval
- forecast
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种卫星电源主母线电流区间预测方法,该方法基于优化的核极限学习机训练的预测模型,利用比例系数法确定预测区间,其中比例系数法的参数由差分进化算法进行优化,具体过程包括:卫星电源主母线电流数据预处理,去除噪声数据并获取归一化数据;采用差分进化算法优化核极限学习机参数;使用优化的核极限学习机建立初始预测模型;给定评估预测区间质量的综合指标,采用比例系数法确定预测区间,评估预测区间满意度;最后,利用差分进化算法优化区间预测比例系数,获得最优的卫星电源主母线电流预测区间。本发明的优点是:针对复杂的卫星电源主母线电流数据,给出了一种卫星电源主母线电流区间预测方法,该方法预测精度更高,效果更好。
Description
技术领域
本发明涉及一种卫星电源主母线电流区间预测方法,该方法基于优化的核极限学习机训练的预测模型,利用差分进化算法优化的比例系数法确定预测区间,本发明属于航天科学与计算机科学的交叉领域。
背景技术
卫星是一种结合遥感、通信等技术研制出来的大型多功能复杂***,它是人类探索宇宙世界的主要途径。卫星电源***是***的功能子***,它为卫星所有设备正常工作提供能量,主要完成产生电能、储存能量、变换和调节能量、传输分配电能等任务。它的工作原理是通过物理或化学变化,将太阳能、核能等转化成电能,并完成对电能的存储、变换和调节,然后将电能传输分配给卫星其他***。
目前常用的卫星电源***结构为太阳能/蓄电池供电***:它由供能设备和控制设备组成,其中太阳电池阵、蓄电池组是供能设备;电池充电控制器、电池放电控制器、分流调节器、升压调节器等是控制设备。太阳电池阵是卫星电源***的发电装置,当卫星处于光照期时,太阳电池阵经过光伏效应把太阳能转换成电能,经过分流调节器进行分流,经过升压调节进行稳压调节,通过电池充电控制器对蓄电池进行充电,并向卫星各负载设备供电。蓄电池是卫星电源***的供电和储能设备,当卫星处于阴影期时,蓄电池经过电池放电调节器向卫星各负载设备供电。
控制设备是电源***的核心部件,其中主母线的优劣直接影响卫星电源***的供电品质。主母线的功能是在光照期用于调节太阳电池阵输出功率,在阴影期用于控制和保护蓄电池放电过程,为卫星电源***和其他设备提供与地面连接的接口,接受并执行遥控指令及地面有限指令,采样并预处理遥测信号等。
虽然卫星在轨异常发生概率很小,但是一旦发生,极有可能中断卫星工作任务甚至导致卫星陨落,造成的损失是致命的。例如通信卫星发生故障,将导致信号中断,通信设备无法继续使用;又如气象卫星出现工作异常,将导致气象工作人员不能及时、有效的获得气象信息;导航卫星发生故障将会导致地面接收端无法获得地理位置信号,进而无法对地理位置做出准确的判断。由此可见,卫星故障及异常状况给国家和普通民众带来的影响和损失是不可估量的。调查发现,在种种卫星故障和异常中,电源***故障是主要因素,电源***故障对于整个卫星的工作有严重的影响,因此,有必要对卫星电源***的关键参数如主母线电流进行准确预测,及时发现和避免卫星故障。
通常情况下,及时发现和避免卫星电源***故障的有效做法是对主母线电流的未来趋势进行预测,通过主母线电流的预测值和其正常范围的对比来判断卫星电源主母线是否可能出现异常,本发明的目的是通过对卫星电源主母线电流数据进行区间预测模型的训练,利用该区间预测模型获得卫星电源主母线电流的预测值及预测区间,从而实现对卫星电源主母线电流未来趋势的预测,以此来及时发现和避免卫星电源主母线的异常和故障。
发明内容
本发明的目的是基于卫星电源***的主母线电流数据,发明一个对卫星电源主母线电流区间预测的方法,基于该方法,可以预测卫星电源主母线电流的预测值以及预测区间,从而解决卫星电源主母线电流数据异常监测等问题,实现对卫星电源***主母线可疑异常的及时发现和避免,为卫星在轨运行的辅助控制管理打下坚实基础。
本发明的具体技术方案包括以下几个步骤:
步骤一:针对卫星电源主母线电流数据,对原始数据进行清洗、压缩、转换和归一化处理。
步骤二:借助差分进化算法优化核极限学习机参数,确定最优的核极限学习机的核参数以及惩罚系数。
步骤三:借助步骤二中得到的核极限学习机的参数,结合比例系数法建立核极限学习机预测模型。
步骤四:借助步骤三中得到的原始预测模型,结合集成方法和差分进化算法优化比例系数法建立卫星电源主母线电流预测模型。
本发明的有益效果是:
本发明所提的方法从数据挖掘的角度出发,针对卫星电源主母线电流数据本身进行特征提取与预测分析,提出了一种新颖的预测方法,有效地解决了卫星电源主母线电流数据噪声数据多、维度高、分析难度高的问题。本发明经过扩展后,还可以用于航天器其他遥测数据的预测,为在轨卫星异常检测与分析提供了一种新方法。
附图说明
图1是本发明方法的总体流程图。
具体实施方式
下面结合附图和相关算法,对本发明做进一步的说明。
本发明的总体流程如图1所示。
本发明针对卫星电源主母线电流数据设计了一种主母线电流区间预测方法,借助数据预处理方法去除数据中的噪声数据,提取归一化数据。借助差分进化算法优化核极限学习机参数,确定最优的核极限学习机的核参数以及惩罚系数,降低预测误差,提高预测模型精度。针对优化后的核极限学习机参数,结合比例系数法建立原始预测模型,针对原始预测模型,借助集成方法和差分进化算法优化比例系数法建立最终预测模型。具体实施步骤如下:
1.数据预处理
针对卫星电源遥测数据,首先将数据按照一分钟进行分段,将每分钟超出正常范围30倍且出现次数小于3次的数据作为噪声数据并将其去除;随后对数据进行统计分析,将去噪后的主母线电流数据进行压缩;再将单维的时间序列转换成矩阵的形式,获得适合核极限学习机的样本集;最后对样本集矩阵按列分别进行归一化处理。其过程可用算法1描述:
算法1:数据预处理
输入:数据集D,嵌入维度m
输出:新数据集ND
1:temp_D=临时数据集
2:count=主母线电流数据数目
3:minute_number=主母线电流数据按分钟分段数
4:将主母线电流数据temp_D按照分钟进行分段,分段结果存放在seg_D中
5:for(i=0;i<minute_number;i++)
6:统计seg_D[i]中超出正常范围30倍的数据出现次数
7:end for
8:将每分钟超出正常范围30倍且出现次数小于3次的数据去除
9:对数据进行统计分析,压缩主母线电流数据
10:for(j=0;j<count-m;j++)
11:将单维的时间序列转换成矩阵matrix的形式
12:end for
13:for(k=0;k<m;k++)
14:ND[k]=样本集矩阵按列进行归一化处理后的数据
15:end for
2.借助差分进化算法优化核极限学习机参数
针对经过数据预处理的数据集ND,本发明借助差分进化算法优化核极限学习机参数,确定最优的核极限学习机的核参数以及惩罚系数,降低预测误差,提高预测模型精度。
首先,初始化差分进化算法参数和个体基因序列;然后计算目标函数适应值,并选择出 最佳适应值和最差适应值。随后经过变异、交叉、选择操作,保留最优基因到下一代,检查是否满足终止条件,若满足则结束,否则返回继续计算新种群的目标函数适应值、最佳适应值、最差适应值,继续经过变异、交叉、选择操作,直到满足终止条件为止。其具体过程如算法2描述:
算法2:差分进化算法优化核极限学习机参数
输入:种群个数NP,搜索空间维数D,最大迭代次数tmax,最大缩放因子Fmax,最小缩放因子Fmin,最大交叉概率CRmax,最小交叉概率CRmin
输出:全局最优解σbest,G,Cbest,G
1:G=0,Fmax=1,Fmin=0,CRmax=1,CRmin=0.5
2:for(i=0:i<NP;i++)
3:
4:根据公式(4)初始化种群
5:end for
6:while(t<tmax||目标函数值收敛)
7:for(i=0;i<NP;i++)
8:计算目标函数适应值
9:end for
10:选择最佳适应值、最差适应值
11:for(i=0;i<NP;i++)
12:根据公式(7)更新缩放因子
13:然后选择公式(8)-(13)中的一个公式根据原始个体产生一个新的变异个体
14:判断变异个体是否满足边界条件,如果不满足边界条件,则通过公式(14)修改
15:end for
16:根据公式(15)更新交叉概率CR,
17:for(i=0;i<NP;i++)
18:
19:for(j=0;j<D;j++)
20:根据交叉概率和公式(16)从原始个体和变异个体中选择一个作为新的交叉个体
21:end for
22:end for
23:for(i=0;i<NP;i++)
24:采用贪心算法选择出最优的个体进入下一代
25:end for
26:t←t+1
27:end while
28:return σbest,G,Gbest,G
3.建立核极限学习机预测模型
利用步骤2中得到的核极限学习机参数,本发明结合比例系数法建立核极限学习机预测模型。首先,利用优化后的核极限学习机参数和经过预处理的数据建立预测模型,将得到的预测值使用比例系数法确定预测区间。其具体实现过程如算法3、4所描述:
算法3:建立核极限学习机模型
输入:优化后的核极限学习机参数σ和C,主母线电流数据ND,数据维数M,N
输出:主母线电流预测值Y
1:K(x,y)=exp(-||x-y||2/2σ2)
2:for(i=0;i<M;i++)
3:for(j=0;j<N;j++)
4:Ωi,j=h(xi)·h(xj)=K(xi,xj)
5:end for
6:end for
7:
8:
9:Y=f(x)
算法4:确定预测区间
输入:主母线电流预测值Y,预测值数目count,预测值变化范围R,比例参数α和β
输出:主母线电流预测区间[L,U],预测区间覆盖率PICP,预测区间平均宽度百分比PIMWP,平均带宽误差MWD
1:U=Y*(1+α)
2:L=Y*(1-β)
3:SPICP=0,SMWP=0,SMWD=0
4:for(i=1;i<count;i++)
5:if(Y[i]≥L[i]&&Y[i]≤U[i])
6:CP[i]=1
7:else
8:CP[i]=0
9:end if
10:
11:if(Y[i]<L[i])
12:
13:else if(Y[i]>U[i])
14:
15:end if
16:end for
17:for(i=1;i<count;i++)
18:SPISP=SPICP+CP[i]
19:SMWP=SMWP+MWP[i]
20:SMWD=SMWD+WD[i]
21:end for
22:
23:
24:
4.建立卫星电源主母线电流预测模型
本发明选取卫星电源主母线电流数据特征向量集,训练得到核极限学习机预测模型,并结合集成方法和差分进化算法优化比例系数法对原始模型进行优化得到最终预测模型,利用该模型对卫星电源主母线电流进行区间预测,判断是否出现数据异常。
其本质是将卫星电源主母线电流数据的特征向量按照5∶1∶1的比例分割为训练集、验证集和测试集,在训练集上训练k个核极限学***均数作为最终的比例系数,建立稳定的预测模型。其具体实现过程如算法5、6所描述:
算法5:差分进化算法优化比例系数
输入:种群个数NP,搜索空间维数D,最大迭代次数tmax,最大缩放因子Fmax,最小缩放因子Fmin,最大交叉概率CRmax,最小交叉概率CRmin
输出:全局最优解αbest,G,βbest,G
1:G=0,Fmax=1,Fmin=0,CRmax=1,CRmin=0.5
2:for(i=0;i<NP;i++)
3:
4:for(j=0;j<D;j++)
5:
6:end for
7:end for
8:while(t<tmax||目标函数值收敛)
9:for(i=0;i<NP;i++)
10:F(α[i],β[i])=1-[1-(1+2·MWD)·PIMWP·(1+e-50(PICP-90))]
11:end for
12:选择最佳适应值、最差适应值
13:for(i=0;i<NP;i++)
14:
15:选择公式(8)-(13)中的一个公式根据原始个体产生一个新的变异个体
16:判断变异个体是否满足边界条件,如果不满足边界条件,则通过公式(14)修改
17:end for
18:
19:for(i=0;i<NP;i++)
20:
21:for(j=0;j<D;j++)
22:根据交叉概率和公式(16)从原始个体和变异个体中选择一个作为新的交叉个体
23:end for
24:end for
25:for(i=0;i<NP;i++)
26:采用贪心算法选择出最优的个体进入下一代
27:end for
28:t←t+1
29:end while
30:return αbest,G,βbest,G
算法6:利用集成技术建立最终预测模型
输入:k个核极限学习机模型的比例系数法的优化比例系数,主母线电流测试集预测值TY,测试集数目count,预测值变化范围R
输出:预测区间[TL,TU],预测区间覆盖率PICP,预测区间平均宽度百分比PIMWP,平均带宽误差MWD
1:sum_α=0,sum_β=0
2:for(i=1;i<k;i++)
3:sum_α=sum_α+α[i]
4:sum_β=sum_β+β[i]
5:end for
6:
7:
8:TU=TY*(1+α)
9:TL=TY*(1-β)
10:SPICP=0,SMWP=0,SMWD=0
11:for(i=1;i<count;i++)
12:if(TY[i]≥TL[i]&&TY[i]≤TU[i])
13:CP[i]=1
14:else
15:CP[i]=0
16:end if
17:
18:if(TY[i]<TL[i])
19:
20:else if(TY[i]>TU[i])
21:
22:end if
23:end for
24:for(i=1;i<count;i++)
25:SPISP=SPICP+CP[i]
26:SMWP=SMWP+MWP[i]
27:SMWD=SMWD+WD[i]
28:end for
29:
30:
31: 。
Claims (6)
1.一种卫星电源主母线电流区间预测方法,其特征包括如下步骤:
(1)针对卫星电源主母线电流数据的特点,对原数据进行预处理;
(2)借助差分进化算法优化核极限学习机参数,确定最优的核极限学习机的核参数以及惩罚系数;
(3)借助经过差分进化算法优化的核极限学习机的参数,结合比例系数法建立核极限学习机的预测模型;
(4)借助集成技术和差分进化算法优化比例系数法建立卫星电源主母线电流预测模型。
2.根据权利要求1所述的一种卫星电源数据区间预测方法,其特征在于,步骤(1)针对卫星电源主母线电流数据的预处理,其实现方法包括:
(21)将每分钟超出正常范围30倍且出现次数小于三次的数据认定为噪声数据,将其删除;
(22)提取原始数据中的特征数据,并进行压缩;
(23)根据给定的嵌入维度,将单维的时间序列转换成矩阵的形式,获得适合核极限学习机的样本集矩阵;
(24)对样本集矩阵分别按列进行归一化处理。
3.根据权利要求2所述的方法,其特征在于,根据给定的嵌入维度,将原始数据的单维数据转换成矩阵形式,并对矩阵分别按列进行归一化处理,其实现步骤包括:
(31)确定嵌入维度
针对卫星电源主母线电流数据某时刻输入值xt和其输出值yt存在某种函数关系:
yt=f(xt)=f(yt-1,yt-2,…,yt-m) (1)
其中,m是嵌入维度,其值决定时间窗口大小即输入向量的维度。
借助自定义的参数设置方法选择一个合适的嵌入维度,分别进行10组不同的实验,设置嵌入维度分别为1~10,核函数参数为10,惩罚系数为10,以均方根误差为评价指标,得到可靠性和准确性最高的嵌入维度。
均方根误差计算公式为:
(32)数据转换
根据已确定的嵌入维度,将经过去噪和压缩的数据xt转换为如下矩阵的数据格式:
T={(X1,Y1),…,(Xi,Yi),…,(Xn-m+1,Yn-m+1)}∈(X×Y)n-m+1 (3)
(33)归一化处理
针对卫星电源主母线电流数据复杂性,对数据转换得到的样本集矩阵T进行归一化处理。通过公式(2),将样本集矩阵归一化到[0,1]范围内,
其中,xupper和xlower分别代表归一化上界和下界,xmax和xmin分别代表主母线电流的最大值和最小值。
4.根据权利要求1所述方法,其特征在于,借助差分进化算法优化核极限学习机参数,确定最优的核极限学习机的核参数以及惩罚系数,其实现步骤包括:
(41)初始化
初始化差分进化算法参数和个体基因序列:
其中,和为参数变量的边界,rand(0,1)产生0到1之间的均匀随机数。
(42)计算目标函数适应值,并选择出最佳适应值和最差适应值。
采用k折交叉检验法来评估每个个体的目标函数适应值。首先将训练数据分成大致相等且互不重叠的k个子集。随机选择其中k-1个子集作为训练集,剩下的一个子集作为测试集,采用均方根误差作为衡量模型预测效果的指标,循环该过程k次,直到每个子集都轮流作为过测试集一次且仅一次。每个子代的适应值取这k次均方根误差的平均值:
选择最小目标函数适应值作为最佳适应值,最大目标函数适应值作为最差适应值。
(43)变异
首先,使用自适应的方法来调节缩放因子F,其值随目标函数值改变而变化的趋势为:
其中,fitness(Xi,G)表示第G代个体i的目标函数值,fitness(Xbest,G)表示第G代最优目标函数值,fitness(Xworse,G)表示第G代最差目标函数值。Fmax和Fmin分别代表F的最大值和最小值,由于F通常限定在[0,1]之间,所以Fmax=1,Fmin=0.1。
从以下几种常用的变异策略中选择一种产生一个新的变异个体。
a)DE/rand/1
b)DE/best/1
c)DE/current to best/1
d)DE/current to rand/1
e)DE/rand/2
f)DE/best/2
其中,F表示缩放因子,Xi,G表示第G代个体i当前的基因序列,Xbest,G表示第G代种群当前最优个体的基因序列,是在[1,NP]之间不等于i且互斥的随机整数, 表示第G代种群个体i的第个基因片段。
最后,判断新生成的变异个体是否满足边界条件,如果不满足边界条件,则通过公式(14)修改其值,使其合法有效。
Vi,G=Xmin+rand(0,1)·(Xmax-Xmin) (14)
(44)交叉
首先,使用一种基于对数函数的方法调节交叉因子,计算公式为:
其中,G是当前的迭代次数;max_iterations表示最大的迭代次数;a,b是调节参数,参数a确保CR大于0,参数b用于放大当前迭代次数和最大迭代次数的比值;CRmax和CRmin分别代表CR的最大值和最小值,通常取值CRmax=1,CRmin=0.5。
然后,根据交叉概率,从原始个体和变异个体中选择一个作为新的交叉个体:
其中,CR表示交叉概率,用于控制基因复制变异基因的概率;randj[0,1)表示第j个基因片段随机差生的交叉概率,数值在[0,1)之间;jrand代表取值为[1,2,…,D]的随机整数。
(45)选择
采用贪心算法选择出最优的个体进入下一代,如果交叉个体Ui,G的目标函数适应值小于或等于相应的原种群个体Xi,G的目标函数适应值,则交叉个体Ui,G将取代原种群个体Xi,G,进入下一代;否则,原种群个体Xi,G将继续保留到下一代中。相应的选择公式为:
(46)检查是否满足终止条件
检查是否满足终止条件,若满足则结束,否则返回步骤(42)。此迭代过程的结束条件是达到最大迭代次数或者得到收敛的目标函数值,即满足如下条件:
|fitness(Xi,G+1)-fitness(Xi,G)|≤1.0e-5 (18)。
5.根据权利要求1所述方法,其特征在于借助经过差分进化算法优化的核极限学习机参数,结合比例系数法建立原始的预测模型。其实现方法包括:
(51)本发明定义由核极限学习机算法建立预测模型,其实现过程为:
根据差分进化算法优化得到的参数,设置核函数参数σ和惩罚系数C。
应用Mercer条件为核极限学习机算法定义一个核矩阵Ω并计算其值:
其中,核矩阵Ω替代ELM算法中的随机矩阵HHT,h(x)为从样本空间映射到隐藏层空间的函数,核函数K(x,y)将所有的输入样本从n维输入空间映射到高维隐藏层空间,通过差分进化算法确定核参数之后,核矩阵Ω的映射值为定值。
应用矩阵运算,计算核极限学习机的输出权值:
其中,I是单位矩阵;C是惩罚系数,用于权衡结构风险和经验风险之间的比例,解决矩阵HHT不可逆的问题,对角矩阵HHT可以通过核函数映射产生。
根据已经计算出的核矩阵和输出权值,计算样本输出值:
则输出权值为
(52)比例系数法
比例系数法是将预测模型得到的预测值分别放大α倍或缩小β倍作为预测区间的上界和下界。
其中,yi是第i个输入量对应的预测值,Ui和Li分别是第i个输入量对应的预测上界和下界,α和β是未知的比例系数。
为了获得最优的预测区间,将卫星电源主母线电流数据分割为训练集、验证集和测试集,通过优化的核极限学习算法在训练集上建立预测模型,结合比例系数法构建验证集的预测区间,应用评估指标对这一预测区间进行综合评估,在验证的过程中不断调整参数α和β的值,直到获得最好的评估结果为止,此时α和β的值即为最优值,这一过程可以转换为求解如下最优问题:
PICP是预测区间覆盖率,用于评价预测区间的准确度和可靠性:
其中,N表示预测样本数,CPi是布尔值,表示第i个样本是否落入预测区间内。
其中,ti是样本真实值,Li和Ui是预测区间的上下限。
PIMWP是预测区间平均宽度百分比,反映预测区间的清晰度:
其中,N表示预测样本数,R是预测目标值的变化范围,ti是样本真实值,Li和Ui是预测区间的上下界。
MWD是预测区间平均带宽误差,用于衡量预测区间的误差和精确度:
其中,N表示预测样本数,ti是样本真实值,Li和Ui是预测区间的上下界,WDi是样本的带宽误差。
这一优化问题可以采用步骤(61)差分进化算法来求解,目标函数最小值对应的α和β的值即为最优值,再根据公式(23)确定预测区间。
6.根据权利要求1所述方法,其特征在于采用集成技术和差分进化算法优化比例系数法建立最终的预测模型。其实现方法包括:
(61)采用差分进化算法优化比例系数法的参数
借助差分进化算法优化比例系数法的参数,确定最优的比例系数,其实现步骤如下:
a)初始化
初始化差分进化算法参数并根据公式(5)初始化种群个体基因序列。
b)计算目标适应值
根据公式(24)计算目标函数适应值,选择最小目标函数适应值作为最佳适应值,最大目标函数适应值作为最差适应值。
c)变异
首先根据公式(7)更新缩放因子,然后选择公式(8)-(13)中的一个公式根据原始个体产生一个新的变异个体,再判断这个变异个体是否满足边界条件,如果不满足边界条件,则通过公式(14)修改其值,使其合法有效。
d)交叉
首先根据公式(15)更新交叉概率CR,然后根据交叉概率通过公式(16)从原始个体和变异个体中选择一个作为新的交叉个体。
e)选择
采用贪心算法选择出最优的个体进入下一代,如果交叉个体Ui,G的目标函数适应值小于或等于相应的原种群个体Xi,G,则交叉个体Ui,G将取代原种群个体Xi,G,进入下一代;否则,原种群个体Xi,G将留在下一代中。
f)检查是否满足终止条件
检查是否满足终止条件,若满足则结束,否则返回b)。本迭代过程的结束条件是达到最大迭代次数或者得到收敛的目标函数值。
(62)借助集成技术建立最终预测模型
为增加预测模型的稳定性并且提高预测精度,将实验数据分割为训练集、验证集和测试集,通过集成技术使用训练集分别训练k个核极限学***均值作为预测模型的最终比例系数,建立最终预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610223421.XA CN105929216B (zh) | 2016-04-08 | 2016-04-08 | 一种卫星电源主母线电流区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610223421.XA CN105929216B (zh) | 2016-04-08 | 2016-04-08 | 一种卫星电源主母线电流区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105929216A true CN105929216A (zh) | 2016-09-07 |
CN105929216B CN105929216B (zh) | 2019-04-19 |
Family
ID=56838041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610223421.XA Active CN105929216B (zh) | 2016-04-08 | 2016-04-08 | 一种卫星电源主母线电流区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105929216B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934453A (zh) * | 2017-02-08 | 2017-07-07 | 北京科技大学 | 一种立方系材料母相与子相间位向关系的确定方法 |
CN106951995A (zh) * | 2017-03-22 | 2017-07-14 | 华东交通大学 | 一种超高压输电电场极限学习机预测多目标优化屏蔽方法 |
CN107067029A (zh) * | 2017-03-20 | 2017-08-18 | 新智认知数据服务有限公司 | 一种基于多通道特征的elm和de相结合的图像分类方法 |
CN107590538A (zh) * | 2017-08-28 | 2018-01-16 | 南京航空航天大学 | 一种基于在线序列学习机的危险源识别方法 |
CN109034191A (zh) * | 2018-06-19 | 2018-12-18 | 哈尔滨工业大学 | 基于elm的单维遥测数据异常判读方法 |
CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测***及方法 |
CN111476437A (zh) * | 2020-05-12 | 2020-07-31 | 山东科华电力技术有限公司 | 一种光伏发电功率超短期区间预测的方法及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6567645B1 (en) * | 2000-08-28 | 2003-05-20 | Globalstar L.P. | Multiple satellite repeater management system using frame error rate for diversity selection |
CN103105775A (zh) * | 2012-12-17 | 2013-05-15 | 清华大学 | 基于序优化与在线核极限学习机的分层迭代优化调度方法 |
CN103995237A (zh) * | 2014-05-09 | 2014-08-20 | 南京航空航天大学 | 一种卫星电源***在线故障诊断方法 |
CN104034794A (zh) * | 2014-06-12 | 2014-09-10 | 东北大学 | 一种基于极限学习机的管道漏磁缺陷检测方法 |
CN105046374A (zh) * | 2015-08-25 | 2015-11-11 | 华北电力大学 | 一种基于核极限学习机模型的功率区间预测方法 |
CN105447507A (zh) * | 2015-11-09 | 2016-03-30 | 南京信息工程大学 | 一种基于云平台和核极限学习机的电器状态检测方法 |
-
2016
- 2016-04-08 CN CN201610223421.XA patent/CN105929216B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6567645B1 (en) * | 2000-08-28 | 2003-05-20 | Globalstar L.P. | Multiple satellite repeater management system using frame error rate for diversity selection |
CN103105775A (zh) * | 2012-12-17 | 2013-05-15 | 清华大学 | 基于序优化与在线核极限学习机的分层迭代优化调度方法 |
CN103995237A (zh) * | 2014-05-09 | 2014-08-20 | 南京航空航天大学 | 一种卫星电源***在线故障诊断方法 |
CN104034794A (zh) * | 2014-06-12 | 2014-09-10 | 东北大学 | 一种基于极限学习机的管道漏磁缺陷检测方法 |
CN105046374A (zh) * | 2015-08-25 | 2015-11-11 | 华北电力大学 | 一种基于核极限学习机模型的功率区间预测方法 |
CN105447507A (zh) * | 2015-11-09 | 2016-03-30 | 南京信息工程大学 | 一种基于云平台和核极限学习机的电器状态检测方法 |
Non-Patent Citations (1)
Title |
---|
X. DONG ET AL.: "Novel method for hurricane trajectory prediction based on data mining", 《 NATURAL HAZARDS AND EARTH SYSTEM SCIENCE》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934453A (zh) * | 2017-02-08 | 2017-07-07 | 北京科技大学 | 一种立方系材料母相与子相间位向关系的确定方法 |
CN106934453B (zh) * | 2017-02-08 | 2020-06-02 | 北京科技大学 | 一种立方系材料母相与子相间位向关系的确定方法 |
CN107067029A (zh) * | 2017-03-20 | 2017-08-18 | 新智认知数据服务有限公司 | 一种基于多通道特征的elm和de相结合的图像分类方法 |
CN106951995A (zh) * | 2017-03-22 | 2017-07-14 | 华东交通大学 | 一种超高压输电电场极限学习机预测多目标优化屏蔽方法 |
CN107590538A (zh) * | 2017-08-28 | 2018-01-16 | 南京航空航天大学 | 一种基于在线序列学习机的危险源识别方法 |
CN107590538B (zh) * | 2017-08-28 | 2021-04-27 | 南京航空航天大学 | 一种基于在线序列学习机的危险源识别方法 |
CN109034191A (zh) * | 2018-06-19 | 2018-12-18 | 哈尔滨工业大学 | 基于elm的单维遥测数据异常判读方法 |
CN109034191B (zh) * | 2018-06-19 | 2021-06-01 | 哈尔滨工业大学 | 基于elm的单维遥测数据异常判读方法 |
CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测***及方法 |
CN111476437A (zh) * | 2020-05-12 | 2020-07-31 | 山东科华电力技术有限公司 | 一种光伏发电功率超短期区间预测的方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105929216B (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105929216A (zh) | 一种卫星电源主母线电流区间预测方法 | |
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN110048420B (zh) | 一种配电网随机优化调度的方法、装置和介质 | |
US10289765B2 (en) | Fast model generating and solving method for security-constrained power system operation simulation | |
CN104573906B (zh) | 用于分析电力传输***中的振荡稳定性的***和方法 | |
CN116256602B (zh) | 一种低压配电网状态异常的识别方法和*** | |
CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
CN111754026A (zh) | 光伏电站群功率预测方法、装置、计算机设备及存储介质 | |
CN108090629A (zh) | 基于非线性自回归神经网络的负荷预测方法与*** | |
CN113504483B (zh) | 考虑不确定性的锂离子电池剩余寿命集成预测方法 | |
CN111695736A (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及*** | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN116961052A (zh) | 一种分布式储能***的选址定容方法及*** | |
CN111179576A (zh) | 一种具有归纳学习的用电信息采集故障诊断方法及*** | |
CN113743452A (zh) | 电能质量评估方法及装置 | |
CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和*** | |
CN116502894A (zh) | 光伏台区停电风险评估方法、装置、电子设备及存储介质 | |
CN115511016A (zh) | 一种基于增量主动学习的电费异常检测方法及其装置 | |
Hu et al. | Bayesian averaging-enabled transfer learning method for probabilistic wind power forecasting of newly built wind farms | |
Guevara et al. | Identification of weak buses for proper placement of reactive compensation through sensitivity analysis using a neural network surrogate model | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN108334990B (zh) | 一种大电网无功补偿选址及容量优化方法及*** | |
CN105488521A (zh) | 一种基于核函数的扩容样本筛选方法 | |
CN112232598A (zh) | 一种递进式光伏发电***输出功率组合预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |