一種衛(wèi)星電源主母線電流區(qū)間預測方法
【專利摘要】本發(fā)明公開了一種衛(wèi)星電源主母線電流區(qū)間預測方法，該方法基于優(yōu)化的核極限學習機訓練的預測模型，利用比例系數(shù)法確定預測區(qū)間，其中比例系數(shù)法的參數(shù)由差分進化算法進行優(yōu)化，具體過程包括：衛(wèi)星電源主母線電流數(shù)據(jù)預處理，去除噪聲數(shù)據(jù)并獲取歸一化數(shù)據(jù)；采用差分進化算法優(yōu)化核極限學習機參數(shù)；使用優(yōu)化的核極限學習機建立初始預測模型；給定評估預測區(qū)間質(zhì)量的綜合指標，采用比例系數(shù)法確定預測區(qū)間，評估預測區(qū)間滿意度；最后，利用差分進化算法優(yōu)化區(qū)間預測比例系數(shù)，獲得最優(yōu)的衛(wèi)星電源主母線電流預測區(qū)間。本發(fā)明的優(yōu)點是：針對復雜的衛(wèi)星電源主母線電流數(shù)據(jù)，給出了一種衛(wèi)星電源主母線電流區(qū)間預測方法，該方法預測精度更高，效果更好。
【專利說明】
一種衛(wèi)星電源主母線電流區(qū)間預測方法
技術(shù)領域
[0001] 本發(fā)明涉及一種衛(wèi)星電源主母線電流區(qū)間預測方法，該方法基于優(yōu)化的核極限學 習機訓練的預測模型，利用差分進化算法優(yōu)化的比例系數(shù)法確定預測區(qū)間，本發(fā)明屬于航 天科學與計算機科學的交叉領域。
【背景技術(shù)】
[0002] 衛(wèi)星是一種結(jié)合遙感、通信等技術(shù)研制出來的大型多功能復雜系統(tǒng)，它是人類探 索宇宙世界的主要途徑。衛(wèi)星電源系統(tǒng)是系統(tǒng)的功能子系統(tǒng)，它為衛(wèi)星所有設備正常工作 提供能量，主要完成產(chǎn)生電能、儲存能量、變換和調(diào)節(jié)能量、傳輸分配電能等任務。它的工作 原理是通過物理或化學變化，將太陽能、核能等轉(zhuǎn)化成電能，并完成對電能的存儲、變換和 調(diào)節(jié)，然后將電能傳輸分配給衛(wèi)星其他系統(tǒng)。
[0003] 目前常用的衛(wèi)星電源系統(tǒng)結(jié)構(gòu)為太陽能/蓄電池供電系統(tǒng)：它由供能設備和控制 設備組成，其中太陽電池陣、蓄電池組是供能設備；電池充電控制器、電池放電控制器、分流 調(diào)節(jié)器、升壓調(diào)節(jié)器等是控制設備。太陽電池陣是衛(wèi)星電源系統(tǒng)的發(fā)電裝置，當衛(wèi)星處于光 照期時，太陽電池陣經(jīng)過光伏效應把太陽能轉(zhuǎn)換成電能，經(jīng)過分流調(diào)節(jié)器進行分流，經(jīng)過升 壓調(diào)節(jié)進行穩(wěn)壓調(diào)節(jié)，通過電池充電控制器對蓄電池進行充電，并向衛(wèi)星各負載設備供電。 蓄電池是衛(wèi)星電源系統(tǒng)的供電和儲能設備，當衛(wèi)星處于陰影期時，蓄電池經(jīng)過電池放電調(diào) 節(jié)器向衛(wèi)星各負載設備供電。
[0004]控制設備是電源系統(tǒng)的核心部件，其中主母線的優(yōu)劣直接影響衛(wèi)星電源系統(tǒng)的供 電品質(zhì)。主母線的功能是在光照期用于調(diào)節(jié)太陽電池陣輸出功率，在陰影期用于控制和保 護蓄電池放電過程，為衛(wèi)星電源系統(tǒng)和其他設備提供與地面連接的接口，接受并執(zhí)行遙控 指令及地面有限指令，采樣并預處理遙測信號等。
[0005] 雖然衛(wèi)星在軌異常發(fā)生概率很小，但是一旦發(fā)生，極有可能中斷衛(wèi)星工作任務甚 至導致衛(wèi)星隕落，造成的損失是致命的。例如通信衛(wèi)星發(fā)生故障，將導致信號中斷，通信設 備無法繼續(xù)使用;又如氣象衛(wèi)星出現(xiàn)工作異常，將導致氣象工作人員不能及時、有效的獲得 氣象信息；導航衛(wèi)星發(fā)生故障將會導致地面接收端無法獲得地理位置信號，進而無法對地 理位置做出準確的判斷。由此可見，衛(wèi)星故障及異常狀況給國家和普通民眾帶來的影響和 損失是不可估量的。調(diào)查發(fā)現(xiàn)，在種種衛(wèi)星故障和異常中，電源系統(tǒng)故障是主要因素，電源 系統(tǒng)故障對于整個衛(wèi)星的工作有嚴重的影響，因此，有必要對衛(wèi)星電源系統(tǒng)的關(guān)鍵參數(shù)如 主母線電流進行準確預測，及時發(fā)現(xiàn)和避免衛(wèi)星故障。
[0006] 通常情況下，及時發(fā)現(xiàn)和避免衛(wèi)星電源系統(tǒng)故障的有效做法是對主母線電流的未 來趨勢進行預測，通過主母線電流的預測值和其正常范圍的對比來判斷衛(wèi)星電源主母線是 否可能出現(xiàn)異常，本發(fā)明的目的是通過對衛(wèi)星電源主母線電流數(shù)據(jù)進行區(qū)間預測模型的訓 練，利用該區(qū)間預測模型獲得衛(wèi)星電源主母線電流的預測值及預測區(qū)間，從而實現(xiàn)對衛(wèi)星 電源主母線電流未來趨勢的預測，以此來及時發(fā)現(xiàn)和避免衛(wèi)星電源主母線的異常和故障。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的是基于衛(wèi)星電源系統(tǒng)的主母線電流數(shù)據(jù)，發(fā)明一個對衛(wèi)星電源主母 線電流區(qū)間預測的方法，基于該方法，可以預測衛(wèi)星電源主母線電流的預測值以及預測區(qū) 間，從而解決衛(wèi)星電源主母線電流數(shù)據(jù)異常監(jiān)測等問題，實現(xiàn)對衛(wèi)星電源系統(tǒng)主母線可疑 異常的及時發(fā)現(xiàn)和避免，為衛(wèi)星在軌運行的輔助控制管理打下堅實基礎。
[0008] 本發(fā)明的具體技術(shù)方案包括以下幾個步驟：
[0009] 步驟一:針對衛(wèi)星電源主母線電流數(shù)據(jù)，對原始數(shù)據(jù)進行清洗、壓縮、轉(zhuǎn)換和歸一 化處理。
[0010] 步驟二:借助差分進化算法優(yōu)化核極限學習機參數(shù)，確定最優(yōu)的核極限學習機的 核參數(shù)以及懲罰系數(shù)。
[0011] 步驟三:借助步驟二中得到的核極限學習機的參數(shù)，結(jié)合比例系數(shù)法建立核極限 學習機預測模型。
[0012] 步驟四：借助步驟三中得到的原始預測模型，結(jié)合集成方法和差分進化算法優(yōu)化 比例系數(shù)法建立衛(wèi)星電源主母線電流預測模型。
[0013] 本發(fā)明的有益效果是：
[0014] 本發(fā)明所提的方法從數(shù)據(jù)挖掘的角度出發(fā)，針對衛(wèi)星電源主母線電流數(shù)據(jù)本身進 行特征提取與預測分析，提出了一種新穎的預測方法，有效地解決了衛(wèi)星電源主母線電流 數(shù)據(jù)噪聲數(shù)據(jù)多、維度高、分析難度高的問題。本發(fā)明經(jīng)過擴展后，還可以用于航天器其他 遙測數(shù)據(jù)的預測，為在軌衛(wèi)星異常檢測與分析提供了一種新方法。
【附圖說明】
[0015] 圖1是本發(fā)明方法的總體流程圖。
【具體實施方式】
[0016] 下面結(jié)合附圖和相關(guān)算法，對本發(fā)明做進一步的說明。
[0017] 本發(fā)明的總體流程如圖1所示。
[0018] 本發(fā)明針對衛(wèi)星電源主母線電流數(shù)據(jù)設計了一種主母線電流區(qū)間預測方法，借助 數(shù)據(jù)預處理方法去除數(shù)據(jù)中的噪聲數(shù)據(jù)，提取歸一化數(shù)據(jù)。借助差分進化算法優(yōu)化核極限 學習機參數(shù)，確定最優(yōu)的核極限學習機的核參數(shù)以及懲罰系數(shù)，降低預測誤差，提高預測模 型精度。針對優(yōu)化后的核極限學習機參數(shù)，結(jié)合比例系數(shù)法建立原始預測模型，針對原始預 測模型，借助集成方法和差分進化算法優(yōu)化比例系數(shù)法建立最終預測模型。具體實施步驟 如下：
[0019] 1.數(shù)據(jù)預處理
[0020] 針對衛(wèi)星電源遙測數(shù)據(jù)，首先將數(shù)據(jù)按照一分鐘進行分段，將每分鐘超出正常范 圍30倍且出現(xiàn)次數(shù)小于3次的數(shù)據(jù)作為噪聲數(shù)據(jù)并將其去除；隨后對數(shù)據(jù)進行統(tǒng)計分析，將 去噪后的主母線電流數(shù)據(jù)進行壓縮;再將單維的時間序列轉(zhuǎn)換成矩陣的形式，獲得適合核 極限學習機的樣本集;最后對樣本集矩陣按列分別進行歸一化處理。其過程可用算法1描 述：
[0021] 算法1:數(shù)據(jù)預處理
[0022] 輸入:數(shù)據(jù)集D，嵌入維度m
[0023]輸出：新數(shù)據(jù)集ND
[0024] 1 :temp_D =臨時數(shù)據(jù)集
[0025] 2: count =主母線電流數(shù)據(jù)數(shù)目
[0026] 3:minute_number =主母線電流數(shù)據(jù)按分鐘分段數(shù)
[0027] 4:將主母線電流數(shù)據(jù)temp_D按照分鐘進行分段，分段結(jié)果存放在Seg_D*
[0028] 5：for(i = 0； i<minute_number ； i++)
[0029] 6:統(tǒng)計seg_D[ i ]中超出正常范圍30倍的數(shù)據(jù)出現(xiàn)次數(shù)
[0030] 7:end for
[0031] 8:將每分鐘超出正常范圍30倍且出現(xiàn)次數(shù)小于3次的數(shù)據(jù)去除
[0032] 9:對數(shù)據(jù)進行統(tǒng)計分析，壓縮主母線電流數(shù)據(jù)
[0033] 10 ：for( j = 0 ； j<count-m； j++)
[0034] 11:將單維的時間序列轉(zhuǎn)換成矩陣matrix的形式
[0035] 12:end for
[0036] 13 ：for(k = 0 ；k<m；k++)
[0037] 14:ND[k]=樣本集矩陣按列進行歸一化處理后的數(shù)據(jù)
[0038] 15:end for
[0039] 2.借助差分進化算法優(yōu)化核極限學習機參數(shù)
[0040] 針對經(jīng)過數(shù)據(jù)預處理的數(shù)據(jù)集ND，本發(fā)明借助差分進化算法優(yōu)化核極限學習機參 數(shù)，確定最優(yōu)的核極限學習機的核參數(shù)以及懲罰系數(shù)，降低預測誤差，提高預測模型精度。
[0041] 首先，初始化差分進化算法參數(shù)和個體基因序列;然后計算目標函數(shù)適應值，并選 擇出最佳適應值和最差適應值。隨后經(jīng)過變異、交叉、選擇操作，保留最優(yōu)基因到下一代， 檢查是否滿足終止條件，若滿足則結(jié)束，否則返回繼續(xù)計算新種群的目標函數(shù)適應值、最佳 適應值、最差適應值，繼續(xù)經(jīng)過變異、交叉、選擇操作，直到滿足終止條件為止。其具體過程 如算法2描述：
[0042]算法2:差分進化算法優(yōu)化核極限學習機參數(shù)
[0043]輸入:種群個數(shù)NP，搜索空間維數(shù)D，最大迭代次數(shù)tmax，最大縮放因子Fmax，最小縮 放因子Fmin，最大交叉概率CRmax，最小交叉概率CRmin
[0044] 輸出：全局最優(yōu)解〇best,G，Cbest,G
[0045] l：G = 0,Fmax=l,Fmin = 0,CRmax=l,CRmin = 0.5
[0046] 2：for(i = 0：i<NP；i++)
[0047] 3: crmin …d
[0048] Cmm = {c\，c2 ,…，},Cmax = {c】，c2，…，cD }
[0049] 4:根據(jù)公式(4)初始化種群
[0050] 5： end for
[0051] 6:while(t<tmax| | 目標函數(shù)值收斂）
[0052] 7：for(i = 0； i<NP； i++)
[0053] 8:計算目標函數(shù)適應值
[0054] 9： end for
[0055] 10:選擇最佳適應值、最差適應值
[0056] ll：for(i = 0；i<NP； i++)
[0057] 12:根據(jù)公式(7)更新縮放因子
[0058] 13:然后選擇公式(8)_(13)中的一個公式根據(jù)原始個體產(chǎn)生一個新的變異個體
[0059] 14:判斷變異個體是否滿足邊界條件，如果不滿足邊界條件，則通過公式(14)修改
[0060] 15:end for
[0061 ] 16:根據(jù)公式(15)更新交叉概率CR，
[0062] 17：for(i = 0；i<NP；i++)
[0063] 18:九-二卜酬機】)* D」
[0064] 19：for( j = 0； j<D； j++)
[0065] 20:根據(jù)交叉概率和公式（16)從原始個體和變異個體中選擇一個作為新的交叉?zhèn)€ 體
[0066] 21:end for
[0067] 22：end for
[0068] 23：for(i = 0；i<NP；i++)
[0069] 24:采用貪心算法選擇出最優(yōu)的個體進入下一代
[0070] 25：end for
[0071] 26:t-1+1
[0072] 27:end while
[0073] 28:return 〇best,G，Gbest,G
[0074] 3.建立核極限學習機預測模型
[0075]利用步驟2中得到的核極限學習機參數(shù)，本發(fā)明結(jié)合比例系數(shù)法建立核極限學習 機預測模型。首先，利用優(yōu)化后的核極限學習機參數(shù)和經(jīng)過預處理的數(shù)據(jù)建立預測模型，將 得到的預測值使用比例系數(shù)法確定預測區(qū)間。其具體實現(xiàn)過程如算法3、4所描述：
[0076]算法3:建立核極限學習機模型
[0077]輸入:優(yōu)化后的核極限學習機參數(shù)〇和(：，主母線電流數(shù)據(jù)ND，數(shù)據(jù)維數(shù)M，N [0078]輸出：主母線電流預測值Y
[0079] 1 :K(x，y) =exp(_ | | x_y | 12/2〇2)
[0080] 2：for(i = 0； i<M； i++)
[0081] 3：for( j = 0； j<N； j++)
[0082] 4: Q i，j = h(xi) ? h(Xj)=K(Xi，Xj)
[0083] 5：end for
[0084] 6：end for
[0085] 7： ^ = /fr(Q￡LM+//〇-1r AT
[0086] 8： /(x) = h(x)p = h(x)HT(HHT + //C)~lT = ??? +1/CylT K{x,xn)
[0087] 9：Y = f(x)
[0088]算法4:確定預測區(qū)間
[0089] 輸入:主母線電流預測值Y，預測值數(shù)目count，預測值變化范圍R，比例參數(shù)a和0
[0090] 輸出：主母線電流預測區(qū)間[L，U]，預測區(qū)間覆蓋率PICP，預測區(qū)間平均寬度百分 比PIMWP，平均帶寬誤差MWD
[0091] l:u = Y*(l+a)
[0092] 2:L = Y*(l-0)
[0093] 3：SPICP = 0,SMWP = 0,SMWD = 0
[0094] 4：for(i = l ； i<count； i++)
[0095] 5：if(Y[i]^L[i]&&Y[i]^U[i])
[0096] 6：CP[i] = l
[0097] 7：else
[0098] 8：CP[i]=0
[0099] 9：end if
[0105] 15:end if
[0106] 16:end for
[0107] 17：for(i = l； i<count； i++)
[0108] 18：SPISP = SPICP+CP[i]
[0109] 19：SMWP = SMffP+MWP[i]
[0110] 20：SMWD = SMffD+WD[i]
[0111] 21：end for
[0115] 4.建立衛(wèi)星電源主母線電流預測模型
[0116]本發(fā)明選取衛(wèi)星電源主母線電流數(shù)據(jù)特征向量集，訓練得到核極限學習機預測模 型，并結(jié)合集成方法和差分進化算法優(yōu)化比例系數(shù)法對原始模型進行優(yōu)化得到最終預測模 型，利用該模型對衛(wèi)星電源主母線電流進行區(qū)間預測，判斷是否出現(xiàn)數(shù)據(jù)異常。
[0117]其本質(zhì)是將衛(wèi)星電源主母線電流數(shù)據(jù)的特征向量按照5: 1:1的比例分割為訓練 集、驗證集和測試集，在訓練集上訓練k個核極限學習機模型，在驗證集上使用比例系數(shù)法 進行事后預測與評估，根據(jù)評估結(jié)果使用差分進化算法優(yōu)化比例系數(shù)，得到最優(yōu)的比例系 數(shù)，同時應用集成技術(shù)集成k個核極限學習機的優(yōu)化結(jié)果，將k組比例系數(shù)的平均數(shù)作為最 終的比例系數(shù)，建立穩(wěn)定的預測模型。其具體實現(xiàn)過程如算法5、6所描述：
[0118]算法5:差分進化算法優(yōu)化比例系數(shù)
[0119]輸入:種群個數(shù)NP，搜索空間維數(shù)D，最大迭代次數(shù)tmax，最大縮放因子Fmax，最小縮 放因子Fmin，最大交叉概率CRmax，最小交叉概率CRmin
[0120] 輸出：全局最優(yōu)解abest,G，0best,G
[0121] l：G = 0,Fmax=l,Fmin = 0,CRmax=l,CRmin = 0.5
[0122] 2：for(i = 0；i<NP；i++)
[0123] 3: amm ={?…，d〇rmax ={?...尤}，
[0124] 1={心心...,〇 1={心心???,<}
[0125] 4：for(j = 0；j<D；j++)
[0126] 5： < = aJmm + ra?J(0,l).(<axj = \2,…,D
[0127] 6： end for
[0128] 7:end for
[0129] 8:while(t<tmax| 舊標函數(shù)值收斂）
[0130] 9：for(i = 0；i<NP； i++)
[0131] 10:F(a[i]，機i]) = l-[l-(l+2 ? MWD) ? PBWP ? (1+e-50(PICP-90))]
[0132] 11：end for
[0133] 12:選擇最佳適應值、最差適應值
[0134] 13：for(i = 0；i<NP；i++)
[0136] 15:選擇公式(8)_(13)中的一個公式根據(jù)原始個體產(chǎn)生一個新的變異個體
[0137] 16:判斷變異個體是否滿足邊界條件，如果不滿足邊界條件，則通過公式(14)修改
[0138] 17：end for
[0140] 19：for(i = 0；i<NP；i++)
[0141] 20:九w二卜邱0,】)*乃」
[0142] 21：for(j = 0； j<D； j++)
[0143] 22:根據(jù)交叉概率和公式（16)從原始個體和變異個體中選擇一個作為新的交叉?zhèn)€ 體
[0144] 23：end for
[0145] 24：end for
[0146] 25：for(i = 0；i<NP；i++)
[0147] 26:采用貪心算法選擇出最優(yōu)的個體進入下一代
[0148] 27：end for
[0149] 28:t-1+1
[0150] 29：end while
[0151] 30:return abest,G，0best,G
[0152] 算法6:利用集成技術(shù)建立最終預測模型
[0153]輸入:k個核極限學習機模型的比例系數(shù)法的優(yōu)化比例系數(shù)，主母線電流測試集預 測值TY，測試集數(shù)目count，預測值變化范圍R
[0154] 輸出：預測區(qū)間[TL，TU]，預測區(qū)間覆蓋率PICP，預測區(qū)間平均寬度百分比PMWP， 平均帶寬誤差MWD
[0155] 1 :sum_a = 0，sumJ3 = 0
[0156] 2：for(i = l；i<k； i++)
[0157] 3:sum_a=sum_a+a[i]
[0158] 4:sum_0 = sum_0+0[i]
[0159] 5： end for
[0162] 8:TU = TY*(l+a)
[0163] 9:TL = TY*(l-0)
[0164] i〇:sPICP = 0，SMWP = 0，SMWD = 0
[0165] ll：for(i = l； i<count； i++)
[0166] 12:if(TY[i]彡TL[i]&&TY[i]彡TU[i])
[0167] 13：CP[i] = l
[0168] 14：else
[0169] 15：CP[i]=0
[0170] 16:end if
[0174] 20：else if(TY[i]>TU[i])
[0176] 22：end if
[0177] 23：end for
[0178] 24：for(i = l ； i<count ； i++)
[0179] 25：SPISP = SPICP+CP[i]
[0180] 26：SMWP = SMWP+MffP[i]
[0181] 27：SMWD = SMWD+ffD[i]
[0182] 28：end for
【主權(quán)項】
1. 一種衛(wèi)星電源主母線電流區(qū)間預測方法，其特征包括如下步驟： (1) 針對衛(wèi)星電源主母線電流數(shù)據(jù)的特點，對原數(shù)據(jù)進行預處理； (2) 借助差分進化算法優(yōu)化核極限學習機參數(shù)，確定最優(yōu)的核極限學習機的核參數(shù)以 及懲ill系數(shù)； (3) 借助經(jīng)過差分進化算法優(yōu)化的核極限學習機的參數(shù)，結(jié)合比例系數(shù)法建立核極限 學習機的預測模型； (4) 借助集成技術(shù)和差分進化算法優(yōu)化比例系數(shù)法建立衛(wèi)星電源主母線電流預測模 型。2. 根據(jù)權(quán)利要求1所述的一種衛(wèi)星電源數(shù)據(jù)區(qū)間預測方法，其特征在于，步驟（1)針對 衛(wèi)星電源主母線電流數(shù)據(jù)的預處理，其實現(xiàn)方法包括： (21) 將每分鐘超出正常范圍30倍且出現(xiàn)次數(shù)小于三次的數(shù)據(jù)認定為噪聲數(shù)據(jù)，將其刪 除； (22) 提取原始數(shù)據(jù)中的特征數(shù)據(jù)，并進行壓縮； (23) 根據(jù)給定的嵌入維度，將單維的時間序列轉(zhuǎn)換成矩陣的形式，獲得適合核極限學 習機的樣本集矩陣； (24) 對樣本集矩陣分別按列進行歸一化處理。3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，根據(jù)給定的嵌入維度，將原始數(shù)據(jù)的單維 數(shù)據(jù)轉(zhuǎn)換成矩陣形式，并對矩陣分別按列進行歸一化處理，其實現(xiàn)步驟包括： (31) 確定嵌入維度 針對衛(wèi)星電源主母線電流數(shù)據(jù)某時刻輸入值xt和其輸出值yt存在某種函數(shù)關(guān)系： yt = f (xt)= f (yt-1，yt-2，…，yt-m) (1) 其中，m是嵌入維度，其值決定時間窗口大小即輸入向量的維度。 借助自定義的參數(shù)設置方法選擇一個合適的嵌入維度，分別進行10組不同的實驗，設 置嵌入維度分別為1~10,核函數(shù)參數(shù)為10,懲罰系數(shù)為10,以均方根誤差為評價指標，得到 可靠性和準確性最高的嵌入維度。 均方根誤差計算公式為：(32) 數(shù)據(jù)轉(zhuǎn)換 根據(jù)已確定的嵌入維度，將經(jīng)過去噪和壓縮的數(shù)據(jù)xt轉(zhuǎn)換為如下矩陣的數(shù)據(jù)格式： T={(Xl,Yl),---,(Xi,Yi),---,(Xn-m+l,Yn-m+l)}e(XXY) n-m+1 (3) (33) 歸一化處理 針對衛(wèi)星電源主母線電流數(shù)據(jù)復雜性，對數(shù)據(jù)轉(zhuǎn)換得到的樣本集矩陣T進行歸一化處 理。通過公式(2 )，將樣本集矩陣歸一化到[0，1 ]范圍內(nèi)，其中，Xupper和Xl_r分別代表歸一化上界和下界，Xmax和Xmin分別代表主母線電流的最大 值和最小值。 4 .根據(jù)權(quán)利要求1所述方法，其特征在于，借助差分進化算法優(yōu)化核極限學習機參數(shù)， 確定最優(yōu)的核極限學習機的核參數(shù)以及懲罰系數(shù)，其實現(xiàn)步驟包括： (41) 初始化 初始化差分進化算法參數(shù)和個體基因序列：其中，A? = Uim，4…4}和Aax = d，4ax . ?}為參數(shù)變量的邊界，r and (0，1)產(chǎn) 生0到1之間的均勻隨機數(shù)。 (42) 計算目標函數(shù)適應值，并選擇出最佳適應值和最差適應值。 采用k折交叉檢驗法來評估每個個體的目標函數(shù)適應值。首先將訓練數(shù)據(jù)分成大致相 等且互不重疊的k個子集。隨機選擇其中k-Ι個子集作為訓練集，剩下的一個子集作為測試 集，采用均方根誤差作為衡量模型預測效果的指標，循環(huán)該過程k次，直到每個子集都輪流 作為過測試集一次且僅一次。每個子代的適應值取這k次均方根誤差的平均值：選擇最小目標函數(shù)適應值作為最佳適應值，最大目標函數(shù)適應值作為最差適應值。 (43) 變異 首先，使用自適應的方法來調(diào)節(jié)縮放因子F，其值隨目標函數(shù)值改變而變化的趨勢為：其中，fitneSS(Xi,G)表示第G代個體i的目標函數(shù)值，fitnesS(X best,G)表示第G代最優(yōu)目 標函數(shù)值，行加6^仏。^,(；)表示第6代最差目標函數(shù)值(^_和?_分別代表?的最大值和最 小值，由于F通常限定在[0，1]之間，所以Fmax=l，F(xiàn)min = 0.1。 從以下幾種常用的變異策略中選擇一種產(chǎn)生一個新的變異個體。其中，F(xiàn)表示縮放因子，Xu表示第G代個體i當前的基因序列，Xb(3St,c表示第G代種群當前 最優(yōu)個體的基因序列，心是在[1，NP]之間不等于i且互斥的隨機整數(shù)， 表示第G代種群個體i的第個基因片段。 最后，判斷新生成的變異個體是否滿足邊界條件，如果不滿足邊界條件，則通過公式 (14)修改其值，使其合法有效。 Vi,G = Xmin+rand(0，l) · (Xmax-Xmin) (14) (44) 交叉 首先，使用一種基于對數(shù)函數(shù)的方法調(diào)節(jié)交叉因子，計算公式為：其中，G是當前的迭代次數(shù);max_iterations表示最大的迭代次數(shù);a，b是調(diào)節(jié)參數(shù)，參 數(shù)a確保CR大于0,參數(shù)b用于放大當前迭代次數(shù)和最大迭代次數(shù)的比值;CRmax和CR_分別代 表CR的最大值和最小值，通常取值CR max = 1，CRmin = 0.5。 然后，根據(jù)交叉概率，從原始個體和變異個體中選擇一個作為新的交叉?zhèn)€體：其中，CR表示交叉概率，用于控制基因復制變異基因的概率;ran山[0，1)表示第j個基因 片段隨機差生的交叉概率，數(shù)值在[〇，1)之間；jrand代表取值為[1，2，一，0]的隨機整數(shù)。 (45) 選擇 采用貪心算法選擇出最優(yōu)的個體進入下一代，如果交叉?zhèn)€體仏^的目標函數(shù)適應值小 于或等于相應的原種群個體Xi c的目標函數(shù)適應值，則交叉?zhèn)€體C將取代原種群個體c， 進入下一代;否則，原種群個體L c將繼續(xù)保留到下一代中。相應的選擇公式為：(46) 檢查是否滿足終止條件 檢查是否滿足終止條件，若滿足則結(jié)束，否則返回步驟(42)。此迭代過程的結(jié)束條件是 達到最大迭代次數(shù)或者得到收斂的目標函數(shù)值，即滿足如下條件： f itness(Xi,c+i)-f itness(Xi,c) | ^Ξ1 .Oe-5 (18) 〇5.根據(jù)權(quán)利要求1所述方法，其特征在于借助經(jīng)過差分進化算法優(yōu)化的核極限學習機 參數(shù)，結(jié)合比例系數(shù)法建立原始的預測模型。其實現(xiàn)方法包括： (51)本發(fā)明定義由核極限學習機算法建立預測模型，其實現(xiàn)過程為： 根據(jù)差分進化算法優(yōu)化得到的參數(shù)，設置核函數(shù)參數(shù)σ和懲罰系數(shù)C。 應用Mercer條件為核極限學習機算法定義一個核矩陣Ω并計算其值：其中，核矩陣Ω替代ELM算法中的隨機矩陣HHT，h(x)為從樣本空間映射到隱藏層空間的 函數(shù)，核函數(shù)K(x，y)將所有的輸入樣本從η維輸入空間映射到高維隱藏層空間，通過差分進 化算法確定核參數(shù)之后，核矩陣Ω的映射值為定值。 應用矩陣運算，計算核極限學習機的輸出權(quán)值：其中，I是單位矩陣;C是懲罰系數(shù)，用于權(quán)衡結(jié)構(gòu)風險和經(jīng)驗風險之間的比例，解決矩 陣HHT不可逆的問題，對角矩陣HHT可以通過核函數(shù)映射產(chǎn)生。 根據(jù)已經(jīng)計算出的核矩陣和輸出權(quán)值，計算樣本輸出值：則輸出權(quán)值為(52)比例系數(shù)法 比例系數(shù)法是將預測模型得到的預測值分別放大α倍或縮小β倍作為預測區(qū)間的上界 和下界。其中，是第i個輸入量對應的預測值，U4PU分別是第i個輸入量對應的預測上界和下 界，α和β是未知的比例系數(shù)。 為了獲得最優(yōu)的預測區(qū)間，將衛(wèi)星電源主母線電流數(shù)據(jù)分割為訓練集、驗證集和測試 集，通過優(yōu)化的核極限學習算法在訓練集上建立預測模型，結(jié)合比例系數(shù)法構(gòu)建驗證集的 預測區(qū)間，應用評估指標對這一預測區(qū)間進行綜合評估，在驗證的過程中不斷調(diào)整參數(shù)α和 β的值，直到獲得最好的評估結(jié)果為止，此時α和β的值即為最優(yōu)值，這一過程可以轉(zhuǎn)換為求 解如下最優(yōu)問題：PICP是預測區(qū)間覆蓋率，用于評價預測區(qū)間的準確度和可靠性：其中，Ν表示預測樣本數(shù)，0&是布爾值，表示第i個樣本是否落入預測區(qū)間內(nèi)。其中，^是樣本真實值，U和仏是預測區(qū)間的上下限。 PIMWP是預測區(qū)間平均寬度百分比，反映預測區(qū)間的清晰度：其中，N表示預測樣本數(shù)，R是預測目標值的變化范圍，"是樣本真實值，U和仏是預測區(qū) 間的上下界。 MWD是預測區(qū)間平均帶寬誤差，用于衡量預測區(qū)間的誤差和精確度：其中，N表示預測樣本數(shù)，"是樣本真實值，^和仏是預測區(qū)間的上下界，WDi是樣本的帶 寬誤差。 這一優(yōu)化問題可以采用步驟(61)差分進化算法來求解，目標函數(shù)最小值對應的α和β的 值即為最優(yōu)值，再根據(jù)公式(23)確定預測區(qū)間。6.根據(jù)權(quán)利要求1所述方法，其特征在于采用集成技術(shù)和差分進化算法優(yōu)化比例系數(shù) 法建立最終的預測模型。其實現(xiàn)方法包括： (61) 采用差分進化算法優(yōu)化比例系數(shù)法的參數(shù) 借助差分進化算法優(yōu)化比例系數(shù)法的參數(shù)，確定最優(yōu)的比例系數(shù)，其實現(xiàn)步驟如下： a) 初始化 初始化差分進化算法參數(shù)并根據(jù)公式(5)初始化種群個體基因序列。 b) 計算目標適應值 根據(jù)公式(24)計算目標函數(shù)適應值，選擇最小目標函數(shù)適應值作為最佳適應值，最大 目標函數(shù)適應值作為最差適應值。 c) 變異 首先根據(jù)公式(7)更新縮放因子，然后選擇公式(8)-(13)中的一個公式根據(jù)原始個體 產(chǎn)生一個新的變異個體，再判斷這個變異個體是否滿足邊界條件，如果不滿足邊界條件，則 通過公式(14)修改其值，使其合法有效。 d) 交叉 首先根據(jù)公式（15)更新交叉概率CR，然后根據(jù)交叉概率通過公式（16)從原始個體和變 異個體中選擇一個作為新的交叉?zhèn)€體。 e) 選擇 采用貪心算法選擇出最優(yōu)的個體進入下一代，如果交叉?zhèn)€體仏^的目標函數(shù)適應值小 于或等于相應的原種群個體Xw，則交叉?zhèn)€體Uw將取代原種群個體Xw，進入下一代;否則， 原種群個體Xw將留在下一代中。 f) 檢查是否滿足終止條件 檢查是否滿足終止條件，若滿足則結(jié)束，否則返回b)。本迭代過程的結(jié)束條件是達到最 大迭代次數(shù)或者得到收斂的目標函數(shù)值。 (62) 借助集成技術(shù)建立最終預測模型 為增加預測模型的穩(wěn)定性并且提高預測精度，將實驗數(shù)據(jù)分割為訓練集、驗證集和測 試集，通過集成技術(shù)使用訓練集分別訓練k個核極限學習機模型，在驗證集上采用差分進化 優(yōu)化的比例系數(shù)法分別確定k組預測區(qū)間參數(shù)，取k組預測區(qū)間參數(shù)的平均值作為預測模型 的最終比例系數(shù)，建立最終預測模型。
【文檔編號】G01R19/00GK105929216SQ201610223421
【公開日】2016年9月7日
【申請日】2016年4月8日
【發(fā)明人】皮德常, 康旭
【申請人】南京航空航天大學