[发明专利]基于时间序列分析与卡尔曼滤波算法的覆冰短期预测方法

权利要求书

1.基于时间序列分析与卡尔曼滤波算法的覆冰短期预测方法，其特征在于，具体按照以下步骤实施：

步骤1：获取输电线路覆冰时间-厚度数据序列；

步骤2：根据步骤1中的覆冰时间-厚度数据序列建立覆冰时间序列模型，并采用遗传算法对覆冰时间序列模型进行定阶；

所述步骤2具体按照以下步骤实施：

步骤2.1：判断覆冰时间-厚度数据序列的平稳性；

步骤2.2：建立覆冰时间序列模型，并采用遗传算法对覆冰时间序列模型进行定阶；

步骤2.2具体为：

步骤2.2.1：设定遗传算法的基本信息：迭代次数、个体形式、个体数量、交叉率及变异率；其中，个体形式的二进制数的位数等于自回归阶数p的位数与移动平均阶数q的位数之和；

步骤2.2.2：选定适应度函数

选取覆冰时间序列模型的计算值与实测覆冰数据的差值之和作为适应度函数，即

其中，x_arima(i)为覆冰时间序列模型的计算值，x_data(i₎为实测覆冰数据，N为覆冰数据个数；

步骤2.2.3：进行遗传算法运算并构建覆冰时间序列模型

用遗传算法计算出最优的模型阶数p和q，采用计算出的最优的模型阶数p和q来构建覆冰时间序列模型；

步骤3：根据步骤2中得到的定阶后的覆冰时间序列模型通过卡尔曼滤波算法建立混合算法覆冰预测模型；

所述步骤3建立混合算法覆冰预测模型具体按照以下步骤实施：

步骤3.1：将覆冰时间序列模型转变为状态空间模型；

所述步骤3.1将覆冰时间序列模型转变为状态空间模型具体为：

由步骤2建立的可以反应覆冰增长趋势的时间序列模型为：

其中，X(t)为不同时间点的覆冰量；实参数为自回归系数；实参数θ_q为移动平均系数；干扰序列ε(t)为白噪声序列；p、q分别为自回归阶数与移动平均阶数；

式(2)的等价状态空间方程为：

其中，Y(t)为状态变量矩阵，ε(t)为输入噪声矩阵，a、b、c和d为系数矩阵；

步骤3.2：根据生成的状态空间模型通过卡尔曼滤波算法建立混合算法覆冰预测模型，具体按照以下步骤实施：

对于可用状态空间方程表述的系统，得多步卡尔曼预报器为：

X(t+N|t)＝A^N-1(ψ_pX(t|t-1)+K_pZ(t)) (4)

式中，X(t|t-1)是由前一状态对当前状态做出的最优估计，X(t+N|t)为由当前状态对未来N步后的状态做出的最优估计，K_p为卡尔曼预报器增益，Ψ_p是稳定矩阵，A为状态转移矩阵，Z(t)是t时刻的观测值；

由式(3)与式(4)可得混合算法覆冰预测模型为：

Y(t+N|t)＝a^N-1(ψ_pY(t|t-1)+K_pX(t)) (5)

式中Y(t+N|t)为N步后的最优状态变量矩阵预测值，Y(t|t-1)为当前时刻的最优状态变量矩阵预测值，而N步后覆冰量的最优预测值X(t+N|t)可由式(3)中的第二个式子得出；

步骤4：根据步骤3中得到的覆冰预测模型进行覆冰预测。

2.根据权利要求1所述的基于时间序列分析与卡尔曼滤波算法的覆冰短期预测方法，其特征在于，所述步骤1中覆冰时间-厚度数据序列是通过覆冰在线监测系统采集的，覆冰在线监测系统的结构为：包括微处理器(1)，微处理器(1)上分别连接有电源模块(2)、覆冰信息处理单元(3)、GPRS通信模块(5)、Zigbee通信模块(6)、数据存储单元(9)，电源模块(2)分别与太阳能(7)、蓄电池(8)相连接，覆冰信息处理单元(3)还与覆冰厚度传感器(4)相连接。

3.根据权利要求2所述的基于时间序列分析与卡尔曼滤波算法的覆冰短期预测方法，其特征在于，所述微处理器(1)采用STM32F407。