(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211062273.X (22)申请日 2022.09.01 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 申请人 国网四川省电力公司 　 国网四川省电力公司电力科 学研究 院　 成都引众数字设备有限公司 (72)发明人 滕云龙　井实　李坚　史国鑫　 冯世林　张大伟　刘晓川　魏旺全　 罗荣森　唐小慧　邓志森　刘海洋　 王大兴　 (74)专利代理 机构 成都虹盛汇泉专利代理有限 公司 51268 专利代理师 王伟(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种电力系统对时网络时钟源时间偏差在 线预测的方法 (57)摘要 本发明公开一种电力系统对时网络时钟源 时间偏差在线预测的方法,应用于新型电力系统 领域， 针对传统 时钟源时间偏 差数据离线预测算 法占用大量存储资源和运算资源， 不能实时跟踪 系统动态变化的问题， 本发明将卡尔曼滤波算法 与回声状态网络有机结合， 通过卡尔曼滤波算法 在线调整回声状态网络的输出权值， 从而提升回 声状态网络的性能， 提高了电力系统对时网络中 时钟源时间偏差预测的效率和精度。 权利要求书2页 说明书5页 附图1页 CN 115496268 A 2022.12.20 CN 115496268 A 1.一种电力系统对时网络时钟源时间偏差在线预测方法， 其特 征在于， 包括： S1、 采集时钟源时间偏差数据； S2、 对采集的时钟源时间偏差数据进行 预处理； S3、 根据回声状态网络构造时钟源时间偏差数据输入输出非线性映射关系； S4、 利用卡尔曼 滤波算法在线调整的储备池输出回声状态网络的权 重矩阵； S5、 根据步骤S4的权 重矩阵更新后的回声状态网络， 进行时钟源偏差预测。 2.根据权利要求1所述的一种电力系统对时网络时钟源时间偏差在线预测方法， 其特 征在于， 步骤S1具体为： 用高精度晶振记录GP S秒脉冲， 计数周期为ΔT， 则秒时钟序列表示 为： βn＝βn‑1+ ηnΔT‑εn 式中， εn为时刻n的时钟源时间偏差数据， βn为GPS输出第n个秒脉冲对应的UTC， βn‑1为 GPS输出第n ‑1个秒脉冲对应的U TC， ηn为1s内晶振的计数值； 采集到的时钟源时间偏差数据集合记为X(n)， X(n)＝[x(1),x(2),...,x(n)]， 其中， x (n)＝ εn。 3.根据权利要求2所述的一种电力系统对时网络时钟源时间偏差在线预测方法， 其特 征在于， 步骤S2具体为： S21、 将采集的时钟源时间偏差数据转换成时钟源偏差的频率数据： 其中， y(i)和x(i)分别为得到的时钟源偏差的频率数据和时钟源偏差数据， τ为采样间 隔； S22、 通过中位数法对频率数据yi进行处理， 来定位相位数据xi中的粗差； S23、 通过分段处 理定位出时钟源偏差数据的跳变点； S24、 将定位出时钟源偏差数据粗差和跳变点剔除。 4.根据权利要求3所述的一种电力系统对时网络时钟源时间偏差在线预测方法， 其特 征在于， 步骤S2 2具体为： 中位数由下式表示： MAD＝Median{|y(i) ‑m|/0.6745} 式中， m＝Median{y(i)}为时钟源偏差的频率数据 序列y(i)的中位数， 如果yi满足下式 |y(i)|≥(m+λ ·MAD) 则判定该 数据为粗差， 其中整数 λ为 粗差因子 。 5.根据权利要求3所述的一种电力系统对时网络时钟源时间偏差在线预测方法， 其特 征在于， 步骤S23具体为： 对时钟源偏差数据X(n)＝[x(1),x(2),...,x(n)]， 定义一个具有偶数个元素的子数据 序列： A0＝{x(i),x(i+1), …,x(i+j)} 将子序列A0等分为前后两个子序列 和权　利　要　求　书 1/2 页 2 CN 115496268 A 2求取子序列A1和A2的均值meanA1和meanA2， 令： a＝|meanA1‑meanA2| 对于检测量a以及给定门限κ， 分为以下两种情况： ①若a<κ， 则令i ＝i+1， 即滑动窗口向后移动一个数据位置， 并重新计算a； ②若a≥κ， 则此时序列A2必定包含跳变点， 将x(i+(j+1)/2)暂时标记为跳变点， 并令i＝ i+1， 继续计算a， 并且将新的x(i+(j+1)/2)也暂时标记为跳变点， 如此进行(j+1)/2+1次必 定得到一个最大的a， 此时计算出最大值a的序列中的x(i+(j+1)/2)即为跳变点。 6.根据权利要求3所述的一种电力系统对时网络时钟源时间偏差在线预测方法， 其特 征在于， 步骤S 5具体为： 根据步骤S1重新采集时钟源时间偏差数据， 并将经步骤S2进行预 处 理后的数据输入到训练好的回声状态网络中； 通过下式计算得 出最新的网络状态， u(n)＝f(WinX(n)+Wu(n ‑1)) 其中， f(·)＝[f1(·),...,fN(·)]代表储备池内部神经元的激活函数， 通常设置为 tanh(·)； X(n)＝[x(1),x(2),...,x(n)]是当前的输入向量， Win是回声状态网络的输入权 值矩阵， Win∈RN×n， Win∈RN×n表示Win是N*n维的矩阵， W表示储备池内部权连接矩阵， W∈RN×N, W∈RN×N表示W是N*N维的矩阵； 再根据下式计算预测值， 即得到预测值： y(n)＝fout(Woutu(n)) 其中， fout(·)代表输出层的读出函数， Wout是回声状态网络的输出权值矩阵， Wout∈RM ×N。 7.根据权利要求6所述的一种电力系统对时网络时钟源时间偏差在线预测方法， 其特 征在于， 还包括根据步骤S5预测的时钟源时间偏差预测数据， 计算高精度时间信息； 具体 的： 对最近N次的计数值η求取动 态平均值 将得到的平均值 作为下一秒的计数估计值， 根据得到的时钟源偏差预测数据， 并且结合公式βn＝βn‑1+ηnΔT‑εn和GPS时间解码信息， 得 到高精度时间信息 。权　利　要　求　书 2/2 页 3 CN 115496268 A 3