[發明專利]基于道面溫度預測和模擬的積冰組合決策方法

有效

• 申請號: 202010535515.7
• 申請日: 2020-06-12
• 公開（公告）號: CN111709184B
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 陳斌;焦琳青;李慶真;周沖;劉悅
• 申請（專利權）人: 中國民航大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G08B19/02;G06F119/08
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 龐學欣

1.一種基于道面溫度預測和模擬的積冰組合決策方法，其特征在于:所述的積冰組合決策方法包括按順序進行的下列步驟：

1)構建基于道面溫度預測和模擬的積冰組合決策系統，所述的系統包括跑道溫度動態預測模塊(1)、道面TEC溫度控制積冰模擬模塊(2)、跑道積冰組合式預測算法模塊(3)和多決策預測結果修正模塊(4)；其中，跑道溫度動態預測模塊(1)同時與道面TEC溫度控制積冰模擬模塊(2)及跑道積冰組合式預測算法模塊(3)相連接；多決策預測結果修正模塊(4)同時與道面TEC溫度控制積冰模擬模塊(2)及跑道積冰組合式預測算法模塊(3)相連接；所述的道面TEC溫度控制積冰模擬模塊(2)包括熱電器件和控制裝置；熱電器件置于跑道表層；控制裝置分別與跑道溫度動態預測模塊(1)、多決策預測結果修正模塊(4)和熱電器件相連接；

2)采集預測時刻之前包括道面溫度x₁⁽⁰⁾(i)、大氣溫度x₂⁽⁰⁾(i)、道面地下溫度x₃⁽⁰⁾(i)、大氣濕度x₄⁽⁰⁾(i)及風速x₅⁽⁰⁾(i)在內的五組數據，然后利用跑道溫度動態預測模塊(1)對上述各組數據分別使用累加方法生成算子x_k⁽¹⁾(i),k＝1,2,…,5；i＝1,2,…n，并由各算子x₁⁽¹⁾(i)分別生成相應的緊鄰均值序列z₁⁽¹⁾(i)；

3)根據上述算子及緊鄰均值序列，利用公式u＝(B^TB)^-1B^TY＝[a,b₂,b₃,b₄,b₅]求解出系統發展系數a及驅動系數b_i；其中，

4)由上述系統發展系數a及驅動系數b_i生成灰色預測模型GM(1,5)：

5)求解上述灰色預測模型GM(1,5)得到再由累減還原輸出初始道面溫度預測結果

6)收集預測時刻之前p年份相同時刻的溫度數據，列為溫度序列t_t-1,t_t-2,…,t_t-n，建立時間序列預測模型AR(p)：然后將上述溫度序列數據輸入時間序列預測模型AR(p)，其中φ_i為自回歸系數，ε_t為該時間序列的白噪聲；求解時間序列預測模型AR(p)而獲得初始道面溫度預測結果t_t；

7)將上述步驟5)和6)獲得的兩種初始道面溫度預測結果通過均方誤差方法分析殘差，然后根據殘差大小分別為灰色預測模型GM(1,5)的初始道面溫度預測結果及時間序列預測模型AR(p)的初始道面溫度預測結果t_t賦予權系數，殘差分析結果較大時賦予較小權系數，較小時則賦予較大權系數，最終生成道面溫度預測結果并輸出給道面TEC溫度控制積冰模擬模塊(2)；

8)道面TEC溫度控制積冰模擬模塊(2)中的控制裝置根據跑道溫度動態預測模塊(1)輸出的道面溫度預測結果控制熱電器件進行升降溫，以對預測的未來時刻道面溫度結果實現動態模擬，然后測量積冰厚度并輸出給多決策預測結果修正模塊(4)；

9)跑道積冰組合式預測算法模塊(3)采用K最近鄰回歸算法或采用基于積冰機理的積冰預測模型獲得預測積冰厚度；

10)多決策預測結果修正模塊(4)采用神經網絡，將上述道面TEC溫度控制積冰模擬模塊(2)輸出的積冰厚度及跑道積冰組合式預測算法模塊(3)輸出的預測積冰厚度輸入到神經網絡中，對神經網絡進行前向和逆向訓練學習，均使用sigmoid函數作為激勵函數，訓練出權值和閾值，得到訓練好的神經網絡；

實際使用時首先將現場采集的道面溫度、大氣溫度、道面地下溫度、大氣濕度及風速數據按照上述步驟2)—步驟8的方法進行處理而得到積冰厚度I₁；將現場采集的道面溫度、降雨量、風速及道面地下溫度數據按照上述步驟9)的方法進行處理而得到預測積冰厚度I₂；采集現場當前時刻實際測量的積冰厚度I₅；再將積冰厚度I₁、預測積冰厚度I₂分別與實際測量的積冰厚度I₅求差而得到差值I₃與I₄，最后將上述所有數據輸入到上述訓練好的神經網絡中，神經網絡的輸出即為最終積冰厚度預測結果。