本发明涉及智能物联网，特别涉及一种基于扩展卡尔曼滤波器改进神经网络的支持无外部连接的园区网关时间同步自保持方法和系统。
背景技术：
1、在“双碳”目标驱动下，智慧园区低碳运行成为新型电力系统建设的重要组成部分。电网大规模智慧园区实时用能交易和碳计量等联合低碳优化业务具有跨地域范围广、数据流量大及时间精度要求高等特点。为了对电气、新能源设备时间参数进行有效监测，保证电网大规模智慧园区设备之间的时间同步，必须依赖高精度的时间同步系统。为了实现智慧园区通信网关时间同步，需由高精度时钟源提供工作时钟，北斗卫星导航系统是我国自行研制的全球卫星导航系统，能够为世界范围内各类型用户提供24小时不间断、高精度、高可靠的授时服务。然而，卫星失锁、5g时间同步网故障、国网公司时间同步网故障等极端情况会影响智慧园区安全稳定运行，导致通信链路和导航信息中断，降低时间同步精度。因此，需要研究在无外部参考时钟源的情况下对智慧园区通信网关本地晶振频率进行预测，实现极端情况下智慧支持无外部连接的园区网关时间同步自保持。目前，支持无外部连接的园区通信网关高精度自保持方法仍面临以下技术挑战：
2、首先，园区通信网关的晶振在外界环境变化和自身老化的影响下会发生频率漂移，从而造成时钟频率的逐渐偏差，经过时间的累计形成时钟偏差，影响无外部连接情况下支持无外部连接的园区网关时间同步自保持能力，进而降低智慧园区时钟同步系统精度。
3、其次，传统支持无外部连接的园区通信网关自保持方法主要利用固定简单的数学模型估计晶振的老化漂移，通过对晶振老化漂移进行补偿实现支持无外部连接的园区网关时间同步自保持。然而由于晶振频率老化漂移特性原理不明确，容易受制造工艺、温湿度、压力等多种因素的影响，难从原理上分析出晶振老化漂移规律，并用数学公式推导得到准确描述，因此无法对晶振的老化漂移特性进行准确、自适应建模，导致晶振频率预测准确度降低，进而影响无外部连接情况下园区通信网关自保持能力。
4、下面介绍与本发明相关的现有技术
5、现有技术一：基于最小二乘法的时钟自保持方法，利用经验模型估计晶振的老化漂移，利用最小二乘法拟合模型预测温度漂移。
6、现有技术一的缺点：
7、在无外部连接的情况下，利用最小二乘法拟合模型预测晶振的老化漂移，实现支持无外部连接的园区网关时间同步自保持。该方法预测精度较低，且晶振实际工作过程中老化漂移与温度漂移对频偏的影响难以被准确分开导致预测误差增大，降低晶振时钟自保持能力。
8、现有技术二：基于神经网络的高精度守时技术，使用bp神经网络进行通信网关晶振时钟频率预测，实现无外部连接情况下支持无外部连接的园区网关时间同步自保持。
9、现有技术二的缺点：由于bp神经网络算法本质上为梯度下降法，在神经元输出接近0或1的情况下，容易出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿，使得bp算法运算速度和拟合精度降低，影响无外部连接情况下园区通信网关自保持性能。
技术实现思路
1、本发明针对现有技术的缺陷，提供了一种支持无外部连接的园区网关时间同步自保持方法和系统。在无外部连接情况下利用神经网络预测园区通信网关晶振时钟频率，并且在bp神经网络反向传播过程中使用扩展卡尔曼滤波器校正更新后的神经网络权重，以加速神经网络训练过程和拟合精度，提升园区通信网关时间同步精度，实现无外部连接情况下支持无外部连接的园区网关时间同步自保持。
2、为了实现以上发明目的，本发明采取的技术方案如下：
3、一种支持无外部连接的园区网关时间同步自保持方法，包括以下步骤：
4、步骤一、历史频率矫正数据预处理，以便输入到神经网络模型中；
5、步骤二、构建适用于支持无外部连接的园区网关时间同步自保持的神经网络模型；神经网络模型包括：输入层、隐藏层和输出层；将历史频率校正数据作为神经网络的输入，晶振时钟频率作为输出，对神经网络进行训练，并得到当前时刻晶振时钟频率校正数据，提升无外部连接情况下园区通信网关自守时能力；
6、步骤三、在反向传播过程中，使用扩展卡尔曼滤波器来校正更新后的神经网络权重，具体子步骤如下：
7、1)、定义系统的状态向量，并使用扩展卡尔曼滤波器进行权重预测。
8、2)、根据最优估计协方差和状态预测方程的雅可比矩阵，预测用于通信网关时间同步自保持的神经网络权重协方差。
9、3)、计算扩展卡尔曼滤波增益，用于权重最优估计。
10、4)、根据扩展卡尔曼滤波增益和权重预测值，得到当前时刻用于通信网关时间同步自保持的神经网络权重最优估计值。
11、5)、根据扩展卡尔曼滤波误差最小的最优值，更新协方差的最优估计值。
12、进一步地，步骤一中历史频率矫正数据预处理包括：
13、缺失值处理：对于缺失的数据，使用相邻几次测量数据的平均值代替缺失值。
14、异常值处理：对于与正常值相差较大的异常值，应该直接进行剔除。
15、归一化处理：对输入的样本数据进行归一化处理，将数据缩放。
16、数据平滑：对数据进行平滑处理，使用滑动平均来减少噪音和波动。
17、数据标准化：对数据进行标准化处理。
18、进一步地，神经网络模型中以通信网关前m个时刻的晶振时钟频率历史校正量作为神经网络输入，当前时刻晶振时钟频率作为输出，设置神经网络输入层的神经元数量为m，输出层的神经元数目为n＝1，采用单隐藏层结构，隐藏层神经元个数根据以下公式推导：
19、
20、其中，m为输入层神经元个数，n为输出层神经元个数，a取3-10。
21、进一步地，神经网络模型中选择tansig函数作为传递函数，满足对函数的拟合需求。传递函数定义为：
22、
23、进一步地，神经网络模型中定义支持无外部连接情况下支持无外部连接的园区网关时间同步自保持的神经网络隐藏层输出函数为：
24、
25、其中，wij为输入层神经元与隐藏层神经元之间的权重，bj为隐藏层阈值，hj为隐藏层第j个神经元输出，s是隐藏层神经元数量。
26、进一步地，神经网络模型中定义支持无外部连接情况下支持无外部连接的园区网关时间同步自保持的神经网络输出层函数为：
27、
28、其中，wj为隐藏层神经元与输出层神经元之间的权重，c为输出层阈值。
29、进一步地，神经网络模型中定义损失函数，用于衡量神经网络预测值与实际值之间的差距。通过反向传播更新输入层与隐藏层、隐藏层和输出层权重，逐渐减小训练误差，提高神经网络预测精度。定义损失函数为：
30、
31、其中，m为用于神经网络训练的样本数量，yd为神经网络预测的晶振时钟频率，y′d为晶振时钟期望频率。
32、进一步地，步骤三中，定义系统的状态向量为x(k)＝[wij(k),wjm(k)]，其中wij(k)表示k时刻输入层与隐藏层权重集，wjm(k)表示k时刻隐藏层与输出层权重集。神经网络权重预测值为：
33、
34、式中，为k-1时刻支持无外部连接情况下通信网关时间同步自保持的神经网络权重最优估计，为当前时刻支持无外部连接情况下通信网关时间同步自保持的神经网络权重预测值，f表示状态方程的非线性函数，ω为系统过程噪声。
35、定义量测模型为
36、z(k)＝h(xi,wi)+v (7)
37、式中，h为输入向量xi与权重集wi的非线性函数，v和ω是互不相关且均值为零的高斯白噪声。
38、进一步地，步骤三中，神经网络权重协方差预测值为：
39、p(k,k-1)＝φ(k,k-1)p(k-1,k-1)φt(k,k-1)+q(k) (8)
40、式中，q(k)为过程噪声协方差矩阵，p(k-1,k-1)为k-1时刻用于通信网关时间同步自保持的神经网络权重最优估计，矩阵p(k,k-1)为用于通信网关时间同步自保持的神经网络权值协方差的预测值，φ(k,k-1)为状态预测方程的雅可比矩阵，初始化为q，即：p(1|0)＝q。
41、进一步地，步骤三中，扩展卡尔曼滤波增益计算为：
42、k(k)＝p(k,k-1)ht(k)[h(k)p(k,k-1)ht(k)+r(k)]-1 (9)
43、其中，h(k)为量测方程的雅可比矩阵，r(k)为量测噪声协方差矩阵。
44、进一步地，步骤三中，网络权重最优估计值为：
45、
46、其中，k(k)为当前时刻的扩展卡尔曼滤波增益。
47、进一步地，步骤三中，当前时刻协方差的最优估计值为：
48、p(k)＝[i-k(k)h(k)]p(k,k-1) (11)
49、其中，k(k)是令扩展卡尔曼滤波误差最小的最优值。
50、本发明还公开了一种支持无外部连接的园区网关时间同步自保持系统，该系统能够用于实施上述支持无外部连接的园区网关时间同步自保持方法，具体的，包括：
51、自检程序：在园区通信网关中，设置定期的自检程序用来监测设备的运行状态和性能。包括时钟频率校正情况、电源状态、温度数据。
52、数据预处理模块：对数据进行预处理。
53、神经网络模型模块：将预处理后的数据作为神经网络的输入，晶振时钟频率作为输出。用于训练神经网络，提升园区通信网关的自守时能力。
54、扩展卡尔曼滤波器模块：用于在反向传播过程中，校正更新后的神经网络权重，以确保神经网络模型的准确性和稳定性。
55、本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述支持无外部连接的园区网关时间同步自保持方法。
56、与现有技术相比，本发明的优点在于：
57、1.提高精度和稳定性：通过神经网络和扩展卡尔曼滤波器的结合应用，能够提高园区通信网关时间同步的精度和稳定性，使得时钟频率的预测和补偿更加准确和可靠。
58、2.减少对外部连接的依赖：该方法能够实现无外部连接的智慧支持无外部连接的园区网关时间同步自保持，减少了对外部连接的依赖，提高了系统的自主运行能力。
59、3.加速训练过程：扩展卡尔曼滤波器可以校正更新后的神经网络权重，加速神经网络的训练过程，从而提高了系统的效率和响应速度。
60、4.提高模型的拟合能力：结合神经网络和扩展卡尔曼滤波器的应用，能够提高模型的拟合能力，使得系统更加智能化和高效化。
61、5.增强自主运行能力和可靠性：通过提升园区通信网关的自守时能力，整个系统的自主运行能力和可靠性得到增强，减少了对外部干扰的影响，提高了系统的稳定性。
1.一种支持无外部连接的园区网关时间同步自保持方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种支持无外部连接的园区网关时间同步自保持方法，其特征在于：步骤一中历史频率矫正数据预处理包括：
3.根据权利要求1所述的一种支持无外部连接的园区网关时间同步自保持方法，其特征在于：神经网络模型中以通信网关前m个时刻的晶振时钟频率历史校正量作为神经网络输入，当前时刻晶振时钟频率作为输出，设置神经网络输入层的神经元数量为m，输出层的神经元数目为n＝1，采用单隐藏层结构，隐藏层神经元个数根据以下公式推导：
4.根据权利要求1所述的一种支持无外部连接的园区网关时间同步自保持方法，其特征在于：神经网络模型中定义损失函数，用于衡量神经网络预测值与实际值之间的差距；通过反向传播更新输入层与隐藏层、隐藏层和输出层权重，逐渐减小训练误差，提高神经网络预测精度；定义损失函数为：
5.根据权利要求1所述的一种支持无外部连接的园区网关时间同步自保持方法，其特征在于：步骤三中，定义系统的状态向量为x(k)＝[wij(k),wjm(k)]，其中wij(k)表示k时刻输入层与隐藏层权重集，wjm(k)表示k时刻隐藏层与输出层权重集；神经网络权重预测值为：
6.根据权利要求1所述的一种支持无外部连接的园区网关时间同步自保持方法，其特征在于：步骤三中，神经网络权重协方差预测值为：
7.根据权利要求1所述的一种支持无外部连接的园区网关时间同步自保持方法，其特征在于：步骤三中，扩展卡尔曼滤波增益计算为：
8.根据权利要求1所述的一种支持无外部连接的园区网关时间同步自保持方法，其特征在于：步骤三中，网络权重最优估计值为：
9.根据权利要求1所述的一种支持无外部连接的园区网关时间同步自保持方法，其特征在于：步骤三中，当前时刻协方差的最优估计值为：
10.一种支持无外部连接的园区网关时间同步自保持系统，其特征在于：该系统能够用于实施权利要求1至9其中一项所述的支持无外部连接的园区网关时间同步自保持方法，包括：
