АВТОМАТИЗАЦИЯ ИНФОРМАЦИОННЫХ ПРОЦЕССОВ РАСЧЁТА ЭНЕРГЕТИЧЕСКОГО БЮДЖЕТА СПУТНИКОВОЙ РАДИОЛИНИИ В ЗАВИСИМОСТИ ОТ ВЛИЯНИЯ ПОГОДНЫХ УСЛОВИЙ

AUTOMATION OF INFORMATION PROCESSES CALCULATION OF THE ENERGY BUDGET OF A SATELLITE RADIO LINE DEPENDING ON THE IMPACT WEATHER CONDITIONS

Anton Piskunov

student Department of Computer Engineering and Automated Systems Software, Orenburg state University,

Russia, Orenburg

Tatyana Zubkova

scientific supervisor, Doctor of Technical Sciences, professor, Orenburg state University,

Russia, Orenburg

АННОТАЦИЯ

В статье описана необходимость применения прогноза погодных данных при расчёте энергетического бюджета спутниковой радиолинии. Приведены оценки эффективности использования двух различных моделей искусственной нейронной сети.

ABSTRACT

The article describes the necessity of using weather data forecast when calculating the energy budget of a satellite radio line. Estimates of the effectiveness of using two different models of an artificial neural network are given.

Ключевые слова: расчёт энергетического бюджета радиолинии, орбитальный спутник, радиоканал «земная станция – космический аппарат», нейронная сеть, LSTM-модель, прогнозирование погодных данных.

Keywords: calculation of the energy budget of the radio line, orbital satellite, radio channel "Earth station – spacecraft", neural network, LSTM model, weather data forecasting.

Согласно распоряжению Правительства Российской Федерации [1], относящемуся к области использования результатов космической деятельности, большое внимание в ближайшие годы будет уделено космическим аппаратам навигации, зондирования, мониторинга, т.е. аппаратам, нуждающимся в стабильном канале связи с земными станциями. Обеспечение надёжно работающей радиолинии между земной станцией и космическим аппаратом позволяет осуществлять радионаблюдение и управление полётом космического аппарата, передавать результаты работы аппаратуры, параметры полёта, данные научных наблюдений и т.п. Сама радиолиния характеризуется своим энергетическим запасом (энергетическим балансом). При разработке космических систем и комплексов необходимо проводить точный расчёт энергетического запаса для того, чтобы избежать коррекции требований к бортовой и наземной аппаратуре [2].

Однако сам расчёт затруднён наличием большого количества параметров и необходимостью учёта связей между ними. Решения этой задачи можно добиться путём расчёта линии вниз (спутник – принимающая ЗССС) и линии вверх (передающая ЗССС - спутник); кроме того, вычислив отношение сигнал/шум на этих линиях, можно проверить соблюдение энергетического баланса спутниковой линии связи.

Применение средств автоматизации информационных процессов позволит как рассчитать энергетический бюджет радиолинии на основе данных, сообщаемых пользователем, так и спрогнозировать его значения в зависимости от влияния погодных условий внешней среды.

При расчёте важную роль имеет величина затуханий, которые испытывает радиосигнал. Основная часть затуханий происходит в атмосфере, причём на величину затуханий влияют погодные условия. Для вычисления затуханий в атмосфере берут средние, приближенные значения.  Отсутствует возможность предсказывать величину затуханий и, соответственно, изменения параметров радиолинии. Однако, имея погодные данные за долгосрочный период, можно спрогнозировать погодные условия, на основе которых провести расчёт затуханий, которые будет испытывать радиосигнал, и на основании полученных результатов сделать вывод об использовании или неиспользовании радиолинии с указанными параметрами.

Таким образом, процесс расчёта параметров радиолинии «земная станция — орбитальный спутник» необходимо автоматизировать. Разрабатываемое программное средство позволит, во-первых, быстро и точно рассчитывать параметры радиолинии согласно принятым международным нормам [3], а во-вторых, оценивать влияния, которым будет подвергаться радиолиния с выбранными параметрами в течение длительного времени.

Для решения задачи прогнозирования погодных данных, оказывающих влияние на радиолинию, использовался метод нейросетевого моделирования на основе так называемой «Долгой краткосрочной памяти» (англ. Long Short-Term Memory, LSTM) [4].

В отличие от традиционных рекуррентных нейронных сетей, LSTM-сеть хорошо приспособлена к обучению на задачах классификации, обработки и прогнозирования временных рядов в случаях, когда важные события разделены временными лагами с неопределённой продолжительностью и границами. Относительная невосприимчивость к длительности временных разрывов даёт LSTM преимущество по отношению к альтернативным рекуррентным нейронным сетям, скрытым марковским моделям и другим методам обучения для последовательностей в различных сферах применения.

Непосредственно анализ временного ряда наблюдений состоит из:

1) построения математической модели временного ряда наблюдений реального процесса;

2) идентификации модели, т.е. выявление их структуры и оценивание параметров;

3) прогонки идентифицированной модели к временному ряду с помощью статистической оценки параметров.

В качестве набора данных использован архив погодных данных с сайта rp5 [5], содержащий 28 метеорологических показателей. Метеостанция Сухобузимское (Красноярский край, Россия), пятизначный уникальный цифровой индивидуальный идентификатор WMO_ID=29477, выборка с 07.02.2005 по 07.02.2023, все дни, замеры данных через каждые 3 часа. Весь набор данных из 51 902 строк поделен на обучающую (80% набора данных, 41 522 строки) и тестовую выборки.

В целях оценки эффективности применения предложенного подхода к решению задачи прогноза погодных данных проведены эксперименты по расчёту значения температуры с помощью простого базового решения, заключающегося в вычислении среднего за 160 предыдущих значений, а также с помощью одномерной и многомерной LSTM-моделей.

Для модели на основе одномерных временных рядов целевой вектор составляется на основе единственного признака - температура воздуха (Т). Данные о температуре извлекаются из набора данных, в качестве метода масштабирования выбрана стандартизация, выполняемая путём вычитания среднего значения и деления на стандартное отклонение признака. Стандартизация проводилась только с использованием обучающих данных [6]. На вход в модель подавалось 160 зарегистрированных наблюдений за температурой, прогнозировалось следующее значение температуры (через три часа). Всего проведено 30 опытов, результат одного из них представлен на рисунке 1.

Рисунок 1. Простая LSTM-модель

Кроме того, для всех 30 произведённых вычислений рассчитано и простое среднее на основе предыдущих 160 значений. Для простого среднего значения средней квадратичной ошибки (MSE) составляет 70,5, значение средней абсолютной ошибки (MAE) – 6,85. В случае использования простой LSTM-модели значение MSE составляет 4,41, значение MAE – 1,8, что говорит о более высокой точности прогнозирования при использовании LSTM-модели.

При использовании многомерной LSTM-модели на её вход подаются несколько различных признаков. Исходный набор данных содержит, как было отмечено выше, 28 различных метеорологических показателей. Для проведения эксперимента были выбраны три из них – температура воздуха, атмосферное давление и относительная влажность воздуха. После добавления указанных данных в набор проводилась его стандартизация с вычислением среднего значения и стандартного отклонения обучающих данных. Искусственная нейронная сеть оперирует данными за последние 6 дней и 16 часов (160 наблюдений с шагом в 3 часа), прогнозирование выполнялось на день вперёд (через 8 шагов по три часа каждый). Полученное в результате обработки результатов прогнозирования значение MSE составляет 34,33, значение MAE – 5,28, что говорит о снижении точности по сравнению с одномерной LSTM-моделью.

Также с помощью многомерной модели был реализован интервальный прогноз значений температуры на 4 дня и 18 часов вперёд. Результаты прогнозирования представлены на рисунке 2.

Рисунок 2. Интервальное прогнозирование с использованием многомерной LSTM-модели

В этом случае значение MSE составляет 7,83, значение MAE – 2,28, что говорит о перспективности использования интервального метода прогнозирования по сравнению с точечным прогнозом.

Таким образом, в данной статье рассмотрены два различных подхода к использованию LSTM-нейросетей для прогнозирования погодных данных, проведена статистическая оценка их эффективности.

Список литературы:

1. Распоряжение Правительства Российской Федерации [Электронный ресурс] – Режим доступа: https://docs.cntd.ru/document/350558828  (дата обращения: 09.06.2023)
2. Ерохин Г. А., Мандель В. И., Нестеркин Ю. А., Струков А. П. Методика расчета энергетического запаса радиолинии «космический аппарат – станция» // Ракетно-космическое приборостроение и информационные системы. Радиотехника и космическая связь. 2018. Т. 5. № 1. С. 65–74.
3. Сектор радиосвязи МСЭ (МСЭ-R) [Электронный ресурс] – Режим доступа: https://www.itu.int/ru/ITU-R/information/Pages/default.aspx (дата обращения: 09.06.2023)
4. Keras API reference [Электронный ресурс] – Режим доступа: https://keras.io/api/layers/recurrent_layers/lstm/  (дата обращения: 09.06.2023)
5. Расписание погоды [Электронный ресурс] – Режим доступа: https://rp5.ru/docs/about/ru (дата обращения: 09.06.2023)
6. Прогнозирование временных рядов [Электронный ресурс] – Режим доступа: https://www.tensorflow.org/tutorials/structured_data/time_series?hl=ru#part_1_forecast_a_univariate_time_series (дата обращения: 09.06.2023)