CN103500364B - 电能质量稳态指标预测方法和*** - Google Patents
电能质量稳态指标预测方法和*** Download PDFInfo
- Publication number
- CN103500364B CN103500364B CN201310429678.7A CN201310429678A CN103500364B CN 103500364 B CN103500364 B CN 103500364B CN 201310429678 A CN201310429678 A CN 201310429678A CN 103500364 B CN103500364 B CN 103500364B
- Authority
- CN
- China
- Prior art keywords
- active power
- power
- stable
- state index
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种电能质量稳态指标预测方法和***,获取已监测到的预设时间段内的历史数据,根据历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率。根据预测有功功率和历史数据,采用回归分析法计算预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。由于电网的有功功率相对比较稳定,根据历史有功功率利用时间序列算法对预测时间段内的有功功率进行预测,得到预测有功功率。然后根据预测有功功率和历史数据,利用回归分析法计算预测电能质量稳态指标数据,准确度高,可有效对电能质量稳态指标进行预测,为电网的安全运行提供保障,避免电能质量问题造成的影响。
Description
技术领域
本发明涉及电能质量预测技术领域,特别是涉及一种电能质量稳态指标预测方法和***。
背景技术
电能质量问题可分为稳态电能质量问题和暂态电能质量问题。其中,稳态电能质量问题包括电压偏差、频率偏差、三相不平衡、短时闪变及谐波等问题。电能质量问题多种多样,造成的危害也有所不同。例如,电压偏差产生的危害是很明显的,电压偏高将损坏绝缘设备,电压偏低将使异步电动机转速降低从而影响产品质量等。频率偏差的影响是当频率偏低时,汽轮机低压级叶片将由于振动加大而产生裂纹,甚至发生断落事故;频率的降低也将引起交流电动机转速相应降低,更加影响火电厂的出力,引起频率下降的恶性循环,频率的下降也会使电动机的转速下降影响产品质量。
传统的电能质量监控方法是在电网的敏感节点部署了电能质量在线监测装置,通过电力***数据网络将各个监测点的电能质量监测数据传输到后台电能质量智能信息***中,对采集的电能质量监测数据进行分析评估,实现电能质量报警或预警。但这种方法存在准确性低的缺点,无法有效对电能质量稳态指标进行预测。
发明内容
基于此,有必要提供一种准确性高的电能质量稳态指标预测方法和***。
一种电能质量稳态指标预测方法,包括以下步骤:获取已监测到的预设时间段内的历史数据,所述历史数据包括历史有功功率和与所述历史有功功率对应的历史电能质量稳态指标数据;根据所述历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率;根据所述预测有功功率和历史数据,采用回归分析法计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。
在其中一个实施例中,所述根据所述历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率的步骤,包括以下步骤:
根据所述历史有功功率建立序列,建立非平稳时间序列;
根据所述非平稳时间序列建立时间序列预测模型,具体为
Φ(L)Ddyt=θ0+Θ(L)ut
其中,yt为所述非平稳时间序列,Φ(L)和Θ(L)分别为p阶自回归算子和q阶移动平均算子,θ0为漂移项,ut为预设参数序列,Ddyt表示对yt进行d次差分后的平稳过程;
根据所述时间序列预测模型得到平稳时间序列,并计算初始预测有功功率,具体为:
yt’=φ1yt-1+φ2yt-2+…+φpyp-1+εt+εt-θ1εt-1-θ2εt-2-…-θqεt-q
其中,yt’表示t时刻的初始预测有功功率,yt-1表示t-1时刻的历史有功功率,p和q分别为自回归阶数和移动平均阶数,φi、θi为模型参数且不能为0,εt,εt-1,εt-2…εt-q表示白噪声序列;
对所述平稳时间序列进行反变换得到反变换序列,并将所述初始预测有功功率作为所述反变换序列的输入,得到所述预测有功功率。
在其中一个实施例中,所述根据所述预测有功功率和历史数据,采用回归分析法计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据的步骤,包括以下步骤:
建立回归分析模型,具体为
Yi=f(X)=c0exp(ciX)
其中,自变量X为预测有功功率,应变量Yi为预测电能质量稳态指标数据,c0、ci为模型参数,模型参数c0、ci通过根据所述历史数据,利用线性拟合方法计算确定;
将所述预测有功功率作为所述回归分析模型的输入,计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。
在其中一个实施例中,所述获取已监测到的预设时间段内的历史数据的步骤之后,所述根据所述历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率的步骤之前,还包括以下步骤:
对所述历史数据进行ETL处理,得到多维分析数据库;
根据所述多维分析数据库建立度量值表和多个维度表,得到多维分析模型。
在其中一个实施例中,所述根据所述预测有功功率和历史数据,采用回归分析法计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据的步骤之后,还包括以下步骤:
获取所述预测时间段内的实际有功功率和实际电能质量稳态指标数据;
将所述预测有功功率、预测电能质量稳态指标数据、实际有功功率和实际电能质量稳态指标数据存入所述多维分析模型的度量值表中,并建立实际值-预测值维度表。
一种电能质量稳态指标预测***,包括:
提取模块,用于获取已监测到的预设时间段内的历史数据,所述历史数据包括历史有功功率和与所述历史有功功率对应的历史电能质量稳态指标数据;
处理模块,用于根据所述历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率;
预测模块,用于根据所述预测有功功率和历史数据,采用回归分析法计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。
在其中一个实施例中,所述处理模块包括:
第一处理单元,用于根据所述历史有功功率建立序列,建立非平稳时间序列;
第二处理单元,用于根据所述非平稳时间序列建立时间序列预测模型,具体为
Φ(L)Ddyt=θ0+Θ(L)ut
其中,yt为所述非平稳时间序列,Φ(L)和Θ(L)分别为p阶自回归算子和q阶移动平均算子,θ0为漂移项,ut为预设参数序列,Ddyt表示对yt进行d次差分后的平稳过程;
第三处理单元,用于根据所述时间序列预测模型得到平稳时间序列,并计算初始预测有功功率,具体为:
yt’=φ1yt-1+φ2yt-2+…+φpyp-1+εt+εt-θ1εt-1-θ2εt-2-…-θqεt-q
其中,yt’表示t时刻的初始预测有功功率,yt-1表示t-1时刻的历史有功功率,p和q分别为自回归阶数和移动平均阶数,φi、θi为模型参数且不能为0,εt,εt-1,εt-2…εt-q表示白噪声序列;
第四处理单元,用于对所述平稳时间序列进行反变换得到反变换序列,并将所述初始预测有功功率作为所述反变换序列的输入,得到所述预测有功功率。
在其中一个实施例中,所述预测模块包括:
建模单元,用于建立回归分析模型,具体为
Yi=f(X)=c0exp(ciX)
其中,自变量X为预测有功功率,应变量Yi为预测电能质量稳态指标数据,c0、ci为模型参数,模型参数c0、ci通过根据所述历史数据,利用线性拟合方法计算确定;
预测单元,用于将所述预测有功功率作为所述回归分析模型的输入,计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。
在其中一个实施例中,所述电能质量稳态指标预测***还包括:
建库模块,用于在所述提取模块获取已监测到的预设时间段内的历史数据之后,所述处理模块根据所述历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率之前,对所述历史数据进行ETL处理,得到多维分析数据库;
建模模块,用于根据所述多维分析数据库建立度量值表和多个维度表,得到多维分析模型。
在其中一个实施例中,所述电能质量稳态指标预测***还包括:
采集模块,用于在所述预测模块根据所述预测有功功率和历史数据,采用回归分析法计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据之后,获取所述预测时间段内的实际有功功率和实际电能质量稳态指标数据;
存储模块,用于将所述预测有功功率、预测电能质量稳态指标数据、实际有功功率和实际电能质量稳态指标数据存入所述多维分析模型的度量值表中,并建立实际值-预测值维度表。
上述电能质量稳态指标预测方法和***,获取已监测到的预设时间段内的历史数据,根据历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率。根据预测有功功率和历史数据,采用回归分析法计算预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。由于电网的有功功率相对比较稳定,根据历史有功功率利用时间序列算法对预测时间段内的有功功率进行预测,得到预测有功功率。然后根据预测有功功率和历史数据,利用回归分析法计算预测电能质量稳态指标数据,准确度高,可有效对电能质量稳态指标进行预测,为电网的安全运行提供保障,避免电能质量问题造成的影响。
附图说明
图1为一实施例中电能质量稳态指标预测方法的流程图;
图2为另一实施例中电能质量稳态指标预测方法的流程图;
图3为一实施例中电能质量稳态指标预测***的结构图;
图4为另一实施例中电能质量稳态指标预测***的结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
一种电能质量稳态指标预测方法,如图1所示,包括以下步骤:
步骤S110:获取已监测到的预设时间段内的历史数据。
电能质量分析数据库中存储所有监测到的历史数据,可从电能质量分析数据库中获取预设时间段内的历史数据。历史数据包括历史有功功率和与历史有功功率对应的历史电能质量稳态指标数据,电能质量稳态指标可包括电压偏差、频率偏差、负序电压不平衡度、总谐波畸变率和短时电压波动与闪变等。电能质量分析数据库中预设时间段为预先设置,用于确定参考数据的时间范围,具体可以是预测时间段的前1个月、前3个月、前5个月等。以预设时间段为预测时间段的前1个月为例,若需要预测9月1日的电能质量稳态指标数据,则历史数据包括8月1日至8月31日每天所有监测点监测到的有功功率和电能质量稳态指标数据。其中有功功率可由监测设备现场采集得到,电能质量稳态指标数据则是通过软件包计算后得到。
步骤S140:根据历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率。
由于历史数据是从多个监测点获取的,当需要对某一监测点预测时间段内的有功功率进行预测时,应选用该监测点的历史有功功率来进行预测,避免因数据采集地点不同等环境因素对计算造成影响,提高计算准确性。步骤S140具体可包括步骤142至步骤148。
步骤142:根据历史有功功率建立序列,建立非平稳时间序列。
将获取的历史有功功率按时间顺序进行排序,得到非平稳时间序列。
步骤144:根据非平稳时间序列建立时间序列预测模型。具体为
Φ(L)Ddyt=θ0+Θ(L)ut
其中,yt为非平稳时间序列,Φ(L)和Θ(L)分别为p阶自回归算子和q阶移动平均算子,θ0为漂移项,ut为预设参数序列,Ddyt表示对yt进行d次差分后的平稳过程。
本实施例中通过差分变换对非平稳时间序列进行平稳化、均值处理,差分次数即作为时间序列预测模型中的d,而时间序列预测模型中的自回归阶数p和移动平均阶数q可用AIC准则来判断。
步骤146:根据时间序列预测模型得到平稳时间序列,并计算初始预测有功功率。具体为:
yt’=φ1yt-1+φ2yt-2+…+φpyp-1+εt+εt-θ1εt-1-θ2εt-2-…-θqεt-q
其中,yt’表示t时刻的初始预测有功功率,yt-1表示t-1时刻的历史有功功率,p和q分别为自回归阶数和移动平均阶数,φi(i=1,2,…,p)和θi(i=1,2,…,q)为模型参数且不能为0,εt,εt-1,εt-2…εt-q表示白噪声序列。
模型参数φi、θi可采用矩阵计法来估计,即利用非平稳时间序列的自相关函数,建立Yule-Walker方程,从中求得模型参数φi、θi的估计值。此外,在时间序列预测模型建好后,还可通过最小二乘法对模型参数φi、θi进行精确求解,进一步提高预测精度。对于自回归阶数p、移动平均阶数q和模型参数φi、θi,均通过现有算法进行计算得到,在此不作赘述。
将历史有功功率代入上述平稳时间序列,便可计算出初始预测有功功率。
步骤148:对平稳时间序列进行反变换得到反变换序列,并将初始预测有功功率作为反变换序列的输入,得到预测有功功率。
由于是对非平稳时间序列进行d次差分处理得到的平稳时间序列,此处的反变换即是对平稳时间序列进行d次积分处理,得到反变换序列。再将步骤146中得到的初始预测有功功率作为反变换序列的输入,计算得到预测有功功率。
本实施例中预测时间段为1天,因为电能质量分析数据库中有功功率的监测值每天都会得到更新,时间序列预测模型模型每天都可根据数据源的更新而不断调整,有利于时间序列挖掘结构的不断修正。同样以预设时间段为8月1日至8月31日为例,对某一监测点的有功功率进行预测,则是获取该监测点的8月1日至8月31日每天的有功功率,对该监测点9月1日的有功功率进行预测。
步骤S150:根据预测有功功率和历史数据,采用回归分析法计算预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。
由于电网的有功功率相对比较稳定,通过预测到的有功功率来对电能质量稳态指标数据进行预测,可确保预测的准确性。在已计算出预测有功功率的基础上,利用回归分析法便可对电能质量稳态指标数据进行预测。
回归分析法是在掌握大量观察数据的基础上,利用数理统计方法建立因变量与自变量之间回归关系的函数表达式。由于有功功率与电能质量指标之间并不是单纯的线性关系,因此本发明中使用一元非线性回归分析方法进行预测。步骤S150具体可可包括步骤152至步骤154。
步骤152:建立回归分析模型。具体模型公式为
Yi=f(X)=c0exp(ciX)
即本实施例中选择指数函数作为一元非线性回归函数。其中,自变量X为预测有功功率,应变量Yi为预测电能质量稳态指标数据,c0、ci为模型参数。
模型参数c0、ci通过根据历史数据,利用线性拟合方法计算回归分析模型中的模型参数。具体为将历史数据代入上述模型公式,判断模型公式的拟合度,并对模型参数c0、ci进行估算,最后确定模型表达式。以电压偏差预测为例,将历史有功功率代入上式,计算出电压偏差预测值,与对应的历史电压偏差值比较,判断模型公式的拟合度。模型公式的拟合度检验指标是回归平方和在总平方和中所占的比例。拟合度越高,说明因变量的变异中较多的部分由自变量引起的。若拟合度为0,则说明自变量与因变量没有相关性。可以理解,模型参数c0、ci因所要预测的电能质量稳态指标数据的类型不同而取值不同,即针对预测的电能质量稳态指标数据的类型不同,选用不同的模型参数值来进行计算。
步骤154:将预测有功功率作为回归分析模型的输入,计算预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。
以预测某一监测点9月1日的电压偏差为例,回归分析模型选用与电压偏差预测对应的模型参数值,将对该监测点9月1日的预测有功功率代入回归分析模型,便可得到该监测点9月1日的预测电压偏差值。
上述电能质量稳态指标预测方法,获取已监测到的预设时间段内的历史数据,根据历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率。根据预测有功功率和历史数据,采用回归分析法计算预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。由于电网的有功功率相对比较稳定,根据历史有功功率利用时间序列算法对预测时间段内的有功功率进行预测,得到预测有功功率。然后根据预测有功功率和历史数据,利用回归分析法计算预测电能质量稳态指标数据,准确度高,可有效对电能质量稳态指标进行预测,为电网的安全运行提供保障,避免电能质量问题造成的影响。
在其中一个实施例中,如图2所示,步骤S110之后,步骤S140之前,还可包括以下步骤:
步骤S120:对历史数据进行ETL处理,得到多维分析数据库。
ETL(Extraction-Transformation-Loading,数据提取、转换和加载)处理即是根据历史数据的来源或类型等对历史数据进行分类。例如根据监测点、监测点所属单位、采集通道和采集日期等进行数据分类,还可对电能质量稳态指标中的电压偏差、频率偏差、负序电压不平衡度、总谐波畸变率和短时电压波动与闪变等进行分类存储,得到多维分析数据库。
步骤S130:根据多维分析数据库建立度量值表和多个维度表,得到多维分析模型。
根据多维分析数据库中的所有数据建立度量值表,并根据多维分析数据库中对数据的分类建立多个维度表,如监测点维度表、通道维度表和时间维度表等,得到多维分析模型。本实施例中在建立度量值表时,采用各项指标的CP95值作为度量值。CP95值即是指取测量时段内前95%个值中最大的值,提高了可信度与参考价值。
步骤S120和步骤S130即是对步骤S110从电能质量分析数据库中提取的历史数据进行了分类处理,便于用户查看管理。此外,后续步骤中计算预测有功功率时,在确定监测点后可直接从多维分析模型中获取该监测点在预设时间段内的历史数据,而无需用户从各个监测点采集的所有历史数据中寻找,节省了时间。
在其中一个实施例中,步骤S150之后,还包括以下步骤:
步骤S160:获取预测时间段内的实际有功功率和实际电能质量稳态指标数据。
步骤S170:将预测有功功率、预测电能质量稳态指标数据、实际有功功率和实际电能质量稳态指标数据存入多维分析模型的度量值表中,并建立实际值-预测值维度表。
同样以预测时间段为9月1日为例,由于电能质量分析数据库中每天都会有新监测到的数据入库,当9月1日的实际有功功率和实际电能质量稳态指标数据已经采集到并入库后,获取这些实际数据,并与之前对9月1日的预测有功功率和预测电能质量稳态指标数据一起存入多维分析模型的度量值表中,并新建一个实际值-预测值维度表,以便于用户对预测数据和实际数据进行比较研究,还利于为电能质量稳态指标预测方法的进一步改进提供数据基础。预测数据的存储天数可根据用户需要进行调整。
此外,本发明还提供了一种电能质量稳态指标预测***,如图3所示,包括提取模块110、处理模块120和预测模块130。
提取模块110用于获取已监测到的预设时间段内的历史数据。
电能质量分析数据库中存储所有监测到的历史数据,可从电能质量分析数据库中获取预设时间段内的历史数据。历史数据包括历史有功功率和与历史有功功率对应的历史电能质量稳态指标数据。电能质量稳态指标可包括电压偏差、频率偏差、负序电压不平衡度、总谐波畸变率和短时电压波动与闪变等。电能质量分析数据库中预设时间段为预先设置,用于确定参考数据的时间范围,具体可以是预测时间段的前1个月、前3个月、前5个月等。以预设时间段为预测时间段的前1个月为例,若需要预测9月1日的电能质量稳态指标数据,则历史数据包括8月1日至8月31日每天所有监测点监测到的有功功率和电能质量稳态指标数据。其中有功功率可由监测设备现场采集得到,电能质量稳态指标数据则是通过软件包计算后得到。
处理模块120用于根据历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率。
由于历史数据是从多个监测点获取的,当需要对某一监测点预测时间段内的有功功率进行预测时,应选用该监测点的历史有功功率来进行预测,避免因数据采集地点不同等环境因素对计算造成影响,提高计算准确性。处理模块120具体可包括第一处理单元、第二处理单元、第三处理单元和第四处理单元。
第一处理单元用于根据历史有功功率建立序列,建立非平稳时间序列。
将获取的历史有功功率按时间顺序进行排序,得到非平稳时间序列。
第二处理单元用于根据非平稳时间序列建立时间序列预测模型。具体为
Φ(L)Ddyt=θ0+Θ(L)ut
其中,yt为非平稳时间序列,Φ(L)和Θ(L)分别为p阶自回归算子和q阶移动平均算子,θ0为漂移项,ut为预设参数序列,Ddyt表示对yt进行d次差分后的平稳过程.
本实施例中通过差分变换对非平稳时间序列进行平稳化、均值处理,差分次数即作为时间序列预测模型中的d,而时间序列预测模型中的自回归阶数p和移动平均阶数q可用AIC准则来判断。
第三处理单元用于根据时间序列预测模型得到平稳时间序列,并计算初始预测有功功率。具体为:
yt’=φ1yt-1+φ2yt-2+…+φpyp-1+εt+εt-θ1εt-1-θ2εt-2-…-θqεt-q
其中,yt’表示t时刻的初始预测有功功率,yt-1表示t-1时刻的历史有功功率,p和q分别为自回归阶数和移动平均阶数,φi(i=1,2,…,p)和θi(i=1,2,…,q)为模型参数且不能为0,εt,εt-1,εt-2…εt-q表示白噪声序列。
模型参数φi、θi可采用矩阵计法来估计,即利用非平稳时间序列的自相关函数,建立Yule-Walker方程,从中求得模型参数φi、θi的估计值。此外,在时间序列预测模型建好后,还可通过最小二乘法对模型参数φi、θi进行精确求解,进一步提高预测精度。对于自回归阶数p、移动平均阶数q和模型参数φi、θi,均通过现有算法进行计算得到,在此不作赘述。
将历史有功功率代入上述平稳时间序列,便可计算出初始预测有功功率。
第四处理单元用于对平稳时间序列进行反变换得到反变换序列,并将初始预测有功功率作为反变换序列的输入,得到预测有功功率。
由于是对非平稳时间序列进行d次差分处理得到的平稳时间序列,此处的反变换即是对平稳时间序列进行d次积分处理,得到反变换序列。再第三处理单元得到的初始预测有功功率作为反变换序列的输入,计算得到预测有功功率。
本实施例中预测时间段为1天,因为电能质量分析数据库中有功功率的监测值每天都会得到更新,时间序列预测模型模型每天都可根据数据源的更新而不断调整,有利于时间序列挖掘结构的不断修正。同样以预设时间段为8月1日至8月31日为例,对某一监测点的有功功率进行预测,则是获取该监测点的8月1日至8月31日每天的有功功率,对该监测点9月1日的有功功率进行预测。
预测模块130用于根据预测有功功率和历史数据,采用回归分析法计算预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。
由于电网的有功功率相对比较稳定,通过预测到的有功功率来对电能质量稳态指标数据进行预测,可确保预测的准确性。在已计算出预测有功功率的基础上,利用回归分析法便可对电能质量稳态指标数据进行预测。
回归分析法是在掌握大量观察数据的基础上,利用数理统计方法建立因变量与自变量之间回归关系的函数表达式。由于有功功率与电能质量指标之间并不是单纯的线性关系,因此本发明中使用一元非线性回归分析方法进行预测。预测模块130具体可包括建模单元和预测单元。
建模单元用于建立回归分析模型。具体模型公式为
Yi=f(X)=c0exp(ciX)
即本实施例中选择指数函数作为一元非线性回归函数。其中,自变量X为预测有功功率,应变量Yi为预测电能质量稳态指标数据,c0、ci为模型参数。
模型参数c0、ci通过根据历史数据,利用线性拟合方法计算回归分析模型中的模型参数。具体为将历史数据代入上述模型公式,判断模型公式的拟合度,并对模型参数c0、ci进行估算,最后确定模型表达式。以电压偏差预测为例,将历史有功功率代入上式,计算出电压偏差预测值,与对应的历史电压偏差值比较,判断模型公式的拟合度。模型公式的拟合度检验指标是回归平方和在总平方和中所占的比例。拟合度越高,说明因变量的变异中较多的部分由自变量引起的。若拟合度为0,则说明自变量与因变量没有相关性。可以理解,模型参数c0、ci因所要预测的电能质量稳态指标数据的类型不同而取值不同,即针对预测的电能质量稳态指标数据的类型不同,选用不同的模型参数值来进行计算。
预测单元用于将预测有功功率作为回归分析模型的输入,计算预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。
以预测某一监测点9月1日的电压偏差为例,回归分析模型选用与电压偏差预测对应的模型参数值,将对该监测点9月1日的预测有功功率代入回归分析模型,便可得到该监测点9月1日的预测电压偏差值。
上述电能质量稳态指标预测***,提取模块110获取已监测到的预设时间段内的历史数据,处理模块120根据历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率。预测模块130根据预测有功功率和历史数据,采用回归分析法计算预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。由于电网的有功功率相对比较稳定,根据历史有功功率利用时间序列算法对预测时间段内的有功功率进行预测,得到预测有功功率。然后根据预测有功功率和历史数据,利用回归分析法计算预测电能质量稳态指标数据,准确度高,可有效对电能质量稳态指标进行预测,为电网的安全运行提供保障,避免电能质量问题造成的影响。
在其中一个实施例中,如图4所示,电能质量稳态指标预测***还包括建库模块140和建模模块150。
建库模块140用于在提取模块110获取已监测到的预设时间段内的历史数据之后,处理模块120根据历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率之前,对历史数据进行ETL处理,得到多维分析数据库。
ETL(Extraction-Transformation-Loading,数据提取、转换和加载)处理即是根据历史数据的来源或类型等对历史数据进行分类。例如根据监测点、监测点所属单位、采集通道和采集日期等进行数据分类,还可对电能质量稳态指标中的电压偏差、频率偏差、负序电压不平衡度、总谐波畸变率和短时电压波动与闪变等进行分类存储,得到多维分析数据库。
建模模块150用于根据多维分析数据库建立度量值表和多个维度表,得到多维分析模型。
根据多维分析数据库中的所有数据建立度量值表,并根据多维分析数据库中对数据的分类建立多个维度表,如监测点维度表、通道维度表和时间维度表等,得到多维分析模型。本实施例中在建立度量值表时,采用各项指标的CP95值作为度量值。CP95值即是指取测量时段内前95%个值中最大的值,提高了可信度与参考价值。
建库模块140和建模模块150即是对提取模块110从电能质量分析数据库中提取的历史数据进行了分类处理,便于用于查看管理。此外,后续处理模块120计算预测有功功率时,在确定监测点后可直接从多维分析模型中获取该监测点在预设时间段内的历史数据,而无需用户从各个监测点采集的所有历史数据中寻找,节省了时间。
在其中一个实施例中,电能质量稳态指标预测***还还包括采集模块160和存储模块170。
采集模块160用于在预测模块130根据预测有功功率和历史数据,采用回归分析法计算预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据之后,获取预测时间段内的实际有功功率和实际电能质量稳态指标数据。
存储模块170用于将预测有功功率、预测电能质量稳态指标数据、实际有功功率和实际电能质量稳态指标数据存入多维分析模型的度量值表中,并建立实际值-预测值维度表。
同样以预测时间段为9月1日为例,由于电能质量分析数据库中每天都会有新监测到的数据入库,当9月1日的实际有功功率和实际电能质量稳态指标数据已经采集到并入库后,获取这些实际数据,并与之前对9月1日的预测有功功率和预测电能质量稳态指标数据一起存入多维分析模型的度量值表中,并新建一个实际值-预测值维度表,以便于用户对预测数据和实际数据进行比较研究,还利于为电能质量稳态指标预测方法的进一步改进提供数据基础。预测数据的存储天数可根据用户需要进行调整。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电能质量稳态指标预测方法,其特征在于,包括以下步骤:
获取已监测到的预设时间段内的历史数据,所述历史数据包括历史有功功率和与所述历史有功功率对应的历史电能质量稳态指标数据;
根据所述历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率;
根据所述预测有功功率和历史数据,采用回归分析法计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据;
其中,电能质量稳态指标包括电压偏差、频率偏差、负序电压不平衡度、总谐波畸变率和短时电压波动与闪变。
2.根据权利要求1所述的电能质量稳态指标预测方法,其特征在于,所述根据所述历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率的步骤,包括以下步骤:
根据所述历史有功功率建立序列,建立非平稳时间序列;
根据所述非平稳时间序列建立时间序列预测模型,具体为
Φ(L)Ddyt=θ0+Θ(L)ut
其中,yt为所述非平稳时间序列,Φ(L)和Θ(L)分别为p阶自回归算子和q阶移动平均算子,θ0为漂移项,ut为预设参数序列,Ddyt表示对yt进行d次差分后的平稳过程;
根据所述时间序列预测模型得到平稳时间序列,并计算初始预测有功功率,具体为:
yt’=φ1yt-1+φ2yt-2+…+φpyp-1+εt+εt-θ1εt-1-θ2εt-2-…-θqεt-q
其中,yt’表示t时刻的初始预测有功功率,yt-1表示t-1时刻的历史有功功率,p和q分别为自回归阶数和移动平均阶数,φi、θi为模型参数且不能为0,εt,εt-1,εt-2…εt-q表示白噪声序列;
对所述平稳时间序列进行反变换得到反变换序列,并将所述初始预测有功功率作为所述反变换序列的输入,得到所述预测有功功率。
3.根据权利要求1所述的电能质量稳态指标预测方法,其特征在于,所述根据所述预测有功功率和历史数据,采用回归分析法计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据的步骤,包括以下步骤:
建立回归分析模型,具体为
Yi=f(X)=c0exp(ciX)
其中,自变量X为预测有功功率,应变量Yi为预测电能质量稳态指标数据,c0、ci为模型参数,模型参数c0、ci通过根据所述历史数据,利用线性拟合方法计算确定;
将所述预测有功功率作为所述回归分析模型的输入,计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。
4.根据权利要求1所述的电能质量稳态指标预测方法,其特征在于,所述获取已监测到的预设时间段内的历史数据的步骤之后,所述根据所述历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率的步骤之前,还包括以下步骤:
对所述历史数据进行ETL处理,得到多维分析数据库;
根据所述多维分析数据库建立度量值表和多个维度表,得到多维分析模型。
5.根据权利要求4所述的电能质量稳态指标预测方法,其特征在于,所述根据所述预测有功功率和历史数据,采用回归分析法计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据的步骤之后,还包括以下步骤:
获取所述预测时间段内的实际有功功率和实际电能质量稳态指标数据;
将所述预测有功功率、预测电能质量稳态指标数据、实际有功功率和实际电能质量稳态指标数据存入所述多维分析模型的度量值表中,并建立实际值-预测值维度表。
6.一种电能质量稳态指标预测***,其特征在于,包括:
提取模块,用于获取已监测到的预设时间段内的历史数据,所述历史数据包括历史有功功率和与所述历史有功功率对应的历史电能质量稳态指标数据;
处理模块,用于根据所述历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率;
预测模块,用于根据所述预测有功功率和历史数据,采用回归分析法计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据;
其中,电能质量稳态指标包括电压偏差、频率偏差、负序电压不平衡度、总谐波畸变率和短时电压波动与闪变。
7.根据权利要求6所述的电能质量稳态指标预测***,所述处理模块包括:
第一处理单元,用于根据所述历史有功功率建立序列,建立非平稳时间序列;
第二处理单元,用于根据所述非平稳时间序列建立时间序列预测模型,具体为
Φ(L)Ddyt=θ0+Θ(L)ut
其中,yt为所述非平稳时间序列,Φ(L)和Θ(L)分别为p阶自回归算子和q阶移动平均算子,θ0为漂移项,ut为预设参数序列,Ddyt表示对yt进行d次差分后的平稳过程;
第三处理单元,用于根据所述时间序列预测模型得到平稳时间序列,并计算初始预测有功功率,具体为:
yt’=φ1yt-1+φ2yt-2+…+φpyp-1+εt+εt-θ1εt-1-θ2εt-2-…-θqεt-q
其中,yt’表示t时刻的初始预测有功功率,yt-1表示t-1时刻的历史有功功率,p和q分别为自回归阶数和移动平均阶数,φi、θi为模型参数且不能为0,εt,εt-1,εt-2…εt-q表示白噪声序列;
第四处理单元,用于对所述平稳时间序列进行反变换得到反变换序列,并将所述初始预测有功功率作为所述反变换序列的输入,得到所述预测有功功率。
8.根据权利要求6所述的电能质量稳态指标预测***,其特征在于,所述预测模块包括:
建模单元,用于建立回归分析模型,具体为
Yi=f(X)=c0exp(ciX)
其中,自变量X为预测有功功率,应变量Yi为预测电能质量稳态指标数据,c0、ci为模型参数,模型参数c0、ci通过根据所述历史数据,利用线性拟合方法计算确定;
预测单元,用于将所述预测有功功率作为所述回归分析模型的输入,计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据。
9.根据权利要求6所述的电能质量稳态指标预测***,其特征在于,还包括:
建库模块,用于在所述提取模块获取已监测到的预设时间段内的历史数据之后,所述处理模块根据所述历史有功功率,利用时间序列算法计算预测时间段内的有功功率,得到预测有功功率之前,对所述历史数据进行ETL处理,得到多维分析数据库;
建模模块,用于根据所述多维分析数据库建立度量值表和多个维度表,得到多维分析模型。
10.根据权利要求9所述的电能质量稳态指标预测***,其特征在于,还包括:
采集模块,用于在所述预测模块根据所述预测有功功率和历史数据,采用回归分析法计算所述预测时间段内的电能质量稳态指标数据,得到预测电能质量稳态指标数据之后,获取所述预测时间段内的实际有功功率和实际电能质量稳态指标数据;
存储模块,用于将所述预测有功功率、预测电能质量稳态指标数据、实际有功功率和实际电能质量稳态指标数据存入所述多维分析模型的度量值表中,并建立实际值-预测值维度表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310429678.7A CN103500364B (zh) | 2013-09-18 | 2013-09-18 | 电能质量稳态指标预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310429678.7A CN103500364B (zh) | 2013-09-18 | 2013-09-18 | 电能质量稳态指标预测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103500364A CN103500364A (zh) | 2014-01-08 |
CN103500364B true CN103500364B (zh) | 2016-10-26 |
Family
ID=49865570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310429678.7A Active CN103500364B (zh) | 2013-09-18 | 2013-09-18 | 电能质量稳态指标预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103500364B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109991956A (zh) * | 2019-04-03 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种液体火箭发动机稳态故障预测方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008310B (zh) * | 2014-06-17 | 2017-01-18 | 河北经贸大学 | 一种电能质量稳态指标计算方法 |
CN105160445A (zh) * | 2015-01-19 | 2015-12-16 | 国家电网公司 | 一种重要用户供电可靠性的评估***和方法 |
CN107294795A (zh) * | 2017-08-02 | 2017-10-24 | 上海上讯信息技术股份有限公司 | 一种网络安全态势预测方法及设备 |
CN109412892B (zh) * | 2018-10-23 | 2022-03-01 | 株洲中车时代电气股份有限公司 | 一种网络通信质量评估***及方法 |
CN110517731A (zh) * | 2019-10-23 | 2019-11-29 | 上海思路迪医学检验所有限公司 | 基因检测质量监控数据处理方法和*** |
CN111884251A (zh) * | 2020-07-22 | 2020-11-03 | 华北电力大学 | 联络线控制性能评价指标预测方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726663A (zh) * | 2008-10-30 | 2010-06-09 | 华北电力科学研究院有限责任公司 | 一种监测用户侧谐波污染的方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8260738B2 (en) * | 2008-06-27 | 2012-09-04 | Microsoft Corporation | Forecasting by blending algorithms to optimize near term and long term predictions |
-
2013
- 2013-09-18 CN CN201310429678.7A patent/CN103500364B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101726663A (zh) * | 2008-10-30 | 2010-06-09 | 华北电力科学研究院有限责任公司 | 一种监测用户侧谐波污染的方法及*** |
Non-Patent Citations (2)
Title |
---|
OLAP技术在电能质量数据分析中的应用;王琰洁;《中国优秀硕士学位论文全文数据库 信息科技辑》;20121215;正文第11页,16页,33-36页 * |
基于ARIMA模型及回归分析的区域用电量预测方法研究;夏丽;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20130715;正文第11-13页,23页,28-29页,65页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109991956A (zh) * | 2019-04-03 | 2019-07-09 | 中国人民解放军国防科技大学 | 一种液体火箭发动机稳态故障预测方法 |
CN109991956B (zh) * | 2019-04-03 | 2020-07-07 | 中国人民解放军国防科技大学 | 一种液体火箭发动机稳态故障预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103500364A (zh) | 2014-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103500364B (zh) | 电能质量稳态指标预测方法和*** | |
Loukatou et al. | Stochastic wind speed modelling for estimation of expected wind power output | |
Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
Fan et al. | A novel online estimation scheme for static voltage stability margin based on relationships exploration in a large data set | |
CN104901823A (zh) | 一种告警阈值生成方法、业务性能指标监控方法及装置 | |
Wang et al. | Modeling the temporal correlation of hourly day-ahead short-term wind power forecast error for optimal sizing energy storage system | |
JP6032486B2 (ja) | 電力管理システム、電力管理方法 | |
CN106600464A (zh) | 基于模糊数学的电网建设新建项目造价快速估算方法 | |
CN104537429A (zh) | 一种基于数据仓库与数据挖掘技术的短期负荷预测方法及装置 | |
CN104504508A (zh) | 基于层次分析与小波回归的台区闭环数据分析方法 | |
CN110137947B (zh) | 一种基于itic曲线的电网电压暂降严重程度评估方法 | |
CN103413188A (zh) | 一种基于工业业扩报装的月度工业用电量预测方法 | |
CN109658006B (zh) | 一种大规模风电场群辅助调度方法及装置 | |
CN104052058A (zh) | 一种基于马尔可夫链蒙特卡罗法的***谐波概率评估方法 | |
CN106405280B (zh) | 一种智能变电站在线监测参数趋势预警方法 | |
Zhu et al. | Based on the ARIMA model with grey theory for short term load forecasting model | |
Yu et al. | The short-term forecasting of wind speed based on EMD and ARMA | |
CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
Yang et al. | Synchronized ambient data-based extraction of interarea modes using Hankel block-enhanced DMD | |
Nakhodchi et al. | Including uncertainties in harmonic hosting capacity calculation of a fast EV charging station utilizing Bayesian statistics and harmonic correlation | |
CN107194507A (zh) | 一种基于组合支持向量机的风电场短期风速预测方法 | |
Yan et al. | A knowledge-constrained CNN-BiLSTM model for lithium-ion batteries state-of-charge estimation | |
CN103928923B (zh) | 一种基于灵敏度分析的网络稳态电能质量预警方法 | |
CN105406468A (zh) | 一种基于熵权原理求解分布式电源对线损贡献值的方法 | |
CN107679733A (zh) | 一种电网稳定态势的量化评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |