CN103543332A - 一种电力谐波预测方法及装置 - Google Patents

Abstract

本发明提供一种电力谐波预测方法及装置，其中，方法包括：获取电力谐波监测历史数据；其中，所述电力谐波监测历史数据为按同月份排列的电力谐波监测历史数据；根据所述电力谐波监测历史数据建立同月份的年度发展时间序列的GM（1，1）预测模型；利用所述GM（1，1）预测模型对未来年份的同月份电力谐波进行预测。本技术方案基于对变电站电力谐波监测历史数据构成对应的年度发展序列，发现其一般呈现单调增的规律，很适合进行灰色预测，利用灰色预测原理进行电力谐波发展趋势预测，更加有效地对电网进行谐波压力评估、编制谐波治理规划。

Description

一种电力谐波预测方法及装置

技术领域

本发明涉及电网管理技术领域，特别涉及一种基于灰色预测原理的电力谐波预测方法及装置。

背景技术

灰色系统预测方法是一种基于灰色系统理论的、对含有不确定因素的系统进行预测的方法。灰色系统预测方法通过对原始数据的整理，选取有关联的数据序列，找出潜藏着的内在规律，建立微分方程模型，利用灰色预测技术，对某个事物发展变化的大小与时间作出预测。优点是要求数据少、不考虑分布规律、不考虑变化趋势、运算方便、预测精度高、易于检验。因此，在实际中得到了广泛应用。

在诸多电能质量问题中，电力系统谐波能够引起保护及安全自动装置误动、使旋转电机产生附加损耗、发热和机械振动，导致电容器过热，给电能计量及常及仪表带来误差，对通讯线路产生干扰等。在国际上，许多国家都先后对电网中的电压畸变，各次谐波电压、谐波电压的数值、测量方法及非线性负荷的管理等制定了相应规定来加以严格限制。近年来由于电气化铁路的大量出现，以及可控硅整流装置的广泛应用，我国不少电网中的高次谐波含量的数值已大大超过了国际上公认的标准，我国电网的谐波污染已很严重。

为了更好的采取措施对电网谐波含量加以限制，必须具有相应的监测手段。为此，很多地区的重点电网已经在变电站配置安装了电能质量在线监测装置，并获得大量的电力谐波监测数据。目前，各电网主要利用电力谐波监测数据对电能质量中的电网谐波水平进行考核评价、统计分析，还没有进行更深入的谐波监测数据应用研究工作。

发明内容

为解决上述问题，本发明提出一种电力谐波预测方法及装置，利用谐波监测数据进行变电站谐波电压的发展趋势预测，本技术方案对于电网进行谐波压力评估、编制谐波治理规划，提高电网谐波监测和治理水平，改善电能质量，都具有十分重要的理论研究和工程应用价值。

为实现上述目的，本发明提供了一种电力谐波预测方法，包括：

获取电力谐波监测历史数据；其中，所述电力谐波监测历史数据为按同月份排列的电力谐波监测历史数据；

根据所述电力谐波监测历史数据建立同月份的年度发展时间序列的GM（1，1）预测模型；

利用所述GM（1，1）预测模型对未来年份的同月份电力谐波进行预测。

可选的，在本发明一实施例中，所述获取电力谐波监测历史数据的步骤还包括：

对获取到的电力谐波监测历史数据进行预处理，修正同月份电力谐波监测历史数据中的异常值。

可选的，在本发明一实施例中，所述建立同月份的年度发展时间序列的GM（1，1）预测模型的步骤包括：

将电力谐波监测历史数据代入相应月份的GM（1，1）预测模型，计算得到对应月份GM（1，1）预测模型的时间响应序列；

对所述对应月份GM（1，1）预测模型的时间响应序列作一阶累减还原处理获取同月份的年度发展时间序列的GM（1，1）预测模型。

可选的，在本发明一实施例中，所述对未来年份的同月份电力谐波进行预测的步骤包括：

利用所述GM(1，1)预测模型获取相同月份的电力谐波时间序列的模拟值，比较所述电力谐波时间序列的模拟值与所述电力谐波监测历史数据，判断所述GM（1,1）预测模型的精确度，根据精确度对GM（1，1）预测模型进行修正；

利用所述电力谐波监测历史数据通过相同月份的修正后的GM（1,1）预测模型对未来年份的同月份电力谐波进行预测。

可选的，在本发明一实施例中，所述对未来年份的同月份电力谐波进行预测的步骤还包括：

根据预测出的电力谐波显示出未来年度的电力谐波变化曲线。

为实现上述目的，本发明还提供了一种电力谐波预测装置，包括：

电力谐波监测历史数据单元，用于获取电力谐波监测历史数据；其中，所述电力谐波监测历史数据为按同月份排列的电力谐波监测历史数据；

预测模型建立单元，用于根据所述电力谐波监测历史数据建立同月份的年度发展时间序列的GM（1，1）预测模型；

预测单元，用于利用所述GM（1，1）预测模型对未来年份的同月份电力谐波进行预测。

可选的，在本发明一实施例中，所述电力谐波监测历史数据单元还用于对获取到的电力谐波监测历史数据进行预处理，修正同月份电力谐波监测历史数据中的异常值。

可选的，在本发明一实施例中，所述预测模型建立单元包括：

时间响应序列模块，用于将电力谐波监测历史数据代入相应月份的GM（1，1）预测模型，计算得到对应月份GM（1，1）预测模型的时间响应序列；

预测模型模块，用于对所述对应月份GM（1，1）预测模型的时间响应序列作一阶累减还原处理获取同月份的年度发展时间序列的GM（1，1）预测模型。

可选的，在本发明一实施例中，所述预测单元包括：

GM（1,1）预测模型修正模块，用于利用所述GM(1，1)预测模型获取相同月份的电力谐波时间序列的模拟值，比较所述电力谐波时间序列的模拟值与所述电力谐波监测历史数据，判断所述GM（1,1）预测模型的精确度，根据精确度对GM（1，1）预测模型进行修正；

电力谐波预测模块，用于利用所述电力谐波监测历史数据通过相同月份的修正后的GM（1,1）预测模型对未来年份的同月份电力谐波进行预测。

可选的，在本发明一实施例中，所述预测单元还包括：

显示模块，用于根据预测出的电力谐波显示出未来年度的电力谐波变化曲线。

上述技术方案具有如下有益效果：本技术方案基于对变电站电力谐波监测历史数据构成对应的年度发展序列，发现其一般呈现单调增的规律，很适合进行灰色预测，利用灰色预测原理进行电力谐波发展趋势预测，更加有效地对电网进行谐波压力评估、编制谐波治理规划。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提出的一种电力谐波预测方法流程图；

图2为本发明提出的一种电力谐波预测装置结构框图；

图3为本发明提出的一种电力谐波预测装置中预测模型建立单元结构框图；

图4为本发明提出的一种电力谐波预测装置中预测单元结构框图之一；

图5为本发明提出的一种电力谐波预测装置中预测单元结构框图之二；

图6为实施例1中#1变电站的谐波电压总畸变率原始数据与预测数据的变化趋势曲线图；

图7为实施例2中#2变电站的谐波电压总畸变率原始数据与预测数据的变化趋势曲线图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，为本发明提出的一种电力谐波预测方法流程图；包括：

步骤101）：获取电力谐波监测历史数据；其中，所述电力谐波监测历史数据为按同月份排列的电力谐波监测历史数据；

步骤102）：根据所述电力谐波监测历史数据建立同月份的年度发展时间序列的GM（1，1）预测模型；

步骤103）：利用所述GM（1，1）预测模型对未来年份的同月份电力谐波进行预测。

可选的，在本发明一实施例中，所述步骤101还包括：

对获取到的电力谐波监测历史数据进行预处理，修正同月份电力谐波监测历史数据中的异常值。

可选的，在本发明一实施例中，所述步骤102包括：

将电力谐波监测历史数据代入相应月份的GM（1，1）预测模型，计算得到对应月份GM（1，1）预测模型的时间响应序列；

对所述对应月份GM（1，1）预测模型的时间响应序列作一阶累减还原处理获取同月份的年度发展时间序列的GM（1，1）预测模型。

可选的，在本发明一实施例中，所述步骤103包括：

利用所述GM(1，1)预测模型获取相同月份的电力谐波时间序列的模拟值，比较所述电力谐波时间序列的模拟值与所述电力谐波监测历史数据，判断所述GM（1,1）预测模型的精确度，根据精确度对GM（1，1）预测模型进行修正；

利用所述电力谐波监测历史数据通过相同月份的修正后的GM（1,1）预测模型对未来年份的同月份电力谐波进行预测。

可选的，在本发明一实施例中，所述步骤103还包括：

根据预测出的电力谐波显示出未来年度的电力谐波变化曲线。

如图2所示，为本发明提出的一种电力谐波预测装置结构框图。包括：

电力谐波监测历史数据单元201，用于获取电力谐波监测历史数据；其中，所述电力谐波监测历史数据为按同月份排列的电力谐波监测历史数据；

预测模型建立单元202，用于根据所述电力谐波监测历史数据建立同月份的年度发展时间序列的GM（1，1）预测模型；

预测单元203，用于利用所述GM（1，1）预测模型对未来年份的同月份电力谐波进行预测。

可选的，在本发明一实施例中，所述电力谐波监测历史数据单元201还用于对获取到的电力谐波监测历史数据进行预处理，修正同月份电力谐波监测历史数据中的异常值。

如图3所示，为本发明提出的一种电力谐波预测装置中预测模型建立单元结构框图。所述预测模型建立单元202包括：

时间响应序列模块2021，用于将电力谐波监测历史数据代入相应月份的GM（1，1）模型，计算得到对应月份GM（1，1）模型的时间响应序列；

预测模型模块2022，用于对所述对应月份GM（1，1）预测模型的时间响应序列作一阶累减还原处理获取同月份的年度发展时间序列的GM（1，1）预测模型。

如图4所示，为本发明提出的一种电力谐波预测装置中预测单元结构框图之一。所述预测单元203包括：

GM（1,1）预测模型修正模块2031，用于利用所述GM(1，1)预测模型获取相同月份的电力谐波时间序列的模拟值，比较所述电力谐波时间序列的模拟值与所述电力谐波监测历史数据，判断所述GM（1,1）预测模型的精确度，根据精确度对GM（1，1）预测模型进行修正；

电力谐波预测模块2032，用于利用所述电力谐波监测历史数据通过相同月份的修正后的GM（1,1）预测模型对未来年份的同月份电力谐波进行预测。

如图5所示，为本发明提出的一种电力谐波预测装置中预测单元结构框图之二。所述预测单元203还包括：

显示模块2033，用于根据预测出的电力谐波显示出未来年度的电力谐波变化曲线。

实施例：

首先，获取按月度排列的电力谐波监测历史数据。

然后，抽取各月份历史数据构成相同月份历史数据的年度发展时间序列{x(i,j)}。其中，i=1,2,…n,表示共有n年的历史数据；j=1,2,…,12，表示每年12个月的历史数据。

接着，修正同月份历史数据的年度发展时间序列{x(i,j)}的异常值,得到修正后同月份历史数据的年度发展时间序列。

其中，对同月份历史数据构成的年度发展时间序列{x(i,j)}进行分析，出现数据跳变的异常值时，采用中值修正。即：如果跳变数据为x(i,j)，其相邻年份对应的同月份数据分别为x(i-1,j)，x(i+1,j)，修正后数据为x⁽⁰⁾(i,j),有：

x⁽⁰⁾(i,j)=[x(i-1,j)+x(i+1,j)]/2

将修正后第j月份历史数据的年度发展时间序列代入GM(1，1)预测模型，计算得到j月份GM(1，1)预测模型的时间响应序列。

其中，计算过程为：

利用1次累加生成1-AGO，以弱化修正后第j月份历史数据的年度发展时间序列的随机性和波动性。生成的数据序列如下：

x⁽¹⁾(i,j)=(x⁽¹⁾(1,j),x⁽¹⁾(2,j),…,x⁽¹⁾(k,j),…,x⁽¹⁾(n,j))

其中， $x^{\left(1\right)}=(k,j)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}(i,j),(k=\mathrm{1,2,3},...,n)$

计算x⁽¹⁾的紧邻均值生成序列z⁽¹⁾=(z⁽¹⁾(2,j),z⁽¹⁾(3,j),…，z⁽¹⁾(k,j),…,z⁽¹⁾(n,j))，其中

z⁽¹⁾(k,j)=0.5x⁽¹⁾(k,j)+0.5x⁽¹⁾(k-1,j)，（k=2,3,…,n）。

计算参数 $\widehat{\mathrm{\α}}{(a,b)}^T={\left(B^{T}B\right)}^{-1}{B}^{T}Y,$ 其中：

$Y=\left[\begin{array}{c}{x}^{\left(0\right)}(2,j)\\ x^{\left(0\right)}(3,j)\\ .\\ .\\ .\\ x^{\left(0\right)}(n,j)\end{array}\right],B=\left[\begin{array}{cc}-z^{\left(1\right)}(2,j)& 1\\ -z^{\left(1\right)}(3,j)& 1\\ .& \\ .& \\ .& \\ -z^{\left(1\right)}(n,j)& 1\end{array}\right]$

计算时间响应序列为 ${\hat{x}}^{\left(1\right)}(k+1,j)=(x^{\left(0\right)}(1,j)-\frac{b}{a})e^{-\mathrm{ak}}+\frac{b}{a},k=\mathrm{1,2},...,n.$

对上述时间响应序列再作1阶累减获取第j月份年度发展时间序列的GM（1，1）预测模型。

${\hat{x}}^{\left(0\right)}(k+1,j)={\hat{x}}^{\left(1\right)}(k+1,j)-{\hat{x}}^{\left(1\right)}(k,j),(k=\mathrm{1,2,3},...,n)$

然后，利用j月份GM(1，1)预测模型计算j月份时间序列的模拟值，比较模拟值与原始值，判断GM(1，1)预测模型精度。

${\hat{x}}^{\left(0\right)}(k+1,j)={\hat{x}}^{\left(1\right)}(k+1,j)-{\hat{x}}^{\left(1\right)}(k,j),(k=\mathrm{1,2,3},...,n)$

如果GM（1,1）预测模型精度高，则通过所述GM（1,1）预测模型对未来电力谐波时间序列进行预测。

${\hat{x}}^{\left(0\right)}(k+1,j)={\hat{x}}^{\left(1\right)}(k+1,j)-{\hat{x}}^{\left(1\right)}(k,j),(k=n+1,n+2,n+3,...,n+m)$

根据预测值生成按月度排列的电力谐波变化曲线。

如果GM（1,1）预测模型精度不高，则对GM（1,1）预测模型进行修正以提高GM（1,1）预测模型的精度，然后利用修正后的GM（1,1）预测模型对未来电力谐波时间序列进行预测。

下面结合实施实例对本发明作进一步说明。表1是某电网#1、220kV变电站的电力谐波监测历史数据。实施例1以其为原始历史数据，建立各个月度的电力谐波灰色预测模型，对变电站电力谐波5年的中长期发展趋势进行预测。

表1#1变电站电力谐波监测历史数据

抽取#1变电站电力谐波监测历史数据中7月份的数据构成的年度发展时间序列进行预测。采用GM(1，1)预测模型预测时，其中的参数-a=0.0265为发展系数，b=1.6432为灰色作用量。建立的#1变电站7月份VTHD灰色GM（1，1）预测模型为：

${\hat{x}}^{\left(1\right)}(k+1)=63.567e^{-0.0265k}-61.906,k=\mathrm{1,2},...,n$

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),k=\mathrm{1,2,3},...,n$

用该模型可计算得到#1变电站2009年至2011年7月份的VTHD模拟数据，其与7月份的原始数据序列相比，最大相对误差为0.061%。

#1变电站其他月份按照上述7月份的方式进行处理及预测。如图6所示，为实施例1中#1变电站的谐波电压总畸变率原始数据与预测数据的变化趋势曲线图。对1#变电站其它各月份的VTHD数据进行5年预测，最终得到#1变电站2009年至2016年各月份的模拟数据和预测数据，并生成按月度排列的电力谐波变化曲线。

表2是某电网#2、220kV变电站的电力谐波监测历史数据。实施例2以其为原始历史数据，建立各个月度的电力谐波灰色预测模型，对变电站电力谐波5年的中长期发展趋势进行预测。

表2#2变电站电力谐波监测历史数据

抽取#2变电站电力谐波监测历史数据中8月份的数据构成的年度发展时间序列进行预测。采用GM(1，1)预测模型预测时，其中的参数-a=0.0213为发展系数，b=2.2044为灰色作用量。建立的#2变电站8月份VTHD灰色GM（1，1）预测模型为：

${\hat{x}}^{\left(1\right)}(k+1)=105.625e^{-0.0213k}-103.448,k=\mathrm{1,2},...,n$

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right),k=\mathrm{1,2,3},...,n$

用该模型可计算得到#2变电站2009年至2011年8月份的VTHD模拟数据，其与8月份的原始数据序列相比，最大相对误差为0.039%。

#2变电站其他月份按照上述8月份的方式进行处理及预测。图7为实施例2中#2变电站的谐波电压总畸变率原始数据与预测数据的变化趋势曲线图。对#2变电站其它各月份的VTHD数据进行5年预测，最终得到#2变电站2009年至2016年各月份的模拟数据和预测数据，并生成按月度排列的电力谐波变化曲线。

本实施例按照月度电力谐波监测历史数据的年度发展序列，建立各个月度的电力谐波灰色预测模型，生成按月度排列的电力谐波变化曲线，可以对电力谐波的中长期发展趋势进行预测，更加有效地对电网进行谐波压力评估、编制谐波治理规划。

最后应说明的是：上述仅用以说明本发明而并非限制本发明所描述的技术方案；尽管本说明书对本发明已进行了详细的说明，但是，本领域的技术人员仍然可以对本发明进行修改或等同替换，一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围中。

Claims (10)

1.一种电力谐波预测方法，其特征在于，包括：

获取电力谐波监测历史数据；其中，所述电力谐波监测历史数据为按同月份排列的电力谐波监测历史数据；

根据所述电力谐波监测历史数据建立同月份的年度发展时间序列的GM（1，1）预测模型；

利用所述GM（1，1）预测模型对未来年份的同月份电力谐波进行预测。

2.如权利要求1所述的方法，其特征在于，所述获取电力谐波监测历史数据的步骤还包括：

对获取到的电力谐波监测历史数据进行预处理，修正同月份电力谐波监测历史数据中的异常值。

3.如权利要求1所述的方法，其特征在于，所述建立同月份的年度发展时间序列的GM（1，1）预测模型的步骤包括：

将电力谐波监测历史数据代入相应月份的GM（1，1）预测模型，计算得到对应月份GM（1，1）预测模型的时间响应序列；

对所述对应月份GM（1，1）预测模型的时间响应序列作一阶累减还原处理获取同月份的年度发展时间序列的GM（1，1）预测模型。

4.如权利要求1所述的方法，其特征在于，所述对未来年份的同月份电力谐波进行预测的步骤包括：

利用所述GM(1，1)预测模型获取相同月份的电力谐波时间序列的模拟值，比较所述电力谐波时间序列的模拟值与所述电力谐波监测历史数据，判断所述GM（1,1）预测模型的精确度，根据精确度对GM（1，1）预测模型进行修正；

利用所述电力谐波监测历史数据通过相同月份的修正后的GM（1,1）预测模型对未来年份的同月份电力谐波进行预测。

5.如权利要求4所述的方法，其特征在于，所述对未来年份的同月份电力谐波进行预测的步骤还包括：

根据预测出的电力谐波显示出未来年度的电力谐波变化曲线。

6.一种电力谐波预测装置，其特征在于，包括：

电力谐波监测历史数据单元，用于获取电力谐波监测历史数据；其中，所述电力谐波监测历史数据为按同月份排列的电力谐波监测历史数据；

预测模型建立单元，用于根据所述电力谐波监测历史数据建立同月份的年度发展时间序列的GM（1，1）预测模型；

预测单元，用于利用所述GM（1，1）预测模型对未来年份的同月份电力谐波进行预测。

7.如权利要求6所述的装置，其特征在于，所述电力谐波监测历史数据单元还用于对获取到的电力谐波监测历史数据进行预处理，修正同月份电力谐波监测历史数据中的异常值。

8.如权利要求6所述的装置，其特征在于，所述预测模型建立单元包括：

时间响应序列模块，用于将电力谐波监测历史数据代入相应月份的GM（1，1）预测模型，计算得到对应月份GM（1，1）预测模型的时间响应序列；

预测模型模块，用于对所述对应月份GM（1，1）预测模型的时间响应序列作一阶累减还原处理获取同月份的年度发展时间序列的GM（1，1）预测模型。

9.如权利要求6所述的装置，其特征在于，所述预测单元包括：

GM（1,1）预测模型修正模块，用于利用所述GM(1，1)预测模型获取相同月份的电力谐波时间序列的模拟值，比较所述电力谐波时间序列的模拟值与所述电力谐波监测历史数据，判断所述GM（1,1）预测模型的精确度，根据精确度对GM（1，1）预测模型进行修正；

电力谐波预测模块，用于利用所述电力谐波监测历史数据通过相同月份的修正后的GM（1,1）预测模型对未来年份的同月份电力谐波进行预测。

10.如权利要求9所述的装置，其特征在于，所述预测单元还包括：

显示模块，用于根据预测出的电力谐波显示出未来年度的电力谐波变化曲线。

Images