CN103606931B - 一种基于概率统计特征的avc系统定值调整方法 - Google Patents

Abstract

一种基于概率统计特征的AVC系统定值调整方法，包括下述步骤：首先将相关数据系统抽取，装载到数据仓库中；利用去噪音后数据，提取各个区域AVC电压无功历史数据和AVC系统定值数据，计算电压无功在各个时期的波动率，对电压无功进行一个调整周期的预测，得到电压无功数据预测序列；计算综合系统风险概率值P；根据每个区域AVC系统的上下限定值，得到基于概率统计特征的AVC系统定值；利用上下限定值，依据电压无功数据预测序列，对系统进行模拟仿真性调节测试，运行一个调整周期后，更新数据仓库数据源，重复得到新的系统定值。本发明对系统定值动态、周期性调整，使系统调节更加符合不同时期电力系统运行特点。

Description

一种基于概率统计特征的AVC系统定值调整方法

技术领域

本发明属于电力系统自动化控制领域，涉及一种基于概率统计特征的自动电压控制系统内部参数设定及调整优化方法，特别涉及一种基于概率统计特征的AVC系统定值调整方法。

背景技术

电压是电力系统的重要运行指标，也是电能质量的重要指标。电压的稳定是电力系统安全稳定运行的保证，而且对降低有功损耗，提高电网运行的经济效益具有非常重要的意义。从20世纪80年代开始，建立各级电网统一的自动电压控制系统（AutomaticVoltage Control，AVC）成为了提高系统电压水平和保证电网安全、稳定的热点研究领域。

AVC系统对电网实时采集数据进行分析计算，利用计算机通信技术对发电机机端电压（或无功出力）、变压器抽头、无功补偿装置等进行在线闭环控制，调整无功潮流、使得全系统电压合格，同时全网有功损耗最小。

国内外实际电力系统运行结果表明，相对于传统的电压无功综合自动控制（Voltage Quality Control即VQC）系统，AVC系统能灵活地适应电网方式变化而进行合理的无功电压调节，AVC的投入，减缓了系统电压波动过大的问题。

AVC系统控制装置的控制策略主要是依据九区域图法（如图1）。九区图将电压和无功的实际数据，按照电压上下限、合格无功上下限划分为九个区域，其中区域1为合格区域。

AVC主要通过自动调节主变压器电压分接头位置和投切电容来保证电压质量和实现无功的平衡。分接头上调后U将变大，Q将变大，分接头下调后U将变小，Q将变小；投入电容器后Q将变小，U将变大，退出电容器后Q将变大，U将变小；当电压无功处于区域2-9时，可通过调节主变压器电压分接头位置和投切电容器，使电压无功回到合格区域1，实现调节。

目前AVC系统采取设定定值的方式，来保证电压合格率，减少电压越限次数，即设定系统电压定值上限稍低于电压合格上限，电压定值下线稍高于定值下限。采取设定定值方式可以有效提高电压合格率，保障系统安全性，但目前AVC定值设定方式存在以下缺陷：

1、定值设定依靠人工经验，缺乏科学严谨性；

2、定值设定单一，采取一刀切的形式对所有区域AVC统一设定一个定值；

3、定值设定无法反应系统的动态特征；

因此，需要提供一种能够根据不同区域不同时期电力系统运行特征，合理调整定值的装置及方法。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于概率统计特征的AVC系统定值调整方法，其具有自动学习AVC系统历史数据，针对不同时期不同系统数据特点，设定更合理的系统定值。

本发明的目的通过下述技术方案实现：

一种基于概率统计特征的AVC系统定值调整方法，包括下述步骤：

第一步：首先将AVC系统各个区域相关数据从SCADA、EMS系统抽取，装载到数据仓库中，提供分析数据源；

第二步：针对从系统中抽取数据存在的噪音，利用概率统计中时间序列方法进行识别、调整或剔除；

第三步：利用去噪音后数据，提取各个区域AVC电压无功历史数据和AVC系统定值数据，按照两种越限统计条件方法计算相应定值条件下，电压无功超过上下限定值后再越限的风险概率值；

第四步：利用去噪音后数据，计算各个区域AVC电压无功在各个时期的波动率，基于概率分布的3Sigma理论，再得到电压无功数据分布的3Sigma数据值；

第五步：利用人工智能算法和时间序列方法对各个区域AVC系统电压无功进行一个调整周期的预测，得到电压无功数据预测序列；

第六步：根据第三步得到的各个区域AVC系统风险概率值，考虑电容器容量、电容器投切数据和主变调整数据，计算综合系统风险概率值P；

第七步：根据第五步计算的综合系统风险概率值P，初步确定每个区域AVC系统的上下限定值，再利用第四步得到的3Sigma数据值对各个上下限定值进行检验和调整，初步得到基于概率统计特征的AVC系统定值；

第八步：利用第七步得到的上下限定值，依据第五步的电压无功数据预测序列，对系统进行模拟仿真性调节测试，确定基于概率统计特征的AVC系统定值；

第九步：运行一个调整周期后，更新数据仓库数据源，重复步骤一至六，得到新的系统定值。

优选的，第一步中，所述相关数据包括：电压无功历史数据、用电负荷数据、前期电压无功控制装置调整定值数据及电容器容量、电容器投切数据和主变调整数据。

优选的，第一步中，数据仓库是面向主题的、整合的、稳定的，并且时变的收集数据以支持管理决策的一种数据结构形式，其目标是为了制定管理的决策提供支持信息；装载到数据仓库的数据包括：各个区域电压、有功、无功历史数据，用电负荷数据，前期电压无功控制装置调整定值数据及电容器容量，电容器投切数据，变压器分接头档位数据；相关数据还包括有电容器电抗器的无功，线路开关信息，调度员调节操作，及其他调节任务。

优选的，第二步中，利用时间序列去噪音处理过程按照以下步骤进行：

一、根据噪音数据来源及特征，确定存在噪音的数据时序特征，检测噪音数据是否存在；

二、建立数据时序模型，识别、测量数据噪音；

三、选取合理去噪音方式对噪音进行调整、剔除；

进一步，设一般时间序列模型为：

x_i=f_i(x₀,x₁,…,x_i-1)+ε_i i=0,1,2,…;

其中f_i(x₀,x₁,…,x_i-1)表示t-1时刻已知的信息集，与t时刻时序值关系；

可作为噪音识别的时间序列统计特征有：

均值：

$\stackrel{-}{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i$

方差:

$\stackrel{-}{{\mathrm{\σ}}^2}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{-}{x})}^2$

相关系数：

${\mathrm{\ρ}}_{x,y}=\frac{\mathrm{Cov}(X,Y)}{\sqrt{\mathrm{Var}\left(X\right)\mathrm{Var}\left(Y\right)}}$

自相关系数：

$r_k=\frac{\mathrm{Cov}(r_t,r_{t-k})}{\mathrm{Var}\left(r_t\right)}$

残差均值：

$\stackrel{-}{\mathrm{\ϵ}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_i$

残差方差：

$\mathrm{Var}\left(\mathrm{\ϵ}\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{\ϵ}}_i-\stackrel{-}{\mathrm{\ϵ}})}^2$

时序模型的确立需要根据不同时序数据的统计特性特征确定，一般常采用的时序概率模型有自回归条件异方差模型、广义自回归条件异方差模型、指数GARCH模型或随机系数自回归。

优选的，第三步中，第一种再越限风险概率值计算方式为：

P_H=P(V>H₀|V>H_max)

P_L=P(V<H₀|V<H_min)

其中H₀为设定系统定值，H_max为系统合格上限值，H_min为系统合格上限值，P_H和P_L为风险概率值；

第二种再越限风险概率值计算如下：

P_H=I₀/I_max

P_L=I₀/I_min

其中I₀为越过系统定值的区间个数，I_max为越过定值且越过系统合格上限值的区间个数，I_max为越过定值且越过系统合格下限值的区间个数，P_H和P_L为风险概率值。

优选的，第五步中，时间序列预测的具体方法采取移动平均法和自回归滑动平均法，通过比较两者的拟合有毒和误差平方，选择更优预测值。

优选的，时间序列预测的具体步骤如下：

采取移动平滑法对电压进行预测，利用一组电压观测值的均值作为下一期的预测值，设该组观测值时间序列为y₁,y₂,y₃,…，其中y_t为最新观测值，则：

$y_{t+1}=\frac{1}{N}\underset{t=N+1}{\overset{t}{\mathrm{\&Sigma;}}}{y}_t$

其中N为一组观测值的个数；

q阶移动平滑均值模型的公式为：

y_t=ε₁-θ₁ε_t-1-θ₂ε_t-2-…-θ_qε_t-q

采取ARMA模型预测时，须对数据进行随机性、平稳性、季节性检验，先进行拟合、建模，模型ARMA(p,d,q)为：

y_t=φ₁y_t-1+φ₂y_t-2+…+φ_py_t-p+ε_t-θ₁ε_t-1-θ₂ε_t-2…-θ_qε_t-q

其中p、q为模型的阶数；常数系数φ₁、φ₁、…φ_p和θ₁、θ₁、…θ_p为模型的参数，ε₁、ε₁…ε_t-p为残差序列；

预测数据评价，通过比较两者的误差平方和SSE、赤池信息量AIC、施瓦茨信息量SC、拟合优度和拟合效果，以SSC、AIC、SC较小者为优，拟合优度较大者为优，拟合较佳者为优。

优选的，第六步中，计算综合系统风险概率值P的具体方法为：

先将系统风险概率分布数据按照间隔I₀模糊化，取模糊化后数据的峰值P₀作为参考值，根据系统设备、参数实际情况向上滑动△P₁，向下滑动△P₂得到合理风险概率区间[P₀-△P₁,P₀+△P₂]，则：

$P={\&Integral;}_{P_0-\mathrm{\&Delta;}{P}_1}^{P_0+\mathrm{\&Delta;}{P}_2}f\left(p\right)\mathrm{pdp}.$

本发明相对于现有技术具有如下的优点及效果：

1、本发明根据AVC历史数据及预测数据设定定值，具有针对性和前瞻性。

2、本发明基于概率统计特征的设定方法，引入风险概率思想，有利于提高系统稳定性和风险性认识。

3、本发明对系统定值动态、周期性调整，使系统调节更加符合不同时期电力系统运行特点。

4、本发明对基于概率统计特征方法设定的定值经过多次检验和测试，能有效保证定值对电力系统的安全性要求。

5、本发明提出2种计算风险概率计算方式，结合过程控制原理对定值进行优化选择，谨慎调节的同时保持了优化的安全性。

附图说明

图1是现有技术中的九区域法图；

图2是本发明系统调节示意图。

图3是本发明的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图2、图3所示，本实施例基于概率统计的AVC系统定值调整方法，包括下述步骤：

第一步：首先将AVC系统各个区域电压无功历史数据、用电负荷数据、前期电压无功控制装置调整定值数据及电容器容量、电容器投切数据、主变调整数据等相关数据从SCADA、EMS等系统抽取，装载到数据仓库中，提供分析数据源；

数据仓库是面向主题的、整合的、稳定的，并且时变的收集数据以支持管理决策的一种数据结构形式，其目标是为了制定管理的决策提供支持信息。相对于数据库技术而言，其突出的海量数据存储能力和快速检索能力为本发明具体实施提供强有力支持。

具体而言，装载到数据仓库的数据包括：各个区域电压、有功、无功历史数据，用电负荷数据，前期电压无功控制装置调整定值数据及电容器容量，电容器投切数据，变压器分接头档位数据；相关数据还包括有电容器电抗器的无功，线路开关信息，调度员调节操作，及其他调节任务等；

第二步：针对从SCADA等系统中抽取数据存在的噪音，利用概率统计中时间序列（TSA）方法进行识别、调整或剔除；

具体来说，第二步中利用时间序列去噪音处理过程按照以下步骤进行：

一、根据噪音数据来源及特征，确定存在噪音的数据时序特征，检测噪音数据是否存在；

二、建立数据时序模型，识别、测量数据噪音；

三、选取合理去噪音方式对噪音进行调整、剔除；

进一步，设一般时间序列模型为：

x_i=f_i(x₀,x₁,…,x_i-1)+ε_i i=0,1,2,…;

其中f_i(x₀,x₁,…,x_i-1)表示t-1时刻已知的信息集，与t时刻时序值关系。

可作为噪音识别的时间序列统计特征有：

均值：

$\stackrel{-}{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i$

方差:

$\stackrel{-}{{\mathrm{\&sigma;}}^2}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(x_i-\stackrel{-}{x})}^2$

相关系数：

${\mathrm{\&rho;}}_{x,y}=\frac{\mathrm{Cov}(X,Y)}{\sqrt{\mathrm{Var}\left(X\right)\mathrm{Var}\left(Y\right)}}$

自相关系数：

$r_k=\frac{\mathrm{Cov}(r_t,r_{t-k})}{\mathrm{Var}\left(r_t\right)}$

残差均值：

$\stackrel{-}{\mathrm{\&epsiv;}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_i$

残差方差：

$\mathrm{Var}\left(\mathrm{\&epsiv;}\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{({\mathrm{\&epsiv;}}_i-\stackrel{-}{\mathrm{\&epsiv;}})}^2$

时序模型的确立需要根据不同时序数据的统计特性特征确定，一般常采用的时序概率模型有自回归条件异方差（ARCH）模型、广义自回归条件异方差模型（GARCH）、指数GARCH模型（EGARCH模型）、随机系数自回归（RCA模型）等；

第三步：利用去噪音后数据，提取各个区域AVC电压无功历史数据和AVC系统定值数据，按照两种越限统计条件方法计算相应定值条件下，电压无功超过上下限定值后再越限的风险概率值。

第一种再越限风险概率值计算方式为：

P_H=P(V>H₀|V>H_max) （1）

P_L=P(V<H₀|V<H_min) （2）

其中H₀为设定系统定值，H_max为系统合格上限值，H_min为系统合格上限值，P_H和P_L为风险概率值。

第二种再越限风险概率值计算如下：

P_H=I₀/I_max （3）

P_L=I₀/I_min （4）

其中I₀为越过系统定值的区间个数，I_max为越过定值且越过系统合格上限值的区间个数，I_max为越过定值且越过系统合格下限值的区间个数，P_H和P_L为风险概率值。

第四步：利用去噪音后数据，计算各个区域AVC电压无功在各个时期的波动率，基于概率分布的3Sigma理论，再得到电压无功数据分布的3Sigma数据值。

第五步：利用时间序列方法对各个区域AVC系统电压无功进行一个调整周期的预测，得到电压无功数据预测序列。

时间序列分析作为一种现代数据处理方法，在实践中一个非常重要的任务就是对客观数据进行一定预测。这里对电压无功数据进行趋势外推，计算预测电压无功值。

时间序列预测的具体方法很多种，如指数平滑法、移动平均法、自回归分析及求和自回归滑动平均法(ARMA法)等；在此实施例中，采取移动平均法和自回归滑动平均法，通过比较两者的拟合有毒、误差平方等指标，选择更优预测值。

采取移动平滑法对电压进行预测，主要思想为利用一组电压观测值的均值作为下一期的预测值，设该组观测值时间序列为y₁,y₂,y₃,…，其中y_t为最新观测值，则：

$y_{t+1}=\frac{1}{N}\underset{t=N+1}{\overset{t}{\mathrm{\&Sigma;}}}{y}_t$

其中N为一组观测值的个数。

q阶移动平滑均值模型的公式为：

y_t=ε₁-θ₁ε_t-1-θ₂ε_t-2-…-θ_qε_t-q

采取ARMA模型预测时，须对数据进行随机性、平稳性、季节性检验，先进行拟合、建模；模型ARMA(p,d,q)为：

y_t=φ₁y_t-1+φ₂y_t-2+…+φ_py_t-p+ε_t-θ₁ε_t-1-θ₂ε_t-2…-θ_qε_t-q

其中p、q为模型的阶数；常数系数φ₁、φ₁、…φ_p和θ₁、θ₁、…θ_p为模型的参数，ε₁、ε₁…ε_t-p为残差序列。

预测数据评价，通过比较两者的误差平方和(SSE)、赤池信息量(AIC)、施瓦茨信息量(SC)、拟合优度和拟合效果，以SSC、AIC、SC较小者为优，拟合优度较大者为优，拟合较佳者为优。

第六步：根据第三步得到的各个区域AVC系统风险概率值，考虑电容器容量、电容器投切数据、主变调整数据等相关数据，计算综合系统风险概率值P。

各个区域AVC系统风险概率值整体，形成了在设定定值条件下系统风险概率分布f(p)，在此基础上，考虑到可参与系统调节的电容器大小，电容器投切和主变调整容许次数，变压器停运、检修、备用、投运以及设备相关计算参数，确定一个合理风险概率区间，计算在此区间内风险概率的加权值，即该区间内风险概率条件期望作为综合系统风险概率值P；

具体确定方式为：先将系统风险概率分布数据按照间隔I₀模糊化，取模糊化后数据的峰值P₀作为参考值，根据系统设备、参数实际情况向上滑动△P₁，向下滑动△P₂得到合理风险概率区间[P₀-△P₁,P₀+△P₂]；则P为：

$P={\&Integral;}_{P_0-\mathrm{\&Delta;}{P}_1}^{P_0+\mathrm{\&Delta;}{P}_2}f\left(p\right)\mathrm{pdp}$

第七步：根据第五步计算的综合系统风险概率值P，初步确定每个区域AVC系统的上下限定值，再利用第四步得到的3Sigma数据值对各个上下限定值进行检验和调整，初步得到基于概率统计特征的AVC系统定值。

考虑每个区域AVC系统实际运行数据，按照风险概率原理，可采取定值抽样方式，计算每个抽样定值的风险概率值，使抽样定值逐步逼近综合系统风险概率P，当抽样定值的风险概率值与综合系统风险概率误差小于设定误差时，即得到系统上下限定值；为保证调整过程控制在合理区间，利用3Sigma过程控制原理，对两种条件风险概率定值进行优化选择，选取时遵循风险最小原则。

第八步：利用第七步得到的上下限定值，依据第五步的电压无功数据预测序列，对系统进行模拟仿真性调节测试，确定基于概率统计特征的AVC系统定值。

在模拟系统中，输入电压无功数据运行预测序列{v₁,v₂,v₃,…}，并导入各类系统基础数据及参数，设定各个区域AVC定值为第七步得到的定值，运行一个周期。测量在运行过程中，系统电压无功等各项参数变化指标，以测试系统在实际运行状态下，依据本发明设定定值的安全性和有效性。

第九步：运行一个调整周期后，更新数据仓库数据源，重复步骤一至六，得到适合新周期的系统定值。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于概率统计特征的AVC系统定值调整方法，其特征在于，包括下述步骤：

第一步：首先将AVC系统各个区域相关数据从SCADA、EMS系统抽取，装载到数据仓库中，提供分析数据源；

第二步：针对从系统中抽取数据存在的噪音，利用概率统计中时间序列方法进行识别、调整或剔除；

第三步：利用去噪音后数据，提取各个区域AVC电压无功历史数据和AVC系统定值数据，按照两种越限统计条件方法计算相应定值条件下，电压无功超过上下限定值后再越限的风险概率值；

第四步：利用去噪音后数据，计算各个区域AVC电压无功在各个时期的波动率，基于概率分布的3Sigma理论，再得到电压无功数据分布的3Sigma数据值；

第五步：利用人工智能算法和时间序列方法对各个区域AVC系统电压无功进行一个调整周期的预测，得到电压无功数据预测序列；

第六步：根据第三步得到的各个区域AVC系统风险概率值，考虑电容器容量、电容器投切数据和主变调整数据，计算综合系统风险概率值P；

第七步：根据第六步计算的综合系统风险概率值P，初步确定每个区域AVC系统的上下限定值，再利用第四步得到的3Sigma数据值对各个上下限定值进行检验和调整，初步得到基于概率统计特征的AVC系统定值；

第八步：利用第七步得到的上下限定值，依据第五步的电压无功数据预测序列，对系统进行模拟仿真性调节测试，确定基于概率统计特征的AVC系统定值；

第九步：运行一个调整周期后，更新数据仓库数据源，重复步骤一至六，得到新的系统定值；

第一步中，所述相关数据包括：电压无功历史数据、用电负荷数据、前期电压无功控制装置调整定值数据及电容器容量、电容器投切数据和主变调整数据。

2.根据权利要求1所述的基于概率统计特征的AVC系统定值调整方法，其特征在于，第一步中，数据仓库是面向主题的、整合的、稳定的，并且时变的收集数据以支持管理决策的一种数据结构形式，其目标是为了制定管理的决策提供支持信息；装载到数据仓库的数据包括：各个区域电压、有功、无功历史数据，用电负荷数据，前期电压无功控制装置调整定值数据及电容器容量，电容器投切数据，变压器分接头档位数据；相关数据还包括有电容器电抗器的无功，线路开关信息，调度员调节操作，及其他调节任务。

3.根据权利要求1所述的基于概率统计特征的AVC系统定值调整方法，其特征在于，第二步中，利用时间序列去噪音处理过程按照以下步骤进行：

一、根据噪音数据来源及特征，确定存在噪音的数据时序特征，检测噪音数据是否存在；

二、建立数据时序模型，识别、测量数据噪音；

三、选取合理去噪音方式对噪音进行调整、剔除；

进一步，设一般时间序列模型为：

x_i＝f_i(x₀,x₁,…,x_i-1)+ε_i i＝0,1,2,…；

其中f_i(x₀,x₁,…,x_i-1)表示t-1时刻已知的信息集，与t时刻时序值关系；

可作为噪音识别的时间序列统计特征有：

均值：

$\stackrel{\&OverBar;}{x}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_i$

方差:

$\stackrel{\&OverBar;}{{\mathrm{\&sigma;}}^2}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(x_i-\stackrel{\&OverBar;}{x})}^2$

相关系数：

${\mathrm{\&rho;}}_{x,y}=\frac{Cov(X,Y)}{\sqrt{Var\left(X\right)Var\left(Y\right)}}$

自相关系数：

$r_k=\frac{Cov(r_t,r_{t-k})}{Var\left(r_t\right)}$

残差均值：

$\stackrel{\&OverBar;}{\mathrm{\&epsiv;}}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_i$

残差方差：

$Var\left(\mathrm{\&epsiv;}\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{({\mathrm{\&epsiv;}}_i-\stackrel{\&OverBar;}{\mathrm{\&epsiv;}})}^2$

时间序列模型的确立需要根据不同时序数据的统计特性特征确定，一般常采用的时序概率模型有自回归条件异方差模型、广义自回归条件异方差模型、指数GARCH模型或随机系数自回归。

4.根据权利要求1所述的基于概率统计特征的AVC系统定值调整方法，其特征在于，第三步中，第一种再越限的风险概率值计算方式为：

P_H＝P(V>H₀|V>H_max)

P_L＝P(V<H₀|V<H_min)

其中H₀为设定系统定值，H_max为系统合格上限值，H_min为系统合格上限值，P_H和P_L为风险概率值；

第二种再越限风险概率值计算如下：

P_H＝I₀/I_max

P_L＝I₀/I_min

其中I₀为越过系统定值的区间个数，I_max为越过定值且越过系统合格上限值的区间个数，I_max为越过定值且越过系统合格下限值的区间个数，P_H和P_L为风险概率值。

5.根据权利要求1所述的基于概率统计特征的AVC系统定值调整方法，其特征在于，第五步中，时间序列预测的具体方法采取移动平均法和自回归滑动平均法，通过比较两者的拟合优度和误差平方，选择更优预测值。

6.根据权利要求5所述的基于概率统计特征的AVC系统定值调整方法，其特征在于，时间序列预测的具体步骤如下：

采取移动平滑法对电压进行预测，利用一组电压观测值的均值作为下一期的预测值，设该组观测值时间序列为y₁,y₂,y₃,…，其中y_t为最新观测值，则：

$y_{t+1}=\frac{1}{N}\underset{t=N+1}{\overset{t}{\mathrm{\&Sigma;}}}{y}_t$

其中N为一组观测值的个数；

q阶移动平滑均值模型的公式为：

y_t＝ε₁-θ₁ε_t-1-θ₂ε_t-2-…-θ_qε_t-q

采取ARMA模型预测时，须对数据进行随机性、平稳性、季节性检验，先进行拟合、建模，模型ARMA(p,d,q)为：

y_t＝φ₁y_t-1+φ₂y_t-2+…+φ_py_t-p+ε_t-θ₁ε_t-1-θ₂ε_t-2…-θ_qε_t-q

其中p、q为模型的阶数；常数系数φ₁、φ₁、…φ_p和θ₁、θ₁、…θ_p为模型的参数，ε₁、ε₁…ε_t-p为残差序列；

预测数据评价，通过比较两者的误差平方和SSE、赤池信息量AIC、施瓦茨信息量SC、拟合优度和拟合效果，以SSC、AIC、SC较小者为优，拟合优度较大者为优，拟合较佳者为优。

7.根据权利要求5所述的基于概率统计特征的AVC系统定值调整方法，其特征在于，第六步中，计算综合系统风险概率值P的具体方法为：

先将系统风险概率分布数据按照间隔I₀模糊化，取模糊化后数据的峰值P₀作为参考值，根据系统设备、参数实际情况向上滑动△P₁，向下滑动△P₂得到合理风险概率区间[P₀-△P₁,P₀+△P₂]，则：

$P={\&Integral;}_{P_0-{\mathrm{\&Delta;P}}_1}^{P_0+{\mathrm{\&Delta;P}}_2}f\left(p\right)pdp.$