CN108428018B - 一种短路电流峰值的变维递进灰色预测方法 - Google Patents

一种短路电流峰值的变维递进灰色预测方法 Download PDF

Info

Publication number
CN108428018B
CN108428018B CN201810371865.7A CN201810371865A CN108428018B CN 108428018 B CN108428018 B CN 108428018B CN 201810371865 A CN201810371865 A CN 201810371865A CN 108428018 B CN108428018 B CN 108428018B
Authority
CN
China
Prior art keywords
dimension
data
model
prediction
variable
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
Application number
CN201810371865.7A
Other languages
English (en)
Other versions
CN108428018A (zh
Inventor
赵晶
关健生
陈丽安
康少波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University of Technology
Original Assignee
Xiamen University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University of Technology filed Critical Xiamen University of Technology
Priority to CN201810371865.7A priority Critical patent/CN108428018B/zh
Publication of CN108428018A publication Critical patent/CN108428018A/zh
Application granted granted Critical
Publication of CN108428018B publication Critical patent/CN108428018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种短路电流峰值的变维递进灰色预测方法。所述短路电流峰值的变维递进灰色预测方法包括如下步骤：1、将预测开始时间之前采集到的m0个电流数据构成原始数据初始序列；2、在灰色幂模型的基础上构建变维新息模型，并对所述原始数据初始序列进行预测，得到第一电流预测数据；3、判断所述变维新息模型预测出来的m0个电流数据之后的第一电流预测数据是否属于正常的工作电流，如果否，则结束预测流程；如果是，则构建等维新息模型，并返回步骤2。本发明的有益效果是：所述短路电流峰值的变维递进灰色预测方法在灰色幂模型的基础上，构造变维新息模型和等维新息模型的嵌套结构，在保证预测精度的同时增加每次循环预测的步长。

Description

一种短路电流峰值的变维递进灰色预测方法
技术领域
本发明属于低压配电技术领域，具体地涉及一种短路电流峰值的变维递进灰色预测方法。
背景技术
低压配电系统短路故障电流峰值与低压配电系统参数、短路发生的位置以及故障初相角等因素有关，采用常规预测方法需要的样本数据量大、难收敛。而低压配电系统的短路电流预测在判断出短路故障后，能用于预测的原始数据极其有限。
而且，灰色预测模型虽然是小样本、少信息的建模，在预测点之后较短范围内数据的预测精度较高，但越往后预测精度越无法保证。
虽然有适用于低压配电系统短路故障电流数据变化趋势的灰色Verhulst模型，但其等维新息结构的模型，每次预测的步长是有限，无法实现中长期预测。
发明内容
本发明的目的在于针对现有技术的缺陷或问题，提供一种短路电流峰值的变维递进灰色预测方法。
本发明的技术方案如下：一种短路电流峰值的变维递进灰色预测方法包括如下步骤：1、将预测开始时间之前采集到的m0个电流数据构成原始数据初始序列，m0为正整数；2、在灰色幂模型的基础上构建变维新息模型，并对所述原始数据初始序列进行预测，得到第一电流预测数据，其中，所述变维新息模型的维数为n，且n＝m0，n为正整数；3、判断所述变维新息模型预测出来的m0个电流数据之后的第一电流预测数据是否属于正常的工作电流，如果否，则结束预测流程；如果是，则构建等维新息模型，并返回步骤2，其中，所述等维新息模型的维数为m0。
优选地，在步骤2具体包括如下步骤：2.1、在灰色幂模型的基础上构建变维新息模型；2.2、所述变维新息模型根据待预测的数据序列进行预测计算得到第一预测数据序列；2.3、在待预测的数据序列中去掉一个旧的原数据，并增加一个本次预测得到的新的预测数据，获得下一次待预测的数据序列；2.4、调整变维新息模型维数k，使得变维新息模型增加一个维数，得到调整后的模型维数k+1，其中，k为正整数；2.5、判断调整后的所述模型维数是否小于等于m0，如果是，则返回步骤2.2，并通过所述变维新息模型对所述下一次待预测的数据序列进行预测计算；如果否，则执行步骤3。
优选地，在步骤3的构建等维新息模型中具体包括如下步骤：实时采集原始数据；在所述原始数据初始序列中去掉一个旧的原始数据，增加一个新采集的原始数据，得到递进后的原始数据初始序列；在灰色幂模型的基础上构建等维新息模型，并对递进后的原始数据初始序列进行数据预测得到第二电流预测数据后，返回步骤2，且将所述第二电流预测数据作为待预测的数据序列。
本发明提供的技术方案具有如下有益效果：
所述短路电流峰值的变维递进灰色预测方法提出低压配电系统短路电流峰值的变维递进灰色Verhulst预测模型，在灰色幂模型的基础上，构造变维新息模型和等维新息模型的嵌套结构，在保证预测精度的同时增加每次循环预测的步长；
此外，所述短路电流峰值的变维递进灰色预测方法在数据采样过程不断推进，使预测值实时跟随实际的原始值调整，形成对系统行为不断适应的变参数变结构的自适应预测系统。
附图说明
图1为本发明实施例提供的短路电流峰值的变维递进灰色预测方法的流程示意图；
图2为变维新息模型的示意图；
图3为等维新息模型的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
除非上下文另有特定清楚的描述，本发明中的元件和组件，数量既可以单个的形式存在，也可以多个的形式存在，本发明并不对此进行限定。本发明中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。可以理解，本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。
如图1所示，一种短路电流峰值的变维递进灰色预测方法，包括如下步骤：
1、将预测开始时间t之前采集到的m0个电流数据构成原始数据初始序列，m0为正整数；
2、在灰色幂模型的基础上构建变维新息模型，并对所述原始数据初始序列进行预测，得到第一电流预测数据，其中，所述变维新息模型的维数为n，且n＝m0，n为正整数；
3、判断所述变维新息模型预测出来的m0个电流数据之后的第一电流预测数据是否属于正常的工作电流，如果否，则结束预测流程；如果是，则构建等维新息模型，并返回步骤2，其中，所述等维新息模型的维数为m0。
需要说明的是，由于短路故障电流的原始数据分段呈现近似S型，所以选用灰色预测Verhulst模型作为低压配电系统短路电流峰值预测模型的基本结构。
设x(1)为分段的短路电流原始数据序列，x(0)为x(1)的一阶累减(1-IAGO)序列，z(1)为x(1)的紧邻均值生成序列，则灰色幂模型的白化方程式为：
Figure BDA0001638714860000031
灰色预测Verhulst模型为：
x(0)(k)+a z(1)(k)＝b(z(1)(k))2 (2)
其中：a和b为待定系数，利用最小二乘法可以求解。
如图2所示，在步骤2中，为了增加预测步长同时又要保证一定的预测精度，构造变维新息模型。具体地，在步骤2具体包括如下步骤：
2.1、在灰色幂模型的基础上构建变维新息模型；
2.2、所述变维新息模型根据待预测的数据序列进行预测计算得到第一预测数据序列；
2.3、在待预测的数据序列中去掉一个旧的原数据，并增加一个本次预测得到的新的预测数据，获得下一次待预测的数据序列；
2.4、调整变维新息模型维数k，使得变维新息模型增加一个维数，得到调整后的模型维数k+1，其中，k为正整数；
2.5、判断调整后的所述模型维数是否小于等于m0，如果是，则返回步骤2.2，并通过所述变维新息模型对所述下一次待预测的数据序列进行预测计算；如果否，则执行步骤3。
需要说明的是，所述变维新息模型而言，每次循环，在补充t个新数据的同时，根据新陈代谢原理去掉一个时间最老的原始数据，得到维数为m的变维新息的模型，既保证数据的新鲜性又保留一定程度的原始信息，其中，t≥1，且t、m均为正数。
如图3所示，在步骤3中，对预测出来的m0点之后的多个预测数据进行分析，如果m0之后的多个电流预测值属于正常工作电流，则继续构造等维新息模型。具体地，在步骤3的构建等维新息模型中具体包括如下步骤：
实时采集原始数据；
在所述原始数据初始序列中去掉一个旧的原始数据，增加一个新采集的原始数据，得到递进后的原始数据初始序列；
在灰色幂模型的基础上构建等维新息模型，并对递进后的原始数据初始序列进行数据预测得到第二电流预测数据后，返回步骤2，且将所述第二电流预测数据作为待预测的数据序列。
需要说明的是，所述等维新息模型使预测模型参数能够跟随系统状态的变化而不断调整。在m0次循环结束后，采样一个新的原始数据，去掉一个最旧的原始数据，生成第二轮变维新息的初始数据序列。
此外，基于最小二乘估算，根据原始序列与预测序列的差值平方和最小的原则，采用对模型的时间响应函数进行优化的方法，在上述改进型算法的基础上，进一步提高模型应用的精度。
灰色Verhulst模型的白化方程式(1)的通解为：
Figure BDA0001638714860000041
其中：c为待定系数。
则，优化后模型的时间响应式为：
Figure BDA0001638714860000042
设：
Figure BDA0001638714860000043
由最小二乘估算法可得：
c＝(FT F)-1FT E (5)
接下来以具体的实例对上述方案作进一步的描述。
例如，实验平台的核心采用主频为150M的TMS320F28335DSP芯片，经过形态滤波等处理后得到不同故障初相角的单相短路电流信号为实验数据样本，选用故障角60°时的数据。取5个点作为初始数据序列，分别采用灰色Verhulst模型、等维新息灰色Verhulst模型和变维递进灰色Verhulst模型进行预测比较。
预测初始点数m0、预测步长t和预测总步长D分别取[5 20 20]、[5 1 5]和[5 420]。三种模型在m0点之后的预测值和各自的相对残差Δ(k)见表1。相对残差Δ(k)：
Figure BDA0001638714860000051
表1.不同模型的预测结果
Figure BDA0001638714860000052
Figure BDA0001638714860000061
从上表可以看出，三种模型的预测精度p分别是98.9075％、99.9688％和99.2073％。
基于上述描述，所述短路电流峰值的变维递进灰色预测方法具有如下优势：
实现电流信号的实时在线预测，增加预测数据点数和平滑度，并有效地提高预测精确度，所需数据量少，操作方便；
用有限的低压配电系统短路电流故障数据，获得高精度的预测结果；
变维递进灰色Verhulst预测模型能够在保证预测精度的前提下增加预测步长，兼顾了预测步长和预测精度；
为短路电流早期检测和故障快速排除提供可能性。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (3)

1.一种短路电流峰值的变维递进灰色预测方法，其特征在于：包括如下步骤：
1、将预测开始时间之前采集到的m0个电流数据构成原始数据初始序列，m0为正整数；
2、在灰色幂模型的基础上构建变维新息模型，并对所述原始数据初始序列进行预测，得到第一电流预测数据，其中，所述变维新息模型的维数为n，且n＝m0，n为正整数，其中，所述变维新息模型的维数为n，且n＝m0，n为正整数，其中，所述变维新息模型，在补充t个新数据的同时，会去掉一个时间最老的原始数据，得到维数为m的变维新息模型，其中，t≥1，且t、m均为正数。
3、判断所述变维新息模型预测出来的m0个电流数据之后的第一电流预测数据是否属于正常的工作电流，如果否，则结束预测流程；如果是，则构建等维新息模型，并返回步骤2，其中，所述等维新息模型的维数为m0。
2.根据权利要求1所述的一种短路电流峰值的变维递进灰色预测方法，其特征在于，在步骤2具体包括如下步骤：
2.1、在灰色幂模型的基础上构建变维新息模型；
2.2、所述变维新息模型根据待预测的数据序列进行预测计算得到第一预测数据序列；
2.3、在待预测的数据序列中去掉一个旧的原数据，并增加一个本次预测得到的新的预测数据，获得下一次待预测的数据序列；
2.4、调整变维新息模型维数mk，使得变维新息模型增加一个维数，得到调整后的模型维数mk+1，其中，k为正整数；
2.5、判断调整后的所述模型维数是否小于等于m0，如果是，则返回步骤2.2，并通过所述变维新息模型对所述下一次待预测的数据序列进行预测计算；如果否，则执行步骤3。
3.根据权利要求1所述的一种短路电流峰值的变维递进灰色预测方法，其特征在于，在步骤3的构建等维新息模型中具体包括如下步骤：
实时采集原始数据；
在所述原始数据初始序列中去掉一个旧的原始数据，增加一个新采集的原始数据，得到递进后的原始数据初始序列；
在灰色幂模型的基础上构建等维新息模型，并对递进后的原始数据初始序列进行数据预测得到第二电流预测数据后，返回步骤2，且将所述第二电流预测数据作为待预测的数据序列。
CN201810371865.7A 2018-04-24 2018-04-24 一种短路电流峰值的变维递进灰色预测方法 Active CN108428018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810371865.7A CN108428018B (zh) 2018-04-24 2018-04-24 一种短路电流峰值的变维递进灰色预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810371865.7A CN108428018B (zh) 2018-04-24 2018-04-24 一种短路电流峰值的变维递进灰色预测方法

Publications (2)

Publication Number Publication Date
CN108428018A CN108428018A (zh) 2018-08-21
CN108428018B true CN108428018B (zh) 2021-05-28

Family

ID=63161814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810371865.7A Active CN108428018B (zh) 2018-04-24 2018-04-24 一种短路电流峰值的变维递进灰色预测方法

Country Status (1)

Country Link
CN (1) CN108428018B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112034387B (zh) * 2020-09-08 2021-09-21 武汉大学 一种基于预测序列的输电线路短路故障诊断方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1374580A1 (fr) * 2001-03-21 2004-01-02 France Telecom Procede et dispositif de transmission d'une sequence video comportant un visage, en particulier dans un systeme de visiophonie mobile
CN1714515A (zh) * 2002-10-23 2005-12-28 高通股份有限公司 使用预测误差方法用于导频估计的方法和装置
ES2343826A1 (es) * 2008-07-07 2010-08-10 Jose Miguel Aranda Gascon Deposito para el reaprovechamiento de aguas grises.
CN103366512A (zh) * 2013-06-28 2013-10-23 华北水利水电大学 一种基于等维新息外延模型的边坡失稳预报方法
CN104914327A (zh) * 2015-05-06 2015-09-16 北京航空航天大学 基于实时监测信息的变压器故障检修预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6420545B1 (en) * 1999-05-24 2002-07-16 The Trustees Of The University Of Pennsylvania CD4-independent HIV envelope proteins as vaccines and therapeutics
CN107730084A (zh) * 2017-09-18 2018-02-23 杭州安脉盛智能技术有限公司 基于灰色预测和风险评估的变压器检修决策方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1374580A1 (fr) * 2001-03-21 2004-01-02 France Telecom Procede et dispositif de transmission d'une sequence video comportant un visage, en particulier dans un systeme de visiophonie mobile
CN1714515A (zh) * 2002-10-23 2005-12-28 高通股份有限公司 使用预测误差方法用于导频估计的方法和装置
ES2343826A1 (es) * 2008-07-07 2010-08-10 Jose Miguel Aranda Gascon Deposito para el reaprovechamiento de aguas grises.
CN103366512A (zh) * 2013-06-28 2013-10-23 华北水利水电大学 一种基于等维新息外延模型的边坡失稳预报方法
CN104914327A (zh) * 2015-05-06 2015-09-16 北京航空航天大学 基于实时监测信息的变压器故障检修预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
变步长灰色预测模糊控制研究与应用;肖聚亮 等;《天津大学学报》;20070731;第859-863页 *

Also Published As

Publication number Publication date
CN108428018A (zh) 2018-08-21

Similar Documents

Publication Publication Date Title
CN109633431B (zh) 基于振动信号特征提取的有载分接开关故障识别方法
CN112307619B (zh) 预警模型的构建方法、装备故障预警方法及装置
CN110543929A (zh) 一种基于Lorenz系统的风速区间预测方法及系统
CN110212592B (zh) 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统
CN111160772A (zh) 一种大电网风险快速评估方法
CN108428018B (zh) 一种短路电流峰值的变维递进灰色预测方法
CN109491242A (zh) 一种最优控制问题直接离散求解的网格重构方法
CN113627685B (zh) 一种考虑风电上网负荷限制的风力发电机功率预测方法
CN116319377A (zh) 一种抵御网络攻击的配电网分布式动态状态估计方法
CN109635428B (zh) 一种基于机械状态信号分析的gis机械故障诊断方法
CN117313021B (zh) 一种电力设备异常检测分析方法、系统、终端及介质
CN109586249A (zh) 变压器励磁涌流判别方法和装置
Sano et al. Sensitivity Study on Configuration of Large Scale Multi-Objective Optimization of a PMSM
CN110750848A (zh) 一种考虑软件运行的软－硬件退化系统剩余寿命估计的方法
CN109358503B (zh) 一种面向节能的机床运动部件多目标结构优化方法
CN106909490A (zh) 一种监测设备数据流评估和噪声消除方法
CN114915227B (zh) 一种永磁同步电机的直流速度预测控制方法
CN108123436B (zh) 基于主成分分析和多元回归算法的电压越限预测模型
CN108334822B (zh) 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法
CN106529805B (zh) 一种基于发电机重要度的发电系统可靠性评估方法
CN112129989B (zh) 一种基于自适应聚类的电压暂降分段刻画方法
CN109390946B (zh) 一种基于多参数规划理论的最优概率潮流快速计算方法
CN114511194A (zh) 一种电力物联网的运行风险预测方法、系统和电子设备
CN113051816A (zh) 一种大气污染管控方案优化方法
CN108154501B (zh) 基于灰度分布的螺旋叶片图像分割质量自适应评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant