CN111190045A - 电压异常预测方法及装置、电子设备 - Google Patents
电压异常预测方法及装置、电子设备 Download PDFInfo
- Publication number
- CN111190045A CN111190045A CN201911383129.4A CN201911383129A CN111190045A CN 111190045 A CN111190045 A CN 111190045A CN 201911383129 A CN201911383129 A CN 201911383129A CN 111190045 A CN111190045 A CN 111190045A
- Authority
- CN
- China
- Prior art keywords
- voltage
- model
- white noise
- data
- voltage 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16576—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing DC or AC voltage with one threshold
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16585—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 for individual pulses, ripple or noise and other applications where timing or duration is of importance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本申请公开了一种电压异常预测方法及装置、电子设备。其中,该方法包括:获取电压数据;根据电压数据,判断电压是否平稳;如果电压平稳,则进行白噪声检验;根据白噪声检验的结果,进行预测模型拟合;根据预测模型判断电压是否存在异常。本申请解决了现有技术无法做到有效、准确的预测电压异常数据的技术问题。
Description
技术领域
本申请涉及电力领域,具体而言,涉及一种电压异常预测方法及装置、电子设备。
背景技术
电能作为现代社会的支柱,是人民生活最广泛使用的一种能源形式,其应用程度成为一个国家发展水平和综合国力的主要标志之一。而电压作为电能质量的一种非常重要的性能指标,随着国民经济的迅速发展,大量新型电子设备的普及和应用,它们在提高效率的同时也带来了许多电压质量问题,对电力系统的安全性、可靠性、经济性造成了极大的影响。因此,通过对用户电压数据进行分析,预测出电压的异常,通过得出的结论可以提前规避异常,保证用户的正常用电。
在电压异常预测方面,现有技术无法做到有效、准确的预测电压异常数据,对电力系统的安全性、可靠性、经济性造成了极大的影响。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种电压异常预测方法及装置、电子设备,以至少解决现有技术无法做到有效、准确的预测电压异常数据的技术问题。
根据本申请实施例的一个方面,提供了一种电压异常预测方法,包括:获取电压数据;根据所述电压数据,判断电压是否平稳;如果所述电压平稳,则进行白噪声检验;根据所述白噪声检验的结果,进行预测模型拟合;根据所述预测模型判断电压是否存在异常。
可选地,所述获取电压数据之后,还包括:根据所述电压数据,生成电压时序图。
可选地,所述根据所述电压数据,判断电压是否平稳包括:根据所述时序图判断电压时序是否处于预设阈值范围内;如果所述电压时序在所述预设阈值范围内,则电压平稳。
可选地,所述根据所述电压数据,判断电压是否平稳包括还包括:如果所述电压时序不在所述预设阈值范围内,则电压不平稳;对不平稳的电压进行差分操作。
可选地,所述根据所述白噪声检验的结果,进行预测模型拟合包括:将所述电压数据进行白噪声检验,并生成检验结果,其中,所述检验结果包括:通过、不通过;当所述检验结果为不通过时,进行所述预测模型的拟合操作。
可选地,所述根据所述预测模型判断电压是否存在异常包括:将所述电压数据带入所述预测模型;根据所述预测模型的输出结果,将所述输出结果与第一预设参数和第二预设参数进行比对;如果所述输出结果大于所述第一预设参数或小于所述第二预设参数,则所述电压数据存在异常。
根据本申请实施例的另一方面,还提供了一种电压异常预测装置,包括:获取模块,用于获取电压数据;判断模块,用于根据所述电压数据,判断电压是否平稳;白噪模块,用于如果所述电压平稳,则进行白噪声检验;拟合模块,用于根据所述白噪声检验的结果,进行预测模型拟合;预测模块,用于根据所述预测模型判断电压是否存在异常。
可选地,所述装置还包括:时序模块,用于根据所述电压数据,生成电压时序图。
可选地,所述判断模块包括:第一判断单元,用于根据所述时序图判断电压时序是否处于预设阈值范围内;检测单元,用于如果所述电压时序在所述预设阈值范围内,则电压平稳。
可选地,所述判断模块还包括:第二判断单元,用于如果所述电压时序不在所述预设阈值范围内,则电压不平稳;第一处理单元,用于对不平稳的电压进行差分操作。
可选地,所述白噪模块包括:检验单元,用于将所述电压数据进行白噪声检验,并生成检验结果,其中,所述检验结果包括:通过、不通过;第二处理单元,用于当所述检验结果为不通过时,进行所述预测模型的拟合操作。
可选地,所述预测模块包括:输入单元,用于将所述电压数据带入所述预测模型;比对单元,用于根据所述预测模型的输出结果,将所述输出结果与第一预设参数和第二预设参数进行比对;第三处理单元,用于如果所述输出结果大于所述第一预设参数或小于所述第二预设参数,则所述电压数据存在异常。
根据本申请实施例的另一方面,还提供了一种电子设备,包括:处理器;以及存储器,其中存储有计算机可读程序,当所述计算机可读程序被所述处理器执行时,所述电子设备执行上述电压异常预测方法。
在本申请实施例中,采用通过预测模型以及经过筛选的输入电压数据,来进行电压数据异常预测判断的方式,达到了通过用户电压数据预测电压异常的目的,从而实现了电压数据异常的准确预测的技术效果,进而解决了现有技术无法做到有效、准确的预测电压异常数据的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种电压异常预测方法的流程图;
图2是根据本申请实施例的一种电压异常预测装置的结构框图;
图3是根据本申请实施例的一种预测模型工作流程图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种电压异常预测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种电压异常预测方法,如图1所示,该方法包括如下步骤:
步骤S102,获取电压数据。
具体地,获取电压数据可以是通过对用户电表进行自动电压测量来获取,其中,自动电压测量需要利用R6型多变电阻电压测试装置来实现,得到用户电压多个时间段的多个电压值,并通过电压测试装置对测量数据进行校准和记录,以便后续分析处理之用。
需要说明的是,通过电压测试装置来获取电压数据,包括电压的瞬时参数值、平均参数值以及电压的差分参数值,这些电压参数值组成了整个电压数据,用于后续时序图分析以及预测模型的输入用,具体测试装置可以是多用电压表,也可以是智能电系测量器,具体采用哪种测量装置,在此不进行具体的限定。
可选地,所述获取电压数据之后,还包括:根据所述电压数据,生成电压时序图。
具体地,时序图(Sequence Diagram),又名序列图、循序图,是一种UML交互图。它通过描述对象之间发送消息的时间顺序显示多个对象之间的动态协作。它可以表示用例的行为顺序,当执行一个用例行为时,其中的每条消息对应一个类操作或状态机中引起转换的触发事件。时序图中的消息可以是信号、操作调用或类似于C++中的RPC(RemoteProcedure Call,远程过程调用)或Java中的RMI(Remote Method Invocation,远程方法调用)。当对象接收到一个消息时,该对象中的一项活动就会启动,我们把这一过程称做激活(Activation)。激活会显示控制焦点,表明对象在某一个时间点开始执行。一个被激活的对象或者是执行它自身的代码,或者是等待另一个对象的返回(该被激活的对象已经向另一个对象发送了消息)。在图形上,激活被绘制为对象生命线上的一个瘦高矩形。
需要说明的是,消息可以用消息名及参数来标识。消息还可带有条件表达式,表示分支或决定是否发送消息。如果用于表示分支,则每个分支是相互排斥的,即在某一时刻仅可发送分支中的一个消息。消息也可以有顺序号,但是在时序图中,消息的顺序号很少使用,因为时序图已经将消息的顺序显式地表示出来了。
步骤S104,根据电压数据,判断电压是否平稳。
具体地,根据S102所获取的电压数据以及生产的电压时序图,可以根据波峰波谷之间的差值来判断上述电压时序是否稳定,例如,可以利用ARM9智能处理器中的图形提取以及阈值判断功能模块,将电压差值进行计算并输出至处理器判断单元中进行电压是否稳定的判断。
需要说明的是,处理器可以用智能ARM9处理器,也可以使用单片机附加对比功能芯片进行组合,后者成本低廉适用于生产制造,本发明实施例具体采用何种中央处理器,在此不进行具体的限定。
可选地,所述根据所述电压数据,判断电压是否平稳包括:根据所述时序图判断电压时序是否处于预设阈值范围内;如果所述电压时序在所述预设阈值范围内,则电压平稳。
具体地,用户可以根据想要预测的电压数据异常情况,设置具体的预设阈值范围,该范围为电压下限至电压上限的波动情况表征参数值。
例如,预设阈值范围为-22v至+22v,那么当电压时序图中的电压差值在上述阈值范围之内,则可以判断电压波动性不大,是平稳的,反之如果当电压时序图中的电压差值不在上述阈值范围之内,则可以判断电压波动性大,是不平稳的。
可选地,所述根据所述电压数据,判断电压是否平稳包括还包括:如果所述电压时序不在所述预设阈值范围内,则电压不平稳;对不平稳的电压进行差分操作。
根据上述实施例可知,当电压不平稳的时候,电压波动范围很大,超过了预设阈值的范围,此时为了方便后续数据分析,处理器发出对电压进行差分操作的指令,使得电压波动范围变小,得到处理后电压的数据。
步骤S106,如果电压平稳,则进行白噪声检验。
具体地,白噪声(white noise)是指功率谱密度在整个频域内是常数的噪声。所有频率具有相同能量密度的随机噪声称为白噪声。从人们耳朵的频率响应听起来它是非常明亮的“咝”声(每高一个八度,频率就升高一倍。因此高频率区的能量也显著增强),白噪声是一种功率谱密度为常数的随机信号,即此信号在各个频段上的功率是一样的,由于白光是由各种频率(颜色)的单色光混合而成,因而此信号的这种具有平坦功率谱的性质被称作是“白色的”,此信号也因此被称作白噪声。相对的,其他不具有这一性质的噪声信号被称为有色噪声。
需要说明的是,理想的白噪声具有无限带宽,因而其能量是无限大,但这在现实世界是不可能存在的。实际上,我们常常将有限带宽的平整信号视为白噪声,因为这让我们在数学分析上更加方便。白噪声在数学处理上比较方便,因此它是系统分析的有力工具。一般,只要一个噪声过程所具有的频谱宽度远远大于它所作用系统的带宽,并且在该带宽中其频谱密度基本上可以作为常数来考虑,就可以把它作为白噪声来处理。例如,热噪声和散弹噪声在很宽的频率范围内具有均匀的功率谱密度,通常可以认为它们是白噪声。当你需要专心工作,而周遭总是有繁杂的声音时,就可以选用这两种声音来加以遮蔽。一般来说,通常的情况下你可以选用白色噪音,而粉红色噪音则是特别针对说话声的遮蔽材料。粉红色噪音又被称做频率反比(1/f)噪音,因为它的能量分布与频率成反比,或者说是每一个八度音程(Octave)能量就衰退3dB。
进行白噪声的检测是通过预测模型对电压数据进行分析之前的准备步骤,需要判断电压数据的频率是否能通过白噪声的检验,也就是说该电压数据是否存在白噪声。
步骤S108,根据所述白噪声检验的结果,进行预测模型拟合。
具体地,通过S106中白噪声的检验,会得到本发明实施例所得到的电压数据是否通过白噪声检验的结果,因此通过白噪声检验的数据,由于其属于能量谱为常数的随机信号,所以并没有研究的价值,本发明实施例要筛选的电压数据是没有通过白噪声检验的数据,这些数据的存在,可以构成预测模型拟合的关键性输入数据。
可选地,所述根据所述白噪声检验的结果,进行预测模型拟合包括:将所述电压数据进行白噪声检验,并生成检验结果,其中,所述检验结果包括:通过、不通过;当所述检验结果为不通过时,进行所述预测模型的拟合操作。
具体地,电压数据通过白噪声检验的,由于其属于能量谱为常数的随机信号,所以并没有研究的价值,本发明实施例要筛选的电压数据是没有通过白噪声检验的数据,这些数据的存在,可以构成预测模型拟合的关键性输入数据,即可以根据不通过白噪声检验的电压数据输入到后续模型中,以便预测电压数据的异常情况。
具体地,建立预测模型,上述预测模型可以是ARMA模型(简称AR模型),就是要确定m、n以及Q1,Q2,、、、Qn,c1,c2,、、、cm,参数。模型的表达式为:ARMA模型参数估计主要是指在模型阶数m和n确定的情况下确定自回归参数、滑动平均参数和残差平方和。目前确定模型参数主要有基于时序理论的参数估计方法、基于优化理论的参数估计方法和基于控制理论的参数估计方法。本发明采用的是长自回归模型计算残差法,是属于基于时序理论的参数估计方法。理论上可以证明,ARMA模型可以转换为无穷阶数的AR模型,因此对某一时间序列分别建立ARMA模型和AR模型,这两个模型应该是等价的,即序列经过两个模型处理后得到的残差序列应该是相同的。因此,可以先对序列拟合AR模型,并用该模型估计出残差序列,并将该残差序列代入到ARMA模型中,从而降低ARMA模型参数识别的难度。
另外,对时间序列建立无穷阶AR模型是不现实的,因此,在实际应用中是对时间序列建立阶数足够高的AR模型来降低参数估计的难度,具体流程如下:
(1)给定m和n的初值,建立适用于序列{Xt}的AR(p)(p≥m+n)模型。
(2)计算AR(p)模型的残差序列{at}。
(3)令m=2,n=1并将求得的AR(p)模型的残差{at}代入ARMA(m,n)模型中,再采用最小二乘法求出ARMA(m,n)模型的自回归系数和滑动平均系数。
对模型进行适用性检验,若模型适用,则输出模型参数;若不适用,则令m=m+1,n=n+1并返回步骤(1)。
步骤S110,根据预测模型判断电压是否存在异常。
具体地,根据预测模型表达式,将电压数据作为训练数据进行输入,以供预测模型学习完善,因此通过训练数据得到模型表达式,将预测数据带入模型中进行分析,通过模型得出的结果与实际结果进行比较,对比模型预测的效果,最后根据模型预测效果来判断电压异常数据是否可以作为最后结果进行输出。
需要说明的是,通过训练数据不停地输入到预测模型中,预测模型在不断完善的过程中达到最好的预测电压数据异常的效果,当所述预测模型可以作为成熟的电压异常预测模型使用的时候,在以后的用户使用中,可以直接进行电压数据输入,得到预测结果,而无需进行参数设定及学习。
可选地,所述根据所述预测模型判断电压是否存在异常包括:将所述电压数据带入所述预测模型;根据所述预测模型的输出结果,将所述输出结果与第一预设参数和第二预设参数进行比对;如果所述输出结果大于所述第一预设参数或小于所述第二预设参数,则所述电压数据存在异常。
具体地,根据预测模型的输出的数据,将所述数据与第一预设参数和第二预设参数进行比对,其中,第一预设参数和第二预设参数是判断电压是否异常的国家标准指标参数,例如,通过国家标准得出超过百分之7%或者低于10%为电压数据异常,上述7%为第一预设参数,10%为第二预设参数,上述两项参数可以根据不同的国家标准和应用场景进行变更,在此不进行具体的限定。
图2是根据本申请实施例的一种电压异常预测装置的结构框图,如图1所示,该装置包括如下模块:
获取模块20,用于获取电压数据。
具体地,获取电压数据可以是通过对用户电表进行自动电压测量来获取,其中,自动电压测量需要利用R6型多变电阻电压测试装置来实现,得到用户电压多个时间段的多个电压值,并通过电压测试装置对测量数据进行校准和记录,以便后续分析处理之用。
需要说明的是,通过电压测试装置来获取电压数据,包括电压的瞬时参数值、平均参数值以及电压的差分参数值,这些电压参数值组成了整个电压数据,用于后续时序图分析以及预测模型的输入用,具体测试装置可以是多用电压表,也可以是智能电系测量器,具体采用哪种测量装置,在此不进行具体的限定。
可选地,所述获取电压数据之后,还包括:根据所述电压数据,生成电压时序图。
具体地,时序图(Sequence Diagram),又名序列图、循序图,是一种UML交互图。它通过描述对象之间发送消息的时间顺序显示多个对象之间的动态协作。它可以表示用例的行为顺序,当执行一个用例行为时,其中的每条消息对应一个类操作或状态机中引起转换的触发事件。时序图中的消息可以是信号、操作调用或类似于C++中的RPC(RemoteProcedure Call,远程过程调用)或Java中的RMI(Remote Method Invocation,远程方法调用)。当对象接收到一个消息时,该对象中的一项活动就会启动,我们把这一过程称做激活(Activation)。激活会显示控制焦点,表明对象在某一个时间点开始执行。一个被激活的对象或者是执行它自身的代码,或者是等待另一个对象的返回(该被激活的对象已经向另一个对象发送了消息)。在图形上,激活被绘制为对象生命线上的一个瘦高矩形。
需要说明的是,消息可以用消息名及参数来标识。消息还可带有条件表达式,表示分支或决定是否发送消息。如果用于表示分支,则每个分支是相互排斥的,即在某一时刻仅可发送分支中的一个消息。消息也可以有顺序号,但是在时序图中,消息的顺序号很少使用,因为时序图已经将消息的顺序显式地表示出来了。
判断模块22,用于根据电压数据,判断电压是否平稳。
具体地,根据S102所获取的电压数据以及生产的电压时序图,可以根据波峰波谷之间的差值来判断上述电压时序是否稳定,例如,可以利用ARM9智能处理器中的图形提取以及阈值判断功能模块,将电压差值进行计算并输出至处理器判断单元中进行电压是否稳定的判断。
需要说明的是,处理器可以用智能ARM9处理器,也可以使用单片机附加对比功能芯片进行组合,后者成本低廉适用于生产制造,本发明实施例具体采用何种中央处理器,在此不进行具体的限定。
可选地,所述根据所述电压数据,判断电压是否平稳包括:根据所述时序图判断电压时序是否处于预设阈值范围内;如果所述电压时序在所述预设阈值范围内,则电压平稳。
具体地,用户可以根据想要预测的电压数据异常情况,设置具体的预设阈值范围,该范围为电压下限至电压上限的波动情况表征参数值。
例如,预设阈值范围为-22v至+22v,那么当电压时序图中的电压差值在上述阈值范围之内,则可以判断电压波动性不大,是平稳的,反之如果当电压时序图中的电压差值不在上述阈值范围之内,则可以判断电压波动性大,是不平稳的。
可选地,所述根据所述电压数据,判断电压是否平稳包括还包括:如果所述电压时序不在所述预设阈值范围内,则电压不平稳;对不平稳的电压进行差分操作。
根据上述实施例可知,当电压不平稳的时候,电压波动范围很大,超过了预设阈值的范围,此时为了方便后续数据分析,处理器发出对电压进行差分操作的指令,使得电压波动范围变小,得到处理后电压的数据。
白噪模块24,用于如果所述电压平稳,则进行白噪声检验。
具体地,白噪声(white noise)是指功率谱密度在整个频域内是常数的噪声。所有频率具有相同能量密度的随机噪声称为白噪声。从人们耳朵的频率响应听起来它是非常明亮的“咝”声(每高一个八度,频率就升高一倍。因此高频率区的能量也显著增强),白噪声是一种功率谱密度为常数的随机信号,即此信号在各个频段上的功率是一样的,由于白光是由各种频率(颜色)的单色光混合而成,因而此信号的这种具有平坦功率谱的性质被称作是“白色的”,此信号也因此被称作白噪声。相对的,其他不具有这一性质的噪声信号被称为有色噪声。
需要说明的是,理想的白噪声具有无限带宽,因而其能量是无限大,但这在现实世界是不可能存在的。实际上,我们常常将有限带宽的平整信号视为白噪声,因为这让我们在数学分析上更加方便。白噪声在数学处理上比较方便,因此它是系统分析的有力工具。一般,只要一个噪声过程所具有的频谱宽度远远大于它所作用系统的带宽,并且在该带宽中其频谱密度基本上可以作为常数来考虑,就可以把它作为白噪声来处理。例如,热噪声和散弹噪声在很宽的频率范围内具有均匀的功率谱密度,通常可以认为它们是白噪声。当你需要专心工作,而周遭总是有繁杂的声音时,就可以选用这两种声音来加以遮蔽。一般来说,通常的情况下你可以选用白色噪音,而粉红色噪音则是特别针对说话声的遮蔽材料。粉红色噪音又被称做频率反比(1/f)噪音,因为它的能量分布与频率成反比,或者说是每一个八度音程(Octave)能量就衰退3dB。
进行白噪声的检测是通过预测模型对电压数据进行分析之前的准备步骤,需要判断电压数据的频率是否能通过白噪声的检验,也就是说该电压数据是否存在白噪声。
拟合模块26,用于根据白噪声检验的结果,进行预测模型拟合。
具体地,通过S106中白噪声的检验,会得到本发明实施例所得到的电压数据是否通过白噪声检验的结果,因此通过白噪声检验的数据,由于其属于能量谱为常数的随机信号,所以并没有研究的价值,本发明实施例要筛选的电压数据是没有通过白噪声检验的数据,这些数据的存在,可以构成预测模型拟合的关键性输入数据。
可选地,所述根据所述白噪声检验的结果,进行预测模型拟合包括:将所述电压数据进行白噪声检验,并生成检验结果,其中,所述检验结果包括:通过、不通过;当所述检验结果为不通过时,进行所述预测模型的拟合操作。
具体地,电压数据通过白噪声检验的,由于其属于能量谱为常数的随机信号,所以并没有研究的价值,本发明实施例要筛选的电压数据是没有通过白噪声检验的数据,这些数据的存在,可以构成预测模型拟合的关键性输入数据,即可以根据不通过白噪声检验的电压数据输入到后续模型中,以便预测电压数据的异常情况。
具体地,建立预测模型,上述预测模型可以是ARMA模型(简称AR模型),就是要确定m、n以及Q1,Q2,、、、Qn,c1,c2,、、、cm,参数。模型的表达式为:ARMA模型参数估计主要是指在模型阶数m和n确定的情况下确定自回归参数、滑动平均参数和残差平方和。目前确定模型参数主要有基于时序理论的参数估计方法、基于优化理论的参数估计方法和基于控制理论的参数估计方法。本发明采用的是长自回归模型计算残差法,是属于基于时序理论的参数估计方法。理论上可以证明,ARMA模型可以转换为无穷阶数的AR模型,因此对某一时间序列分别建立ARMA模型和AR模型,这两个模型应该是等价的,即序列经过两个模型处理后得到的残差序列应该是相同的。因此,可以先对序列拟合AR模型,并用该模型估计出残差序列,并将该残差序列代入到ARMA模型中,从而降低ARMA模型参数识别的难度。
另外,对时间序列建立无穷阶AR模型是不现实的,因此,在实际应用中是对时间序列建立阶数足够高的AR模型来降低参数估计的难度,具体流程如下:
(1)给定m和n的初值,建立适用于序列{Xt}的AR(p)(p≥m+n)模型。
(2)计算AR(p)模型的残差序列{at}。
(3)令m=2,n=1并将求得的AR(p)模型的残差{at}代入ARMA(m,n)模型中,再采用最小二乘法求出ARMA(m,n)模型的自回归系数和滑动平均系数。
对模型进行适用性检验,若模型适用,则输出模型参数;若不适用,则令m=m+1,n=n+1并返回步骤(1)。
预测模块28,用于根据预测模型判断电压是否存在异常。
具体地,根据预测模型表达式,将电压数据作为训练数据进行输入,以供预测模型学习完善,因此通过训练数据得到模型表达式,将预测数据带入模型中进行分析,通过模型得出的结果与实际结果进行比较,对比模型预测的效果,最后根据模型预测效果来判断电压异常数据是否可以作为最后结果进行输出。
需要说明的是,通过训练数据不停地输入到预测模型中,预测模型在不断完善的过程中达到最好的预测电压数据异常的效果,当所述预测模型可以作为成熟的电压异常预测模型使用的时候,在以后的用户使用中,可以直接进行电压数据输入,得到预测结果,而无需进行参数设定及学习。
可选地,所述根据所述预测模型判断电压是否存在异常包括:将所述电压数据带入所述预测模型;根据所述预测模型的输出结果,将所述输出结果与第一预设参数和第二预设参数进行比对;如果所述输出结果大于所述第一预设参数或小于所述第二预设参数,则所述电压数据存在异常。
具体地,根据预测模型的输出的数据,将所述数据与第一预设参数和第二预设参数进行比对,其中,第一预设参数和第二预设参数是判断电压是否异常的国家标准指标参数,例如,通过国家标准得出超过百分之7%或者低于10%为电压数据异常,上述7%为第一预设参数,10%为第二预设参数,上述两项参数可以根据不同的国家标准和应用场景进行变更,在此不进行具体的限定。
图3是根据本申请实施例的一种预测模型工作流程图,如图3所示,预测模型工作步骤包括:
步骤S300,输入时间序列,即将电压时序图中的数据作为输入数据进行输入操作。
步骤S301,判断S300中的时间序列是否平稳。当电压时序不平稳的时候,进行数据处理,即电压差分处理。
步骤S302,当电压时序平稳的时候,进行模型识别和定阶,即确定模型中参数的关系和构架。
步骤S303,对预测模型中的构架参数进行估计。
步骤S304,判断是否通过适应性检验。
步骤S305,通过适应性检验后进行模型预测工作。
根据本发明实施例的另一方面,还提供了一种电子设备,包括:处理器;以及存储器,其中存储有计算机可读程序,当所述计算机可读程序被所述处理器执行时,所述电子设备执行本实施例所述的方法,具体内容此处不再进行赘述。
通过上述步骤,可以实现通过用户电压数据预测电压异常的目的。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (15)
1.一种电压异常预测方法,其特征在于,包括:
获取电压数据;
根据所述电压数据,判断电压是否平稳;
如果所述电压平稳,则进行白噪声检验;
根据所述白噪声检验的结果,进行预测模型拟合;
根据所述预测模型判断电压是否存在异常。
2.根据权利要求1所述的方法,其特征在于,所述获取电压数据之后,还包括:
根据所述电压数据,生成电压时序图。
3.根据权利要求2所述的方法,其特征在于,所述根据所述电压数据,判断电压是否平稳包括:
根据所述时序图判断电压时序是否处于预设阈值范围内;
如果所述电压时序在所述预设阈值范围内,则电压平稳。
4.根据权利要求3所述的方法,其特征在于,所述根据所述电压数据,判断电压是否平稳包括还包括:
如果所述电压时序不在所述预设阈值范围内,则电压不平稳;
对不平稳的电压进行差分操作。
5.根据权利要求1所述的方法,其特征在于,所述根据所述白噪声检验的结果,进行预测模型拟合包括:
将所述电压数据进行白噪声检验,并生成检验结果,其中,所述检验结果包括:通过、不通过;
当所述检验结果为不通过时,进行所述预测模型的拟合操作。
7.根据权利要求1所述的方法,其特征在于,所述根据所述预测模型判断电压是否存在异常包括:
将所述电压数据带入所述预测模型;
根据所述预测模型的输出结果,将所述输出结果与第一预设参数和第二预设参数进行比对;
如果所述输出结果大于所述第一预设参数或小于所述第二预设参数,则所述电压数据存在异常。
8.一种电压异常预测装置,其特征在于,包括:
获取模块,用于获取电压数据;
判断模块,用于根据所述电压数据,判断电压是否平稳;
白噪模块,用于如果所述电压平稳,则进行白噪声检验;
拟合模块,用于根据所述白噪声检验的结果,进行预测模型拟合;
预测模块,用于根据所述预测模型判断电压是否存在异常。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
时序模块,用于根据所述电压数据,生成电压时序图。
10.根据权利要求9所述的装置,其特征在于,所述判断模块包括:
第一判断单元,用于根据所述时序图判断电压时序是否处于预设阈值范围内;
检测单元,用于如果所述电压时序在所述预设阈值范围内,则电压平稳。
11.根据权利要求10所述的装置,其特征在于,所述判断模块还包括:
第二判断单元,用于如果所述电压时序不在所述预设阈值范围内,则电压不平稳;
第一处理单元,用于对不平稳的电压进行差分操作。
12.根据权利要求8所述的装置,其特征在于,所述白噪模块包括:
检验单元,用于将所述电压数据进行白噪声检验,并生成检验结果,其中,所述检验结果包括:通过、不通过;
第二处理单元,用于当所述检验结果为不通过时,进行所述预测模型的拟合操作。
14.根据权利要求8所述的装置,其特征在于,所述预测模块包括:
输入单元,用于将所述电压数据带入所述预测模型;
比对单元,用于根据所述预测模型的输出结果,将所述输出结果与第一预设参数和第二预设参数进行比对;
第三处理单元,用于如果所述输出结果大于所述第一预设参数或小于所述第二预设参数,则所述电压数据存在异常。
15.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其中存储有计算机可读程序,当所述计算机可读程序被所述处理器执行时,所述电子设备执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911383129.4A CN111190045A (zh) | 2019-12-27 | 2019-12-27 | 电压异常预测方法及装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911383129.4A CN111190045A (zh) | 2019-12-27 | 2019-12-27 | 电压异常预测方法及装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111190045A true CN111190045A (zh) | 2020-05-22 |
Family
ID=70707765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911383129.4A Pending CN111190045A (zh) | 2019-12-27 | 2019-12-27 | 电压异常预测方法及装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111190045A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112213687A (zh) * | 2020-10-10 | 2021-01-12 | 国网四川省电力公司电力科学研究院 | 基于伪异常点辨识的关口电能表数据异常检测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03235027A (ja) * | 1990-02-09 | 1991-10-21 | Toshiba Corp | 異常検出装置 |
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
CN105182218A (zh) * | 2015-08-31 | 2015-12-23 | 航天科工防御技术研究试验中心 | 一种基于加速退化轨迹的电路寿命预测方法 |
CN105703954A (zh) * | 2016-03-17 | 2016-06-22 | 福州大学 | 一种基于arima模型的网络数据流预测方法 |
CN107085750A (zh) * | 2017-03-10 | 2017-08-22 | 广东工业大学 | 一种基于arma和ann的混合动态故障预测方法 |
CN107766977A (zh) * | 2017-10-20 | 2018-03-06 | 江苏电力信息技术有限公司 | 一种基于arima的现金流量预测方法 |
CN109034400A (zh) * | 2018-05-29 | 2018-12-18 | 国网天津市电力公司 | 一种变电站异常量测数据预测平台系统 |
CN109469896A (zh) * | 2018-12-28 | 2019-03-15 | 佛山科学技术学院 | 一种基于时间序列分析工业锅炉故障的诊断方法及系统 |
CN109711440A (zh) * | 2018-12-13 | 2019-05-03 | 新奥数能科技有限公司 | 一种数据异常检测方法和装置 |
-
2019
- 2019-12-27 CN CN201911383129.4A patent/CN111190045A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03235027A (ja) * | 1990-02-09 | 1991-10-21 | Toshiba Corp | 異常検出装置 |
CN104766175A (zh) * | 2015-04-16 | 2015-07-08 | 东南大学 | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 |
CN105182218A (zh) * | 2015-08-31 | 2015-12-23 | 航天科工防御技术研究试验中心 | 一种基于加速退化轨迹的电路寿命预测方法 |
CN105703954A (zh) * | 2016-03-17 | 2016-06-22 | 福州大学 | 一种基于arima模型的网络数据流预测方法 |
CN107085750A (zh) * | 2017-03-10 | 2017-08-22 | 广东工业大学 | 一种基于arma和ann的混合动态故障预测方法 |
CN107766977A (zh) * | 2017-10-20 | 2018-03-06 | 江苏电力信息技术有限公司 | 一种基于arima的现金流量预测方法 |
CN109034400A (zh) * | 2018-05-29 | 2018-12-18 | 国网天津市电力公司 | 一种变电站异常量测数据预测平台系统 |
CN109711440A (zh) * | 2018-12-13 | 2019-05-03 | 新奥数能科技有限公司 | 一种数据异常检测方法和装置 |
CN109469896A (zh) * | 2018-12-28 | 2019-03-15 | 佛山科学技术学院 | 一种基于时间序列分析工业锅炉故障的诊断方法及系统 |
Non-Patent Citations (2)
Title |
---|
杨叔子 等: "《机械故障诊断的时序方法》", 31 August 1989 * |
杨艺 等: "基于ARIMA 风电机组齿轮箱故障趋势预测方法研究", 《重庆工商大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112213687A (zh) * | 2020-10-10 | 2021-01-12 | 国网四川省电力公司电力科学研究院 | 基于伪异常点辨识的关口电能表数据异常检测方法及系统 |
CN112213687B (zh) * | 2020-10-10 | 2023-05-16 | 国网四川省电力公司电力科学研究院 | 基于伪异常点辨识的关口电能表数据异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI706318B (zh) | 錫膏印刷品質檢測方法、數據處理裝置及電腦存儲介質 | |
CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
CN115185760A (zh) | 异常检测方法以及装置 | |
CN108304322B (zh) | 一种压力测试方法及终端设备 | |
CN111190045A (zh) | 电压异常预测方法及装置、电子设备 | |
CN114444738A (zh) | 一种电气设备保养周期生成方法 | |
CN112562727B (zh) | 应用于音频监控的音频场景分类方法、装置以及设备 | |
CN109656810A (zh) | 一种图像算法的调试方法、调试系统及终端设备 | |
Anshuman et al. | Enhanced visualization and characterization of low frequency oscillations in power system | |
CN111953531B (zh) | 网络故障分析方法及装置 | |
Rizvi et al. | Real-time ZIP load parameter tracking using adaptive window and variable elimination with realistic synthetic synchrophasor data | |
CN107154996B (zh) | 来电拦截方法、装置、存储介质及终端 | |
CN115712529A (zh) | 一种边缘智能设备测试方法、装置、设备及存储介质 | |
CN114840422A (zh) | 测试方法、装置、电子设备及存储介质 | |
ATE340489T1 (de) | Testsystem und -verfahren für ein mobilfunknetz | |
CN115407221A (zh) | 质量检验系统的制造 | |
CN111190922A (zh) | 电力状态的检测方法、装置、设备及存储介质 | |
CN116660621B (zh) | 一种本地采样分析的防窃电智能管理系统 | |
CN115795323B (zh) | 恶性负载识别方法、设备及存储介质 | |
CN108429999A (zh) | 智能音箱的待机控制方法 | |
CN111884729B (zh) | 录音通道选择方法、装置及电子设备 | |
CN112465259B (zh) | 一种基于深度神经网络的开关故障预测方法 | |
CN113157560B (zh) | 业务自动测试方法及相关模型的训练方法和装置、设备 | |
CN115442247B (zh) | 一种采用人工智能数据处理运维箱 | |
JP7276489B2 (ja) | 分析装置、制御方法、及びプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200522 |
|
RJ01 | Rejection of invention patent application after publication |