CN117668427A - 一种基于数据分析的用电信息系统温度监控预测方法及设备 - Google Patents
一种基于数据分析的用电信息系统温度监控预测方法及设备 Download PDFInfo
- Publication number
- CN117668427A CN117668427A CN202311676077.6A CN202311676077A CN117668427A CN 117668427 A CN117668427 A CN 117668427A CN 202311676077 A CN202311676077 A CN 202311676077A CN 117668427 A CN117668427 A CN 117668427A
- Authority
- CN
- China
- Prior art keywords
- temperature
- model
- data
- arima
- prediction result
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000007405 data analysis Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 27
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 92
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005311 autocorrelation function Methods 0.000 claims description 60
- 238000010586 diagram Methods 0.000 claims description 48
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 24
- 230000000694 effects Effects 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000010998 test method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据分析的用电信息系统温度监控预测方法,包括以下步骤:S1:获取用电信息系统内部温度历史数据构造数据集,并对其进行预处理,将温度历史数据转换为温度时间序列;S2:将温度时间序列输入ARIMA(p,d,q)模型进行模型拟合并预测,得到温度趋势预测结果;S3:计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,将其输入SVM模型进行训练并预测,得到温度残差预测结果;S4:将温度趋势预测结果与温度残差预测结果组合得到最终的温度预测结果。相应的,本发明还提出了一种基于数据分析的用电信息系统温度监控预测设备。本发明通过结合ARIMA模型与SVM模型更好地拟合用电信息系统中温度数据的复杂性,从而提高预测结果的准确性。
Description
技术领域
本发明属于用电信息系统监测技术领域,特别涉及一种基于数据分析的用电信息系统温度监控预测方法及设备。
背景技术
用电信息系统是电力系统中的重要环节,其主要功能包括电力数据的自动采集、数据计量、数据处理、数据在线监测以及电力质量的在线管控等,系统架构庞大,所包含的设备众多,设备时常出现故障,而一旦出现故障,则可能导致数据异常、可信度低,进而导致主站深化应用、数据分析结果的错误。除了对用电信息系统自身进行故障监测外,对用电信息系统中的内部环境因素如相对温度进行监控判断同样是极为重要的。因此,现有的用电信息系统在长时间使用时,需要发展一种基于数据分析的用电信息系统温度监控预测方法及设备。
公开号为“CN108197645A”的中国专利公开了一种基于小波包奇异熵的费控故障智能诊断方法,包括含噪数据信号降噪处理以及通过信号的奇异熵算法得出熵值判断费控系统的故障;包括如下步骤:采集用电信息系统实时数据:将含噪数据信号进行小波分解;相关系数法滤波;小波分解重构;通过信号的奇异熵算法得出熵值判断费控系统的故障;该方法具有算法简单,编程易实现,不存在小波基选取困难问题等优点,能够满足在线故障诊断的要求。但该发明主要关注的是用电信息系统的元器件故障问题,忽视内部温度的环境因素。
发明内容
本发明提供一种基于数据分析的用电信息系统温度监控预测方法及设备,旨在解决现有的用电信息系统在长时间使用时,需要发展一种基于数据分析的用电信息系统温度监控预测方法及设备对系统温度进行监控预测的问题。
为解决上述技术问题,本发明提出了一种基于数据分析的用电信息系统温度监控预测方法,包括以下步骤:
S1:获取用电信息系统内部温度历史数据构造数据集,并对其进行预处理包括过滤缺失数据与异常数据,将温度历史数据转换为温度时间序列x={xt,t∈T},T=1,2,…,n。
S2:将温度时间序列输入ARIMA(p,d,q)模型进行模型拟合并预测,得到温度趋势预测结果。
S3:计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练并预测,得到温度残差预测结果。
S4:将ARIMA(p,d,q)模型预测得到的温度趋势预测结果与SVM模型预测得到的温度残差预测结果组合得到最终的温度预测结果。
优选的,所述步骤S2具体为:
S21:通过ADF检验法判断温度时间序列是否为平稳数据,若判定温度时间序列为非平稳数据,则对温度时间序列进行d次差分;若判定温度时间序列为平稳数据,则对温度时间序列不作处理,d设为0。
S22:对经过平稳性与白噪声检测的温度时间序列进行自相关与偏自相关检验,通过观察自相关函数图与偏自相关函数图,结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值。
S23:对得到的ARIMA(p,d,q)模型使用D-W检验或LB检验确定其无自相关性。
S24:使用已拟合的ARIMA(p,d,q)模型对温度时间序列进行预测,得到温度趋势预测结果。
优选的,所述步骤S22具体为:
S221:计算自相关函数与偏自相关函数,绘制自相关函数图与偏自相关函数图,所述自相关系数的计算公式具体为:
式中,γk为自相关系数,k为时间间隔,γk∈[-1,1],xi为时间点为i的温度时间序列因素,xi+k为时间点为i+k的温度时间序列因素,为温度时间序列均值,i∈[1,n-k]。
所述偏相关系数的计算公式具体为:
式中,φk,k为偏相关系数,φk,k∈[-1,1],γk为自相关系数,j∈[1,k-1]。
S222:绘制自相关函数图与偏自相关函数图,通过自相关函数图在q期后截尾,偏自相关函数图在p期后截尾的规则选择p、q值。
S223:结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值,所述AIC准则函数的计算公式具体如下:
AIC=(n-d)logσ2+2*(p+q+1)logn
式中,AIC为AIC准则函数,n为温度历史数据样本数量,σ2为拟合残差平均和,d为差分次数,p为通过自相关检验所定的阶数,q通过偏相关检验所定的阶数。
优选的,所述步骤S2还包括:
S25:使用平均绝对百分比误差的评价指标对ARIMA(p,d,q)模型的拟合效果进行评估,所述平均绝对百分比误差的计算公式具体为:
式中,MAPE为平均绝对百分比误差,n为温度历史数据样本数量,xi为温度历史数据,为预测结果;平均绝对百分比误差越小,ARIMA(p,d,q)模型的拟合效果越好。
S26:使用相对误差的评价指标对ARIMA(p,d,q)模型的预测效果进行评估,所述相对误差的计算公式为:
式中,R为相对误差,xi为温度历史数据,为预测结果;相对误差越小,ARIMA(p,d,q)模型的预测效果越好。
优选的,所述步骤S3具体为:
S31:选择高斯核函数构建SVM模型,计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练。
S32:通过网格搜索法确定最优的SVM模型参数,得到训练完成的SVM模型。
S33:使用训练完成的SVM模型进行预测,得到温度残差预测结果。
相应的,本发明还提出了一种基于数据分析的用电信息系统温度监控预测设备,所述设备包括温度采集模块、数据处理模块、预警模块与存储模块。
所述温度采集模块用于将温度传感器采集的温度信号转换为数字信号并传输至数据处理模块。
所述数据处理模块用于对获取的温度历史数据进行数据分析,并将温度预测结果传输至预警模块。
所述预警模块用于设置温度预警阈值,当温度预测结果超过设定的温度预警阈值后,自动发出预警信号。
所述存储模块用于存储设备数据。
所述设备被配置为执行以下步骤:
S1:获取用电信息系统内部温度历史数据构造数据集,并对其进行预处理包括过滤缺失数据与异常数据,将温度历史数据转换为温度时间序列X={xt,t∈T},T=1,2,…,n。
S2:将温度时间序列输入ARIMA(p,d,q)模型进行模型拟合并预测,得到温度趋势预测结果。
S3:计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练并预测,得到温度残差预测结果。
S4:将ARIMA(p,d,q)模型预测得到的温度趋势预测结果与SVM模型预测得到的温度残差预测结果组合得到最终的温度预测结果。
优选的,所述步骤S2具体为:
S21:通过ADF检验法判断温度时间序列是否为平稳数据,若判定温度时间序列为非平稳数据,则对温度时间序列进行d次差分;若判定温度时间序列为平稳数据,则对温度时间序列不作处理,d设为0。
S22:对经过平稳性与白噪声检测的温度时间序列进行自相关与偏自相关检验,通过观察自相关函数图与偏自相关函数图,结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值。
S23:对得到的ARIMA(p,d,q)模型使用D-W检验或LB检验确定其无自相关性。
S24:使用已拟合的ARIMA(p,d,q)模型对温度时间序列进行预测,得到温度趋势预测结果。
优选的,所述步骤S22具体为:
S221:计算自相关函数与偏自相关函数,绘制自相关函数图与偏自相关函数图,所述自相关系数的计算公式具体为:
式中,γk为自相关系数,k为时间间隔,γk∈[-1,1],xi为时间点为i的温度时间序列因素,xi+k为时间点为i+k的温度时间序列因素,为温度时间序列均值,i∈[1,n-k]。
所述偏相关系数的计算公式具体为:
式中,φk,k为偏相关系数,φk,k∈[-1,1],γk为自相关系数,j∈[1,k-1]。
S222:绘制自相关函数图与偏自相关函数图,通过自相关函数图在q期后截尾,偏自相关函数图在p期后截尾的规则选择p、q值。
S223:结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值,所述AIC准则函数的计算公式具体如下:
AIC=(n-d)logσ2+2*(p+q+1)logn
式中,AIC为AIC准则函数,N为温度历史数据样本数量,σ2为拟合残差平均和,D为差分次数,p为通过自相关检验所定的阶数,q通过偏相关检验所定的阶数。
优选的,所述步骤S2还包括:
S25:使用平均绝对百分比误差的评价指标对ARIMA(P,d,q)模型的拟合效果进行评估,所述平均绝对百分比误差的计算公式具体为:
式中,MAPE为平均绝对百分比误差,n为温度历史数据样本数量,xi为温度历史数据,为预测结果;平均绝对百分比误差越小,ARIMA(p,d,q)模型的拟合效果越好。
S26:使用相对误差的评价指标对ARIMA(p,d,q)模型的预测效果进行评估,所述相对误差的计算公式为:
式中,R为相对误差,xi为温度历史数据,为预测结果;相对误差越小,ARIMA(p,d,q)模型的预测效果越好。
优选的,所述步骤S3具体为:
S31:选择高斯核函数构建SVM模型,计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练。
S32:通过网格搜索法确定最优的SVM模型参数,得到训练完成的SVM模型。
S33:使用训练完成的SVM模型进行预测,得到温度残差预测结果。
与现有技术相比,本发明具有以下技术效果:
本发明提出的一种基于数据分析的用电信息系统温度监控预测方法考虑了温度对用电信息系统的影响,通过结合ARIMA模型与SVM模型更好地拟合温度数据中的复杂模式。ARIMA模型利用温度历史数据中的趋势和周期性变化进行预测,而SVM模型通过非线性映射捕捉温度历史数据中的非线性关系。这两种模型的结合能够提高预测结果的准确性。
附图说明
图1是本发明所述一种基于数据分析的用电信息系统温度监控预测方法的整体流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例,并参照附图,对本发明的技术方案进行清楚、完整地描述。
实施例一
本发明提出了一种基于数据分析的用电信息系统温度监控预测方法,包括以下步骤:
S1:获取用电信息系统内部温度历史数据构造数据集,并对其进行预处理包括过滤缺失数据与异常数据、删除重复值,将温度历史数据转换为温度时间序列X={xt,t∈T},T=1,2,…,n。
S2:将温度时间序列输入ARIMA(p,d,q)模型进行模型拟合并预测,得到温度趋势预测结果。
S3:计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练并预测,得到温度残差预测结果。
S4:将ARIMA(p,d,q)模型预测得到的温度趋势预测结果与SVM模型预测得到的温度残差预测结果组合相加得到最终的温度预测结果。
优选的,所述步骤S2具体为:
S21:通过ADF检验法判断温度时间序列是否为平稳数据,若判定温度时间序列为非平稳数据,则对温度时间序列进行d次差分;若判定温度时间序列为平稳数据,则对温度时间序列不作处理,d设为0。
S22:对经过平稳性与白噪声检测的温度时间序列进行自相关与偏自相关检验,通过观察自相关函数图与偏自相关函数图,结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值。
S23:对得到的ARIMA(p,d,q)模型使用D-W检验确定其无自相关性的检验步骤具体为:将ARIMA(p,d,q)模型残差序列按时间顺序排列,分别计算相邻两个残差差值的平方和,得到DW统计量的分子。然后计算残差序列的总方差除以样本大小n,得到DW统计量的分母。最后将分子除以分母,得到DW统计量的值。DW统计量的理论取值范围为[0,4],如果DW统计量的值与2越接近,说明ARIMA(p,d,q)模型越无自相关性,如果DW统计量的值接近于0,则表明ARIMA(p,d,q)模模型存在正自相关性,即残差序列的相邻值之间存在显著的正相关性;如果DW统计量的值接近于4,则表明ARIMA(p,d,q)模模型存在负自相关性,即残差序列的相邻值之间存在显著的负相关性。
此外,还可以通过LB检验确定ARIMA(p,d,q)模型的无自相关性,使用LB检验确定其不存在白噪声的步骤具体为:设定一个滞后阶数(lag),通常选择较小的值,例如10或12。然后计算ARIMA(p,d,q)模型残差序列的自相关系数,并将其平方后相加,得到LB统计量的值。设定显著性水平,通常选择0.05或0.01作为临界值。将计算得到的LB统计量与临界值进行比较。若LB统计量大于临界值,则可以拒绝原假设,即残差序列存在自相关性,说明ARIMA(p,d,q)模型不符合无自相关性的假设;若LB统计量小于或等于临界值,则接受原假设,即残差序列不存在自相关性,说明ARIMA(p,d,q)模型符合无自相关性的假设。
S24:使用已拟合的ARIMA(p,d,q)模型对温度时间序列进行预测,得到温度趋势预测结果。
优选的,所述步骤S22具体为:
S221:计算自相关函数与偏自相关函数,绘制自相关函数图与偏自相关函数图,所述自相关系数的计算公式具体为:
式中,γk为自相关系数,k为时间间隔,γk∈[-1,1],xi为时间点为i的温度时间序列因素,xi+k为时间点为i+k的温度时间序列因素,为温度时间序列均值,i∈[1,n-k]。
所述偏相关系数的计算公式具体为:
式中,φk,k为偏相关系数,φk,k∈[-1,1],γk为自相关系数,j∈[1,k-1]。
S222:绘制自相关函数图与偏自相关函数图,通过自相关函数图在q期后截尾,偏自相关函数图在p期后截尾的规则选择p、q值。
S223:结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值,所述AIC准则函数的计算公式具体如下:
AIC=(n-d)logσ2+2*(p+q+1)logn
式中,AIC为AIC准则函数,n为温度历史数据样本数量,σ2为拟合残差平均和,d为差分次数,p为通过自相关检验所定的阶数,q通过偏相关检验所定的阶数。
优选的,所述步骤S2还包括:
S25:使用平均绝对百分比误差的评价指标对ARIMA(p,d,q)模型的拟合效果进行评估,所述平均绝对百分比误差的计算公式具体为:
式中,MAPE为平均绝对百分比误差,n为温度历史数据样本数量,xi为温度历史数据,为预测结果;平均绝对百分比误差越小,ARIMA(p,d,q)模型的拟合效果越好。
S26:使用相对误差的评价指标对ARIMA(p,d,q)模型的预测效果进行评估,所述相对误差的计算公式为:
式中,R为相对误差,xi为温度历史数据,为预测结果;相对误差越小,ARIMA(p,d,q)模型的预测效果越好。
优选的,所述步骤S3具体为:
S31:选择高斯核函数构建SVM模型,所述高斯函数的计算公式具体为:
式中,K(xi,xj)为高斯核函数,xi,xj为输入的数据样本,||xi-xj||为两个数据样本的欧式距离,σ为高斯核函数的参数,控制高斯核函数的宽度。
计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练。
S32:通过网格搜索法确定最优的SVM模型参数,网格搜索即在指定的参数范围内,按步长依次调整参数,从所有的参数中找到在验证集上精度最高的参数。影响SVM模型预测精度的参数主要有容忍因子与惩罚因子,可以将容忍因子设为定值,搜索惩罚因子的最优值,待确定惩罚因子的最优后,根据惩罚因子的定值搜索容忍因子的最优值,最终确定SVM模型的最优参数集合,得到训练完成的SVM模型。
S33:使用训练完成的SVM模型进行预测,得到温度残差预测结果。
实施例二
相应的,本发明还提出了一种基于数据分析的用电信息系统温度监控预测设备,所述设备包括温度采集模块、数据处理模块、预警模块与存储模块。
所述温度采集模块用于将温度传感器采集的温度信号转换为数字信号并传输至数据处理模块。
所述数据处理模块用于对获取的温度历史数据进行数据分析,并将温度预测结果传输至预警模块。
所述预警模块用于设置温度预警阈值,当温度预测结果超过设定的温度预警阈值后,自动发出预警信号。
所述存储模块用于存储设备数据。
所述设备被配置为执行以下步骤:
S1:获取用电信息系统内部温度历史数据构造数据集,并对其进行预处理包括过滤缺失数据与异常数据、删除重复值,将温度历史数据转换为温度时间序列X={xt,t∈T},T=1,2,…,n。
S2:将温度时间序列输入RAIMA(p,d,q)模型进行模型拟合并预测,得到温度趋势预测结果。
S3:计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练并预测,得到温度残差预测结果。
S4:将ARIMA(p,d,q)模型预测得到的温度趋势预测结果与SVM模型预测得到的温度残差预测结果组合相加得到最终的温度预测结果。
优选的,所述步骤S2具体为:
S21:通过ADF检验法判断温度时间序列是否为平稳数据,若判定温度时间序列为非平稳数据,则对温度时间序列进行d次差分;若判定温度时间序列为平稳数据,则对温度时间序列不作处理,d设为0。
S22:对经过平稳性与白噪声检测的温度时间序列进行自相关与偏自相关检验,通过观察自相关函数图与偏自相关函数图,结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值。
S23:对得到的ARIMA(p,d,q)模型使用D-W检验确定其无自相关性的检验步骤具体为:将ARIMA(p,d,q)模型残差序列按时间顺序排列,分别计算相邻两个残差差值的平方和,得到DW统计量的分子。然后计算残差序列的总方差除以样本大小n,得到DW统计量的分母。最后将分子除以分母,得到DW统计量的值。DW统计量的理论取值范围为[0,4],如果DW统计量的值与2越接近,说明ARIMA(p,d,q)模型越无自相关性,如果DW统计量的值接近于0,则表明ARIMA(p,d,q)模模型存在正自相关性,即残差序列的相邻值之间存在显著的正相关性;如果DW统计量的值接近于4,则表明ARIMA(p,d,q)模模型存在负自相关性,即残差序列的相邻值之间存在显著的负相关性。
此外,还可以通过LB检验确定ARIMA(p,d,q)模型的无自相关性,使用LB检验确定其不存在白噪声的步骤具体为:设定一个滞后阶数(lag),通常选择较小的值,例如10或12。然后计算ARIMA(p,d,q)模型残差序列的自相关系数,并将其平方后相加,得到LB统计量的值。设定显著性水平,通常选择0.05或0.01作为临界值。将计算得到的LB统计量与临界值进行比较。若LB统计量大于临界值,则可以拒绝原假设,即残差序列存在自相关性,说明ARIMA(p,d,q)模型不符合无自相关性的假设;若LB统计量小于或等于临界值,则接受原假设,即残差序列不存在自相关性,说明ARIMA(p,d,q)模型符合无自相关性的假设。
S24:使用已拟合的ARIMA(p,d,q)模型对温度时间序列进行预测,得到温度趋势预测结果。
优选的,所述步骤S22具体为:
S221:计算自相关函数与偏自相关函数,绘制自相关函数图与偏自相关函数图,所述自相关系数的计算公式具体为:
式中,γk为自相关系数,k为时间间隔,γk∈[-1,1],xi为时间点为i的温度时间序列因素,xi+k为时间点为i+k的温度时间序列因素,为温度时间序列均值,i∈[1,n-k]。
所述偏相关系数的计算公式具体为:
式中,φk,k为偏相关系数,φk,k∈[-1,1],γk为自相关系数,j∈[1,k-1]。
S222:绘制自相关函数图与偏自相关函数图,通过自相关函数图在q期后截尾,偏自相关函数图在p期后截尾的规则选择p、q值。
S223:结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值,所述AIC准则函数的计算公式具体如下:
AIC=(n-d)logσ2+2*(p+q+1)logn
式中,AIC为AIC准则函数,n为温度历史数据样本数量,σ2为拟合残差平均和,d为差分次数,p为通过自相关检验所定的阶数,q通过偏相关检验所定的阶数。
优选的,所述步骤S2还包括:
S25:使用平均绝对百分比误差的评价指标对ARIMA(p,d,q)模型的拟合效果进行评估,所述平均绝对百分比误差的计算公式具体为:
式中,MAPE为平均绝对百分比误差,n为温度历史数据样本数量,xi为温度历史数据,为预测结果;平均绝对百分比误差越小,ARIMA(p,d,q)模型的拟合效果越好。
S26:使用相对误差的评价指标对ARIMA(p,d,q)模型的预测效果进行评估,所述相对误差的计算公式为:
式中,R为相对误差,xi为温度历史数据,为预测结果;相对误差越小,ARIMA(p,d,q)模型的预测效果越好。
优选的,所述步骤S3具体为:
S31:选择高斯核函数构建SVM模型,所述高斯函数的计算公式具体为:
式中,K(xi,xj)为高斯核函数,xi,xj为输入的数据样本,||xi-xj||为两个数据样本的欧式距离,σ为高斯核函数的参数,控制高斯核函数的宽度。
计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练。
S32:通过网格搜索法确定最优的SVM模型参数,网格搜索即在指定的参数范围内,按步长依次调整参数,从所有的参数中找到在验证集上精度最高的参数。影响SVM模型预测精度的参数主要有容忍因子与惩罚因子,可以将容忍因子设为定值,搜索惩罚因子的最优值,待确定惩罚因子的最优后,根据惩罚因子的定值搜索容忍因子的最优值,最终确定SVM模型的最优参数集合,得到训练完成的SVM模型。
S33:使用训练完成的SVM模型进行预测,得到温度残差预测结果。
所述设备进行对用电信息系统的内部温度的监测,首先确定监测点,根据实际需要确定需要监测温度的位置,可以选择电源的输出端、设备的进线端或设备内部的热元件等位置,然后在确定的监测点安装温度传感器,将温度信号转换为电信号进行温度采集,通过温度采集模块采集温度传感器输出的电信号,并将其转化为数字信号,传输到数据处理,利用数据分析技术对温度历史数据进行深入分析,以发现温度数据的内在规律和趋势,并将温度预测结果传输至预警模块,预警模块设置温度预警阈值,当温度预警结果超过设定阈值时,自动发出预警信号,例如声音提示、LED灯闪烁等,此外预警模块还可以记录预警时的温度数据和时间,方便后续管理人员排查用电信息系统故障原因。
此外,为了保证温度监控预预测设备更好地进行提醒,可以建立数据传输通道,将预警模块与云端服务器进行连接,建立数据传输通道,使得温度预警结果能够被实时传输到云端服务器中,在云端服务器上建立手机APP接口,通过手机将温度预警信息以可视化方式展示,方便管理人员查看。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,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。
Claims (10)
1.一种基于数据分析的用电信息系统温度监控预测方法,其特征在于,包括以下步骤:
S1:获取用电信息系统内部温度历史数据构造数据集,并对其进行预处理包括过滤缺失数据与异常数据,将温度历史数据转换为温度时间序列X={xt,t∈T},T=1,2,…,n;
S2:将温度时间序列输入ARIMA(p,d,q)模型进行模型拟合并预测,得到温度趋势预测结果;
S3:计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练并预测,得到温度残差预测结果;
S4:将ARIMA(p,d,q)模型预测得到的温度趋势预测结果与SVM模型预测得到的温度残差预测结果组合得到最终的温度预测结果。
2.根据权利要求1所述的一种基于数据分析的用电信息系统温度监控预测方法,其特征在于,所述步骤S2具体为:
S21:通过ADF检验法判断温度时间序列是否为平稳数据,若判定温度时间序列为非平稳数据,则对温度时间序列进行d次差分;若判定温度时间序列为平稳数据,则对温度时间序列不作处理,d设为0;
S22:对经过平稳性与白噪声检测的温度时间序列进行自相关与偏自相关检验,通过观察自相关函数图与偏自相关函数图,结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值;
S23:对得到的ARIMA(p,d,q)模型使用D-W检验确定其无自相关性;
S24:使用已拟合的ARIMA(p,d,q)模型对温度时间序列进行预测,得到温度趋势预测结果。
3.根据权利要求2所述的一种基于数据分析的用电信息系统温度监控预测方法,其特征在于,所述步骤S22具体为:
S221:计算自相关函数与偏自相关函数,绘制自相关函数图与偏自相关函数图,所述自相关系数的计算公式具体为:
式中,γk为自相关系数,k为时间间隔,γk∈[-1,1],xi为时间点为i的温度时间序列因素,xi+k为时间点为i+k的温度时间序列因素,为温度时间序列均值,i∈[1,n-k];
所述偏相关系数的计算公式具体为:
式中,φk,k为偏相关系数,φk,k∈[-1,1],γk为自相关系数,j∈[1,k-1];
S222:绘制自相关函数图与偏自相关函数图,通过自相关函数图在q期后截尾,偏自相关函数图在p期后截尾的规则选择p、q值;
S223:结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值,所述AIC准则函数的计算公式具体如下:
AIC=(n-d)logσ2+2*(p+q+1)log n
式中,AIC为AIC准则函数,n为温度历史数据样本数量,σ2为拟合残差平均和,D为差分次数,p为通过自相关检验所定的阶数,q通过偏相关检验所定的阶数。
4.根据权利要求2所述的一种基于数据分析的用电信息系统温度监控预测方法,其特征在于,所述步骤S2还包括:
S25:使用平均绝对百分比误差的评价指标对ARIMA(p,d,q)模型的拟合效果进行评估,所述平均绝对百分比误差的计算公式具体为:
式中,MAPE为平均绝对百分比误差,n为温度历史数据样本数量,xi为温度历史数据,为预测结果;平均绝对百分比误差越小,ARIMA(p,d,q)模型的拟合效果越好;
S26:使用相对误差的评价指标对ARIMA(p,d,q)模型的预测效果进行评估,所述相对误差的计算公式为:
式中,R为相对误差,xi为温度历史数据,为预测结果;相对误差越小,ARIMA(p,d,q)模型的预测效果越好。
5.根据权利要求1所述的一种基于数据分析的用电信息系统温度监控预测方法,其特征在于,所述步骤S3具体为:
S31:选择高斯核函数构建SVM模型,计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练;
S32:通过网格搜索法确定最优的SVM模型参数,得到训练完成的SVM模型;
S33:使用训练完成的SVM模型进行预测,得到温度残差预测结果。
6.一种基于数据分析的用电信息系统温度监控预测设备,其特征在于,所述设备包括温度采集模块、数据处理模块、预警模块与存储模块;
所述温度采集模块用于将温度传感器采集的温度信号转换为数字信号并传输至数据处理模块;
所述数据处理模块用于对获取的温度历史数据进行数据分析,并将温度预测结果传输至预警模块;
所述预警模块用于设置温度预警阈值,当温度预测结果超过设定的温度预警阈值后,自动发出预警信号;
所述存储模块用于存储设备数据;
所述设备被配置为执行以下步骤:
S1:获取用电信息系统内部温度历史数据构造数据集,并对其进行预处理包括过滤缺失数据与异常数据,将温度历史数据转换为温度时间序列x={xt,t∈T},T=1,2,…,n;
S2:将温度时间序列输入ARIMA(p,d,q)模型进行模型拟合并预测,得到温度趋势预测结果;
S3:计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练并预测,得到温度残差预测结果;
S4:将ARIMA(p,d,q)模型预测得到的温度趋势预测结果与SVM模型预测得到的温度残差预测结果组合得到最终的温度预测结果。
7.根据权利要求6所述的一种基于数据分析的用电信息系统温度监控预测设备,其特征在于,所述步骤S2具体为:
S21:通过ADF检验法判断温度时间序列是否为平稳数据,若判定温度时间序列为非平稳数据,则对温度时间序列进行d次差分;若判定温度时间序列为平稳数据,则对温度时间序列不作处理,d设为0;
S22:对经过平稳性与白噪声检测的温度时间序列进行自相关与偏自相关检验,通过观察自相关函数图与偏自相关函数图,结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值;
S23:对得到的ARIMA(p,d,q)模型使用D-W检验确定其无自相关性;
S24:使用已拟合的ARIMA(p,d,q)模型对温度时间序列进行预测,得到温度趋势预测结果。
8.根据权利要求7所述的一种基于数据分析的用电信息系统温度监控预测设备,其特征在于,所述步骤S22具体为:
S221:计算自相关函数与偏自相关函数,绘制自相关函数图与偏自相关函数图,所述自相关系数的计算公式具体为:
式中,γk为自相关系数,k为时间间隔,γk∈[-1,1],xi为时间点为i的温度时间序列因素,xi+k为时间点为i+k的温度时间序列因素,为温度时间序列均值,i∈[1,n-k];
所述偏相关系数的计算公式具体为:
式中,φk,k为偏相关系数,φk,k∈[-1,1],γk为自相关系数,j∈[1,k-1];
S222:绘制自相关函数图与偏自相关函数图,通过自相关函数图在q期后截尾,偏自相关函数图在p期后截尾的规则选择p、q值;
S223:结合AIC准则计算确定ARIMA(p,d,q)模型的最优p、q值,所述AIC准则函数的计算公式具体如下:
AIC=(n-d)logσ2+2*(p+q+1)log n
式中,AIC为AIC准则函数,n为温度历史数据样本数量,σ2为拟合残差平均和,d为差分次数,q为通过自相关检验所定的阶数,p通过偏相关检验所定的阶数。
9.根据权利要求7所述的一种基于数据分析的用电信息系统温度监控预测设备,其特征在于,所述步骤S2还包括:
S25:使用平均绝对百分比误差的评价指标对ARIMA(p,d,q)模型的拟合效果进行评估,所述平均绝对百分比误差的计算公式具体为:
式中,MAPE为平均绝对百分比误差,n为温度历史数据样本数量,xi为温度历史数据,为预测结果;平均绝对百分比误差越小,ARIMA(p,d,q)模型的拟合效果越好;
S26:使用相对误差的评价指标对ARIMA(p,d,q)模型的预测效果进行评估,所述相对误差的计算公式为:
式中,R为相对误差,xi为温度历史数据,为预测结果;相对误差越小,ARIMA(p,d,q)模型的预测效果越好。
10.根据权利要求6所述的一种基于数据分析的用电信息系统温度监控预测设备,其特征在于,所述步骤S3具体为:
S31:选择高斯核函数构建SVM模型,计算ARIMA(p,d,q)模型预测的温度趋势预测结果存在的残差序列,对得到的残差序列重新构造数据集,将其输入SVM模型进行训练;
S32:通过网格搜索法确定最优的SVM模型参数,得到训练完成的SVM模型;
S33:使用训练完成的SVM模型进行预测,得到温度残差预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311676077.6A CN117668427A (zh) | 2023-12-06 | 2023-12-06 | 一种基于数据分析的用电信息系统温度监控预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311676077.6A CN117668427A (zh) | 2023-12-06 | 2023-12-06 | 一种基于数据分析的用电信息系统温度监控预测方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117668427A true CN117668427A (zh) | 2024-03-08 |
Family
ID=90065782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311676077.6A Pending CN117668427A (zh) | 2023-12-06 | 2023-12-06 | 一种基于数据分析的用电信息系统温度监控预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668427A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035690A (zh) * | 2024-04-12 | 2024-05-14 | 大石桥市宝鼎耐火材料有限公司 | 基于机器学习的耐火材料烧成隧道窑温度智能预测方法 |
-
2023
- 2023-12-06 CN CN202311676077.6A patent/CN117668427A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035690A (zh) * | 2024-04-12 | 2024-05-14 | 大石桥市宝鼎耐火材料有限公司 | 基于机器学习的耐火材料烧成隧道窑温度智能预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN117668427A (zh) | 一种基于数据分析的用电信息系统温度监控预测方法及设备 | |
CN111382789B (zh) | 基于机器学习的电力负荷识别方法及系统 | |
CN114239377A (zh) | 一种城轨机电设备健康状态评估方法、系统及存储介质 | |
CN112101554A (zh) | 异常检测方法及装置、设备、计算机可读存储介质 | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN117114454B (zh) | 一种基于Apriori算法的直流套管状态评估方法及系统 | |
CN112187528A (zh) | 基于sarima的工业控制系统通信流量在线监测方法 | |
CN114757380A (zh) | 一种火电厂故障预警系统、方法、电子设备及存储介质 | |
CN117235653B (zh) | 一种电源连接器故障实时监测方法及系统 | |
CN117708550B (zh) | 一种电力大数据自动化数据分析及模型构建方法 | |
CN117134503A (zh) | 一种大型电力供电装置的状态监测方法及系统 | |
CN108333443B (zh) | 电力设备间歇性缺陷的报警方法 | |
Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
CN117668684A (zh) | 基于大数据分析的电网电能数据异常检测方法 | |
CN117235617A (zh) | 沙尘天气下基于ml-rfknn的光伏阵列故障诊断方法 | |
CN117290685A (zh) | 一种基于历史数据的电厂电力设备专家诊断系统及方法 | |
KR20210097613A (ko) | 수요관리 자원 최적화를 위한 전력사용량 예측 시스템 | |
CN117330948A (zh) | 一种断路器机械特性在线监测方法及系统 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN116593829A (zh) | 基于数据分析的输电线路隐患在线监测系统 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN115684833A (zh) | 一种基于谐波诊断的电缆线路劣化监测方法、系统及存储介质 | |
CN114201825A (zh) | 基于组合特征的设备性能退化状态的评估方法及系统 | |
CN116738859B (zh) | 一种铜管在线无损寿命评估方法及系统 |
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 |