基于时序模型的负荷不良数据研究-论文.pdf

《基于时序模型的负荷不良数据研究-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2015年第6期信息通信2015(总第150期)INFORMAT10N&C0^ICATIoNS(Sum．No150)基于时序模型的负荷不良数据研究王珂，吴静沁，王伟一．一一一一-一_一(东南大学，江苏南京210096)摘要：电力负荷数据可以看成是既具有规律性又具有随机性的时间序列，文章提出一种基于时序模型的负荷●L数据研广●究●方广●●l-●●卜法，可以对曲线中的偶发不良数据进行辨识。首先对负荷曲线进行平稳化处理，其次对时序模型进行识别上和参数1．估．计-Ir，．在确定时序模型后，结合电网负荷的实际数据，检验负荷

2、曲线中偶发坏数据，仿真结果验证了方法的有效性。关键词：时序模型；负荷数据；置信区间；参数估计中图分类号：TBl14．3文献标识码：A文章编号：1673．1131(2015)06．0036．020引言利用ADF检验方法验证序列是否平稳，若待检测数据通过检验，则说明其具有平稳的特性。如图l可知，功率数据yl随着电力网络的不断发展，电力系统整体呈现大机组、大具有显著的趋势特性，所以y1不是平稳序列。为了消除yl，容量、大电网的特点，系统中的数据信息也随之变得越来越复具有的趋势特性以及避免数据存在异方差性，对y1采取1次

3、杂，电力系统成为一个大型的、快速变化的、复杂的信息源“。差分处理，获得序列Vyl。，继而采用ADF检验方法判断Vyl电力系统中的坏数据辨识是为了剔除量测数据中的不正常数是否具有平稳性，由于序列Vylt没有通过ADF检验，所以对据，为电力运行提供准确依据，使管理部门能够全面了解电力序列y1。采取2次差分处理，获得时间序列2y1。。表1为序网络的状态】。列2yl的检验结果，可知2阶差分序列yl。通过了ADF检文章以电力负荷曲线数据为研究对象，考虑到负荷数据验，因此2y1是平稳序列。具有时间序列特性。因此，以历史负荷曲

4、线为样本，采用时序表1yl的平稳性检验结果方法中的自回归移动平均模型ARⅡA(p，d，q)，对负荷曲线中lu卫。I暑暑0t卫iI．皇置-暑IlI童卫So显著性水平检验临界值tProb的偶发坏数据进行辨识。ADF检验值、．12．5872O．00oOl数据样本1％-3．503O

5、以图1所示的电力SCADA系统采集的负荷数据作为样5％-2．8932／本，日功率数据曲线含96个采样点，采样间隔为15分钟／次。lO％-2．5837

6、由于日功率数据序列一般具有上升或者下降趋势，为非平稳序列，首先用Lagrangc插值方法对样

7、本数据进行预处理。在2．2模型识别此基础上，采用ARⅡA模型对数据进行建模，并估计相关的由表1对序列V2ylt的ADF检验结果可知，ARIMA模参数以及进行合理性判断，最后对建立的ARIMA模型的残差型中的差分阶数d应取为2。图2为2阶差分序列1。的自序列进行分析，采用设定误差辨识区间的方法辨识样本数据相关图以及偏自相关图，由图2可知，2阶差分序列2yl的两中的坏数据。种特征函数图均呈现出拖尾的特征，初步确定P和q在整数1、2和3之间选取。80I-JIlIIII75广-1IlIlIIl7口广-1lI趔lI譬65卜

8、1IIL．_■■II卜-．1IlI一lII1tl●051O1520253o3540455o558o8570758o869o951ool▲．●．1图1含有坏数据的负荷功率曲线2时序模型tau■●2．1数据平稳化处理图2V2yl。的自相关图以及偏自相关图BCD新工艺的场致发光高压驱动芯片[J]．电子学报，2013，4参考文献：(9)：185．186[1】黄重春，丁绪星．一种自体发光布驱动电源的SPWM实现[3】唐莉芳，黎俐，杨毓俊，等用于场致发光灯稳定驱动的Boost[J]．电源技术，2014，10(11)：206．

9、208电路【J]．液晶与显示，2012，10(5)：666—670【2】黄伟，胡南中，李海鸥，等．基于全集成自提取结终端隔离36信息通信王珂等：基于时序模型的负荷不良数据研究通过AIC准则选取一个最优模型，即先按照升序原则对地获取了样本中的有效信息，可以解释数据之间的相关芑联●一系口曼，og一{殳{P值和q值进行排序。根据P值和q值依次构造时序模型，并认为该模型是合适的时序模型。采用X2检验法验证由残，差值0且计算相应的AIC函数值，利用分别对应于最小AIC值的P构成的序列是否属于白噪声。图4为拟合残差的自相关图

10、及值和q值构造合理的模型。偏自相关图。可知残差序列的两种特征系数均近似等于0，且2．3参数估计当滞后步数是6、12、18和20时，LB检验统计量的概率值分根据上述分析，最小的AIC函数值对应的P值和q值分别是0．731，O．827，0．911和0．938，全部显著大于0．05，所以模别取1和2，因此将模型确定为ARIMA(1，2，2)，采用最小二乘型ARIMA(1，2，2