基于ARMA模型的GIS微弱放电发展趋势预测方法技术

本发明专利技术涉及基于ARMA模型的GIS微弱放电发展趋势预测方法，包括如下步骤：采集气体绝缘组合电器内微弱放电数据，并对其进行预处理，使数据平稳化，获取平稳数据序列；对平稳数据序列进行白噪声检验，舍弃掉不合格的数据；确定采集数据自相关性和去干扰后采集数据自相关性；构建ARMA模型，对模型进行定阶，并确定模型中未知参数的值；验证模型有效性，若模型不满足条件，则重新构建并确定模型，若模型满足条件，则得到有效预测模型；利用有效预测模型对GIS微弱放电发展趋势进行预测；本发明专利技术能够较好地预测微弱放电阶跃参量及非线性参量的极值和峰值，对后续研究其发展趋势的预测具有较大的参考意义。较大的参考意义。较大的参考意义。

【技术实现步骤摘要】
基于ARMA模型的GIS微弱放电发展趋势预测方法


[0001]本专利技术属于GIS放电预测
，尤其涉及基于ARMA模型的GIS微弱放电发展趋势预测方法。

技术介绍

[0002]气体绝缘组合电器设备内多数故障原因是微弱放电，尽可能地避免微弱放电是提高气体绝缘组合电器设备工作寿命的关键因素。由于气体绝缘组合电器设备内微弱放电逐渐发展到绝缘闪络击穿是一个影响因素众多的过程，因此目前通过状态监测数据准确把握微弱放电发展的过程并对发展趋势进行预测，从而提高状态检修的高效性和实时性是一个亟待解决的难题；ARMA是一类常用的随机时间序列模型，该模型被广泛用于各个领域解决实际问题；因此，研究一种通过构建ARMA预测模型有效预测GIS内部微弱放电发展趋势的方法，具有重要意义。

技术实现思路

[0003]本专利技术解决其技术问题是采取以下技术方案实现的：
[0004]基于ARMA模型的GIS微弱放电发展趋势预测方法，其特征在于，包括如下步骤：
[0005]采集气体绝缘组合电器内微弱放电数据，并对其进行预处理，使数据平稳化，获取平稳数据序列；
[0006]对平稳数据序列进行白噪声检验，舍弃掉不合格的数据；
[0007]确定采集数据自相关性和去干扰后采集数据自相关性；
[0008]构建ARMA模型，对模型进行定阶，并确定模型中未知参数的值；
[0009]验证模型有效性，若模型不满足条件，则重新构建并确定模型，若模型满足条件，则得到有效预测模型；
[0010]利用有效预测模型对GIS微弱放电发展趋势进行预测。
[0011]进一步的，对微弱放电数据进行预处理，使数据平稳化的过程中需要判断数据的平稳性，判断平稳性的方法为使用差分方法或相关系数图。
[0012]进一步的，确定采集数据自相关性和去干扰后采集数据自相关性的方法为：
[0013]微弱放电参量自相关系数的获取公式为：
[0014][0015]式中，n为数列维度，k为数列滞后数，x为样本数据(如线性特征参量悬浮放电模型每分钟平均放电次数、阶跃参量绝缘子金属异物放电归一化幅值、非线性特征量绝缘子沿面放电幅值信息熵)，x为数据总体的平均值；自相关系数可以表达一组数据前后数据的相关性；
[0016]微弱放电参量偏自相关系数的获取公式为：
[0017][0018]式中，
[0019]偏自相关系数就是剔除k
‑
1个的变量干扰之后，检验其他数据的相关性。
[0020]进一步的，采用AIC准则，对模型进行定阶；AIC准则可以表示为：AIC(p)＝2p
‑
2ln(L)，式中，p为微弱放电参量数量，L为似然函数；令N为观察数，为残差平方和，则上式变为：最优的自回归模型阶数指的是使AIC(p)取值最小时的p值。
[0021]进一步的，确定模型中未知参数的值的方法为：
[0022]确定模型阶数后，找出样本的似然函数L，并求使得该函数达到最大的参数值；
[0023]记为：假设服从多元正态分布则似然函数为：对其求最大值得
[0024]进一步的，验证模型有效性的方法为：如果模型充分从数据中提取信息，残差为白噪声序列，则模型是有效的。
[0025]基于ARMA模型的GIS微弱放电发展趋势预测装置，包括：
[0026]平稳数据序列获取模块，用于采集气体绝缘组合电器内微弱放电数据，并对其进行预处理，使数据平稳化，获取平稳数据序列；
[0027]不合格数据剔除模块，用于对平稳数据序列进行白噪声检验，舍弃掉不合格的数据；
[0028]自相关性数据获取模块，用于确定采集数据自相关性和去干扰后采集数据自相关性；
[0029]ARMA模型构建模块，用于构建ARMA模型，对模型进行定阶，并确定模型中未知参数的值；
[0030]有效预测模型获取模块，用于验证模型有效性，若模型不满足条件，则重新构建并确定模型，若模型满足条件，则得到有效预测模型；
[0031]GIS微弱放电发展趋势预测模块，用于利用有效预测模型对GIS微弱放电发展趋势进行预测。
[0032]一种计算设备，包括：
[0033]一个或多个处理单元；
[0034]存储单元，用于存储一个或多个程序，
[0035]其中，当所述一个或多个程序被所述一个或多个处理单元执行，使得所述一个或多个处理单元执行所述的基于ARMA模型的GIS微弱放电发展趋势预测方法。
[0036]一种具有处理器可执行的非易失的程序代码的计算机可读存储介质，所述计算机
程序被处理器执行时实现所述基于ARMA模型的GIS微弱放电发展趋势预测方法的步骤。
[0037]本专利技术的优点和积极效果是：
[0038]本专利技术可以对微弱放电线性参量发展趋势进行准确预测，得到较好效果，整体预测误差值均在10％以下；能够较好地预测微弱放电阶跃参量及非线性参量的极值和峰值，对后续研究其发展趋势的预测具有较大的参考意义。
附图说明
[0039]以下将结合附图和实施例来对本专利技术的技术方案作进一步的详细描述，但是应当知道，这些附图仅是为解释目的而设计的，因此不作为本专利技术范围的限定。此外，除非特别指出，这些附图仅意在概念性地说明此处描述的结构构造，而不必要依比例进行绘制。
[0040]图1为本专利技术实施例提供的基于ARMA模型的GIS微弱放电发展趋势预测方法的流程示意图；
具体实施方式
[0041]首先，需要说明的是，以下将以示例方式来具体说明本专利技术的具体结构、特点和优点等，然而所有的描述仅是用来进行说明的，而不应将其理解为对本专利技术形成任何限制。此外，在本文所提及各实施例中予以描述或隐含的任意单个技术特征，或者被显示或隐含在各附图中的任意单个技术特征，仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减，从而获得可能未在本文中直接提及的本专利技术的更多其他实施例。另外，为了简化图面起见，相同或相类似的技术特征在同一附图中可能仅在一处进行标示。
[0042]在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该专利技术产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0043]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0044]如图1，本实施例提供的基于ARMA模型的GIS微弱放电发展趋势预测方法，包括如下步骤：
[0045]采集气体绝缘组合电器内微弱放电数据，并对其进行预处理，使数据平稳化，获取平稳数据序列；
[0046]对平稳数据序列进行白噪声检验，舍弃掉不合格的数据；
[0047]确定采集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于ARMA模型的GIS微弱放电发展趋势预测方法，其特征在于，包括如下步骤：采集气体绝缘组合电器内微弱放电数据，并对其进行预处理，使数据平稳化，获取平稳数据序列；对平稳数据序列进行白噪声检验，舍弃掉不合格的数据；确定采集数据自相关性和去干扰后采集数据自相关性；构建ARMA模型，对模型进行定阶，并确定模型中未知参数的值；验证模型有效性，若模型不满足条件，则重新构建并确定模型，若模型满足条件，则得到有效预测模型；利用有效预测模型对GIS微弱放电发展趋势进行预测。2.根据权利要求1所述的基于ARMA模型的GIS微弱放电发展趋势预测方法，其特征在于：对微弱放电数据进行预处理，使数据平稳化的过程中需要判断数据的平稳性，判断平稳性的方法为使用差分方法或相关系数图。3.根据权利要求1所述的基于ARMA模型的GIS微弱放电发展趋势预测方法，其特征在于：确定采集数据自相关性和去干扰后采集数据自相关性的方法为：微弱放电参量自相关系数的获取公式为：式中，n为数列维度，k为数列滞后数，x为样本数据(如线性特征参量悬浮放电模型每分钟平均放电次数、阶跃参量绝缘子金属异物放电归一化幅值、非线性特征量绝缘子沿面放电幅值信息熵)，为数据总体的平均值；自相关系数可以表达一组数据前后数据的相关性；微弱放电参量偏自相关系数的获取公式为：式中，偏自相关系数就是剔除k
‑
1个的变量干扰之后，检验其他数据的相关性。4.根据权利要求1所述的基于ARMA模型的GIS微弱放电发展趋势预测方法，其特征在于：采用AIC准则，对模型进行定阶；AIC准则可以表示为：AIC(p)＝2p
‑
2ln(L)，式中，p为微弱放电参量数量，L为似然函数；令N为观察数，为残差平方和，则...

【专利技术属性】
技术研发人员：田涛，王海滨，赵宇鸿，李惠玉，唐瑞伟，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：