System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于用电信息系统监测,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。
技术介绍
1、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。
2、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。但该专利技术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。
技术实现思路
1、本专利技术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
2、为解决上述技术问题,本专利技术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:
3、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。
4、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。
5、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。
6、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、优选的,所述步骤s2具体为:
8、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。
9、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。
10、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。
11、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。
12、优选的,所述步骤s22具体为:
13、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:
14、
15、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]。
16、所述偏相关系数的计算公式具体为:
17、
18、
19、
20、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]。
21、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。
22、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:
23、aic=(n-d)logσ2+2*(p+q+1)logn
24、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。
25、优选的,所述步骤s2还包括:
26、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:
27、
28、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。
29、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:
30、
31、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。
32、优选的,所述步骤s3具体为:
33、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。
34、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。
35、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。
36、相应的,本专利技术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。
37、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。
38、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。
39、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。
40、所述存储模块用于存储设备数据。
41、所述设备被配置为执行以下步骤:
42、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。
43、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。
44、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本文档来自技高网...
【技术保护点】
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:
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:
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:
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:
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:
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;
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:
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:
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
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:
...【技术特征摘要】
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:
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:
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:
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:
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:
6.一种基于数据分...
【专利技术属性】
技术研发人员:阙兴榕,吴宝林,李灿辉,江一鹤,李春利,王雪莲,赖素娟,
申请(专利权)人:国网福建省电力有限公司龙岩市永定区供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。