一种在线历史数据潮流趋势分析方法
【技术领域】
[0001] 本发明涉及数据潮流趋势分析方法，具体讲涉及一种基于时间序列ARMA模型的 在线历史数据潮流趋势分析方法。
【背景技术】
[0002] 随着电网规模的不断扩大，电网运行过程中会产生大量数据，这些数据存储到了 数据中心，调度员无法快速分析数据特征，识别数据中的有用信息并做出相应的正确预测。 因此在实际工作中，面临如何从海量历史数据中找到有用的信息、以及通过有用信息进行 快速预测的问题。
[0003] ARIMA模型全称为自回归积分滑动平均模型（Autoregressive Integrated Moving Average Model，简记ARIMA)，是由博克思（Box)和詹金斯(Jenkins)于70年代初提 出一著名时间序列预测方法，ARIMA模型的基本思想是:将预测对象随时间推移而形成的数 据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别 后就可以从时间序列的过去值及现在值来预测未来值。其中六1?頂4(?，(1，(1)称为差分自回归 移动平均模型，AR是自回归，p为自回归项;MA为移动平均，q为移动平均项数，d为时间序列 成为平稳时所做的差分次数。
[0004] 目前，一些电力系统对在线历史数据分析方面的研究还不是很成熟的地方，基于 时间序列ARIMA模型的在线历史数据分析方法的研究尚属空白。
【发明内容】
[0005] 为了克服上述现有技术的不足，本发明提供一种在线历史数据潮流趋势分析方 法，包括以下步骤：
[0006] A.判断在线历史数据序列的平稳性;B.用差分方法对在线历史数据序列平稳化处 理;C.确定ARIMA(p，d，q)模型中的p和q; D.在指数平滑模型下，观察AR頂A模型的正态分布； E.在线分析及预测在线历史数据。
[0007] 步骤A包括：收集时间序列数据中不同时间点的QS数据；整合QS数据形成相关序 列。
[0008] 步骤B包括:对在线历史数据序列进行d阶差分，获得平稳时间序列。平稳时间序列 的自相关图和偏相关图包括拖尾和/或截尾;依据自相关图和偏相关图选择相关算法。
[0009] 相关算法包括:如果自相关是拖尾，偏相关是截尾，选择AR算法;如果自相关是截 尾，偏相关是拖尾，选择MA算法;如果自相关和偏相关都是拖尾，选择ARIMA算法。
[0010] 步骤C包括:基于自相关图确定AR頂A(p，d，q)模型中的p;基于偏相关图确定AR頂A (p，d，q)模型中的q。
[0011]步骤D包括:AR頂A模型的预测误差服从零均值和方差不变的正态分布，且AR頂A模 型的连续预测误差自相关。基于在线历史数据和所述ARMA模型，预测未来电网运行的短期 趋势。
[0012] 与现有技术相比，本发明的有益效果在于：
[0013] 1、本发明基于电力系统数据具有时序性的特点，在进行稳定分析中考虑时间序列 因素，预测电力系统下一阶段稳定程度。
[0014] 2、本发明可实现对全国电力系统历史数据进行分析，基于时间序列的AR頂A模型， 从大量的一系列按照时间先后顺序取得的数据对电网潮流的未来趋势进行预测。
【附图说明】
[0015] 图1是本发明在线历史数据潮流趋势分析方法流程图。
【具体实施方式】
[0016] 下面结合说明书附图对本申请的技术方案做进一步详细说明。
[0017]本发明包括以下步骤：
[0018] 1、准备时间序列数据，在不同时间点上收集到的QS数据，这类数据反映了电网在 某一个时间的状态数据、随时间的变化数据呈现一种变化趋势。
[0019] 根据选取的特征属性将QS数据进行整合处理形成相关序列。
[0020] 2、通过使用差分的方法对时间序列进行平稳化处理，在差分时需要确定差分的阶 数，即d的取值。
[0021 ]相距一期的两个序列值之间的减法运算称为1阶差分运算，记为表示^与^^ 之间的减法运算，即：-IV对1阶差分运算后序列再进行一次1阶差分运算称为 2阶差分，记为，表示与之间的减法运算，即：V 2·% = Vi：f ;依此类推，对d- 1阶差分后序列再进行一次1阶差分运算称为d阶差分，记为￥%，表示▽+1七与 之间的减法运算，即：V% = -V'h：^。直到序列平稳围绕某一常数上下波动 为止。
[0022] 3、平稳序列的自相关图和偏相关图不是截尾就是拖尾。
[0023] 截尾就是在d阶后系数都为0,当阶数为1的时候，系数值还是很大，二阶或者d阶长 的时候突然就变成了很小的值，并且后面的值都很小，认为是趋于〇的，这种状况就是截尾； 再就是拖尾，拖尾就是有一个衰减的趋势，但是系数不都为〇。
[0024] 通过自相关图和偏相关图分析出截尾和拖尾性并进行相关算法选择：
[0025] a.如果自相关是拖尾，偏相关截尾，则用AR算法；
[0026] b.如果自相关截尾，偏相关拖尾，则用MA算法；
[0027] c.如果自相关和偏相关都是拖尾，则用ARMA算法。
[0028] 4、按照自相关和偏相关分析确定自相关和偏相关都是拖尾并采用ARMA算法，接 下来就是要寻找ARIMA(p，d，q)中合适的p值和q值，通过d阶差分转化为一个平稳时间序列 后确定d的值，通过检查平稳时间序列的自相关图来确定p的值和偏相关图来确定q的值。 [0029] 5、通过观察ARMA模型的预测误差是否是平均值为0,且方差为常数的正态分布 (服从零均值、方差不变的正态分布），同时也要观察连续预测误差是否自相关，对AR頂A(p， d，q)模型进行检验确定时间序列的直方图显示预测误差大致是正态分布的且平均值服从 零均值的正态分布。
[0030] 6、利用大量在线历史数据通过检验的ARMA(p，d，q)模型对未来电网运行情况的 趋势进行短期预测。
[0031] 最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所 属领域的普通技术人员参照上述实施例依然可以对本发明的【具体实施方式】进行修改或者 等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发 明的权利要求保护范围之内。
【主权项】
1. 一种在线历史数据潮流趋势的分析方法，其特征在于，包括以下步骤： A. 判断在线历史数据序列的平稳性； B. 用差分方法对所述在线历史数据序列平稳化处理； C. 确定ARIMA(p，d，q)模型中的p和q; D. 在指数平滑模型下，观察ARIMA模型的正态分布； E. 在线分析及预测所述在线历史数据。2. 根据权利要求1所述的分析方法，其特征在于，所述步骤A包括： 收集时间序列数据中不同时间点的QS数据;整合所述QS数据形成相关序列。3. 根据权利要求1所述的分析方法，其特征在于，所述步骤B包括： 对所述在线历史数据序列进行d阶差分，获得平稳时间序列。4. 根据权利要求3所述的分析方法，其特征在于， 所述平稳时间序列的自相关图和偏相关图包括拖尾和/或截尾； 依据所述自相关图和所述偏相关图选择相关算法。5. 根据权利要求4所述的分析方法，其征在于，所述相关算法包括： 如果自相关是拖尾，偏相关是截尾，选择AR算法； 如果自相关是截尾，偏相关是拖尾，选择Μ算法； 如果自相关和偏相关都是拖尾，选择ARIMA算法。6. 根据权利要求5所述的分析方法，其特征在于，所述步骤C包括： 基于所述自相关图确定所述ARMA(p，d，q)模型中的ρ;基于所述偏相关图确定ARIMA (p，d，q)模型中的q。7. 根据权利要求6所述的分析方法，其特征在于，所述步骤D包括： 所述AR頂A模型的预测误差服从零均值和方差不变的正态分布，且所述ARMA模型的连 续预测误差自相关。8. 根据权利要求1所述的分析方法，其特征在于，所述步骤E包括： 基于所述在线历史数据和所述ARIMA模型，预测未来电网运行的短期趋势。
【专利摘要】本发明提供了一种在线历史数据潮流趋势的分析方法，包括：A.判断在线历史数据序列的平稳性；B.用差分方法对所述在线历史数据序列平稳化处理；C.确定ARIMA(p,d,q)模型中的p和q；D.在指数平滑模型下，观察ARIMA模型的正态分布；E.在线分析及预测所述在线历史数据。本发明可实现对全国电力系统历史数据进行分析，基于时间序列的ARIMA模型，从大量的一系列按照时间先后顺序取得的数据对电网潮流的未来趋势进行预测。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105550772
【申请号】CN201510906433
【发明人】李伟, 康建东, 张爽, 鲁广明, 田蓓, 张军, 高峰, 牛琳琳, 刘宇星, 刘钊呈, 陆俊, 高强, 谢昶, 严剑峰, 于之虹
【申请人】中国电力科学研究院, 国家电网公司, 国网宁夏电力公司电力科学研究院
【公开日】2016年5月4日
【申请日】2015年12月9日