一种基于时序分析的阀冷设备进阀温度预测方法与流程

本发明涉及阀冷设备进阀温度预测方法，尤其涉及一种基于时序分析的阀冷设备进阀温度预测方法。

背景技术：

近年来，随着国内经济增长，以及国民生活水平的日益提升，我国用电需求快速增长和绿色清洁能源的迫切需求，中国的超、特高压输变电工程已经进入技术成熟阶段。在技术成熟的前提下，如何做到精益求精，对超、特高压输变电工程安全性、稳定性和智能化的要求变得越来越高，成为一个将要面对的严峻问题。

目前，国内用电需求随着社会的发展而不断增长。直流输电技术正在朝着高电压大容量的技术方向发展，由于国土辽阔，对其在长距离输电、跨区域联网及调度灵活等方面有着现实需求。保障电网中换流阀等关键设备稳定运行就至关重要，而换流阀在运行过程中会不断产生热量，如果热量不断聚集，温度不断升高影响换流阀的正常运行。电网中的换流阀等关键设备故障对电力系统造成的影响也越来越大。当前，针对阀冷设备的运行存在一些监视措施，但大多是利用已有经验。此种方式缺少对监视数据进行充分的挖掘和分析，不能够发现隐藏在数据中的信息和趋势。

技术实现要素：

发明目的：本发明的目的是提供一种实现分析和掌握阀冷以及换流变设备状态的基于时序分析的阀冷设备进阀温度预测方法。

技术方案：本发明所述的阀冷设备进阀温度预测方法，包括步骤如下：(1)数据准备，构建数据集；(2)数据趋势分析；(3)确定时间序列分析方法，建立线性预测模型和非线性预测模型；(4)对阀冷设备进阀温度进行预测分析。

步骤(1)构建干净的数据集。

步骤(2)中对阀冷设备正常工作下的数据规律性和趋势分析；所述的数据为阀冷设备进阀温度的监视数据。

步骤(3)中所述的时间序列是指将同一统计指标的数值根据其时间先后顺序排列而成的数列；所述时间序列分为线性时间序列和非线性时间序列。

步骤(3)根据线性时间序列建立线性预测模型，得到线性模型预测结果；根据非线性时间序列建立非线性预测模型，得到非线性模型预测结果。

步骤(4)根据步骤(3)得到的模型预测结果，采用线性预测模型与非线性预测模型结合的方法，对阀冷设备进阀温度的变化趋势进行预测。

有益效果：本发明与现有技术相比，其显著效果如下：1、通过对现有阀冷设备运行状态的监视数据利用时间序列分析和建立模型，实现了挖掘数据中的隐藏信息和趋势，降低了维护成本，提高故障排查效率；2、通过对电网中阀冷设备检测数据进行预测，提高工作人员对设备的感知能力，能对阀冷以及换流变设备未来出现的变化趋势做相应的准备，为电网的正常运行和提供可靠的供电具有指导意义；3、为分析和掌握阀冷以及换流变设备状态信息，提供了阀冷设备进阀温度的预测方法。

附图说明

图1为本发明的阀冷设备进阀温度预测方法整体流程图；

图2中(a)为本发明的阀冷设备工作状态下随机七天的进阀温度，

(b)为本发明的阀冷设备工作状态下随机七天的出阀温度图，

(c)为本发明的阀冷设备工作状态下随机七天的进阀压力图

(d)为本发明的阀冷设备工作状态下随机七天的冷却水导电率变化图；

图3中(a)为本发明的阀冷设备工作状态下随机一个月的进阀温度，

(b)为本发明的阀冷设备工作状态下随机一个月的出阀温度图，

(c)为本发明的阀冷设备工作状态下随机一个月的进阀压力，

(d)为本发明的阀冷设备工作状态下随机一个月的冷却水导电率变化图；

图4为本发明的阀冷设备工作状态下一个月阀冷数据变化图，

(a)为本发明的阀冷设备工作状态下随机三个月的进阀温度，

(b)为本发明的阀冷设备工作状态下随机三个月的出阀温度图，

(c)为本发明的阀冷设备工作状态下随机三个月的进阀压力，

(d)为本发明的阀冷设备工作状态下随机三个月的冷却水导电率变化图；

图5为本发明的arima模型预测进阀温度预测结果图；

图6为本发明的svm模型预测进阀温度预测结果图；

图7为本发明的arima-svm混合模型预测进阀温度预测结果图。

具体实施方式

下面结合说明书附图和具体实施方式对本发明做进一步详细描述。

本发明所述的阀冷设备进阀温度预测方法，根据阀冷设备进阀温度的监视数据，尤其是阀冷设备的进阀温度数据，提出利用时间序列分析方法。特别地，根据进阀温度、出阀温度、进阀压力和冷却水导电率的特征，利用算术平方根、方差和迪基-福勒检验等方式去分析评估数据是否符合平稳时间序列特征，在此基础上分别构建arima模型、svm模型和arima-svm混合模型对阀冷设备进阀温度进行预测研究，并计算均方根误差来评估所建立模型的好坏。详细步骤如下：

(1)数据准备

本发明的数据来源于中国南方电网从2017年9月到2019年8月的超高压换流站设备阀冷设备的进阀温度、出阀温度、进阀压力、冷却水导电率(即四个监测指标)数据记录。

考虑到要分析数据的时间序列性和趋势性特征，而初始数据是散乱分布于数据库中的，需要一系列的数据预处理来构建一个干净的数据集。

数据存取高效性保证。为了保证能高速、有效地对数据进行划分、筛选和清洗，将所有数据从数据库中导出，并以json或者csv文件格式存储。

数据时间序列性保证。鉴于阀冷设备数量众多，需要对每台设备的监视数据进行分析，为了分析每台设备随时间变化的运行状态。把数据按照各个设备进行划分，并按照日期时间排列，以保证每个设备对应数据的完整性和时序性，最终构建出一个包含四个监测指标的数据表。经过上面的数据预处理之后，获得了干净并且可以进行时序分析的数据集。

在获得干净的数据集后，对四个监测指标的数据分别按周、月对数据进行采样，分析其内在的规律性和数据的趋势变化。

(2)阀冷设备数据趋势分析

为了更好地分析阀冷设备进阀温度随时间变化的趋势性和规律性，分别按周、月对驱动数据进行随机抽样，分析其规律性和趋势变化。

一周内数据分析。对过滤后的数据集进行随机抽样，选取了七天的阀冷设备数据进行分析，其随时间的变化如图2所示，其中包含(a)、(b)、(c)和(d)图，分别描绘了七天进阀温度、出阀温度、进阀压力、冷却水导电率的变化趋势。

从图2中的(a)、(b)、(c)和(d)图可以得出，进阀温度在32℃到40℃之间变化，相差8℃；而出阀温度在38℃到49℃之间变化，温度提升6℃到9℃；进阀压力和冷却水导电率，会随机波动，值的波动幅度并不是很大，且进阀压力和冷却水导电率均在正常值范围之内变化。进阀温度、出阀温度、进阀压力和冷却水导电率都在某个均值附近波动，均是在正常值范围之内变化。

为了进一步研究阀冷变化趋势以及数据的平稳性，对一个月的阀冷设备数据进行分析。从图3的(a)、(b)、(c)和(d)图中可得出，进阀温度和出阀温度的变化趋势很相似，但总体的变化范围有些不同，进阀温度的变化范围在22℃到36℃，而出阀温度则在24℃到42℃之间波动，进出阀温度相差了2℃到6℃。进阀温度依旧会趋于保持在一个稳定范围内，会有随机的波动，但值的波动幅度较小，且驱动电流值均在正常值范围之内变化。为进一步确定数据是否是一个平稳时间序列，可通过计算均值、标准差等方式来确定。

(3)阀冷设备进阀温度分析方法和建立预测模型

根据步骤(2)的数据趋势分析，当阀冷设备在工作状态时，其对应进阀温度虽然会有随机波动，但波动幅度较小，且维持在一个正常的值范围内，具有一定的稳定性。

根据数据分析结果，选取、确定时间序列性分析方法，建立预测模型，对阀冷设备进阀温度进行预测分析。因arma只能处理平稳序列，单独的arima或者svm很难完全把握时间序列的变化规律，所以考虑将二者结合起来的混合模型进行解决。

在本发明中，阀冷时间序列yt可以分解为线性部分lt和非线性部分nt组成。

yt＝lt+nt(1)

线性部分lt可以由arma(p，q)模型根据阀冷数据时间序列中过去的值计算得出，计算公式如下：

lt＝a1yt-1+a2yt-2+…+apyt-p+b1εt-1+b2εt-2+…+bqεt-q+εp(2)

式中，{yt}是一个平稳时间序列，{εt}白噪声序列，ai与bj分别是{yt}序列和{εt}序列的参数，p称为自回归阶数，q为移动平均阶数。

在遇到非平稳时间序列数据时，往往需要进行差分处理，将非平稳序列平稳化。自回归滑动平均模型(arma)和整合移动平均自回归模型(arima)时序分析总的策略主要包含三步：第一步确定合适得到p，d，q值；第二步，通过最有效的方法评估模型中具体的参数值；第三要检验预测数据的准确性，拟合模型的适当性，最终不断的适当改进模型达到准确预测数据的目的。

aic和bic用于确定p，q值，选择更简单的模型：

aic：赤池信息准则(akaikeinformationcriterion)

aic＝2k-2ln(l)(3)

bic：贝叶斯信息准则(bayesianinformationcriterion)

bic＝kln(n)-2ln(l)(4)

其中，k为模型参数个数，n为样本数量，l为似然函数。

由于阀冷设备数据是时间平稳序列，因此可以直接建立arma(p，q)模型或者arima(p，d，q)模型，模型中将d设为0，采用从低阶到高阶逐步试探方法来识别模型的参数，初步选择p＝1，q＝1或者p＝2，q＝2，一直往上试探，然后通过赤池信息度量(aic)和贝叶斯信息度量(bic)找到arima模型的最佳参数。aic和bic是在参数个数和模型的拟合精度之前权衡，计算值越小表示模型性能越好。arima模型在处理线性数据时具有独特的优势，能够充分捕获时间序列中线性部分，在捕获线性部分的同时可以获得残差。

残差里会包括非线性关系，虽arima模型无法捕获非线性的信息，但支持向量机(svm)可以捕获此类信息。因残差是提高预测准确性的重要因素，所以残差分析至关重要。支持向量机(svm)在非线性预测方面能够取得很好的效果，支持向量机(svm)是以统计学理论为基础的学习方法。由于支持向量机(svm)丰富的理论基础保证了在解决高维度、非线性方面具有不可比拟的优势。非线性部分可以从线性模型中得到，非线性部分nt作为svm模型的输入。

为线性部分即为arima预测模型的预测结果；可以从arima模型t时刻得到，是非线性部分即为arima预测模型获得的残差部分，且作为svm模型的输入，公式可以表示

g为非线性模型，δt是非线性部分的随机误差，n为输入的长度。根据以上的分析可以得到最终的预测值为：

(4)阀冷设备进阀温度预测分析

(4.1)正常工作下的阀冷设备进阀温度预测分析。随机选取一台阀冷设备从2018年1月1日到2018年3月31日的数据进行实验分析评估，阀冷数据采样的时间间隔为半小时，数据的趋势变化如图5所示。从图5中可以看出进阀温度基本趋于平稳，虽会有随机波动，但波动幅度大多较小，其值一直处于正常范围内。而且，随着时间变化计算算术平均值，其值趋近于一个常量；并随着时间变化计算了方差，其值趋近于0。

此外，还运用迪基-福勒检验进行了单位根校验，计算得到p值远小于0.01，说明时间t在超过99％的置信水平下是显著的，数据是时间平稳序列。支持构建arima模型，将模型参数d设为0。

基于进阀温度的数据是时间平稳序列，建立arima模型，并进行预测。arima模型预测结果如图5所示。

从图5中可以得出，arima模型的预测结果与原始数据相贴近，并计算均方根误差来评估模型的好坏，均方根误差为0.72。

(4.2)进一步构建svm模型。svm模型可以检测非线性关系，并进行预测进阀温度数据中的非线性关系。模型预测结果如图6所示。

从图6中可以得出，svm模型的预测结果与原始数据变化趋势贴近，但会出现小的波动，计算均方根误差来评估模型的好坏，均方根误差为1.33。

构建arima-svm混合模型。首先使用arima对电网时间序列进行预测，捕获电网时间序列的线性变化趋势，然后利用svm对电网时间序列的非线性，以提高预测的准确性。在arima模型预测的同时获得了残差数据，将获得的残差部分作为svm的输入。arima-svm混合模型预测结果如图7所示

从图7中可得出，预测效果更接近进阀温度数据。svm模型的输出进一步调整arima的预测值，使得预测值更加接近真实值，均方根误差0.60。

实验结果表明，arima模型和svm模型都可有效挖掘数据中的隐藏信息和趋势，更好地预测进阀温度的变化趋势。为了进一步提高预测的准确性，在arima模型预测线性数据的基础上结合svm模型分析非线性数据，对arima模型的预测结果做进一步优化，表明arima-svm混合模型可达到一个优化的结果。