一种基于时间序列的电力系统不平衡率预测方法与流程

本发明涉及一种电力系统不平衡率预测方法，尤其是涉及一种基于时间序列的电力系统不平衡率预测方法。

背景技术：

电力系统中，可将母线、主变、全站视为独立单位，这些独立单元的输入电量与输出电量的差值称为不平衡电量，不平衡电量与输入电量比值的百分数又称为该独立单元的不平衡率。电力系统不平衡率数据对提高各电压等级线损管理、监督计量自动化系统的运行情况、快速排查计量系统内的异常情况具有重要意义。

使用不平衡率数据对电力系统运行情况分析需要有定量化的指标。就母线电量不平衡而言，220kv及以上电压等级不应大于±1％，110kv及以下电压等级不应大于正负2％。但以上指标仅为静态化指标，无法体现电力系统不平衡率随时间动态化变化的特点，也就无法从动态层面分析平衡率是否在合理的波动范围内。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于时间序列的电力系统不平衡率预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于时间序列的电力系统不平衡率预测方法，包括以下步骤：

步骤一：收集整理数据；

步骤二：根据已有不平衡率数据，通过ar法预测待预测日的不平衡率。

优选地，所述的步骤一：收集整理数据具体为：

收集该变电站待预测日前一周每日不平衡率数据。

优选地，所述的ar法具体为ar时间序列法，即时间序列下一时刻t的未知值zt是前p个时刻的已知值(zt-1,zt-2...,zt-p)的线性组合。

优选地，所述的ar法用到的ar模型具体为：

zt＝φ1zt-1+φ2zt-2+...+φpzt-p+εt(1)

其中εt为白噪声，p为阶数，φ1,...,φp为系数。

优选地，所述的εt用其均值0代替。

优选地，所述的阶数p可根据偏相关函数截尾性初步判断，再计算模型残差方差，应用aic准则确定模型的阶数p。

优选地，根据所求特定阶数下的偏相关函数值得到相应系数φ1,...,φp。

优选地，在确定ar模型后，根据已有前p个不平衡率数值，通过公式(1)可以求得下一日的待预测不平衡率数值zt。

与现有技术相比，本发明考虑了不平衡率随时间的波动特性，能够为未来电力系统不平衡率提供动态化评价指标。此外，所提出的电力系统不平衡率预测方法具有步骤简单、预测精度高等优点。

附图说明

图1为实施例a站2018年8月实际不平衡率/预测不平衡率对比图。

图2为实施例b站2018年8月实际不平衡率/预测不平衡率对比图。

图3为实施例a站2018年8月实际不平衡率预测误差分析图。

图4为实施例b站2018年8月实际不平衡率预测误差分析图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

分别对上海市电力公司检修公司所管理的a站、b站进行全站不平衡率预测，预测日期为2018年8月8日至29日。其中a站实施例为不平衡正常波动案例，b站实施例为自动化系统发生故障情况下不平衡率异常波动案例。

具体实施过程如下：

步骤一：收集整理有关数据

收集该变电站待预测日前一周每日不平衡率数据，以预测a站2018年8月8日全站不平衡率为例，即收集a站2018年8月1日至7日每日不平衡率数据；其他变电站或预测日同理。

步骤二：ar法预测待预测日不平衡率

以预测a站2018年8月8日全站不平衡率为例，根据如下的ar模型公式(2)，利用该变电站待预测日前7日不平衡率数据(对应公式(2)的zt-1,zt-2...,zt-p)来确定模型(即求出公式(2)中的取εt、阶数p与系数φ1,...,φp)，并由该模型得到待预测日的不平衡率预测值(对应公式(2)中的zt)。

zt＝φ1zt-1+φ2zt-2+...+φpzt-p+εt(2)

具体实现步骤为：

2a.收集a站2018年8月1日至7日每日全站不平衡率数据，形成不平衡率的时间序列；其他变电站或日期同理。

2b.对上述不平衡率的时间序列通过相邻项取差进行两次差分处理以增加其稳定性，再进行标准化处理。

2c.计算处理后的时间序列的自相关系数。为了确定阶数，计算从1阶到10阶(即公式(2)中的p＝1,2...10)的各阶情形下的偏相关系数。

2d.根据偏相关函数的截尾性(相对截尾)和aic准则，选取使aic值为最小的阶数作为模型的阶数(此实施例中p＝7)，用最小二乘法估计模型系数(公式(2)中的φ1,...,φp)。

2e.计算模型的白噪声序列(公式(2)中的εt)的自相关系数以验证模型精度。

2f.采用所得模型进行单步预测，再通过两次反差分处理得到a站2018年8月8日全站不平衡率预测值；其他变电站或日期同理。

步骤三：分别预测a站2018年8月9日至29日、b站2018年8月8日至29日全站不平衡率，重复步骤一与步骤二，直至以上待预测日不平衡率全部预测完成。

采用上述步骤一至步骤三，可得到a站2018年8月8日至29日、b站2018年8月8日至29日每日全站不平衡率预测值。其中，a站的不平衡率预测曲线如图1所示，b站的不平衡率预测曲线如图2所示。为量化预测精度，分别计算两座变电站全站不平衡率的预测相对误差和预测平均误差。预测相对误差由如下公式所求：

预测平均误差为相对误差的平均值。a站不平衡率预测相对误差与预测平均误差由图3所示，b站不平衡率预测相对误差与预测平均误差由图4所示。a站不平衡率预测与误差分析具体数据由表1所示，b站不平衡率预测与误差分析具体数据由表2所示。

表1

表2

实践证明，本发明提出的基于时间序列的电力系统不平衡率预测方法，其预测值可作为电力系统不平衡率动态化评价指标。由实施例中a站案例所示，在不平衡率正常波动的背景下，本预测方法预测的平均误差仅5％，最大误差也仅有12.12％，说明本预测方法能够可靠预测正常情况下不平衡率的动态波动情况。由实施例中b站案例所示，在不平衡率异常波动的背景下，本预测方法预测值则与实际值相差较远，最大相对误差高达52.07％，说明本预测方法能够可靠检测电力系统不平衡率的异常波动，为电力系统工作人员排查自动化系统内部故障提供了坚实的数据支撑。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。