基于arma模型的gis微粒微弱放电发展趋势预测方法及系统
技术领域
1.本发明属于gis微粒预测技术领域，尤其是基于arma模型的gis微粒微弱放电发展趋势预测方法及系统。
背景技术：2.气体绝缘组合电器设备gis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。在gis平时工作中，当内部电场达到微弱区域的击穿场强时，这区域就开始放电，形成gis微弱放电。微弱放电会降低绝缘子的工作寿命，加速绝缘子老化。同时，微弱放电也是电器元件老化、机械元件老化、微弱发热严重的预兆。由此，如何避免、去除gis内部微弱放电，从而使gis安全长时间运行成为了改善gis的重要方向。但是gis设备现场实际运行中会面对很多干扰，gis放电缺陷从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。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，是目前gis设备故障研究亟待解决的难题。arma是一类常用的随机时间序列模型，近些年来该模型被广泛用于各个领域解决实际问题。但是目前技术中心尚无通过arma预测模型有效预测gis内部微弱放电发展趋势。
技术实现要素：3.本发明的目的在于克服现有技术的不足，提出基于arma模型的gis微粒微弱放电发展趋势预测方法及系统，通过建立arma最优预测模型，代入试验获得微弱放电特征量，从而实现对gis微弱放电发展趋势的预测。
4.本发明解决其技术问题是采取以下技术方案实现的：
5.基于arma模型的gis微粒微弱放电发展趋势预测方法，包括以下步骤：
6.步骤1、采集非平稳的微弱放电数据，对数据进行平稳化预处理，判断预处理后形成时间序列数据的平稳性；
7.步骤2、对平稳序列做白噪声检验，若白噪声检验通过则进行步骤3，否则舍弃数据并返回步骤1；
8.步骤3、计算步骤1采集数据自相关性和偏自相关性；
9.步骤4、根据采集数据自相关性、偏自相关性和aic准则，对arma模型进行定阶；
10.步骤5、根据步骤4的定阶，估计arma模型中未知参数的值；
11.步骤6、使用进行模型检验，若模型检验通过则预测未来走势，否则返回步骤4。
12.而且，所述步骤1中采用差分方法或相关系数图检验处理后形成时间序列数据的平稳性。
13.而且，所述步骤3中自相关性的计算方法为：
14.15.其中，为自相关系数，n为数列维度，k为数列滞后数，x为步骤1放电数据，同时作为样本数据，为样本数据的平均值，t为时间。
16.而且，所述放电数据包括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和非线性特征量绝缘子沿面放电幅值信息熵。
17.而且，所述步骤3中偏自相关性为使用白噪声检验剔除k-1个的变量干扰之后得到的数据进行自相关性计算，其计算方法为：
[0018][0019][0020][0021]
其中，为偏自相关系数，为自相关系数。
[0022]
而且，所述步骤4的具体实现方法为：
[0023][0024]
其中，p为样本数据中参量数量，l为似然函数，n为观察数，为残差平方和，根据采集数据自相关性、偏自相关性和aic准则，最优的arma自回归模型阶数为使aic(p)取值最小时的p值。
[0025]
而且，所述步骤5的具体方法为：根据步骤4确定的模型阶数，找出样本数据的似然函数l，并得到该函数达到最大的参数值：
[0026][0027]
其中，若服从多元正态分布则似然函数为：
[0028][0029]
计算最大的参数值其中为向量x的最大参数值，x1为向量x的首元素，xn为向量x的末元素，φ1为向量φ的首元素，φ
p
为向量φ的末元素，θ1为向量θ的首元素，θq为向量θ的末元素，n为样本数，ω为均值，σ
ε
为方差。
[0030]
而且，所述步骤6的具体方法为：若arma模型充分从数据中提取信息，同时残差为白噪声序列，则模型是有效的，将步骤2中的通过白噪声检验的平稳序列带入arma模型预测微弱放电走势；若拟合模型不满足条件，则返回步骤4。
[0031]
一种基于arma模型的gis微粒微弱放电发展趋势预测方法的预测系统，包括平稳性判断模块、平稳序列检验模块、计算模块、识别模块、估计模块、模型检验模块和预测模块，其中平稳性判断模块、平稳序列检验模块、计算模块、识别模块、估计模块、模型检验模块和预测模块顺序连接。
[0032]
本发明的优点和积极效果是：
[0033]
本发明通过采集非平稳的微弱放电数据，对数据进行平稳化预处理，判断判断其平稳性；对平稳序列做白噪声检验并舍弃不合格数据；计算采集数据自相关性和偏自相关性；根据采集数据自相关性、偏自相关性和aic准则，对arma模型进行定阶；估计arma模型中未知参数的值；使用arma模型进行采集数据检验，若模型检验通过则预测未来走势。本发明能够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。同时本发明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
[0034]
图1为本发明的流程图；
[0035]
图2为本发明的结构框图。
具体实施方式
[0036]
以下结合附图对本发明做进一步详述。
[0037]
在gis平时工作中，当内部电场达到微弱区域的击穿场强时，这区域就开始放电，形成gis微弱放电。微弱放电会降低绝缘子的工作寿命，加速绝缘子老化。同时，微弱放电也是电器元件老化、机械元件老化、微弱发热严重的预兆。由此，如何避免、去除gis内部微弱放电，从而使gis安全长时间运行成为了改善gis的重要方向。但是gis设备现场实际运行中会面对很多干扰，gis放电缺陷从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。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，是目前gis设备故障研究亟待解决的难题。
[0038]
基于arma模型的gis微粒微弱放电发展趋势预测方法，如图1所示，包括以下步骤：
[0039]
步骤1、采集非平稳的微弱放电数据，对数据进行平稳化预处理，采用差分方法或相关系数图检验预处理后形成时间序列数据的平稳性。
[0040]
步骤2、对平稳序列做白噪声检验，若白噪声检验通过则进行步骤3，否则舍弃数据并返回步骤1。
[0041]
步骤3、计算步骤1采集数据自相关性和偏自相关性。
[0042]
自相关性的计算方法为：
[0043][0044]
其中，为自相关系数，n为数列维度，k为数列滞后数，x为步骤1放电数据(放电数据包括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和非线性特征量绝缘子沿面放电幅值信息熵等)，同时作为样本数据，为样本数据的平均值，t为时间；
[0045]
偏自相关性为使用白噪声检验剔除k-1个的变量干扰之后得到的数据进行自相关性计算，其计算方法为：
[0046][0047][0048][0049]
其中，为偏自相关系数，为自相关系数。
[0050]
步骤4、根据采集数据自相关性、偏自相关性和aic准则，对arma模型进行定阶。aic准则指均衡地考虑模型的准确度和参数估计的准确度，寻求最优模型。aic准则可以表示为：
[0051]
aic(p)＝2p-2ln(l)
[0052]
其中，p为样本数据中参量数量，l为似然函数。令n为观察数，为残差平方和，则aic准则转换为：
[0053][0054]
根据采集数据自相关性、偏自相关性和aic准则，最优的arma自回归模型阶数为使aic(p)取值最小时的p值。
[0055]
步骤5、根据步骤4确定的模型阶数，找出样本数据的似然函数l，并得到该函数达到最大的参数值：
[0056][0057]
其中，若服从多元正态分布则似然函数为：
[0058][0059]
计算最大的参数值其中为向量x的最大参数值，x1为向量x的首元素，xn为向量x的末元素，φ1为向量φ的首元素，φ
p
为向量φ的末元素，θ1为向量θ的首元素，θq为向量θ的末元素，n为样本数，ω为均值，σ
ε
为方差。
[0060]
步骤6、使用进行模型检验，若模型检验通过则预测未来走势，否则返回步骤4。
[0061]
若arma模型充分从数据中提取信息，同时残差为白噪声序列，则模型是有效的，将步骤2中的通过白噪声检验的平稳序列带入arma模型预测微弱放电走势；若拟合模型不满足条件，则返回步骤4。
[0062]
一种基于arma模型的gis微粒微弱放电发展趋势预测方法的预测系统，如图2所示，包括平稳性判断模块、平稳序列检验模块、计算模块、识别模块、估计模块、模型检验模块和预测模块，其中平稳性判断模块、平稳序列检验模块、计算模块、识别模块、估计模块、模型检验模块和预测模块顺序连接。
[0063]
本发明考虑到gis设备现场实际运行中会面对很多干扰，gis放电缺陷从微弱放电
逐渐发展到绝缘闪络击穿是一个影响因素众多的过程。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，是目前gis设备故障研究亟待解决的难题。提出了一种基于arma模型的gis微粒微弱放电发展趋势预测方案。该方案利用arma预测模型对微弱放电各种参量的发展趋势进行预测。均有不错表现。
[0064]
本发明针对微弱放电的各种参量，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。实践发现，本发明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。同时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。
[0065]
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
技术特征：1.基于arma模型的gis微粒微弱放电发展趋势预测方法，其特征在于：包括以下步骤：步骤1、采集非平稳的微弱放电数据，对数据进行平稳化预处理，判断预处理后形成时间序列数据的平稳性；步骤2、对平稳序列做白噪声检验，若白噪声检验通过则进行步骤3，否则舍弃数据并返回步骤1；步骤3、计算步骤1采集数据自相关性和偏自相关性；步骤4、根据采集数据自相关性、偏自相关性和aic准则，对arma模型进行定阶；步骤5、根据步骤4的定阶，估计arma模型中未知参数的值；步骤6、使用进行模型检验，若模型检验通过则预测未来走势，否则返回步骤4。2.根据权利要求1所述的基于arma模型的gis微粒微弱放电发展趋势预测方法，其特征在于：所述步骤1中采用差分方法或相关系数图检验处理后形成时间序列数据的平稳性。3.根据权利要求1所述的基于arma模型的gis微粒微弱放电发展趋势预测方法，其特征在于：所述步骤3中自相关性的计算方法为：其中，为自相关系数，n为数列维度，k为数列滞后数，x为步骤1放电数据，同时作为样本数据，为样本数据的平均值，t为时间。4.根据权利要求3所述的基于arma模型的gis微粒微弱放电发展趋势预测方法，其特征在于：所述放电数据包括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和非线性特征量绝缘子沿面放电幅值信息熵。5.根据权利要求1所述的基于arma模型的gis微粒微弱放电发展趋势预测方法，其特征在于：所述步骤3中偏自相关性为使用白噪声检验剔除k-1个的变量干扰之后得到的数据进行自相关性计算，其计算方法为：行自相关性计算，其计算方法为：行自相关性计算，其计算方法为：其中，为偏自相关系数，为自相关系数。6.根据权利要求1所述的基于arma模型的gis微粒微弱放电发展趋势预测方法，其特征在于：所述步骤4的具体实现方法为：其中，p为样本数据中参量数量，l为似然函数，n为观察数，为残差平方和，根据采集
数据自相关性、偏自相关性和aic准则，最优的arma自回归模型阶数为使aic(p)取值最小时的p值。7.根据权利要求1所述的基于arma模型的gis微粒微弱放电发展趋势预测方法，其特征在于：所述步骤5的具体方法为：根据步骤4确定的模型阶数，找出样本数据的似然函数l，并得到该函数达到最大的参数值：其中，若服从多元正态分布则似然函数为：计算最大的参数值其中为向量x的最大参数值，x1为向量x的首元素，x
n
为向量x的末元素，φ1为向量φ的首元素，φ
p
为向量φ的末元素，θ1为向量θ的首元素，θ
q
为向量θ的末元素，n为样本数，ω为均值，σ
ε
为方差。8.根据权利要求1所述的基于arma模型的gis微粒微弱放电发展趋势预测方法，其特征在于：所述步骤6的具体方法为：若arma模型充分从数据中提取信息，同时残差为白噪声序列，则模型是有效的，将步骤2中的通过白噪声检验的平稳序列带入arma模型预测微弱放电走势；若拟合模型不满足条件，则返回步骤4。9.一种如权利要求1至8任一项所述的基于arma模型的gis微粒微弱放电发展趋势预测方法的预测系统，其特征在于：包括平稳性判断模块、平稳序列检验模块、计算模块、识别模块、估计模块、模型检验模块和预测模块，其中平稳性判断模块、平稳序列检验模块、计算模块、识别模块、估计模块、模型检验模块和预测模块顺序连接。
技术总结本发明涉及基于ARMA模型的GIS微粒微弱放电发展趋势预测方法及系统，通过采集非平稳的微弱放电数据，对数据进行平稳化预处理，判断判断其平稳性；对平稳序列做白噪声检验并舍弃不合格数据；计算采集数据自相关性和偏自相关性；根据采集数据自相关性、偏自相关性和AIC准则，对ARMA模型进行定阶；估计ARMA模型中未知参数的值；使用ARMA模型进行采集数据检验，若模型检验通过则预测未来走势。本发明能够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。同时本发明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。预测具有较大的参考意义。预测具有较大的参考意义。
技术研发人员：何金 宋晓博 朱旭亮 赵琦 陈荣 邢向上
受保护的技术使用者：国网天津市电力公司 国家电网有限公司
技术研发日：2022.06.24
技术公布日：2022/11/1
