基于ARMA模型的电压RMS值预测

针对配电网节点电压方均根值(root mean square value,RMS)数据规律性差,难以预测的特点,文中提出了一种将自回归移动平均模型(auto-regressive and moving average model,ARMA)应用到电压RMS值预测中的方法。该方法主要包括数据预处理、ARMA模型拟合训练、ARMA模型拟合评价、ARMA模型预测应用4个步骤。运用Python编程语言实现该方法,随机选取两条10 k V等级的电压RMS值监测序列进行ARMA模型拟合训练,并利用训练完成后的模型进行预测分析,结果表明,两条预测序列与实际值的方均根误差分别为9.57和5.05,本文所提方法能够对电压RMS值进行较为有效的预测,具有较好的有效性和实用性。     

基于LSTM算法的电力谐波监测数据预测

随着电力系统中接入大量的非线性设备,谐波问题更加严重,对谐波监测指标变化趋势的准确预测对电网优质运行具有重要意义。电能质量监测系统日趋成熟,并积累了较为完善可靠的监测数据,对此本文提出了一种基于长短时记忆网络深度学习算法的电力谐波监测数据的预测方法。该方法主要包括谐波监测数据预处理、预测模型拟合训练、预测模型应用以及模型预测效果评估等4个步骤。基于Python算法包编程实现该方法,并对实际采集到的谐波监测数据进行预测分析。结果表明,本文所提方法对于不同时间尺度的谐波监测数据进行预测分析时均可取得良好的效果,验证了该方法的可行性和实用性。