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...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。展开更多
文摘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。
