基于时序分析的电网合并单元电平预测

合并单元设备监控依赖于现场工作人员记录、实践经验以及预设告警阈值，缺少对系统监视数据的分析和挖掘，不能实现设备状态预测。鉴于此，根据监视合并单元电平数据的时序性特征，将传统时序模型差分整合移动平均自回归（Autoregressive integrated moving average， ARIMA）和长短期记忆网络（Long short-term memory， LSTM）构建组合模型，并采用蛙跳算法 （Shuffled frog leaping algorithm， SFLA） 进行模型优化。优化后的模型应用在合并单元激光器监视的电平数据预测分析，将ARIMA-LSTM优化组合模型和单一模型进行对比，验证了组合模型比单一模型具有更高的准确度。进一步和其他组合模型做对比实验，实验结果表明，组合模型经过SFLA优化后均优于其他组合模型，能够更好挖掘数据中的隐藏信息和趋势，提高时序数据预测精度和故障排查效率。将SFLA优化的组合ARIMA-SVM模型和ARIMA-LSTM模型对比，实验结果表明，所提出的ARIMA-LSTM模型优于ARIMA-SVM模型，可以更好地分析和掌握设备状态信息，实现对合并单元设备的电平数据预测。