(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210721890.X (22)申请日 2022.06.24 (71)申请人 国网天津市电力公司电力科 学研究 院 地址 300384 天津市滨 海新区华苑产业区 海泰华科四路8号 申请人 国网天津市电力公司 　 国家电网有限公司 (72)发明人 何金　宋晓博　朱旭亮　赵琦　 陈荣　邢向上　 (74)专利代理 机构 天津盛理知识产权代理有限 公司 12209 专利代理师 王来佳 (51)Int.Cl. G06F 30/20(2020.01)G01R 31/12(2006.01) G01R 31/327(2006.01) (54)发明名称 基于ARMA模型的GIS微粒微弱放电发展趋势 预测方法及系统 (57)摘要 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。 权利要求书2页 说明书5页 附图2页 CN 115270410 A 2022.11.01 CN 115270410 A 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： 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， 根据采集权　利　要　求　书 1/2 页 2 CN 115270410 A 2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， xn为向量x 的末元素， φ1为向量φ 的首元素， φp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， σε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 。权　利　要　求　书 2/2 页 3 CN 115270410 A 3