文献研读及公式推导-推导电压的二次式，并建立AR模型，预测电压数据

1. 文献来源

文献来源：Dynamic State Prediction Based on Auto- Regressive (AR) Model Using PMU Data

2. 文献公式推导

文献中公式（2）-（10）（与本文的公式编号不是对应的），具体文献中公式，查看具体文献。


$$\dot{V_1}-\dot{V_2}=1-\dot{I}(jX)\Rightarrow 1-(x+jy)=\dot{I}(jX)\text{\hspace{1em}(1)}$$$$S_D=V_2{\dot{I}}^{\ast }\Rightarrow (1+j\beta )t=(x+jy){\dot{I}}^{\ast }\text{\hspace{1em}(2)}$$

$$\dot{I}=-\frac{y}{X}+\frac{(x-1)}{X}j\text{\hspace{1em}(3)}$$$${\dot{I}}^{\ast }=-\frac{y}{X}-\frac{(x-1)}{X}j=\frac{(1+j\beta )t}{x+jy}\text{\hspace{1em}(4)}$$
求解可得：
$$y=-Xt\text{\hspace{1em}(4a)}$$$$x^2-x+y^2+\beta xt=0\text{\hspace{1em}(4b)}$$$$x^2-x+X^2{t}^2+X\beta t=0\text{\hspace{1em}(4c)}$$
由式（4a）-（4c）可得，电压与时间成二次关系式：
$$V_k(t)\approx a_k+b_{k}t+c_k{t}^2\text{\hspace{1em}(5)}$$

3. AR模型

自回归模型（英语：Autoregressive model，简称AR模型），是统计上一种处理时间序列的方法，用同一变数例如x的之前各期，亦即x1至xt-1来预测本期xt的表现，并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来，只是不用x预测y，而是用x预测 x（自己）；所以叫做自回归。

  自回归（AR）模型是一种时间序列分析，广泛应用于预测的各个领域，如信号处理、状态估计、控制、模式识别等。用$AR(m)$表示的m阶一般自回归模型定义如下所示。
$$y_t={\alpha }_1{y}_{t-1}+{\alpha }_2{y}_{t-2}+\dots +{\alpha }_m{y}_{t-m}+{\omega }_t,t=m+1,\dots ,n\text{\hspace{1em}(6)}$$
其中$y_1$，$y_2$，…，$y_n$是时间序列数据，m是AR模型的阶数${\alpha }_1$，${\alpha }_2$，…，${\alpha }_n$是AR模型的相应参数，$\omega t$表示白噪声。

4. 插值多项式与范德蒙矩阵

  多项式广泛用于逼近复杂曲线，多项式插值对于执行次二次乘法至关重要[6]。给定一个m-1次多项式，它可以写成（7）中所示的形式，并在插值后获得具有系数的线性方程组，如（8）所示。
$$y(t)=a_{m-1}{t}^{m-1}+a_{m-2}{t}^{m-2}+\dots +a_{1}t+a_0\text{\hspace{1em}(7)}$$$$\left[\begin{array}{c}y(1)\\ y(2)\\ ⋮\\ y(m)\end{array}\right]=\left[\begin{array}{cccc}1& 1& \cdots & 1^{m-1}\\ 1& 2& \cdots & 2^{m-1}\\ ⋮& ⋮& \ddots & ⋮\\ 1& m& \cdots & m^{m-1}\end{array}\right]\left[\begin{array}{c}{a}_0\\ a_1\\ ⋮\\ a_{m-1}\end{array}\right]\text{\hspace{1em}(8)}$$
其中$a_0$，$a_1$，…，$a_{m-1}$是常数系数。现在，（8）可以用简化形式表示，如（9）所示。
$$y=Va\text{\hspace{1em}(9)}$$
其中$V$是范德蒙德矩阵。
  现在，如果$b^T=[b_1\dots b_{m-1}{b}_m]$，表示$V^{-1}$的第一行，那么在（9）的两侧左乘$b^T$时，（9）可以转换为$AR(m)$模型形式，如（9）所示。
$$y(0)=b_{1}y(1)+\dots +b_{m-1}y(m-1)+b_{m}y(m)\text{\hspace{1em}(10)}$$
其中，基于（6），$y(0)$等于$a_0$。

4.1 范德蒙矩阵求逆

$$\begin{array}{l}{\mathbf{V}}^{-1}=\\ \left[\begin{array}{ccccc}\frac{(-1{)}^{n-1}{a}_2{a}_3\cdots a_n}{{\prod }_{k=2}^n\left(a_1-a_k\right)}& \cdots & \frac{(-1{)}^{n-1}{a}_1\cdots a_{j-1}{a}_{j+1}\cdots a_n}{{\prod }_{k=1(k\ne j)}^n\left(a_j-a_k\right)}& \cdots & \frac{(-1{)}^{n-1}{a}_1{a}_2\cdots a_{n-1}}{{\prod }_{k=1}^{n-1}\left(a_n-a_k\right)}\\ ⋮& \ddots & ⋮& \ddots & ⋮\\ \frac{(-1{)}^{n-i}{\sigma }_{n-i}\left(a_2,a_3,\cdots ,a_n\right)}{{\prod }_{k=2}^n\left(a_1-a_k\right)}& \cdots & \frac{(-1{)}^{n-i}{\sigma }_{n-i}}{{\prod }_{k=1(k\ne j)}^n\left(a_j-a_k\right)}& \cdots & \frac{(-1{)}^{n-i}{\sigma }_{n-i}\left(a_1,a_2,\cdots ,a_{n-1}\right)}{{\prod }_{k=1}^{n-1}\left(a_n-a_k\right)}\\ ⋮& \ddots & ⋮& \ddots & ⋮\\ \frac{1}{{\prod }_{k=2}^n\left(a_1-a_k\right)}& \cdots & \frac{1}{{\prod }_{k=1(k\ne j)}^n\left(a_j-a_k\right)}& \cdots & \frac{1}{{\prod }_{k=1}^{n-1}\left(a_{nn}-a_k\right)}\end{array}\right]\end{array}\text{\hspace{1em}(11)}$$
  范德蒙矩阵求逆，有两种方式：

1. 根据伴随矩阵求解范德蒙矩阵的逆，这是常规求解矩阵的逆的方式。
2. 利用拉格朗日插值公式求解范德蒙矩阵的逆。
   设$x_0,x_1,...,x_n$是数域K中n+1个不同的数,$y_0,y_1,...,y_n$∈ K，则$K[x]$中存在唯——个次数不超过n的多项式$f(x)$，使得$f(x_x)=y_i$。
   一般地，令
   $$f(x)=\sum _{i=0}^n{y}_i\frac{\left(x-x_0\right)\cdots \left(x-x_{i-1}\right)\left(x-x_{i+1}\right)\cdots \left(x-x_n\right)}{\left(x_i-x_0\right)\cdots \left(x_i-x_{i-1}\right)\left(x_i-x_{i+1}\right)\cdots \left(x_i-x_n\right)}\text{\hspace{1em}(12)}$$
   则$degf(x)<=n$,且$f(x_i)=y_i$,次多项式为拉格朗日多项式。
   具体证明过程可参见
   范德蒙矩阵求逆
   范德蒙矩阵根据伴随矩阵求逆
   范德蒙矩阵求逆-根据拉格朗日插值多项式求解
   ，此处不再赘述。

5. 帕斯卡三角(Pascal’s Triangle)

  帕斯卡三角形[8]是一个二维三角形阵列，当n从0到正无穷大变化时，它表示二项式展开的系数，$(x+y{)}^n$。有趣的是，从Vandermonde矩阵的求逆中获得的，AR模型的系数大小遵循Pascal三角形，如表一所示。

6. 电压预测的AR模型

  基于Vandermonde矩阵和Pascal三角形，可以实现基于先验估计的所有二次电压预测，如（13）所示。
$$y(n)=3y(n-1)-3y(n-2)+y(n-3)\text{\hspace{1em}(13)}$$
其中，$y(n)$、$y(n-1)$,$y(n-2)$,$y(n-3)$是复母线电压.
  在MATLAB中还可以得出，用于预测下一组电压测量的AR模型基于这三个先验估计。这一推断也有更深层的影响。在（5）中，发现随着负载线性增加，电压具有二次轨迹。现在，如果负荷增加是二次的而不是线性的，AR模型仍然适用于预测下一组电压测量值，但预测将基于更多的先验估计，以及通过沿帕斯卡三角形向下移动找到的相应系数的幅值。

7. 推导思路

由式（4c）可知，电压与时间序列呈二次关系式：
$$x^2-x+X^2{t}^2+X\beta t=0\text{\hspace{1em}(4c)}$$
则可写成式（5）一般形式：
$$V_k(t)\approx a_k+b_{k}t+c_k{t}^2\text{\hspace{1em}(5)}$$
为了凑出AR模型的形式，想到得到形如式（6）的AR一般式，现在某时刻的值可以由过去时刻预测得到：
$$y_t={\alpha }_1{y}_{t-1}+{\alpha }_2{y}_{t-2}+\dots +{\alpha }_m{y}_{t-m}+{\omega }_t,t=m+1,\dots ,n\text{\hspace{1em}(6)}$$
将式（5）写成更一般的形式，如式（7）：
$$y(t)=a_{m-1}{t}^{m-1}+a_{m-2}{t}^{m-2}+\dots +a_{1}t+a_0\text{\hspace{1em}(7)}$$
式（7）可以写成式（8）范德蒙矩阵：
$$y(t)=a_{m-1}{t}^{m-1}+a_{m-2}{t}^{m-2}+\dots +a_{1}t+a_0\text{\hspace{1em}(7)}$$$$\left[\begin{array}{c}y(1)\\ y(2)\\ ⋮\\ y(m)\end{array}\right]=\left[\begin{array}{cccc}1& 1& \cdots & 1^{m-1}\\ 1& 2& \cdots & 2^{m-1}\\ ⋮& ⋮& \ddots & ⋮\\ 1& m& \cdots & m^{m-1}\end{array}\right]\left[\begin{array}{c}{a}_0\\ a_1\\ ⋮\\ a_{m-1}\end{array}\right]\text{\hspace{1em}(8)}$$$$y=Va\text{\hspace{1em}(9)}$$
对范德蒙矩阵求逆可得式（11）：
$$\begin{array}{l}{\mathbf{V}}^{-1}=\\ \left[\begin{array}{ccccc}\frac{(-1{)}^{n-1}{a}_2{a}_3\cdots a_n}{{\prod }_{k=2}^n\left(a_1-a_k\right)}& \cdots & \frac{(-1{)}^{n-1}{a}_1\cdots a_{j-1}{a}_{j+1}\cdots a_n}{{\prod }_{k=1(k\ne j)}^n\left(a_j-a_k\right)}& \cdots & \frac{(-1{)}^{n-1}{a}_1{a}_2\cdots a_{n-1}}{{\prod }_{k=1}^{n-1}\left(a_n-a_k\right)}\\ ⋮& \ddots & ⋮& \ddots & ⋮\\ \frac{(-1{)}^{n-i}{\sigma }_{n-i}\left(a_2,a_3,\cdots ,a_n\right)}{{\prod }_{k=2}^n\left(a_1-a_k\right)}& \cdots & \frac{(-1{)}^{n-i}{\sigma }_{n-i}}{{\prod }_{k=1(k\ne j)}^n\left(a_j-a_k\right)}& \cdots & \frac{(-1{)}^{n-i}{\sigma }_{n-i}\left(a_1,a_2,\cdots ,a_{n-1}\right)}{{\prod }_{k=1}^{n-1}\left(a_n-a_k\right)}\\ ⋮& \ddots & ⋮& \ddots & ⋮\\ \frac{1}{{\prod }_{k=2}^n\left(a_1-a_k\right)}& \cdots & \frac{1}{{\prod }_{k=1(k\ne j)}^n\left(a_j-a_k\right)}& \cdots & \frac{1}{{\prod }_{k=1}^{n-1}\left(a_{nn}-a_k\right)}\end{array}\right]\end{array}\text{\hspace{1em}(11)}$$
式（9）两边左乘$V^{-1}$得到式（14）：
$$V^{-1}y=a\text{\hspace{1em}(9)}$$
再回到式（5）和式（7）本身，电压与时间是二次关系式，及时间的最高次$t^{m-1}=t^2\Rightarrow m=3$
式（7）可以写成：$$y(t)=a_2{t}^2+a_1{t}^1+a_0\text{\hspace{1em}(7)}$$
范德蒙矩阵：
$$\left[\begin{array}{c}y(1)\\ y(2)\\ y(3)\end{array}\right]=\left[\begin{array}{ccc}1& 1& 1\\ 1& 2& 2^2\\ 1& 3& 3^2\end{array}\right]\left[\begin{array}{c}{a}_0\\ a_1\\ a_2\end{array}\right]\text{\hspace{1em}(8)}$$
$$V^{-1}=\left[\begin{array}{ccc}3& -3& 1\\ -2.5& 4& -1.5\\ 0.5& -1& 0.5\end{array}\right]\text{\hspace{1em}(9a)}$$
有式（9）,$V^{-1}$第一行乘以$y$，由式（10）可知$y(0)=a_0$
$$\left[\begin{array}{ccc}3& -3& 1\end{array}\right]\ast \left[\begin{array}{c}y(1)\\ y(2)\\ y(3)\end{array}\right]=a_0\Rightarrow 3y(1)-3y(2)+y(3)=y(0)\text{\hspace{1em}(9b)}$$
可得$y(3)=3y(2)-3y(1)+y(0)$，即式（13）：
$$y(n)=3y(n-1)-3y(n-2)+y(n-3)\text{\hspace{1em}(13)}$$

7.总结

  文献证明了总线电压与时间的二次关系，可将电压构建成时间序列的AR模型，通过建立AR模型，根据过去时间段检测的电压数据对当前时间的电压数据进行预测，这对于后续的控制和相关的数据处理提供了参考。