文章目录
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。
V
1
˙
−
V
2
˙
=
1
−
I
˙
(
j
X
)
⇒
1
−
(
x
+
j
y
)
=
I
˙
(
j
X
)
(1)
\dot{V_{1}}-\dot{V_{2}}=1-\dot{I}(jX)\Rightarrow1-(x+jy)=\dot{I}(jX)\tag{1}
V1˙−V2˙=1−I˙(jX)⇒1−(x+jy)=I˙(jX)(1)
S
D
=
V
2
I
˙
∗
⇒
(
1
+
j
β
)
t
=
(
x
+
j
y
)
I
˙
∗
(2)
S_{D}=V_{2}\dot{I}^{*}\Rightarrow(1+j\beta)t=(x+jy)\dot{I}^{*}\tag{2}
SD=V2I˙∗⇒(1+jβ)t=(x+jy)I˙∗(2)
I
˙
=
−
y
X
+
(
x
−
1
)
X
j
(3)
\dot{I}=-\frac{y}{X}+\frac{(x-1)}{X}j\tag{3}
I˙=−Xy+X(x−1)j(3)
I
˙
∗
=
−
y
X
−
(
x
−
1
)
X
j
=
(
1
+
j
β
)
t
x
+
j
y
(4)
\dot{I}^{*}=-\frac{y}{X}-\frac{(x-1)}{X}j=\frac{(1+j\beta)t}{x+jy}\tag{4}
I˙∗=−Xy−X(x−1)j=x+jy(1+jβ)t(4)
求解可得:
y
=
−
X
t
(4a)
y=-Xt\tag{4a}
y=−Xt(4a)
x
2
−
x
+
y
2
+
β
x
t
=
0
(4b)
x^2-x+y^2+\beta xt=0\tag{4b}
x2−x+y2+βxt=0(4b)
x
2
−
x
+
X
2
t
2
+
X
β
t
=
0
(4c)
x^2-x+X^2t^2+X\beta t=0\tag{4c}
x2−x+X2t2+Xβt=0(4c)
由式(4a)-(4c)可得,电压与时间成二次关系式:
V
k
(
t
)
≈
a
k
+
b
k
t
+
c
k
t
2
(5)
V_{k}(t) \approx a_{k}+b_{k} t+c_{k} t^{2}\tag{5}
Vk(t)≈ak+bkt+ckt2(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
A
R
(
m
)
AR(m)
AR(m)表示的m阶一般自回归模型定义如下所示。
y
t
=
α
1
y
t
−
1
+
α
2
y
t
−
2
+
…
+
α
m
y
t
−
m
+
ω
t
,
t
=
m
+
1
,
…
,
n
(6)
y_{t}=\alpha_{1} y_{t-1}+\alpha_{2} y_{t-2}+\ldots+\alpha_{m} y_{t-m}+\omega_{t}, \quad t=m+1, \ldots, n\tag{6}
yt=α1yt−1+α2yt−2+…+αmyt−m+ωt,t=m+1,…,n(6)
其中
y
1
y_{1}
y1,
y
2
y_{2}
y2,…,
y
n
y_{n}
yn是时间序列数据,m是AR模型的阶数
α
1
\alpha_{1}
α1,
α
2
\alpha_{2}
α2,…,
α
n
\alpha_{n}
αn是AR模型的相应参数,
ω
t
ωt
ωt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
+
…
+
a
1
t
+
a
0
(7)
y(t)=a_{m-1} t^{m-1}+a_{m-2} t^{m-2}+\ldots+a_{1} t+a_{0}\tag{7}
y(t)=am−1tm−1+am−2tm−2+…+a1t+a0(7)
[
y
(
1
)
y
(
2
)
⋮
y
(
m
)
]
=
[
1
1
⋯
1
m
−
1
1
2
⋯
2
m
−
1
⋮
⋮
⋱
⋮
1
m
⋯
m
m
−
1
]
[
a
0
a
1
⋮
a
m
−
1
]
(8)
{\left[\begin{array}{c} y(1) \\y(2) \\\vdots \\y(m)\end{array}\right]=\left[\begin{array}{cccc}1 & 1 & \cdots & 1^{m-1} \\1 & 2 & \cdots & 2^{m-1} \\\vdots & \vdots & \ddots & \vdots \\1 & m & \cdots & m^{m-1}\end{array}\right]\left[\begin{array}{c}a_{0} \\a_{1} \\\vdots \\a_{m-1}\end{array}\right]}\tag{8}
⎣
⎡y(1)y(2)⋮y(m)⎦
⎤=⎣
⎡11⋮112⋮m⋯⋯⋱⋯1m−12m−1⋮mm−1⎦
⎤⎣
⎡a0a1⋮am−1⎦
⎤(8)
其中
a
0
a_{0}
a0,
a
1
a_{1}
a1,…,
a
m
−
1
a_{m-1}
am−1是常数系数。现在,(8)可以用简化形式表示,如(9)所示。
y
=
V
a
(9)
y=Va\tag{9}
y=Va(9)
其中
V
V
V是范德蒙德矩阵。
现在,如果
b
T
=
[
b
1
…
b
m
−
1
b
m
]
b^T=[b_{1}…b_{m-1}b_{m}]
bT=[b1…bm−1bm],表示
V
−
1
V^{-1}
V−1的第一行,那么在(9)的两侧左乘
b
T
b^T
bT时,(9)可以转换为
A
R
(
m
)
AR(m)
AR(m)模型形式,如(9)所示。
y
(
0
)
=
b
1
y
(
1
)
+
…
+
b
m
−
1
y
(
m
−
1
)
+
b
m
y
(
m
)
(10)
y(0)=b_{1} y(1)+\ldots+b_{m-1} y(m-1)+b_{m} y(m)\tag{10}
y(0)=b1y(1)+…+bm−1y(m−1)+bmy(m)(10)
其中,基于(6),
y
(
0
)
y(0)
y(0)等于
a
0
a_{0}
a0。
4.1 范德蒙矩阵求逆
V
−
1
=
[
(
−
1
)
n
−
1
a
2
a
3
⋯
a
n
∏
k
=
2
n
(
a
1
−
a
k
)
⋯
(
−
1
)
n
−
1
a
1
⋯
a
j
−
1
a
j
+
1
⋯
a
n
∏
k
=
1
(
k
≠
j
)
n
(
a
j
−
a
k
)
⋯
(
−
1
)
n
−
1
a
1
a
2
⋯
a
n
−
1
∏
k
=
1
n
−
1
(
a
n
−
a
k
)
⋮
⋱
⋮
⋱
⋮
(
−
1
)
n
−
i
σ
n
−
i
(
a
2
,
a
3
,
⋯
,
a
n
)
∏
k
=
2
n
(
a
1
−
a
k
)
⋯
(
−
1
)
n
−
i
σ
n
−
i
∏
k
=
1
(
k
≠
j
)
n
(
a
j
−
a
k
)
⋯
(
−
1
)
n
−
i
σ
n
−
i
(
a
1
,
a
2
,
⋯
,
a
n
−
1
)
∏
k
=
1
n
−
1
(
a
n
−
a
k
)
⋮
⋱
⋮
⋱
⋮
1
∏
k
=
2
n
(
a
1
−
a
k
)
⋯
1
∏
k
=
1
(
k
≠
j
)
n
(
a
j
−
a
k
)
⋯
1
∏
k
=
1
n
−
1
(
a
n
n
−
a
k
)
]
(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 \neq 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)} \\ \vdots & \ddots & \vdots & \ddots & \vdots \\ \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 \neq 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)} \\ \vdots & \ddots & \vdots & \ddots & \vdots \\ \frac{1}{\prod_{k=2}^{n}\left(a_{1}-a_{k}\right)} & \cdots & \frac{1}{\prod_{k=1(k \neq j)}^{n}\left(a_{j}-a_{k}\right)} & \cdots & \frac{1}{\prod_{k=1}^{n-1}\left(a_{n n}-a_{k}\right)} \end{array}\right]}\tag{11} \end{array}
V−1=⎣
⎡∏k=2n(a1−ak)(−1)n−1a2a3⋯an⋮∏k=2n(a1−ak)(−1)n−iσn−i(a2,a3,⋯,an)⋮∏k=2n(a1−ak)1⋯⋱⋯⋱⋯∏k=1(k=j)n(aj−ak)(−1)n−1a1⋯aj−1aj+1⋯an⋮∏k=1(k=j)n(aj−ak)(−1)n−iσn−i⋮∏k=1(k=j)n(aj−ak)1⋯⋱⋯⋱⋯∏k=1n−1(an−ak)(−1)n−1a1a2⋯an−1⋮∏k=1n−1(an−ak)(−1)n−iσn−i(a1,a2,⋯,an−1)⋮∏k=1n−1(ann−ak)1⎦
⎤(11)
范德蒙矩阵求逆,有两种方式:
- 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。
- 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 x_{0},x_{1},...,x_{n} x0,x1,...,xn是数域K中n+1个不同的数, y 0 , y 1 , . . . , y n y_{0},y_{1},...,y_{n} y0,y1,...,yn∈ K,则 K [ x ] K[x] K[x]中存在唯——个次数不超过n的多项式 f ( x ) f(x) f(x),使得 f ( x x ) = y i f(x_{x})= y_{i} f(xx)=yi。
一般地,令
f ( x ) = ∑ i = 0 n y i ( x − x 0 ) ⋯ ( x − x i − 1 ) ( x − x i + 1 ) ⋯ ( x − x n ) ( x i − x 0 ) ⋯ ( x i − x i − 1 ) ( x i − x i + 1 ) ⋯ ( x i − x n ) (12) 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)}\tag{12} f(x)=i=0∑nyi(xi−x0)⋯(xi−xi−1)(xi−xi+1)⋯(xi−xn)(x−x0)⋯(x−xi−1)(x−xi+1)⋯(x−xn)(12)
则 d e g f ( x ) < = n degf(x)<=n degf(x)<=n,且 f ( x i ) = y i f(x_{i})=y_{i} f(xi)=yi,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
(x+y)^n
(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
)
=
3
y
(
n
−
1
)
−
3
y
(
n
−
2
)
+
y
(
n
−
3
)
(13)
y(n)=3 y(n-1)-3 y(n-2)+y(n-3)\tag{13}
y(n)=3y(n−1)−3y(n−2)+y(n−3)(13)
其中,
y
(
n
)
y(n)
y(n)、
y
(
n
−
1
)
y(n-1)
y(n−1),
y
(
n
−
2
)
y(n-2)
y(n−2),
y
(
n
−
3
)
y(n-3)
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
β
t
=
0
(4c)
x^2-x+X^2t^2+X\beta t=0\tag{4c}
x2−x+X2t2+Xβt=0(4c)
则可写成式(5)一般形式:
V
k
(
t
)
≈
a
k
+
b
k
t
+
c
k
t
2
(5)
V_{k}(t) \approx a_{k}+b_{k} t+c_{k} t^{2}\tag{5}
Vk(t)≈ak+bkt+ckt2(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
=
α
1
y
t
−
1
+
α
2
y
t
−
2
+
…
+
α
m
y
t
−
m
+
ω
t
,
t
=
m
+
1
,
…
,
n
(6)
y_{t}=\alpha_{1} y_{t-1}+\alpha_{2} y_{t-2}+\ldots+\alpha_{m} y_{t-m}+\omega_{t}, \quad t=m+1, \ldots, n\tag{6}
yt=α1yt−1+α2yt−2+…+αmyt−m+ωt,t=m+1,…,n(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
+
…
+
a
1
t
+
a
0
(7)
y(t)=a_{m-1} t^{m-1}+a_{m-2} t^{m-2}+\ldots+a_{1} t+a_{0}\tag{7}
y(t)=am−1tm−1+am−2tm−2+…+a1t+a0(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
+
…
+
a
1
t
+
a
0
(7)
y(t)=a_{m-1} t^{m-1}+a_{m-2} t^{m-2}+\ldots+a_{1} t+a_{0}\tag{7}
y(t)=am−1tm−1+am−2tm−2+…+a1t+a0(7)
[
y
(
1
)
y
(
2
)
⋮
y
(
m
)
]
=
[
1
1
⋯
1
m
−
1
1
2
⋯
2
m
−
1
⋮
⋮
⋱
⋮
1
m
⋯
m
m
−
1
]
[
a
0
a
1
⋮
a
m
−
1
]
(8)
{\left[\begin{array}{c} y(1) \\y(2) \\\vdots \\y(m)\end{array}\right]=\left[\begin{array}{cccc}1 & 1 & \cdots & 1^{m-1} \\1 & 2 & \cdots & 2^{m-1} \\\vdots & \vdots & \ddots & \vdots \\1 & m & \cdots & m^{m-1}\end{array}\right]\left[\begin{array}{c}a_{0} \\a_{1} \\\vdots \\a_{m-1}\end{array}\right]}\tag{8}
⎣
⎡y(1)y(2)⋮y(m)⎦
⎤=⎣
⎡11⋮112⋮m⋯⋯⋱⋯1m−12m−1⋮mm−1⎦
⎤⎣
⎡a0a1⋮am−1⎦
⎤(8)
y
=
V
a
(9)
y=Va\tag{9}
y=Va(9)
对范德蒙矩阵求逆可得式(11):
V
−
1
=
[
(
−
1
)
n
−
1
a
2
a
3
⋯
a
n
∏
k
=
2
n
(
a
1
−
a
k
)
⋯
(
−
1
)
n
−
1
a
1
⋯
a
j
−
1
a
j
+
1
⋯
a
n
∏
k
=
1
(
k
≠
j
)
n
(
a
j
−
a
k
)
⋯
(
−
1
)
n
−
1
a
1
a
2
⋯
a
n
−
1
∏
k
=
1
n
−
1
(
a
n
−
a
k
)
⋮
⋱
⋮
⋱
⋮
(
−
1
)
n
−
i
σ
n
−
i
(
a
2
,
a
3
,
⋯
,
a
n
)
∏
k
=
2
n
(
a
1
−
a
k
)
⋯
(
−
1
)
n
−
i
σ
n
−
i
∏
k
=
1
(
k
≠
j
)
n
(
a
j
−
a
k
)
⋯
(
−
1
)
n
−
i
σ
n
−
i
(
a
1
,
a
2
,
⋯
,
a
n
−
1
)
∏
k
=
1
n
−
1
(
a
n
−
a
k
)
⋮
⋱
⋮
⋱
⋮
1
∏
k
=
2
n
(
a
1
−
a
k
)
⋯
1
∏
k
=
1
(
k
≠
j
)
n
(
a
j
−
a
k
)
⋯
1
∏
k
=
1
n
−
1
(
a
n
n
−
a
k
)
]
(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 \neq 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)} \\ \vdots & \ddots & \vdots & \ddots & \vdots \\ \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 \neq 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)} \\ \vdots & \ddots & \vdots & \ddots & \vdots \\ \frac{1}{\prod_{k=2}^{n}\left(a_{1}-a_{k}\right)} & \cdots & \frac{1}{\prod_{k=1(k \neq j)}^{n}\left(a_{j}-a_{k}\right)} & \cdots & \frac{1}{\prod_{k=1}^{n-1}\left(a_{n n}-a_{k}\right)} \end{array}\right]}\tag{11} \end{array}
V−1=⎣
⎡∏k=2n(a1−ak)(−1)n−1a2a3⋯an⋮∏k=2n(a1−ak)(−1)n−iσn−i(a2,a3,⋯,an)⋮∏k=2n(a1−ak)1⋯⋱⋯⋱⋯∏k=1(k=j)n(aj−ak)(−1)n−1a1⋯aj−1aj+1⋯an⋮∏k=1(k=j)n(aj−ak)(−1)n−iσn−i⋮∏k=1(k=j)n(aj−ak)1⋯⋱⋯⋱⋯∏k=1n−1(an−ak)(−1)n−1a1a2⋯an−1⋮∏k=1n−1(an−ak)(−1)n−iσn−i(a1,a2,⋯,an−1)⋮∏k=1n−1(ann−ak)1⎦
⎤(11)
式(9)两边左乘
V
−
1
V^{-1}
V−1得到式(14):
V
−
1
y
=
a
(9)
V^{-1}y=a\tag{9}
V−1y=a(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
⇒
m
=
3
t^{m-1}=t^2\Rightarrow m=3
tm−1=t2⇒m=3
式(7)可以写成:
y
(
t
)
=
a
2
t
2
+
a
1
t
1
+
a
0
(7)
y(t)=a_{2} t^{2}+a_{1} t^{1}+a_{0}\tag{7}
y(t)=a2t2+a1t1+a0(7)
范德蒙矩阵:
[
y
(
1
)
y
(
2
)
y
(
3
)
]
=
[
1
1
1
1
2
2
2
1
3
3
2
]
[
a
0
a
1
a
2
]
(8)
{\left[\begin{array}{c} y(1) \\y(2) \\y(3)\end{array}\right]=\left[\begin{array}{cccc}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]}\tag{8}
⎣
⎡y(1)y(2)y(3)⎦
⎤=⎣
⎡11112312232⎦
⎤⎣
⎡a0a1a2⎦
⎤(8)
V
−
1
=
[
3
−
3
1
−
2.5
4
−
1.5
0.5
−
1
0.5
]
(9a)
V^{-1}=\begin{bmatrix}3 & -3 & 1 \\-2.5 & 4 & -1.5 \\0.5 & -1 & 0.5\end{bmatrix} \tag{9a}
V−1=⎣
⎡3−2.50.5−34−11−1.50.5⎦
⎤(9a)
有式(9),
V
−
1
V^{-1}
V−1第一行乘以
y
y
y,由式(10)可知
y
(
0
)
=
a
0
y(0)=a_{0}
y(0)=a0
[
3
−
3
1
]
∗
[
y
(
1
)
y
(
2
)
y
(
3
)
]
=
a
0
⇒
3
y
(
1
)
−
3
y
(
2
)
+
y
(
3
)
=
y
(
0
)
(9b)
\begin{bmatrix} 3 & -3 & 1 \ \end{bmatrix} * \begin{bmatrix} y(1) \\ y(2) \\y(3)\end{bmatrix}=a_{0} \Rightarrow 3y(1)-3y(2)+y(3)=y(0)\tag{9b}
[3−31 ]∗⎣
⎡y(1)y(2)y(3)⎦
⎤=a0⇒3y(1)−3y(2)+y(3)=y(0)(9b)
可得
y
(
3
)
=
3
y
(
2
)
−
3
y
(
1
)
+
y
(
0
)
y(3)=3y(2)-3y(1)+y(0)
y(3)=3y(2)−3y(1)+y(0),即式(13):
y
(
n
)
=
3
y
(
n
−
1
)
−
3
y
(
n
−
2
)
+
y
(
n
−
3
)
(13)
y(n)=3 y(n-1)-3 y(n-2)+y(n-3)\tag{13}
y(n)=3y(n−1)−3y(n−2)+y(n−3)(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。