本文探讨电能质量中的电压偏差预测，通过LSTM与ARIMA-BP、LSTM-GM组合模型提升预测精度。电压偏差的预测对于电网稳定至关重要，传统方法受限，而机器学习提供了新思路。研究发现，结合多变量输入的模型能更好地应对周期性和噪声问题，提高预测准确率。
电能质量
IEEE关于电能质量的解释为在供电过程中导致供电设备产生故障或损坏的一切异常现象，通常表现为暂态、过电压、电压凹陷、谐波畸变以及电气噪声等。如果从不同的角度进行分析，电能质量也有着不同的意义。
从供电角度分析，电能质量指的是供电设备所需要符合的电能参数指标标准；
从用电设备的角度分析，电能质量是指与用电设备所匹配的电能特性，即电源特性应满足电气设备正常运行的需要；
从用户方面分析，电能质量是指一切能引起的用电设备运行故障的供电电压、频率以及电流等因素。
01
问题描述
供配电系统中影响电能质量的重要因素包括电压偏差、电压波动与闪变、谐波、电压暂降与中断、电磁暂态以及波形失真等，其中最严重的就是电压偏差。电网的安全运行关系到社会的稳定发展和科学技术的持续进步，为了保证电网和各用电设备的安全稳定运行，各地电网在运营时会实时监测电力数据，比如电压偏差、频率偏差、闪变等。通过对这些变量的监测，提早发现其中的异常点并提前预警，能够为保障配电网的安全稳定运行提供技术支持。
02
研究内容
电压偏差预测受到的关注一直都很少，所以电压偏差的预测方法发展并不成熟，但机器学习和神经网络等方法为此提供了良好的解决思路。传统电力数据的预测多采用单一模型进行，如时间序列法，人工神经网络法，多元线性回归法等等，往往具有很大的局限性，也导致模型的灵活性差。笔者在研究单一模型预测特点的同
最低0.47元/天 解锁文章
扫一扫
1547
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
