针对配电网节点电压方均根值(root mean square value,RMS)数据规律性差,难以预测的特点,文中提出了一种将自回归移动平均模型(a应用到电压RMS值预测中的方法。该方法主要包括数据预处理、ARMA模型拟合训练、ARMA模型拟合评价、ARMA模型预测应用4个步骤。运用Python编程语言实现该方法,随机选取两条10 k V等级的电压RMS值监测序列进行ARMA模型拟合训练,并利用训练完成后的模型进行预测分析,结果表明,两条预测序列与实际值的方均根误差分别为9.57和5.05,本文所提方法能够对电压RMS值进行较为有效的预测,具有较好的有效性和实用性。橹?VLB和统计量P值VP，判断序列是否为白噪声的方法包括两种:(1)当VP＜0．05时，可以以95%的置信水平认为该序列是非白噪声序列。(2)当VLB大于χ21－α(m)分位点时可认为序列为非白噪声，其中α为给定显著水平，m为需要检验的延迟期数。1．4AＲMA(p，q)模型建模过程本文提出基于AＲMA模型的电压ＲMS值预测方法主要包括:数据预处理、AＲMA模型拟合定阶、AＲMA模型拟合训练、AＲMA模型预测应用共4个步骤。流程如图1所示，具体流程如下:步骤1:读取原始数据并进行数据检验。(1)利用ADF检验法对原始数据进行平稳性验，若不通过则进行平稳化处理;(2)利用Ljung-BOX检验法进行白噪声检验，若不通过则不进行建模分析。步骤2:AＲMA模型拟合训练。(1)分别确定(p，q)的上界p0和q0，将满足上界条件的(p，电压RMS值预测-数控滚圆机滚弧机折弯机张家港液压滚圆机滚弧机缩管机q)组合记为H={(k，l)0≤k≤p0，0≤l≤q0};(2)输入原始数据，使用卡尔曼滤波器的最大似然法拟合AＲMA(k，l)模型，并计算VBIC(k，l)，其中(k，l)∈H;(3)利用BIC准则定阶，本文由公司网站张家港缩管机网站采集转载中国知网整理!  http://www.suoguanji.cn/确定拟合效果的AＲMA(p，q)模型。步骤3:计算模型拟合数据ＲMSE值，评价模型拟合效果。步骤4:模型应用，利用训练好的AＲMA模型预测序列指定时间段序列的值，并计算预测数据的ＲMSE值和电压偏差。图1方法流程Fig．1Methodflowchart2算法实现与实例分析2．1电压ＲMS值数据分析为了验证本文所提方法的有效性，本文利用Python编程实现该方法，并对实?据进行分析和预测。文中收集了中国北方某市多个电能质量监测点2016年至2017年电压方均根值监测数据，数据时间间隔为10min，并且随机选取了A、B两个电压ＲMS值序列。A序列:甲站点2016年7月1日0:00至2016年7月15日23:50的电压ＲMS值数据;B序列:乙站点2017年1月6日0:00至2017年1月20日8:30电压ＲMS值数据。A、B两个电压ＲMS值时间序列分别如图2和3所示。通过时序图可以观察到，序列A基本处于平稳波动状态，序列B在2017年1月12日左右出现较大波动，其余部分同样处于平稳波动状态。电压ＲMS值序列波动频率不固定，是非周期性数据序列。图2序列AFig．2ＲawTimeSeriesA图3序列BFig．3ＲawTimeSeriesB首先，利用ADF检验法对上述数据进行平稳性检验和Ljung-BOX检验法进行白噪声检验，两种检验输出结果如表1所示。表1数据检验结果Tab．1Datatestresults检验内容项目序列A序列B平稳性检验VADF－6．95－5．36VP9．7E－104．1E－6白噪声检验VL根据平稳性检验结果，A、B两个序列的统计量VP＜0．01，并且VADF小于3个置信度的临界统计值V1%ADF，V5%ADF和V10%ADF，故序列A和B均为平稳序列。根据白噪声检验结果，A、B两个时间序列的统计量VP均为0，小于0．05，同时在设定置信水平α=0．05和需要检验延迟期数m=60，χ295%(m)分位点为79．082，A、B两个序列的VLB值均大于分位点，A、B两个序列为非白噪声。综上，可直接运用AＲMA模型分析序列A和序列B，拟合模型参数。2．2电压ＲMS值预测在利用AＲMA(p，q)模型分析之前，需确定模型阶数(p，q)，本文采用BIC定阶准则定阶。首先确定(p，q)组合的上界p0和q0取值均为20，记为H电压RMS值预测-数控滚圆机滚弧机折弯机张家港液压滚圆机滚弧机缩管机本文由公司网站张家港缩管机网站采集转载中国知网整理!  http://www.suoguanji.cn/