[发明专利]对地电场值预测方法

说明书

本发明涉及一种对地电场值预测方法以解决现有技术中难以有效预测对地电场值的技术问题。利用滑动窗口‑小波提升算法对线路对地电场值进行预测。滑动窗口宽度取确定数量的采样点，利用多个相邻的滑动窗口的db2小波提升变换低频系数加权值构造出预测窗口的小波提升变换低频系数，再使用最邻近滑动窗口小波提升变换高频系数作为预测窗口的小波提升变换高频系数。然后进行逆小波提升变换，得到预测窗口的数据序列，并取最后一个数据作为预测初值。以预测窗逆变换值相对最近滑动窗口采样值的偏差数学期望为零为目标，对预测初值进行修正以得到修正预测值。本方法所预测的数据相对误差满足现场指标要求，预测数据可以作为技术指标和事故分析依据。

技术领域

本发明涉及一种对地电场值预测方法。

背景技术

数据估计与预测是生产领域中经常要面对的问题，对于10KV架空线路系统，其对地电场值是评判线路单相接地故障发生与否的重要依据之一。根据历史数据，提前预测下一个电场值作为判断依据就比较重要。数据预测最经典的算法当属卡尔曼算法。卡尔曼算法主要用来预测状态量和状态量的一阶导数之间具有惯性约束的场景，通过最小均方误差和向量正交条件推导出预测公式。这种方法在卫星导航、天体轨道计算中得到广泛使用。但有些生产领域中的数据并不具有惯性约束条件，采用卡尔曼方法就不大适合。比如电力系统中线路对地电场值的变化、线路中电流负荷的变动——即电场的变化率和电流的变化率，其一阶导数与变化前的电场值和电流值之间没有明确关系。对于这类数据若想利用历史数据去估计下一个时刻比较精确的值，需要研究其他方法。

有一些现有技术文献提出了粒子滤波方法，尤其对于非线性非高斯分布的无概率分布解析解时，该法效果较好，但现场往往难以获得大量样本。利用神经网络是本质非线性系统，可以任意逼近输入和输出之间关系，也可以进行数据预测。在数据预测中，神经网络参数一般需要及时更新以适应新的数据预测需求。频繁的网络训练对即时性要求高的场合就不大适合。S.Mallat完善了多分辨率分析和第一代小波分解算法，推动了小波理论发展和使用。Wim Sweldens、Daubechies采用提升方案构造出第二代小波变换，使小波分析不再受限于数据长度要求，并提供整数小波变换，极大地促进了小波应用，尤其在嵌入式设备中使用。小波分析核心思想在于信号的概貌用分解的低频系数表示，信号的突变细节用高频系数表示。基于这个思路，可以研发出一种能够同时兼顾预测精度和预测速度的对地电场值预测方法。

发明内容

本发明的目的在于提供一种能够同时兼顾预测精度和预测速度的对地电场值预测方法以解决现有技术中难以有效预测对地电场值的技术问题。

为实现上述目的，本发明的对地电场值预测方法采用以下技术方案：

对地电场值预测方法，包括以下步骤，第一步，使用定宽度的滑动窗口多次取采样点并记录采样值；第二步，对每个滑动窗口所取得的采样值做基于db2的小波提升变换，计算每个滑动窗口所取得采样值的低频系数与高频系数；第三步，利用多个相邻滑动窗口采样值的低频系数加权值构造出预测窗的小波提升变换低频系数，利用最近一个滑动窗口采样值的高频系数作为预测窗的小波提升变换高频系数；第四步，对预测窗做逆小波提升变换，并取逆变换之后的最后一个值作为预测初值；第五步，以预测窗逆变换值相对最近滑动窗口采样值的偏差数学期望为零为目标，对预测初值进行修正以得到修正预测值。

在所述第二步中，按照公式对滑动窗口的采样值做基于db2的小波提升变换并求得所述低频系数和高频系数，式中d_l是小波分解后的高频系数，s_l是小波分解后的低频系数，x是滑动窗口的采样值序列。