基于大數據的電力信息通信預警技術研究
,步驟如下:
1)用timeSeries包中的ts()函數將采樣的數據轉換為時間序列。
2)用forecast中的STL函數把時間序列分解為周期性成分、趨勢成分以及殘余量。
3)使用forecast包中的Holtwinters函數和arima或auto.arima函數進行預測。使用arima函數需要給出系統階數,可根據特征的分布判斷系統是否穩定。此處分別選用兩種方法進行預測,使用前40天的流量數據來預測之后10天的流量。
采用STL方法得到的預測結果及與實際值對比結果如
圖6 采用STL方法得到的預測結果 (
圖7 STL預測值與真實值對比結果Fig.7 Comparison of predicted and real values of STL
采用Holt Winters方法得到的預測結果及與實際值得對比結果如
圖8 采用Holt Winters方法得到的預測結果Fig.8 The forecasting results using Holt Winters method
圖9 Holt Winters預測值與真實值對比結果Fig.9 Comparison of predicted and true values using Holt Winters method
4)對于不同預測算法的效果可以通過計算其RMSE進行比較,RMSE越小則效果越好。
從兩種方法中都可以看到9月8日的流量與預測值完全不一樣。其中RMSE(STL)=6 422 703 125,RMSE(Holt Winters)=14 392 074 663,其中,Holt Winters RMSE較大一方面是因為流量數據本身就很大,另一方面是因為9月8日的流量數據存在異常。因此,STL預測的RMSE較小,預測的效果
更好。
4 結語
隨著國家電網公司SG186、SG-ERP、三集五大等信息化建設的不斷深化,電力業務越來越依賴于信息通信系統。如何提升信息系統的服務能力,讓信息化建設和運維投入更加有效和合理成為當前亟需解決的問題。本文主要研究了基于大數據的信息通信風險預警架構與算法,并設計了基于提出的架構及算法的信息通信風險預警系統,通過綜合運用大數據關聯分析技術、信息通信狀態評估技術、信息通信趨勢預測技術,實現對運維數據的分析和挖掘,幫助運維人員根據大量運維數據發現系統的潛在問題,實現風險實時預警和趨勢準確預測,達到變被動維護為主動預防的運維效果,將工作重心轉向風險分析和故障處理方面,有效規避風險,提高運維人員的工作效率,提升公司的整體信息通信故障監測和風險預警能力。
(編輯:鄒海彬)
參考文獻
[1]
[2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16]

責任編輯:售電衡衡
-
權威發布 | 新能源汽車產業頂層設計落地:鼓勵“光儲充放”,有序推進氫燃料供給體系建設
2020-11-03新能源,汽車,產業,設計 -
中國自主研制的“人造太陽”重力支撐設備正式啟運
2020-09-14核聚變,ITER,核電 -
探索 | 既耗能又可供能的數據中心 打造融合型綜合能源系統
2020-06-16綜合能源服務,新能源消納,能源互聯網
-
新基建助推 數據中心建設將迎爆發期
2020-06-16數據中心,能源互聯網,電力新基建 -
泛在電力物聯網建設下看電網企業數據變現之路
2019-11-12泛在電力物聯網 -
泛在電力物聯網建設典型實踐案例
2019-10-15泛在電力物聯網案例
-
權威發布 | 新能源汽車產業頂層設計落地:鼓勵“光儲充放”,有序推進氫燃料供給體系建設
2020-11-03新能源,汽車,產業,設計 -
中國自主研制的“人造太陽”重力支撐設備正式啟運
2020-09-14核聚變,ITER,核電 -
能源革命和電改政策紅利將長期助力儲能行業發展
-
探索 | 既耗能又可供能的數據中心 打造融合型綜合能源系統
2020-06-16綜合能源服務,新能源消納,能源互聯網 -
5G新基建助力智能電網發展
2020-06-125G,智能電網,配電網 -
從智能電網到智能城市