《表2 配变故障与正常时预测误差的差别》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于并行化大数据流及迁移学习的配电变压器故障在线辨识–诊断模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

ARIMA算法本质上属于一种预测算法，本文利用该算法进行配变的故障辨识。应注意的是，所选的预测算法重点不在于其预测的精度，而在于配变在故障阶段与正常阶段预测相对误差的差别有多大。以图8的X1为例，当时间序列长度为50时，正常配变的X1预测误差为8%左右；而故障配变的X1预测误差为27%左右，两个预测误差的差别为27%-8%=19%。两个预测误差的差别越大，则配变故障的可辨识度越高。为对比两个预测误差的差别，选择另外两种预测算法，灰色预测法[29]和指数平滑法[30]，作为对比算法。表2显示了几种预测算法在配变故障与正常时预测误差的差别。从表中可以看出，ARIMA算法在在配变故障与正常时预测误差的差别最大，达到了19%，而另外两种算法分别达到了12%和15%，由于ARIMA算法预测误差差别最大，因此，基于ARIMA算法的预测误差差别具有最高的可辨识程度，下文将进一步说明配变故障的可辨识度问题。