技术领域：
本发明涉及供变电检修领域，特别是涉及一种基于人工智能的配变异常分析预警方法。
背景技术：
：
随着社会经济的不断发展，人民生活的迅速提高，整个社会用电需求量的不断增加，尤其是夏冬负荷高峰期，配电变压器(低电压，三项相不平衡)导致变压器重过载情况频发，由此引发的居民投诉也是居高不下，如何解决配电变压器异常运行，避免设备事故发生，提高供电质量，供电可靠性和优质服务水平显得尤为重要。
现有技术中均是定期对配电变压器进行巡检，发现其问题之处并进行维修，这种检修方式最大的问题是没有针对性，往往对不存在安全隐患的配电变压器也进行检修，不能对存在问题的配电变压器进行针对性重点检修，耗费时间比较长。
技术实现要素：
：
本发明所要解决的技术问题是：克服现有技术的不足，利用多维度数据分析与挖掘技术，构建基于topsis评价算法，构建评估模型，实现对配变“重过载”的有效监测，预先评估配电网出现“重过载”可能性，提高供电可靠性，提升电网的运行效益和精益化管理水平的基于人工智能的配变异常分析预警方法。
本发明的技术方案是：一种基于人工智能的配变异常分析预警方法，以异常公变为研究对象，采用互信息系数相关性分析模型、k-means聚类分析模型、topsis评价模型相结合，分步骤对公变异常的情况进行深入的多维分析，实现对配变“重过载”的有效监测，其具体步骤是：步骤一、通过相应的传感器采集配变过载记录数据，并进行预处理；
步骤二、基于互信息系数相关性分析方法从预处理后的电力数据信息中选取影响公变异常的关键因素；
步骤三、通过多维度分析手段，分析不同因素下过载变化情况，并得出影响公变过载每个因素的权重；
步骤四、通过k-means算法对过载公变聚类分析，得到过载公变聚类结果，选取最佳的过载公变特征与类型；
步骤五、基于topsis评价算法，融合步骤三和步骤四的结果作为评价模型的输入，通过对各过载公变细分类别中过载配变量化处理，用打分的方式使每一台配变重过载程度直观体现；
步骤六、根据配变运行状况的评价打分结果，预估特定条件下配变重过载发生概率并向专业部门提出预警。
进一步的，所述步骤一中，对采集的配变过载记录数据，按配变id进行数据整理：
进一步的，所述步骤二中，由于互信息中的联合概率难求的问题，采用最大互信息系数mic进行求解，变量之间的关系离散在二维空间中，并且使用散点图来表示，将当前二维空间在x,y方向分别划分为一定的区间数，然后查看当前的散点在各个方格中落入的情况；关键因素为重过载发生时长，重过载发生次数，变电站，外温，投运年限，配变容量，负荷时刻。
进一步的，所述步骤三中，分组统计各个关键因素发生过载次数的比率，作为评价配变过载的正向指标；借助在python中的minepy类库中实现mic算法，得出各个影响因素的权重系数。
进一步的，所述mic计算分为三个步骤：(1)、给定i、j，对xy构成的散点图进行i列j行网格化，并求出最大的互信息值；(2)、对最大的互信息值进行归一化；(3)、选择不同尺度下互信息的最大值作为mic值。
进一步的，所述步骤五中，topsis评价算法分析过程为：(1)、指标正向化；(2)、构造归一化初始矩阵；(3)、确定最优方案和最劣方案；(4)、计算各评价对象与最优方案、最劣方案的接近程度；(5)、计算各评价对象与最优方案的贴近程度。
本发明的有益效果是：
1、本发明利用多维度数据分析与挖掘技术，构建基于topsis评价算法，构建评估模型，实现对配变“重过载”的有效监测，预先评估配电网出现“重过载”可能性，提高供电可靠性，提升电网的运行效益和精益化管理水平。
2、本发明从气温、容量、运行年限等关联因素进行敏感分析，通过topsis评价算法对每台配变进行评价打分，预估配变重过载发生概率，向专业部门发布超前预警通知，根据打分所体现的严重程度对异常配变提供差异化运维建议，为配变精益化运维提供大数据支撑，实现从事后治理到事前预控，提高配变超前监控、预警、运维水平，降低配变过载率。
3、本发明通过对重过载变压器的分析评估，进一步增强配网网架结构、提高设备健康水平，为公司配网精准投资、精准规划和精益管理提供决策支撑，为公司运维检修部针对性的治理配网提供可靠的数据保证，对改善居民用电质量以及降低投诉有显著成果。
附图说明：
图1为基于人工智能的配变异常分析预警方法的流程图。
图2为采集近1年郑州地区配变过载记录数据表。
图3为变电站特征发生次数统计表。
图4为正向化指标统计表。
图5为归一化处理表。
图6为各评价对象与最优方案、最劣方案的接近程度表。
图7为各评价对象与最优方案的贴近程度表。
图8为聚类分析图。
具体实施方式：
实施例：参见图1、图2、图3、图4、图5、图6、图7和图8。
基于人工智能的配变异常分析预警方法，其具体步骤是：一、通过相应的传感器采集配变过载记录数据，并进行预处理；二、基于互信息系数相关性分析方法从预处理后的电力数据信息中选取影响公变异常的关键因素；三、通过多维度分析手段，分析不同因素下过载变化情况，并得出影响公变过载每个因素的权重；四、通过k-means算法对过载公变聚类分析，得到过载公变聚类结果，选取最佳的过载公变特征与类型；五、基于topsis评价算法，融合步骤三和步骤四的结果作为评价模型的输入，通过对各过载公变细分类别中过载配变量化处理，用打分的方式使每一台配变重过载程度直观体现；六、根据配变运行状况的评价打分结果，预估特定条件下配变重过载发生概率并向专业部门提出预警；利用多维度数据分析与挖掘技术，构建基于topsis评价算法及评估模型，实现对配变“重过载”的有效监测，提高供电可靠性。
下面结合附图和实施例对本申请进行详细描述。
步骤一、通过相应的传感器采集配变过载记录数据，并进行预处理；
所述步骤一中，对采集的配变过载记录数据，按配变id进行数据整理：
步骤二、基于互信息系数相关性分析方法从预处理后的电力数据信息中选取影响公变异常的关键因素；
由于互信息中的联合概率难求的问题，采用最大互信息系数mic进行求解，变量之间的关系离散在二维空间中，并且使用散点图来表示，将当前二维空间在x,y方向分别划分为一定的区间数，然后查看当前的散点在各个方格中落入的情况，
所述步骤二中，由于互信息中的联合概率难求的问题，采用最大互信息系数mic进行求解，变量之间的关系离散在二维空间中，并且使用散点图来表示，将当前二维空间在x,y方向分别划分为一定的区间数，然后查看当前的散点在各个方格中落入的情况；关键因素为重过载发生时长，重过载发生次数，变电站，外温，投运年限，配变容量，负荷时刻。
步骤三、通过多维度分析手段，分析不同因素下过载变化情况，并得出影响公变过载每个因素的权重；
所述步骤三中，分组统计各个关键因素发生过载次数的比率，作为评价配变过载的正向指标；借助在python中的minepy类库中实现mic算法，得出各个影响因素的权重系数。
所述mic计算分为三个步骤：(1)、给定i、j，对xy构成的散点图进行i列j行网格化，并求出最大的互信息值；(2)、对最大的互信息值进行归一化；(3)、选择不同尺度下互信息的最大值作为mic值。
步骤四、通过k-means算法对过载公变聚类分析，得到过载公变聚类结果，选取最佳的过载公变特征与类型；
步骤五、基于topsis评价算法，融合步骤三和步骤四的结果作为评价模型的输入，通过对各过载公变细分类别中过载配变量化处理，用打分的方式使每一台配变重过载程度直观体现；
所述步骤五中，topsis评价算法分析过程为：(1)、指标正向化；
1)极小型指标：期望指标值越小越好
x′＝m-x
其中：m为指标x可能取值的最大值；
2)中间型指标：期望指标值既不要太大也不要太小，适当取中间值最好
其中m为指标x的可能取值的最大值，m为指标x的可能取值的最小值；
3)区间型指标：期望指标的取值最好落在某一个确定的区间最好
其中[a,b]为指标x的最佳稳定区间，[a*,b*]为最大容忍区间。
(2)、构造归一化初始矩阵；
设共有n个待评价对象，每个对象都有m个指标(属性)，则原始数据矩阵构造为：
构造加权规范矩阵，属性进行向量规范化，即每一列元素都除以当前列向量的范数(使用余弦距离度量)
由此得到归一化处理后的标准化矩阵z：
(3)、确定最优方案和最劣方案；
最优方案z 由z中每列元素的最大值构成：
最劣方案z-由z中每列元素的最小值构成：
(4)、计算各评价对象与最优方案、最劣方案的接近程度；
其中wj为第j个属性的权重(重要程度)，指标权重建议见上文。
(5)、计算各评价对象与最优方案的贴近程度。
0≤ci≤1,ci->1表明评价对象越优。
步骤六、根据配变运行状况的评价打分结果，预估特定条件下配变重过载发生概率并向专业部门提出预警。
提取pms系统近1年郑州地区配变过载记录数据，提取过载次数，过载时长，投运年限，配变容量，城农网，变电站编码，外温等特征数据；分组统计各个特征变量发生过载次数的比率，作为评价配变过载的正向指标；计算正向化指标值：m＝xi*1000/sum(xi)m为正向化指标值，xi为变压器i,在特征下的过载次数统计，sum(xi)为样本数据过载次数总计；归一化处理；计算权重；确定最优最劣方案；计算各评价对象与最优方案、最劣方案的接近程度；计算各评价对象与最优方案的贴近程度；聚类分析。
结合配变实际运行情况，发现评分在[0,0.2]区间的重过载配变占比92％；(0.1,0.4]区间的重过载配变占比83％；而(0.8,1]区间的占比仅1％。
由此可见，配变评分越高，发生重过载的概率越小；反之概率越大，治理需求越紧迫。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
1.一种基于人工智能的配变异常分析预警方法，以异常公变为研究对象，采用互信息系数相关性分析模型、k-means聚类分析模型、topsis评价模型相结合，分步骤对公变异常的情况进行深入的多维分析，实现对配变“重过载”的有效监测，其具体步骤是：步骤一、通过相应的传感器采集配变过载记录数据，并进行预处理；
步骤二、基于互信息系数相关性分析方法从预处理后的电力数据信息中选取影响公变异常的关键因素；
步骤三、通过多维度分析手段，分析不同因素下过载变化情况，并得出影响公变过载每个因素的权重；
步骤四、通过k-means算法对过载公变聚类分析，得到过载公变聚类结果，选取最佳的过载公变特征与类型；
步骤五、基于topsis评价算法，融合步骤三和步骤四的结果作为评价模型的输入，通过对各过载公变细分类别中过载配变量化处理，用打分的方式使每一台配变重过载程度直观体现；
步骤六、根据配变运行状况的评价打分结果，预估特定条件下配变重过载发生概率并向专业部门提出预警。
2.根据权利要求1所述的基于人工智能的配变异常分析预警方法，其特征是：所述步骤一中，对采集的配变过载记录数据，按配变id进行数据整理：
3.根据权利要求1所述的基于人工智能的配变异常分析预警方法，其特征是：所述步骤二中，由于互信息中的联合概率难求的问题，采用最大互信息系数mic进行求解，变量之间的关系离散在二维空间中，并且使用散点图来表示，将当前二维空间在x,y方向分别划分为一定的区间数，然后查看当前的散点在各个方格中落入的情况；关键因素为重过载发生时长，重过载发生次数，变电站，外温，投运年限，配变容量，负荷时刻。
4.根据权利要求1所述的基于人工智能的配变异常分析预警方法，其特征是：所述步骤三中，分组统计各个关键因素发生过载次数的比率，作为评价配变过载的正向指标；借助在python中的minepy类库中实现mic算法，得出各个影响因素的权重系数。
5.根据权利要求4所述的基于人工智能的配变异常分析预警方法，其特征是：所述mic计算分为三个步骤：(1)、给定i、j，对xy构成的散点图进行i列j行网格化，并求出最大的互信息值；(2)、对最大的互信息值进行归一化；(3)、选择不同尺度下互信息的最大值作为mic值。
6.根据权利要求1所述的基于人工智能的配变异常分析预警方法，其特征是：所述步骤五中，topsis评价算法分析过程为：(1)、指标正向化；(2)、构造归一化初始矩阵；(3)、确定最优方案和最劣方案；(4)、计算各评价对象与最优方案、最劣方案的接近程度；(5)、计算各评价对象与最优方案的贴近程度。
技术总结