[发明专利]基于人工智能的配变异常分析预警方法

权利要求书

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。