[发明专利]基于大数据的台区异常分析方法、装置、设备及介质

权利要求书

1.一种基于大数据的台区异常分析方法，其特征在于，包括：

获取台区重过载影响因素的预测日数据；

将台区重过载影响因素的预测日数据输入预设的台区重过载模型，得到台区预测日的运行数据预测值；

根据台区预测日的运行数据预测值，预测台区预测日的重过载情况。

2.根据权利要求1所述的基于大数据的台区异常分析方法，其特征在于，还包括：

获取各台区运行数据影响因素的历史数据和台区的历史运行数据；

根据各台区运行数据影响因素的历史数据和台区的历史运行数据，采用非线性相关性分析方法，得到各台区运行数据影响因素与台区的历史运行数据之间的相关系数，并选取相关系数前预设数量大的台区运行数据影响因素，得到台区重过载影响因素；

以台区重过载影响因素的历史数据为输入，以台区的运行数据预测值为输出，通过台区重过载影响因素的历史数据和台区的历史运行数据，训练预设的神经网络模型，得到台区重过载模型。

3.根据权利要求2所述的基于大数据的台区异常分析方法，其特征在于，所述台区运行数据影响因素包括设备容量、设备型号、设备投运时间、温度、湿度、降雨量、台-户拓扑、节日类型、节日起止时间、配变增容改造信息、配变停电切改信息、用户用电类型、用户用电容量以及用户改造记录信息。

4.根据权利要求2所述的基于大数据的台区异常分析方法，其特征在于，所述非线性相关性分析方法为基于Spearman秩序相关系数的非线性相关性分析方法。

5.根据权利要求2所述的基于大数据的台区异常分析方法，其特征在于，所述神经网络模型为BP神经网络模型。

6.根据权利要求2所述的基于大数据的台区异常分析方法，其特征在于，还包括：通过修改台区重过载影响因素中包含的台区运行数据影响因素的数量和组合方式或修改预设的神经网络模型的模型架构，重新训练预设的神经网络模型，得到若干台区重过载模型，获取各台区重过载模型的预测准确率，并将预测准确率最高的台区重过载模型作为最终的台区重过载模型。

7.根据权利要求1所述的基于大数据的台区异常分析方法，其特征在于，还包括：

获取电网的GIS地图、电网的停电事件信息以及用户上报的停电事件信息；

根据台区预测日的重过载情况，在电网的GIS地图中标记预测日的重过载情况为重过载的台区；

根据电网的停电事件信息以及用户上报的停电事件信息，得到电网的停电发生时间、停电恢复时间以及停电涉及的变电站、线路和台区；

在电网的GIS地图中标记停电涉及的变电站、线路和台区，并将停电发生时间和停电恢复时间发送至停电涉及的变电站、线路和台区所涉及的用户。

8.一种基于大数据的台区异常分析装置，其特征在于，包括：

数据获取模块，用于获取台区重过载影响因素的预测日数据；

数据预测模块，用于将台区重过载影响因素的预测日数据输入预设的台区重过载模型，得到台区预测日的运行数据预测值；

台区异常分析模块，用于根据台区预测日的运行数据预测值，预测台区预测日的重过载情况。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于大数据的台区异常分析方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于大数据的台区异常分析方法的步骤。