本发明涉及电网预警技术领域，具体涉及一种配电网生产综合预警方法。
背景技术：
近年来，我国受大气候和微地形、微气象条件的影响，高温、风暴事故频繁发生，给社会造成了巨大的经济损失。在配电网所集中的数据中，需要根据数据来源、分布规律、人工发现进行类型标识良好归类，当前技术常缺乏通过机器学习算法对比查询异常之处；在预警告示后生成应急预案，应急需求分级和应急预案的制定往往主要依靠应急管理人员和应急专家的经验和主观判断，缺乏科学的分级方法作指导。
技术实现要素：
针对现有技术的不足，本发明的目的是提供一种可实现数据归类、异常分析、预警告示、应急减损，实现设备修缮、安排抢修人员物资的配电网生产综合预警方法。
为了实现上述目的，本发明采用的技术方案如下：一种配电网生产综合预警方法，包括数据归类模块、模型建立模块、异常分析模块、预警告示模块以及运维决策模块，各模块联系流程如下：
s1：数据归类模块对数据平台中的数据根据类型和标识进行分类，其中，数据平台中的数据包括设备参数、准实时运行数据、地域环境信息；
s2：模型建立模块根据不同类型、标识的数据构建效率评价模型，供异常分析模块进行特征提取、训练学习、对比查询电力异常信息；
s3：s2的分析结果供预警告示模块进行可视化提醒，展示分析结果、设备参数、准实时运行数据、地域环境信息，响起警报，邮件、短信提醒；
s4：运维决策模块根据预警内容生成应急需求分级信息并据此生成不同的应急预案，所述应急预案包括安全巡视、消缺检修、故障维修、紧急抢修和环境改善的人员、物资的安排，最后解决异常后实时监测并反馈结果。
进一步地，所述数据归类模块对海量的各类型数据分类，包括全量数据单元、增量数据单元、格网数据单元、标识单元以及安置单元，各单元联系流程如下：
s11：所述全量数据单元采集全量数据并入库；
s12：所述增量数据单元采集增量数据并入库；
s13：所述格网数据单元将全量数据、增量数据流化处理，打散为格网数据；
s14：所述标识单元根据数据来源、分布规律、人工发现进行类型标识；
s15：安置单元则整理、保存、发送数据。
进一步地，所述数据平台中的设备参数包括：各设备容量、长度、生产厂家、投运年限、电网结构、线路电网结构类型、变电站主变台数；所述准实时运行数据包括：负荷率、轻载/超载运行时间占比、平均负载率、峰谷差率、最大负载率；所述地域环境信息包括：位置、主地形、温度、湿度、雷电、台风详情。
进一步地，所述模型建立模块建立实体关系模型，构建一对一、一对多、多对多联系的e-r图；使用scikit-learn库计算置信度、关联度、支持度，建立机器学习模型，使用k-means算法进行无监督学习，划出相似簇类、关联簇类；使用sg-cim模型进行全面的数据质量控制。
进一步地，所述异常分析模块计算电力损耗比例、对比实际传输电力各项指标与原本配置电力各项指标、计算各类型数据之间的置信度、关联度、支持度，通过机器学习模型与算法进行特征提取、训练学习、对比查询，判断是否在正常配电范围，判断异常原因、地域、设备，判断所在环境影响状况。
进一步地，所述运维决策模块根据所述异常分析模块分析结果和预设模糊评价模型生成应急需求分级信息，步骤如下：
s41：按预设所述电力异常信息和输入参数的对应关系确定所述输入参数，所述输入参数为模糊评价模型的输入；
s42：按所述输入参数与第一隶属度函数的预设对应关系确定第一隶属度函数；
s43：配电网生产决策支撑系统自动匹配传入的计算输入操作，将所述输入参数进行模糊化计算得到模糊化参数；
s44：按预设所述模糊化参数和应急需求级别影响的对应关系进行应急需求级别模糊逻辑推理，得到模糊推理参数；
s45：按所述模糊推理参数与输出隶属度函数的预设对应关系确定第二隶属度函数；
s46：配电网生产决策支撑系统自动匹配传入的计算输出操作，将所述模糊推理参数进行去模糊化计算得到应急需求分级信息。
本发明一种配电网生产综合预警方法，解决了传统电网预警系统的弊端，可以实现数据归类、异常分析、应急减损、人员和物资安排，减轻了随意性和盲目性，使用科学的分级方法作指导。
附图说明
图1是本发明一种配电网生产综合预警方法的系统组成示意图；
图2为本发明一种配电网生产综合预警方法的数据归类模块各单元联系流程图；
图3为本发明一种配电网生产综合预警方法生成应急预案的流程示意图。
具体实施方式
下面的实施例可以帮助本领域的技术人员更全面地理解本发明，但不可以以任何方式限制本发明。
实施例
参照图1，一种配电网生产综合预警方法，包括数据归类模块、模型建立模块、异常分析模块、预警告示模块、运维决策模块，各模块联系流程如下：
s1：数据归类模块对数据平台中的数据根据类型和标识进行分类，包括设备参数、准实时运行数据、地域环境信息的各类型数据；
s2：模型建立模块根据不同类型、标识的数据构建效率评价模型，供异常分析模块进行特征提取、训练学习、对比查询电力异常信息；
s3：s2的分析结果供预警告示模块进行可视化提醒，展示分析结果、设备参数、准实时运行数据、地域环境信息，响起警报，邮件、短信提醒；
s4：运维决策模块根据预警内容生成应急需求分级信息并据此生成不同的应急预案；所述应急预案包括安全巡视、消缺检修、故障维修、紧急抢修和环境改善的人员、物资的安排，并最后解决异常后实时监测并反馈结果。
参照图2，所述数据归类模块对海量的各类型数据分类，包括全量数据单元、增量数据单元、格网数据单元、标识单元、安置单元，各单元联系流程如下：
s11：所述全量数据单元采集全量数据并入库；
s12：所述增量数据单元采集增量数据并入库；
s13：所述格网数据单元将全量数据、增量数据流化处理，打散为格网数据；
s14：所述标识单元根据数据来源、分布规律、人工发现进行类型标识；
s15：安置单元则整理、保存、发送数据。
所述数据归类类模块得到的各类型数据，所述设备参数包括：各设备容量、长度、生产厂家、投运年限、电网结构、线路电网结构类型、变电站主变台数；准实时运行数据包括：负荷率、轻载/超载运行时间占比、平均负载率、峰谷差率、最大负载率；地域环境信息包括：位置、主地形、温度、湿度、雷电、台风详情。
所述模型建立模块建立实体关系模型，构建一对一、一对多、多对多联系的e-r图；使用scikit-learn库计算置信度、关联度、支持度，建立机器学习模型，使用k-means算法进行无监督学习，划出相似簇类、关联簇类；使用sg-cim模型进行全面的数据质量控制。
所述异常分析模块计算电力损耗比例、对比实际传输电力各项指标与原本配置电力各项指标、计算各类型数据之间的置信度、关联度、支持度，通过机器学习模型与算法进行特征提取、训练学习、对比查询，判断是否在正常配电范围，判断异常原因、地域、设备，判断所在环境影响状况。
参照图3，所述运维决策模块根据所述异常分析模块分析结果和预设模糊评价模型生成应急需求分级信息，步骤如下：
s41：按预设所述电力异常信息和输入参数的对应关系确定所述输入参数，所述输入参数为模糊评价模型的输入；
s42：按所述输入参数与第一隶属度函数的预设对应关系确定第一隶属度函数；
s43：配电网生产决策支撑系统自动匹配传入的计算输入操作，将所述输入参数进行模糊化计算得到模糊化参数；
s44：按预设所述模糊化参数和应急需求级别影响的对应关系进行应急需求级别模糊逻辑推理，得到模糊推理参数；
s45：按所述模糊推理参数与输出隶属度函数的预设对应关系确定第二隶属度函数；
s46：配电网生产决策支撑系统自动匹配传入的计算输出操作，将所述模糊推理参数进行去模糊化计算得到应急需求分级信息。
由此可知，本发明一种配电网生产综合预警方法，解决了传统电网预警系统的弊端，可以实现数据归类、异常分析、应急减损、人员和物资安排，减轻了随意性和盲目性，使用科学的分级方法作指导。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。