本发明涉及电力数据分析模型，具体为一种基于大数据的电力数据分析模型的快速构建方法。
背景技术：
1、电力数据分析模型是一系列用于从电力数据中提取有价值信息、预测未来趋势和优化电网性能的数学和统计工具；这些模型通过对大规模电力数据进行深入分析，帮助电力系统提高性能、安全性和效率；涵盖了多个电力领域，包括能源管理、故障检测、电网系统的稳定性和安全性提升等。
2、传统的电力数据分析模型基于简单的数学处理或者固定算法进行构建，通过电力数据的一些简单的特征值进行电力数据分析，例如平均值、方差以及上升下降趋势等，对于电力数据分析的准确度不够高，不能重复挖掘电力数据所隐藏的特性，而且依赖人工进行判断，效率不够高，不够智能；而现在主流的电力数据分析模型往往基于深度学习技术，利用大数据对深度学习模型进行训练，然后进行电力数据分析，但是深度学习模型往往复杂程度高，训练过程确实复杂且耗时，需要大量的计算资源，且在训练过程中要调整优化相关参数，在训练开始之前也要耗时对训练用的数据进行标记。
3、比如公开号为cn112508363a的专利申请中，公开了基于深度学习的电力信息系统状态分析方法及装置，该方案就是先对训练用的数据进行标记，再用标记过的数据训练深度学习模型，最终得到相应的分析模型；训练过程复杂且耗时，无法做到模型的快速构建；在某些特殊应急场景下，基于深度学习技术构建一个高效准确的电力数据分析模型是无法满足时间效率要求的；因此现有的电力数据分析模型技术无法在保证基于电力数据对电力故障分析的准确性以及高效性的同时，利用大数据快速的构建一个智能性的电力数据分析模型。
技术实现思路
1、本发明旨在至少在一定程度上解决现有技术中的技术问题之一，通过监测收集配电网运行时a相、b相以及c相的电流数据和电压数据；利用电流数据和电压数据进行处理，建立电力数据特征向量；再对自组织竞争神经网络进行训练，构建电力数据分析模型；以解决现有的电力数据分析模型技术无法在保证基于电力数据对电力故障分析的准确性以及高效性的同时，利用大数据快速的构建一个智能性的电力数据分析模型的问题。
2、为实现上述目的，本技术提供一种基于大数据的电力数据分析模型的快速构建方法，包括如下步骤：
3、监测收集配电网运行时a相、b相以及c相的电流数据和电压数据；
4、利用电流数据和电压数据进行数据计算处理，并构建第一电力数据集；
5、利用第一电力数据集进行特征提取处理，构建第二电力数据集，建立电力数据特征向量；
6、基于第二电力数据集和电力数据特征向量对自组织竞争神经网络进行训练，构建电力数据分析模型。
7、进一步地，监测收集配电网运行时a相、b相以及c相的电流数据和电压数据包括如下子步骤：
8、收集电压数据：在第一时间周期内以第一时间间隔收集配电网的a相电压信息、b相电压信息以及c相电压信息，将a相电压信息、b相电压信息以及c相电压信息标记为电压数据；
9、收集电流数据：在第一时间周期内以第一时间间隔收集配电网的a相电流信息、b相电压电流以及c相电流信息，将a相电流信息、b相电压电流以及c相电流信息标记为电流数据；第一时间周期为t，第一时间间隔为d。
10、进一步地，利用电流数据和电压数据进行数据计算处理包括如下子步骤：
11、计算有功功率：基于电流数据和电压数据利用有功功率计算公式分别计算a相有功功率、b相有功功率以及c相有功功率，有功功率计算公式如下：，其中p代表a相、b相以及c相中任意一相电路的有功功率，u相和i相代表对应相电路的电压值和电流值，φ代表对应相电路的电压和电流的相位差；将a相有功功率、b相有功功率以及c相有功功率标记为有功功率数据；
12、计算无功功率：基于电流数据和电压数据利用无功功率计算公式分别计算a相无功功率、b相无功功率以及c相无功功率，无功功率计算公式如下：，其中q代表a相、b相以及c相中任意一相电路的有功功率，u相和i相代表对应相电路的电压值和电流值，φ代表对应相电路的电压和电流的相位差；将a相无功功率、b相无功功率以及c相无功功率标记为无功功率数据。
13、进一步地，构建第一电力数据集包括如下子步骤：
14、将电流数据、电压数据、有功功率数据以及无功功率数据根据所关联的a相、b相或者c相进行分类存储，a相、b相以及c相中每个相下面包含该相的电流数据、电压数据、有功功率数据以及无功功率数据，完成后得到第一电力数据集。
15、进一步地，利用第一电力数据集进行特征提取处理包括如下子步骤：
16、电流特征提取处理：基于a相、b相以及c相的电流数据，筛选提取同一时刻下a相电流、b相电流以及c相电流中的电流最大值和电流最小值，将电流最大值标记为imax，电流最小值标记为imin；
17、基于电流最大值和电流最小值利用电流不平衡度公式计算电流不平衡度，电流不平衡度公式如下：，其中iun代表电流不平衡度，imax代表a相、b相以及c相的电流数据中的电流最大值，imin代表a相、b相以及c相的电流数据中的电流最小值；得到第一时间周期内以第一时间间隔的各时刻的电流不平衡度，标记为电流不平衡度数据；
18、基于电流不平衡度数据设置电流不平衡度阈值，标记为ith，基于电流不平衡度数据统计大于电流不平衡度阈值的电流不平衡度的个数，标记为x0；
19、基于电流数据设置电流过大阈值和电流过小阈值，将电流过大阈值标记为bi1，电流过小阈值标记为bi2；基于电流数据统计大于电流过大阈值的电流个数，标记为x1；统计小于电流过小阈值的电流个数，标记为x2；
20、基于电流数据计算a相电流和b相电流之间的欧式距离，标记为lab，计算a相电流和c相电流之间的欧式距离，标记为lac，计算b相电流和c相电流之间的欧式距离，标记为lbc；
21、再基于电压数据进行电压特征提取处理。
22、进一步地，基于电压数据进行电压特征提取处理包括如下子步骤：
23、设置电压过大阈值和电压过小阈值，将电压过大阈值标记为bv1，电压过小阈值标记为bv2；基于电压数据统计大于电压过大阈值的电压个数，标记为x3；统计小于电压过小阈值的电压个数，标记为x4；
24、基于a相、b相以及c相的电压数据分别计算a相电压、b相电压以及c相电压在第一时间周期内的有效值；将a相电压在第一时间周期内的有效值标记为ea，b相电压在第一时间周期内的有效值标记为eb，c相电压在第一时间周期内的有效值标记为ec；
25、将a相、b相以及c相的电压数据分别组成维数为m的向量序列:um1,um2,....,umn-m+1，umi={v(i)，v(i+1)，......，v(i+m-1)}，其中n为a相、b相以及c相的电压数据的个数，i为正整数且1≤i≤n-m+1，v(i)代表某相第i个采样点的电压值，umi代表第i个向量序列；计算umi与umj的切比雪夫距离，标记为dmij，其中j为正整数且1≤j≤n-m+1，统计dmij小于等于r的个数，标记为ci，计算ci/n-m+1，标记为cim，r，定义φm，r为cim，r的对数表示下的平均值，φm，r为：；将a相、b相以及c相的电压数据分别组成维数为m+1的向量序列，再计算得到φm+1，r，计算得到a相的apena相、b相的apenb相以及c相的apenc相，apen=φm，r-φm+1，r；定义f=max（apena相，apenb相，apenc相）；
26、基于有功功率数据以及无功功率数据进行负载特征提取处理。
27、进一步地，基于有功功率数据以及无功功率数据进行负载特征提取处理包括如下子步骤：
28、基于有功功率数据以及无功功率数据计算第一时间周期内以第一时间间隔的各时刻下各相的总负载功率，标记为总功率数据；计算第一时间周期内配电网的平均总负载功率；标记为s；
29、基于总功率数据统计超过正常负载上限80%的负载个数，标记为x5。
30、进一步地，构建第二电力数据集，建立电力数据特征向量包括如下子步骤：
31、将电力不平衡度数据、总功率数据、x0、x1、x2、x3、x4、x5、lab、lac、lbc、ea、eb、ec、f以及s标记为第二电力数据集；
32、基于第二电力数据集定义电力数据特征向量为y，y={x0，x1，x2，x3，x4，x5，lab，lac，lbc，ea，eb，ec，s，f}。
33、进一步地，基于第二电力数据集和电力数据特征向量对自组织竞争神经网络进行训练，构建电力数据分析模型包括如下子步骤：
34、对电力数据特征向量y进行归一化处理，得到y0；
35、训练电流分析子模型：设置4个电流异常分类，包括电流轻微异常、较严重故障、严重故障以及非常严重故障；设置第一学习率和第一训练轮数，设置电流权值向量，输出层神经元设置为4个，基于第二电力数据，将y0作为自组织竞争神经网络的输入进行训练，完成后得到电流分析子模型；
36、训练电压分析子模型：设置4个电压异常分类，包括电压轻微异常、电压严重故障、电压过低以及电压过高；设置第二学习率和第二训练轮数，设置电压权值向量，输出层神经元设置为4个，基于第二电力数据，将y0作为自组织竞争神经网络的输入进行训练，完成后得到电压分析子模型。
37、进一步地，基于第二电力数据集和电力数据特征向量对自组织竞争神经网络进行训练，构建电力数据分析模型还包括如下子步骤：
38、训练负载分析子模型：设置3个负载异常分类，包括负载轻微异常、线路重载以及线路超重载，设置第三学习率和第三训练轮数，设置负载权值向量，输出层神经元设置为3个，基于第二电力数据，将y0作为自组织竞争神经网络的输入进行训练，完成后得到负载分析子模型；
39、将电流分析子模型、电压分析子模型和负载分析子模型并联，得到电力数据分析模型。
40、本发明的有益效果：本发明通过监测收集配电网运行时a相、b相以及c相的电流数据和电压数据；再利用电流数据和电压数据进行数据计算处理，并构建第一电力数据集；然后利用第一电力数据集进行特征提取处理，构建第二电力数据集，建立电力数据特征向量；最后基于第二电力数据集和电力数据特征向量对自组织竞争神经网络进行训练，构建电力数据分析模型；可以在保证基于电力数据对电力故障分析的准确性以及高效性的同时，利用大数据快速的构建一个智能性的电力数据分析模型，模型训练简单高效，数据分析准确切实；
41、本发明通过特征提取处理，建立电力数据特征向量，可以减少模型训练和分析时输入的数据量，减少无用数据对模型的干扰，提升模型构建的效率和可靠性的同时提高电力数据分析的精度；基于自组织竞争神经网络构建电力数据分析模型，自组织竞争神经网络在结构上较为简单，通常需要较少的计算资源和更短的训练时间，且训练过程中不需要标签数据，能够自动地对输入数据进行分类，大幅减少人工标注的成本和时间，大大提高了模型构建效率；分别构建电流分析子模型、电压分析子模型和负载分析子模型，可以提高模型分析时的准确度，且将复杂模型分解为不同的子模型，可以大幅减少每次分析的计算量；提高了模型构建和分析的效率。
1.一种基于大数据的电力数据分析模型的快速构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于大数据的电力数据分析模型的快速构建方法，其特征在于，监测收集配电网运行时a相、b相以及c相的电流数据和电压数据包括如下子步骤：
3.根据权利要求2所述的一种基于大数据的电力数据分析模型的快速构建方法，其特征在于，利用电流数据和电压数据进行数据计算处理包括如下子步骤：
4.根据权利要求3所述的一种基于大数据的电力数据分析模型的快速构建方法，其特征在于，构建第一电力数据集包括如下子步骤：
5.根据权利要求4所述的一种基于大数据的电力数据分析模型的快速构建方法，其特征在于，利用第一电力数据集进行特征提取处理包括如下子步骤：
6.根据权利要求5所述的一种基于大数据的电力数据分析模型的快速构建方法，其特征在于，基于电压数据进行电压特征提取处理包括如下子步骤：
7.根据权利要求6所述的一种基于大数据的电力数据分析模型的快速构建方法，其特征在于，基于有功功率数据以及无功功率数据进行负载特征提取处理包括如下子步骤：
8.根据权利要求7所述的一种基于大数据的电力数据分析模型的快速构建方法，其特征在于，构建第二电力数据集，建立电力数据特征向量包括如下子步骤：
9.根据权利要求8所述的一种基于大数据的电力数据分析模型的快速构建方法，其特征在于，基于第二电力数据集和电力数据特征向量对自组织竞争神经网络进行训练，构建电力数据分析模型包括如下子步骤：
10.根据权利要求9所述的一种基于大数据的电力数据分析模型的快速构建方法，其特征在于，基于第二电力数据集和电力数据特征向量对自组织竞争神经网络进行训练，构建电力数据分析模型还包括如下子步骤：
