引言：智能电网监控运行大数据之间存在多种因果关系特性，掌握这种特性，便能够实现对大型电网运行故障的实时监控及有效干预，具体来讲，是监控人员结合智能电网监控运行数据及相关因素进行预判处理，在电网故障发生之前将其解决。而构建应用模型，则是确保智能电网监控运行大数据合理应用的基础保障。
1.智能电网监控运行大数据因果关系挖掘算法模型构建方法
1.1常见模型构建方法
在对智能电网监控运行大数据因果关系进行分析时，需要明确各个数据序列之间的相互关系，在此基础上才能够选择针对性分析方式，同时还需要设计相应的数据因果关系分析模型。在相关性检验中，皮尔逊积矩相关系数法主要被应用在要素关联性检测中，该方法具有计算简单、计算效率较高等应用优势，但是也存在计算结果手噪音数据影响较大的不足之处，因此该方法只能够用于反映粗粒性特点，并不能明确识别因果关系。格兰杰因果关系法主要被应用在要素因果关系检测中，但是该方法存在计算复杂的不足之处，因此不适合应用在要素合集规模较大的因果关系检验中。基于此，可以先应用皮尔逊积矩相关系数法对关联数据进行处理，随后再应用格兰杰因果关系法进行因果关系检测[1]。
在因果关系检验中，概率图模型主要被应用在相关药物因果关系推理和叙述中，是一种学习手段。在智能电网监控运行大数据应用研究中，由于智能电网监控要素合集规模较大，也增加了概率图建模计算复杂程度。因此，在构建概率图模型中，如何简化概率图模型是十分重要的。
1.2本文模型构建方法
基于上文分析，本文选择应用因果概率图算法模型，具体来讲，应用皮尔逊积矩相关系数法、格兰杰因果关系法完成要素合集因果关系查寻操作，将得到的因果关系应用到概率图建模中，进而完成与研究要素相关的决策工作。本文选择的智能电网监控运行大数据应用模型构建方法，有效的融合了皮尔逊积矩相关系数法、格兰杰因果关系法、相关性系数法，因此能够完成对智能电网监控运行大数据的有效筛选，在此基础上便可以完成应用模型构建工作。
应用模型构建方法中提到的计算方法程序如图1所示。下面进行具体分析：需要输出要素集合中能够进行偶性组合的要素，并且需要对这些要素进行相关性检验、T检验，如果有任意一种检测结果不能够达到要求阈值，便需要过滤要素集合中能够进行弱要素组合的要素；如果能够达到要求阈值，便需要保存要素集合中能够进行强要素组合的要素。随后应用格兰杰因果检测法、F检验法分析， 分析强要素之间的因果关系，将其作为概率图模型的节点和有向边，随后建立强要素的有向关联拓扑构造，再应用概率图显示的因果拓扑关系及各个要素之间的因果条件概率系数，建立能够辅助智能电网相关决策的模型[2]。
图1 计算方法程序图
2.两阶段型智能电网监控运行大数据应用模型构建方法
2.1两阶段型模型构建方法
基于远程监控这一条件，监控得到的数据会被集中到调控中心大数据系统中，智能电网系统便属于远程监控，具体涉及到的系统有智能化调度管控系统、调度管理系统等，这些系统都能够实现对电网实时运行数据的监控，并且还包含了电网故障记录和检修记录。
本文研究的便是一种智能电网监控运行大数据应用模型构建方法，旨在通过监控大数据的因果关系来选择计算方式，以此来实现对智能电网监控大数据相关性的分析和因果关系的查找，进而做到对监控数据的有效应用。通过大数据建模方式来代替以往的人工操作方式，这也是智能电网发展的趋势之一[3]。
基于本文应用的模型构建思路为：数据至模型，模型至实际应用，以此来基于大部分智能电网监控大数据应用要求，对监测数据的因果关系进行查询。在数据至模型环节中，需要应用大数据分析技术对智能电网监控运行数据进行分析，找出其中的关联性较强的部分，即通过相关性分析来确定存在因果关系的要素，在此基础上建立概率图模型。在模型至实际应用环节中，应用的是构建模型和人工经验相结合的方式，以此来筛选功能运用集合，完成监控业务模型建立。
2.2数据至模型环节
此环节涉及到的数据是多源全要素，具体包括主变色谱、温度、主变绝缘、导线搭头声音、主变电压、主变油位、主变电流、主变线温、主变负载、主变油温等。这些要素与智能电网监控业务、装置故障之间都存在一定的因果关系，掌握了这种因果关系，便能够做到对电网故障的预判和处理。因此，本文选择应用大数据分析方式在多源全要素中寻找存在因果关系的要素，并构建变量模型。
第一，计算存在强关联性的数据，应用皮尔逊积矩相关系数法对全要素的相关性进行测定，超过相关性检测规定阈值的便是存在强相关性的要素，这些要素需要被保存下来，其他要素需要被删除，建立强相关要素集合。
第二，计算强相关要素集合，应用格兰杰因果关系法对强相关要素的因果关系进行测定，超过相关性检测规定阈值的要素需要记录好奇因果关系，建立因果关系要素合集。
第三，建立概率图模型，结合上个步骤中得到的因果关系要素合集便能够建立有向概率图模型，集合中的各个要素便是模型的节点，而各个节点的有向边代表的便是节点的因果关系。
第四，基于概率图模型中，显示出老的异常节点和故障节点，便能够完成相应的数据计算和故障预判分析工作[4]。
2.3模型至实际应用环节
在这一环节中，为了确保模型应用的准确性，还结合了和人工经验，具体是通过专家经验来得到智能电网监控运行大数据决策模型的参数，基于此参数对能够满足智能电网监控运行功能需求的要素合集进行筛选，在此基础上建立智能电网的业务监控功能。
第一，结合人工经验和模型计算的因果关系，建立智能电网故障预判和决策模型。
第二，将上一步骤得到的模型作为基础，建立智能电网故障趋势预警分析系统和智能电网敏感缺陷预警分析系统，并且，系统能够结合输出系数判断智能电网出现的是故障还是故障趋势警告，这是因为当出现的是智能电网故障时，得到的输出系数会超过相关性检测规定阈值，在系统中，警告发出的声音也会有所不同，以此来让智能电网检修人员有一定的准备，进而提高智能电网故障检出效率和维修效率。
结束语：构建模型能够实现对智能电网监控运行大数据的分析和应用，进而提高大数据技术在智能电网运行中的应用效率。在本文中，以数据驱动相关理论为依据，将因果关系判断及相关性分析方式应用到多源多维数据分析处理中，随后基于智能电网监控运行大数据构建模型，以此来开展对大数据的科学筛选和应用。
参考文献：
[1]程逍,孙立时,徐春雷,等.基于监控大数据的设备监控业务评价指标体系的设计与实现[J].电力大数据,2019,22(06):47-51.
[2]冷喜武,李平,霍雪松,等.智能电网监控运行大数据分析系统统一建模方法研究[J].电力大数据,2019,22(07):48-54.
[3]闫湖,狄方春,袁荣昌,等.电网智能调度中的大数据及应用场景研究[J].电力信息与通信技术,2014,12(10):7-12.
[4]刘广一,朱文东,陈金祥,等.智能电网大数据的特点、应用场景与分析平台[J].南方电网技术,2016,10(05):102-110.