电能对国民经济发展有着重要的支撑作用,随着经济的快速发展,负荷的增加导致配电变压器经常出现重过载病态运行的现象。传统地,在配电变压器的重过载管理工作中工作人员均采用事中监测和事后处理的方式,难以减少甚至消除由于配电变压器重过载造成的停电事故。随着物联网、云计算等新兴IT技术在电力行业的广泛应用以及坚强智能电网和配电网自动化的长期建设与发展,电网在电力运行、设备的状态监测、客户用电信息采集以及营销管理等方面积累了大量的具有价值的数据。结合这一资源,本文应用大数据理论对配电变压器重过载运行状态进行预测建模。首先,从多个数据源中提取预测建模过程中所需要的变压器台账数据、用户档案数据、网络拓扑关系、配电变压器改造记录、气象信息和节假日标签等数据;建立气泡图模型、饼图模型、雷达图模型、条形折线图模型和突出显示表模型等多种可视化模型,分析配电变压器重过载情况与用电区域、用电类型、变压器容量以及月份季节的关系;应用数据变换将一些属性字段的数据形式转换成更适合、更方便于建模分析的形式并且构造了“负载率”这一属性字段值,通过删除无关属性字段和抽样等数据规约方法适当的压缩数据规模,采用箱线图识别异常值数据并将其删除,基于MATLAB软件筛选出多个属性字段的缺失值,分别采用不同的方法对这些值进行处理;然后,采用SPSS Modeler软件建立K-Means聚类算法模型,选取三个不同的“负载率”属性字段值作为初始聚类中心,通过反复训练模型,不断的调整迭代聚类中心,实现轮廓系数能够达到最优值,有效的将配电变压器历史重过载数据分为三类;建立Apriori关联规则模型,设定适当的支持度和置信度参数,挖掘每一聚类结果所包含的配电变压器发生重过载的主要影响因素,应用“提升度”评价指标验证关联规则的有效性;最后,划分样本数据的80%作为训练样本,另外的20%作为测试样本,分别建立径向基神经网络模型和多层感知器神经网络模型,依据聚类结果和关联分析结果,对各个输入属性字段设定不同的初始权值,不断调整神经元的个数以及多层感知器神经网络的隐含层数,尽可能的提高预测的准确性;根据运行结果得出多层感知器神经网络模型优于径向基神经网络模型并且再次训练多层感知器神经网络确保其稳定性。抽取535条汉中地区2018年11月1日至2019年2月28日配电变压器运行数据记录,将新数据键入该多层感知器神经网络预测模型,预测结果与实际重过载发生情况较高程度吻合,正确率达到95.13%,通过符合矩阵、绩效评估、AUC和Gini系数等有效指标证明了模型稳定性与准确性。结果表明该配电变压器重过载预测模型能够实现汉中地区未来一周的配电变压器重过载预测要求,研究工作基本完成了配电变压器重过载预测的内容要求,可以在一定程度上为企业工作人员进行配电变压器重过载预测管理工作提供参考意见。