CN112926725A - 基于热力图像的数据分析方法及系统 - Google Patents

Abstract

本申请提出了基于热力图像的数据分析方法及系统，包括基于得到的设备参数分别获取各设备的历史运行数据以及当前运行数据；得到训练后表征变电站各设备老化趋势的训练后的卷积神经网络，向训练后的卷积神经网络中导入各设备的当前运行数据，得到输出结果；根据输出结果结合各设备所处的地理位置，绘制表征不同预测年限以及对应故障类型的热力图像。基于变电站中设备的运行数据对每台设备可能发生故障进行基于卷积神经网络的推测，确定每台设备可能发生故障的具体年限，并将当前区域内全部设备可能发生故障的年限以热力图这一方式进行直观呈现，便于快速确定需要进行维修的设备，从而尽可能降低实际发生故障带来的损失。

Description

基于热力图像的数据分析方法及系统

技术领域

本发明属于数据处理领域，尤其涉及基于热力图像的数据分析方法及系统。

背景技术

变电站是电力系统中起着变换和分配电能的作用，变电站的规划直接决定了整个电网运行的可靠性、经济性、安全性。

近年来，供用电需求不断递增，变电站的供电和用户的用电差异明显，因此，分析变电站供需问题已迫在眉睫，基于热力图像的数据分析方法

资产全寿命周期管理是电网企业极为重视的研究领域。若能通过已知的寿命数据基于热力图像的数据分析方法预测设备的未来寿命，则不仅有益于设备运维策略的选择，还能指导电网规划。作为变电站基于热力图像的数据分析方法中最重要的设备，电力变压器寿命的定量预测能为变电站的寿命预测提供重要依据，有助基于热力图像的数据分析方法于延长变电站服役时间，提高电网运行的安全性和经济性。

电力变压器的寿命通常分为物理寿命、技术寿命和经济寿命。物理寿命预测的主基于热力图像的数据分析方法要依据是绝缘老化程度，需要测量变压器内部的绝缘性能信息，如聚合度、糠醛值和绝缘纸基于热力图像的数据分析方法的抗拉强度等，这类数据往往难以获得，因此物理寿命预测较为困难。技术寿命通常指变压基于热力图像的数据分析方法器的设计寿命，一般根据经验人为规定。经济寿命是基于变压器的生存状态信息(如油气信基于热力图像的数据分析方法息等)，从经济学角度决定变压器退役时间。因此，电力变压器经济寿命预测研究更具有可基于热力图像的数据分析方法行性和实际意义。目前国内外并没有形成变压器经济寿命的统一定义，研究主要集中在经基于热力图像的数据分析方法济性评估上。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了基于热力图像的数据分析方法及系统，能够基于变电站的运行数据结合卷积神经网络进行数据处理，从而对变电站未来可能会发生的故障进行预测，以便尽可能在故障发生前完成设备修理，防止发生电力故障导致居民生产工作生活无法进行，减低财产损失。

第一方面，本申请实施例提出了基于热力图像的数据分析方法，包括：

获取当前区域内预设数量变电站处各设备的设备参数，基于得到的设备参数分别获取各设备的历史运行数据以及当前运行数据；

根据历史运行数据对初始卷积神经网络进行训练，得到训练后表征变电站各设备老化趋势的训练后的卷积神经网络，向训练后的卷积神经网络中导入各设备的当前运行数据，得到包括代表各设备发生故障的预测年限及故障类型的输出结果；

根据输出结果结合各设备所处的地理位置，绘制表征不同预测年限以及对应故障类型的热力图像。

可选的，所述获取当前区域内预设数量变电站处各设备的设备参数，基于得到的设备参数分别获取各设备的历史运行数据以及当前运行数据，包括：

根据供电企业的采购清单，获取当前区域内每个变电站中所安装的包括设备型号、采购年限在内的设备参数；

按设备型号为基准，从各变电站处获取对应每个设备型号的包括设备工作年限、设备维修次数在内的历史运行数据，以及包括设备安装时间、设备安装位置在内的当前运行数据。

可选的，所述根据历史运行数据对初始卷积神经网络进行训练，得到训练后表征变电站各设备老化趋势的训练后的卷积神经网络，向训练后的卷积神经网络中导入各设备的当前运行数据，得到包括代表各设备发生故障的预测年限及故障类型的输出结果，包括：

构建包括多个训练通道的卷积神经网络，将历史运行数据导入训练通道内对卷积神经网络中对应训练通道的参数进行训练，得到训练后的卷积神经网络；

向训练后的卷积神经网络导入各设备的当前运行数据，借助调整后训练通道的参数进行数据计算，得到代表各设备发生故障的预测年限及故障类型的输出结果。

可选的，所述根据输出结果结合各设备所处的地理位置，绘制表征不同预测年限以及对应故障类型的热力图像，包括：

按行业内的设备等级不同，对每个等级的设备赋予不同的颜色数值；

根据预测年限数值不同，确定对应每个预测年限的图像渲染半径；

在电子地图中提取每个设备所处的地理位置信息，在对应的地理位置处以对应设备的颜色数值以及对应的图像渲染半径进行图像渲染，对全部设备均进行图像渲染后，得到对应故障类型的热力图像。

可选的，所述供电需求处理方法，还包括：

根据采购价格以及在供电流程中的供电等级对设备的重要程度进行排序；

根据排序结果按由高到低的顺序对各等级的设备进行颜色权重赋值。

第二方面，本申请实施例还提出了基于热力图像的数据分析系统，所述数据分析系统，包括：

数据获取单元，用于获取当前区域内预设数量变电站处各设备的设备参数，基于得到的设备参数分别获取各设备的历史运行数据以及当前运行数据；

结果输出单元，用于根据历史运行数据对初始卷积神经网络进行训练，得到训练后表征变电站各设备老化趋势的训练后的卷积神经网络，向训练后的卷积神经网络中导入各设备的当前运行数据，得到包括代表各设备发生故障的预测年限及故障类型的输出结果；

图像绘制单元，根据输出结果结合各设备所处的地理位置，绘制表征不同预测年限以及对应故障类型的热力图像。

可选的，所述数据获取单元，包括：

第一参数采集子单元，用于根据供电企业的采购清单，获取当前区域内每个变电站中所安装的包括设备型号、采购年限在内的设备参数；

第二参数采集子单元，用于按设备型号为基准，从各变电站处获取对应每个设备型号的包括设备工作年限、设备维修次数在内的历史运行数据，以及包括设备安装时间、设备安装位置在内的当前运行数据。

可选的，所述结果输出单元，包括：

网络处理子单元，用于构建包括多个训练通道的卷积神经网络，将历史运行数据导入训练通道内对卷积神经网络中对应训练通道的参数进行训练，得到训练后的卷积神经网络；

网络计算子单元，用于向训练后的卷积神经网络导入各设备的当前运行数据，借助调整后训练通道的参数进行数据计算，得到代表各设备发生故障的预测年限及故障类型的输出结果。

可选的，所述图像绘制单元，包括：

第一赋值子单元，用于按行业内的设备等级不同，对每个等级的设备赋予不同的颜色数值；

第二赋值子单元，用于根据预测年限数值不同，确定对应每个预测年限的图像渲染半径；

渲染子单元，用于在电子地图中提取每个设备所处的地理位置信息，在对应的地理位置处以对应设备的颜色数值以及对应的图像渲染半径进行图像渲染，对全部设备均进行图像渲染后，得到对应故障类型的热力图像。

可选的，所述第一赋值子单元，还用于：

根据采购价格以及在供电流程中的供电等级对设备的重要程度进行排序；

根据排序结果按由高到低的顺序对各等级的设备进行颜色权重赋值。

本发明提供的技术方案带来的有益效果是：

基于变电站中设备的运行数据对每台设备可能发生故障进行基于卷积神经网络的推测，确定每台设备可能发生故障的具体年限，并将当前区域内全部设备可能发生故障的年限以热力图这一方式进行直观呈现，便于快速确定需要进行维修的设备，从而尽可能降低实际发生故障带来的损失。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提出的基于热力图像的数据分析方法的流程示意图；

图2是本申请实施例提出的绘制完成的热力图像；

图3是本申请实施例提出的基于热力图像的数据分析系统的结构示意图。

具体实施方式

为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。

实施例一

本申请实施例提出了基于热力图像的数据分析方法，如图1所示，包括：

11、获取当前区域内预设数量变电站处各设备的设备参数，基于得到的设备参数分别获取各设备的历史运行数据以及当前运行数据；

12、根据历史运行数据对初始卷积神经网络进行训练，得到训练后表征变电站各设备老化趋势的训练后的卷积神经网络，向训练后的卷积神经网络中导入各设备的当前运行数据，得到包括代表各设备发生故障的预测年限及故障类型的输出结果；

13、根据输出结果结合各设备所处的地理位置，绘制表征不同预测年限以及对应故障类型的热力图像。

在实施中，本申请提出了基于热力图像的数据分析方法，这里的热力图像用于表征当前区域内全部变电站中设备发生故障的预测年限，根据热力图像中不同颜色的分布以及具体颜色可以迅速确定将要发生故障的区域，一方面可以在期限之前提前安排维修工作，另一方面也可以对故障进行分类，筛选容易发生故障的设备型号，后续安排集中替换。

具体的，为了实现上述基于热力图像进行数据分析的步骤，本申请提出的数据分析方法如下三个步骤：

步骤11，主要提出了获取设备运行数据的步骤，这里的运行数据包括历史运行数据以及当前运行数据，用于后期卷积神经网络的训练以及发生故障年限的预测。具体包括：

111、根据供电企业的采购清单，获取当前区域内每个变电站中所安装的包括设备型号、采购年限在内的设备参数；

112、按设备型号为基准，从各变电站处获取对应每个设备型号的包括设备工作年限、设备维修次数在内的历史运行数据，以及包括设备安装时间、设备安装位置在内的当前运行数据。

在实施中，所使用的设备参数具体包括每个变电站中所安装的包括设备型号、采购年限、设备安装时间、设备安装位置等信息。采购年限、设备维修次数是用来判定设备发生故障的重要参数，设备型号是用来对预测结果按统一型号进行归类处理，以便于后期绘制热力图像时具有统一性。

步骤12，主要提出了基于历史运行数据度卷积神经网络进行训练并根据训练后的卷积神经网络进行发生故障年限预测，具体包括：

121、构建包括多个训练通道的卷积神经网络，将历史运行数据导入训练通道内对卷积神经网络中对应训练通道的参数进行训练，得到训练后的卷积神经网络；

122、向训练后的卷积神经网络导入各设备的当前运行数据，借助调整后训练通道的参数进行数据计算，得到代表各设备发生故障的预测年限及故障类型的输出结果。

在实施中，对卷积神经网络的训练过程具体包括：

构建卷积神经网络，确定每个训练通道的参数，将训练样本集合输入卷积神经网络，得到每个训练通道对应的每个训练样本集合的预测特征数据，其中卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；针对每个训练通道，根据每个训练样本集合的预测特征数据和真实特征数据确定预测误差。

重新调整所述预测误差大于预设误差对应的训练通道的参数，继续重复所述对应的训练通道的训练过程，直至所述对应的训练通道的预测误差小于或等于所述预设误差，结束所述对应的训练通道的训练过程。得到包含多个训练通道的卷积神经网络模型；

其中，所述训练样本集合由多个标记了历史运行数据组成；所述卷积神经网络模型的多个训练通道分别用于预测与历史运行数据相关联的多个特征数据。

在本申请实施例中采用了卷积神经网络这一模型基于历史运行数据来获取设备老化趋势，另外，还可以采用其他方式实现相同效果。

(1)故障率预测模型的建立

借鉴医学中应用广泛的生存分析理论，对影响生存状态的协变量建立条件故障率基于热力图像的数据分析方法函数：比例故障率模型(Proportional Hazards Model，PHM)。该模型为回归模型，其数学表基于热力图像的数据分析方法达式如下：

λ(t|Z)＝λ₀(t)c(β^TZ)

式中：λ₀(t)为基准故障率，与役龄相关，可以用特定的定分布参数形式表示，如威基于热力图像的数据分析方法布尔分布等，也可以用任意的无分布非负函数表示；Z＝(z₁,z₂,…,z_p)^T为协变量向量，协变基于热力图像的数据分析方法量是反映设备健康情况的状态变量，p为协变量个数，T表示向量的转置；β＝(β₁,β₂,…,β_p)^T基于热力图像的数据分析方法为未知回归系数向量；连接函数c是任意非负函数，常采用形式简单的指数函数，即PHM的表基于热力图像的数据分析方法达式如下：

λ(t|Z)＝λ₀(t)exp(β^TZ)

建立电力变压器的比例故障率模型，关键是要选择和建立协变量。与故障率有关基于热力图像的数据分析方法的寿命数据还较多，为获得少而精的协变量，并保证协变量的独立性和代表性，对上述数据基于热力图像的数据分析方法采用逻辑归纳方法，凝练出7个协变量。

健康指标(HI，Health Index)反映了变压器设备自身的整体健康水平，是各种检基于热力图像的数据分析方法试数据和实时数据的综合反应。若变压器有近期的状态评价结果，则可直接使用；否则用外基于热力图像的数据分析方法观、机械、绝缘三个协变量来综合反映。三个协变量是参考导则文献归纳的，外观反映漏油、基于热力图像的数据分析方法渗油、表面锈蚀等，机械反映冷却器、风扇运行情况等，绝缘主要反映油中溶解气体分析结基于热力图像的数据分析方法果。应用时，HI及下属协变量存在五个等级：正常、注意、严重，紧急和故障。

设备役龄在运行后期对生存状态的影响是公认的，因此作为一个协变量，其单位基于热力图像的数据分析方法为年，取整数。地理运行环境作为综合反映环境数据的协变量，原因是其它环境数据在一年基于热力图像的数据分析方法中不断发生变化，而对于同一地区不同设备又是差不多的，因此选择运行环境所属地块性基于热力图像的数据分析方法质更能反映变压器的生存环境。选择制造厂商作为协变量是因为不同厂家可能存在家族性基于热力图像的数据分析方法缺陷。电量信息对变压器的生存状态影响是明显的，电量因素包括电压、电流、负载率基于热力图像的数据分析方法载比等，本实施例选择电网规划中常用的容载比作为一个协变量，单位为kVA/kW。对于服役中基于热力图像的数据分析方法的变压器而言地理运行环境和制造厂商是固定且非时变的。

电力变压器这7种协变量均与设备生存状态相关，标记为z₁(t)～z₇(t)，若 z_k(t)(k基于热力图像的数据分析方法＝1～7)与时间无关，则表示为z_k。对于第i台变压器而言，其比例故障率函数如下：

λ_i(t|Z_i(t))＝λ₀(t)exp(β_i ^TZ_i(t))

＝λ₀(t)exp(β₁z_i1(t)+β₂z_i2(t)+

…+β₇z_i7(t))

式中：时间t和协变量向量Z均为已知量；λ₀(t)和回归系数向量β为未知量。当λ₀(t)基于热力图像的数据分析方法是无分布的半参数时，可以采用“偏似然函数”法求解回归系数β。

步骤13，公开了绘制表征不同预测年限以及对应故障类型的热力图像的步骤，具体包括：

131、按行业内的设备等级不同，对每个等级的设备赋予不同的颜色数值；

132、根据预测年限数值不同，确定对应每个预测年限的图像渲染半径；

133、在电子地图中提取每个设备所处的地理位置信息，在对应的地理位置处以对应设备的颜色数值以及对应的图像渲染半径进行图像渲染；

134、对全部设备均进行图像渲染后，得到对应故障类型的热力图像。

在实施中，绘制热力图像的因素包括设备的地理位置信息，以及对应每个设备的图像渲染半径。同时根据前一步输出的预测结果，将预测发生故障年限较近的赋予红黄等代表警示作用的颜色，相对的将预测发生故障年份较远的赋予蓝绿等代表放松效果的颜色，在电子地图上按对应设备的颜色、图像渲染半径进行图像渲染，得到渲染后的热力图像。绘制的热力图像如图2所示。

值得注意的是，所述供电需求处理方法，还包括对绘制热力图像过程中的部分因素进行调节的步骤，包括：

135、根据采购价格以及在供电流程中的供电等级对设备的重要程度进行排序；

136、根据排序结果按由高到低的顺序对各等级的设备进行颜色权重赋值。

在经过上述调节后，使得热力图像中能够对较为重要的设备进行更为明显的提示效果。

另外，由于变电站的位置具有不变性，绘制的变电站总供用电热力图存在相关性，可以通过卷积神经网络的卷积层进行热力图的特征提取。

为减少模型训练时长和降低计算设备的要求，可采用VGG网络框架模型进行热力图的特征提取。根据VGG网络框架结构，并结合热力图任务的需求，可直接去除全连接层的分类结果，只选取VGG模型中的卷积层特征，低层卷积层提取的是图片的纹理、形状特征，高层卷积层提取的是图片的具体轮廓特征，二者相结合，就可将热力图的特性进行表达，为后续图像相似度计算进行初步的图像预处理。

这里所绘制的热力图像，除了起到提前维修的警示效果，还可以表征当前区域内变电站负载的目的，具体包括：

通过卷积神经网络提取热力图特征之后再进行图像相似度计算，选择相似度高的热力图，结合地理位置坐标，定位存在供用电饱和的变电站，进而规划变电站建设问题。步骤如下：

步骤1：将热力图的特征图片缩小到256×256，共个65536像素，并记为G；

步骤2：进行DCT变化并取系数矩阵左上角的k×k矩阵，M_256×256＝DCT(G)，m_k×k＝Top_left(M_256×256)；

步骤基于热力图像的数据分析方法4：计算m_k×k矩阵元素的平均值，记为 e_avg；

步骤5：遍历m_k×k中每一个元素e_i，并将e_i基于热力图像的数据分析方法与e_avg进行比较，若e_i≥基于热力图像的数据分析方法e_avg，则记下1，否则记下0，得到k²个比特的二进制串即为图片aHash值，记为H_p；

步骤基于热力图像的数据分析方法6：计算两张图片哈希值的海明距离，距离越小图片越相似，距离越大图片差异性越大。

选取相似度高的热力图，确定其具体的地理位置，可将相关信息计入变电站的规划当中，以减轻变电站负担，实现电网的智能化建设。

实施例二

本申请实施例还提出了基于热力图像的数据分析系统2，如图3所示，所述数据分析系统2，包括：

数据获取单元21，用于获取当前区域内预设数量变电站处各设备的设备参数，基于得到的设备参数分别获取各设备的历史运行数据以及当前运行数据；

结果输出单元22，用于根据历史运行数据对初始卷积神经网络进行训练，得到训练后表征变电站各设备老化趋势的训练后的卷积神经网络，向训练后的卷积神经网络中导入各设备的当前运行数据，得到包括代表各设备发生故障的预测年限及故障类型的输出结果；

图像绘制单元23，根据输出结果结合各设备所处的地理位置，绘制表征不同预测年限以及对应故障类型的热力图像。

在实施中，本申请提出了基于热力图像的数据分析方法，这里的热力图像用于表征当前区域内全部变电站中设备发生故障的预测年限，根据热力图像中不同颜色的分布以及具体颜色可以迅速确定将要发生故障的区域，一方面可以在期限之前提前安排维修工作，另一方面也可以对故障进行分类，筛选容易发生故障的设备型号，后续安排集中替换。

具体的，为了实现上述基于热力图像进行数据分析的步骤，本申请提出的数据分析系统2包括如下三个模块：

数据获取单元21，主要用于获取设备运行数据的步骤，这里的运行数据包括历史运行数据以及当前运行数据，用于后期卷积神经网络的训练以及发生故障年限的预测。具体包括：

第一参数采集子单元211，用于根据供电企业的采购清单，获取当前区域内每个变电站中所安装的包括设备型号、采购年限在内的设备参数；

第二参数采集子单元212，用于按设备型号为基准，从各变电站处获取对应每个设备型号的包括设备工作年限、设备维修次数在内的历史运行数据，以及包括设备安装时间、设备安装位置在内的当前运行数据。

在实施中，所使用的设备参数具体包括每个变电站中所安装的包括设备型号、采购年限、设备安装时间、设备安装位置等信息。采购年限、设备维修次数是用来判定设备发生故障的重要参数，设备型号是用来对预测结果按统一型号进行归类处理，以便于后期绘制热力图像时具有统一性。

结果输出单元22，主要提出了基于历史运行数据度卷积神经网络进行训练并根据训练后的卷积神经网络进行发生故障年限预测，具体包括：

网络处理子单元221，用于构建包括多个训练通道的卷积神经网络，将历史运行数据导入训练通道内对卷积神经网络中对应训练通道的参数进行训练，得到训练后的卷积神经网络；

网络计算子单元222，用于向训练后的卷积神经网络导入各设备的当前运行数据，借助调整后训练通道的参数进行数据计算，得到代表各设备发生故障的预测年限及故障类型的输出结果。

在实施中，对卷积神经网络的训练过程具体包括：

构建卷积神经网络，确定每个训练通道的参数，将训练样本集合输入卷积神经网络，得到每个训练通道对应的每个训练样本集合的预测特征数据，其中卷积神经网络的卷积层包含并行的多个卷积核，每个卷积核对应一个训练通道；针对每个训练通道，根据每个训练样本集合的预测特征数据和真实特征数据确定预测误差。

重新调整所述预测误差大于预设误差对应的训练通道的参数，继续重复所述对应的训练通道的训练过程，直至所述对应的训练通道的预测误差小于或等于所述预设误差，结束所述对应的训练通道的训练过程。得到包含多个训练通道的卷积神经网络模型；

其中，所述训练样本集合由多个标记了历史运行数据组成；所述卷积神经网络模型的多个训练通道分别用于预测与历史运行数据相关联的多个特征数据。

在本申请实施例中采用了卷积神经网络这一模型基于历史运行数据来获取设备老化趋势，另外，还可以采用其他方式实现相同效果。

(1)故障率预测模型的建立

借鉴医学中应用广泛的生存分析理论，对影响生存状态的协变量建立条件故障率基于热力图像的数据分析方法函数：比例故障率模型(Proportional Hazards Model，PHM)。该模型为回归模型，其数学表基于热力图像的数据分析方法达式如下：

λ(t|Z)＝λ₀(t)c(β^TZ)

式中：λ₀(t)为基准故障率，与役龄相关，可以用特定的定分布参数形式表示，如威基于热力图像的数据分析方法布尔分布等，也可以用任意的无分布非负函数表示；Z＝(z₁,z₂,…,z_p)^T为协变量向量，协变基于热力图像的数据分析方法量是反映设备健康情况的状态变量，p为协变量个数，T表示向量的转置；β＝(β₁,β₂,…,β_p)^T基于热力图像的数据分析方法为未知回归系数向量；连接函数c是任意非负函数，常采用形式简单的指数函数，即PHM的表基于热力图像的数据分析方法达式如下：

λ(t|Z)＝λ₀(t)exp(β^TZ)

建立电力变压器的比例故障率模型，关键是要选择和建立协变量。与故障率有关基于热力图像的数据分析方法的寿命数据还较多，为获得少而精的协变量，并保证协变量的独立性和代表性，对上述数据基于热力图像的数据分析方法采用逻辑归纳方法，凝练出7个协变量。

健康指标(HI，Health Index)反映了变压器设备自身的整体健康水平，是各种检基于热力图像的数据分析方法试数据和实时数据的综合反应。若变压器有近期的状态评价结果，则可直接使用；否则用外基于热力图像的数据分析方法观、机械、绝缘三个协变量来综合反映。三个协变量是参考导则文献归纳的，外观反映漏油、基于热力图像的数据分析方法渗油、表面锈蚀等，机械反映冷却器、风扇运行情况等，绝缘主要反映油中溶解气体分析结基于热力图像的数据分析方法果。应用时，HI及下属协变量存在五个等级：正常、注意、严重，紧急和故障。

设备役龄在运行后期对生存状态的影响是公认的，因此作为一个协变量，其单位基于热力图像的数据分析方法为年，取整数。地理运行环境作为综合反映环境数据的协变量，原因是其它环境数据在一年基于热力图像的数据分析方法中不断发生变化，而对于同一地区不同设备又是差不多的，因此选择运行环境所属地块性基于热力图像的数据分析方法质更能反映变压器的生存环境。选择制造厂商作为协变量是因为不同厂家可能存在家族性基于热力图像的数据分析方法缺陷。电量信息对变压器的生存状态影响是明显的，电量因素包括电压、电流、负载率基于热力图像的数据分析方法载比等，本实施例选择电网规划中常用的容载比作为一个协变量，单位为kVA/kW。对于服役中基于热力图像的数据分析方法的变压器而言地理运行环境和制造厂商是固定且非时变的。

电力变压器这7种协变量均与设备生存状态相关，标记为z₁(t)～z₇(t)，若 z_k(t)(k基于热力图像的数据分析方法＝1～7)与时间无关，则表示为z_k。对于第i台变压器而言，其比例故障率函数如下：

λ_i(t|Z_i(t))＝λ₀(t)exp(β_i ^TZ_i(t))

＝λ₀(t)exp(β₁z_i1(t)+β₂z_i2(t)+

…+β₇z_i7(t))

式中：时间t和协变量向量Z均为已知量；λ₀(t)和回归系数向量β为未知量。当λ₀(t)基于热力图像的数据分析方法是无分布的半参数时，可以采用“偏似然函数”法求解回归系数β。

图像绘制单元23，主要用于绘制表征不同预测年限以及对应故障类型的热力图像，具体包括：

第一赋值子单元231，用于按行业内的设备等级不同，对每个等级的设备赋予不同的颜色数值；

第二赋值子单元232，用于根据预测年限数值不同，确定对应每个预测年限的图像渲染半径；

渲染子单元233，用于在电子地图中提取每个设备所处的地理位置信息，在对应的地理位置处以对应设备的颜色数值以及对应的图像渲染半径进行图像渲染，对全部设备均进行图像渲染后，得到对应故障类型的热力图像。

在实施中，绘制热力图像的因素包括设备的地理位置信息，以及对应每个设备的图像渲染半径。同时根据前一步输出的预测结果，将预测发生故障年限较近的赋予红黄等代表警示作用的颜色，相对的将预测发生故障年份较远的赋予蓝绿等代表放松效果的颜色，在电子地图上按对应设备的颜色、图像渲染半径进行图像渲染，得到渲染后的热力图像。绘制的热力图像如图2所示。

值得注意的是，所述供电需求处理系统，还包括所述第一赋值子单元用于：

根据采购价格以及在供电流程中的供电等级对设备的重要程度进行排序；

根据排序结果按由高到低的顺序对各等级的设备进行颜色权重赋值。

在经过上述调节后，使得热力图像中能够对较为重要的设备进行更为明显的提示效果。

另外，由于变电站的位置具有不变性，绘制的变电站总供用电热力图存在相关性，可以通过卷积神经网络的卷积层进行热力图的特征提取。

为减少模型训练时长和降低计算设备的要求，可采用VGG网络框架模型进行热力图的特征提取。根据VGG网络框架结构，并结合热力图任务的需求，可直接去除全连接层的分类结果，只选取VGG模型中的卷积层特征，低层卷积层提取的是图片的纹理、形状特征，高层卷积层提取的是图片的具体轮廓特征，二者相结合，就可将热力图的特性进行表达，为后续图像相似度计算进行初步的图像预处理。

这里所绘制的热力图像，除了起到提前维修的警示效果，还可以表征当前区域内变电站负载的目的，具体包括：

通过卷积神经网络提取热力图特征之后再进行图像相似度计算，选择相似度高的热力图，结合地理位置坐标，定位存在供用电饱和的变电站，进而规划变电站建设问题。步骤如下：

步骤1：将热力图的特征图片缩小到256×256，共个65536像素，并记为G；

步骤2：进行DCT变化并取系数矩阵左上角的k×k矩阵，M_256×256＝DCT(G)，m_k×k＝Top_left(M_256×256)；

步骤基于热力图像的数据分析方法4：计算m_k×k矩阵元素的平均值，记为 e_avg；

步骤5：遍历m_k×k中每一个元素e_i，并将e_i基于热力图像的数据分析方法与e_avg进行比较，若e_i≥基于热力图像的数据分析方法e_avg，则记下1，否则记下0，得到k²个比特的二进制串即为图片aHash值，记为H_p；

步骤基于热力图像的数据分析方法6：计算两张图片哈希值的海明距离，距离越小图片越相似，距离越大图片差异性越大。

选取相似度高的热力图，确定其具体的地理位置，可将相关信息计入变电站的规划当中，以减轻变电站负担，实现电网的智能化建设。

上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。

以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于热力图像的数据分析方法，其特征在于，所述数据分析方法，包括：

获取当前区域内预设数量变电站处各设备的设备参数，基于得到的设备参数分别获取各设备的历史运行数据以及当前运行数据；

根据历史运行数据对初始卷积神经网络进行训练，得到训练后表征变电站各设备老化趋势的训练后的卷积神经网络，向训练后的卷积神经网络中导入各设备的当前运行数据，得到包括代表各设备发生故障的预测年限及故障类型的输出结果；

根据输出结果结合各设备所处的地理位置，绘制表征不同预测年限以及对应故障类型的热力图像。

2.根据权利要求1所述的基于热力图像的数据分析方法，其特征在于，所述获取当前区域内预设数量变电站处各设备的设备参数，基于得到的设备参数分别获取各设备的历史运行数据以及当前运行数据，包括：

根据供电企业的采购清单，获取当前区域内每个变电站中所安装的包括设备型号、采购年限在内的设备参数；

按设备型号为基准，从各变电站处获取对应每个设备型号的包括设备工作年限、设备维修次数在内的历史运行数据，以及包括设备安装时间、设备安装位置在内的当前运行数据。

3.根据权利要求1所述的基于热力图像的数据分析方法，其特征在于，所述根据历史运行数据对初始卷积神经网络进行训练，得到训练后表征变电站各设备老化趋势的训练后的卷积神经网络，向训练后的卷积神经网络中导入各设备的当前运行数据，得到包括代表各设备发生故障的预测年限及故障类型的输出结果，包括：

构建包括多个训练通道的卷积神经网络，将历史运行数据导入训练通道内对卷积神经网络中对应训练通道的参数进行训练，得到训练后的卷积神经网络；

向训练后的卷积神经网络导入各设备的当前运行数据，借助调整后训练通道的参数进行数据计算，得到代表各设备发生故障的预测年限及故障类型的输出结果。

4.根据权利要求1所述的基于热力图像的数据分析方法，其特征在于，所述根据输出结果结合各设备所处的地理位置，绘制表征不同预测年限以及对应故障类型的热力图像，包括：

按行业内的设备等级不同，对每个等级的设备赋予不同的颜色数值；

根据预测年限数值不同，确定对应每个预测年限的图像渲染半径；

在电子地图中提取每个设备所处的地理位置信息，在对应的地理位置处以对应设备的颜色数值以及对应的图像渲染半径进行图像渲染，对全部设备均进行图像渲染后，得到对应故障类型的热力图像。

5.根据权利要求4所述的基于热力图像的数据分析方法，其特征在于，所述供电需求处理方法，还包括：

根据采购价格以及在供电流程中的供电等级对设备的重要程度进行排序；

根据排序结果按由高到低的顺序对各等级的设备进行颜色权重赋值。

6.基于热力图像的数据分析系统，其特征在于，所述数据分析系统，包括：

数据获取单元，用于获取当前区域内预设数量变电站处各设备的设备参数，基于得到的设备参数分别获取各设备的历史运行数据以及当前运行数据；

结果输出单元，用于根据历史运行数据对初始卷积神经网络进行训练，得到训练后表征变电站各设备老化趋势的训练后的卷积神经网络，向训练后的卷积神经网络中导入各设备的当前运行数据，得到包括代表各设备发生故障的预测年限及故障类型的输出结果；

图像绘制单元，根据输出结果结合各设备所处的地理位置，绘制表征不同预测年限以及对应故障类型的热力图像。

7.根据权利要求6所述的基于热力图像的数据分析系统，其特征在于，所述数据获取单元，包括：

第一参数采集子单元，用于根据供电企业的采购清单，获取当前区域内每个变电站中所安装的包括设备型号、采购年限在内的设备参数；

第二参数采集子单元，用于按设备型号为基准，从各变电站处获取对应每个设备型号的包括设备工作年限、设备维修次数在内的历史运行数据，以及包括设备安装时间、设备安装位置在内的当前运行数据。

8.根据权利要求6所述的基于热力图像的数据分析系统，其特征在于，所述结果输出单元，包括：

网络处理子单元，用于构建包括多个训练通道的卷积神经网络，将历史运行数据导入训练通道内对卷积神经网络中对应训练通道的参数进行训练，得到训练后的卷积神经网络；

网络计算子单元，用于向训练后的卷积神经网络导入各设备的当前运行数据，借助调整后训练通道的参数进行数据计算，得到代表各设备发生故障的预测年限及故障类型的输出结果。

9.根据权利要求6所述的基于热力图像的数据分析系统，其特征在于，所述图像绘制单元，包括：

第一赋值子单元，用于按行业内的设备等级不同，对每个等级的设备赋予不同的颜色数值；

第二赋值子单元，用于根据预测年限数值不同，确定对应每个预测年限的图像渲染半径；

渲染子单元，用于在电子地图中提取每个设备所处的地理位置信息，在对应的地理位置处以对应设备的颜色数值以及对应的图像渲染半径进行图像渲染，对全部设备均进行图像渲染后，得到对应故障类型的热力图像。

10.根据权利要求9所述的基于热力图像的数据分析系统，其特征在于，所述第一赋值子单元，还用于：

根据采购价格以及在供电流程中的供电等级对设备的重要程度进行排序；

根据排序结果按由高到低的顺序对各等级的设备进行颜色权重赋值。

Images