[发明专利]基于热力图像的数据分析方法及系统

权利要求书

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。