设备故障热力图生成方法及装置、停电信息判断方法

技术领域

本发明涉及一种设备故障热力图生成方法及装置、停电信息判断方法，属于电力可视化技术领域。

背景技术

当前配电网停电信息研判工作需要从多套系统中调取配网数据进行人工关联分析，耗时耗力，且多系统并行运行，故障停电、计划检修信息共享不畅，研判速度慢。随着电力GIS系统与可视化算法的逐步深化应用，能够实现多维数据融合与全景展示的设备故障专题热力图将大大提高停电信息研判速度。

过去在生成设备故障专题热力图时，大多使用行波波头极性关系或者小波提取主频分量等方法，这种方式在微弱较小工况下，由于单一或者局部故障特征量难以捕捉，导致故障定位因精度不够定位失败的问题；

可见，为克服上述不足，亟需一种设备故障热力图生成方法及装置、停电信息判断方法。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种设备故障热力图生成方法及装置、停电信息判断方法，根据获取的行波故障特征，利用CNN算法构建行波故障特征与故障距离的关系，并引入Grad-CAM可视化分析方法，从而生成激活热力图以生成设备故障专题热力图，以对配网故障抢修指挥模块进行完善，加快故障处置响应速度。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种设备故障热力图生成方法，包括：

获取当前行波故障特征；

利用Grad-CAM可视化分析方法计算预先训练的CNN模型中的通道权重，生成激活热力图；

根据所述当前行波故障特征和激活热力图，生成设备故障热力图；

其中，所述CNN模型的训练样本包括历史行波故障特征与故障距离。

进一步的，所述行波故障特征的获得方法包括：

采集现场故障录波数据并收集历史故障数据，建立故障样本集合，其中，采集的样本参量包括故障距离、故障类型、故障时间、故障初始相位角和过渡电阻；

对建立的故障样本集合通过数据预处理形成易于更新的行波全景波形样本集，获得行波故障特征。

进一步的，所述CNN模型包括：

使用LeNet-5神经网络作为CNN模型，构建3层卷积层，并使用Tensorflow深度学习框架搭建训练模型；

进一步的，所述数据预处理包括时间频域分解、数据归一化处理和行波全景波形样本集制作，其中，

所述时间频域分解包括：使用连续小波变换算法，分解时间频域信号为行波全景波形，得到基于时间频域的能量分布矩阵；

所述数据归一化处理包括：使用最近邻域插值算法降低矩阵维度数，利用min-max归一化方法将小波系数幅值矩阵中各元素数值变换至幅值区间[0,1]，并对变换后的小波系数幅值矩阵进行灰度化处理，形成行波全景波形灰度图；

所述行波全景波形样本集制作包括：使用Python中的numpy库函数将行波全景波形灰度图转化为适宜CNN算法模型训练的张量格式数据，形成易于更新的行波全景波形样本集。

进一步的，所述根据所述故障距离，利用Grad-CAM可视化分析方法生成激活热力图，包括：

计算CNN算法中各通道的权重，并将各个通道的特征图按照权重的大小进行叠加，生成激活热力图，其中，

计算公式如下：

式中，α

第二方面，本发明提供一种停电信息判断方法，用于根据第一方面所述的设备故障热力图生成方法生成的设备故障热力图判断停电信息。

第三方面，本发明提供了一种设备故障热力图生成装置，包括：

行波故障特征获取模块：用于获取当前行波故障特征；

激活热力图生成模块：用于利用Grad-CAM可视化分析方法计算预先训练的CNN模型中的通道权重，生成激活热力图；其中，所述CNN模型的训练样本包括历史行波故障特征与故障距离；

设备故障热力图生成模块：用于根据所述当前行波故障特征和激活热力图，生成设备故障热力图。

第四方面，本发明提供了一种计算机设备，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面或第二方面所述方法的步骤。

第五方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面或第二方面所述方法的步骤。

与现有技术相比，本发明所达到的有益效果：

本发明提供的设备故障热力图生成方法，根据获取的行波故障特征，利用CNN算法构建行波故障特征与故障距离的关系，并引入Grad-CAM可视化分析方法，从而生成激活热力图以生成设备故障专题热力图，提高故障的定位速度和定位精度；

本发明提供的停电信息判断方法，根据上述的设备故障热力图生成方法生成的设备故障热力图判断停电信息，以对配网故障抢修指挥模块进行完善，加快故障处置响应速度。

附图说明

图1为实施例一提供的设备故障热力图生成方法的流程图；

图2为图1步骤2中基于CNN算法的故障流程示意图。

具体实施方式

下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符"/"，一般表示前后关联对象是一种“或”的关系。

实施例一：

图1是本发明实施例一中的一种设备故障热力图生成方法的流程图。本实施例提供的设备故障热力图生成方法可应用于终端，可以由设备故障热力图生成装置来执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在终端中，例如：任一具备通信功能的智能手机，平板电脑或计算机设备。参见图1，本实施的方法具体包括如下步骤：

获取当前行波故障特征；

利用Grad-CAM可视化分析方法计算预先训练的CNN模型中的通道权重，生成激活热力图；

根据所述当前行波故障特征和激活热力图，生成设备故障热力图。

所述行波故障特征的获得方法包括：

采集现场故障录波数据并收集历史故障数据，建立故障样本集合，其中，采集的样本参量包括故障距离、故障类型、故障时间、故障初始相位角和过渡电阻；

对建立的故障样本集合通过数据预处理形成易于更新的行波全景波形样本集，获得行波故障特征。

所述CNN模型包括：

使用LeNet-5神经网络作为CNN模型，构建3层卷积层，并使用Tensorflow深度学习框架搭建训练模型；

所述数据预处理包括时间频域分解、数据归一化处理和行波全景波形样本集制作，其中，

所述时间频域分解包括：使用连续小波变换算法，分解时间频域信号为行波全景波形，得到基于时间频域的能量分布矩阵；

所述数据归一化处理包括：使用最近邻域插值算法降低矩阵维度数，利用min-max归一化方法将小波系数幅值矩阵中各元素数值变换至幅值区间[0,1]，并对变换后的小波系数幅值矩阵进行灰度化处理，形成行波全景波形灰度图；

所述行波全景波形样本集制作包括：使用Python中的numpy库函数将行波全景波形灰度图转化为适宜CNN算法模型训练的张量格式数据，形成易于更新的行波全景波形样本集。

所述根据所述故障距离，利用Grad-CAM可视化分析方法生成激活热力图，包括：

计算CNN算法中各通道的权重，并将各个通道的特征图按照权重的大小进行叠加，生成激活热力图，其中，

计算公式如下：

式中，α

具体而言，包括：

步骤1：基于主电网资源业务中台系统，接入检修与故障停电数据；

步骤2：利用改进CNN算法对接入的故障数据进行离线训练、故障定位并输出预测的故障距离；

步骤3：利用Grad-CAM可视化分析方法生成激活热力图，直观反映改进CNN算法判断的故障距离；

步骤4：基于故障数据和激活热力图，生成设备故障热力图

步骤1具体包括：基于主电网资源业务中台系统，开展空间信息服务于台账信息服务，接入计划检修数据、故障停电数据与用户报修业务数据，其中，接入主电网资源业务中台系统包含空间信息服务与台账信息服务，其中空间信息服务包括地理背景、变电站位置、配电网空间位置等信息；台账信息服务包括变电站资源、配电网资源与用户数据等信息；

步骤2具体包括：基于CNN算法的故障定位方法，使用CNN算法对现有故障数据进行离线训练、故障定位并生成在线应用，其中，使用CNN算法对现有故障数据进行离线训练、故障定位并生成在线应用。具体实施步骤可包括：

(1)样本采集

采集现场故障录波数据并收集历史故障数据，建立故障样本集合，采集样本参量包括但不限于故障距离、故障类型、故障时间、故障初始相位角、过渡电阻等信息。

(2)数据预处理

数据预处理可分为时间频域分解、数据归一化处理、行波全景波形样本集制作。首先是时间频域分解，使用连续小波变换算法，分解时间频域信号为行波全景波形，得到基于时间频域的能量分布矩阵，即小波系数幅值矩阵。

其次是数据归一化处理，使用最近邻域插值算法降低矩阵维度数，利用min-max归一化方法将小波系数幅值矩阵中各元素数值变换至幅值区间[0,1]，其中min-max归一化方程如下所示，并对变换后的小波系数幅值矩阵进行灰度化处理，形成行波全景波形灰度图。

式中，C*是归一化后的小波系数幅值矩阵，max(C)表示求最大值，min(C)表示求最小值。

最后是行波全景波形样本集制作，使用Python中的numpy库函数将上一步骤中的行波全景波形灰度图转化为适宜CNN算法模型训练的张量格式数据，形成易于更新的行波全景波形样本集。

(3)CNN模型训练

本发明中使用的CNN模型为LeNet-5神经网络，针对电网故障定位的计算复杂度，构建3层卷积层，并使用Tensorflow深度学习框架搭建训练模型。初始化CNN模型中各项参数与权重值，设置迭代次数、误差率、学习率、样本个数，以均方误差损失函数MSE最小化为目标，采用梯度下降法求解权重与参数值，并对迭代后的定位精度进行测试集验证，直至故障定位精度满足测试集要求。

式中，n是样本数量，φ表示模型权重与偏置项参数的集合，l

(4)故障定位

基于现有PMS3.0系统与设备采集信号，采用硬件检测方法检测初始行波。从初始行波波头到达检测点的时刻，开始截取持续3毫秒的时间窗，以获取检测端电压行波线模分量并进行预处理。接着调用CNN模型，训练所得映射函数，输出预测的故障距离，完成故障定位。定位完成后，将上述故障定位更新至原有样本集，CNN模型再次进行训练，以更新权重和偏置参数。

在上述技术方案中，利用CNN算法构建了行波故障特征与故障距离的关系，相较于过去使用行波波头极性关系或者小波提取主频分量等方法，现方法克服了在微弱较小工况下，由于单一或者局部故障特征量难以捕捉，导致故障定位因精度不够定位失败的问题。

且本实施例在CNN算法的选择上也具有特定性，基于传统的CNN中LeNet-5模型进行改进，在原有基础上扩大了训练参数的空间，更适用于行波定位应用，利于定位中复杂的映射函数，并使用3*3维度的小尺寸卷积核提取行波全景波形的各个频段的特征。

本实施例在步骤3中还提供了Grad-CAM可视化分析方法，生成激活热力图，其中，首先计算CNN算法中各通道的权重，并将各个通道的特征图按照权重的大小进行叠加，生成激活热力图，热力图的颜色越趋近于红色，说明相关程度越高，激活强度越大，可以直观的反映CNN算法判断的故障距离。具体的Grad-CAM可视化分析方法计算公式如下：

式中，α

图2展示的结合算例1的故障定位流程示意图，其中离线训练阶段包括：故障仿真与真型实验、时域行波、波形样本、故障距离、过渡电阻、故障初相角、故障类型、数据预处理、行波全景、波形样本集、训练集与测试集部分；CNN模型训练和测试包括卷积、池化、训练等部分；在线应用阶段包括：实际故障发生、提取数据、数据预处理、行波全景波形、完成训练、预测故障距离等步骤。

步骤4具体包括：生成设备故障专题热力图，融合现有GIS系统，实现多维数据融合与全景展示，支持生成多项前端业务，其中，实现故障专题热点图与散点图实时切换，依托故障数据，按照年度、季度、雷击等时间段，生成不同时间长度下的故障专题热力图。并依托现有GIS系统，叠加业务图层，在一张图上按需展示多个图层内容，实现静态数据、动态数据、业务数据等数据的有效融合和直观展示。图层内容可按需叠加显示，实现多维数据的融合、一张图全景展示，并支持生成多项前端业务。结合实际算例，前段应用可包括，计划检修及过程、故障抢修及过程、抢修工单分布及过程、静态配电网网架展示、动态电网展示、街景地图展示与卫星影像图展示等业务功能。

本实施例对配网故障抢修指挥模块进行完善，加快故障处置响应速度，表明本实施例提供的基于CNN与Grad-CAM可视化分析的电力热力图方法，基于配电网全景物联感知技术，连通海量故障告警数据，使用大规模深度学习模型，完成配电网全景物联感知，搭建配网故障抢修智能研判模型，实现配抢工单超时预警功能，实现全流程智能督导功能，实现过程中智能指挥功能。

综上所述，本实施例提供的设备故障热力图生成方法，基于主电网资源业务中台系统，接入停电和检修数据；接着使用基于CNN算法的故障定位方法，对现有故障数据进行离线训练、故障定位并生成在线应用；并引入Grad-CAM可视化分析方法，生成激活热力图以生成设备故障专题热力图，融合现有GIS系统，支持生成多项前端业务，从而对配网故障抢修指挥模块进行完善，加快故障处置响应速度。

实施例二：

本实施例提供一种停电信息判断方法，用于根据实施例一所述的设备故障热力图生成方法生成的设备故障热力图判断停电信息，以对配网故障抢修指挥模块进行完善，加快故障处置响应速度。

实施例三：

一种设备故障热力图生成装置，包括：

行波故障特征获取模块：用于获取当前行波故障特征；

激活热力图生成模块：用于利用Grad-CAM可视化分析方法计算预先训练的CNN模型中的通道权重，生成激活热力图；其中，所述CNN模型的训练样本包括历史行波故障特征与故障距离；

设备故障热力图生成模块：用于根据所述当前行波故障特征和激活热力图，生成设备故障热力图。

本发明实施例所提供的设备故障热力图生成装置可执行本发明任意实施例所提供的设备故障热力图生成方法，具备执行方法相应的功能模块和有益效果。

实施例四：

本发明实施例还提供了一种计算机设备，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行下述方法的步骤：

获取当前行波故障特征；

利用Grad-CAM可视化分析方法计算预先训练的CNN模型中的通道权重，生成激活热力图；

根据所述当前行波故障特征和激活热力图，生成设备故障热力图。

对于本实施例中各步骤的详细内容可参见实施例一或实施例二，在此不作赘述。鉴于本实施例与实施例一或实施例二采用相同的技术构思，因此也具备诸如实施例一或实施例二所述的技术效果。

实施例五：

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现下述方法的步骤：

获取当前行波故障特征；

利用Grad-CAM可视化分析方法计算预先训练的CNN模型中的通道权重，生成激活热力图；

根据所述当前行波故障特征和激活热力图，生成设备故障热力图。

对于本实施例中各步骤的详细内容可参见实施例一或实施例二，在此不作赘述。鉴于本实施例与实施例一或实施例二采用相同的技术构思，因此也具备诸如实施例一或实施例二所述的技术效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。