一种基于大数据的电力设备运行状态监控方法和系统与流程

1.本发明涉及电力技术领域，具体而言，涉及一种基于大数据的电力设备运行状态监控方法和系统。


背景技术：

2.目前，电力设备的正常运行是保障正常用电的关键，而电力设备在运行的过程中如果发生异常，比较常见的表现则是运行温度的异常，而目前，在对电力设备进行监控的过程中往往只对温度进行监测，并且监测的方式也比较单一，因此往往导致最终监测的结果不太准确。因此需要一种能准确反应当前电力设备运行状态的一种方法，进而方便工作人员做出最准确的维护方法。


技术实现要素：

3.本发明的目的在于提供一种基于大数据的电力设备运行状态监控方法和系统，以改善上述问题。
4.为了实现上述目的，本技术实施例提供了如下技术方案：
5.一方面，本技术实施例提供了一种基于大数据的电力设备运行状态监控方法，所述方法包括：
6.获取第一数据和第二数据，所述第一数据包括电力设备的检修次数和在第一历史时间段内的历史温度数据集，所述第二数据包括所述电力设备当前的温度数据；
7.基于预训练的变分自编码器判断所述历史温度数据集是否存在异常，得到第一判断结果，根据所述第一判断结果，对所述历史温度数据集进行异常值修正操作，得到修正后的历史温度数据集；
8.利用修正后的历史温度数据集判断所述电力设备当前的温度数据是否异常，得到第二判断结果，若第二判断结果异常，则获取电力设备当前的图像，对所述电力设备当前的图像进行分析，得到分析结果；
9.结合所述分析结果、电力设备当前的温度数据和检修次数来确定所述电力设备最终的运行状态得分，根据所述得分对所述电力设备进行维护。
10.可选的，所述电力设备当前的温度数据的获取方式，包括：
11.发送控制命令，所述控制命令包括在所述电力设备上安装温度传感器的命令，每个温度传感器分散安装在所述电力设备上，且与所述电力设备重心之间的距离相同；
12.获取每个所述温度传感器所采集的温度数据；
13.获取当前风级，当所述风级小于等于预设阈值，则获取所有的所述温度传感器采集的温度，得到所述电力设备当前的第一温度数据集合，将当前的第一温度数据集合进行均值计算，得到所述电力设备当前的温度数据；当所述风级大于所述第一预设阈值，则获取当前风向，并根据所述当前风向确定需要剔除的温度传感器，所述需要剔除的温度传感器的位置处于当前风向方向上，将剩余的温度传感器采集的温度进行集合，得到所述电力设
备当前的第二温度数据集合，将当前的第二温度数据集合进行均值计算，得到所述电力设备当前的温度数据。
14.可选的，基于预训练的变分自编码器判断所述历史温度数据集是否存在异常，得到第一判断结果，包括：
15.对所述历史温度数据集进行解码和编码处理，得到所述历史温度数据集对应的预测值，所述历史温度数据集中的每个历史温度数据对应一个预测值，其中，利用预训练的变分自编码器进行解码和编码处理；
16.计算每个所述历史温度数据与其对应的预测值之间的差值，并将所有的差值计算结果进行求和，得到第一计算结果；将所有的所述预测值进行求和，得到第二计算结果，将所述第一计算结果除以所述第二计算结果的平方根，得到第三计算结果；
17.将所述第三计算结果与第二预设阈值进行对比分析，若所述第三计算结果小于所述第二预设阈值，则判断所述历史温度数据集存在异常，反之则不存在异常。
18.可选的，利用修正后的历史温度数据集判断所述电力设备当前的温度数据是否异常，得到第二判断结果，若第二判断结果异常，则获取电力设备当前的图像，对所述电力设备当前的图像进行分析，得到分析结果，包括：
19.利用arma模型对所述修正后的历史温度数据集进行拟合处理，得到每个历史时刻对应的拟合数据，将每个历史时刻对应的拟合数据与其对应的真实值进行差值计算，得到每个历史时刻对应的第四计算结果，将所有的所述第四计算结果进行均值和方差计算，并将所述均值和方差进行求和计算，得到第五计算结果；
20.将每个历史时刻对应的拟合数据与所述第五计算结果之和记为第一数值，将每个历史时刻对应的拟合数据与所述第五计算结果之差记为第二数值；
21.将电力设备当前的温度数据与第一数值、第二数值进行对比分析，其中，若电力设备当前的温度数据小于第二数值，或，大于第一数值，则确定电力设备当前的温度数据异常，并获取电力设备当前的图像，并对电力设备当前的图像进行分析，判断其是否存在裂纹，若不存在，则所述分析结果为未出现裂纹；若存在则分割出所述电力设备当前的裂纹区域图像，并获取电力设备历史裂纹区域图像，对每张所述历史裂纹区域图像进行异常类型标注，得到标注后的历史裂纹区域图像；
22.根据所述标注后的历史裂纹区域图像和电力设备当前的图像，得到所述分析结果。
23.可选的，根据所述标注后的历史裂纹区域图像和电力设备当前的图像，得到所述分析结果，包括：
24.利用标注后的历史裂纹区域图像对深度残差网络进行训练，其中，将标注后的历史裂纹区域图像输入所述深度残差网络，得到输出结果，根据所述输出结果计算标注后的历史裂纹区域图像对应的交叉熵损失，并利用所述交叉熵损失对所述深度残差网络进行参数更新，得到第一训练的深度残差网络；
25.基于预训练的栈式自编码器和标注后的历史裂纹区域图像，再次对所述第一训练的深度残差网络进行训练，得到异常类型识别模型，基于所述异常类型识别模型识别所述电力设备当前的裂纹区域图像中存在的裂纹的类型，并将其记为所述分析结果。
26.第二方面，本技术实施例提供了一种基于大数据的电力设备运行状态监控系统，
所述系统包括获取模块、第一判断模块、第二判断模块和维护模块。
27.获取模块，用于获取第一数据和第二数据，所述第一数据包括电力设备的检修次数和在第一历史时间段内的历史温度数据集，所述第二数据包括所述电力设备当前的温度数据；
28.第一判断模块，用于基于预训练的变分自编码器判断所述历史温度数据集是否存在异常，得到第一判断结果，根据所述第一判断结果，对所述历史温度数据集进行异常值修正操作，得到修正后的历史温度数据集；
29.第二判断模块，用于利用修正后的历史温度数据集判断所述电力设备当前的温度数据是否异常，得到第二判断结果，若第二判断结果异常，则获取电力设备当前的图像，对所述电力设备当前的图像进行分析，得到分析结果；
30.维护模块，用于结合所述分析结果、电力设备当前的温度数据和检修次数来确定所述电力设备最终的运行状态得分，根据所述得分对所述电力设备进行维护。
31.可选的，获取模块，包括：
32.发送单元，用于发送控制命令，所述控制命令包括在所述电力设备上安装温度传感器的命令，每个温度传感器分散安装在所述电力设备上，且与所述电力设备重心之间的距离相同；
33.第一获取单元，用于获取每个所述温度传感器所采集的温度数据；
34.第二获取单元，用于获取当前风级，当所述风级小于等于预设阈值，则获取所有的所述温度传感器采集的温度，得到所述电力设备当前的第一温度数据集合，将当前的第一温度数据集合进行均值计算，得到所述电力设备当前的温度数据；当所述风级大于所述第一预设阈值，则获取当前风向，并根据所述当前风向确定需要剔除的温度传感器，所述需要剔除的温度传感器的位置处于当前风向方向上，将剩余的温度传感器采集的温度进行集合，得到所述电力设备当前的第二温度数据集合，将当前的第二温度数据集合进行均值计算，得到所述电力设备当前的温度数据。
35.可选的，第一判断模块，包括：
36.第一计算单元，用于对所述历史温度数据集进行解码和编码处理，得到所述历史温度数据集对应的预测值，所述历史温度数据集中的每个历史温度数据对应一个预测值，其中，利用预训练的变分自编码器进行解码和编码处理；
37.第二计算单元，用于计算每个所述历史温度数据与其对应的预测值之间的差值，并将所有的差值计算结果进行求和，得到第一计算结果；将所有的所述预测值进行求和，得到第二计算结果，将所述第一计算结果除以所述第二计算结果的平方根，得到第三计算结果；
38.第一分析单元，用于将所述第三计算结果与第二预设阈值进行对比分析，若所述第三计算结果小于所述第二预设阈值，则判断所述历史温度数据集存在异常，反之则不存在异常。
39.可选的，第二判断模块，包括：
40.第三计算单元，用于利用arma模型对所述修正后的历史温度数据集进行拟合处理，得到每个历史时刻对应的拟合数据，将每个历史时刻对应的拟合数据与其对应的真实值进行差值计算，得到每个历史时刻对应的第四计算结果，将所有的所述第四计算结果进
行均值和方差计算，并将所述均值和方差进行求和计算，得到第五计算结果；
41.第四计算单元，用于将每个历史时刻对应的拟合数据与所述第五计算结果之和记为第一数值，将每个历史时刻对应的拟合数据与所述第五计算结果之差记为第二数值；
42.第五计算单元，用于将电力设备当前的温度数据与第一数值、第二数值进行对比分析，其中，若电力设备当前的温度数据小于第二数值，或，大于第一数值，则确定电力设备当前的温度数据异常，并获取电力设备当前的图像，并对电力设备当前的图像进行分析，判断其是否存在裂纹，若不存在，则所述分析结果为未出现裂纹；若存在则分割出所述电力设备当前的裂纹区域图像，并获取电力设备历史裂纹区域图像，对每张所述历史裂纹区域图像进行异常类型标注，得到标注后的历史裂纹区域图像；
43.第二分析单元，用于根据所述标注后的历史裂纹区域图像和电力设备当前的图像，得到所述分析结果。
44.可选的，第二分析单元，包括：
45.第一训练单元，用于利用标注后的历史裂纹区域图像对深度残差网络进行训练，其中，将标注后的历史裂纹区域图像输入所述深度残差网络，得到输出结果，根据所述输出结果计算标注后的历史裂纹区域图像对应的交叉熵损失，并利用所述交叉熵损失对所述深度残差网络进行参数更新，得到第一训练的深度残差网络；
46.第二训练单元，用于基于预训练的栈式自编码器和标注后的历史裂纹区域图像，再次对所述第一训练的深度残差网络进行训练，得到异常类型识别模型，基于所述异常类型识别模型识别所述电力设备当前的裂纹区域图像中存在的裂纹的类型，并将其记为所述分析结果。
47.第三方面，本技术实施例提供了一种基于大数据的电力设备运行状态监控设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述基于大数据的电力设备运行状态监控方法的步骤。
48.第四方面，本技术实施例提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于大数据的电力设备运行状态监控方法的步骤。
49.本发明的有益效果为：
50.1、本发明通过对历史温度数据集进行异常检测，异常检测后再利用其来判断当前的温度数据是否异常，相较于利用温度异常检测模型来检测异常温度，本发明中的方法更为快捷，并且不需要获取更多的数据；此外，本发明还考虑到温度异常时，设备有可能会出现裂纹，因此在检测在温度异常时，还进行了图像的采集，分析设备的裂纹类型，最终再根据当前的温度、裂纹类型、检修次数来综合评分，相较于只利用温度进行评分，本发明中的评分方法更能体现电力设备当前的运行状态，进而也有利于工作人员做出更准确的维护策略，即本发明在关键的步骤均考虑了数据对于最终评分的影响，因此在不同的步骤采用的不同的处理方法，进而以提高最终评分的准确。
51.2、本发明还根据当前的风级对采集到的温度数据进行剔除操作，利用此方法可以提高采集到的温度的准确性。并且在裂纹类型识别步骤，还对初始的数据进行了筛选，降低了训练的时间，提高了训练速率。
52.3、本发明还对显示界面进行了说明，通过本步骤中显示界面的布置，可以方便用
户直观的查看到数据，并且还可以帮助用户快速的检索到相关资料，以帮助用户快速的制定出维护策略。
53.本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
54.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
55.图1是本发明实施例中所述的基于大数据的电力设备运行状态监控方法流程示意图；
56.图2是本发明实施例中所述的基于大数据的电力设备运行状态监控系统结构示意图；
57.图3是本发明实施例中所述的基于大数据的电力设备运行状态监控设备结构示意图。
具体实施方式
58.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
59.应注意到：相似的标号或字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
60.实施例1
61.如图1所示，本实施例提供了基于大数据的电力设备运行状态监控方法，该方法包括步骤s1、步骤s2、步骤s3和步骤s4。
62.步骤s1、获取第一数据和第二数据，所述第一数据包括电力设备的检修次数和在第一历史时间段内的历史温度数据集，所述第二数据包括所述电力设备当前的温度数据；
63.在本步骤中，第一历史时间段可以理解为，以当前时间为终点的一段历史时间，比如可以是前两天到当前时间，前一周到当前时间，前半个月到当前时间；
64.本步骤中的电力设备当前的温度数据的具体获取方式，包括步骤s11、步骤s12和步骤s13；
65.步骤s11、发送控制命令，所述控制命令包括在所述电力设备上安装温度传感器的
命令，每个温度传感器分散安装在所述电力设备上，且与所述电力设备重心之间的距离相同；
66.在本步骤中，将每个温度传感器分散安装在不同的位置上，相较于只在一两个位置布置温度传感器，本步骤中的方法获取到的温度数据更能反映设备的温度状态；
67.步骤s12、获取每个所述温度传感器所采集的温度数据；
68.步骤s13、获取当前风级，当所述风级小于等于预设阈值，则获取所有的所述温度传感器采集的温度，得到所述电力设备当前的第一温度数据集合，将当前的第一温度数据集合进行均值计算，得到所述电力设备当前的温度数据；当所述风级大于所述第一预设阈值，则获取当前风向，并根据所述当前风向确定需要剔除的温度传感器，所述需要剔除的温度传感器的位置处于当前风向方向上，将剩余的温度传感器采集的温度进行集合，得到所述电力设备当前的第二温度数据集合，将当前的第二温度数据集合进行均值计算，得到所述电力设备当前的温度数据。
69.在本步骤中，考虑到电力设备在户外，在户外时，若遇上大风，则处于风向上的温度传感器的温度会受到一些影响，因此本步骤对风级进行了区分，根据风级的不同，对采集的温度数据进行处理，通过此种方式以提高采集的温度更能体现设备当前的状态；
70.步骤s2、基于预训练的变分自编码器判断所述历史温度数据集是否存在异常，得到第一判断结果，根据所述第一判断结果，对所述历史温度数据集进行异常值修正操作，得到修正后的历史温度数据集；
71.在本步骤中，对所述历史温度数据集进行异常值修正操作，得到修正后的历史温度数据集为采用常规的操作，在本步骤中不做赘述，本步骤的具体实现方式包括步骤s21、步骤s22和步骤s23；
72.步骤s21、对所述历史温度数据集进行解码和编码处理，得到所述历史温度数据集对应的预测值，所述历史温度数据集中的每个历史温度数据对应一个预测值，其中，利用预训练的变分自编码器进行解码和编码处理；
73.在本步骤中，可以通过获取另外的历史温度数据集，生成训练样本，然后再利用训练样本对初始变分自编码器进行训练，得到训练好的变分自编码器；
74.步骤s22、计算每个所述历史温度数据与其对应的预测值之间的差值，并将所有的差值计算结果进行求和，得到第一计算结果；将所有的所述预测值进行求和，得到第二计算结果，将所述第一计算结果除以所述第二计算结果的平方根，得到第三计算结果；
75.除了本步骤中的方法之外，还可以通过距离函数d(x,m)2计算每个预测值与其对应的真实值之间的距离，其中，d代表距离函数，x代表每个历史温度数据，m代表每个历史温度数据对应的预测值，然后将所有的距离的平均值与第二预设阈值进行对比分析，
76.步骤s23、将所述第三计算结果与第二预设阈值进行对比分析，若所述第三计算结果小于所述第二预设阈值，则判断所述历史温度数据集存在异常，反之则不存在异常。
77.通过本步骤中的方法可以对历史温度数据集进行异常检测，判断其是否出现异常，若出现异常则进行异常值筛选修正操作，以保证流入后续步骤中的数据的准确性；
78.步骤s3、利用修正后的历史温度数据集判断所述电力设备当前的温度数据是否异常，得到第二判断结果，若第二判断结果异常，则获取电力设备当前的图像，对所述电力设备当前的图像进行分析，得到分析结果；
79.在本步骤中，若温度数据正常，则不做任何处理，若异常，考虑到温度过高过低都会对设备造成影响，可能会使设备产生裂纹，因此本步骤当判断温度异常后则会获取设备的图像，对图像进行分析处理；同时本步骤的具体实现步骤包括步骤s31、步骤s32、步骤s33和步骤s34；
80.步骤s31、利用arma模型对所述修正后的历史温度数据集进行拟合处理，得到每个历史时刻对应的拟合数据，将每个历史时刻对应的拟合数据与其对应的真实值进行差值计算，得到每个历史时刻对应的第四计算结果，将所有的所述第四计算结果进行均值和方差计算，并将所述均值和方差进行求和计算，得到第五计算结果；
81.在本步骤中，还可以采用加权移动平均、ar模型、移动平均，对数据进行拟合，得到拟合数据；
82.步骤s32、将每个历史时刻对应的拟合数据与所述第五计算结果之和记为第一数值，将每个历史时刻对应的拟合数据与所述第五计算结果之差记为第二数值；
83.在本步骤中，第一数值和第二数值可以看成是当前时刻下数据的上限和下限值，当超出了上限和下限之后，则可以判定当前时刻下数据存在异常，本步骤通过历史温度数据，即可完成当前数据的异常检测，所需的数据少，检测速度也较快；
84.步骤s33、将电力设备当前的温度数据与第一数值、第二数值进行对比分析，其中，若电力设备当前的温度数据小于第二数值，或，大于第一数值，则确定电力设备当前的温度数据异常，并获取电力设备当前的图像，并对电力设备当前的图像进行分析，判断其是否存在裂纹，若不存在，则所述分析结果为未出现裂纹；若存在则分割出所述电力设备当前的裂纹区域图像，并获取电力设备历史裂纹区域图像，对每张所述历史裂纹区域图像进行异常类型标注，得到标注后的历史裂纹区域图像；
85.步骤s34、根据所述标注后的历史裂纹区域图像和电力设备当前的图像，得到所述分析结果。
86.本步骤的具体实现步骤包括步骤s341和步骤s342；
87.步骤s341、利用标注后的历史裂纹区域图像对深度残差网络进行训练，其中，将标注后的历史裂纹区域图像输入所述深度残差网络，得到输出结果，根据所述输出结果计算标注后的历史裂纹区域图像对应的交叉熵损失，并利用所述交叉熵损失对所述深度残差网络进行参数更新，得到第一训练的深度残差网络；
88.在本步骤中，将标注后的历史裂纹区域图像输入所述深度残差网络后，会得到一个预测结果，根据此预测结果可以得到对应的交叉熵损失，此交叉熵损失可以用于衡量标注后的历史裂纹区域图像的不确定度；
89.步骤s342、基于预训练的栈式自编码器和标注后的历史裂纹区域图像，再次对所述第一训练的深度残差网络进行训练，得到异常类型识别模型，基于所述异常类型识别模型识别所述电力设备当前的裂纹区域图像中存在的裂纹的类型，并将其记为所述分析结果。
90.本步骤的具体实现步骤包括步骤s3421、步骤s3422和步骤s3423；
91.步骤s3421、将标注后的历史裂纹区域图像输入所述预训练的栈式自编码器中进行特征采样处理，得到处理结果，将所述处理结果与其对应的标注后的历史裂纹区域图像之间的差值记为第四计算结果；
92.在本步骤中，预训练的栈式自编码器为利用标注后的历史裂纹区域图像对栈式自编码器进行训练后得到的；具体为：将标注后的历史裂纹区域图像输入栈式自编码器中，得到编码结果，根据标注后的历史裂纹区域图像与编码结果之间的重构误差对栈式自编码器进行监督训练，得到预训练的栈式自编码器；因此，将标注后的历史裂纹区域图像输入所述预训练的栈式自编码器中进行特征采样处理可以看成是计算标注后的历史裂纹区域图像对应的重构误差；并且通过重构误差可以指示标注后的历史裂纹区域图像与裂纹类型识别任务之间的关联度；
93.步骤s3422、按照预设的权重信息将每张标注后的历史裂纹区域图像对应的所述第四计算结果和所述交叉熵损失进行相加，得到每张标注后的历史裂纹区域图像对应的第六计算结果；
94.在本步骤中，通过交叉熵损失和第四计算结果结合来计算了标注后的历史裂纹区域图像对于训练的价值，第六计算结果越大，价值越低；
95.步骤s3423、根据所述第六计算结果的大小，将其对应的标注后的历史裂纹区域图像按照升序的方式进行排序，排序后按照预设比例选取标注后的历史裂纹区域图像，利用选取后的标注后的历史裂纹区域图像对所述第一训练的深度残差网络进行训练，得到异常类型识别模型。
96.在本步骤中，第六计算结果越小，其对应的标注后的历史裂纹区域图像则排列越前面。通过此种方式，可以对标注后的历史裂纹区域图像进行一个有效的筛选，进行获取到对训练有意义有价值的数据，通过此种方式可以减少训练的数据，缩短训练时间，提高训练的速率；
97.步骤s4、结合所述分析结果、电力设备当前的温度数据和检修次数来确定所述电力设备最终的运行状态得分，根据所述得分对所述电力设备进行维护。
98.本步骤的具体实现步骤包括步骤s41、步骤s42和步骤s43；
99.步骤s41、对所述分析结果进行分析，其中，当所述分析结果为未出现裂纹，则在显示设备上显示所述电力设备当前的温度异常的信息，以提示工作人员对其进行相应的处理；当所述分析结果为当前的裂纹区域图像中存在的裂纹的类型，则构建运行状态评价结构，所述运行状态评价结构包括第一层和第二层，所述第一层为运行状态评价，所述第二层包括电力设备当前的温度因素、检修次数因素和电力设备当前裂纹等级因素；
100.在本步骤中，考虑到若只利用温度因素进行运行状态评分，可能会导致评分不准确的情况，同时考虑到检修次数和当前的裂纹等级也对当前设备的运行状态有重要影响，因此本步骤综合考虑了三方因素，根据三方因素得出的最终评分更能反映设备的真实状态；
101.步骤s411、在显示界面上显示第一对象、第二对象和第三对象，所述第一对象为框形或圆形，且所述第一对象的颜色为黑色，所述第一对象中还包括第一子对象，所述第一子对象为所述电力设备当前的温度，且所述第一子对象的颜色与所述第一对象的颜色不一样；在所述第一对象正下方显示所述第二对象，所述第二对象包括异常符号，所述异常符号用于提示工作人员电力设备当前的温度存在异常；所述第三对象包括第二子对象、第三子对象和第四子对象，所述第二子对象、第三子对象和第四子对象依次纵向排列，所述第二子对象、第三子对象和第四子对象之间具有预设间距，所述第二子对象包括所述电力设备的
设计参数，所述第三子对象包括所述电力设备的生产参数，所述第四子对象包括所述电力设备的检修记录信息，且所述第二子对象、第三子对象和第四子对象还均包括有第五子对象，所述第五子对象显示在所述第二子对象、第三子对象和第四子对象的同一侧；
102.本步骤中，将温度异常进行突出显示，能使工作人员一眼看出温度是否异常，有利于工作人员查看处理；
103.步骤s412、获取选择操作，所述选择操作包括对第三对象的选择操作；
104.步骤s413、响应于所述选择操作，在显示界面上显示第三对象包含的数据，其中，当选择每个所述第五子对象时，在显示界面上显示所述第五子对象对应的子对象所包含的数据，用于帮助工作人员查看与电力设备相关的资料数据，以确定维护策略。
105.在本步骤中，工作人员可以根据需要选择对应的第五子对象，可以选择一个，也可以选择多个，每选择一个都会在显示界面上显示其对应的数据，通过此种方式可以使工作人员方便查看关于电力设备的数据信息；除了上述的显示方法之外，本实施例还提供了步骤s414、步骤s415和步骤s416中的显示方法；
106.步骤s414、在显示界面上显示第四对象，所述第四对象为输入框；
107.步骤s415、获取输入操作，所述输入操作包括在所述输入框输入查询信息的操作；
108.步骤s416、响应于所述输入操作，在显示界面显示第五对象，所述第五对象包括至少一条结果数据，每条结果数据依次纵向排列，且每条结果数据的一侧还显示第六对象，所述第六对象为标记符号，用于标记所述结果数据相对于所述查询信息的重要程度，每条所述结果数据包括与所述查询信息相关的数据，其中，将所述查询信息作为关键词，在所述第三对象包含的数据中进行搜索，得到与所述查询信息相关的数据。
109.通过本步骤中的显示方法，可以快速的搜索到与查询信息相关的数据，例如，输入温度，那么在第三对象包含的数据中进行查询，查询到与温度相关的数据后再在显示界面上进行显示，当工作人员需要查看与温度相关的资料时，则可通过此种方式进行查看，进而方便工作人员做出与温度相关的维护策略；
110.步骤s42、根据所述运行状态评价结构构建递阶层次结构，并根据所述递阶层次结构中各个因素的权重，构建判断矩阵；根据所述判断矩阵计算得到所述电力设备当前的温度因素、检修次数因素和电力设备当前裂纹级别因素各自对应的权重值；
111.步骤s43、按照预设的危险级别表确定当前的裂纹区域图像中存在的裂纹的类型所属的危险级别，按照电力设备当前的温度、检修次数和电力设备当前裂纹级别及其各自的权重值计算所述电力设备最终的运行状态得分。
112.通过上述所有的步骤可知，本实施例通过对历史温度数据集进行异常检测，异常检测后再利用其来判断当前的温度数据是否异常，相较于利用温度异常检测模型来检测异常温度，本实施例中的方法更为快捷，并且不需要获取更多的数据；此外，本实施例还考虑到温度异常时，设备有可能会出现裂纹，因此在检测在温度异常时，还进行了图像的采集，分析设备的裂纹类型，最终再根据当前的温度、裂纹类型、检修次数来综合评分，相较于只利用温度进行评分，本实施例中的评分方法更能体现电力设备当前的运行状态，进而也有利于工作人员做出更准确的维护策略。
113.实施例2
114.如图2所示，本实施例提供了一种基于大数据的电力设备运行状态监控系统，所述
系统包括获取模块701、第一判断模块702、第二判断模块703和维护模块704。
115.获取模块701，用于获取第一数据和第二数据，所述第一数据包括电力设备的检修次数和在第一历史时间段内的历史温度数据集，所述第二数据包括所述电力设备当前的温度数据；
116.第一判断模块702，用于基于预训练的变分自编码器判断所述历史温度数据集是否存在异常，得到第一判断结果，根据所述第一判断结果，对所述历史温度数据集进行异常值修正操作，得到修正后的历史温度数据集；
117.第二判断模块703，用于利用修正后的历史温度数据集判断所述电力设备当前的温度数据是否异常，得到第二判断结果，若第二判断结果异常，则获取电力设备当前的图像，对所述电力设备当前的图像进行分析，得到分析结果；
118.维护模块704，用于结合所述分析结果、电力设备当前的温度数据和检修次数来确定所述电力设备最终的运行状态得分，根据所述得分对所述电力设备进行维护。
119.在本公开的一种具体实施方式中，所述获取模块701，还包括发送单元7011、第一获取单元7012和第二获取单元7013。
120.发送单元7011，用于发送控制命令，所述控制命令包括在所述电力设备上安装温度传感器的命令，每个温度传感器分散安装在所述电力设备上，且与所述电力设备重心之间的距离相同；
121.第一获取单元7012，用于获取每个所述温度传感器所采集的温度数据；
122.第二获取单元7013，用于获取当前风级，当所述风级小于等于预设阈值，则获取所有的所述温度传感器采集的温度，得到所述电力设备当前的第一温度数据集合，将当前的第一温度数据集合进行均值计算，得到所述电力设备当前的温度数据；当所述风级大于所述第一预设阈值，则获取当前风向，并根据所述当前风向确定需要剔除的温度传感器，所述需要剔除的温度传感器的位置处于当前风向方向上，将剩余的温度传感器采集的温度进行集合，得到所述电力设备当前的第二温度数据集合，将当前的第二温度数据集合进行均值计算，得到所述电力设备当前的温度数据。
123.在本公开的一种具体实施方式中，所述第一判断模块702，还包括第一计算单元7021、第二计算单元7022和第一分析单元7023。
124.第一计算单元7021，用于对所述历史温度数据集进行解码和编码处理，得到所述历史温度数据集对应的预测值，所述历史温度数据集中的每个历史温度数据对应一个预测值，其中，利用预训练的变分自编码器进行解码和编码处理；
125.第二计算单元7022，用于计算每个所述历史温度数据与其对应的预测值之间的差值，并将所有的差值计算结果进行求和，得到第一计算结果；将所有的所述预测值进行求和，得到第二计算结果，将所述第一计算结果除以所述第二计算结果的平方根，得到第三计算结果；
126.第一分析单元7023，用于将所述第三计算结果与第二预设阈值进行对比分析，若所述第三计算结果小于所述第二预设阈值，则判断所述历史温度数据集存在异常，反之则不存在异常。
127.在本公开的一种具体实施方式中，所述第二判断模块703，还包括第三计算单元7031、第四计算单元7032、第五计算单元7033和第二分析单元7034。
128.第三计算单元7031，用于利用arma模型对所述修正后的历史温度数据集进行拟合处理，得到每个历史时刻对应的拟合数据，将每个历史时刻对应的拟合数据与其对应的真实值进行差值计算，得到每个历史时刻对应的第四计算结果，将所有的所述第四计算结果进行均值和方差计算，并将所述均值和方差进行求和计算，得到第五计算结果；
129.第四计算单元7032，用于将每个历史时刻对应的拟合数据与所述第五计算结果之和记为第一数值，将每个历史时刻对应的拟合数据与所述第五计算结果之差记为第二数值；
130.第五计算单元7033，用于将电力设备当前的温度数据与第一数值、第二数值进行对比分析，其中，若电力设备当前的温度数据小于第二数值，或，大于第一数值，则确定电力设备当前的温度数据异常，并获取电力设备当前的图像，并对电力设备当前的图像进行分析，判断其是否存在裂纹，若不存在，则所述分析结果为未出现裂纹；若存在则分割出所述电力设备当前的裂纹区域图像，并获取电力设备历史裂纹区域图像，对每张所述历史裂纹区域图像进行异常类型标注，得到标注后的历史裂纹区域图像；
131.第二分析单元7034，用于根据所述标注后的历史裂纹区域图像和电力设备当前的图像，得到所述分析结果。
132.在本公开的一种具体实施方式中，所述第二分析单元7034，还包括第一训练单元70341和第二训练单元70342。
133.第一训练单元70341，用于利用标注后的历史裂纹区域图像对深度残差网络进行训练，其中，将标注后的历史裂纹区域图像输入所述深度残差网络，得到输出结果，根据所述输出结果计算标注后的历史裂纹区域图像对应的交叉熵损失，并利用所述交叉熵损失对所述深度残差网络进行参数更新，得到第一训练的深度残差网络；
134.第二训练单元70342，用于基于预训练的栈式自编码器和标注后的历史裂纹区域图像，再次对所述第一训练的深度残差网络进行训练，得到异常类型识别模型，基于所述异常类型识别模型识别所述电力设备当前的裂纹区域图像中存在的裂纹的类型，并将其记为所述分析结果。
135.在本公开的一种具体实施方式中，所述第二训练单元70342，还包括输入单元703421、第六计算单元703422和排序单元703423。
136.输入单元703421，用于将标注后的历史裂纹区域图像输入所述预训练的栈式自编码器中进行特征采样处理，得到处理结果，将所述处理结果与其对应的标注后的历史裂纹区域图像之间的差值记为第四计算结果；
137.第六计算单元703422，用于按照预设的权重信息将每张标注后的历史裂纹区域图像对应的所述第四计算结果和所述交叉熵损失进行相加，得到每张标注后的历史裂纹区域图像对应的第六计算结果；
138.排序单元703423，用于根据所述第六计算结果的大小，将其对应的标注后的历史裂纹区域图像按照降序的方式进行排序，排序后按照预设比例选取标注后的历史裂纹区域图像，利用选取后的标注后的历史裂纹区域图像对所述第一训练的深度残差网络进行训练，得到异常类型识别模型。
139.在本公开的一种具体实施方式中，所述维护模块704，还包括构建单元7041、第七计算单元7042和评分单元7043。
140.构建单元7041，用于对所述分析结果进行分析，其中，当所述分析结果为未出现裂纹，则在显示设备上显示所述电力设备当前的温度异常的信息，以提示工作人员对其进行相应的处理；当所述分析结果为当前的裂纹区域图像中存在的裂纹的类型，则构建运行状态评价结构，所述运行状态评价结构包括第一层和第二层，所述第一层为运行状态评价，所述第二层包括电力设备当前的温度因素、检修次数因素和电力设备当前裂纹等级因素；
141.第七计算单元7042，用于根据所述运行状态评价结构构建递阶层次结构，并根据所述递阶层次结构中各个因素的权重，构建判断矩阵；根据所述判断矩阵计算得到所述电力设备当前的温度因素、检修次数因素和电力设备当前裂纹级别因素各自对应的权重值；
142.评分单元7043，用于按照预设的危险级别表确定当前的裂纹区域图像中存在的裂纹的类型所属的危险级别，按照电力设备当前的温度、检修次数和电力设备当前裂纹级别及其各自的权重值计算所述电力设备最终的运行状态得分。
143.在本公开的一种具体实施方式中，所述构建单元7041，还包括第一显示单元70411、第三获取单元70412和第一响应单元70413。
144.第一显示单元70411，用于在显示界面上显示第一对象、第二对象和第三对象，所述第一对象为框形或圆形，且所述第一对象的颜色为黑色，所述第一对象中还包括第一子对象，所述第一子对象为所述电力设备当前的温度，且所述第一子对象的颜色与所述第一对象的颜色不一样；在所述第一对象正下方显示所述第二对象，所述第二对象包括异常符号，所述异常符号用于提示工作人员电力设备当前的温度存在异常；所述第三对象包括第二子对象、第三子对象和第四子对象，所述第二子对象、第三子对象和第四子对象依次纵向排列，所述第二子对象、第三子对象和第四子对象之间具有预设间距，所述第二子对象包括所述电力设备的设计参数，所述第三子对象包括所述电力设备的生产参数，所述第四子对象包括所述电力设备的检修记录信息，且所述第二子对象、第三子对象和第四子对象还均包括有第五子对象，所述第五子对象显示在所述第二子对象、第三子对象和第四子对象的同一侧；
145.第三获取单元70412，用于获取选择操作，所述选择操作包括对第三对象的选择操作；
146.第一响应单元70413，用于响应于所述选择操作，在显示界面上显示第三对象包含的数据，其中，当选择每个所述第五子对象时，在显示界面上显示所述第五子对象对应的子对象所包含的数据，用于帮助工作人员查看与电力设备相关的资料数据，以确定维护策略。
147.在本公开的一种具体实施方式中，所述构建单元7041，还包括第二显示单元70414、第四获取单元70415和第二响应单元70416。
148.第二显示单元70414，用于在显示界面上显示第四对象，所述第四对象为输入框；
149.第四获取单元70415，用于获取输入操作，所述输入操作包括在所述输入框输入查询信息的操作；
150.第二响应单元70416，用于响应于所述输入操作，在显示界面显示第五对象，所述第五对象包括至少一条结果数据，每条结果数据依次纵向排列，且每条结果数据的一侧还显示第六对象，所述第六对象为标记符号，用于标记所述结果数据相对于所述查询信息的重要程度，每条所述结果数据包括与所述查询信息相关的数据，其中，将所述查询信息作为关键词，在所述第三对象包含的数据中进行搜索，得到与所述查询信息相关的数据。
151.需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
152.实施例3
153.相应于上面的方法实施例，本公开实施例还提供了基于大数据的电力设备运行状态监控设备，下文描述的基于大数据的电力设备运行状态监控设备与上文描述的基于大数据的电力设备运行状态监控方法可相互对应参照。
154.图3是根据一示例性实施例示出的基于大数据的电力设备运行状态监控设备800的框图。如图3所示，该基于大数据的电力设备运行状态监控设备800可以包括：处理器801，存储器802。该基于大数据的电力设备运行状态监控设备800还可以包括多媒体组件803，i/o接口804，以及通信组件805中的一者或多者。
155.其中，处理器801用于控制该基于大数据的电力设备运行状态监控设备800的整体操作，以完成上述的基于大数据的电力设备运行状态监控方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于大数据的电力设备运行状态监控设备800的操作，这些数据例如可以包括用于在该基于大数据的电力设备运行状态监控设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于大数据的电力设备运行状态监控设备800与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near fieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：wi-fi模块，蓝牙模块，nfc模块。
156.在一示例性实施例中，该基于大数据的电力设备运行状态监控设备800可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digitalsignal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于大数据的电力设备运行状态监控方法。
157.在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于大数据的电力设备运行状态监控方法的步骤。例
如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由该基于大数据的电力设备运行状态监控设备800的处理器801执行以完成上述的基于大数据的电力设备运行状态监控方法。
158.实施例4
159.相应于上面的方法实施例，本公开实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的基于大数据的电力设备运行状态监控方法可相互对应参照。
160.一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于大数据的电力设备运行状态监控方法的步骤。
161.该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
162.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。

技术特征：
1.一种基于大数据的电力设备运行状态监控方法，其特征在于，包括：获取第一数据和第二数据，所述第一数据包括电力设备的检修次数和在第一历史时间段内的历史温度数据集，所述第二数据包括所述电力设备当前的温度数据；基于预训练的变分自编码器判断所述历史温度数据集是否存在异常，得到第一判断结果，根据所述第一判断结果，对所述历史温度数据集进行异常值修正操作，得到修正后的历史温度数据集；利用修正后的历史温度数据集判断所述电力设备当前的温度数据是否异常，得到第二判断结果，若第二判断结果异常，则获取电力设备当前的图像，对所述电力设备当前的图像进行分析，得到分析结果；结合所述分析结果、电力设备当前的温度数据和检修次数来确定所述电力设备最终的运行状态得分，根据所述得分对所述电力设备进行维护。2.根据权利要求1所述的基于大数据的电力设备运行状态监控方法，其特征在于，所述电力设备当前的温度数据的获取方式，包括：发送控制命令，所述控制命令包括在所述电力设备上安装温度传感器的命令，每个温度传感器分散安装在所述电力设备上，且与所述电力设备重心之间的距离相同；获取每个所述温度传感器所采集的温度数据；获取当前风级，当所述风级小于等于预设阈值，则获取所有的所述温度传感器采集的温度，得到所述电力设备当前的第一温度数据集合，将当前的第一温度数据集合进行均值计算，得到所述电力设备当前的温度数据；当所述风级大于所述第一预设阈值，则获取当前风向，并根据所述当前风向确定需要剔除的温度传感器，所述需要剔除的温度传感器的位置处于当前风向方向上，将剩余的温度传感器采集的温度进行集合，得到所述电力设备当前的第二温度数据集合，将当前的第二温度数据集合进行均值计算，得到所述电力设备当前的温度数据。3.根据权利要求1所述的基于大数据的电力设备运行状态监控方法，其特征在于，基于预训练的变分自编码器判断所述历史温度数据集是否存在异常，得到第一判断结果，包括：对所述历史温度数据集进行解码和编码处理，得到所述历史温度数据集对应的预测值，所述历史温度数据集中的每个历史温度数据对应一个预测值，其中，利用预训练的变分自编码器进行解码和编码处理；计算每个所述历史温度数据与其对应的预测值之间的差值，并将所有的差值计算结果进行求和，得到第一计算结果；将所有的所述预测值进行求和，得到第二计算结果，将所述第一计算结果除以所述第二计算结果的平方根，得到第三计算结果；将所述第三计算结果与第二预设阈值进行对比分析，若所述第三计算结果小于所述第二预设阈值，则判断所述历史温度数据集存在异常，反之则不存在异常。4.根据权利要求1所述的基于大数据的电力设备运行状态监控方法，其特征在于，利用修正后的历史温度数据集判断所述电力设备当前的温度数据是否异常，得到第二判断结果，若第二判断结果异常，则获取电力设备当前的图像，对所述电力设备当前的图像进行分析，得到分析结果，包括：利用arma模型对所述修正后的历史温度数据集进行拟合处理，得到每个历史时刻对应的拟合数据，将每个历史时刻对应的拟合数据与其对应的真实值进行差值计算，得到每个
历史时刻对应的第四计算结果，将所有的所述第四计算结果进行均值和方差计算，并将所述均值和方差进行求和计算，得到第五计算结果；将每个历史时刻对应的拟合数据与所述第五计算结果之和记为第一数值，将每个历史时刻对应的拟合数据与所述第五计算结果之差记为第二数值；将电力设备当前的温度数据与第一数值、第二数值进行对比分析，其中，若电力设备当前的温度数据小于第二数值，或，大于第一数值，则确定电力设备当前的温度数据异常，并获取电力设备当前的图像，并对电力设备当前的图像进行分析，判断其是否存在裂纹，若不存在，则所述分析结果为未出现裂纹；若存在则分割出所述电力设备当前的裂纹区域图像，并获取电力设备历史裂纹区域图像，对每张所述历史裂纹区域图像进行异常类型标注，得到标注后的历史裂纹区域图像；根据所述标注后的历史裂纹区域图像和电力设备当前的图像，得到所述分析结果。5.根据权利要求4所述的基于大数据的电力设备运行状态监控方法，其特征在于，根据所述标注后的历史裂纹区域图像和电力设备当前的图像，得到所述分析结果，包括：利用标注后的历史裂纹区域图像对深度残差网络进行训练，其中，将标注后的历史裂纹区域图像输入所述深度残差网络，得到输出结果，根据所述输出结果计算标注后的历史裂纹区域图像对应的交叉熵损失，并利用所述交叉熵损失对所述深度残差网络进行参数更新，得到第一训练的深度残差网络；基于预训练的栈式自编码器和标注后的历史裂纹区域图像，再次对所述第一训练的深度残差网络进行训练，得到异常类型识别模型，基于所述异常类型识别模型识别所述电力设备当前的裂纹区域图像中存在的裂纹的类型，并将其记为所述分析结果。6.一种基于大数据的电力设备运行状态监控系统，其特征在于，包括：获取模块，用于获取第一数据和第二数据，所述第一数据包括电力设备的检修次数和在第一历史时间段内的历史温度数据集，所述第二数据包括所述电力设备当前的温度数据；第一判断模块，用于基于预训练的变分自编码器判断所述历史温度数据集是否存在异常，得到第一判断结果，根据所述第一判断结果，对所述历史温度数据集进行异常值修正操作，得到修正后的历史温度数据集；第二判断模块，用于利用修正后的历史温度数据集判断所述电力设备当前的温度数据是否异常，得到第二判断结果，若第二判断结果异常，则获取电力设备当前的图像，对所述电力设备当前的图像进行分析，得到分析结果；维护模块，用于结合所述分析结果、电力设备当前的温度数据和检修次数来确定所述电力设备最终的运行状态得分，根据所述得分对所述电力设备进行维护。7.根据权利要求6所述的基于大数据的电力设备运行状态监控系统，其特征在于，获取模块，包括：发送单元，用于发送控制命令，所述控制命令包括在所述电力设备上安装温度传感器的命令，每个温度传感器分散安装在所述电力设备上，且与所述电力设备重心之间的距离相同；第一获取单元，用于获取每个所述温度传感器所采集的温度数据；第二获取单元，用于获取当前风级，当所述风级小于等于预设阈值，则获取所有的所述
温度传感器采集的温度，得到所述电力设备当前的第一温度数据集合，将当前的第一温度数据集合进行均值计算，得到所述电力设备当前的温度数据；当所述风级大于所述第一预设阈值，则获取当前风向，并根据所述当前风向确定需要剔除的温度传感器，所述需要剔除的温度传感器的位置处于当前风向方向上，将剩余的温度传感器采集的温度进行集合，得到所述电力设备当前的第二温度数据集合，将当前的第二温度数据集合进行均值计算，得到所述电力设备当前的温度数据。8.根据权利要求6所述的基于大数据的电力设备运行状态监控系统，其特征在于，第一判断模块，包括：第一计算单元，用于对所述历史温度数据集进行解码和编码处理，得到所述历史温度数据集对应的预测值，所述历史温度数据集中的每个历史温度数据对应一个预测值，其中，利用预训练的变分自编码器进行解码和编码处理；第二计算单元，用于计算每个所述历史温度数据与其对应的预测值之间的差值，并将所有的差值计算结果进行求和，得到第一计算结果；将所有的所述预测值进行求和，得到第二计算结果，将所述第一计算结果除以所述第二计算结果的平方根，得到第三计算结果；第一分析单元，用于将所述第三计算结果与第二预设阈值进行对比分析，若所述第三计算结果小于所述第二预设阈值，则判断所述历史温度数据集存在异常，反之则不存在异常。9.根据权利要求6所述的基于大数据的电力设备运行状态监控系统，其特征在于，第二判断模块，包括：第三计算单元，用于利用arma模型对所述修正后的历史温度数据集进行拟合处理，得到每个历史时刻对应的拟合数据，将每个历史时刻对应的拟合数据与其对应的真实值进行差值计算，得到每个历史时刻对应的第四计算结果，将所有的所述第四计算结果进行均值和方差计算，并将所述均值和方差进行求和计算，得到第五计算结果；第四计算单元，用于将每个历史时刻对应的拟合数据与所述第五计算结果之和记为第一数值，将每个历史时刻对应的拟合数据与所述第五计算结果之差记为第二数值；第五计算单元，用于将电力设备当前的温度数据与第一数值、第二数值进行对比分析，其中，若电力设备当前的温度数据小于第二数值，或，大于第一数值，则确定电力设备当前的温度数据异常，并获取电力设备当前的图像，并对电力设备当前的图像进行分析，判断其是否存在裂纹，若不存在，则所述分析结果为未出现裂纹；若存在则分割出所述电力设备当前的裂纹区域图像，并获取电力设备历史裂纹区域图像，对每张所述历史裂纹区域图像进行异常类型标注，得到标注后的历史裂纹区域图像；第二分析单元，用于根据所述标注后的历史裂纹区域图像和电力设备当前的图像，得到所述分析结果。10.根据权利要求9所述的基于大数据的电力设备运行状态监控系统，其特征在于，第二分析单元，包括：第一训练单元，用于利用标注后的历史裂纹区域图像对深度残差网络进行训练，其中，将标注后的历史裂纹区域图像输入所述深度残差网络，得到输出结果，根据所述输出结果计算标注后的历史裂纹区域图像对应的交叉熵损失，并利用所述交叉熵损失对所述深度残差网络进行参数更新，得到第一训练的深度残差网络；
第二训练单元，用于基于预训练的栈式自编码器和标注后的历史裂纹区域图像，再次对所述第一训练的深度残差网络进行训练，得到异常类型识别模型，基于所述异常类型识别模型识别所述电力设备当前的裂纹区域图像中存在的裂纹的类型，并将其记为所述分析结果。

技术总结
本发明提供了一种基于大数据的电力设备运行状态监控方法和系统，所述方法包括：获取第一数据和第二数据；基于预训练的变分自编码器判断所述历史温度数据集是否存在异常，根据判断结果，对所述历史温度数据集进行异常值修正操作；利用修正后的历史温度数据集判断所述电力设备当前的温度数据是否异常，若异常，则获取电力设备当前的图像，对所述电力设备当前的图像进行分析，结合所述分析结果、电力设备当前的温度数据和检修次数来确定所述电力设备最终的运行状态得分，根据所述得分对所述电力设备进行维护。相较于只利用温度进行评分，本发明中的评分方法更能体现电力设备当前的运行状态，进而也有利于工作人员做出更准确的维护策略。维护策略。维护策略。


技术研发人员：刘珂琪 彭春兰
受保护的技术使用者：成都电通能源有限公司
技术研发日：2023.03.14
技术公布日：2023/7/12