CN110726494B - 高压开关柜温度监测系统及监测方法 - Google Patents

Abstract

本发明公开了高压开关柜温度监测系统及监测方法，所述系统包括温度传感器、运行条件采集装置和温度分析系统，所述温度分析系统包括：温度测试模块、温度预测模块、运行条件测试模块、数据处理模块、温差分析模块、报警模块、大数据云端。所述方法采用该监测系统进行监测。本发明通过建立温度预测模型分析温度变化趋势，对比温度预测曲线和温度实测曲线的斜率和数值以获取异常温度点，使得预测的温度参照点贴合实际运行环境，大幅降低了环境变化所带来的误差，同时采用多状态分析有效地提高了监测系统的准确性和可靠性，防止温度缺陷漏报、误报的情况发生，且能够根据异常温度值进一步分析多种温差阈值，实现准确的温度告警。

Description

高压开关柜温度监测系统及监测方法

技术领域

本发明涉及电力系统状态监测技术领域，具体涉及一种高压开关柜温度监测系统及监测方法。

背景技术

高压开关柜既是接通和断开正常负载的工作设备，也是电力设备中最重要的保护设备，其不仅要投、切正常的工作电流，而且负担着投、切故障电流的任务。作为电力系统中的核心设备，高压开关柜的安全稳定运行十分重要。

长期运行之后，高压开关柜的表面和内部，尤其是触点位置，可能因为接触不良、机械磨损、污染、局部放电等原因造成电阻值增大，从而导致热量急剧增加，最终引发安全事故。

如果能准确的监测开关柜的温度变化，及时发现故障，在故障蔓延之前进行检修，就能最大幅度的降低开关柜的运行风险，保证设备及人身安全。

现有温度监测告警系统和方法普遍采用温度阈值法，即通过对比当前温度与系统设置阈值，若超过阈值则报警。这种方法存在以下缺陷：阈值设置过低，系统容易误报，报警后可能很多天都未出现故障，降低告警可信度及参考意义；阈值设置过高，接近故障时才进行告警，没有预留足够的维修时间造成电气故障。

由此可见，由于阈值的设置没有参考负荷电流、工作环境等具体的运行条件，导致判断和告警不准确，造成温度在线监测系统失去实际意义，用户投资失效。

发明内容

本发明的目的在于提供高压开关柜温度监测系统及监测方法，以解决现有的温度监测告警系统和告警方法由于阈值判断方式单一、未考虑阈值在不同温差状态下的变化、缺少阈值修正等因素而产生的温度缺陷漏报、误报的问题，实现提高监测系统、监测方法准确性和可靠性的目的。

本发明通过以下技术方案实现：

一种高压开关柜温度监测系统，包括安装于开关柜上的温度传感器和运行条件采集装置，所述温度传感器、运行条件采集装置与温度分析系统电连接，所述温度分析系统包括：

温度测试模块，用于接收来自温度传感器的温度数据，基于所述温度数据形成温度实测曲线，并将温度实测曲线发送至数据处理模块和温差分析模块；

温度预测模块，用于接收来自温度传感器的温度数据和运行条件采集装置的运行条件数据，基于所述温度数据和运行条件数据形成温度预测曲线，并将温度预测曲线发送至数据处理模块；

运行条件测试模块，用于接收来自运行条件采集装置的运行条件数据，并将运行条件数据发送至数据处理模块和温差分析模块；

数据处理模块，用于接收温度实测曲线和温度预测曲线，对比温度实测曲线和温度预测曲线的斜率和/或数值，若斜率和/或数值超过对应的阈值，向温差分析模块发送温差分析信号；

温差分析模块，用于接收温度实测曲线、运行条件数据，在接收到温差分析信号后基于温度实测曲线、运行条件数据进行多状态温差分析，并将判断结果反馈给数据处理模块。

本发明提供的高压开关柜温度监测系统中，与现有技术相同的是，系统的数据采集装置包括温度传感器和运行条件采集装置。其中，温度传感器用于采集高压开关柜内关键接触点温度，包括动触头、静触头、母排、主变接头等高压开关柜内最易出故障的薄弱连接头，或者高压开关柜的表面如顶部、前面板或背板的温度。运行条件采集装置包括但不限于负载电流传感器、湿度传感器、空气流动传感器，其中，负载电流传感器用于采集开关柜进线和/或出线的负荷电流，湿度传感器用于采集环境湿度数据，空气流动传感器用于采集环境空气流动数据。

温度传感器和运行条件采集装置与系统的温度分析系统电连接，以将采集数据发送至温度分析系统进行分析、监控。

与现有技术不同的是，所述温度分析系统包括温度测试模块、温度预测模块、运行条件测试模块、数据处理模块、温差分析模块。其中，温度测试模块收集温度传感器测试的温度数据，形成温度实测曲线传输给数据处理模块和温差分析模块；温度预测模块基于温度数据和运行条件数据，采用现有的灰色预测法预测温度模型，形成温度预测曲线，并将温度预测曲线传输给数据处理模块；运行条件测试模块接收开关柜进出线的负荷电流、湿度和空气流动等运行环境参数，并将运行数据传输给数据处理模块和温差分析模块；所述数据处理模块接收温度预测模块的温度预测曲线以及温度测试模块的温度实测曲线，对比预测曲线与实测曲线的斜率及数值，斜率超过斜率阈值和/或温度数值超过温度阈值则向温差分析模块发送温差分析信号；所述温差分析模块接收数据处理模块的温差分析信号，基于温差测试模块、运行条件测试模块数据作为温差分析的初始数据，进行多状态温差分析，所述多状态温差分析包括但不限于相间温差分析、历史温差分析、环境温差分析、间隔温差分析。如果至少一个温差状态下的温差超过对应的阈值，则反馈报警信号给数据处理模块、报警模块。

上述多状态温差分析中，相间温差分析为对比高压开关柜内A、B、C三相温差，根据三相温差的显著相关性，针对系统预设相间差值阈值，对比实测差值是否在阈值之内，若不在则报警。历史温差分析为对比测试温度与历史同时期、同位置的温度信息，若超过系统预设差值阈值则报警。环境温差分析对比测试数据与环境温度的差值，若大于预设阈值，则报警。间隔温差分析对比测试数据与相近运行条件，包括负荷电流、环境温湿度及空气对流等的同间隔的温度差值，若大于预设阈值则报警。

通过上述设置，高压开关柜温度监测系统摒弃现有技术中预存固定温度值、固定阈值的判断方式，首先通过建立温度预测模型分析温度变化趋势，对比温度预测曲线和温度实测曲线的斜率和数值以获取异常温度点，使得预测的温度参照点贴合实际运行环境，大幅降低了环境变化所带来的误差；其次，当斜率和数值异常后，并不是直接报警，而是由数据处理模块控制温差分析模块对斜率和数值异常进行多维度、多状态的分析，一方面避免了采用单一温差阈值进行判断，有效地提高了监测系统的准确性和可靠性，防止温度缺陷漏报、误报的情况发生；另一方面能够根据异常温度值进一步分析多种温差阈值，实现准确的温度告警，便于工作人员快速确定故障类型，提高维修效率。

进一步地，所述温度分析系统还包括报警模块，当至少一个温差状态下的温差超过阈值时，所述温差分析模块向报警模块发送报警信号，报警模块接收报警信号后进行温度缺陷报警。

进一步地，所述温度缺陷报警包括普通报警信号和重要报警信号，所述普通报警信号标识数据超限的单一温差状态，所述重要报警信号标识数据超限的多个温差状态。所述报警模块实现温度缺陷报警，报警包括普通报警和重要报警，其中普通报警标识何种温差数据超限，重要报警标识哪几种温差数据超限，若多个温差超过预设差阈值，则进行重要温度告警，表明开关柜极有可能已出现缺陷。

作为本发明的一个优选实施方式，所述温度分析系统连接有大数据云端，所述大数据云端用于接收温度分析系统的温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据，并基于温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据优化用于建立温度预测曲线的模型和/或优化多状态温差分析中各温差状态的阈值。

所述大数据云端接收温度分析系统的温度测试数据、温度报警数据、缺陷处理反馈报告等数据，根据运行状况调整优化温度分析系统各种阈值，实现系统不断进化学习。大数据优化功能对系统内温度模型的最佳时间序列、多状态分析的相间温差阈值、历史温差阈值、环境温差阈值、间隔温差阈值进行数据优化。

若预测模型与实际模型不符，包括超过斜率阈值、数值阈值，但多状态温差分析却显示温度分布正常，则标记温度预测模型不准确，并进行温度模型最佳时间序列的优化。优化温度模型的最佳时间序列的方法为通过更换不同的时间序列，若新的时间序列形成的预测曲线与实际曲线更匹配则更新时间序列。

进一步地，若预测的时间序列与实际不符，包括超过斜率阈值、数值阈值，但温差阈值却总是在设置范围之内，但实际已存在温度缺陷，即漏报时，则更新温差阈值，缩小温差阈值，经系统推演缩小后的温差阈值已不会漏报后，大数据云端发送更新的阈值给温度分析系统。若预测时间序列与实际相符，但温差阈值总是超过设置范围，即误报时，则更新温差阈值，增大温差阈值，经系统推演增大后的温差阈值已不会误报后，大数据云端发送更新的阈值给温度分析系统。

大数据优化系统不根据单次或极少数误报、漏报便更新阈值，而是大量数据积累后才更新阈值，防止少数数据异常造成系统误操作，同时所有数据更新均需客户及后台研发共同批准后才下放。

通过设置大数据云端，能够不断优化系统精度，通过更新温度模型最佳时间序列、多状态分析温差阈值，实现模型精度及温差分析精度的优化。

在部分实施例中，系统具有同类型开关柜缺陷诊断功能，采用马氏距离评估相近运行条件下的开关柜发热状态异常，并根据开关柜厂家和型号进行深入分析，发现型号、品牌间的表现差异，以及同品牌和型号的一致性缺陷，给出产品质量缺陷报告。采用马氏距离法，对所在相同配电室、不同配电室、不同变电站或发电厂的、运行在相近条件下的不同高压开关柜的温度信息进行深化分析和异常评估，可以有效排查出存在发热缺陷的开关柜，可用于发现“家族式”产品缺陷。

本发明还提供一种高压开关柜温度监测方法，该方法采用上述任一种监测系统进行监测，所述方法包括以下步骤：

步骤一：温度传感器采集温度数据并将温度数据发送至温度测试模块、温度预测模块；运行条件采集装置采集运行条件数据，并将运行条件数据发送至数据处理模块和温差分析模块；

步骤二：温度测试模块接收来自温度传感器的温度数据，基于所述温度数据形成温度实测曲线，并将温度实测曲线发送至数据处理模块和温差分析模块；

依靠前端温度传感器获取高压开关柜各处的温度数据，并生成温度实测曲线。

步骤三：温度预测模块接收来自温度传感器的温度数据和运行条件采集装置的运行条件数据，基于所述温度数据和运行条件数据形成温度预测曲线，并将温度预测曲线发送至数据处理模块；

基于温度数据和负载电流、环境湿度、环境空气流动等运行环境监测数据，温度预测模块依据内置的温度模型算法建立温度预测模型，温度预测模型时间间隔为1小时。

步骤四：数据处理模块接收并对比温度实测曲线和温度预测曲线的斜率和/或数值，若斜率和/或数值超过对应的阈值，向温差分析模块发送温差分析信号，若斜率和数值未超过对应的阈值，则继续监测、接收、对比温度实测曲线和温度预测曲线的斜率和/或数值；

对比实际温度与温度预测模型的斜率以及数值，若超过预测斜率与数值差阈值，则进行多状态温差分析，若未超过则继续监测温度。

步骤五：温差分析模块接收温差分析信号，基于温度实测曲线、运行条件数据进行多状态温差分析，判断各温差状态下的温差是否超过对应温差状态下的阈值，并将判断结果反馈给数据处理模块。

进行多状态温差分析，分析多种温差数据，覆盖各种温度缺陷。

进一步地，还包括以下步骤：经过多状态温差分析，当至少一个温差状态下的温差超过对应的阈值时，所述温差分析模块向报警模块发送报警信号，报警模块接收报警信号后进行温度缺陷报警。若某一温差超过预设差阈值，则进行普通温度告警，并显示何种温差缺陷。若多个温差超过预设差阈值，则进行重要温度告警，表明开关柜极有可能已出现缺陷。

进一步地，还包括以下步骤：温度分析系统连接有大数据云端，所述大数据云端接收温度分析系统的温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据后，基于温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据优化用于建立温度预测曲线的模型和/或优化多状态温差分析中各温差状态的阈值。

作为本发明的另一个优选实施方案，对传统的灰色预测算法进行改进。具体地，所述步骤三中，建立温度预测曲线时首先依靠前端温度和运行环境传感器获取高压开关柜运行状态监测数据，作为模型建立的基础数据，然后包括以下步骤：

S1：对温度数据和运行条件数据进行平滑处理；

对温度测试数据进行数据平滑处理，提高模型预测精度。优选地，温度预测模型建立时利用五点三次平滑法进行数据平滑处理，分别对端点及中间点进行平滑处理，平滑时间序列趋势。由于高压开关柜温度触点具有局部随机波动性，同时由于时间序列的每一个数值都有可能作为预测的初始值。通过对端点值及区间段进行平滑处理能有限减小数据序列的随机性，提高预测精度。数据平滑处理采用五点三次平滑法，分别对断点及中间点进行平滑处理，平滑时间序列趋势，降低原始预测数据序列的随机波动性，提高温度预测模型精度。

S2：选择时间序列长度；

选择最佳的时间序列长度，通过计算不同时间序列长度的均方误差选取最佳时间序列，系统初始推荐时间序列为1小时，根据实际运行结果，系统大数据云端优化可实现时间序列的优化更新。

S3：生成灰色序列；

S4：建立并求解微分方程，得到预测结果的一次累加和序列；

基于一次累加和结果建立微分方程，求解微分方程得到预测结果的一次累加和序列。利用积分重构背景值，对灰指数序列一次累加后，通过积分法优化背景值，并利用连续函数离散区间连续化，通过积分求解区间曲边面积，减小背景值误差。

S5：累减还原得到温度预测值；

S6：通过残差校验修正预测值。

监测方法不仅引入传统灰色预测算法，同时对该算法进行优化。一方面，数据平滑处理采用五点三次平滑法，分别对断点及中间点进行平滑处理，平滑时间序列趋势，降低原始预测数据序列的随机波动性，提高温度预测模型精度；另一方面，系统利用积分重构背景值，对灰指数序列一次累加后，通过积分法优化背景值，并利用连续函数离散区间连续化，通过积分求解区间曲边面积，减小背景值误差，从而提高模型精度。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明摒弃现有技术中预存固定温度值、固定阈值的判断方式，首先通过建立温度预测模型分析温度变化趋势，对比温度预测曲线和温度实测曲线的斜率和数值以获取异常温度点，使得预测的温度参照点贴合实际运行环境，大幅降低了环境变化所带来的误差；其次，当斜率和数值异常后，并不是直接报警，而是由数据处理模块控制温差分析模块对斜率和数值异常进行多维度、多状态的分析，一方面避免了采用单一温差阈值进行判断，有效地提高了监测系统的准确性和可靠性，防止温度缺陷漏报、误报的情况发生；另一方面能够根据异常温度值进一步分析多种温差阈值，实现准确的温度告警，便于工作人员快速确定故障类型，提高维修效率；

2、本发明通过设置大数据云端，能够不断优化系统精度，通过更新温度模型最佳时间序列、多状态分析温差阈值，实现模型精度及温差分析精度的优化；大数据优化系统不根据单次或极少数误报、漏报便更新阈值，而是大量数据积累后才更新阈值，防止少数数据异常造成系统误操作，同时所有数据更新均需客户及后台研发共同批准后才下放；

3、本发明在传统灰色预测算法的基础上优化以建立温度预测模型，一方面，数据平滑处理采用五点三次平滑法，分别对断点及中间点进行平滑处理，平滑时间序列趋势，降低原始预测数据序列的随机波动性，提高温度预测模型精度；另一方面，系统利用积分重构背景值，对灰指数序列一次累加后，通过积分法优化背景值，并利用连续函数离散区间连续化，通过积分求解区间曲边面积，减小背景值误差，从而提高模型精度；

4、本发明的报警包括普通报警和重要报警，其中普通报警标识何种温差数据超限，重要报警标识哪几种温差数据超限，若多个温差超过预设差阈值，则进行重要温度告警，表明开关柜极有可能已出现缺陷；

5、本发明采用马氏距离评估相近运行条件下的开关柜发热状态异常，并根据开关柜厂家和型号进行深入分析，发现型号、品牌间的表现差异，以及同品牌和型号的一致性缺陷，给出产品质量缺陷报告。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明具体实施例中温度监测系统的示意图；

图2为本发明具体实施例中温度监测方法的流程框图；

图3为本发明具体实施例中建立温度预测曲线的流程框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

在本文中使用的术语“连接”在不进行特别说明的情况下，可以是直接相连，也可以使经由其他部件间接相连。

实施例1：

如图1的高压开关柜温度监测系统，包括安装于开关柜上的温度传感器和运行条件采集装置，所述温度传感器、运行条件采集装置与温度分析系统电连接，所述温度分析系统包括：

温度测试模块，用于接收来自温度传感器的温度数据，基于所述温度数据形成温度实测曲线，并将温度实测曲线发送至数据处理模块和温差分析模块；

温度预测模块，用于接收来自温度传感器的温度数据和运行条件采集装置的运行条件数据，基于所述温度数据和运行条件数据形成温度预测曲线，并将温度预测曲线发送至数据处理模块；

运行条件测试模块，用于接收来自运行条件采集装置的运行条件数据，并将运行条件数据发送至数据处理模块和温差分析模块；

数据处理模块，用于接收温度实测曲线和温度预测曲线，对比温度实测曲线和温度预测曲线的斜率和/或数值，若斜率和/或数值超过对应的阈值，向温差分析模块发送温差分析信号；

温差分析模块，用于接收温度实测曲线、运行条件数据，在接收到温差分析信号后基于温度实测曲线、运行条件数据进行多状态温差分析，并将判断结果反馈给数据处理模块。

在部分实施例中，温度分析系统还包括报警模块，当至少一个温差状态下的温差超过阈值时，所述温差分析模块向报警模块发送报警信号，报警模块接收报警信号后进行温度缺陷报警。

在部分实施例中，温度缺陷报警包括普通报警信号和重要报警信号，所述普通报警信号标识数据超限的单一温差状态，所述重要报警信号标识数据超限的多个温差状态。

在部分实施例中，运行条件采集装置包括负载电流传感器、湿度传感器、空气流动传感器，其中，所述负载电流传感器用于采集开关柜进线和/或出线的负荷电流，湿度传感器用于采集环境湿度数据，空气流动传感器用于采集环境空气流动数据，所述运行条件数据包括负荷电流、环境湿度数据和环境空气流动数据。

在部分实施例中，多状态温差分析包括相间温差分析、历史温差分析、环境温差分析、间隔温差分析。

相间温差分析对比高压开关柜内A、B、C三相温差，根据三相温差的显著相关性，针对系统预设相间差值阈值，对比实测差值是否在阈值之内，若不在则报警。在部分实施例中，触点A温度为Ta，触点B温度为Tb，触点C温度为Tc，AB相间差值阈值为[T1,T2]，AC相间差值阈值为[T3,T4]，若[Ta-Tb＞T2或Ta-Tb＜T1]且[Ta-Tc＞T4或Ta-Tc＜T3]则报警A触点故障。相间阈值在不同运行条件的区间范围内自动匹配，同时受到系统大数据优化系统优化。

历史温差分析对比测试温度与历史同时期、同位置的温度信息，若超过系统预设差值阈值则报警。在部分实施例中，历史温差分析设计的温度不止点温度，还包括区间均温、区间温差、区间最高温、区间最低温、均温次数，区间取值与温度预测模型的时间序列相同，初始值为1小时，随温度预测模型时间序列优化而变化。在部分实施例中，现测试A点温度为T，历史同时期、同位置温度为T1，系统历史温差阈值为T0，若|T-T1|＞T0，则报警A点故障。历史温差阈值在不同运行条件的区间范围内自动匹配，同时受大数据优化系统优化。

环境温差对比测试数据与环境温度的差值，若大于预设阈值则报警。在部分实施例中，测试温度为T，环境温度为T0，预设环境温差阈值为T1，若|T-T0|＞T1，则报警故障。环境温差阈值T1根据季节、运行环境、开关柜型号等有所区别，在不同运行条件的区间范围内自动匹配，同时受大数据优化系统优化。

间隔温差对比测试数据与相近运行条件，包括负荷电流、环境温湿度及空气对流等的同间隔的温度差值，若大于预设阈值则报警。在部分实施例中，间隔温差通过前端传感器ID编号识别是否为相同运行状况的间隔，若为相同运行状态间隔则配置前端传感器相同系列ID号，所有相同系列ID号采集的温度数据视为同间隔。如：测试温度为T，相同ID系列传感器采集的同时间数据为T0，预设间隔温差阈值为T1，若|T-T0|＞T1，则报警故障。间隔温差阈值数据受大数据优化系统优化。间隔可以是同一配电室，也可以是不同配电室，甚至还可以是不同变电站或发电厂。

多状态温差分析有效解决单一阈值判断温度的缺陷，实现多角度、多环境、多状态的温差分析。同时多状态温差分析引入开关柜运行条件数据，包括负荷电流、环境温湿度、空气对流等，不同运行条件的区间范围内温差阈值会进行自动匹配，实现多维度温度分析。在部分实施例中，系统将运行条件分别分为多个等级，包括负荷电流、环境温湿度、空气对流，三种运行条件因子不同组合下对应不同的温差阈值，系统根据当前运行状态选取不同的阈值测算温差，而不是统一为一个阈值，增加温度缺陷判断的准确性、针对性、可靠性。

实施例2：

在实施例1的基础上，温度分析系统连接有大数据云端，所述大数据云端用于接收温度分析系统的温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据，并基于温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据优化用于建立温度预测曲线的模型和/或优化多状态温差分析中各温差状态的阈值。

若预测模型与实际模型不符，包括超过斜率阈值、数值阈值，但多状态温差分析却显示温度分布正常，则标记温度预测模型不准确，并进行温度模型最佳时间序列的优化。优化温度模型的最佳时间序列的方法为通过更换不同的时间序列，若新的时间序列形成的预测曲线与实际曲线更匹配则更新时间序列。

若预测的时间序列与实际不符，包括超过斜率阈值、数值阈值，但温差阈值却总是在设置范围之内，但实际已存在温度缺陷，即漏报时，则更新温差阈值，缩小温差阈值，经系统推演缩小后的温差阈值已不会漏报后，大数据云端发送更新的阈值给温度分析系统。若预测时间序列与实际相符，但温差阈值总是超过设置范围，即误报时，则更新温差阈值，增大温差阈值，经系统推演增大后的温差阈值已不会误报后，大数据云端发送更新的阈值给温度分析系统。

大数据云端接收温度分析系统的温度测试数据、温度报警数据、缺陷处理反馈报告等数据，根据运行状况调整优化温度分析系统各种阈值，实现系统不断进化学习。大数据优化功能对系统内温度模型的最佳时间序列、多状态分析的相间温差阈值、历史温差阈值、环境温差阈值、间隔温差阈值进行数据优化。

大数据优化系统不根据单次或极少数误报、漏报便更新阈值，而是大量数据积累后才更新阈值，防止少数数据异常造成系统误操作，同时所有数据更新均需客户及后台研发共同批准后才下放。

通过设置大数据云端，能够不断优化系统精度，通过更新温度模型最佳时间序列、多状态分析温差阈值，实现模型精度及温差分析精度的优化。

实施例3：

在上述实施例的基础上，系统具有同类型开关柜缺陷诊断功能，采用马氏距离评估相近运行条件下的开关柜发热状态异常，并根据开关柜厂家和型号进行深入分析，发现型号、品牌间的表现差异，以及同品牌和型号的一致性缺陷，给出产品质量缺陷报告。采用马氏距离法，对所在相同配电室、不同配电室、不同变电站或发电厂的、运行在相近条件下的不同高压开关柜的温度信息进行深化分析和异常评估，可以有效排查出存在发热缺陷的开关柜，可用于发现“家族式”产品缺陷。

实施例4：

如图2所示，高压开关柜温度监测方法，采用上述任一种监测系统进行监测，所述方法包括以下步骤：

步骤一：温度传感器采集温度数据并将温度数据发送至温度测试模块、温度预测模块；运行条件采集装置采集运行条件数据，并将运行条件数据发送至数据处理模块和温差分析模块；

步骤二：温度测试模块接收来自温度传感器的温度数据，基于所述温度数据形成温度实测曲线，并将温度实测曲线发送至数据处理模块和温差分析模块；

步骤三：温度预测模块接收来自温度传感器的温度数据和运行条件采集装置的运行条件数据，基于所述温度数据和运行条件数据形成温度预测曲线，并将温度预测曲线发送至数据处理模块；

步骤四：数据处理模块接收并对比温度实测曲线和温度预测曲线的斜率和/或数值，若斜率和/或数值超过对应的阈值，向温差分析模块发送温差分析信号，若斜率和数值未超过对应的阈值，则继续监测、接收、对比温度实测曲线和温度预测曲线的斜率和/或数值；

步骤五：温差分析模块接收温差分析信号，基于温度实测曲线、运行条件数据进行多状态温差分析，判断各温差状态下的温差是否超过对应温差状态下的阈值，并将判断结果反馈给数据处理模块。

在部分实施例中，还包括以下步骤：经过多状态温差分析，当至少一个温差状态下的温差超过对应的阈值时，所述温差分析模块向报警模块发送报警信号，报警模块接收报警信号后进行温度缺陷报警。

在部分实施例中，还包括以下步骤：温度分析系统连接有大数据云端，所述大数据云端接收温度分析系统的温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据后，基于温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据优化用于建立温度预测曲线的模型和/或优化多状态温差分析中各温差状态的阈值。

实施例3：

如图3所示，在实施例2的基础上，所述步骤三中，建立温度预测曲线时首先依靠前端温度和运行环境传感器获取高压开关柜运行状态监测数据，作为模型建立的基础数据，然后包括以下步骤：

S1：对温度数据和运行条件数据进行平滑处理；

对温度测试数据进行数据平滑处理，提高模型预测精度。优选地，温度预测模型建立时利用五点三次平滑法进行数据平滑处理，分别对端点及中间点进行平滑处理，平滑时间序列趋势。由于高压开关柜温度触点具有局部随机波动性，同时由于时间序列的每一个数值都有可能作为预测的初始值。通过对端点值及区间段进行平滑处理能有限减小数据序列的随机性，提高预测精度。数据平滑处理采用五点三次平滑法，分别对断点及中间点进行平滑处理，平滑时间序列趋势，降低原始预测数据序列的随机波动性，提高温度预测模型精度。

S2：选择时间序列长度；

选择最佳的时间序列长度，通过计算不同时间序列长度的均方误差选取最佳时间序列，系统初始推荐时间序列为1小时，根据实际运行结果，系统大数据云端优化可实现时间序列的优化更新。

S3：生成灰色序列；

S4：建立并求解微分方程，得到预测结果的一次累加和序列；

基于一次累加和结果建立微分方程，求解微分方程得到预测结果的一次累加和序列。利用积分重构背景值，对灰指数序列一次累加后，通过积分法优化背景值，并利用连续函数离散区间连续化，通过积分求解区间曲边面积，减小背景值误差。

S5：累减还原得到温度预测值；

S6：通过残差校验修正预测值。

监测方法不仅引入传统灰色预测算法，同时对该算法进行优化。一方面，数据平滑处理采用五点三次平滑法，分别对断点及中间点进行平滑处理，平滑时间序列趋势，降低原始预测数据序列的随机波动性，提高温度预测模型精度；另一方面，系统利用积分重构背景值，对灰指数序列一次累加后，通过积分法优化背景值，并利用连续函数离散区间连续化，通过积分求解区间曲边面积，减小背景值误差，从而提高模型精度。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.高压开关柜温度监测系统，包括安装于开关柜上的温度传感器和运行条件采集装置，所述温度传感器、运行条件采集装置与温度分析系统电连接，其特征在于，所述温度分析系统包括：

温度测试模块，用于接收来自温度传感器的温度数据，基于所述温度数据形成温度实测曲线，并将温度实测曲线发送至数据处理模块和温差分析模块；

温度预测模块，用于接收来自温度传感器的温度数据和运行条件采集装置的运行条件数据，基于所述温度数据和运行条件数据形成温度预测曲线，并将温度预测曲线发送至数据处理模块；

运行条件测试模块，用于接收来自运行条件采集装置的运行条件数据，并将运行条件数据发送至数据处理模块和温差分析模块；

数据处理模块，用于接收温度实测曲线和温度预测曲线，对比温度实测曲线和温度预测曲线的斜率和/或数值，若斜率和/或数值超过对应的阈值，向温差分析模块发送温差分析信号；

温差分析模块，用于接收温度实测曲线、运行条件数据，在接收到温差分析信号后基于温度实测曲线、运行条件数据进行多状态温差分析，并将判断结果反馈给数据处理模块；所述多状态温差分析包括相间温差分析、历史温差分析、环境温差分析、间隔温差分析；

报警模块，当至少一个温差状态下的温差超过阈值时，所述温差分析模块向报警模块发送报警信号，报警模块接收报警信号后进行温度缺陷报警；

所述温度分析系统连接有大数据云端，所述大数据云端用于接收温度分析系统的温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据，并基于温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据优化用于建立温度预测曲线的模型和/或优化多状态温差分析中各温差状态的阈值。

2.根据权利要求1所述的高压开关柜温度监测系统，其特征在于，所述温度缺陷报警包括普通报警信号和重要报警信号，所述普通报警信号标识数据超限的单一温差状态，所述重要报警信号标识数据超限的多个温差状态。

3.根据权利要求1～2中任一项所述的高压开关柜温度监测系统，其特征在于，所述运行条件采集装置包括负载电流传感器、湿度传感器、空气流动传感器，其中，所述负载电流传感器用于采集开关柜进线和/或出线的负荷电流，湿度传感器用于采集环境湿度数据，空气流动传感器用于采集环境空气流动数据，所述运行条件数据包括负荷电流、环境湿度数据和环境空气流动数据。

4.高压开关柜温度监测方法，其特征在于，采用权利要求1～2中任一项所述的监测系统进行监测，所述方法包括以下步骤：

步骤一：温度传感器采集温度数据并将温度数据发送至温度测试模块、温度预测模块；运行条件采集装置采集运行条件数据，并将运行条件数据发送至数据处理模块和温差分析模块；

步骤二：温度测试模块接收来自温度传感器的温度数据，基于所述温度数据形成温度实测曲线，并将温度实测曲线发送至数据处理模块和温差分析模块；

步骤三：温度预测模块接收来自温度传感器的温度数据和运行条件采集装置的运行条件数据，基于所述温度数据和运行条件数据形成温度预测曲线，并将温度预测曲线发送至数据处理模块；

步骤四：数据处理模块接收并对比温度实测曲线和温度预测曲线的斜率和/或数值，若斜率和/或数值超过对应的阈值，向温差分析模块发送温差分析信号，若斜率和数值未超过对应的阈值，则继续监测、接收、对比温度实测曲线和温度预测曲线的斜率和/或数值；

步骤五：温差分析模块接收温差分析信号，基于温度实测曲线、运行条件数据进行多状态温差分析，判断各温差状态下的温差是否超过对应温差状态下的阈值，并将判断结果反馈给数据处理模块。

5.根据权利要求4所述的高压开关柜温度监测方法，其特征在于，还包括以下步骤：经过多状态温差分析，当至少一个温差状态下的温差超过对应的阈值时，所述温差分析模块向报警模块发送报警信号，报警模块接收报警信号后进行温度缺陷报警。

6.根据权利要求4所述的高压开关柜温度监测方法，其特征在于，还包括以下步骤：温度分析系统连接有大数据云端，所述大数据云端接收温度分析系统的温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据后，基于温度实测曲线、温度预测曲线、温度缺陷报警、运行条件数据优化用于建立温度预测曲线的模型和/或优化多状态温差分析中各温差状态的阈值。

7.根据权利要求4～6中任一项所述的高压开关柜温度监测方法，其特征在于，所述步骤三中，温度预测曲线的建立包括以下步骤：

S1：对温度数据和运行条件数据进行平滑处理；

S2：选择时间序列长度；

S3：生成灰色序列；

S4：建立并求解微分方程，得到预测结果的一次累加和序列；

S5：累减还原得到温度预测值；

S6：通过残差校验修正预测值。

Images