CN111637926A - 一种开关柜监测系统和方法 - Google Patents

Abstract

本发明实施例公开了一种开关柜监测系统和方法，通过设置数据采集模块包括多个传感器，可以实现对开关柜运行环境和运行情况的多源数据的采集，实现对开关柜的多源数据的监测，进而为实现根据开关柜的多源数据进行挖掘和分析提供数据支撑；并且该开关柜监测系统通过数据采集设备采集到运行状态数据后，无线传输设备进行处理后发送至物联网大数据云平台进行存储、下载和显示，可以实现对开关柜运行状态的实时监测，进而可以及时发现开关柜运行的异常情况，可以及时向维修人员反馈开关柜运行情况，方便检修人员可以及时对开关柜进行检修，提高检修效率。

Description

一种开关柜监测系统和方法

技术领域

本发明实施例涉及电路设备的监测与运维技术领域，尤其涉及一种开关柜监测系统和方法。

背景技术

随着我国电网技术的不断发展，大量开关柜设备入到电网运行中，开关柜的运行和维护是电网运行的重要一环。开关柜的整体数量比较大，故障类型比较多，而目前我国开关柜的运维措施还停留在人工的带电监测和停电检修当中。人工维护一方面缺少了对开关柜状态的实时监测，不能及时地给运维人员信息反馈；另一方面，监测的数据过于单一化，不利于实现有效的挖掘和分析，无法通过多源的数据反映开关柜的运行情况。因此，提出一套实时监测的在线监测系统是十分有必要的。

发明内容

本发明提供一种开关柜监测系统和方法，以实现获取开关柜的多源监测数据，对开关柜运行状态的实时监测。

第一方面，本发明实施例提供了一种开关柜监测系统，包括：

数据采集模块，数据采集模块至少包括环境温度传感器、环境湿度传感器、柜体振动传感器、触头温度传感器和UHF传感器，数据采集模块用于对开关柜的运行状态数据进行采集发送至无线传输模块，运行状态数据至少包括环境温度数据、环境湿度数据、柜体振动数据、触控温度数据和局部放电数据；

无线传输模块，无线传输模块与数据采集模块通讯连接，无线传输模块用于根据接收到的运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台；

物联网大数据云平台，物联网大数据云平台与无线传输模块通讯连接，物联网大数据云平台用于对接收到的解析数据进行存储、下载和显示。

可选的，无线传输模块包括中央控制器和无线发射装置，中央控制器和无线发射装置电连接；

中央处理器与数据采集模块通讯连接，用于根据接收到的运行状态数据进行解析、处理以及数据格式的转换，得到解析数据并传输至无线发射装置；

无线发射装置用于将解析数据发送至物联网大数据云平台。

可选的，中央控制器为STM32控制器，无线传发射装置包括GPRS无线发射装置。

可选的，物联网大数据云平台包括至少一个服务器；

服务器用于与终端进行通信，并在接收到终端的实时数据请求时，向终端发送实时解析数据；

在接收到终端的历史数据请求时，向终端发送历史解析数据；

在接收到终端的区域数据请求时，向终端发送对应区域内开关柜的解析数据。

可选的，物联网大数据云平台还包括显示器，显示器与至少一个服务器电连接，用于对物联网大数据云平台实时接收到的运行状态数据对应的解析数据进行实时显示。

可选的，运行状态数据还包括数据采集模块中各传感器的电量数据以及各个开关柜所在位置数据。

第二方面，本发明实施例还提供了一种开关柜监测方法，包括：

数据采集模块对开关柜的运行状态数据进行采集发送至无线传输模块，运行状态数据至少包括环境温度数据、环境湿度数据、柜体振动数据、触控温度数据和局部放电数据；

无线传输模块根据接收到的运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台；

物联网大数据云平台对接收到的解析数据进行存储、下载和显示。

可选的，在无线传输模块根据接收到的运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台之后，还包括：

对k台开关柜对应的解析数据建立多维特征数据集R，

其中，T表示环境温度数据、H表示环境湿度数据、Z表示柜体振动数据、 S表示触头温度数据，U表示局部放电数据，R_i表示第i台开关柜对应的解析数据，其中1≤i≤k，k为大于1的任意正整数；

计算多维特征数据集R中任意两组开关柜的对应的行向量R_m和R_n的欧式距离d(m,n)²，其中欧式距离的计算公式为：

根据欧式距离进行健康状态分类，健康状态包括健康、注意和异常，其中1≤m≤k，1≤n≤k，m≠n。

可选的，在无线传输模块根据接收到的运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台之后，还包括：

通过自回归滑动平均模型对日最大环境温度、日最大环境湿度、日最大柜体振动建模，并根据预设历史时段的历史解析数据对待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动进行预测得到待预测日的日最大环境温度预测值、待预测日的日最大环境湿度预测值、待预测日的日最大柜体振动预测值；

建立第一多变量回归模型S′＝w₁T_max+w₂H_max+w₃Z_max+w₄S_max+w₅，根据预设时段内的历史解析数据求出第一多变量回归模型中系数w₁、w₂、w₃、w₄和w₅的值，其中T_max表示待预测日的日最大环境温度预测值、H_max表示待预测日的日最大环境湿度预测值、Z_max表示待预测日的日最大柜体振动预测值、S_max表示待预测日前一日的最大触头温度、S′表示待预测日的最大触头温度；

根据第一多变量回归模型计算出预设历史时段的触头温度预测值，将预设历史时段内各日的触头温度预测值与对应日的触头温度实际值做差得到差异值，获得差异值的概率分布，以概率平均值作为修正量，对历史触头温度数据作修正处理后，重新计算第一多元回归分析模型的系数；

根据修正系数后的第一多变量回归模型以及根据自回归滑动平均模型预测得到的待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动、以及待预测日前一日的最大触头温度计算待预测时段内各日的最大触头温度预测值。

可选的，在无线传输模块根据接收到的运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台之后，还包括：

通过自回归滑动平均模型对日最大环境温度、日最大环境湿度、日最大柜体振动建模，并根据预设历史时段的历史解析数据对待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动进行预测得到待预测日的日最大环境温度预测值、待预测日的日最大环境湿度预测值、待预测日的日最大柜体振动预测值；

建立第二多变量回归模型U'＝w₁₁T_max+w₁₂H_max+w₁₃Z_max+w₁₄U_max+w₁₅，根据预设时段内的历史解析数据求出第二多变量回归模型中系数w₁₁、w₁₂、w₁₃、w₁₄和w₁₅的值，其中T_max表示待预测日的日最大环境温度预测值、H_max表示待预测日的日最大环境湿度预测值、Z_max表示待预测日的日最大柜体振动预测值、U_max表示待预测日前一日的最大局部放电值、U'表示待预测日的最大局部放电值；

根据第二多变量回归模型计算出预设历史时段的局部放电预测值，将预设历史时段内各日的局部放电预测值与对应日的局部放电实际值做差得到差异值，获得差异值的概率分布，以概率平均值作为修正量，对历史局部放电数据作修正处理后，重新计算第二多变量回归分析模型的系数；

根据修正系数后的第二多变量回归模型以及根据自回归滑动平均模型预测得到的待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动、以及待预测日前一日的最大局部放电值计算待预测时段内各日的最大局部放电预测值。

本发明实施例提供的开关柜监测系统和方法，通过设置数据采集模块包括多个传感器，可以实现对开关柜运行环境和运行情况的多源数据的采集，实现对开关柜的多源数据的监测，进而为实现根据开关柜的多源数据进行挖掘和分析提供数据支撑；并且该开关柜监测系统通过数据采集设备采集到运行状态数据后，无线传输设备进行处理后发送至物联网大数据云平台进行存储、下载和显示，可以实现对开关柜运行状态的实时监测，进而可以及时发现开关柜运行的异常情况，可以及时向维修人员反馈开关柜运行情况，方便检修人员可以及时对开关柜进行检修，提高检修效率。

附图说明

图1为本发明实施例一提供的一种开关柜监测系统的结构示意图；

图2是本发明实施例二提供的一种开关柜监测系统的结构示意图；

图3是本发明实施例三提供的一种开关柜监测方法的流程图；

图4是本发明实施例四提供的一种开关柜监测方法的流程图；

图5是本发明实施例五提供的一种开关柜监测方法的流程图；

图6是本发明实施例六提供的一种开关柜监测方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明实施例一提供的一种开关柜监测系统的结构示意图，参考图 1，该开关柜监测系统包括：

数据采集模块110，数据采集模块110至少包括环境温度传感器111、环境湿度传感器112、柜体振动传感器113、触头温度传感器114和UHF传感器115，数据采集模块110用于对开关柜的运行状态数据进行采集发送至无线传输模块 120，运行状态数据至少包括环境温度数据、环境湿度数据、柜体振动数据、触控温度数据和局部放电数据；

无线传输模块120，无线传输模块120与数据采集模块110通讯连接，无线传输模块120用于根据接收到的运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台130；

物联网大数据云平台130，物联网大数据云平台130与无线传输模块120 通讯连接，物联网大数据云平台130用于对接收到的解析数据进行存储、下载和显示。

具体的，数据采集模块110可以对开关柜运行状态数据进行采集，其中开关柜运行状态数据可以包括开关柜所处环境的数据和自身运行状态数据进行采集，其中温度传感器可以监测开关柜所处环境温度，湿度传感器可以监测开关柜所处环境温度，振动传感器可以监测柜体的位移振动情况，绑带式铂电阻温度传感器可以监测开关柜触头温度的大小，UHF(超高频)传感器可以监测开关柜电缆室的局部放电大小。开关柜的数据采集设备所包括的各传感器的输出信号可选为模拟量的形式。数据采集设备还可以包括其他传感器，本实施例在此不做具体限定。通过设置数据采集设备包括多个传感器，可以实现对开关柜运行环境和运行状态的多源数据的采集，实现对开关柜的多源数据的监测，进而使得技术人员可以根据多源数据进行有效的挖掘分析，得到开关柜的实际运行情况。

无线传输模块120与数据采集模块110通讯连接，具体的，无线传输模块120可以与数据采集模块110通过信号线电连接，也可是无线连接，本实施例在此不做具体限定。无线传输模块120可以对数据采集模块110发送过来的运行状态数据进行解析、处理以及数据格式的转换，得到运行状态数据对应的解析数据。如上所述的，数据采集模块110所包括的各传感器的输出信号通常为模拟量的形式，无线传输模块120可将模拟量的数据转换为数字量，示例性的，可以转换输出格式为485信号，并将该解析数据对应的485信号发送至物联网大数据云平台130。

物联网大数据云平台130包括至少一个服务器，该物联网大数据云平台130 在接收到无线传输模块120传输的解析数据后，可以对解析数据进行存储、下载和显示，并且该物联网大数据云平台130可以与计算机、手机等终端进行通信，进而在接收到终端向物联网大数据云平台130发送的请求后，做出相应的动作，例如接收到终端向物联网大数据云平台130发送的获取开关柜实时运行状态数据后，物联网大数据云平台130可将开关柜实时运行状态数据发送至终端，进而可以实现开关柜实时运行数据在终端上的显示。

本实施例提供的开关柜监测系统，通过设置数据采集模块包括多个传感器，可以实现对开关柜运行环境和运行情况的多源数据的采集，实现对开关柜的多源数据的监测，进而为实现根据开关柜的多源数据进行挖掘和分析提供数据支撑；并且该开关柜监测系统通过数据采集设备采集到运行状态数据后，无线传输设备进行处理后发送至物联网大数据云平台进行存储、下载和显示，可以实现对开关柜运行状态的实时监测，进而可以及时发现开关柜运行的异常情况，可以及时向维修人员反馈开关柜运行情况，方便检修人员可以及时对开关柜进行检修，提高检修效率。

实施例二

图2是本发明实施例二提供的一种开关柜监测系统的结构示意图，本实施例二建立在上述实施例一的基础之上，进一步提供了一种可选的开关柜监测系统。参考图2，可选的，无线传输模块120包括中央控制器121和无线发射装置122，中央控制器121和无线发射装置122电连接；

中央控制器121与数据采集模块110通讯连接，用于根据接收到的运行状态数据进行解析、处理以及数据格式的转换，得到解析数据并传输至无线发射装置122；

无线发射装置122用于将解析数据发送至物联网大数据云平台130。

可选的，中央控制器121为STM32控制器，无线发射装置122包括GPRS无线发射装置。通过中央控制器121对数据采集设备传输过来的运行状态数据进行解析与处理并进行数据格式的转换得到运行状态数据对应的解析数据，解析数据的输出格式为485信号。无线发射装置122用于发出该输出格式为485信号的解析数据无线发送到物联网大数据云平台130，实现开关柜的实时状态监测。同时无线发射装置122可以提供定位设置，定位设置的数据和开关柜的运行状态数据一并发送给物联网大数据云平台130，方便运维人员对需检修的开关柜进行定位。

继续参考图2，可选的，物联网大数据云平台130包括至少一个服务器131，服务器131用于与终端进行通信，并在接收到终端的实时数据请求时，向终端发送实时解析数据；

在接收到终端的历史数据请求时，向终端发送历史解析数据；

在接收到终端的区域数据请求时，向终端发送对应区域内开关柜的解析数据。

具体的，物联网大数据云平台130的服务器131可以与终端进行通信，进而可以使得运维人员可以通过终端获取物联网大数据云平台130所存储的开关柜的实时运行状态数据对应的实时解析数据、以及通过终端获取物联网大数据云平台130上所存储的开关柜历史运行状态数据对应的历史解析数据、以及通过终端获取物联网大数据云平台130所存储的不同区域内开关柜运行状态数据对应的解析数据等，进而运维人员可以实现数据的实时监测、历史解析数据的获取以及对区域内开关柜运行状态的概览。

继续参考图2，可选的，物联网大数据云平台130还包括显示器132，显示器132与至少一个服务器131电连接，用于对物联网大数据云平台130实时接收到的运行状态数据对应的解析数据进行实时显示。

具体的，物联网大数据云平台130的显示器132可以对开关柜运行状态数据对应的解析数据进行实时显示，进而方便运维人员在后台物联网大数据云平台130实时观测开关柜的运行状态，进而使得维修人员可以通过显示器132所显示的开关柜的解析数据判断开关柜运行状态是否出现异常，并在出现异常及时对开关柜进行维修，使得运维人员可以及时对开关柜的异常状态进行处理，保证开关柜运行的可靠性。

可选的，运行状态数据还包括数据采集模块110中各传感器的电量数据以及各个开关柜所在位置数据。

具体的，运行状态数据包括数据采集模块110中各传感器的电量数据，可以使得物联网大数据云平台130可以对数据采集设备中各传感器的电量进行实时监测，使得运维人员通过物联网大数据云平台130获知传感器电量不足时，可以对传感器进行电池的更换，进而有利于避免因传感器电量不足导致的监测终端，提高开关柜监测系统的可靠性。

并且，通过开关柜的各个监测数据进行多层次阈值预测，还可在物联网大数据云平台130设置开关柜所处不同环境下的局放和触头温度的阈值条件，实现开关柜的实时预警，该短期预警用于采取紧急检修措施，实时对开关柜运行状态进行监管。其中，运维人员可设置合理的阈值条件，制定出申请开关柜停运、在规定时间内处理出现的故障、密切加强关注的紧急措施，进而实现短期实时预警。

实施例三

图3是本发明实施例三提供的一种开关柜监测方法的流程图，该监测方法可应用于上述任意实施例提供的开关柜监测系统，参考图3，该开关柜监测方法包括：

步骤210、数据采集模块对开关柜的运行状态数据进行采集发送至无线传输模块，运行状态数据至少包括环境温度数据、环境湿度数据、柜体振动数据、触控温度数据和局部放电数据；

步骤220、无线传输模块根据接收到的运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台；

步骤230、物联网大数据云平台对接收到的解析数据进行存储、下载和显示。

本实施例提供的开关柜监测方法，通过设置包括多个传感器的数据采集模块可以实现对开关柜运行环境和运行情况的多源数据的采集，实现对开关柜的多源数据的监测，进而为实现根据开关柜的多源数据进行挖掘和分析提供数据支撑；并且该开关柜监测系统通过数据采集设备采集到运行状态数据后，无线传输设备进行处理后发送至物联网大数据云平台进行存储、下载和显示，可以实现对开关柜运行状态的实时监测，进而可以及时发现开关柜运行的异常情况，可以及时向维修人员反馈开关柜运行情况，方便检修人员可以及时对开关柜进行检修，提高检修效率。

实施例四

图4是本发明实施例四提供的一种开关柜监测方法的流程图，该开关柜监测方法建立在上述实施例三的基础之上，参考图4，该开关柜监测方法包括：

步骤310、数据采集模块对开关柜的运行状态数据进行采集发送至无线传输模块，运行状态数据至少包括环境温度数据、环境湿度数据、柜体振动数据、触控温度数据和局部放电数据；

步骤320、无线传输模块根据接收到的运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台；

步骤330、物联网大数据云平台对接收到的解析数据进行存储、下载和显示；

步骤340、对k台开关柜对应的解析数据建立多维特征数据集R，

其中，T表示环境温度数据、H表示环境湿度数据、Z表示柜体振动数据、 S表示触头温度数据，U表示局部放电数据，R_i表示第i台开关柜对应的解析数据，其中1≤i≤k，k为大于1的任意正整数；

计算多维特征数据集R中任意两组开关柜的对应的行向量R_m和R_n的欧式距离d(m,n)²，其中欧式距离的计算公式为：

根据欧式距离进行健康状态分类，健康状态包括健康、注意和异常，其中 1≤m≤k，1≤n≤k，m≠n。

其中，T、H、Z、S、U分别表示一列向量，其中

其中列向量T中各个变量分别表示各台开关柜的环境温度数据，其中列向量H中各个变量分别表示各台开关柜的环境湿度数据，

其中列向量Z中各个变量分别表示各台开关柜的柜体振动数据，

其中列向量S中各个变量分别表示各台开关柜的触头温度数据，

其中列向量U中各个变量分别表示各台开关柜的局部放电数据，R_i表示第i台开关柜对应的解析数据为行向量， R_i中各变量分别表示第i台开关柜的环境温度数据、环境湿度数据、柜体振动数据、触头温度数据和局部放电数据。

通过对多维特征数据集中任意两组开关柜的特征量R_m和R_n构建聚类算法状态评价模型，依据欧式距离，将相似的状态划分在一块，实现开关柜的状态分类。欧式距离公式如下：

通过聚类算法的状态划分，依据状态划分结果，插入健康标签，通过合理的健康状态划分给运维人员以开关柜所处的健康状态，科学的制定开关柜的运维策略。其中，健康状态标签如表1所示：

表1健康状态分类标签

其中，上述进行健康状态分类的算法可嵌入到物联网大数据云平台中。

本实施例提供的开关柜监测方法，通过根据欧式距离对开关柜进行状态分类，该分类结果可在物联网大数据云平台进行可视化显示，进而使得运维人员可以根据开关柜的健康状态分类对处于异常状态的开关柜及时进行相应的调整和处理，进而实现中期评价和状态分类，保证开关柜运行的安全性和可靠性。

实施例五

图5是本发明实施例五提供的一种开关柜监测方法的流程图，参考图 5，该开关柜监测方法包括：

步骤410、数据采集模块对开关柜的运行状态数据进行采集发送至无线传输模块，运行状态数据至少包括环境温度数据、环境湿度数据、柜体振动数据、触控温度数据和局部放电数据；

步骤420、无线传输模块根据接收到的运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台；

步骤430、物联网大数据云平台对接收到的解析数据进行存储、下载和显示；

步骤440、通过自回归滑动平均模型(ARMA)对日最大环境温度、日最大环境湿度、日最大柜体振动建模，并根据预设历史时段的历史解析数据对待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动进行预测得到待预测日的日最大环境温度预测值、待预测日的日最大环境湿度预测值、待预测日的日最大柜体振动预测值；

其中，预设历史时段内各开关柜的环境温度数据、环境湿度数据、柜体振动数据、触头温度数据和局部放电数据均存储于物联网大数据云平台。具体的，通过采用自回归滑动平均模型(ARMA)对日最大环境温度、日最大环境湿度、日最大柜体振动建模，可以实现根据预设历史时段的历史解析数据对待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动进行预测得到待预测日的日最大环境温度预测值、待预测日的日最大环境湿度预测值、待预测日的日最大柜体振动预测值，其中预设历史时段可以是一段时间，例如一个月或一年等；待预测日可以是多个，例如待预测日可以是未来的一个月等，本实施例在此不做具体限定。

步骤450、建立第一多变量回归模型S′＝w₁T_max+w₂H_max+w₃Z_max+w₄S_max+w₅，根据预设时段内的历史解析数据求出第一多变量回归模型中系数w₁、w₂、w₃、w₄和 w₅的值，其中T_max表示待预测日的日最大环境温度预测值、H_max表示待预测日的日最大环境湿度预测值、Z_max表示待预测日的日最大柜体振动预测值、S_max表示待预测日前一日的最大触头温度、S′表示待预测日的最大触头温度；

具体的，建立处第一多变量回归模型后，可以根据物联网大数据云平台已经存储的预设历史时段内各开关柜的运行状态数据来确定第一多变量模型中的系数。进行系数确定时，可将预设历史时段某一日视为待预测日，将该日的最大触头温度代入到上述公式中，即S′，相应的将T_max、H_max、Z_max、S_max代入到第一多变量回归模型中，至少将预设历史时段内五天的数据进行代入，即可确定出第一多变量回归模型中系数w₁、w₂、w₃、w₄和w₅的值。

步骤460、根据第一多变量回归模型计算出预设历史时段的触头温度预测值，将预设历史时段内各日的触头温度预测值与对应日的触头温度实际值做差得到差异值，获得差异值的概率分布，以概率平均值作为修正量，对历史触头温度数据作修正处理后，重新计算第一多元回归分析模型的系数；

为了保证第一多变量回归模型中系数的准确性，本步骤中，根据第一多变量回归模型计算出预设历史时段的触头温度预测值，将预设历史时段内各日的触头温度预测值与对应日的触头温度实际值做差得到差异值，获得差异值的概率分布，以概率平均值作为修正量，重新确定第一多变量回归模型中进行系数的修正，进而保证根据修正系数后的第一多变量回归模型计算得到的待预测日的最大触头温度预测值较为准确。

步骤470、根据修正系数后的第一多变量回归模型以及根据自回归滑动平均模型预测得到的待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动、以及待预测日前一日的最大触头温度计算待预测时段内各日的最大触头温度预测值。

其中上述步骤440至步骤470的算法可以嵌入到物联网大数据云平台中，进而将待预测日的最大触头温度预测值进行可视化显示。

本实施例提供的开关柜监测方法，通过采用自回归滑动平均模型和第一多变量回归模型对开关柜的最大触头温度进行预测，进而可以供运维人员根据开关柜的触头温度的温升趋势及时调整开关柜的运行策略，进而实现长期预测，进一步保证开关柜的安全和可靠运行。

实施例六

图6是本发明实施例五提供的一种开关柜监测方法的流程图，参考图 6，该开关柜监测方法包括：

步骤510、数据采集模块对开关柜的运行状态数据进行采集发送至无线传输模块，运行状态数据至少包括环境温度数据、环境湿度数据、柜体振动数据、触控温度数据和局部放电数据；

步骤520、无线传输模块根据接收到的运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台；

步骤530、物联网大数据云平台对接收到的解析数据进行存储、下载和显示；

步骤540、通过自回归滑动平均模型(ARMA)对日最大环境温度、日最大环境湿度、日最大柜体振动建模，并根据预设历史时段的历史解析数据对待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动进行预测得到待预测日的日最大环境温度预测值、待预测日的日最大环境湿度预测值、待预测日的日最大柜体振动预测值；

其中，预设历史时段内各开关柜的环境温度数据、环境湿度数据、柜体振动数据、触头温度数据和局部放电数据均存储于物联网大数据云平台。具体的，通过采用自回归滑动平均模型(ARMA)对日最大环境温度、日最大环境湿度、日最大柜体振动建模，可以实现根据预设历史时段的历史解析数据对待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动进行预测得到待预测日的日最大环境温度预测值、待预测日的日最大环境湿度预测值、待预测日的日最大柜体振动预测值，其中预设历史时段可以是一段时间，例如一个月或一年等；待预测日可以是多个，例如待预测日可以是未来的一个月等，本实施例在此不做具体限定。

步骤550、建立第二多变量回归模型U'＝w₁₁T_max+w₁₂H_max+w₁₃Z_max+w₁₄U_max+w₁₅，根据预设时段内的历史解析数据求出第二多变量回归模型中系数w₁₁、w₁₂、w₁₃、 w₁₄和w₁₅的值，其中T_max表示待预测日的日最大环境温度预测值、H_max表示待预测日的日最大环境湿度预测值、Z_max表示待预测日的日最大柜体振动预测值、 U_max表示待预测日前一日的最大局部放电值、U’表示待预测日的最大局部放电值；

步骤560、根据第二多变量回归模型计算出预设历史时段的局部放电预测值，将预设历史时段内各日的局部放电预测值与对应日的局部放电实际值做差得到差异值，获得差异值的概率分布，以概率平均值作为修正量，对历史局部放电数据作修正处理后，重新计算第二多变量回归分析模型的系数；

步骤570、根据修正系数后的第二多变量回归模型以及根据自回归滑动平均模型预测得到的待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动、以及待预测日前一日的最大局部放电计算待预测时段内各日的最大局部放电预测值。

其中上述步骤560至步骤570的算法可以嵌入到物联网大数据云平台中，进而将待预测日的最大局部放电预测值进行可视化显示。

本实施例提供的开关柜监测方法，通过采用自回归滑动平均模型和第二多变量回归模型对开关柜的最大局部放电进行预测，进而可以供运维人员根据开关柜的局部放电趋势及时调整各台开关柜的运行策略，进而实现长期预测，进一步保证开关柜的安全和可靠运行。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种开关柜监测系统，其特征在于，包括：

数据采集模块，所述数据采集模块至少包括环境温度传感器、环境湿度传感器、柜体振动传感器、触头温度传感器和UHF传感器，所述数据采集模块用于对所述开关柜的运行状态数据进行采集发送至无线传输模块，所述运行状态数据至少包括环境温度数据、环境湿度数据、柜体振动数据、触控温度数据和局部放电数据；

无线传输模块，所述无线传输模块与所述数据采集模块通讯连接，所述无线传输模块用于根据接收到的所述运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台；

物联网大数据云平台，所述物联网大数据云平台与所述无线传输模块通讯连接，所述物联网大数据云平台用于对接收到的所述解析数据进行存储、下载和显示。

2.根据权利要求1所述的开关柜监测系统，其特征在于，所述无线传输模块包括中央控制器和无线发射装置，所述中央控制器和所述无线发射装置电连接；

所述中央控制器与所述数据采集模块通讯连接，用于根据接收到的所述运行状态数据进行解析、处理以及数据格式的转换，得到所述解析数据并传输至所述无线发射装置；

所述无线发射装置用于将所述解析数据发送至所述物联网大数据云平台。

3.根据权利要求2所述的开关柜监测系统，其特征在于，所述中央控制器为STM32控制器，所述无线传发射装置包括GPRS无线发射装置。

4.根据权利要求1所述的开关柜监测系统，其特征在于，所述物联网大数据云平台包括至少一个服务器；

所述服务器用于与终端进行通信，并在接收到所述终端的实时数据请求时，向所述终端发送实时解析数据；

在接收到所述终端的历史数据请求时，向所述终端发送历史解析数据；

在接收到所述终端的区域数据请求时，向所述终端发送对应区域内开关柜的解析数据。

5.根据权利要求4所述的开关柜监测系统，其特征在于，所述物联网大数据云平台还包括显示器，所述显示器与至少一个服务器电连接，用于对所述物联网大数据云平台实时接收到的所述运行状态数据对应的解析数据进行实时显示。

6.根据权利要求1所述的开关柜监测系统，其特征在于，所述运行状态数据还包括所述数据采集模块中各传感器的电量数据以及各个开关柜所在位置数据。

7.一种开关柜监测方法，其特征在于，包括：

数据采集模块对所述开关柜的运行状态数据进行采集发送至无线传输模块，所述运行状态数据至少包括环境温度数据、环境湿度数据、柜体振动数据、触控温度数据和局部放电数据；

无线传输模块根据接收到的所述运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台；

物联网大数据云平台对接收到的所述解析数据进行存储、下载和显示。

8.根据权利要求7所述的开关柜监测方法，其特征在于，在所述无线传输模块根据接收到的所述运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台之后，还包括：

对k台所述开关柜对应的所述解析数据建立多维特征数据集R，

其中，T表示环境温度数据、H表示环境湿度数据、Z表示柜体振动数据、S表示触头温度数据，U表示局部放电数据，R_i表示第i台开关柜对应的解析数据，其中1≤i≤k，k为大于1的任意正整数；

计算所述多维特征数据集R中任意两组开关柜的对应的行向量R_m和R_n的欧式距离d(m,n)²，其中所述欧式距离的计算公式为：

根据所述欧式距离进行健康状态分类，所述健康状态包括健康、注意和异常，其中1≤m≤k，1≤n≤k，m≠n。

9.根据权利要求7所述的开关柜监测方法，其特征在于，在所述无线传输模块根据接收到的所述运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台之后，还包括：

通过自回归滑动平均模型对日最大环境温度、日最大环境湿度、日最大柜体振动建模，并根据预设历史时段的历史解析数据对待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动进行预测得到待预测日的日最大环境温度预测值、待预测日的日最大环境湿度预测值、待预测日的日最大柜体振动预测值；

建立第一多变量回归模型S′＝w₁T_max+w₂H_max+w₃Z_max+w₄S_max+w₅，根据预设时段内的历史解析数据求出所述第一多变量回归模型中系数w₁、w₂、w₃、w₄和w₅的值，其中T_max表示待预测日的日最大环境温度预测值、H_max表示待预测日的日最大环境湿度预测值、Z_max表示待预测日的日最大柜体振动预测值、S_max表示待预测日前一日的最大触头温度、S′表示待预测日的最大触头温度；

根据所述第一多变量回归模型计算出预设历史时段的触头温度预测值，将预设历史时段内各日的触头温度预测值与对应日的触头温度实际值做差得到差异值，获得所述差异值的概率分布，以概率平均值作为修正量，对历史触头温度数据作修正处理后，重新计算第一多元回归分析模型的系数；

根据修正系数后的第一多变量回归模型以及根据自回归滑动平均模型预测得到的待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动、以及待预测日前一日的最大触头温度计算待预测时段内各日的最大触头温度预测值。

10.根据权利要求7所述的开关柜监测方法，其特征在于，在所述无线传输模块根据接收到的所述运行状态数据进行解析、处理以及格式转换后得到的解析数据发送至物联网大数据云平台之后，还包括：

通过自回归滑动平均模型对日最大环境温度、日最大环境湿度、日最大柜体振动建模，并根据预设历史时段的历史解析数据对待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动进行预测得到待预测日的日最大环境温度预测值、待预测日的日最大环境湿度预测值、待预测日的日最大柜体振动预测值；

建立第二多变量回归模型U'＝w₁₁T_max+w₁₂H_max+w₁₃Z_max+w₁₄U_max+w₁₅，根据预设时段内的历史解析数据求出所述第二多变量回归模型中系数w₁₁、w₁₂、w₁₃、w₁₄和w₁₅的值，其中T_max表示待预测日的日最大环境温度预测值、H_max表示待预测日的日最大环境湿度预测值、Z_max表示待预测日的日最大柜体振动预测值、U_max表示待预测日前一日的最大局部放电值、U’表示待预测日的最大局部放电值；

根据所述第二多变量回归模型计算出预设历史时段的局部放电预测值，将预设历史时段内各日的局部放电预测值与对应日的局部放电实际值做差得到差异值，获得所述差异值的概率分布，以概率平均值作为修正量，对历史局部放电数据作修正处理后，重新计算第二多变量回归分析模型的系数；

根据修正系数后的第二多变量回归模型以及根据自回归滑动平均模型预测得到的待预测日的日最大环境温度、日最大环境湿度和日最大柜体振动、以及待预测日前一日的最大局部放电值计算待预测时段内各日的最大局部放电预测值。

Images