CN116069079A - 一种智能开关柜的散热智能控制方法及系统 - Google Patents

Abstract

本发明涉及智能控制技术领域，提供了一种智能开关柜的散热智能控制方法及系统，所述方法包括：采集开关柜基础信息，获得元件特征、散热空间特征；设定散热监测目标参数，发送至智能监测设备，记录监测数据，建立监测数据映射表，提取待测目标数据，获得目标温度预测信息，匹配分析获得控制参数，发送至智能控制器，进行开关柜散热控制，进行遥视反馈，解决阈值算法的存在热故障误报和漏报隐患，开关柜散热控制精度低的技术问题，实现进行发热元件温度预测，结合元件的正常运作温度承受上限，确定开关柜散热控制参数，提前进行开关柜散热控制调整，降低运行异常概率，提高开关柜散热控制精度，最大限度降低热故障误报和漏报隐患的技术效果。

Description

一种智能开关柜的散热智能控制方法及系统

技术领域

本发明涉及智能控制相关技术领域，具体涉及一种智能开关柜的散热智能控制方法及系统。

背景技术

随着开关柜运行时间的延长，这些部位常因接触部位氧化、接触松动、负荷过大、相间短路、散热环境差等原因使局部温度升高，如不及时发现处理，可能导致触头、母线温度过高而被烧毁，影响开关柜系统稳定可靠运行。因此监测开关柜内触头、母线等触点的温度，是电力系统中电气设备安全运行迫切需要解决的实际问题，对电力系统的安全运行至关重要。

但由于设备类型不用、作业温度不同、作业负荷电流不同等因素，传统阈值算法无法保证报警的准确性，经常会发生误报和漏报的现象，工作人员无法准确判断出设备真实运行状态。

综上所述，针对开关柜的温度监测及热故障诊断等技术，普遍存在监测设备冗余、成本高、智能化程度低等缺点。

综上所述，现有技术中存在传统开关柜的存在人工依赖缺陷，阈值算法的存在热故障误报和漏报隐患，开关柜散热控制精度低的技术问题。

发明内容

本申请通过提供了一种智能开关柜的散热智能控制方法及系统，旨在解决现有技术中的传统开关柜的存在人工依赖缺陷，阈值算法的存在热故障误报和漏报隐患，开关柜散热控制精度低的技术问题。

鉴于上述问题，本申请实施例提供了一种智能开关柜的散热智能控制方法及系统。

本申请公开的第一个方面，提供了一种智能开关柜的散热智能控制方法，其中，所述方法包括：采集开关柜基础信息，对所述开关柜基础信息进行元件特征分析、散热空间分析，获得元件特征、散热空间特征；基于所述元件特征、散热空间特征，设定散热监测目标参数；根据所述散热监测目标参数发送至智能监测设备，记录监测数据，建立监测数据映射表，所述监测数据映射表包括元件信息、空间标定信息及对应的监测数据、监测时间；基于所述监测数据映射表，提取待测目标数据，将待测目标数据输入温度预测模型中，进行目标温度预测，获得目标温度预测信息；根据所述目标温度预测信息，与预设控制列表进行匹配分析，获得控制参数；将所述控制参数发送至智能控制器，按照所述控制参数进行开关柜散热控制，并通过散热监测显示器对开关柜散热过程进行遥视反馈。

本申请公开的另一个方面，提供了一种智能开关柜的散热智能控制系统，其中，所述系统包括：特征获取模块，用于采集开关柜基础信息，对所述开关柜基础信息进行元件特征分析、散热空间分析，获得元件特征、散热空间特征；目标参数设定模块，用于基于所述元件特征、散热空间特征，设定散热监测目标参数；映射表建立模块，用于根据所述散热监测目标参数发送至智能监测设备，记录监测数据，建立监测数据映射表，所述监测数据映射表包括元件信息、空间标定信息及对应的监测数据、监测时间；目标数据提取模块，用于基于所述监测数据映射表，提取待测目标数据，将待测目标数据输入温度预测模型中，进行目标温度预测，获得目标温度预测信息；匹配分析模块，用于根据所述目标温度预测信息，与预设控制列表进行匹配分析，获得控制参数；散热控制模块，用于将所述控制参数发送至智能控制器，按照所述控制参数进行开关柜散热控制，并通过散热监测显示器对开关柜散热过程进行遥视反馈。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了采集开关柜基础信息，对开关柜基础信息进行元件特征分析、散热空间分析，获得元件特征、散热空间特征；设定散热监测目标参数，发送至智能监测设备，记录监测数据，建立监测数据映射表，提取待测目标数据，输入温度预测模型中，进行目标温度预测，获得目标温度预测信息，与预设控制列表进行匹配分析，获得控制参数，发送至智能控制器，按照控制参数进行开关柜散热控制，并通过散热监测显示器对开关柜散热过程进行遥视反馈，实现了进行发热元件温度预测，结合元件的正常运作温度承受上限，确定开关柜散热控制参数，提前进行开关柜散热控制调整，降低运行异常概率，提高开关柜散热控制精度，最大限度降低热故障误报和漏报隐患的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供了一种智能开关柜的散热智能控制方法流程示意图；

图2为本申请实施例提供了一种智能开关柜的散热智能控制方法中调整控制参数流程示意图；

图3为本申请实施例提供了一种智能开关柜的散热智能控制方法中动态调整预警阈值流程示意图；

图4为本申请实施例提供了一种智能开关柜的散热智能控制系统结构示意图。

附图标记说明：特征获取模块100，目标参数设定模块200，映射表建立模块300，目标数据提取模块400，匹配分析模块500，散热控制模块600。

具体实施方式

本申请实施例提供了一种智能开关柜的散热智能控制方法及系统，解决了传统开关柜的存在人工依赖缺陷，阈值算法的存在热故障误报和漏报隐患，开关柜散热控制精度低的技术问题，实现了进行发热元件温度预测，结合元件的正常运作温度承受上限，确定开关柜散热控制参数，提前进行开关柜散热控制调整，降低运行异常概率，提高开关柜散热控制精度，最大限度降低热故障误报和漏报隐患的技术效果。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种智能开关柜的散热智能控制方法，其中，所述方法包括：

S10：采集开关柜基础信息，对所述开关柜基础信息进行元件特征分析、散热空间分析，获得元件特征、散热空间特征；

S20：基于所述元件特征、散热空间特征，设定散热监测目标参数；

S30：根据所述散热监测目标参数发送至智能监测设备，记录监测数据，建立监测数据映射表，所述监测数据映射表包括元件信息、空间标定信息及对应的监测数据、监测时间；

具体而言，随着开关柜运行时间的延长，常因接触部位氧化、接触松动、负荷过大、相间短路、散热环境差等原因使局部温度升高，需要及时进行开关柜散热智能控制，排除触头、母线温度过高而被烧毁的风险，维护开关柜系统稳定可靠运行；

所述开关柜基础信息即开关柜内部的元件信息（可以包括但不限于断路器、负荷开关、触头、隔离开关、熔断器、互感器、避雷器、电容器、母线），在确定存在散热智能控制需求的开关柜后，采集开关柜基础信息，对所述开关柜基础信息进行元件特征分析（主要是元件运行过程，元件表面温度特征分析；接入电路的元件都会发热，因为元件不可能达到理论上100%的效率，发热元件：运行过程中，元件表面温度升高）、散热空间分析（针对发热元件，以发热元件为中心，散热空间呈放射性，发热元件的散热空间存在点A、点B（点A比点B更靠近发热元件）点A的散热量大于点B的散热量），获得元件特征（包括但不限于触头特征、互感器特征、电容器特征、母线特征）、散热空间特征（散热空间内部的各个点位的散热量，若散热空间存在空间叠加，空间叠加区域对应的散热量需要进行累加）；

基于所述元件特征、散热空间特征（散热元件可以是散热片、风扇、液冷散热系统等相关常规散热器件，发热元件运行过程中，若最高运行温度远低于正常运行阈值温度上限，或最高运行温度低于正常运行阈值温度上限且元件运算速度调整元件发热情况显著改善，无需散热元件进行辅助调整；最高运行温度远高于正常运行阈值温度上限，或最高运行温度高于正常运行阈值温度上限且元件运算速度调整元件发热情况改善有限，需要散热元件进行辅助调整），设定散热监测目标参数（针对需要散热元件进行辅助调整的元件，如触头、母线），所述散热监测目标参数包括触头实时温度、母线实时温度，为降低触头、母线温度过高而被烧毁的风险提供数据基础；

根据所述散热监测目标参数发送至智能监测设备（智能监测设备可以是自动温度测试仪、电流表等一系列监测设备），在所述开关柜运行过程中，记录监测数据，建立监测数据映射表，所述监测数据映射表包括元件信息、空间标定信息及对应的监测数据（所述监测数据包括实时温度数据、实时电流数据）、监测时间，为后续进行散热调整提供数据支持。

S40：基于所述监测数据映射表，提取待测目标数据，将待测目标数据输入温度预测模型中，进行目标温度预测，获得目标温度预测信息；

步骤S40还包括步骤：

S41：构建BP神经网络框架；

S42：基于预设训练数据结构，对开关柜数据库进行遍历匹配，构建模型训练数据集；

S43：按照数据划分占比对所述模型训练数据集进行划分，获得训练集、校验集；

S44：利用所述训练集、校验集对所述BP神经网络框架进行训练、校验，获得所述温度预测模型；

S45：利用实时监测数据对所述训练集进行补充，对所述温度预测模型进行优化迭代。

具体而言，基于所述监测数据映射表，提取待测目标数据（所述待测目标数据为开关柜内触头、母线对应的数据），构建温度预测模型，将待测目标数据输入温度预测模型中，进行目标温度预测，获得目标温度预测信息，所述目标温度预测信息为预测时间点与预测温度关联数据，为提前进行温度调整提供技术支持；

以经验数据为基础，构建温度预测模型，具体包括：构建BP神经网络框架；基于预设训练数据结构（所述预设训练数据结构形如温度数据&电流数据&时间点），对开关柜数据库进行遍历匹配，构建模型训练数据集（所述模型训练数据集的元素格式与预设训练数据结构一致），按照数据划分占比（数据划分占比可以是9:1）对所述模型训练数据集进行划分，获得训练集、校验集；利用所述训练集对所述BP神经网络框架进行模型收敛训练，采用每次根据训练得到的结果与预想结果（预想结果：下一时间点的温度数据）进行误差分析，进而修改权值和阈值（进而修改权值和阈值可以将述BP神经网络框架训练至适用于进行目标温度预测），一步一步得到能输出和预想结果一致的模型，在模型输出趋于稳定（模型稳定：利用所述校验集对模型进行校验，检验通过率不低于95%）后，获得所述温度预测模型；利用实时监测数据对所述训练集进行补充（对所述训练集进行补充：为实时优化迭代，进一步提升温度预测模型的可靠性提供支持），对所述温度预测模型进行优化迭代，为后续进行目标温度预测提供模型基础。

步骤S40还包括步骤：

S46：获得热故障相关参数；

S47：利用散热历史记录数据库，对所述热故障相关参数进行温度影响关系分析，获得各热故障相关参数的温度影响系数；

S48：基于所述热故障相关参数，通过相关监测设备进行监测，获得热故障相关参数的监测数据；

S49：根据所述热故障相关参数的监测数据、温度影响系数，进行柜体综合影响性分析，获得关联影响系数，利用所述关联影响系数对所述温度预测模型进行增量学习。

具体而言，随着开关柜运行时间的延长，这些部位常因接触部位氧化、接触松动、负荷过大、相间短路、散热环境差等原因使局部温度升高，所述热故障相关参数包括接触部位氧化参数、接触松动参数、负荷参数、相间短路参数、散热环境参数（热故障包括但不限于接触部位氧化、接触松动、负荷过大、相间短路、散热环境差）；利用散热历史记录数据库，对所述热故障相关参数进行温度影响关系分析：将所述接触部位氧化参数作为一维矢量、将接触松动参数作为二维矢量、将负荷参数作为三维矢量、将相间短路参数作为四维矢量、将散热环境参数作为五维矢量，建立温度影响关系分析多维空间，分别独立对各个维度进行温度影响分析，获得各热故障相关参数的温度影响系数；

基于所述热故障相关参数，通过相关监测设备（相间短路可以使用电压表进行测量；可以通过开关柜内部的空气流速表征散热环境，使用空气流量传感器进行测量，所述相关监测设备均为常见的监测仪器，不进行一一说明）进行监测，对监测所得数据进行整理，获得热故障相关参数的监测数据；根据所述热故障相关参数的监测数据、温度影响系数，进行柜体综合影响性分析（柜体综合影响性分析：将各热故障相关参数的温度影响系数作为权重值，对所述热故障相关参数的监测数据分别进行加权计算），加权计算获得关联影响系数，利用所述关联影响系数对所述温度预测模型进行增量学习（增量学习：不断地更新监测数据流，利用实时监测数据对所述训练集进行补充，对所述温度预测模型进行优化迭代，以实现优化旧知识的能力），提高温度预测模型的稳定性，为保证温度预测模型优化迭代的有序执行提供技术支持。

S50：根据所述目标温度预测信息，与预设控制列表进行匹配分析，获得控制参数；

S60：将所述控制参数发送至智能控制器，按照所述控制参数进行开关柜散热控制，并通过散热监测显示器对开关柜散热过程进行遥视反馈。

步骤S50包括步骤：

S51：依次将开关柜中各元件信息、空间标定信息作为待测目标，获得所有目标温度预测信息；

S52：获得所有待测目标的运行影响关系，构建关联图谱；

S53：基于所述关联图谱、所有目标温度预测信息，获得元件关联预测信息；

S54：根据所述元件关联预测信息，与预设控制列表进行匹配分析，获得所述控制参数。

具体而言，根据所述目标温度预测信息，在与预设控制列表进行匹配分析，获得控制参数，包括：依次将开关柜中各元件信息、空间标定信息作为待测目标；将待测目标作为输入数据，逐个输入温度预测模型中，依次进行目标温度预测，获得所有目标温度预测信息；将预测所得数据进行整理（横轴为预测时间点；纵轴为预测温度），获得所有待测目标的运行影响关系（随着开关柜的运行，热量不断堆积的过程，两元件贴合、两元件散热空间存在重叠等状态下，热量累计运行影响关系），构建关联图谱（在开关柜内部，以发热元件的为中心，以热量辐射区域为散热空间的热量累计变化图谱）；将所有目标温度预测信息中的预测时间点作为时间轴，将所有目标温度预测信息添加至时间轴中预测时间点的所述关联图谱中，获得元件关联预测信息；根据所述元件关联预测信息，与预设控制列表进行匹配分析，匹配选定触头、母线以及与触头、母线存在贴合、散热空间存在重叠的元件，获得用于进行散热调整的控制参数；

将所述控制参数发送至智能控制器，按照所述控制参数进行开关柜散热控制(可以是调整风扇转速)，并通过散热监测显示器，以红外热量图的形式对开关柜散热过程进行遥视反馈，为实现开关柜散热可视化管理提供技术支持。

如图2所示，步骤S50还包括步骤：

S55：获得电能质量参数，基于所述电能质量参数通过在线监测设备进行监测，建立质量参数监测数据；

S56：根据所述质量参数监测数据，通过优化算法，确定优化参数组合；

S57：将所述优化参数组合作为约束条件，对所述控制参数进行调整。

具体而言，开关柜电能质量在线监测单元能够实时在线监测电压、电流、有功、无功、谐波、三相不平衡度、闪变等电能质量参数，对检测所得数据进行整理，获得电能质量参数，在开关柜运行过程中，基于所述电能质量参数通过在线监测设备进行监测，对在线监测设备采集的数据进行整理，建立质量参数监测数据；通过优化算法（所述优化算法可以是PSO（Particle Swarm Optimization，粒子群优化算法）或其他优化分析算法，以电能质量参数提升的方向进行优化，简单来说就是降低元件散出的热量，提高能量的利用率），确定优化参数组合（所述优化参数组合包括在分合闸操作中的行程、超程、刚分（合）速度、分（合）闸时间、弹跳次数、弹跳时间及平均速度这些特征量）；将所述优化参数组合作为约束条件，对所述控制参数进行调整，提高控制参数的精度。

本申请实施例还包括步骤：

S58：通过历史故障数据库，获得散热故障集；

S59：基于所述散热故障集，确定故障参数信息及故障等级；

S5A：根据所述故障参数信息及故障等级，设定参数散热等级系数；

S5B：将所述参数散热等级系数添加至所述关联图谱中。

具体而言，以常规开关柜为基础，在主回路关键位置集成监测仪器，利用无线射频组网等信息技术，实现各节点的物联，通过智能监测设备进行建模分析设备状态，从而实现设备状态的可视化感知，智能监控装置能实时分析开关柜的健康状况，并指导运维人员进行相应的检修和维护工作，若产生开关柜热故障，整理获取历史故障数据库，通过历史故障数据库，将所述历史故障数据库，依照所述热故障相关参数的数据形式，获得散热故障集；基于所述散热故障集，确定故障参数信息（所述故障参数信息包括但不限于环境温度、负荷电流等相关参数指标）及故障等级（采用相对温差法，计算故障等级与故障对应的散热量差值，故障等级与散热量差值正相关）；根据所述故障参数信息及故障等级，确定不同环境温度和负荷电流时的正常工作温度，将不同环境温度和负荷电流时的多个正常工作温度区间分段对应设定参数散热等级系数（示例性的，第一正常工作温度区间分段可以是：参数散热一级（10℃~30℃]，对应的风扇转速可以是2500转；参数散热二级（30℃~50℃]，对应的风扇转速可以是2900转）；将所述参数散热等级系数添加至所述关联图谱中，为进行分级预警提供技术支持。

本申请实施例还包括步骤：

S5C1：基于所述关联图谱，构建故障树模型；

S5C2：根据所述故障树模型对所述待测目标数据进行最小割集分析，确定故障概率；

S5C3：当所述故障概率达到预设阈值时，发送提醒信息；

S5C4：根据所述目标温度预测信息，确定预测温度信息及对应的预测到达时间；

S5C5：将所述预测温度信息及对应的预测到达时间添加至所述故障树模型进行预测故障概率分析，确定预测概率信息，所述预测概率信息与所述预测温度信息及对应的预测到达时间相对应；

S5C6：当所述预测概率信息达到预设阈值时，发送所述提醒信息。

具体而言，基于所述关联图谱，构建故障树模型，包括：以故障树为模型基础，将所述关联图谱作为系统失效状态，尝试通过某一特征的所有取值（示例性的，故障参数信息中的不同环境温度所有取值即环境温度特征的所有取值），遍历上述操作，构建故障树模型；

根据所述故障树模型对所述待测目标数据进行最小割集分析（最小割集：对所有取值的取值空间进行划分，从初始状态到失效状态之间的最短可能路径称为最小分割集合），每多考虑一个新状态，就要在树上增加一个节点，再列出各分枝的概率，由各初始状态的机率计算确定故障概率；当所述故障概率达到预设阈值（预设阈值为预设参数指标）时，发送提醒信息；根据所述目标温度预测信息，确定预测温度信息及对应的预测到达时间（所述目标温度预测信息确定的预测时间点与当前时间点之间的时间长度）；将所述预测温度信息及对应的预测到达时间添加至所述故障树模型进行预测故障概率分析，确定预测概率信息（所述预测概率信息包括故障概率），所述预测概率信息与所述预测温度信息及对应的预测到达时间相对应；当所述预测概率信息达到预设阈值时，发送所述提醒信息（所述提醒信息包括预测概率信息、预测时间点），提前进行预测提醒，为及时进行温度调整，降低运行异常提供技术支持。

如图3所示，本申请实施例还包括步骤：

S5D1：判断所述散热监测目标参数的实时监测数据是否达到预警阈值；

S5D2：当达到时，发送目标预警信息；

S5D3：根据所述参数散热等级系数、目标温度预测信息，对所述预警阈值进行动态调整。

具体而言，根据所述散热监测目标参数发送至智能监测设备，记录监测数据之后，已知的，因接触部位氧化、接触松动、负荷过大、相间短路、散热环境差等原因，元件产生热损伤，元件可承受的正常运行阈值温度上限会不断下降，经多次试验可知，生命周期长度为1年的元件，元件可承受的正常运行阈值温度上限下降系数=12×；生命周期长度为2年的元件，元件可承受的正常运行阈值温度上限下降系数=24×，通过元件的生命周期计算正常运行阈值温度上限下降系数，判断所述散热监测目标参数的实时监测数据中的实时温度数据是否达到预警阈值；当达到时，直接发出目标预警信息（存在触头、母线温度过高而被烧毁的风险）；根据所述参数散热等级系数、目标温度预测信息，对所述预警阈值进行适应性动态调整（将使用正常运行阈值温度上限下降系数记为M；将元件的使用时长记为t（单位：月）；将正常运行阈值温度上限记为N；将预警阈值记为Y：），提高预警阈值的精度。

综上所述，本申请实施例所提供的一种智能开关柜的散热智能控制方法及系统具有如下技术效果：

1.由于采用了采集开关柜基础信息，对开关柜基础信息进行元件特征分析、散热空间分析，获得元件特征、散热空间特征；设定散热监测目标参数，发送至智能监测设备，记录监测数据，建立监测数据映射表，提取待测目标数据，输入温度预测模型中，进行目标温度预测，获得目标温度预测信息，与预设控制列表进行匹配分析，获得控制参数，发送至智能控制器，按照控制参数进行开关柜散热控制，并通过散热监测显示器对开关柜散热过程进行遥视反馈，本申请通过提供了一种智能开关柜的散热智能控制方法及系统，实现了进行发热元件温度预测，结合元件的正常运作温度承受上限，确定开关柜散热控制参数，提前进行开关柜散热控制调整，降低运行异常概率，提高开关柜散热控制精度，最大限度降低热故障误报和漏报隐患的技术效果。

2.由于采用了判断散热监测目标参数的实时监测数据是否达到预警阈值；当达到时，发送目标预警信息；根据参数散热等级系数、目标温度预测信息，对预警阈值进行动态调整，提高预警阈值的精度。

实施例二

基于与前述实施例中一种智能开关柜的散热智能控制方法相同的发明构思，如图4所示，本申请实施例提供了一种智能开关柜的散热智能控制系统，其中，所述系统包括：

特征获取模块100，用于采集开关柜基础信息，对所述开关柜基础信息进行元件特征分析、散热空间分析，获得元件特征、散热空间特征；

目标参数设定模块200，用于基于所述元件特征、散热空间特征，设定散热监测目标参数；

映射表建立模块300，用于根据所述散热监测目标参数发送至智能监测设备，记录监测数据，建立监测数据映射表，所述监测数据映射表包括元件信息、空间标定信息及对应的监测数据、监测时间；

目标数据提取模块400，用于基于所述监测数据映射表，提取待测目标数据，将待测目标数据输入温度预测模型中，进行目标温度预测，获得目标温度预测信息；

匹配分析模块500，用于根据所述目标温度预测信息，与预设控制列表进行匹配分析，获得控制参数；

散热控制模块600，用于将所述控制参数发送至智能控制器，按照所述控制参数进行开关柜散热控制，并通过散热监测显示器对开关柜散热过程进行遥视反馈。

进一步的，所述系统包括：

目标温度预测信息获取模块，用于依次将开关柜中各元件信息、空间标定信息作为待测目标，获得所有目标温度预测信息；

关联图谱构建模块，用于获得所有待测目标的运行影响关系，构建关联图谱；

元件关联预测信息获取模块，用于基于所述关联图谱、所有目标温度预测信息，获得元件关联预测信息；

匹配分析模块，用于根据所述元件关联预测信息，与预设控制列表进行匹配分析，获得所述控制参数。

进一步的，所述系统包括：

散热故障集获得模块，用于通过历史故障数据库，获得散热故障集；

故障参数信息及故障等级确定模块，用于基于所述散热故障集，确定故障参数信息及故障等级；

参数散热等级系数设定模块，用于根据所述故障参数信息及故障等级，设定参数散热等级系数；

参数散热等级系数添加模块，用于将所述参数散热等级系数添加至所述关联图谱中。

进一步的，所述系统包括：

热故障相关参数获得模块，用于获得热故障相关参数；

温度影响关系分析模块，用于利用散热历史记录数据库，对所述热故障相关参数进行温度影响关系分析，获得各热故障相关参数的温度影响系数；

监测数据获得模块，用于基于所述热故障相关参数，通过相关监测设备进行监测，获得热故障相关参数的监测数据；

柜体综合影响性分析模块，用于根据所述热故障相关参数的监测数据、温度影响系数，进行柜体综合影响性分析，获得关联影响系数，利用所述关联影响系数对所述温度预测模型进行增量学习。

进一步的，所述系统包括：

质量参数监测数据建立模块，用于获得电能质量参数，基于所述电能质量参数通过在线监测设备进行监测，建立质量参数监测数据；

优化参数组合确定模块，用于根据所述质量参数监测数据，通过优化算法，确定优化参数组合；

约束条件确定模块，用于将所述优化参数组合作为约束条件，对所述控制参数进行调整。

进一步的，所述系统包括：

神经网络框架构建模块，用于构建BP神经网络框架；

遍历匹配模块，用于基于预设训练数据结构，对开关柜数据库进行遍历匹配，构建模型训练数据集；

数据集划分模块，用于按照数据划分占比对所述模型训练数据集进行划分，获得训练集、校验集；

训练与校验模块，用于利用所述训练集、校验集对所述BP神经网络框架进行训练、校验，获得所述温度预测模型；

优化迭代模块，用于利用实时监测数据对所述训练集进行补充，对所述温度预测模型进行优化迭代。

进一步的，所述系统包括：

故障树模型构建模块，用于基于所述关联图谱，构建故障树模型；

故障概率确定模块，用于根据所述故障树模型对所述待测目标数据进行最小割集分析，确定故障概率；

提醒信息发送模块，用于当所述故障概率达到预设阈值时，发送提醒信息；

预测到达时间确定模块，用于根据所述目标温度预测信息，确定预测温度信息及对应的预测到达时间；

预测概率信息确定模块，用于将所述预测温度信息及对应的预测到达时间添加至所述故障树模型进行预测故障概率分析，确定预测概率信息，所述预测概率信息与所述预测温度信息及对应的预测到达时间相对应；

提醒信息发送模块，用于当所述预测概率信息达到预设阈值时，发送所述提醒信息。

进一步的，所述系统包括：

预警阈值判断模块，用于判断所述散热监测目标参数的实时监测数据是否达到预警阈值；

目标预警信息发送模块，用于当达到时，发送目标预警信息；

动态调整模块，用于根据所述参数散热等级系数、目标温度预测信息，对所述预警阈值进行动态调整。

综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。

进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (9)

1.一种智能开关柜的散热智能控制方法，其特征在于，所述方法包括：

采集开关柜基础信息，对所述开关柜基础信息进行元件特征分析、散热空间分析，获得元件特征、散热空间特征；

基于所述元件特征、散热空间特征，设定散热监测目标参数；

根据所述散热监测目标参数发送至智能监测设备，记录监测数据，建立监测数据映射表，所述监测数据映射表包括元件信息、空间标定信息及对应的监测数据、监测时间；

基于所述监测数据映射表，提取待测目标数据，将待测目标数据输入温度预测模型中，进行目标温度预测，获得目标温度预测信息；

根据所述目标温度预测信息，与预设控制列表进行匹配分析，获得控制参数；

将所述控制参数发送至智能控制器，按照所述控制参数进行开关柜散热控制，并通过散热监测显示器对开关柜散热过程进行遥视反馈。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

依次将开关柜中各元件信息、空间标定信息作为待测目标，获得所有目标温度预测信息；

获得所有待测目标的运行影响关系，构建关联图谱；

基于所述关联图谱、所有目标温度预测信息，获得元件关联预测信息；

根据所述元件关联预测信息，与预设控制列表进行匹配分析，获得所述控制参数。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

通过历史故障数据库，获得散热故障集；

基于所述散热故障集，确定故障参数信息及故障等级；

根据所述故障参数信息及故障等级，设定参数散热等级系数；

将所述参数散热等级系数添加至所述关联图谱中。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

获得热故障相关参数；

利用散热历史记录数据库，对所述热故障相关参数进行温度影响关系分析，获得各热故障相关参数的温度影响系数；

基于所述热故障相关参数，通过相关监测设备进行监测，获得热故障相关参数的监测数据；

根据所述热故障相关参数的监测数据、温度影响系数，进行柜体综合影响性分析，获得关联影响系数，利用所述关联影响系数对所述温度预测模型进行增量学习。

5.如权利要求1所述的方法，其特征在于，所述方法还包括：

获得电能质量参数，基于所述电能质量参数通过在线监测设备进行监测，建立质量参数监测数据；

根据所述质量参数监测数据，通过优化算法，确定优化参数组合；

将所述优化参数组合作为约束条件，对所述控制参数进行调整。

6.如权利要求1所述的方法，其特征在于，将待测目标数据输入温度预测模型中之前，包括：

构建BP神经网络框架；

基于预设训练数据结构，对开关柜数据库进行遍历匹配，构建模型训练数据集； 

按照数据划分占比对所述模型训练数据集进行划分，获得训练集、校验集；

利用所述训练集、校验集对所述BP神经网络框架进行训练、校验，获得所述温度预测模型；

利用实时监测数据对所述训练集进行补充，对所述温度预测模型进行优化迭代。

7.如权利要求3所述的方法，其特征在于，所述方法还包括：

基于所述关联图谱，构建故障树模型；

根据所述故障树模型对所述待测目标数据进行最小割集分析，确定故障概率；

当所述故障概率达到预设阈值时，发送提醒信息；

根据所述目标温度预测信息，确定预测温度信息及对应的预测到达时间；

将所述预测温度信息及对应的预测到达时间添加至所述故障树模型进行预测故障概率分析，确定预测概率信息，所述预测概率信息与所述预测温度信息及对应的预测到达时间相对应；

当所述预测概率信息达到预设阈值时，发送所述提醒信息。

8.如权利要求3所述的方法，其特征在于，根据所述散热监测目标参数发送至智能监测设备，记录监测数据之后，包括： 判断所述散热监测目标参数的实时监测数据是否达到预警阈值；

当达到时，发送目标预警信息； 根据所述参数散热等级系数、目标温度预测信息，对所述预警阈值进行动态调整。

9.一种智能开关柜的散热智能控制系统，其特征在于，用于实施权利要求1-8任一一项所述的一种智能开关柜的散热智能控制方法，包括：

特征获取模块，用于采集开关柜基础信息，对所述开关柜基础信息进行元件特征分析、散热空间分析，获得元件特征、散热空间特征；

目标参数设定模块，用于基于所述元件特征、散热空间特征，设定散热监测目标参数；

映射表建立模块，用于根据所述散热监测目标参数发送至智能监测设备，记录监测数据，建立监测数据映射表，所述监测数据映射表包括元件信息、空间标定信息及对应的监测数据、监测时间；

目标数据提取模块，用于基于所述监测数据映射表，提取待测目标数据，将待测目标数据输入温度预测模型中，进行目标温度预测，获得目标温度预测信息；

匹配分析模块，用于根据所述目标温度预测信息，与预设控制列表进行匹配分析，获得控制参数；

散热控制模块，用于将所述控制参数发送至智能控制器，按照所述控制参数进行开关柜散热控制，并通过散热监测显示器对开关柜散热过程进行遥视反馈。

Images