CN117851815A - 一种开关柜安全状态实时预警方法及系统 - Google Patents

Abstract

本发明涉及电子数字数据处理技术领域，具体涉及一种开关柜安全状态实时预警方法及系统，包括：在三维坐标系中分析开关柜不同位置处温度数据的变化特征，构建数据点的变化显著程度，融合分布显著程度、偏移调整权重以及目标数据点的坐标，加权调节聚类簇中数据点之间的距离，最终通过聚类获得异常数据点，删除异常数据点并利用预测算法对新温度数据进行预测和报警。本发明提高了异常数据点的检出率，进一步提高了对开关柜安全状态实时预警的准确性，保证开关柜安全运行。

Description

一种开关柜安全状态实时预警方法及系统

技术领域

本发明涉及电子数字数据处理技术领域，具体涉及一种开关柜安全状态实时预警方法及系统。

背景技术

开关柜安全状态实时预警场景中，由于电力系统的复杂性和高压环境，开关柜可能存在诸多安全隐患，如过载、短路、过热等问题，容易导致电力系统的故障、事故甚至火灾，给作业人员和设备带来严重的危害和损失。因此可以根据开关柜使用过程中的温度数据进行实时状态预警，但是开关柜在使用过程中会受到温度变化或电磁干扰，导致温度数据中出现异常数据点，影响开关柜安全状态实时预警的准确性。

目前利用常规的层次聚类算法对开关柜不同位置处的温度数据进行处理的过程中，虽然层次聚类算法可以很好的适应温度数据的阶段性变化特征，但是层次聚类算法对异常数据敏感性低，导致后续无法删除温度数据中的异常数据点，进一步导致开关柜发出的预警信息准确性低，无法有效保证开关柜正常安全运行。

发明内容

本发明提供一种开关柜安全状态实时预警方法及系统，以解决现有的问题。

本发明的一种开关柜安全状态实时预警方法及系统采用如下技术方案：

本发明一个实施例提供了一种开关柜安全状态实时预警方法，该方法包括以下步骤：

利用不同位置处的温度传感器获取开关柜的温度数据，每个温度传感器对应一个编号，温度数据中一个数据点对应一个时间点和一个温度值；

构建包含所有温度数据的三维坐标系，对三维坐标系中所有温度数据进行聚类获得若干个聚类簇，将任意聚类簇记为目标聚类簇，将目标聚类簇中任意数据点记为目标数据点，根据目标数据点与目标聚类簇的质心之间的距离以及数据点之间的距离，获得目标数据点的分布显著程度；

对目标聚类簇进行主成分分析，获得目标聚类簇的第一主成分、第二主成分以及分别对应的特征向量，根据聚类簇之间第一主成分的差异结合第二主成分对目标数据点的坐标进行调节获得目标数据点的偏移调整权重，将分布显著程度、偏移调整权重以及目标数据点的坐标进行融合获得目标数据点的变化显著程度，利用数据点之间变化显著程度的差异对数据点之间的距离进行加权获得数据点之间的加权距离，结合加权距离对三维坐标系中的所有数据点进行聚类获得异常数据点；

删除温度数据中的异常数据点获得新温度数据，利用预测算法对新温度数据进行预测和报警。

进一步地，所述构建包含所有温度数据的三维坐标系，对三维坐标系中所有温度数据进行聚类获得若干个聚类簇，包括的具体方法为：

构建三维坐标系，将数据点的时间点作为三维坐标系的轴，将数据点所属温度数据对应的温度传感器的编号作为三维坐标系的/>轴，将数据点的温度值作为三维坐标系的/>轴，利用层次聚类算法对三维坐标系中的所有数据点进行聚类，获得若干个聚类簇。

进一步地，所述根据目标数据点与目标聚类簇的质心之间的距离以及数据点之间的距离，获得目标数据点的分布显著程度，包括的具体方法为：

首先，获取任意聚类簇的质心，将任意聚类簇的质心与目标聚类簇的质心之间的欧氏距离，记为目标聚类簇的距离参数；将目标聚类簇内与目标数据点的欧氏距离小于的数据点记为目标数据点的邻近数据点，其中/>为预设的超参数；

然后，目标聚类簇中目标数据点的分布显著程度的具体计算方法为：其中，/>表示目标数据点的分布显著程度；/>表示聚类簇的数量；/>表示目标聚类簇的第/>个距离参数；/>表示目标数据点的邻近数据点的数量；表示目标数据点与第J个邻近数据点的欧氏距离；/>表示目标数据点与目标聚类簇的质心之间的欧氏距离。

进一步地，所述对目标聚类簇进行主成分分析，获得目标聚类簇的第一主成分、第二主成分以及分别对应的特征向量，包括的具体方法为：

利用PCA算法对每个聚类簇进行主成分分析，获得若干个主成分以及每个主成分对应的累计贡献率以及特征向量，将累计贡献率最大的两个主成分分别记为聚类簇的第一主成分和第二主成分。

进一步地，所述根据聚类簇之间第一主成分的差异结合第二主成分对目标数据点的坐标进行调节获得目标数据点的偏移调整权重，包括的具体方法为：

将由数据点在三维坐标系中的坐标构成的向量记为数据点的坐标向量，将目标数据点的坐标向量与目标聚类簇的第二主成分的特征向量进行点乘，获得目标数据点的第一参数；将变化区间内所有聚类簇的特征向量均值记为第一向量，将目标数据点的任意邻近数据点的坐标向量与第一向量的点乘结果记为目标数据点的第二参数，将目标数据点的最大第二参数记为目标数据点的第三参数；

将记为目标数据点的偏移调整权重，其中A表示目标数据点的第一参数，B表示目标数据点的第三参数。

进一步地，所述变化区间的具体获取方法为：

获取聚类簇的质心对应的时间点记为聚类簇的位置时间点，将位置时间点相同的聚类簇合并；获取任意聚类簇中所有数据点的最大时间点和最小时间点，分别记为聚类簇的第一时间点和第二时间点；将与目标聚类簇相邻且位置时间点小于目标聚类簇的位置时间点的聚类簇，记为目标聚类簇的前聚类簇；

将目标聚类簇与对应前聚类簇之间第一主成分的特征向量的夹角记为目标聚类簇的方向差参数，将所有聚类簇的方向差参数进行线性归一化获得聚类簇的归一方向差参数，将归一方向差参数大于方向差参数阈值的聚类簇记为第一聚类簇，将第一聚类簇的第一时间点和第二时间点形成的区间记为第一聚类簇的变化区间，在三维坐标系中一个变化区间内包含若干个聚类簇。

进一步地，所述将分布显著程度、偏移调整权重以及目标数据点的坐标进行融合获得目标数据点的变化显著程度，包括的具体方法为：

目标聚类簇中目标数据点的变化显著程度的具体计算方法为：其中，/>表示目标数据点的变化显著程度；/>表示目标数据点的分布显著程度；/>、/>、/>分别表示目标数据点在三维坐标系中的/>轴、/>轴、轴的坐标；/>表示目标数据点的偏移调整权重；/>表示目标聚类簇中所有数据点的数量；表示目标聚类簇中所有数据点的温度值均值；/>表示目标聚类簇中第/>个数据点的偏移调整权重；/>表示线性归一化函数。

进一步地，所述利用数据点之间变化显著程度的差异对数据点之间的距离进行加权获得数据点之间的加权距离，结合加权距离对三维坐标系中的所有数据点进行聚类获得异常数据点，包括的具体方法为：

获取目标聚类簇中任意两个数据点的变化显著程度的差值绝对值记为数据点之间的变化差异因子，将目标聚类簇所有数据点之间的变化差异因子的均值记为目标聚类簇的变化参数，获取三维坐标系中目标聚类簇的任意两个数据点之间的加权距离，具体计算方法为：其中，/>表示数据点之间的加权距离；/>表示数据点之间的欧氏距离；/>表示预设的相似度度量影响系数；/>表示数据点之间的变化差异因子；/>表示目标聚类簇的变化参数；/>表示以自然常数为底数的指数函数；

将加权距离作为层次聚类算法的距离度量方法，并利用层次聚类算法对三维坐标系中的所有数据点进行聚类，获得若干个新聚类簇，利用线性归一化方法将所有新聚类簇中数据点的数量进行归一化处理，获得新聚类簇的归一化数量参数，将归一化数量参数小于阈值的聚类簇记为异常聚类簇，将异常聚类簇中的数据点记为异常数据点，其中阈值为预设的超参数。

进一步地，所述利用预测算法对新温度数据进行预测和报警，包括的具体方法为：

利用ARIMA算法对任意新温度数据进行预测，将预测得到的数据点记为预测数据点，当预测数据点的温度值大于预设的温度阈值时，开关柜的蜂鸣器进行报警。

本发明的实施例提供了一种开关柜安全状态实时预警系统，该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时任意一项所述一种开关柜安全状态实时预警方法的步骤。

本发明的技术方案的有益效果是：通过对温度数据进行聚类处理获取温度数据在聚类簇中的显著特征，以反映数据点在温度数据中的异常情况，利用主成分分析得到的变化显著程度来对数据点之间的距离进行加权，提高了异常数据点的识别精度，通过将异常数据点删除提高了温度数据的可靠性，使得开关柜在温度异常情况下及时发出预警信息，有助于及时停机和检修处理，保障开关柜设备运行安全。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1为本发明的一种开关柜安全状态实时预警方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种开关柜安全状态实时预警方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种开关柜安全状态实时预警方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种开关柜安全状态实时预警方法的步骤流程图，该方法包括以下步骤：

步骤S001：利用不同位置处的温度传感器获取开关柜的温度数据。

需要说明的是，为了对开关柜的安全状态进行预警，本实施例需要根据开关柜的不同位置处的温度进行分析。

具体的，为了实现本实施例提出的一种开关柜安全状态实时预警方法，首先需要采集温度数据，具体过程为：

在开关柜不同位置设置多个温度传感器，对温度传感器进行编号，利用温度传感器获取开关柜运行时不同位置处的温度数据，温度数据中一个数据点对应一个时间点和一个温度值。

需要说明的是，每个温度传感器采用相同的采样时长T=1Day，采用频率为10Hz，可根据实际情况对采样时长和采样频率进行调整，本实施例不进行具体限定。

至此，通过上述方法得到开关柜的温度数据。

步骤S002：构建包含所有温度数据的三维坐标系，对三维坐标系中所有温度数据进行聚类获得若干个聚类簇，将任意聚类簇记为目标聚类簇，将目标聚类簇中任意数据点记为目标数据点，根据目标数据点与目标聚类簇的质心之间的距离以及数据点之间的距离，获得目标数据点的分布显著程度。

需要说明的是，由于开关柜的温度变化使得对应的温度数据存在一定的波动特征，由于对温度数据进行层次聚类后得到的不同聚类簇之间存在不同的波动范围，聚类簇中温度数据仍然存在异常数据，即层次聚类算法对异常数据敏感性低，难以对异常数据进行精确区分。

因此本实施例通过分析开关柜不同位置处温度数据的变化特征，以及聚类簇内数据点的分布特征，构建数据点的变化显著程度，以调节聚类簇之间的距离度量，提高对异常数据提取的准确性。

需要说明的是，对温度数据进行层次聚类后得到的聚类簇，表征了温度数据的变化分布情况，其中包括了不同温度变化范围内的异常数据，以此获获取数据点的分布显著程度。

具体的，步骤（2.1），构建三维坐标系，将数据点的时间点作为三维坐标系的x轴，将数据点所属温度数据对应的温度传感器的编号作为三维坐标系的y轴，将数据点的温度值作为三维坐标系的z轴，利用层次聚类算法对三维坐标系中的所有数据点进行聚类，获得若干个聚类簇。

需要说明的是，层次聚类算法为现有的聚类算法，因此本实施例不对层级聚类算法进行赘述。

需要说明的是，对单一数据点而言其所处的聚类簇与其他聚类簇越远离，在其聚类簇内分布越离散，其数据点的分布显著程度越高。聚类簇的分布离散程度可以用多个聚类簇的最小距离表示，聚类簇内的数据点的分布离散程度，可由数据点周围的邻域密度与分布位置表示。

步骤（2.2），首先，获取任意聚类簇的质心，将任意聚类簇记为目标聚类簇，将任意聚类簇的质心与目标聚类簇的质心之间的欧氏距离，记为目标聚类簇的距离参数；将目标聚类簇中任意数据点记为目标数据点，将目标聚类簇内与目标数据点的欧氏距离小于r的数据点记为目标数据点的邻近数据点，其中r为预设的超参数。

需要说明的是，根据经验预设超参数r为15，可根据实际情况进行调整，本实施例不进行具体限定。

然后，获取目标聚类簇中目标数据点的分布显著程度，具体的计算方法为：其中，/>表示目标数据点的分布显著程度；/>表示聚类簇的数量；/>表示目标聚类簇的第/>个距离参数；/>表示目标数据点的邻近数据点的数量；表示目标数据点与第J个邻近数据点的欧氏距离；/>表示目标数据点与目标聚类簇的质心之间的欧氏距离。

获取任意聚类簇中任意数据点的分布显著程度。

至此，通过上述方法得到任意数据点的分布显著程度。

步骤S003：对目标聚类簇进行主成分分析，获得目标聚类簇的第一主成分、第二主成分以及分别对应的特征向量，根据聚类簇之间第一主成分的差异结合第二主成分对目标数据点的坐标进行调节获得目标数据点的偏移调整权重，将分布显著程度、偏移调整权重以及目标数据点的坐标进行融合获得目标数据点的变化显著程度，利用数据点之间变化显著程度的差异对数据点之间的距离进行加权获得数据点之间的加权距离，结合加权距离对三维坐标系中的所有数据点进行聚类获得异常数据点。

需要说明的是，根据获得的数据点的分布显著程度，其是从样本空间的数据点分布特征的显著程度，而在不同的时序变化阶段，对不同的数据点的显著程度的可接受程度不同，即对应于聚类簇边缘的波动范围不同，由此结合时序分布特征，获得数据点的变化显著程度。

具体的，步骤（3.1），首先，利用PCA算法对每个聚类簇进行主成分分析，获得若干个主成分以及每个主成分对应的累计贡献率以及特征向量，将累计贡献率最大的两个主成分分别记为聚类簇的第一主成分和第二主成分。

需要说明的是，由于温度数据的变化呈现缓慢变化的特征，其时序变化阶段往往存在于较长的时间段上，通常情况下一个时序阶段包含有多个聚类簇，并且位于不同位置的传感器获得的温度数据存在一定的偏移程度，即同一温度波动在不同位置的传感器的不同的时刻上出现，使得聚类簇表现的温度变化区间的跨度增大，因此获取可信的温度变化区间应是在考虑温度滞后变化导致的时序偏移下的温度变化区间。

需要说明的是，第一主成分反应了聚类簇内温度数据的变化趋势，第二主成分与第一主成分垂直，反映了聚类簇内温度数据的温度值的偏移方向，即开关柜的实际温度发生变化后，温度传感器才能获取到对应的温度数据，因此温度数据在时间上存在一定的滞后性，则第二主成分表示受滞后性影响下温度数据发生偏移的方向，因此本实施例利用聚类簇的第一主成分的变化程度进行时序变化阶段的划分，这里采用计算相邻聚类簇的第一主成分的差值进行划分。

然后，获取任意聚类簇的质心的时间点记为聚类簇的位置时间点，将位置时间点相同的聚类簇合并；获取任意聚类簇中所有数据点的最大时间点和最小时间点，分别记为聚类簇的第一时间点和第二时间点，将位置时间点小于目标聚类簇的位置时间点的聚类簇记为目标聚类簇的前聚类簇，将目标聚类簇与对应前聚类簇的第一主成分的特征向量的夹角记为目标聚类簇的方向差参数，将所有聚类簇的方向差参数进行线性归一化获得聚类簇的归一方向差参数，将归一方向差参数大于方向差参数阈值的聚类簇记为第一聚类簇，将第一聚类簇的第一时间点和第二时间点形成的区间记为第一聚类簇的变化区间，一个变化区间内包含若干个聚类簇。

需要说明的是，根据经验预设方向差参数阈值为0.55，可根据实际情况进行调整，本实施例不进行具体限定。

在每个变化区间内，聚类簇的第二主成分上的数据点的影响程度占比，反映了数据点在所述聚类簇对应变化区间内对温度数据偏移产生的影响程度。

步骤（3.2），首先，获取由数据点在三维坐标系中的坐标构成的向量记为数据点的坐标向量，获取目标聚类簇中目标数据点的偏移调整权重，具体计算方法为：其中，/>表示目标数据点的偏移调整权重，/>表示数据点的坐标向量，/>表示数据点所在聚类簇的第二主成分的特征向量；符号*表示点乘符号；/>表示目标数据点的第J个邻近数据点的坐标向量；/>表示目标数据点所在变化区间内所有聚类簇的特征向量均值；/>表示获取最大值。

需要说明的是，反映了目标数据点的邻近数据点所在变化区间内所有聚类簇的特征向量上的投影最大值。

需要说明的是，根据获得的数据点的分布显著程度，其所在的聚类簇对应于不同的时序变化阶段，对不同的数据点的分布显著程度的可接受程度不同，即聚类簇内边缘的数据点在时序变化阶段上的波动范围不同，具体表现为时序阶段上的分布显著程度与时序分布特征的变化一致性。

然后，获取目标聚类簇中目标数据点的变化显著程度，具体计算方法为：其中，/>表示目标数据点的变化显著程度；/>表示目标数据点的分布显著程度；/>、/>、/>分别表示目标数据点在三维坐标系中的/>轴、/>轴、轴的坐标；/>表示目标数据点的偏移调整权重；/>表示目标聚类簇中所有数据点的数量；表示目标聚类簇中所有数据点的温度值均值；/>表示目标聚类簇中第/>个数据点的偏移调整权重；/>表示线性归一化函数。

需要说明的是，反映了目标数据点的分布显著程度在时序上的分量，/>反映了目标数据点在聚类簇内的显著程度。

需要说明的是，根据获得的数据点的变化显著程度，其数据点表征的往往是开关柜的突发状况，应当与其周围的数据点进行相应的区分，由此可利用数据点的变化显著程度差异，实现对于层次聚类的聚类簇间距离的相似度度量的调整，最终通过聚类簇的精准获取，提取出异常数据。

步骤（3.3），首先，获取目标聚类簇中任意两个数据点的变化显著程度的差值绝对值记为数据点之间的变化差异因子，将目标聚类簇所有数据点之间的变化差异因子的均值记为目标聚类簇的变化参数，获取三维坐标系中目标聚类簇的任意两个数据点之间的加权距离，具体计算方法为：其中，/>表示数据点之间的加权距离；/>表示数据点之间的欧氏距离；/>表示预设的相似度度量影响系数；/>表示数据点之间的变化差异因子；/>表示目标聚类簇的变化参数；/>表示以自然常数为底数的指数函数。

需要说明的是，根据经验预设相似度度量影响系数，可根据实际情况进行调整，本实施例不进行具体限定。

需要说明的是，在利用层次聚类算法对温度数据进行聚类的过程中，通过计算数据点之间的欧氏距离进行聚类，然而，当存在异常数据点时，由于数据点与其他数据点的距离较远且异常数据点的数量通常较少，不能被正确识别为噪声，这就意味着在计算欧氏距离时，异常数据点可能会被错误地考虑进去，导致聚类结果不准确，即聚类结果整体上不稳定或不可靠，因此本实施例利用数据点之间变化显著程度的差异对层次聚类算法的距离度量方法进行加权调整，通过得到的加权距离提高了对数据点进行层次聚类的聚类效果。

然后，将加权距离作为层次聚类算法的距离度量方法，并利用层次聚类算法对三维坐标系中的所有数据点进行聚类，获得若干个新聚类簇，利用线性归一化方法将所有新聚类簇中数据点的数量进行归一化处理，获得新聚类簇的归一化数量参数，将归一化数量参数小于阈值的聚类簇记为异常聚类簇，将异常聚类簇中的数据点记为异常数据点，其中阈值/>为预设的超参数。

需要说明的是，根据经验预设阈值，可根据实际情况进行调整，本实施例不进行具体限定。

至此，通过上述方法得到异常数据点。

步骤S004：删除温度数据中的异常数据点获得新温度数据，利用预测算法对新温度数据进行预测和报警。

具体的，首先，将所有温度数据中的异常数据点删除，获得若干个新温度数据，利用ARIMA算法对任意新温度数据进行预测，将预测得到的数据点记为预测数据点，当预测数据点的温度值大于预设的温度阈值时，开关柜的蜂鸣器进行报警。

需要说明的是，ARIMA（Autoregressive Integrated Moving Average）算法的中文名称为自回归移动平均模型算法，由于ARIMA算法为现有的时间序列预测算法，因此本实施例不进行赘述。

通过以上步骤，完成对于开关柜安全状态的实时监测和预警，以便于及时停机和检修处理。

本发明一个实施例提供的一种开关柜安全状态实时预警系统，该系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时任意一项所述一种开关柜安全状态实时预警方法的步骤。

通过对温度数据进行聚类处理获取温度数据在聚类簇中的显著特征，以反映数据点在温度数据中的异常情况，利用主成分分析得到的变化显著程度来对数据点之间的距离进行加权，提高了异常数据点的识别精度，通过将异常数据点删除提高了温度数据的可靠性，使得开关柜在温度异常情况下及时发出预警信息，有助于及时停机和检修处理，保障开关柜设备运行安全。

需要说明的是，本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于区间内，具体实施时，可替换成具有同样目的的其他模型，本实施例只是以（0,1）区间内，具体实施时，可替换成具有同样目的的其他模型，本实施例只是以/>模型为例进行叙述，不对其做具体限定，其中/>是指该模型的输入。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，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。

Claims (10)

1.一种开关柜安全状态实时预警方法，其特征在于，该方法包括以下步骤：

利用不同位置处的温度传感器获取开关柜的温度数据，每个温度传感器对应一个编号，温度数据中一个数据点对应一个时间点和一个温度值；

构建包含所有温度数据的三维坐标系，对三维坐标系中所有温度数据进行聚类获得若干个聚类簇，将任意聚类簇记为目标聚类簇，将目标聚类簇中任意数据点记为目标数据点，根据目标数据点与目标聚类簇的质心之间的距离以及数据点之间的距离，获得目标数据点的分布显著程度；

对目标聚类簇进行主成分分析，获得目标聚类簇的第一主成分、第二主成分以及分别对应的特征向量，根据聚类簇之间第一主成分的差异结合第二主成分对目标数据点的坐标进行调节获得目标数据点的偏移调整权重，将分布显著程度、偏移调整权重以及目标数据点的坐标进行融合获得目标数据点的变化显著程度，利用数据点之间变化显著程度的差异对数据点之间的距离进行加权获得数据点之间的加权距离，结合加权距离对三维坐标系中的所有数据点进行聚类获得异常数据点；

删除温度数据中的异常数据点获得新温度数据，利用预测算法对新温度数据进行预测和报警。

2.根据权利要求1所述一种开关柜安全状态实时预警方法，其特征在于，所述构建包含所有温度数据的三维坐标系，对三维坐标系中所有温度数据进行聚类获得若干个聚类簇，包括的具体方法为：

构建三维坐标系，将数据点的时间点作为三维坐标系的轴，将数据点所属温度数据对应的温度传感器的编号作为三维坐标系的/>轴，将数据点的温度值作为三维坐标系的/>轴，利用层次聚类算法对三维坐标系中的所有数据点进行聚类，获得若干个聚类簇。

3.根据权利要求1所述一种开关柜安全状态实时预警方法，其特征在于，所述根据目标数据点与目标聚类簇的质心之间的距离以及数据点之间的距离，获得目标数据点的分布显著程度，包括的具体方法为：

首先，获取任意聚类簇的质心，将任意聚类簇的质心与目标聚类簇的质心之间的欧氏距离，记为目标聚类簇的距离参数；将目标聚类簇内与目标数据点的欧氏距离小于的数据点记为目标数据点的邻近数据点，其中/>为预设的超参数；

然后，目标聚类簇中目标数据点的分布显著程度的具体计算方法为：其中，/>表示目标数据点的分布显著程度；/>表示聚类簇的数量；/>表示目标聚类簇的第/>个距离参数；/>表示目标数据点的邻近数据点的数量；表示目标数据点与第J个邻近数据点的欧氏距离；/>表示目标数据点与目标聚类簇的质心之间的欧氏距离。

4.根据权利要求1所述一种开关柜安全状态实时预警方法，其特征在于，所述对目标聚类簇进行主成分分析，获得目标聚类簇的第一主成分、第二主成分以及分别对应的特征向量，包括的具体方法为：

利用PCA算法对每个聚类簇进行主成分分析，获得若干个主成分以及每个主成分对应的累计贡献率以及特征向量，将累计贡献率最大的两个主成分分别记为聚类簇的第一主成分和第二主成分。

5.根据权利要求3所述一种开关柜安全状态实时预警方法，其特征在于，所述根据聚类簇之间第一主成分的差异结合第二主成分对目标数据点的坐标进行调节获得目标数据点的偏移调整权重，包括的具体方法为：

将由数据点在三维坐标系中的坐标构成的向量记为数据点的坐标向量，将目标数据点的坐标向量与目标聚类簇的第二主成分的特征向量进行点乘，获得目标数据点的第一参数；将变化区间内所有聚类簇的特征向量均值记为第一向量，将目标数据点的任意邻近数据点的坐标向量与第一向量的点乘结果记为目标数据点的第二参数，将目标数据点的最大第二参数记为目标数据点的第三参数；

将记为目标数据点的偏移调整权重，其中A表示目标数据点的第一参数，B表示目标数据点的第三参数。

6.根据权利要求5所述一种开关柜安全状态实时预警方法，其特征在于，所述变化区间的具体获取方法为：

获取聚类簇的质心对应的时间点记为聚类簇的位置时间点，将位置时间点相同的聚类簇合并；获取任意聚类簇中所有数据点的最大时间点和最小时间点，分别记为聚类簇的第一时间点和第二时间点；将与目标聚类簇相邻且位置时间点小于目标聚类簇的位置时间点的聚类簇，记为目标聚类簇的前聚类簇；

将目标聚类簇与对应前聚类簇之间第一主成分的特征向量的夹角记为目标聚类簇的方向差参数，将所有聚类簇的方向差参数进行线性归一化获得聚类簇的归一方向差参数，将归一方向差参数大于方向差参数阈值的聚类簇记为第一聚类簇，将第一聚类簇的第一时间点和第二时间点形成的区间记为第一聚类簇的变化区间，在三维坐标系中一个变化区间内包含若干个聚类簇。

7.根据权利要求2所述一种开关柜安全状态实时预警方法，其特征在于，所述将分布显著程度、偏移调整权重以及目标数据点的坐标进行融合获得目标数据点的变化显著程度，包括的具体方法为：

目标聚类簇中目标数据点的变化显著程度的具体计算方法为：其中，/>表示目标数据点的变化显著程度；/>表示目标数据点的分布显著程度；/>、/>、/>分别表示目标数据点在三维坐标系中的/>轴、/>轴、轴的坐标；/>表示目标数据点的偏移调整权重；/>表示目标聚类簇中所有数据点的数量；表示目标聚类簇中所有数据点的温度值均值；/>表示目标聚类簇中第/>个数据点的偏移调整权重；/>表示线性归一化函数。

8.根据权利要求1所述一种开关柜安全状态实时预警方法，其特征在于，所述利用数据点之间变化显著程度的差异对数据点之间的距离进行加权获得数据点之间的加权距离，结合加权距离对三维坐标系中的所有数据点进行聚类获得异常数据点，包括的具体方法为：

获取目标聚类簇中任意两个数据点的变化显著程度的差值绝对值记为数据点之间的变化差异因子，将目标聚类簇所有数据点之间的变化差异因子的均值记为目标聚类簇的变化参数，获取三维坐标系中目标聚类簇的任意两个数据点之间的加权距离，具体计算方法为：其中，/>表示数据点之间的加权距离；/>表示数据点之间的欧氏距离；/>表示预设的相似度度量影响系数；/>表示数据点之间的变化差异因子；/>表示目标聚类簇的变化参数；/>表示以自然常数为底数的指数函数；

将加权距离作为层次聚类算法的距离度量方法，并利用层次聚类算法对三维坐标系中的所有数据点进行聚类，获得若干个新聚类簇，利用线性归一化方法将所有新聚类簇中数据点的数量进行归一化处理，获得新聚类簇的归一化数量参数，将归一化数量参数小于阈值为预设的超参数。

9.根据权利要求1所述一种开关柜安全状态实时预警方法，其特征在于，所述利用预测算法对新温度数据进行预测和报警，包括的具体方法为：

利用ARIMA算法对任意新温度数据进行预测，将预测得到的数据点记为预测数据点，当预测数据点的温度值大于预设的温度阈值时，开关柜的蜂鸣器进行报警。

10.一种开关柜安全状态实时预警系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9中任意一项所述一种开关柜安全状态实时预警方法的步骤。