CN117911196A - 基于人工智能的环网柜全周期运行数据监管系统及方法 - Google Patents

Abstract

本发明涉及运行数据监管技术领域，具体为基于人工智能的环网柜全周期运行数据监管系统及方法，所述系统包括运行管控反馈模块，所述运行管控反馈模块获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，结合待测环网柜的巡检周期特征预测值及巡检周期模型预测值，计算待测环网柜当前时间对应巡检时长的校准需求，生成待测环网柜基于当前时间的下一次的巡检时间点，并反馈给待测环网柜对应的管理员进行预警，辅助管理员对待测环网柜进行巡检管理。本发明考虑到环网柜在不同阶段的运行状态的差异及环网柜在运行过程中周边的环境的差异，并从多角度对巡检周期进行预测，实现对待测环网柜对应的巡检周期的动态调整。

Description

基于人工智能的环网柜全周期运行数据监管系统及方法

技术领域

本发明涉及运行数据监管技术领域，具体为基于人工智能的环网柜全周期运行数据监管系统及方法。

背景技术

环网柜是一组输配电气设备(高压开关设备)装在金属或非金属绝缘柜体内或做成拼装间隔式环网供电单元的电气设备，其核心部分采用负荷开关和熔断器，具有结构简单、体积小、价格低、可提高供电参数和性能以及供电安全等优点。它被广泛使用于城市住宅小区、高层建筑、大型公共建筑、工厂企业等负荷中心的配电站以及箱式变电站中。

在生产生活中，为了确保环网柜的运行安全，人们通常采用定期巡检的方式对环网柜的安全进行监管，但是，该方式存在较大的缺陷，没有考虑到环网柜在不同阶段的运行状态是存在差异的，且由于环网柜在运行过程中周边的环境不相同，进而导致环网柜在不同阶段对应的运行风险状况是不同的，因此，定期巡检时巡检间隔时间的设定存在较大的问题，设定时间短，会导致巡检次数频繁，浪费巡检资源（人力、物力）；而设定时间长，会导致巡检人员无法及时发现环网柜异常故障情况。

发明内容

本发明的目的在于提供基于人工智能的环网柜全周期运行数据监管系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：基于人工智能的环网柜全周期运行数据监管方法，所述方法包括以下步骤：

S1、获取待测环网柜全周期运行数据中的每次历史检修时间；获取任意相邻的两个历史检修时间之间的时间区间内待测环网柜的运行信息，构建待测环网柜的运行特征集合；

S2、提取待测环网柜的运行特征集合中各个元素对应的运行信息内的特征变量波动信息，预测巡检周期的综合干扰系数；

S3、结合巡检周期的综合干扰系数、待测环网柜最后一次检修的时间及相应检修时间之后的运行信息，生成待测环网柜的巡检周期特征预测值；

S4、根据待测环网柜的运行特征集合，构建待测环网柜的巡检间隔时长与巡检次数的关系模型，并根据构建的关系模型，生成的待测环网柜的巡检周期模型预测值；

S5、获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，结合待测环网柜的巡检周期特征预测值及巡检周期模型预测值，计算待测环网柜当前时间对应巡检时长的校准需求，生成待测环网柜基于当前时间的下一次的巡检时间点，并反馈给待测环网柜对应的管理员进行预警，辅助管理员对待测环网柜进行巡检管理。

进一步的，所述S1中获取待测环网柜的每次历史检修时间的过程中，将待测环网柜在历史数据中第i次检修的时间记为Ti；历史数据中对待测环网柜执行检修操作的时间判定包括待测环网柜的使用时长达到相应的巡检周期节点时间及待测环网柜的出现故障的节点时间；

所述S1中任意相邻的两个历史检修时间之间的时间区间内待测环网柜的运行信息包括：待测环网柜在相应时间区间内每个时间点分别对应的温度、电网的供电功率及通讯干扰强度；所述通信干扰强度表示待测环网柜位置周边的干扰磁场强度；

本发明中获取通讯干扰强度是考虑到环网柜中供电开关可以通过远程控制系统进行控制调节，通过传输指令远程控制供电开关的状态，实现对电网的供电状态及供电功率的监管，但是指令的传输存在时延性，指令传输过程中受到周边的干扰磁场强度越大，则对指令传输信号的时延影响越严重，甚至会导致传输指令丢失或无法识别，进而增加环网柜出现故障的风险概率；

所述S1中构建待测环网柜的运行特征集合时，待测环网柜的运行特征集合中每个元素对应一个运行信息，将待测环网柜的运行特征集合中第j个元素记为Aj；

所述Aj表示待测环网柜在历史数据中第j次检修的时间至第j+1次检修的时间构成的时间区间内的运行信息。

进一步的，所述S2中预测巡检周期的综合干扰系数的方法包括以下步骤：

S21、获取待测环网柜的运行特征集合，并提取待测环网柜的运行特征集合中各个元素对应的运行信息内的特征变量波动信息，将Aj对应的特征变量波动信息记为Bj；

所述Bj={（TBj，t_Bj），DBj，QBj}，

t_Bj表示Aj对应的运行信息中温度超过预设温度的时间区间的区间长度；

TBj表示t_Bj对应时间区间中各个时间点对应温度的平均值；

DBj表示Aj对应的运行信息中电网的供电功率相应的最大值与最小值的差值；

QBj表示Aj对应的运行信息中通讯干扰强度；

S22、得到Aj对应的综合干扰系数，记为Gj，

Gj=r1·t_Bj·e^TBj/Tr+r2·DBj+r3·QBj，

其中，Tr表示温度参照系数，且Tr为数据库中预置的常数；r1、r2及r3分别为转化系数，且r1、r2及r3均为数据库中预置的常数；

S23、得到巡检周期的综合干扰系数，记为GX，所述GX等于待测环网柜的运行特征集合中各个元素分别对应的综合干扰系数的平均值。

本发明通过综合干扰系数这个概念对待测环网柜相邻两次巡检时间之间的运行信息进行综合评估，进而为后续步骤中生成待测环网柜的巡检周期特征预测值提供了数据支撑。

进一步的，所述S3中生成待测环网柜的巡检周期特征预测值的方法包括以下步骤：

S31、获取待测环网柜最后一次检修的时间，记为tz；获取待测环网柜从tz至当前时间对应的时间区间内的运行信息，记为AY；

S32、按照步骤S21~S22的内容，得到AY对应的综合干扰系数，记为GAY；

S33、生成待测环网柜的巡检周期特征预测值，记为TY1，

TY1=GX/GAY·tg，

其中，tg表示从tz至当前时间对应的时间区间的区间长度。

进一步的，所述S4中构建待测环网柜的巡检间隔时长与巡检次数的关系模型的方法包括以下步骤：

S41、获取待测环网柜的运行特征集合；构建待测环网柜的运行特征集合中每个元素对应的运行特征数据对，将待测环网柜的运行特征集合中第k个元素对应的运行特征数据对记为（Ck，Qk），其中，Qk表示待测环网柜的运行特征集合中第k个元素对应巡检次数的编号，且Qk=k+1；Ck表示待测环网柜的运行特征集合中第k个元素对应的时间区间的区间长度；

S42、以o为原点，以巡检次数为x轴且以巡检间隔时长为y轴，构建平面直角坐标系，并在平面直角坐标中对S41中得到的各个运行特征数据对相应的坐标点进行标记；

S43、按照x轴坐标值从小到大的顺序，依次连接平面直角坐标系中相邻的各个标记点，将所得的连接曲线作为待测环网柜的巡检间隔时长与巡检次数的关系模型，记为第一关系模型；

所述S4中生成待测环网柜的巡检周期模型预测值时，判断第一关系模型是否存在周期性，截取周期参照片段，所述周期参照片段为第一关系模型中对应的巡检次数最大的m个标记点对应的曲线片段，将所得周期参照片段对应的函数记为F1（x1）；将第一关系模型中除周期参照片段之外的曲线片段对应的函数记为F2（x2），x2∈[2，x1min）；

当x2对应的取值范围的区间长度小于x1对应的取值范围的区间长度，或者F1（x1）与F2（x2）的最小偏差特征值大于等于预设值时，则判定第一关系模型不存在周期性，待测环网柜的巡检周期模型预测值等于第一关系模型中对应的巡检次数最大的m个标记点中各个巡检间隔时长的平均值，记为YT；

反之，则判定第一关系模型存在周期性，并将F1（x1）与F2（x2）的最小偏差特征值记为P{F1（x1），F2（x2）}，令F3g（x1）=F2（x2+g），

，

其中，x1min表示周期参照片段对应的巡检次数的最小值，x1max表示周期参照片段对应的巡检次数的最大值；g∈[x1min-2，x1max-x1min]；

表示g为不同值时对应的各个中的最小值；将得到P{F1（x1），F2（x2）}时对应的g值记为g1；将第一关系模型中x轴坐标值为x1max-g1+1对应的巡检间隔时长作为待测环网柜的巡检周期模型预测值YT；

本发明构建待测环网柜的巡检间隔时长与巡检次数的关系模型，是为了从待测环网柜的全周期的运行数据的状态进行考虑，通过分析构建的关系模型中数据变化的周期性，进而实现对待测环网柜的巡检周期模型预测值的获取。

进一步的，所述S5中计算待测环网柜当前时间对应巡检时长的校准需求时，获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，记为th；获取待测环网柜的巡检周期特征预测值及巡检周期模型预测值；

若待测环网柜的巡检周期特征预测值及巡检周期模型预测值均大于或均小于th，则判定待测环网柜当前时间对应巡检时长存在校准需求，将待测环网柜的巡检周期特征预测值及巡检周期模型预测值中的最小值记为thmin，待测环网柜基于当前时间的下一次的巡检时间点为历史数据中待测环网柜最近一次的巡检时间点加上thmin后对应的时间点；

反之，则判定待测环网柜当前时间对应巡检时长不存在校准需求，待测环网柜基于当前时间的下一次的巡检时间点为历史数据中待测环网柜最近一次的巡检时间点加上th后对应的时间点。

基于人工智能的环网柜全周期运行数据监管系统，所述系统包括以下模块：

特征集合构建模块，所述特征集合构建模块获取待测环网柜全周期运行数据中的每次历史检修时间；获取任意相邻的两个历史检修时间之间的时间区间内待测环网柜的运行信息，构建待测环网柜的运行特征集合；

干扰分析预测模块，所述干扰分析预测模块提取待测环网柜的运行特征集合中各个元素对应的运行信息内的特征变量波动信息，预测巡检周期的综合干扰系数；

巡检特征预测模块，所述巡检特征预测模块结合巡检周期的综合干扰系数、待测环网柜最后一次检修的时间及相应检修时间之后的运行信息，生成待测环网柜的巡检周期特征预测值；

巡检模型预测模块，所述巡检模型预测模块根据待测环网柜的运行特征集合，构建待测环网柜的巡检间隔时长与巡检次数的关系模型，并根据构建的关系模型，生成的待测环网柜的巡检周期模型预测值；

运行管控反馈模块，所述运行管控反馈模块获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，结合待测环网柜的巡检周期特征预测值及巡检周期模型预测值，计算待测环网柜当前时间对应巡检时长的校准需求，生成待测环网柜基于当前时间的下一次的巡检时间点，并反馈给待测环网柜对应的管理员进行预警，辅助管理员对待测环网柜进行巡检管理。

进一步的，所述运行管控反馈模块包括校准需求判定单元及辅助反馈单元，

所述校准需求判定单元获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，结合待测环网柜的巡检周期特征预测值及巡检周期模型预测值，计算待测环网柜当前时间对应巡检时长的校准需求；

所述辅助反馈单元生成待测环网柜基于当前时间的下一次的巡检时间点，并反馈给待测环网柜对应的管理员进行预警，辅助管理员对待测环网柜进行巡检管理。

与现有技术相比，本发明所达到的有益效果是：本发明考虑到环网柜在不同阶段的运行状态的差异及环网柜在运行过程中周边的环境的差异，进而实现对环网柜巡检周期关系的分析，并从多角度对巡检周期进行预测（巡检周期特征预测值及巡检周期模型预测值），实现对待测环网柜对应的巡检周期的动态调整，确保对待测环网柜全周期运行数据的有效监管。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明基于人工智能的环网柜全周期运行数据监管方法的流程示意图；

图2是本发明基于人工智能的环网柜全周期运行数据监管系统的结构示意图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。

请参阅图1，本发明提供技术方案：基于人工智能的环网柜全周期运行数据监管方法，所述方法包括以下步骤：

S1、获取待测环网柜全周期运行数据中的每次历史检修时间；获取任意相邻的两个历史检修时间之间的时间区间内待测环网柜的运行信息，构建待测环网柜的运行特征集合；

所述S1中获取待测环网柜的每次历史检修时间的过程中，将待测环网柜在历史数据中第i次检修的时间记为Ti；历史数据中对待测环网柜执行检修操作的时间判定包括待测环网柜的使用时长达到相应的巡检周期节点时间及待测环网柜的出现故障的节点时间；

所述S1中任意相邻的两个历史检修时间之间的时间区间内待测环网柜的运行信息包括：待测环网柜在相应时间区间内每个时间点分别对应的温度、电网的供电功率及通讯干扰强度；所述通信干扰强度表示待测环网柜位置周边的干扰磁场强度；

所述S1中构建待测环网柜的运行特征集合时，待测环网柜的运行特征集合中每个元素对应一个运行信息，将待测环网柜的运行特征集合中第j个元素记为Aj；

所述Aj表示待测环网柜在历史数据中第j次检修的时间至第j+1次检修的时间构成的时间区间内的运行信息。

S2、提取待测环网柜的运行特征集合中各个元素对应的运行信息内的特征变量波动信息，预测巡检周期的综合干扰系数；

所述S2中预测巡检周期的综合干扰系数的方法包括以下步骤：

S21、获取待测环网柜的运行特征集合，并提取待测环网柜的运行特征集合中各个元素对应的运行信息内的特征变量波动信息，将Aj对应的特征变量波动信息记为Bj；

所述Bj={（TBj，t_Bj），DBj，QBj}，

t_Bj表示Aj对应的运行信息中温度超过预设温度的时间区间的区间长度；

TBj表示t_Bj对应时间区间中各个时间点对应温度的平均值；

DBj表示Aj对应的运行信息中电网的供电功率相应的最大值与最小值的差值；

QBj表示Aj对应的运行信息中通讯干扰强度；

S22、得到Aj对应的综合干扰系数，记为Gj，

Gj=r1·t_Bj·e^TBj/Tr+r2·DBj+r3·QBj，

其中，Tr表示温度参照系数，且Tr为数据库中预置的常数；r1、r2及r3分别为转化系数，且r1、r2及r3均为数据库中预置的常数；

S23、得到巡检周期的综合干扰系数，记为GX，所述GX等于待测环网柜的运行特征集合中各个元素分别对应的综合干扰系数的平均值。

S3、结合巡检周期的综合干扰系数、待测环网柜最后一次检修的时间及相应检修时间之后的运行信息，生成待测环网柜的巡检周期特征预测值；

所述S3中生成待测环网柜的巡检周期特征预测值的方法包括以下步骤：

S31、获取待测环网柜最后一次检修的时间，记为tz；获取待测环网柜从tz至当前时间对应的时间区间内的运行信息，记为AY；

S32、按照步骤S21~S22的内容，得到AY对应的综合干扰系数，记为GAY；

S33、生成待测环网柜的巡检周期特征预测值，记为TY1，

TY1=GX/GAY·tg，

其中，tg表示从tz至当前时间对应的时间区间的区间长度。

S4、根据待测环网柜的运行特征集合，构建待测环网柜的巡检间隔时长与巡检次数的关系模型，并根据构建的关系模型，生成的待测环网柜的巡检周期模型预测值；

所述S4中构建待测环网柜的巡检间隔时长与巡检次数的关系模型的方法包括以下步骤：

S41、获取待测环网柜的运行特征集合；构建待测环网柜的运行特征集合中每个元素对应的运行特征数据对，将待测环网柜的运行特征集合中第k个元素对应的运行特征数据对记为（Ck，Qk），其中，Qk表示待测环网柜的运行特征集合中第k个元素对应巡检次数的编号，且Qk=k+1；Ck表示待测环网柜的运行特征集合中第k个元素对应的时间区间的区间长度；

S42、以o为原点，以巡检次数为x轴且以巡检间隔时长为y轴，构建平面直角坐标系，并在平面直角坐标中对S41中得到的各个运行特征数据对相应的坐标点进行标记；

S43、按照x轴坐标值从小到大的顺序，依次连接平面直角坐标系中相邻的各个标记点，将所得的连接曲线作为待测环网柜的巡检间隔时长与巡检次数的关系模型，记为第一关系模型；

所述S4中生成待测环网柜的巡检周期模型预测值时，判断第一关系模型是否存在周期性，截取周期参照片段，所述周期参照片段为第一关系模型中对应的巡检次数最大的m个标记点对应的曲线片段，将所得周期参照片段对应的函数记为F1（x1）；将第一关系模型中除周期参照片段之外的曲线片段对应的函数记为F2（x2），x2∈[2，x1min）；

当x2对应的取值范围的区间长度小于x1对应的取值范围的区间长度，或者F1（x1）与F2（x2）的最小偏差特征值大于等于预设值时，则判定第一关系模型不存在周期性，待测环网柜的巡检周期模型预测值等于第一关系模型中对应的巡检次数最大的m个标记点中各个巡检间隔时长的平均值，记为YT；

反之，则判定第一关系模型存在周期性，并将F1（x1）与F2（x2）的最小偏差特征值记为P{F1（x1），F2（x2）}，令F3g（x1）=F2（x2+g），

，

其中，x1min表示周期参照片段对应的巡检次数的最小值，x1max表示周期参照片段对应的巡检次数的最大值；g∈[x1min-2，x1max-x1min]；

表示g为不同值时对应的各个中的最小值；将得到P{F1（x1），F2（x2）}时对应的g值记为g1；将第一关系模型中x轴坐标值为x1max-g1+1对应的巡检间隔时长作为待测环网柜的巡检周期模型预测值YT；

本实施例中判断第一关系模型是否存在周期性，是考虑到第一关系模型如果存在周期性，则可以直接根据周期性的变化性质，直接预测YT；而如果第一关系模型不存在周期性，则可以默认最后两次巡检周期对应时长的变化趋势具有参考价值，来预测YT；

S5、获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，结合待测环网柜的巡检周期特征预测值及巡检周期模型预测值，计算待测环网柜当前时间对应巡检时长的校准需求，生成待测环网柜基于当前时间的下一次的巡检时间点，并反馈给待测环网柜对应的管理员进行预警，辅助管理员对待测环网柜进行巡检管理。

所述S5中计算待测环网柜当前时间对应巡检时长的校准需求时，获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，记为th；获取待测环网柜的巡检周期特征预测值及巡检周期模型预测值；

若待测环网柜的巡检周期特征预测值及巡检周期模型预测值均大于或均小于th，则判定待测环网柜当前时间对应巡检时长存在校准需求，将待测环网柜的巡检周期特征预测值及巡检周期模型预测值中的最小值记为thmin，待测环网柜基于当前时间的下一次的巡检时间点为历史数据中待测环网柜最近一次的巡检时间点加上thmin后对应的时间点；

反之，则判定待测环网柜当前时间对应巡检时长不存在校准需求，待测环网柜基于当前时间的下一次的巡检时间点为历史数据中待测环网柜最近一次的巡检时间点加上th后对应的时间点。

本实施例中将待测环网柜的巡检周期特征预测值记为TY1；将待测环网柜的巡检周期模型预测值记为YT；将历史数据中待测环网柜最近一次的巡检时间点记为tzx；

若TY1＞th且YT＞th，则判定待测环网柜当前时间对应巡检时长存在校准需求，

若TY1＜th且YT＜th，则判定待测环网柜当前时间对应巡检时长存在校准需求，

待测环网柜当前时间对应巡检时长存在校准需求时，待测环网柜基于当前时间的下一次的巡检时间点等于thmin+tzx，且thmin=min{TY1，YT}；

若TY1≤th≤YT或YT≤th≤TY1，则判定待测环网柜当前时间对应巡检时长不存在校准需求，则待测环网柜基于当前时间的下一次的巡检时间点等于tzx+th；

如图2所示，基于人工智能的环网柜全周期运行数据监管系统，所述系统包括以下模块：

特征集合构建模块，所述特征集合构建模块获取待测环网柜全周期运行数据中的每次历史检修时间；获取任意相邻的两个历史检修时间之间的时间区间内待测环网柜的运行信息，构建待测环网柜的运行特征集合；

干扰分析预测模块，所述干扰分析预测模块提取待测环网柜的运行特征集合中各个元素对应的运行信息内的特征变量波动信息，预测巡检周期的综合干扰系数；

巡检特征预测模块，所述巡检特征预测模块结合巡检周期的综合干扰系数、待测环网柜最后一次检修的时间及相应检修时间之后的运行信息，生成待测环网柜的巡检周期特征预测值；

巡检模型预测模块，所述巡检模型预测模块根据待测环网柜的运行特征集合，构建待测环网柜的巡检间隔时长与巡检次数的关系模型，并根据构建的关系模型，生成的待测环网柜的巡检周期模型预测值；

运行管控反馈模块，所述运行管控反馈模块获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，结合待测环网柜的巡检周期特征预测值及巡检周期模型预测值，计算待测环网柜当前时间对应巡检时长的校准需求，生成待测环网柜基于当前时间的下一次的巡检时间点，并反馈给待测环网柜对应的管理员进行预警，辅助管理员对待测环网柜进行巡检管理。

所述运行管控反馈模块包括校准需求判定单元及辅助反馈单元，

所述校准需求判定单元获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，结合待测环网柜的巡检周期特征预测值及巡检周期模型预测值，计算待测环网柜当前时间对应巡检时长的校准需求；

所述辅助反馈单元生成待测环网柜基于当前时间的下一次的巡检时间点，并反馈给待测环网柜对应的管理员进行预警，辅助管理员对待测环网柜进行巡检管理。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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。

Claims (8)

1.基于人工智能的环网柜全周期运行数据监管方法，其特征在于，所述方法包括以下步骤：

S1、获取待测环网柜全周期运行数据中的每次历史检修时间；获取任意相邻的两个历史检修时间之间的时间区间内待测环网柜的运行信息，构建待测环网柜的运行特征集合；

S2、提取待测环网柜的运行特征集合中各个元素对应的运行信息内的特征变量波动信息，预测巡检周期的综合干扰系数；

S3、结合巡检周期的综合干扰系数、待测环网柜最后一次检修的时间及相应检修时间之后的运行信息，生成待测环网柜的巡检周期特征预测值；

S4、根据待测环网柜的运行特征集合，构建待测环网柜的巡检间隔时长与巡检次数的关系模型，并根据构建的关系模型，生成的待测环网柜的巡检周期模型预测值；

S5、获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，结合待测环网柜的巡检周期特征预测值及巡检周期模型预测值，计算待测环网柜当前时间对应巡检时长的校准需求，生成待测环网柜基于当前时间的下一次的巡检时间点，并反馈给待测环网柜对应的管理员进行预警，辅助管理员对待测环网柜进行巡检管理。

2.根据权利要求1所述的基于人工智能的环网柜全周期运行数据监管方法，其特征在于：所述S1中获取待测环网柜的每次历史检修时间的过程中，将待测环网柜在历史数据中第i次检修的时间记为Ti；历史数据中对待测环网柜执行检修操作的时间判定包括待测环网柜的使用时长达到相应的巡检周期节点时间及待测环网柜的出现故障的节点时间；

所述S1中任意相邻的两个历史检修时间之间的时间区间内待测环网柜的运行信息包括：待测环网柜在相应时间区间内每个时间点分别对应的温度、电网的供电功率及通讯干扰强度；所述通信干扰强度表示待测环网柜位置周边的干扰磁场强度；

所述S1中构建待测环网柜的运行特征集合时，待测环网柜的运行特征集合中每个元素对应一个运行信息，将待测环网柜的运行特征集合中第j个元素记为Aj；

所述Aj表示待测环网柜在历史数据中第j次检修的时间至第j+1次检修的时间构成的时间区间内的运行信息。

3.根据权利要求2所述的基于人工智能的环网柜全周期运行数据监管方法，其特征在于：所述S2中预测巡检周期的综合干扰系数的方法包括以下步骤：

S21、获取待测环网柜的运行特征集合，并提取待测环网柜的运行特征集合中各个元素对应的运行信息内的特征变量波动信息，将Aj对应的特征变量波动信息记为Bj；

所述Bj={（TBj，t_Bj），DBj，QBj}，

t_Bj表示Aj对应的运行信息中温度超过预设温度的时间区间的区间长度；

TBj表示t_Bj对应时间区间中各个时间点对应温度的平均值；

DBj表示Aj对应的运行信息中电网的供电功率相应的最大值与最小值的差值；

QBj表示Aj对应的运行信息中通讯干扰强度；

S22、得到Aj对应的综合干扰系数，记为Gj，

Gj=r1·t_Bj·e^TBj/Tr+r2·DBj+r3·QBj，

其中，Tr表示温度参照系数，且Tr为数据库中预置的常数；r1、r2及r3分别为转化系数，且r1、r2及r3均为数据库中预置的常数；

S23、得到巡检周期的综合干扰系数，记为GX，所述GX等于待测环网柜的运行特征集合中各个元素分别对应的综合干扰系数的平均值。

4.根据权利要求1所述的基于人工智能的环网柜全周期运行数据监管方法，其特征在于：所述S3中生成待测环网柜的巡检周期特征预测值的方法包括以下步骤：

S31、获取待测环网柜最后一次检修的时间，记为tz；获取待测环网柜从tz至当前时间对应的时间区间内的运行信息，记为AY；

S32、按照步骤S21~S22的内容，得到AY对应的综合干扰系数，记为GAY；

S33、生成待测环网柜的巡检周期特征预测值，记为TY1，

TY1=GX/GAY·tg，

其中，tg表示从tz至当前时间对应的时间区间的区间长度。

5.根据权利要求1所述的基于人工智能的环网柜全周期运行数据监管方法，其特征在于：所述S4中构建待测环网柜的巡检间隔时长与巡检次数的关系模型的方法包括以下步骤：

S41、获取待测环网柜的运行特征集合；构建待测环网柜的运行特征集合中每个元素对应的运行特征数据对，将待测环网柜的运行特征集合中第k个元素对应的运行特征数据对记为（Ck，Qk），其中，Qk表示待测环网柜的运行特征集合中第k个元素对应巡检次数的编号，且Qk=k+1；Ck表示待测环网柜的运行特征集合中第k个元素对应的时间区间的区间长度；

S42、以o为原点，以巡检次数为x轴且以巡检间隔时长为y轴，构建平面直角坐标系，并在平面直角坐标中对S41中得到的各个运行特征数据对相应的坐标点进行标记；

S43、按照x轴坐标值从小到大的顺序，依次连接平面直角坐标系中相邻的各个标记点，将所得的连接曲线作为待测环网柜的巡检间隔时长与巡检次数的关系模型，记为第一关系模型；

所述S4中生成待测环网柜的巡检周期模型预测值时，判断第一关系模型是否存在周期性，截取周期参照片段，所述周期参照片段为第一关系模型中对应的巡检次数最大的m个标记点对应的曲线片段，将所得周期参照片段对应的函数记为F1（x1）；将第一关系模型中除周期参照片段之外的曲线片段对应的函数记为F2（x2），x2∈[2，x1min）；

当x2对应的取值范围的区间长度小于x1对应的取值范围的区间长度，或者F1（x1）与F2（x2）的最小偏差特征值大于等于预设值时，则判定第一关系模型不存在周期性，待测环网柜的巡检周期模型预测值等于第一关系模型中对应的巡检次数最大的m个标记点中各个巡检间隔时长的平均值，记为YT；

反之，则判定第一关系模型存在周期性，并将F1（x1）与F2（x2）的最小偏差特征值记为P{F1（x1），F2（x2）}，令F3g（x1）=F2（x2+g），

，

其中，x1min表示周期参照片段对应的巡检次数的最小值，x1max表示周期参照片段对应的巡检次数的最大值；g∈[x1min-2，x1max-x1min]；

表示g为不同值时对应的各个中的最小值；将得到P{F1（x1），F2（x2）}时对应的g值记为g1；将第一关系模型中x轴坐标值为x1max-g1+1对应的巡检间隔时长作为待测环网柜的巡检周期模型预测值YT。

6.根据权利要求1所述的基于人工智能的环网柜全周期运行数据监管方法，其特征在于：所述S5中计算待测环网柜当前时间对应巡检时长的校准需求时，获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，记为th；获取待测环网柜的巡检周期特征预测值及巡检周期模型预测值；

若待测环网柜的巡检周期特征预测值及巡检周期模型预测值均大于或均小于th，则判定待测环网柜当前时间对应巡检时长存在校准需求，将待测环网柜的巡检周期特征预测值及巡检周期模型预测值中的最小值记为thmin，待测环网柜基于当前时间的下一次的巡检时间点为历史数据中待测环网柜最近一次的巡检时间点加上thmin后对应的时间点；

反之，则判定待测环网柜当前时间对应巡检时长不存在校准需求，待测环网柜基于当前时间的下一次的巡检时间点为历史数据中待测环网柜最近一次的巡检时间点加上th后对应的时间点。

7.基于人工智能的环网柜全周期运行数据监管系统，所述系统应用权利要求1-6中任意一项所述基于人工智能的环网柜全周期运行数据监管方法实现，其特征在于，所述系统包括以下模块：

特征集合构建模块，所述特征集合构建模块获取待测环网柜全周期运行数据中的每次历史检修时间；获取任意相邻的两个历史检修时间之间的时间区间内待测环网柜的运行信息，构建待测环网柜的运行特征集合；

干扰分析预测模块，所述干扰分析预测模块提取待测环网柜的运行特征集合中各个元素对应的运行信息内的特征变量波动信息，预测巡检周期的综合干扰系数；

巡检特征预测模块，所述巡检特征预测模块结合巡检周期的综合干扰系数、待测环网柜最后一次检修的时间及相应检修时间之后的运行信息，生成待测环网柜的巡检周期特征预测值；

巡检模型预测模块，所述巡检模型预测模块根据待测环网柜的运行特征集合，构建待测环网柜的巡检间隔时长与巡检次数的关系模型，并根据构建的关系模型，生成的待测环网柜的巡检周期模型预测值；

运行管控反馈模块，所述运行管控反馈模块获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，结合待测环网柜的巡检周期特征预测值及巡检周期模型预测值，计算待测环网柜当前时间对应巡检时长的校准需求，生成待测环网柜基于当前时间的下一次的巡检时间点，并反馈给待测环网柜对应的管理员进行预警，辅助管理员对待测环网柜进行巡检管理。

8.根据权利要求7所述的基于人工智能的环网柜全周期运行数据监管系统，其特征在于：所述运行管控反馈模块包括校准需求判定单元及辅助反馈单元，

所述校准需求判定单元获取待测环网柜的运行特征集合中最后一个元素对应运行信息相应的时间区间长度，结合待测环网柜的巡检周期特征预测值及巡检周期模型预测值，计算待测环网柜当前时间对应巡检时长的校准需求；

所述辅助反馈单元生成待测环网柜基于当前时间的下一次的巡检时间点，并反馈给待测环网柜对应的管理员进行预警，辅助管理员对待测环网柜进行巡检管理。