CN117974099A - 一种基于智慧地钉的场馆供电路径保障方法 - Google Patents

Abstract

本发明公开了一种基于智慧地钉的场馆供电路径保障方法。为了克服现有技术对复杂供电路径供电保护方法决策不佳耗费资源的问题，本发明浮标本体包括将智慧地钉的参数接入管控看板，管控看板显示电力分区，集中监管智慧地钉电力状况；建立K‑means聚类模型识别智慧地钉所在电力分布区域和分布情况；设置分布情况异常指标，对异常指标区域改变供电结构。与智慧地钉结合，将探查到的参数快速传输至面板，实现对复杂的供电路径分区监管，利用K‑means聚类模型确定异常参数所在分区位置，进而判断直接进行区域调控还是单个设备维护，保证资源利用的最大化。

Description

一种基于智慧地钉的场馆供电路径保障方法

技术领域

本发明涉及一种电气工程或电力系统自动化领域，尤其涉及一种基于智慧地钉的场馆供电路径保障方法。

背景技术

现有技术相较于智慧地钉的数据收集速率耗费时间更长，可能无法有效地收集和处理供电路径相关的各种数据，如电流、电压、温度等，这限制了对于供电路径状态的全面了解和准确评估此外，在进行场馆控制中，现有技术普遍缺少对设备分区管控的思路，针对性地对各个设备进行把控往往更加耗费资源，这使得系统在面对复杂多变的供电路径环境时，难以做出最优的决策和调整，从而影响了供电的稳定性和效率。

例如，一种在中国专利文献上公开的“一种终端设备供电动态风险评估方法、系统、设备及介质”，其公告号CN114154848B，包括针对场馆供电系统和终端设备用电的计划性及规律性，综合供电设备的内外影响因素和供电路径的整体运行情况，根据场馆未来用电计划，确定计划时间段内各终端设备的实时运行风险，为场馆供电系统的运行维护以及风险预警工作提供参考。方案通过大量历史数据模拟预测设备运行时的风险，采用整体预测和针对性评估的方法，无法实现对设备的分区调节，较为耗费资源。

发明内容

本发明主要解决现有技术对复杂供电路径供电保护方法决策不佳耗费资源的问题；提供一种基于智慧地钉的场馆供电路径保障方法，与智慧地钉结合，将探查到的参数快速传输至面板，实现对复杂的供电路径分区监管，利用K-means聚类模型确定异常参数所在分区位置，进而判断直接进行区域调控还是单个设备维护，保证资源利用的最大化。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

本发明包括：将智慧地钉的参数接入管控看板，管控看板显示电力分区，集中监管智慧地钉电力状况；建立K-means聚类模型识别智慧地钉所在电力分布区域和分布情况；设置分布情况异常指标，对异常指标区域改变供电结构。这种基于智慧地钉的场馆供电路径保障方法，可以实时监测电力状况，方便集中监管。通过K-means聚类模型，可以识别智慧地钉所在的电力分布区域和分布情况，有助于更好地理解电力消耗和分布模式。设置异常指标可以及时发现供电问题，针对异常指标区域改变供电结构，可以优化电力分配，提高供电效率。

作为优选，所述的将相邻智慧地钉成立微分区架构，数据统一接入管控看板后台；管控看板提供分区操作模块，统一管控各微分区智慧地钉的接入参数；分区操作模块选择分别对各微分区或单个智慧地钉的电流和电压参数进行调节。将相邻智慧地钉成立微分区架构，数据统一接入管控看板后台，可以实现对电力分布的精细化管理。管控看板提供分区操作模块，统一管控各微分区智慧地钉的接入参数，可以提高管理效率和准确性。通过分区操作模块选择分别对各微分区或单个智慧地钉的电流和电压参数进行调节，可以更好地满足场馆的电力需求，提高电力使用效率。

作为优选，所述的初始化模型，选择K个初始聚类中心：(C_1,C_2,...,C_K)，其中每个中心都是一个三维向量，代表温度T、电流I和电压V的初始值；分配参数数据点至最近的聚类中心：设定对于每个时间点t，均有数据点((T(t),I(t),V(t)))，计算数据点至各聚类中心的欧氏距离，选取欧氏距离最短的聚类中心与该数据点关联记录，并载入控制看板后台。这种初始化模型和分配参数数据点的方法，有助于准确地将数据点归类到相应的聚类中心，提高聚类分析的准确性。同时，通过控制看板后台的载入，可以实时监控电力分布情况，为决策者提供及时、准确的数据支持，有助于优化电力分配和保障电力系统的稳定运行。

作为优选，所述的更新聚类中心：对于每个聚类i，重新计算其所有数据点的均值来更新聚类中心：(\mu_i＝\frac{\sum_{x\in C_i}x}{|C_i|})；其中(\sum_{x\in C_i}x)是聚类i中所有数据点的和，(|C_i|)是聚类i的数据点数量；将(\mu_i)作为新的聚类中心(C_i)；迭代：设置迭代次数N，重复分配参数至最近的聚类中心，并不断更新聚类中心，直至达到迭代次数N后停止迭代，将所有智慧地钉参数与分区对应传输至管控看板后台。更新聚类中心和迭代过程可以帮助模型不断优化电力分配，提高供电效率。通过重新计算每个聚类中心的均值，可以更好地反映电力分布情况，并及时调整供电策略，确保电力系统的稳定运行。设置迭代次数并停止迭代后，将所有智慧地钉参数与分区对应传输至管控看板后台，可以方便管理者进行统一管理和监控，提高管理效率。

作为优选，所述的计算各数据点到每个聚类中心的欧氏距离：(d(x,C_i)＝\sqrt{(T(t)-C_i^T)^2+(I(t)-C_i^I)^2+(V(t)-C_i^V)^2})；其中(C_i^T,C_i^I,C_i^V)分别是聚类中心(C_i)的温度、电流和电压值；将数据点((T(t),I(t),V(t)))分配到距离最近的聚类中心，记作(C_{nearest})。计算各数据点到每个聚类中心的欧氏距离，有助于准确地将数据点归类到最近的聚类中心，提高聚类分析的准确性。通过将数据点分配到距离最近的聚类中心，可以更好地反映电力分布情况，为后续的电力分配和优化提供准确的数据支持。

作为优选，所述的对于每个聚类i，计算其平均电压值(或电流值、温度值)：(\bar{V}i＝\frac{\sum{x\in C_i}V(t)}{|C_i|})；其中(\sum_{x\in C_i}V(t))是聚类i中所有数据点的电压值的和，(|C_i|)是聚类i的数据点数量；使用ARIMA模型根据历史数据预测未来时间点的异常参数值进行智慧地钉的参数异常状况预测，分别针对电压、电流和温度建立相关的预测模型。计算每个聚类的平均电压值(或电流值、温度值)可以更好地了解电力分布情况，为后续的供电策略提供数据支持。使用ARIMA模型进行智慧地钉的参数异常状况预测，可以及时发现供电问题，为维护人员提供准确的维修指导，提高供电可靠性和稳定性。同时，针对电压、电流和温度建立相关的预测模型，可以全面覆盖电力系统的运行状况，更好地保障场馆的电力需求。

作为优选，所述的建立电压预测模型：(V_{pred}(t+1)＝\sum_{j＝1}^{p}a_j[V_{pred}(t-j)-c V_{true}(t-j)]+c V_{true}(t))；其中V_{pred}(t+1)是未来时间点的预测电压值，a_j是模型参数，V_{pred}(t-j)和V_{true}(t-j)分别是过去时间点的预测和实际电压值，c是差分参数。电压预测模型可以基于历史数据预测未来时间点的电压值，为供电策略提供准确的数据支持。通过模型参数的调整和差分参数的引入，可以更好地拟合实际电压变化的趋势，提高预测的准确性和可靠性。这种预测方法可以为场馆的电力分配和优化提供有力的支持，提高供电效率和稳定性。

作为优选，建立电流预测模型：(I_{pred}(t+1)＝\sum_{j＝1}^{p}a_j[I_{pred}(t-j)-cI_{true}(t-j)]+c I_{true}(t))；其中I_{pred}(t+1)是未来时间点的预测电压值，a_j是模型参数，I_{pred}(t-j)和I_{true}(t-j)分别是过去时间点的预测和实际电流值，c是差分参数。电流预测模型同样基于历史数据，可以预测未来时间点的电流值，为供电策略提供数据支持。通过调整模型参数和差分参数，可以更好地拟合实际电流变化的趋势，提高预测的准确性和可靠性。这种预测方法可以为场馆的电力分配和优化提供有力支持，确保电流稳定供应，满足场馆的电力需求。

作为优选，建立温度预测模型：(T_{pred}(t+1)＝\sum_{j＝1}^{p}a_j[T_{pred}(t-j)-cT_{true}(t-j)]+c T_{true}(t))；其中T_{pred}(t+1)是未来时间点的预测电压值，a_j是模型参数，T_{pred}(t-j)和T_{true}(t-j)分别是过去时间点的预测和实际温度值，c是差分参数。建立温度预测模型的好处在于，它可以根据历史温度数据预测未来时间点的温度值，为场馆的空调系统或其他温度敏感设备的运行提供数据支持。通过调整模型参数和差分参数，可以更好地拟合实际温度变化的趋势，提高预测的准确性和可靠性。这种预测方法可以为场馆提供更加精确的温度控制，提高观众的舒适度，同时也有助于节能减排，降低运营成本。

作为优选，设置电压异常波动范围U_min,U_max，电流异常波动范围I_min,I_max，温度异常波动范围T_min,T_max；若预测电压值处于电压异常波动范围外，则判定电压预计异常，采取电压异常防护措施；若预测电流值处于电流异常波动范围外，则判定电流预计异常，采取电流异常防护措施；若预测温度值处于温度异常波动范围外，则判定温度预计异常，采取温度异常防护措施。设置电压、电流和温度异常波动范围，有助于及时发现并处理异常情况，采取相应的防护措施，确保电力系统的稳定运行。

本发明的有益效果是：

1.本发明的一种基于智慧地钉的场馆供电路径保障方法，通过实时监测和预测电力系统的运行状态，可以及时发现并处理异常情况，采取相应的防护措施，确保电力系统的稳定运行；同时，通过建立分区架构和更新聚类中心的方法，可以更好地了解电力分布情况，为后续的供电策略提供准确的数据支持。

2.本发明的一种基于智慧地钉的场馆供电路径保障方法，通过建立电压、电流和温度预测模型，可以基于历史数据预测未来时间点的参数值，为供电策略提供准确的数据支持；这不仅有助于提高供电效率，而且可以为场馆的电力分配和优化提供有力的支持，确保电流稳定供应，满足场馆的电力需求；同时，设置异常波动范围可以及时发现并处理异常情况，采取相应的防护措施，确保电力系统的稳定运行。

附图说明

图1是本发明的一种基于智慧地钉的场馆供电路径保障方法流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例1：

本实施例的一种基于智慧地钉的场馆供电路径保障方法，如图1所示，具体包括以下步骤：

步骤1：在场馆内布设智慧地钉，并将智慧地钉采集的参数数据统一接入管控看板后台，并在管控看板前端显示智慧地钉位置及参数。

步骤2：建立并初始化K-means聚类模型，对智慧地钉的具体位置设置微分区架构，利用K-means聚类模型确定各个微分区的智慧地钉位置以及智慧地钉组成，便于管控看板进行管理。

步骤3：识别参数数据，并将具备电压、电流、温度三维度的参数数据点分配至最近的聚类中心，在增加拓扑结构中数据点的数量，并不断更新聚类中心数据点的位置，迭代直至所有数据点都涵盖在拓扑图内，其中每个数据点的位置均与实际场馆内的智慧地钉位置对应，参数一致。

步骤4：将所有智慧地钉的参数与分区对应传输至管控看板后台，实现参数数据同步，并且根据K-means包含的算法计算每个数据点到其各自聚类中心的欧氏距离。

步骤5：计算每个聚类的平均电压值、电流值、温度值，分别根据欧氏距离、平均参数值以及之前得到的拓扑结构建立智慧地钉所在数据点的电压、电流、温度的预测模型。

步骤6：分别设置电压、电流、温度阈值，带入实际的智慧地钉参数，并且分别判断电压、电流或温度是否超出阈值。

步骤7：若电压、电流或温度处于各自阈值范围外，则判定其会发生异常波动，根据预设的预防措施对上述三种情况分别进行预防。

步骤8：判断是否完成所有智慧地钉的参数探查，若未完成，则调准直步骤6，查漏筛查，直至完成所有参数探查，结束一次巡查循环。

实施例2：

本实施例的一种基于智慧地钉的场馆供电路径保障方法，具体包括以下步骤：

S1：将智慧地钉的参数接入管控看板，实现电力分区的集中监管，实时监控智慧地钉的电力状况。

S1.1：建立微分区架构，将相邻的智慧地钉纳入同一分区，并将数据统一接入管控看板后台。通过管控看板的分区操作模块，可以统一管理每个微分区内的智慧地钉参数。具体而言，可以根据需要对每个微分区或单个智慧地钉的电流和电压参数进行调节。

S2：使用K-means聚类算法识别智慧地钉的电力分布区域和分布情况。

S2.1：初始化K-means模型，选择K个初始聚类中心，每个中心都是一个包含温度T、电流I和电压V的三维向量。这些初始中心是通过随机选择或基于先验知识来确定。

S2.2：对于每个时间点t，获取数据点((T(t),I(t),V(t)))。然后，计算每个数据点到每个聚类中心的欧氏距离。欧氏距离是衡量数据点与聚类中心之间距离的常用方法，其计算公式为：d(x,C_i)＝sqrt((T(t)-C_i^T)^2+(I(t)-C_i^I)^2+(V(t)-C_i^V)^2)。其中，(C_i^T,C_i^I,C_i^V)是聚类中心C_i的初始温度、电流和电压值。

接着，将每个数据点分配到距离最近的聚类中心。这一步是通过比较所有聚类中心的距离，并选择距离最小的中心来完成。完成分配后，将数据点与对应的聚类中心关联记录，并将这些信息载入控制看板后台。

S2.3：对于每个聚类i，重新计算其所有数据点的均值来更新聚类中心。均值是聚类中心的新位置，它反映了该聚类中所有数据点的平均值。计算公式为：\mu_i＝\frac{\sum_{x\in C_i}x}{|C_i|}。其中，(\sum_{x\in C_i}x)是聚类i中所有数据点的和，(|C_i|)是聚类i的数据点数量。

完成更新后，新的聚类中心成为下一次迭代的初始中心。

S2.4：设置迭代次数N，重复执行S2.2和S2.3步骤。在每次迭代中，都会重新分配数据点到最近的聚类中心，并更新聚类中心的位置。这个过程会持续进行，直到达到指定的迭代次数N。

当迭代次数达到N时，停止迭代。此时，所有的智慧地钉参数与分区已经对应传输至管控看板后台。这样，就可以通过管控看板对电力分布区域和分布情况进行实时监控和分析。

S3：设置分布情况异常指标，对异常指标区域改变供电结构。

S3.1：在每个聚类i中，需要计算其平均电压值(或电流值、温度值)。平均电压值是聚类i中所有数据点的电压值的总和除以聚类i的数据点数量。这个计算有助于了解每个聚类的电压(或电流、温度)分布情况，从而发现异常区域。

S3.2：为了预测未来时间点的异常参数值，使用了一种称为ARIMA的模型。这个模型是用来预测时间序列数据的，它能够根据历史数据预测未来的参数值。在这里，分别为电压、电流和温度建立了相关的预测模型。

S3.2.1：电压预测模型是基于历史电压数据建立的。模型参数a_j反映了电压过去值与未来值之间的关系。通过训练模型，可以得到这些参数的最佳估计值，从而预测未来时间点的电压值。公式为：V_{pred}(t+1)＝\sum_{j＝1}^{p}a_j[V_{pred}(t-j)-c V_{true}(t-j)]+cV_{true}(t))。其中，V_{pred}(t+1)是未来时间点的预测电压值，a_j是模型参数，V_{pred}(t-j)和V_{true}(t-j)分别是过去时间点的预测和实际电压值，c是差分参数。

S3.2.2：电流预测模型与电压预测模型类似，也是基于历史电流数据建立的。通过考虑电流的过去值和实际值，能够预测未来时间点的电流值。公式为：I_{pred}(t+1)＝\sum_{j＝1}^{p}a_j[I_{pred}(t-j)-c I_{true}(t-j)]+c I_{true}(t))。其中，I_{pred}(t+1)是未来时间点的预测电压值，a_j是模型参数，I_{pred}(t-j)和I_{true}(t-j)分别是过去时间点的预测和实际电流值，c是差分参数。

S3.2.3：对于温度的预测，采用了类似的方法。通过考虑温度的过去值和实际值，建立了温度的预测模型，用于预测未来时间点的温度值。公式为：T_{pred}(t+1)＝\sum_{j＝1}^{p}a_j[T_{pred}(t-j)-c T_{true}(t-j)]+c T_{true}(t))。其中，T_{pred}(t+1)是未来时间点的预测电压值，a_j是模型参数，T_{pred}(t-j)和T_{true}(t-j)分别是过去时间点的预测和实际温度值，c是差分参数。

S3.3：为了判断电压、电流和温度是否异常，设定了相应的异常波动范围。如果预测的电压值超出了设定的U_min和U_max范围，就认为电压预计异常。同样，如果预测的电流值超出了I_min和I_max范围，或者预测的温度值超出了T_min和T_max范围，就认为电流或温度预计异常。

一旦识别出异常指标，会立即采取相应的防护措施。例如，对于电压异常，可以调整供电结构，如增加线路负载或调整变压器设置；对于电流异常，可以检查线路是否过载或短路；对于温度异常，可以增加冷却设备或调整设备运行模式以降低温度。这些措施旨在确保供电系统的稳定运行，并减少潜在的设备损坏或故障风险。同时也可以提醒工作人员及时进行维修和排查，保障电力系统的稳定运行。

此外对于相关公式的计算：首先，根据S3.2.1的电压预测模型，可以计算未来时间点的预测电压值。假设有历史电压数据V_true(t-j)，模型参数a_j和差分参数c，可以使用以下公式计算V_{pred}(t+1)：

V_{pred}(t+1)＝\sum_{j＝1}^{p}a_j[V_{pred}(t-j)-c V_{true}(t-j)]+c V_{true}(t)

为了计算V_{pred}(t+1)，需要知道V_{pred}(t-j)和V_{true}(t-j)的值。通常可以使用历史数据来估计这些值。

类似地，根据S3.2.2的电流预测模型，可以计算未来时间点的预测电流值I_{pred}(t+1)：I_{pred}(t+1)＝sum of terms related to I_{pred}(t-j),I_{true}(t-j),a_j,and c

同样地，根据S3.2.3的温度预测模型，可以计算未来时间点的预测温度值T_{pred}(t+1)：

T_{pred}(t+1)＝sum of terms related to T_{pred}(t-j),T_{true}(t-j),a_j,and c

在计算这些预测值后，可以使用S3.3中设定的异常波动范围来判断电压、电流和温度是否异常。如果预测值超出了设定的范围，就可以采取相应的防护措施。

需要注意的是，这些计算需要基于历史数据和适当的模型参数进行。在实际应用中，可能需要通过训练模型来估计这些参数，并使用适当的算法进行优化和调整。

在设置异常波动范围的阈值时，可以考虑以下建议：首先，根据设备或系统的正常运行范围来确定阈值，这可以通过观察历史数据或参考类似设备的正常运行范围来实现；其次，根据设备的规格和运行条件来设定阈值，设备的规格说明书或操作手册通常会提供关于正常运行范围的指导，可以作为设定阈值的参考；再次，根据系统的负载和运行情况来调整阈值，例如在电力系统中可以根据线路的负载情况来调整电压和电流的阈值；此外，在设置阈值时需要确保系统能够在异常情况下保持稳定运行并避免对设备和系统造成损坏或故障；同时设定可调整的阈值范围以便根据实际情况进行调整；最后可以参考类似系统和设备的阈值设置以了解正常范围和异常情况下的阈值设置。需要注意的是阈值的设置应该基于实际情况和专业知识来进行在设定阈值之前建议进行充分的研究和分析以确保阈值的合理性和有效性。

应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (10)

1.一种基于智慧地钉的场馆供电路径保障方法，其特征在于，包括：

S1：将智慧地钉的参数接入管控看板，管控看板显示电力分区，集中监管智慧地钉电力状况；

S2：建立K-means聚类模型识别智慧地钉所在电力分布区域和分布情况；

S3：设置分布情况异常指标，对异常指标区域改变供电结构。

2.根据权利要求1所述的一种基于智慧地钉的场馆供电路径保障方法，其特征在于，S1.1：将相邻智慧地钉成立微分区架构，数据统一接入管控看板后台；

管控看板提供分区操作模块，统一管控各微分区智慧地钉的接入参数；

分区操作模块选择分别对各微分区或单个智慧地钉的电流和电压参数进行调节。

3.根据权利要求2所述的一种基于智慧地钉的场馆供电路径保障方法，其特征在于，S2.1：初始化模型，选择K个初始聚类中心：(C_1,C_2,...,C_K)，其中每个中心都是一个三维向量，代表温度T、电流I和电压V的初始值；

S2.2：分配参数数据点至最近的聚类中心：设定对于每个时间点t，均有数据点((T(t),I(t),V(t)))，计算数据点至各聚类中心的欧氏距离，选取欧氏距离最短的聚类中心与该数据点关联记录，并载入控制看板后台。

4.根据权利要求3所述的一种基于智慧地钉的场馆供电路径保障方法，其特征在于，还包括：S2.3：更新聚类中心：对于每个聚类i，重新计算其所有数据点的均值来更新聚类中心：(\mu_i＝\frac{\sum_{x\in C_i}x}{|C_i|})；其中(\sum_{x\in C_i}x)是聚类i中所有数据点的和，(|C_i|)是聚类i的数据点数量；将(\mu_i)作为新的聚类中心(C_i)；

S2.4：迭代：设置迭代次数N，重复分配参数至最近的聚类中心，并不断更新聚类中心，直至达到迭代次数N后停止迭代，将所有智慧地钉参数与分区对应传输至管控看板后台。

5.根据权利要求3所述的一种基于智慧地钉的场馆供电路径保障方法，其特征在于，S2.2中计算各数据点到每个聚类中心的欧氏距离：(d(x,C_i)＝\sqrt{(T(t)-C_i^T)^2+(I(t)-C_i^I)^2+(V(t)-C_i^V)^2})；

其中(C_i^T,C_i^I,C_i^V)分别是聚类中心(C_i)的温度、电流和电压值；

将数据点((T(t),I(t),V(t)))分配到距离最近的聚类中心，记作(C_{nearest})。

6.根据权利要求4或5所述的一种基于智慧地钉的场馆供电路径保障方法，其特征在于，S3.1：对于每个聚类i，计算其平均电压值(或电流值、温度值)：(\bar{V}i＝\frac{\sum{x\in C_i}V(t)}{|C_i|})；其中(\sum_{x\in C_i}V(t))是聚类i中所有数据点的电压值的和，(|C_i|)是聚类i的数据点数量；

S3.2：使用ARIMA模型根据历史数据预测未来时间点的异常参数值进行智慧地钉的参数异常状况预测，分别针对电压、电流和温度建立相关的预测模型。

7.根据权利要求6所述的一种基于智慧地钉的场馆供电路径保障方法，其特征在于，S3.2.1：建立电压预测模型：(V_{pred}(t+1)＝\sum_{j＝1}^{p}a_j[V_{pred}(t-j)-c V_{true}(t-j)]+c V_{true}(t))；

其中V_{pred}(t+1)是未来时间点的预测电压值，a_j是模型参数，V_{pred}(t-j)和V_{true}(t-j)分别是过去时间点的预测和实际电压值，c是差分参数。

8.根据权利要求7所述的一种基于智慧地钉的场馆供电路径保障方法，其特征在于，S3.2.2：建立电流预测模型：(I_{pred}(t+1)＝\sum_{j＝1}^{p}a_j[I_{pred}(t-j)-c I_{true}(t-j)]+c I_{true}(t))；

其中I_{pred}(t+1)是未来时间点的预测电压值，a_j是模型参数，I_{pred}(t-j)和I_{true}(t-j)分别是过去时间点的预测和实际电流值，c是差分参数。

9.根据权利要求8所述的一种基于智慧地钉的场馆供电路径保障方法，其特征在于，S3.2.3：建立温度预测模型：(T_{pred}(t+1)＝\sum_{j＝1}^{p}a_j[T_{pred}(t-j)-c T_{true}(t-j)]+c T_{true}(t))；

其中T_{pred}(t+1)是未来时间点的预测电压值，a_j是模型参数，T_{pred}(t-j)和T_{true}(t-j)分别是过去时间点的预测和实际温度值，c是差分参数。

10.根据权利要求9所述的一种基于智慧地钉的场馆供电路径保障方法，其特征在于，S3.3：设置电压异常波动范围U_min,U_max，电流异常波动范围I_min,I_max，温度异常波动范围T_min,T_max；

若预测电压值处于电压异常波动范围外，则判定电压预计异常，采取电压异常防护措施；

若预测电流值处于电流异常波动范围外，则判定电流预计异常，采取电流异常防护措施；

若预测温度值处于温度异常波动范围外，则判定温度预计异常，采取温度异常防护措施。