CN118033297A - 一种多模态智能接地箱的监测方法 - Google Patents

Abstract

本发明涉及接地箱运行状态监测技术领域，具体涉及一种多模态智能接地箱的监测方法，该方法包括：构建电流数据序列和温度数据序列，获取电流孤立特征值和温度孤立特征值；获取各疑似噪声时刻的突变随机程度；获取各采集时刻的电流中心聚集程度和温度中心聚集程度；获取各疑似噪声时刻的电流局部密度序列和温度局部密度序列；获取各疑似噪声时刻的关联异常指数；获取各周期的周期关联异常程度；计算综合关联异常指数，进而对接地箱进行监测。本发明考虑不同种类的数据之间的变化相关关系，提高了对接地箱的故障的监测精度。

Description

一种多模态智能接地箱的监测方法

技术领域

本申请涉及接地箱运行状态监测技术领域，具体涉及一种多模态智能接地箱的监测方法。

背景技术

接地箱是电力系统中一种用于保护人身安全和设备安全的装置。它通常是一个金属箱子，内部有一个或多个接地棒，可以将电气设备的金属外壳与地面连接起来，形成一条安全的漏电回路，使得故障电流能够通过接地线路流回地面，从而避免对人体和其他设备的危害。智能接地箱，是在传统接地箱中，通过增加监测单元，使其具备环流监测、主缆负荷电流监测、护层感应过监测、接头温湿度监测、故障定位和隐患监测等功能；并通过模块化设计方式，满足不同场景的功能需求。

目前对于接地箱的监测是通过对单个类型的数据的变化监测实现的，忽视不同种类的数据之间的变化相关关系，因此，监测过程中容易受到环境变化以及噪声数据的影响，导致监测结果不准确。

发明内容

为了解决上述技术问题，本发明提供一种多模态智能接地箱的监测方法，以解决现有的问题。

本发明的一种多模态智能接地箱的监测方法采用如下技术方案：

本发明一个实施例提供了一种多模态智能接地箱的监测方法，该方法包括以下步骤：

采集各周期的电流数据、电压数据、功率数据、温度数据、湿度数据和振动数据；

构建各周期的电流数据序列和温度数据序列，使用突变点检验算法获取电流数据序列和温度数据序列的突变点以及疑似噪声时刻；根据疑似噪声时刻的电流数据和温度数据获取电流数据序列各疑似噪声时刻的电流孤立特征值、温度数据序列各疑似噪声时刻的电流孤立特征值；根据电流孤立特征值、温度孤立特征值以及电流数据序列和温度数据序列之间的关系获取各周期的各疑似噪声时刻的突变随机程度；使用聚类算法获取电流数据序列的各聚类簇；根据电流数据序列的各聚类簇的半径和聚类簇中各数据点之间的距离获取各采集时刻的电流中心聚集程度，采用与电流中心聚集程度相同的方法获取温度数据序列各采集时刻的温度中心聚集程度；根据电流中心聚集程度获取电流数据序列各疑似噪声时刻的电流局部密度序列，采用与电流局部密度序列相同的方法获取温度数据序列各疑似噪声时刻的温度局部密度序列；根据突变随机程度、电流局部密度序列和温度局部密度序列获取各周期的各疑似噪声时刻的关联异常指数；

根据关联异常指数获取各周期的周期关联异常程度；根据周期关联异常程度，结合电压和功率数据、湿度数据、振动数据获取综合关联异常指数，根据综合关联异常指数对接地箱进行监测。

进一步，所述构建各周期的电流数据序列和温度数据序列，使用突变点检验算法获取电流数据序列和温度数据序列的突变点以及疑似噪声时刻，包括：

对于各周期的电流数据和温度数据，将电流数据按照时间顺序排列获取各周期的电流数据序列，将温度数据按照时间顺序排列获取各周期的温度数据序列；

使用突变点检验算法对电流数据序列和温度数据序列进行处理，获取电流数据序列和温度数据序列中的突变点，将所有突变点对应的时刻作为疑似噪声时刻。

进一步，所述根据疑似噪声时刻的电流数据和温度数据获取电流数据序列各疑似噪声时刻的电流孤立特征值、温度数据序列各疑似噪声时刻的电流孤立特征值，包括：

对于各周期，计算所有采集时刻的电流数据的和值作为第一和值，计算所有电流数据序列中疑似噪声时刻的电流数据的和值作为第二和值，计算第一和值与第二和值的差值作为第一差值，计算周期内采集的电流数据的数量与周期内电流数据序列的疑似噪声时刻的数量的差值作为第二差值，计算第一差值与第二差值的比值，将电流数据序列的各疑似噪声时刻的电流数据与所述比值的差值作为电流数据序列的各疑似噪声时刻的电流孤立特征值；

采用与电流数据序列各疑似噪声时刻的电流孤立特征值相同的方法，获取温度数据序列各疑似噪声时刻的温度孤立特征值。

进一步，所述根据电流孤立特征值、温度孤立特征值以及电流数据序列和温度数据序列之间的关系获取各周期的各疑似噪声时刻的突变随机程度，包括：

对于各周期，计算电流数据序列与温度数据序列之间的皮尔逊相关系数作为第一相关系数；

对于各周期，将剔除第a个疑似噪声时刻的电流数据的电流数据序列作为第一电流数据序列，将剔除第a个疑似噪声时刻的温度数据的温度数据序列作为第一温度数据序列，计算所述第一电流数据序列与第一温度数据序列之间的皮尔逊相关系数作为第二相关系数，计算所述第一相关系数与第二相关系数之间的比值，计算数字1与所述比值的差值绝对值作为第一差值绝对值；

计算第a个疑似噪声时刻的电流孤立特征值的归一化值与温度孤立特征值的归一化值的差值绝对值作为第二差值绝对值，将所述第一差值绝对值与所述第二差值绝对值的乘积作为各周期的第a个疑似噪声时刻的突变随机程度。

进一步，所述使用聚类算法获取电流数据序列的各聚类簇，包括：

将剔除突变点后的电流数据序列中所有电流数据的方差作为聚类算法的截断距离，对电流数据序列使用聚类算法进行聚类，获取电流数据的各聚类簇。

进一步，所述根据电流数据序列的各聚类簇的半径和聚类簇中各数据点之间的距离获取各采集时刻的电流中心聚集程度，包括：

对于各采集时刻的电流数据，将聚类簇的中心点到聚类簇中距离中心点最远的电流数据之间的欧氏距离作为聚类簇的半径，计算电流数据所在聚类簇中电流数据的数量与所在聚类簇的半径的比值，计算以自然常数为底、以电流数据与电流数据所在聚类簇的中心点之间的欧氏距离的负值为指数的指数函数的计算结果，计算所述比值与所述计算结果的乘积作为各采集时刻的电流中心聚集程度。

进一步，所述根据电流中心聚集程度获取电流数据序列各疑似噪声时刻的电流局部密度序列，包括：

对于各疑似噪声时刻，将疑似噪声时刻与疑似噪声时刻前后预设个数的时刻的电流中心聚集程度，按照时刻顺序组成的序列作为各疑似噪声时刻的电流局部密度序列。

进一步，所述根据突变随机程度、电流局部密度序列和温度局部密度序列获取各周期的各疑似噪声时刻的关联异常指数，包括：

对于各周期，计算第a个疑似噪声时刻的电流局部密度序列的一阶差分序列与温度局部密度序列的一阶差分序列之间的DTW距离，计算所述DTW距离与第a个疑似噪声时刻的突变随机程度的比值，计算以自然常数为底、以所述比值为指数的指数函数的计算结果，将数字1与所述计算结果的差值作为各周期的第a个疑似噪声时刻的关联异常指数。

进一步，所述根据关联异常指数获取各周期的周期关联异常程度，包括：

对于各周期，将周期内所有疑似噪声时刻的关联异常指数的均值作为各周期的周期关联异常程度。

进一步，所述根据周期关联异常程度，结合电压和功率数据、湿度数据、振动数据获取综合关联异常指数，根据综合关联异常指数对接地箱进行监测，包括：

将各周期的周期关联异常程度、电流数据、温度数据、电压数据、功率数据、湿度数据和振动数据作为神经网络的输入，输出为各周期的综合关联异常指数；

当综合关联异常指数大于预设故障阈值时，则接电箱发生故障；反之接电箱无故障。

本发明至少具有如下有益效果：

本发明通过分析不同类型数据在接地箱异常状态下的相关关系，以电流数据与温度数据的相关关系为例，首先通过突变点检测获取疑似噪声时刻，根据剔除疑似噪声时刻前后的电流数据序列的差异计算电流孤立特征值，判断电流数据相比于整个序列的突出程度，进而结合与温度数据的关联计算突变随机程度，提高了对噪声进行分辨的精度；计算电流中心聚集程度与温度中心聚集程度，反应了各个采集时刻对应的数据受到外界电压负载的影响发生正常波动时的局部密度，结合疑似噪声时刻相邻时刻的电流中心聚集程度与温度中心聚集程度的变化相关性和突变随机程度获取周期关联异常程度，即通过两类数据的关联关系获得接地箱的工作状态的异常程度，最后结合多模态数据之间的相关性获得综合关联异常指数，监测当前周期内接地箱的工作状态，提高了对接地箱的故障的监测精度。

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和优点，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的介绍，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它附图。

图1为本发明提供的一种多模态智能接地箱的监测方法的流程图；

图2为综合关联异常指数获取流程图。

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多模态智能接地箱的监测方法，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多模态智能接地箱的监测方法的具体方案。

本发明一个实施例提供的一种多模态智能接地箱的监测方法，具体的，提供了如下的一种多模态智能接地箱的监测方法，请参阅图1，该方法包括以下步骤：

步骤S001，采集智能接地箱的多模态数据。

通过对传统接地箱安装传感器采集多模态数据，其中多模态数据包括接地线路的电流、电压和功率数据、温度数据、湿度数据和振动数据；电流、电压和功率数据用于监测接地系统的电气性能和运行状态；接地系统各部件的温度情况，用于监测过热等问题；接地系统周围环境的湿度数据，预防潮湿环境对导电性能的影响；通过振动传感器监测接地箱的振动数据，用于判断是否存在外部干扰或设备运行异常；通过声音传感器监测接地箱周围的声音，用于发现异常噪音或告警信号。各个模态数据采集的时间间隔为1s，将10min采集的数据作为一个周期。其中，温度数据和湿度数据使用温度传感器和湿度传感器获取。

步骤S002，分析电流数据与温度数据的相关关系，获取疑似噪声时刻，根据剔除疑似噪声时刻前后的电流数据序列的差异计算电流孤立特征值，进而结合与温度数据的关联计算突变随机程度；计算电流中心聚集程度与温度中心聚集程度，结合疑似噪声时刻相邻时刻的电流中心聚集程度与温度中心聚集程度的变化相关性和突变随机程度获取周期关联异常程度。

接地箱异常涉及步骤S001中的多个方面，由于不同参数之间可能存在关联性，因此通过单独分析某个维度的参数获取接地箱的异常监测结果，受到监测设备、噪声及环境因素的影响，使监测结果的可靠性不佳。因此，本实施例通过采用多维参数综合分析的方法，从多个角度对监测数据进行分析和处理，结合各个参数之间的相互关系综合判断接地箱是否存在异常，以实现全面、准确的监测。

基于上述分析，首先分析不同参数之间的相关关系，当电流通过接地箱的导线或元器件时，会产生一定的电阻。根据欧姆定律，电阻与电流成正比，而电阻又会产生热量，即较大的电流会导致相应的温升；在高湿度环境中，空气中的水分会增加导电性，导致导线中电流增加。本实施例以电流数据与温度数据为例，将一个周期内采集的各采集时刻的电流数据、温度数据按照时间顺序组成的序列分别记为电流数据序列、温度数据序列。对电流数据序列使用Pettitt突变点检验算法，获得电流数据序列中的突变点；同理，对温度数据序列使用Pettitt突变点检验算法，获得温度数据序列中的突变点。其中，Pettitt突变点检验算法为公知技术，在此不做赘述。

将上述所有突变点对应的时刻记为疑似噪声时刻，对于各疑似噪声时刻，当在电流数据序列和温度数据序列中不存在对应位次的疑似噪声时刻时，不对这些疑似噪声时刻的数据进行分析。

根据对应的电流数据与剔除所有突变点的电流数据序列的差异计算电流孤立特征值，进而结合与温度数据的突变随机程度，计算公式如下：

；

；

其中，为第/>个疑似噪声时刻的电流孤立特征值；/>为第/>个疑似噪声时刻的电流数据；/>为第x个采集时刻的电流数据；/>为一个周期内采集的数据数量；/>第/>个疑似噪声时刻的电流数据；/>为疑似噪声时刻的数量；/>为第/>个疑似噪声时刻的突变随机程度；/>为电流数据序列/>与温度数据序列/>之间的皮尔逊相关系数；/>为剔除第/>个疑似噪声时刻对应的突变点后的电流数据序列/>与剔除第/>个疑似噪声时刻对应的突变点后的温度数据序列/>之间的皮尔逊相关系数；/>为线性归一化函数；/>为第/>个疑似噪声时刻的温度孤立特征值，获取的方式与电流孤立特征值一致。

当疑似噪声时刻对应的电流数据与剔除所有疑似噪声时刻的电流数据后电流数据序列的均值之间的差异越大，说明该疑似噪声时刻的电流数据的孤立特征越明显，当电流数据的孤立特征与温度数据的孤立特征的归一化结果相差越大时，说明该疑似噪声时刻对应的数据仅在电流或温度中的一种数据的孤立特征较为明显，则该疑似噪声时刻发生突变的随机性越大；由于智能接地箱发生故障时，电流与温度的变化的正向相关的，发生故障的时刻对于电流与温度之间的相关性影响较小，若该疑似噪声时刻对应为接地箱异常，则剔除该疑似噪声时刻后，剔除前后电流数据序列与温度数据序列之间的相关系数变化较小，即剔除后电流数据序列与温度数据序列的相关性变化较小，突变随机程度越小；若该疑似噪声时刻对应为噪声，剔除后电流数据序列与温度数据序列的相关性相比剔除之前较大，则相关性变化较大，突变随机程度越大。

接地箱的主要功能是将设备的金属外壳与地面连接，形成安全的电流回路，当电源电压发生波动或接入或断开负载时，那么通过回路的电流也会随之发生波动，呈现为突变点，因此仅仅通过突变点检测获取接地箱的异常数据，容易造成误判。基于上述分析，本实施例对电流数据序列使用密度峰值聚类算法进行聚类，将剔除突变点后的电流数据序列中所有电流数据的方差作为密度峰值聚类算法的截断距离，获取各聚类簇。其中，密度峰值聚类算法为公知技术，在此不做赘述。根据各聚类簇中电流数据的分布情况计算各采集时刻对应的电流中心聚集程度：

；

其中，为第/>个采集时刻的电流中心聚集程度；/>为第/>个采集时刻的电流数据/>所在聚类簇/>中电流数据的数量；/>为电流数据/>与/>所在聚类簇的中心点/>之间的欧氏距离；/>为电流数据/>所在聚类簇/>的半径，将聚类簇的中心点到聚类簇中距离中心点最远的电流数据之间的欧氏距离作为聚类簇的半径，表示为电流数据与聚类簇的簇心/>之间的欧氏距离的最大值；/>表示以自然常数e为底数的指数函数。

当第个采集时刻的电流数据所在聚类簇中电流数据的数量越多且簇的半径越小时，说明该采集时刻的电流数据所在的聚类簇越密集；此时，该电流数据与簇心之间的欧氏距离越小时，电流数据距离簇心越近，电流中心聚集程度越大，该采集时刻的电流数据的局部数据密度越大，发生异常的可能性越小。

对于每个疑似噪声时刻，将疑似噪声时刻与疑似噪声时刻前后各个时刻，共个时刻对应的电流中心聚集程度所组成的序列记为各疑似噪声时刻对应的电流局部密度序列/>，m=10。按照与电流局部密度序列相同的获取方法，计算温度中心聚集程度，获得温度局部密度序列/>。通过分析接电箱发生故障时，电流数据的电流局部密度序列与温度数据的温度局部密度序列的变化相关性，进一步结合突变随机程度计算各疑似噪声时刻的关联异常指数，计算公式为：

；

其中，为第/>个疑似噪声时刻的关联异常指数；/>为第/>个疑似噪声时刻的电流局部密度序列/>的一阶差分序列；/>为第/>个疑似噪声时刻的温度局部密度序列/>的一阶差分序列；/>为计算两个序列之间的DTW动态时间规整距离；/>为第/>个疑似噪声时刻的突变随机程度，/>为以自然常数e为底的指数函数；一阶差分序列与DTW动态时间规整距离的获取为公知技术，不再赘述。

当疑似噪声时刻的突变随机程度越小，说明该疑似噪声时刻为噪声的可能性越小，越可能为真实的接地箱线路故障引起的数据异常；此时，电流局部密度序列的一阶差分序列与温度局部密度序列的一阶差分序列之间的距离越大，说明该疑似噪声时刻附近的电流数据相比于整个周期的电流数据变化与温度数据相比于整个周期的温度数据变化的变化程度相关性越小，则疑似噪声时刻的关联异常指数越大，接地箱线路越可能发生故障。将周期内所有疑似噪声时刻的关联异常指数的均值作为周期的周期关联异常程度。

至此，获取各周期的周期关联异常程度。

步骤S003，根据周期关联异常程度，结合多模态数据之间的相关性获得综合关联异常指数，通过综合关联异常指数监测接地箱的运行状态。

上述步骤S002中根据电流数据和温度数据获得了各周期的周期关联异常程度。为了结合不同类型的数据，如图像、文本、声音等多模态的信息，全面理解监测接地箱的状态，及早发现潜在问题或异常，通过对多种数据的监测和分析，进行准确的判断。将电流数据、温度数据、各周期的周期关联异常程度与步骤S001中获得的电压、功率、声音、振动和湿度数据输入多模态神经网络，通过学习不同类型数据之间的相关性，输出各周期的综合关联异常指数。综合关联异常指数获取流程图如图2所示。

当综合关联异常指数大于故障阈值时，判断为周期内接电箱发生故障，本实施例=0.7。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种多模态智能接地箱的监测方法，其特征在于，该方法包括以下步骤：

采集各周期的电流数据、电压数据、功率数据、温度数据、湿度数据和振动数据；

构建各周期的电流数据序列和温度数据序列，使用突变点检验算法获取电流数据序列和温度数据序列的突变点以及疑似噪声时刻；根据疑似噪声时刻的电流数据和温度数据获取电流数据序列各疑似噪声时刻的电流孤立特征值、温度数据序列各疑似噪声时刻的电流孤立特征值；根据电流孤立特征值、温度孤立特征值以及电流数据序列和温度数据序列之间的关系获取各周期的各疑似噪声时刻的突变随机程度；使用聚类算法获取电流数据序列的各聚类簇；根据电流数据序列的各聚类簇的半径和聚类簇中各数据点之间的距离获取各采集时刻的电流中心聚集程度，采用与电流中心聚集程度相同的方法获取温度数据序列各采集时刻的温度中心聚集程度；根据电流中心聚集程度获取电流数据序列各疑似噪声时刻的电流局部密度序列，采用与电流局部密度序列相同的方法获取温度数据序列各疑似噪声时刻的温度局部密度序列；根据突变随机程度、电流局部密度序列和温度局部密度序列获取各周期的各疑似噪声时刻的关联异常指数；

根据关联异常指数获取各周期的周期关联异常程度；根据周期关联异常程度，结合电压和功率数据、湿度数据、振动数据获取综合关联异常指数，根据综合关联异常指数对接地箱进行监测。

2.如权利要求1所述的一种多模态智能接地箱的监测方法，其特征在于，所述构建各周期的电流数据序列和温度数据序列，使用突变点检验算法获取电流数据序列和温度数据序列的突变点以及疑似噪声时刻，包括：

对于各周期的电流数据和温度数据，将电流数据按照时间顺序排列获取各周期的电流数据序列，将温度数据按照时间顺序排列获取各周期的温度数据序列；

使用突变点检验算法对电流数据序列和温度数据序列进行处理，获取电流数据序列和温度数据序列中的突变点，将所有突变点对应的时刻作为疑似噪声时刻。

3.如权利要求1所述的一种多模态智能接地箱的监测方法，其特征在于，所述根据疑似噪声时刻的电流数据和温度数据获取电流数据序列各疑似噪声时刻的电流孤立特征值、温度数据序列各疑似噪声时刻的电流孤立特征值，包括：

对于各周期，计算所有采集时刻的电流数据的和值作为第一和值，计算所有电流数据序列中疑似噪声时刻的电流数据的和值作为第二和值，计算第一和值与第二和值的差值作为第一差值，计算周期内采集的电流数据的数量与周期内电流数据序列的疑似噪声时刻的数量的差值作为第二差值，计算第一差值与第二差值的比值，将电流数据序列的各疑似噪声时刻的电流数据与所述比值的差值作为电流数据序列的各疑似噪声时刻的电流孤立特征值；

采用与电流数据序列各疑似噪声时刻的电流孤立特征值相同的方法，获取温度数据序列各疑似噪声时刻的温度孤立特征值。

4.如权利要求1所述的一种多模态智能接地箱的监测方法，其特征在于，所述根据电流孤立特征值、温度孤立特征值以及电流数据序列和温度数据序列之间的关系获取各周期的各疑似噪声时刻的突变随机程度，包括：

对于各周期，计算电流数据序列与温度数据序列之间的皮尔逊相关系数作为第一相关系数；

对于各周期，将剔除第a个疑似噪声时刻的电流数据的电流数据序列作为第一电流数据序列，将剔除第a个疑似噪声时刻的温度数据的温度数据序列作为第一温度数据序列，计算所述第一电流数据序列与第一温度数据序列之间的皮尔逊相关系数作为第二相关系数，计算所述第一相关系数与第二相关系数之间的比值，计算数字1与所述比值的差值绝对值作为第一差值绝对值；

计算第a个疑似噪声时刻的电流孤立特征值的归一化值与温度孤立特征值的归一化值的差值绝对值作为第二差值绝对值，将所述第一差值绝对值与所述第二差值绝对值的乘积作为各周期的第a个疑似噪声时刻的突变随机程度。

5.如权利要求1所述的一种多模态智能接地箱的监测方法，其特征在于，所述使用聚类算法获取电流数据序列的各聚类簇，包括：

将剔除突变点后的电流数据序列中所有电流数据的方差作为聚类算法的截断距离，对电流数据序列使用聚类算法进行聚类，获取电流数据的各聚类簇。

6.如权利要求1所述的一种多模态智能接地箱的监测方法，其特征在于，所述根据电流数据序列的各聚类簇的半径和聚类簇中各数据点之间的距离获取各采集时刻的电流中心聚集程度，包括：

对于各采集时刻的电流数据，将聚类簇的中心点到聚类簇中距离中心点最远的电流数据之间的欧氏距离作为聚类簇的半径，计算电流数据所在聚类簇中电流数据的数量与所在聚类簇的半径的比值，计算以自然常数为底、以电流数据与电流数据所在聚类簇的中心点之间的欧氏距离的负值为指数的指数函数的计算结果，计算所述比值与所述计算结果的乘积作为各采集时刻的电流中心聚集程度。

7.如权利要求1所述的一种多模态智能接地箱的监测方法，其特征在于，所述根据电流中心聚集程度获取电流数据序列各疑似噪声时刻的电流局部密度序列，包括：

对于各疑似噪声时刻，将疑似噪声时刻与疑似噪声时刻前后预设个数的时刻的电流中心聚集程度，按照时刻顺序组成的序列作为各疑似噪声时刻的电流局部密度序列。

8.如权利要求1所述的一种多模态智能接地箱的监测方法，其特征在于，所述根据突变随机程度、电流局部密度序列和温度局部密度序列获取各周期的各疑似噪声时刻的关联异常指数，包括：

对于各周期，计算第a个疑似噪声时刻的电流局部密度序列的一阶差分序列与温度局部密度序列的一阶差分序列之间的DTW距离，计算所述DTW距离与第a个疑似噪声时刻的突变随机程度的比值，计算以自然常数为底、以所述比值为指数的指数函数的计算结果，将数字1与所述计算结果的差值作为各周期的第a个疑似噪声时刻的关联异常指数。

9.如权利要求1所述的一种多模态智能接地箱的监测方法，其特征在于，所述根据关联异常指数获取各周期的周期关联异常程度，包括：

对于各周期，将周期内所有疑似噪声时刻的关联异常指数的均值作为各周期的周期关联异常程度。

10.如权利要求1所述的一种多模态智能接地箱的监测方法，其特征在于，所述根据周期关联异常程度，结合电压和功率数据、湿度数据、振动数据获取综合关联异常指数，根据综合关联异常指数对接地箱进行监测，包括：

将各周期的周期关联异常程度、电流数据、温度数据、电压数据、功率数据、湿度数据和振动数据作为神经网络的输入，输出为各周期的综合关联异常指数；

当综合关联异常指数大于预设故障阈值时，则接电箱发生故障；反之接电箱无故障。