一种配电线路接点温度预测系统及方法与流程

本发明涉及电力工程领域，具体为一种配电线路接点温度预测系统及方法。

背景技术：

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

作为电力设施的配电线路上存在多个线路与线路、或线路与设备之间的接点，如t接点、接续点等。由于配电网分布广，支线多，因此接点多而分散，配电网运行过程中，线路的接点温度一旦剧增，在负荷高峰时经常会发生由温度升高引起的断线等故障。在我国，据不完全统计，大多数的配电网中均出现过因温度过高而导致的断线事故，尤其是在一些老旧线路上，断线事故轻则降低电能质量，重则影响电力系统的稳定运行，造成巨大的经济损失。

目前，测量配电网中的接点温度的方法多为接触式测温或手持红外热像仪测温，接触式测温可实现接点温度的实时监测与预警，但测温装置需要频繁与接点接触，导致测量装置工作寿命降低稳定性变差，红外热像仪测温可远离接点观察其红外特征，避免了与接点直接接触，但需人工来判断接点的红外特征，导致无法精确判断接点的温度，不能准确的判断出接点温度是否过高。

对于接点温度的预测方法有多种，常见的有回归分析法、趋势外推法、时间序列法、人工神经网络、支持向量机等，这些方法已得到大规模的应用。

例如，回归分析法，将历史数据作为自变量，预测目标的温度值作为因变量建立回归分析方程来以此进行预测，但是这种方法的自变量因子具有多样性和不可预测性，导致了模型需要大量的样本数据，从而使得建模难度加大。

趋势外推法通过建立合适的曲线函数来逼近温度曲线，进而推算预测值，但趋势外推法在受到季节因素的干扰时，往往使得预测结果出现较大的偏差。

时间序列法将温度数据作为一组时间序列，挖掘数据之间内在的线性关系，拟合序列的变化曲线，可预测短期内的温度变化，但序列中的非线性部分会影响到线性部分的预测结果。

人工神经网络着重于针对非线性数据，有强大的泛化能力，可对温度数据中的非线性部分进行处理，作为线性预测部分的修正量。

支持向量机基于结构风险最小化原则处理非线性回归问题，通过非线性变化将数据映射到高维空间来求得线性回归中的最优解，可弥补人工神经网络易陷入局部最优解的缺点，但支持向量机需要的运算时间相对较长，实时性不能满足，并且支持向量机擅长处理二分类问题，而回归问题属多分类问题，这使得支持向量机在回归分析上其泛化能力并不强。

技术实现要素：

为了解决上述背景技术中存在的技术问题，本发明提供一种配电线路接点温度预测系统及方法，在配电线路的接点处安装作为子节点的测温装置，再安装一个作为母节点的接收装置，通过多个子节点和一个母节点以及上位机之间的通信，将实时温度数据传递给上位机，而上位机则根据历史数据建立arima预测模型，该模型可根据上一时刻的接点温度预测下一时刻的温度值，从而既实现非接触式测温，也可预测接点的温度变化趋势。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种配电线路接点温度预测方法，包括以下步骤：

步骤1，设置子节点和母节点，子节点采集线路节点温度，母节点接收子节点采集的温度数据；

步骤2，母节点将温度数据发送至上位机；

步骤3，上位机根据接收的数据建立arima预测模型，完成接点温度预测。

步骤1中，在配电线路t接点或接续点处的a相、b相和c相接点处设置至少一个子节点。

步骤1中，多个子节点将温度数据上传至母节点，母节点将温度数据进行汇总。

步骤2中，母接点将汇集的温度数据通过4g-lte模块发送至上位机。

步骤3中，上位机根据接点温度的历史数据建立arima预测模型。

步骤3中，建立arima预测模型的过程为：

步骤a：获取接点温度历史数据，进行adf检验，计算出数据的统计值与显著水平概率值，与数据显著水平下的临界值进行对比，得到arima模型中的差分阶数；

步骤b：计算数据的自相关函数与偏自相关函数，得到多组ar模型与ma模型的阶数p与q，得到自回归系数γi与移动平均系数θi；

步骤c：使用遍历法来寻找最优组合；

步骤d：残差检验，判断该模型的残差是否满足均值是0的正态分布且自相关系数是否为0。

步骤a中，获取接点温度历史数据，对其进行adf检验，计算出数据的t统计值与显著水平p概率值，与数据显著水平下的临界值进行对比，当t小于1％的临界值且p小于0.05时，数据是平稳的，若不满足平稳的条件，则对数据进行差分处理，直至满足adf检验，得到arima模型中的差分阶数d。

步骤b中，计算数据的自相关函数acf与偏自相关函数pacf，根据acf和pacf的特征，得到多组ar模型与ma模型的阶数p与q，并通过最小二乘法得到每组式子中的自回归系数γi与移动平均系数θi。

步骤c中，确定p、q的值后，使用遍历法来寻找最优组合，使用下式所示的赤池信息量准则aic和贝叶斯信息准则bic两种方法作为判断标准。

aic＝-2lnc+2k

bic＝-2lnc+k·lnn

其中c为似然函数，k为模型中的参数的个数，n为样本数量，aic和bic的值最小的模型所对应的p、q的值为最优值。

步骤d中，最后对模型进行残差检验，判断该模型的残差是否满足均值是0的正态分布且自相关系数是否为0，当满足上述两个条件后，得到适合接点温度的arima模型。

本发明的第二个方面提供基于上述方法的一种配电线路接点温度预测系统，包括子节点、母节点和上位机；

子节点包括连接在一起的控制模块、红外测温模块以及通信模块，红外测温模块与测温光圈连接，控制模块利用通信模块将红外测温模块获取的温度数据经发射天线发送给母节点。

母节点包括连接在一起的控制模块、4glte模块以及lora通信模块，lora通信模块连接接收天线接收子节点发来的温度数据，4glte模块连接发送天线将温度数据发送给上位机。

上位机处使用arima模型对接点温度进行预测。

与现有技术相比，以上一个或多个技术方案存在以下有益效果：

1、可远程监测配电线路的接点温度状态，能够精准地测得接点温度的信息并通过低功耗广域网与4g网络共同传输，提高整套系统的工作效率，让工作人员可在远端及时掌握配电网中的各接点的温度状况。

2、在实现远程监测的同时，通过预测模型预估下一时刻的接点温度值，有助于评估配电网整体运行状态，可以减少人工巡检和故障处理时间，及时排除隐患，减少经济损失。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明一个或多个实施例提供的系统结构示意图；

图2(a)是本发明一个或多个实施例提供的子节点结构示意图；

图2(b)是本发明一个或多个实施例提供的母节点结构示意图；

图3(a)是本发明一个或多个实施例提供的子节点处理流程图；

图3(b)是本发明一个或多个实施例提供的母节点处理流程图；

图4是本发明一个或多个实施例提供的预测过程流程图；

图5是本发明一个或多个实施例提供的节点部署示意图；

图6是本发明一个或多个实施例提供的温度变化曲线图；

图7是本发明一个或多个实施例提供的预测结果示意图；

图中：1.测温光圈，2.发送天线，3.接收天线。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

正如背景技术中所描述的，配电网中线路的节点进行温度测量时虽然已有的技术能够采取接触或非接触的方式获得节点的温度数据，但在温度预测方面并不理想，常见的回归分析法、趋势外推法、时间序列法、人工神经网络、支持向量机等存在多种问题，因此以下实施例提出一种配电线路接点温度远程监测和预测的方法以及实现该方法的系统，即可实现非接触式测温，也可预测接点的温度变化趋势。

实施例一：

如图1-7所示，一种配电线路接点温度预测方法，包括以下步骤：

步骤1，设置子节点和母节点，子节点采集线路节点温度，母节点接收子节点采集的温度数据；

步骤2，母节点将温度数据传递给上位机；

步骤3，上位机根据接收的数据建立arima预测模型，完成接点温度预测。

如图1所示，在配电线路t接点或接续点处的a相、b相和c相接点处安装一个测温装置，每一个测温装置作为一个子节点，选择合适的位置安装一个接收装置，该接收装置作为一个母节点。母节点和下属多个子节点之间通过lora网络进行通信，子节点将温度数据上传至母节点，母节点将温度数据进行汇总，子节点和母节点共同构成星型无线传感网络，部署在配电线路中，监测一定范围内的线路接点温度。母接点将汇集的温度数据通过4glte网络上传至上位机中，在上位机中，根据历史数据建立arima预测模型，该模型可根据上一时刻的接点温度预测下一时刻的温度值。

如图2(a)所示，子节点包括连接在一起的控制模块、红外测温模块以及通信模块，红外测温模块与测温光圈1连接，控制模块利用通信模块将红外测温模块获取的温度数据经发射天线2发送给母节点。

测温光圈1对准线路接点，控制模块根据设定的间隔时间周期性地控制红外测温模块进行温度采集，获取的接点温度数据按设定的数据帧格式打包后送至通信模块，通讯方式选择低功耗广域网中的lora扩频调制技术，通信模块通过发送天线2将数据发送至母节点，通信模块加载lora通讯网络。

如图2(b)所示，母节点包括连接在一起的控制模块、4glte模块以及lora通信模块，lora通信模块连接接收天线3接收子节点发来的温度数据，4glte模块连接发送天线2将温度数据发送给上位机。

具体的，接收天线3接收到子节点发送来的温度监测数据后传输至母节点的控制模块，控制模块将数据包解析后提取出接点的温度值，重新打包后传输至4glte模块，4glte通过发送天线2将数据发送至上位机，上位机将会对温度数据进一步处理。

如图3所示，子节点与母节点之间通过lora扩频技术进行无线通讯，部署完成后，母节点控制下属子节点首先进行无线组网，组网完成后子节点开始周期性的获取接点的温度，并将温度数据发送至母节点，母节点接收下属子节点的数据后，将数据按照子节点序号进行打包，通过4glte模块发送至上位机。

在上位机处使用arima模型对接点温度进行预测。

arima预测模型由三部分构成，分别是ar(p)自回归模型、ma(q)移动平均模型和i(d)差分模型。ar(p)自回归模型其数学表达式如下

式(1)中yt为t时刻的观测值，γi为滞后i时刻的自回归系数，yt-i是滞后i时刻对应的观测值，μt为t时刻的均值误差项，p为ar模型的阶数，ar(p)模型中需确定的参数为γi、μt和p。

ma(q)移动平均模型的数学表达式为

式中yt为t时刻的观测值，θi为滞后i时刻的移动平均系数，μt-i为滞后i时刻对应的均值误差项，ε为序列的平均值，q为ma模型的阶数，ma(q)模型中需要确定的参数为θi、ε和阶数q。

i(d)差分模型的数学表达式为

式中δ^dyt为d阶差分后的序列，d为差分的阶数，yt+i为超前i时刻的观测值，当数据非平稳序列时，需要对其进行d阶差分。

如图4所示，获取了一定数量的接点温度历史数据后，对其进行adf检验，计算出数据的t统计值与显著水平p概率值，与数据显著水平下的临界值进行对比，当t小于1％的临界值且p小于0.05时，数据是平稳的，若不满足平稳的条件，则对数据进行差分处理，直至满足adf检验，得到arima模型中的差分阶数d。

计算数据的自相关函数acf与偏自相关函数pacf，根据acf和pacf的特征，得到多组ar模型与ma模型的阶数p与q，并通过最小二乘法得到每组式子中的自回归系数γi与移动平均系数θi。

初步确定p、q的值后，使用遍历法来寻找最优组合，使用如式(4)所示的赤池信息量准则aic和式(5)所示贝叶斯信息准则bic两种方法作为判断标准。

aic＝-2lnc+2k(4)

bic＝-2lnc+k·lnn(5)

其中c为似然函数，k为模型中的参数的个数，n为样本数量，aic和bic的值最小的模型所对应的p、q的值为最优值。

最后对模型进行残差检验，判断该模型的残差是否满足均值是0的正态分布且自相关系数是否为0，当满足上述两个条件后，便可得到适合接点温度的arima模型。

本实施例可远程监测配电线路的接点温度状态，能够精准地测得接点温度的信息并通过低功耗广域网与4g网络共同传输，大大提高整套系统的工作效率，让工作人员可在远端及时掌握配电网中的各接点的温度状况，在实现远程监测的同时，还可通过预测模型预估下一时刻的接点温度值，有助于评估配电网整体运行状态，可以减少人工巡检和故障处理时间，及时排除隐患，减少经济损失。

如图5所示的部署示意图，a为监测子节点，b为母节点，将子节点a安装在线路接点处，b母节点安装于线路适当位置的杆塔上。

例如，根据线路的实际情况确定杆塔数量ki(i＝1,2,…n)的值，并在第kj(j＝1,2,…ki)个杆塔的中间位置安装母节点b，母节点b与线路中的子节点a构成星型网络，可监测某一范围内所有接点的温度，根据杆塔的数量配置n个母节点b，使监测区域可覆盖整条线路，同时母节点b可将温度数据上传至上位机中进一步处理。

如表1所示的，组网时子节点和母节点在配置自身的参数寄存器时的数据帧格式。

表1

表2至表4为子节点与母节点之间通信时的数据格式，采用了自主规定的类modbus的通信协议，分为上行数据帧和下行数据帧。

表2为子节点向母节点发送的上行数据帧格式，其中数据类型是指该数据帧所代表的指令，在子节点和母接点通信时，共有3种上行数据帧。

表2

表3为组网完成后，子节点向母节点发送的温度数据帧格式，其中温度数据由2个字节组成，母节点会将温度数据帧中的2字节温度数据提取出来并解析，得到当前接点温度值。

表3

表4为组网时，母节点向子节点发送的下行数据帧格式，共4种下行数据帧。

表4

组网完成后，子节点将周期性的采集接点温度，并按表3所示数据帧格式将温度数据发送至母节点。

在实验室环境下，模拟接点温度变化，1号子节点上传至母节点的监测数据，1号子节点从0时刻起，每间隔30s采集一次温度数据，共采集2040组，17个小时的数据，如图6所示，为绘制的17个小时温度变化曲线。

将2040组数据中的前1920组数据，即前16个小时的温度值作为训练样本建立arima模型，后120组数据，即1个小时内的温度值作为测试样本，测试该模型的预测准确性。arima预测模型将根据上一时刻的温度值来预测下一时刻的温度值，如图7所示，为模型的预测结果，表5为实际值与预测值的对比，其最大绝对误差不超过0.08℃，均方误差mse为0.0014，均方根误差rmse为0.0372，平均绝对误差mae为0.03，平均绝对百分比误差mape为0.12％，并且根据图6的拟合效果，该模型可以较为准确的预测接点温度的变化情况。

表5

(续上表)

实施例二：

本实施例提供了实现上述配电线路接点温度预测方法的系统，包括子节点、母节点和上位机；

子节点包括连接在一起的控制模块、红外测温模块以及通信模块，红外测温模块与测温光圈1连接，控制模块利用通信模块将红外测温模块获取的温度数据经发射天线2发送给母节点。

测温光圈1对准线路接点，控制模块根据设定的间隔时间周期性地控制红外测温模块进行温度采集，获取的接点温度数据按设定的数据帧格式打包后送至通信模块，通讯方式选择低功耗广域网中的lora扩频调制技术，通信模块通过发送天线2将数据发送至母节点，通信模块加载lora通讯网络。

如图2(b)所示，母节点包括连接在一起的控制模块、4glte模块以及lora通信模块，lora通信模块连接接收天线3接收子节点发来的温度数据，4glte模块连接发送天线2将温度数据发送给上位机。

接收天线3接收到子节点发送来的温度监测数据后传输至母节点的控制模块，控制模块将数据包解析后提取出接点的温度值，重新打包后传输至4glte模块，4glte通过发送天线2将数据发送至上位机，上位机使用arima模型对接点温度进行预测。

本实施例可远程监测配电线路的接点温度状态，能够精准地测得接点温度的信息并通过低功耗广域网与4g网络共同传输，大大提高整套系统的工作效率，让工作人员可在远端及时掌握配电网中的各接点的温度状况，在实现远程监测的同时，还可通过预测模型预估下一时刻的接点温度值，有助于评估配电网整体运行状态，可以减少人工巡检和故障处理时间，及时排除隐患，减少经济损失。

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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。