基于光纤传感和机器学习的电气设备绕组内部温度测量方法及系统

1.本技术涉及含有绕组的电气设备的领域，尤其是涉及一种基于光纤传感和机器学习的电气设备绕组内部温度测量方法及系统。


背景技术：

2.对于绕组内部温度的测量，一般都是通过在绕组内埋入对应数量以及位置的热电偶来实现的。而如果需要实现绕组内部温度的全局监测，就需要在绕组内布置大量温度传感器，然而大量的传统电子传感器布置又会导致绕组布局混乱影响效率，甚至布置的热电偶本身由于与绕组的电磁不平衡可能就会导致局部过热点的出现。因此目前工业界不会在电气设备绕组内部放置过多热电偶，所以工业界对电气设备绕组内部的局部过热点处于不可控状态。
3.目前已经有人提出将光纤光栅传感器(fbg)用于电机中固定部件的热监测方案。光纤传感器的优点包括介电、抗电磁干扰、紧凑(重量和尺寸小)、高灵敏度以及高鲁棒性。相关文献也已经证明了在绕组内部使用光纤光栅传感器进行温度监测的可行性。
4.但是无论是光纤光栅传感器还是热电偶来监控绕组的内部温度，传感器都是被放置在绕组内，如图1中所示为热电偶来监控绕组的内部温度时的结构示意图，如图2中所示为通过光纤光栅传感器来监控绕组的内部温度的结构示意图。虽然使用光纤光栅传感器可以在一定程度上消除局部过热点的出现，但是仍然无法解决占用物理空间、绕组槽满率降低乃至绕组绕线布局混乱等问题。而如若直接将光纤光栅传感器布置于绕组外表面上，又无法通过很好的方式来较为准确的对绕组内部的温度进行监控。


技术实现要素：

5.为了对电气设备内的绕组的温度进行较好的监控，本技术提供一种基于光纤传感和机器学习的电气设备绕组内部温度测量方法及系统。
6.第一方面，本技术提供的一种基于光纤传感和机器学习的电气设备绕组内部温度测量方法采用如下的技术方案：一种基于光纤传感和机器学习的电气设备绕组内部温度测量方法，包括：获取若干时刻下的光谱中心波长特征信息、电气设备的电气特征信息以及绕组温度特征信息，其中，光谱中心波长特征信息通过布置于绕组外的光纤光栅传感器获得；将同一时刻的光谱中心波长特征信息、电气特征信息以及前一时刻下的绕组温度特征信息作为输入变量数据集，将同一时刻的绕组温度特征信息作为输出变量数据集，其中，输出变量数据集与输入变量数据集一一对应；根据所获取的输入变量数据集以及输出变量数据集训练预测模型；在预测绕组内部温度的过程中，将对应于输入变量数据集的数据输入预测模型中以对应获取同一时刻下的绕组温度特征信息。
7.通过采用上述技术方案，通过即时的传感器监测数据与机器学习模型结合预测的方法，克服测点位置难以确定、有测温盲点和时效性不足的相关缺点。在传感器布置方面，可以仅在绕组表面放置光纤光栅传感器即可对应预测绕组内部多位置的温度，与传统的将热电偶放置在绕组内部的方法相比，这种实施方案既不影响绕组的槽满率，也不影响电气设备的电磁平衡。同时，将电气设备的多种可靠性参数作为输入，绕组内部多位置温度预测的鲁棒性和准确度更高。且特征信息的具体特征量可以根据实际应用电气设备的具体可靠性参数修改。
8.优选的，所述输入变量数据集以及输出变量数据集包含绕组于所有工作制下的数据。
9.通过采用上述技术方案，需要让预测模型针对所有工作制下的数据进行训练，从而避免数据的遗漏所导致的训练的预测模型的偏差，提高预测模型训练结果的准确性。
10.优选的，所述输入变量数据集包括训练数据集以及测试数据集，所述训练预测模型的方法包括：根据训练数据集中的输入变量数据集构建目标预测模型函数，所述目标预测模型函数具有若干预设且待定的超参数，其中，若干待定的超参数定义为超参数组合；将测试数据集中的输入变量数据集输入目标预测模型函数，并将结果与对应的输出变量数据集进行验证以判断是否达到预设的终止训练条件；若未达到预设的终止训练条件，将超参数组合进行迭代优化，直至达到预设的终止训练条件。
11.通过采用上述技术方案，通过对预测模型所需的超参数组合进行迭代和进化来使预测模型向最优的预测模型进行进化，从而在不断训练和迭代的过程中提高预测模型的准确性。
12.优选的，所构建的目标预测模型函数为：其中，k(xi，x)为核函数，xi为输入变量数据集，为拉格朗日算子，b为截距，i表示包含输入变量数据集和输出变量数据集的第i个数据集样本，n表示样本量。
13.通过采用上述技术方案，采用这种目标预测模型函数所构建形成的预测模型的建模周期较短，并且其对小样本，高维数，非线性的模型表现出较好的预测性能和泛化能力。而对于电气设备绕组内部温度预测的应用恰好符合以上三个应用场景特性。
14.优选的，所述核函数由径向基核函数、sigmoid核函数以及多项式核函数线性组合而成，所述核函数为：k(xi,x)＝μ1k1(xi,x)+μ2k2(xi,x)+μ3k3(xi，x)其中，
式中，σ为径向基核尺度且大于0，β为sigmod核系数且大于0，d为多项式核系数且大于等于0，μ1，μ2，μ3分别为径向基核函数、sigmoid核函数以及多项式核函数的权重，且μ1+μ2+μ3＝1
°
15.优选的，所述终止训练条件包括根据输出目标预测模型函数的结果与对应的输出变量数据集依次运算平均绝对误差、平均绝对百分比误差、均方根误差以及回归决定系数中的至少一个或多个，并将所获得的结果与对应的终止条件进行比较；其中，所述平均绝对误差采用公式：所述平均绝对百分比误差采用公式：所述均方根误差采用公式：所述回归决定系数采用公式：式中，n为测试数据集中的输入变量数据集的数量，e
mae
为平均绝对误差，e
mape
为平均绝对百分比误差，e
rmse为
均方根误差，r为回归决定系数，代表第i个输入变量数据集输入目标预测模型函数后获得的绕组温度特征信息，代表第i个输出变量数据集的绕组温度特征信息。
16.优选的，所述超参数组合迭代优化的方法，包括：根据所需迭代的超参数组合以及所设定的种群规模，形成相应的超参数组合种群；
选取超参数组合种群中若干数量的种群个体并进行变异以获取变异个体；对变异个体进行交叉操作以获取试验个体；计算通过试验个体构建的目标预测模型函数的平均绝对误差、平均绝对百分比误差以及均方根误差，并与通过所需迭代的超参数组合构建的目标预测模型函数的平均绝对误差、平均绝对百分比误差以及均方根误差进行比较，并根据比较结果选择将试验个体或是所需迭代的超参数组合作为经过迭代优化后的超参数组合。
17.通过采用上述技术方案，该种迭代优化的方式步骤较为简单，算法控制参数较少，具有较强的全局搜索能力和鲁棒性，显著提高优化精度及速度。对于其他进化算法而言，这种方式对预测模型的训练速度更快、精度更高。
18.优选的，所述种群个体共选取三个，所述变异操作满足公式：式中，r1,r2,r3∈[1,np]'np为设定的种群规模，且r1，r2，r3之间互不相同，f为预设的缩放因子，g为迭代优化的次数，z为超参数组合种群中的超参数组合个体，v为变异个体；交叉操作满足公式：式中，j∈[0，1]且随机产生，cr∈[0，1]且为交叉概率，u为试验个体；选择操作满足公式：
[0019]
优选的，在分为训练数据集以及测试数据集之前，将所获取的输入变量数据集以及输出变量数据集进行标准化处理；其中，所述标准化处理满足公式：式中为标准化后的输入变量数据集，xi为未标准化前的输入变量数据集，和分别是未标准化前的输入变量数据集的最大值和最小值。
[0020]
通过采用上述技术方案，在经过标准化预处理后，会将其转化为标准化数值，统一比较的标准，保证结果的可靠性，消除不同指标之间因属性不同而带来的影响。
[0021]
第二方面，本技术提供的一种基于光纤传感和机器学习的电气设备绕组内部温度测量系统采用如下的技术方案：一种基于光纤传感和机器学习的电气设备绕组内部温度测量系统，包括，fbg传感
器单元，包括光纤光栅传感器，布置于绕组外，且用于获取光谱中心波长特征信息；温度测量单元，内置有预测模型，用于将输入温度测量单元的数据进行处理以获取对应的绕组温度；其中，所述预测模型的构建方法包括：获取若干时刻下的光谱中心波长特征信息、电气设备的电气特征信息以及绕组温度特征信息，其中，光谱中心波长特征信息通过布置于绕组外的光纤光栅传感器获得；将同一时刻的光谱中心波长特征信息、电气特征信息以及前一时刻下的绕组温度特征信息作为输入变量数据集，将同一时刻的绕组温度特征信息作为输出变量数据集，其中，输出变量数据集与输入变量数据集一一对应；根据所获取的输入变量数据集以及输出变量数据集训练预测模型。
[0022]
综上所述，本技术包括以下至少一种有益技术效果：1.通过即时的传感器监测数据与机器学习模型结合预测的方法，克服以往的直接测量法(测点位置难以确定，有测温盲点)，数值仿真法(建模周期长，要求有对应电气设备详尽的电磁、材料、尺寸参数，与实际情况有误差)和智能学习法(模型泛化能力不足，时效性不足)的相关缺点；2.在传感器布置方面，可以通过仅在绕组表面放置光纤光栅传感器来预测绕组内部多位置的温度。与传统的将热电偶放置在铜漆包线绕组内部的方法相比，这种实施方案既不影响绕组的槽满率，也不影响电气设备的电磁平衡；同时，对于放在绕组表面的传感器易于安装、卸载，校准和维护；3.对小样本，高维数，非线性的模型表现出较好的预测性能和泛化能力。对于电气设备绕组内部温度预测的应用恰好符合以上三个应用场景特性。同时将电气设备的多种可靠性参数作为预测模型的输入，绕组内部多位置温度预测的鲁棒性和准确度更高。使用差分进化的超参数迭代优化方法也具有高精度和高速度的优点。同时，多个核函数所对应的权重也可以通过差分进化的迭代方法进行优化，解决了对于非线性预测应用没有通用选择核函数标准的问题。
附图说明
[0023]
图1是热电偶传感器放置于绕组内时的结构示意图。
[0024]
图2是光纤光栅传感器放置于绕组内时的结构示意图。
[0025]
图3是光纤光栅传感器设置于电机的绕组外时的结构示意图。
[0026]
图4是本发明其中一实施例的预测模型的训练方法的流程示意图。
[0027]
图5是本发明其中一实施例的超参数迭代优化方法的流程示意图。
具体实施方式
[0028]
以下结合附图3-5对本技术作进一步详细说明。
[0029]
本技术实施例公开一种基于光纤传感和机器学习的电气设备绕组内部温度测量方法，其中，该方法通过将对应的参数输入预先训练好的预测模型中，然后预测模型输出的结果即可表征出绕组内部多点的实时温度。
[0030]
该方法基于对应的温度测量系统实现，其通过设置在绕组以外的光纤光栅传感器
(多点光纤光栅串)采集绕组外的数据(参照图3)，结合机器学习算法模型来实现绕组内无传感器仍可以较好的估算绕组内各点的温度。因而，在同参数的电气设备绕组制造过程中，无需在绕组的内部嵌入任何传感器，一方面会使绕组的制造过程更为简单，同时也不会占用绕组内部的物理空间，提高绕组的槽满率。多点光纤光栅串具有可定制，电磁干扰免疫，空间小(一般单模光纤直径为125微米，耐高温再涂覆后基本也不会超过500微米)等优点。
[0031]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对预测模型的构建进行清楚、完整地描述，显然，所描述的实施例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作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。
[0032]
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
[0033]
下面结合说明书附图对预测模型的构建进一步详细描述，参照图4，其具体方法具体包括：s100：获取若干时刻下的光谱中心波长特征信息、电气设备的电气特征信息以及绕组温度特征信息。
[0034]
其中，光谱中心波长特征信息通过布置于绕组外的光纤光栅传感器(定制刻写的多栅区光纤光栅串)获得，而光纤光栅传感器为fbg传感器单元中的一部分。
[0035]
电气设备的电气特征信息会根据目标对象的不同而发生改变，在目标对象是旋转电机时，其电器特征信息包括负载电流i、负载电压v,电机扭矩τ，转速r，对于电机来说，从以上四个机械电气特征量可以解析出电机运行的总功率和机械功率，是电机运行时的有效特征量。对应的电气特征信息从供能电源或电气设备的控制系统收集获得。对于其他非电机绕组实用例，比如目标对象为变压器绕组时，还可引入其控制单元的开关频率，各处油温温度等作为机器学习模型构建的输入特征，而删去扭矩，转速等变压器不存在的机械特征。
[0036]
绕组温度特征信息为绕组内部不同位置的温度，对于绕组内部温度的获取采用在相同绕组的电气特征的测试样机中的绕组中嵌入温度传感器的方式实现。而对于温度传感器的选择可以是前述的光纤光栅传感器并通过对应的换算方式得到相应的温度，也可以通过热电偶传感器等来对温度进行采集。
[0037]
其中，以电机为例，在采集的过程中，需要对样机进行全工况模拟以采集在全工况条件下每一个工作制的光谱中心波长特征信息、绕组的电气特征信息以及绕组温度特征信息，以保证后续在训练预测模型的过程中，预测模型可以识别全工作制下的绕组的各项情况。一般情况下旋转电机的工况标准由iec制定(iec 60034-1:duty type s1-s10)。然而，根据电机的实际应用场景，还可引入具体的其它新工况以收集数据用作机器学习模型训练。
[0038]
s200：将同一时刻的光谱中心波长特征信息、电气特征信息以及前一时刻下的绕组温度特征信息作为输入变量数据集，将同一时刻的绕组温度特征信息作为输出变量数据集。其中，输出变量数据集与输入变量数据集一一对应。
[0039]
其中，在零时刻下时，输入变量数据集中的绕组温度特征信息与输出变量数据集中的绕组温度特征信息相同，均表征为绕组在室温下的温度。具体的，输入变量数据集包含
输出变量数据集包含cw
1-cwn代表的是每一个光纤光栅传感器获取的光谱中心波长，n代表的是光纤光栅传感器的数量，t
ambient
代表的是环境温度，代表的是试验样机获取的绕组内各个点位的前一时刻温度，m代表的是绕组内传感器所获取的温度的数量。n代表时刻顺序,即n代表此时刻，n-1代表前一时刻。
[0040]
在获取到输入变量数据集以及输出变量数据集之后，会对所获取的输入变量数据集以及输出变量数据集进行标准化处理，随后将标准化处理后的数据集随机分为训练数据集以及测试数据集，分别用于在后续步骤中执行不同的处理。
[0041]
对于具体的标准化预处理的方法为：式中为标准化后的输入变量数据集，xi为未标准化前的输入变量数据集，和分别是未标准化前的输入变量数据集的最大值和最小值。其中，在经过标准化预处理后，会将其转化为标准化数值，统一比较的标准，保证结果的可靠性，消除不同指标之间因属性不同而带来的影响。
[0042]
其中，输出变量数据集也采用相同的方式进行处理，针对经过标准化预处理后的输入变量数据集以及输出变量数据集之间仍是在同一时刻下处于一一对应的映射关系。而对于训练数据集及以及测试数据集的划分，本技术实施例中将标准化后的数据集采用时序数据划分的方法分为训练数据集和测试数据集，比如，前50％用作训练后50％用作测试，且训练数据集以及测试数据集内仍然都是满足一一对应的映射关系。
[0043]
s300：根据训练数据集中的输入变量数据集构建目标预测模型函数，所述目标预测模型函数具有若干预设且待定的超参数，其中，若干待定的超参数定义为超参数组合。
[0044]
其中，绕组内部的多点温度随时间呈现出非线性特征，因而首先需要将输入变量数据集从低维空间通过非线性映射到高维空间，从而方便在高维特征空间实现对应的运算。该非线性映射的超平面函数f(x)可表达为：f(x)＝ω
·
φ(x)+b式中，ω,x,b分别为权重系数，输入特征和截距。
[0045]
此后，由于需要对超平面函数的参数求解，因此需要引入控制输出上下界的松弛变量及解析目标即变为找到超平面函数f(x)，即：解析目标即变为找到超平面函数f(x)，即：式中ε是不敏感损失函数参数，c是惩罚因子。
[0046]
在引入拉格朗日乘子与核函数构造拉格朗日泛函数后，上述公式即可转化为等价的二次规划对偶问题，即：等价的二次规划对偶问题，即：在将拉格朗日泛函取得最小值后，可以获得包括所构建的、且包含核函数的目标预测模型函数，即：式中，k(xi，x)为核函数，xi为输入变量数据集，i表示包含输入变量数据集和输出变量数据集的第i个数据集样本，n表示样本量。
[0047]
在本实施例中，核函数由若干核函数线性组合而成，以便更好地执行绕组内部非线性温度预测功能。其中，核函数由径向基核函数、sigmoid核函数以及多项式核函数线性组合而成，核函数为：k(xi,x)＝μ1k1(xi,x)+μ2k2(xi,x)+μ3k3(xi，x)其中，其中，其中，式中，σ为径向基核尺度且大于0，β为sigmod核系数且大于0，d为多项式核系数且大于等于0，μ1，μ2，μ3分别为径向基核函数、sigmoid核函数以及多项式核函数的权重，且μ1+μ2+μ3＝1因此，基于上述的预测模型的基础构成可知，ε，c，σ，β，d，μ1，μ2，μ3均为影响预测模型的参数，因而把这些对应的参数定义为超参数。而对应的即为超参数组合。在初次构建模型的情况中，超参数组合中的每个超参数会在各自限定的范围中任意随机生成一个初始值，并在构建模型的过程中带入，获得初次的预测模型。
[0048]
s400：将测试数据集中的输入变量数据集输入目标预测模型函数，并将结果与对应的输出变量数据集进行验证以判断是否达到预设的终止训练条件。
[0049]
s500：若未达到预设的终止训练条件，将超参数组合进行迭代优化，直至达到预设的终止训练条件。
[0050]
其中，在获得初次的预测模型后，将输入变量数据集中任意一个数据输入至目标预测模型函数后即可初步得到一个相对应的预测结果，但是该预测结果在超参数组合随机生成的前提下，其与实际的偏差会较大。一般来说，需要将输出预测模型的结果与输入预测模型的输入变量数据集所相对应的输出变量数据集进行比对，来判断是否需要对超参数组合进行调整来获取到更准确的超参数组合。
[0051]
终止训练条件包括根据输出目标预测模型函数的结果与对应的输出变量数据集依次运算平均绝对误差、平均绝对百分比误差、均方根误差以及回归决定系数中的至少一个或多个，且平均绝对误差、平均绝对百分比误差、均方根误差以及回归决定系数中均有一个对应的阈值来判断其是否满足相应的要求。
[0052]
其中，平均绝对误差采用公式：平均绝对百分比误差采用公式：均方根误差采用公式：回归决定系数采用公式：式中，n为测试数据集中的输入变量数据集的数量，e
mae
为平均绝对误差，e
mape
为平均绝对百分比误差，e
rmse
为均方根误差，r为回归决定系数，代表第i个输入变量数据集输入目标预测模型函数后模型输出的绕组温度特征信息，代表第i个输出变量数据集的绕组温度特征信息。
[0053]
作为一种具体的实施方式，在本实施例中，终止训练条件需要同时满足平均绝对误差、平均绝对百分比误差、均方根误差以及回归决定系数的各项要求。其中，作为一种可实现的方式，设定终止阈值e
mae
《5℃,e
mape
《10％,e
rmse
《5℃,r》0.85。
[0054]
其中，若平均绝对误差、平均绝对百分比误差、均方根误差以及回归决定系数中有一个没有达到所述的终止阈值，即表征构建预测模型的超参数组合仍需要进行迭代，即没有达到预设的终止训练条件。
[0055]
对于具体的迭代方法，参照图5，其包括如下步骤：s510：根据所需迭代的超参数组合以及所设定的种群规模，形成相应的超参数组合种群。
[0056]
其中，所需迭代的超参数组合即为在没有达到预设的终止训练条件时的超参数组合。超参数组合种群是根据超参数组合所对应框定的一个范围，并根据所对应设定的种群规模会在所框定的范围内生成对应种群规模的个体，而这些个体的集合即为所述的超参数组合种群。其中，种群规模通过np表示，且种群规模可以具体的经验设定来对应的进行调整。
[0057]
s520：选取超参数组合种群中若干数量的种群个体并进行变异以获取变异个体。
[0058]
其中，所选取的种群个体的具体数量可以根据设定的方式进行相应的调整，在本技术中，所选取的种群个体的数量共计有三个，而对应的变异操作满足公式：式中，r1,r2,r3∈[1,np]'np为设定的种群规模，且r1，r2，r3之间互不相同，f为预设的缩放因子，g为迭代优化的次数，z为超参数组合种群中的超参数组合个体，v为变异个体。
[0059]
s530：对变异个体进行交叉操作以获取试验个体。
[0060]
其中，交叉操作满足公式：式中，j∈[0，1]且随机产生，cr∈[0，1]且为交叉概率，u为试验个体。
[0061]
s540：计算通过试验个体构建的目标预测模型函数的平均绝对误差、平均绝对百分比误差以及均方根误差，并与通过所需迭代的超参数组合构建的目标预测模型函数的平均绝对误差、平均绝对百分比误差以及均方根误差进行比较，并根据比较结果选择将试验个体或是所需迭代的超参数组合作为经过迭代优化后的超参数组合。
[0062]
其中，试验个体和所需迭代的超参数组合均会对应的生成一个相应的预测模型，然后将测试集中所有的输入变量数据集输入至两个预测模型中，然后再依次计算e
mae
、e
mape
以及e
rmse
，随后再根据比较两个预测模型所对应得到的e
mae
、e
mape
以及e
rmse
来判断选择操作的结果。
[0063]
对应的，具体的选择操作满足公式：可知，在当试验个体所计算得到的e
mae
、e
mape
以及e
rmse
小于所需迭代的超参数组合
所计算得到的e
mae
、e
mape
以及e
rmse
时，将试验个体作为选择操作的结果。反之，在当试验个体所计算得到的e
mae
、e
mape
以及e
rmse
大于所需迭代的超参数组合所计算得到的e
mae
、e
mape
以及e
rmse
时，保持原有的超参数组合作为迭代后的超参数组合。因此，每一次迭代完成所形成的子代都可以使平均绝对误差、平均绝对百分比误差以及均方根误差朝着靠近对应的阈值的方向进行进化，从而使超参数组合朝着最优方向进行优化。
[0064]
在完成一次迭代之后，对应得到的子代的超参数组合仍能对应生成一个预测模型，随后再回到步骤s500处以判断优化后的预测模型是否达到终止训练条件，如果仍为达到，就再执行步骤s510-步骤s540中的各项步骤进行下一次的迭代进化。
[0065]
其中，终止训练条件还可以与迭代次数相关联，为了避免无限次迭代或是过长的训练时间的发生，可以将迭代次数设置一个上限，当迭代次数达到该上限值时，即对应停止迭代并将最后一次迭代进化输出的超参数组合作为最优的超参数组合，并对应的保存所构建的预测模型。
[0066]
在后续需要对该绕组的内部温度进行测量时，直接通过获取各光纤光栅传感器所获取的光谱中心波长、电气特征信息以及初始状态下的绕组温度特征信息即可得到全工况下的各个时间节点的绕组内的温度。其中，需要注意的是，在室温以及绕组长时间未工作的情况下，绕组的温度会略低于室温，并且绕组的温度会与室温有一个相关的函数关系，而对应的函数关系一般会在绕组被设计时就确定。
[0067]
此外，通过上述步骤所构建的预测模型只能适用于与样机各项参数相同的绕组上，当所监测的绕组的各项参数发生变化时，就需要重新对新的参数相同的样机重新进行训练来得到最优的预测模型。
[0068]
基于同一发明构思，本技术实施例还公开一种基于光纤传感和机器学习的电气设备绕组内部温度测量系统，其包括：fbg传感器单元，包括光纤光栅传感器，布置于绕组外，且用于获取光谱中心波长特征信息。
[0069]
温度测量单元，内置有预测模型，用于将输入温度测量单元的数据进行处理以获取对应的绕组温度。
[0070]
其中，预测模型的构建方法如前述步骤s100-步骤s500中的各项。
[0071]
在构建预测模型并针对样机进行训练的过程中，所述系统还包括电气特征采集单元以及温度采集单元，电气特征采集单元用于采集电气设备的电气特征信息，温度采集单元用于采集训练预测模型所需的绕组内部的各点温度。其中，温度采集单元需要通过在样机的绕组内预埋传感器实现，但在实际的温度监控的电气设备上并不需要进行传感器的预埋，只需通过在绕组表面的光纤光栅传感器所获取的数据结合训练完成的预测模型即可得到相应的温度测量的结果。
[0072]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0073]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以
通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0074]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0075]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0076]
以上所述，以上实施例仅用以对本技术的技术方案进行了详细介绍，但以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，不应理解为对本发明的限制。本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。