基于組合優(yōu)化模型的配網(wǎng)開關(guān)柜溫度預(yù)測與預(yù)警機制優(yōu)選

江友華， 汪 瀚， 賈仟尉， 江相偉

（1.上海電力大學電子與信息工程學院，上海 201306；2.國網(wǎng)安徽省電力有限公司安慶供電公司，安徽安慶 246061）

0 引 言

中壓開關(guān)柜在配電網(wǎng)中有著舉足輕重的作用，行使著隔離故障和分配電能的重要職能，開關(guān)柜的穩(wěn)健運行關(guān)乎著配電網(wǎng)的安全與可靠性。由于工作環(huán)境的復(fù)雜性，當開關(guān)柜出現(xiàn)異常情況時，首先表現(xiàn)為熱故障［1］。開關(guān)柜內(nèi)發(fā)熱主要集中在母排搭接處、梅花觸頭接觸處以及斷路器觸頭接觸處［2］。電纜或母線觸頭接觸不良、觸頭接觸面氧化、接觸面灰塵附著導(dǎo)致的接觸電阻增大是熱故障的主要原因，在大負荷下熱故障表現(xiàn)更加明顯。因此，開關(guān)柜內(nèi)重要觸點的溫度監(jiān)測對判斷設(shè)備運行狀態(tài)具有重要意義。

大量文獻對開關(guān)柜熱故障與載流故障進行了深入研究。文獻［3］中綜合了傳熱模型、觸點溫升模型提出了基于混合粒子濾波的滾動式載流故障趨勢預(yù)測方法，能快速精準地預(yù)測載流故障的發(fā)展趨勢。許力等［4］提出基于變尺度主成分分析的載流故障早期預(yù)警方法，使故障預(yù)警時間顯著提前于傳統(tǒng)閾值法。黃新波等［1］對于長期故障和即時故障分別提出了改進的組合權(quán)重相似日方法和改進的等效電阻模型，有效地提高了預(yù)測精度。周玉妍［5］利用灰色預(yù)測模型進行短期溫度預(yù)測，利用多元線性回歸進行長期溫度預(yù)測，能有效規(guī)避開關(guān)柜熱故障的發(fā)生。孟曉等［6］根據(jù)溫度序列的特點提出了5 種告警策略，并在現(xiàn)場測試中取得了良好的效果。以上文獻所提方法雖然在開關(guān)柜溫度預(yù)測和預(yù)警相關(guān)課題上取得了不錯的效果，但依舊存在構(gòu)建的物理模型普適性較差、預(yù)警不及時導(dǎo)致熱故障已經(jīng)發(fā)生、采用單一閾值作為判決機制導(dǎo)致預(yù)警誤判或失效、未能將預(yù)測方法和預(yù)警策略相結(jié)合等問題。

本文基于組合優(yōu)化模型對配網(wǎng)開關(guān)柜母排觸點處溫度進行預(yù)測，利用預(yù)測數(shù)據(jù)結(jié)合獨立性權(quán)系數(shù)法對預(yù)警機制進行優(yōu)選，形成一套完備的預(yù)測、預(yù)警方案。

1 預(yù)測原理與優(yōu)化方法

1.1 基于海洋捕食者算法優(yōu)化的SG-ARIMA-ELM預(yù)測總體思路

配網(wǎng)開關(guān)柜母排觸點處溫度受到各種因素影響，自身的歷史溫度數(shù)據(jù)同樣對實時溫度有著重要影響，整個過程是一個比較緩慢和平穩(wěn)的聚積過程。本文將配網(wǎng)開關(guān)柜觸點處溫度序列分解成線性溫度序列和非線性溫度序列，利用移動平均差分自回歸（Auto Regressive Integrated Moving Average Model，ARIMA）模型對線性信息的挖掘能力和極限學習機（Extreme Learning Machine，ELM）在非線性回歸問題上的優(yōu)勢，利用海洋捕食者算法（Marine predator algorithm，MPA）對ELM算法輸入與隱含層之間的連接權(quán)值和閾值進行參數(shù)尋優(yōu)，確定ELM 算法的最優(yōu)權(quán)值和閾值，以此加強ELM的泛化能力和補償傳統(tǒng)調(diào)參方式對經(jīng)驗的倚賴。綜合以上，對分解后的歷史溫度序列進行預(yù)測分析，盡可能地提高在復(fù)雜工況下溫度預(yù)測準確度，為有效進行溫度預(yù)警做好鋪墊工作。

整個流程由3 個階段組成，具體如圖1 所示。使用SG（Savitzky-Golay）對原始溫度序列濾波，將非線性殘差溫度序列從原始溫度序列中分離出來，形成兩種類型的溫度序列、對線性溫度序列利用ARIMA模型進行預(yù)測分析；針對配網(wǎng)開關(guān)柜磁場復(fù)雜、母線中電流大和溫度變化的連續(xù)性，將t 時刻前α 個非線性殘差序列γt-α、前β個歷史溫度序列yt-β以及ARIMA模型預(yù)測值~lt作為海洋捕食者算法優(yōu)化的ELM模型的輸入，MPA優(yōu)化的是ELM模型中的權(quán)值ω和閾值b。

1.2 Savitzky-Golay濾波算法分解序列

S-G是一種能在時域內(nèi)對多項式階數(shù)與窗數(shù)進行修正的特殊低通濾波器［7］，通過最小二乘法在去噪過程中進行最佳擬合平滑，實現(xiàn)數(shù)據(jù)保真，此方法具有對數(shù)據(jù)的極值近乎無損保留的特性。通過SG 濾波算法將線性序列l(wèi)t從原始溫度序列yt中分離出

式中：Ci為濾波系數(shù)，可通過多項式階數(shù)查表獲??；N為有（2m +1）個數(shù)據(jù)的滑動窗寬。N 的取值不宜過小，否則會導(dǎo)致曲線平滑度低，噪聲去除效果差；N 的取值不宜過大，否則會導(dǎo)致數(shù)據(jù)失真。同樣Ci濾波系數(shù)的選取也需要處于合理區(qū)間，否則會導(dǎo)致數(shù)據(jù)過擬合或者去噪效果差。

式中，γt為非線性殘差序列，γt一般處于無規(guī)則且波動強烈的狀態(tài)，γt可以理解為由配網(wǎng)開關(guān)柜復(fù)雜環(huán)境或故障原因?qū)е碌姆蔷€性噪聲波動。下文1.3 中的ARIMA模型的預(yù)測正是在式（1）、（2）的相關(guān)理論的基礎(chǔ)之上進行研究的。

1.3 移動平均差分自回歸模型預(yù)測

由于配網(wǎng)開關(guān)柜觸點溫度一般是連續(xù)性的，普遍存在熱量緩慢積聚的過程，其中含有大量線性成分，利用ARIMA 模型對分解后的線性序列l(wèi)t進行預(yù)測分析，充分挖掘線性溫度序列蘊含的信息。ARIMA是一種時間序列預(yù)測方法，廣泛應(yīng)用于負荷預(yù)測、天氣溫度預(yù)報、金融分析預(yù)測等關(guān)鍵領(lǐng)域。ARIMA（p，d，q）模型

式中：Ft為經(jīng)過差分處理的時間序列值；φi（i =1，2，…，p）和θj（j=1，2，…，q）分別為自回歸系數(shù)和滑動平均系數(shù)；ut=N（0，σ2）為白噪聲序列。

線性序列預(yù)測值

式中，h（·）為ARIMA線性函數(shù)。

1.4 極限學習機預(yù)測模型

ELM 是求解單隱層前饋神經(jīng)網(wǎng)絡(luò)（Single-hidden Layer Feedforward Neural Network，SLFN）的算法，在回歸和分類領(lǐng)域有著廣泛應(yīng)用。ELM 算法的參數(shù)有調(diào)整可操作性強、計算量較小、泛化能力強等特點，相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法具備較大優(yōu)勢。

ELM也有著明顯缺點：ELM關(guān)鍵參數(shù)ω和b是隨機生成的，即使在人工神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域中參數(shù)隨機初始化是普遍現(xiàn)象，會導(dǎo)致模型的魯棒性能不理想，這也為利用MPA算法優(yōu)化ELM模型做好了鋪墊。

1.5 海洋捕食者算法

MPA主要是受海洋捕食者的勘探策略啟發(fā)，捕食者根據(jù)"適者生存"的理論，確定最優(yōu)策略，以最大限度地提高與獵物的相遇率。MPA 優(yōu)化技術(shù)被認為是一種基于群體的優(yōu)化方法［8］。初步設(shè)定第1 個獵物群體在勘探領(lǐng)域的初始分布是一致的，即

式中：Xmin和Xmax為變量的最小和最大限制；rand 為一個隨機向量，其值在0 和1 之間。

根據(jù)適者生存的理念，頂級捕食者的覓食技能最高，在構(gòu)建精英矩陣時，最適合的種群被選為精英捕食者

式中：［XI1，1，XI1，2，…，XI1，d］為精英捕食者向量，被模擬了n次以形成精英矩陣；n為種群規(guī)模；d為問題維度。捕食者和獵物都被認為是可被捕食的種群，在每次迭代結(jié)束時，如果精英捕食者被更強的捕食者取代，Elite將被修改。

Prey是一個與Elite維數(shù)相同的矩陣。捕食者會相應(yīng)地改變它們的位置

MPA的模擬過程與Prey 和Elite 矩陣密切相關(guān)。MPA模擬由3 個主要階段組成，每個階段由一個特定的速度比范圍來定義。

第1 階段 獵物以布朗分布方式運動，而捕食者幾乎沒有移動，它們之間的速度比很高（v≥10）［9］。

式中：?是克羅內(nèi)克積運算符號；RB為呈正態(tài)分布的布朗游走隨機向量；P=0.5 為一個任意的常數(shù)；R為0和1 之間的隨機數(shù)向量；Iter為正在進行的迭代次數(shù)；Max_Iter為最大的迭代次數(shù)。RB與獵物矩陣Preyi相乘模擬了獵物的運動過程。

第2 階段捕食者與獵物速度相同（v =1），基于勘探和開發(fā)2 種生存策略，不同物種被分為2 部分，一部分物種進行勘探，另一部分物種進行開發(fā)。利用Levy游走策略進行開發(fā)對于獵物是優(yōu)選策略；捕食者使用與之對應(yīng)的布朗游走勘探策略，并逐步從勘探策略過渡到開發(fā)策略為下一階段做準備［10］。

式中：RL是隨機數(shù)向量；自適應(yīng)參數(shù)，用于調(diào)節(jié)捕食者的移動步長。

第3 階段捕食者移動速度比獵物快很多（v =0.1），捕食者主要采取Levy游走策略［11］

RL與Elitei矩陣的運算模擬了捕食者的Levy 運動，Elitei矩陣的步長調(diào)整，將影響Preyi矩陣位置的更新［12］，除了上述階段，環(huán)境問題也將影響海洋捕食者的行為，魚類聚集裝置（Fish aggregating devices，F(xiàn)AD）就是環(huán)境問題的一個典型例子，F(xiàn)AD 為勘探領(lǐng)域的局部最優(yōu)解，預(yù)設(shè)優(yōu)化過程中有較長的步長可以避免陷入局部最優(yōu)。FAD效應(yīng)的數(shù)學形式

式中：FAD=0.2 為FAD影響模擬過程的可能性大小；U為二進制向量數(shù)組；r 為［0，1］區(qū)間內(nèi)的隨機數(shù)；r1、r2分別為Prey的隨機索引。

1.6 MPA算法優(yōu)化ELM具體過程

（1）將優(yōu)化目標函數(shù)設(shè)置為訓練集的均方誤差

式中：N為訓練數(shù)據(jù)集的數(shù)量；yt（i）和）分別為第i個預(yù)測值和實際值。

（2）為MPA算法配置相應(yīng)的基本參數(shù)，最大迭代次數(shù)Max_Iter、種群規(guī)模n、FAD 效應(yīng)系數(shù)、常數(shù)P，以式（5）為根據(jù)對獵物的位置進行初始化，令當前迭代次數(shù)Iter=0，對適應(yīng)度進行計算并在此基礎(chǔ)上構(gòu)造精英矩陣。

（3）針對迭代的初期、中期、終期的特征，利用式（8）～（10）更新獵物并完成記憶儲存和精英矩陣的更新；考慮到FAD效應(yīng)或渦流效應(yīng)，通過式（11）～（12）更新獵物。

（4）對精英矩陣進行合理地評估并更新。檢查Iter與Max_Iter是否相等，如果是，輸出最佳精英矩陣Elitebest。

（5）將Elitebest輸出，即ELM最優(yōu)關(guān)鍵參數(shù)。

1.7 基于預(yù)測模型的溫度預(yù)警機制優(yōu)選

依據(jù)DLT664-2008 標準［13］，針對溫度過熱可能導(dǎo)致的故障，主要采用以下幾種預(yù)警機制：

（1）溫度閾值法。GB/T11022-2011 標準設(shè)定了設(shè)備最高允許溫度值，將預(yù)測模型獲取的溫度值與上述值進行比較，提前預(yù)判設(shè)備是否可能出現(xiàn)過熱故障。

（2）相對溫差法。針對故障設(shè)備處于小電流工作狀態(tài)時并不會觸發(fā)溫度閾值的缺點，采用同一設(shè)備不同兩測溫點之間溫度差與其中溫度較高點的溫升值的比值，根據(jù)DLT664-2008 標準，相對溫差大于80%時存在嚴重缺陷，相對溫差大于95%時存在危急缺陷。相對溫差

式中：τ1、T1為溫度較高點的溫升和溫度值；τ2、T2為溫度較低點的溫升和溫度值；T0為環(huán)境溫度。

（3）溫度上升速率法。取溫度上升期的溫度上升速率最大值和正常工作狀態(tài)的歷史閾值進行比較，若上升率大于閾值，則說明設(shè)備存在缺陷

式中：ΔT 為溫度上升速率；t1為n1時刻的溫度值；t2為n2時刻的溫度值。

由于配網(wǎng)開關(guān)柜實際工況和可能存在的故障情況比較復(fù)雜，上述3 條預(yù)警機制可能不會同時觸發(fā)，冗余信息或錯誤信息給管理人員帶來了困擾。為減小這種影響，引入獨立性權(quán)系數(shù)法估計上述機制下的各類溫度評價指標的權(quán)值，選擇最大評價指標權(quán)值相應(yīng)的預(yù)警機制作為主要機制。

獨立性權(quán)系數(shù)法以減少各項評價指標之間的冗余信息并在一定程度上保證判決準確度為目標［14］，通過計算復(fù)相關(guān)系數(shù)來確定權(quán)值，復(fù)相關(guān)系數(shù)值越小，則相應(yīng)的權(quán)值越大，復(fù)相關(guān)系數(shù)

2 測溫系統(tǒng)安裝與數(shù)據(jù)采集

以某變電所的一臺12 kV/1 250 A配網(wǎng)開關(guān)柜作為實驗研究對象，搭建配網(wǎng)開關(guān)柜母排觸點溫度在線監(jiān)測平臺，通過無線溫度傳感器對配網(wǎng)開關(guān)柜母排觸點進行間隔為1 h 的實時采集，將采集到的溫度數(shù)據(jù)通過433 MHz 無線網(wǎng)絡(luò)發(fā)送到接收主機，再通過RS485 總線傳送至DTU（數(shù)據(jù)傳輸單元），通過4G 網(wǎng)絡(luò)上傳至云服務(wù)平臺?；诠I(yè)物聯(lián)網(wǎng)的配網(wǎng)開關(guān)柜母排觸點溫度在線監(jiān)測平臺整體結(jié)構(gòu)如圖2 所示。

圖2 在線溫度監(jiān)測平臺整體結(jié)構(gòu)

3 結(jié)果與討論

3.1 Savitzky-Golay濾波算法分解結(jié)果

通過SG濾波算法將溫度序列yt分解出線性序列l(wèi)t和非線性殘差序列γt。SG 濾波算法的平滑點數(shù)和多項式階數(shù)的選擇直接影響擬合效果，如果一味追求曲線的光滑程度，將平滑點數(shù)設(shè)置偏大，會導(dǎo)致數(shù)據(jù)信息的失真嚴重；同時多項式階數(shù)的設(shè)置不宜過小，否則會大大降低去噪能力。本文對從云平臺獲取的2021年6 月份的1 200 條數(shù)據(jù)進行濾波，通過多次擬合，選擇了平滑點數(shù)為20，多項式階數(shù)為2 的參數(shù)設(shè)定。分解后配網(wǎng)開關(guān)柜母排觸點溫度的變化規(guī)律更為直觀，如圖3 ～5 所示，線性序列呈明顯的周期性，非線性殘差序列呈無規(guī)律、波動大的特點。

圖3 原始溫度序列

圖4 線性溫度序列

圖5 非線性殘差溫度序列

3.2 模型算法的有效性

3.2.1 模型算法的參數(shù)調(diào)優(yōu)

利用ARIMA對線性溫度序列l(wèi)t分析預(yù)測。在差分為0 階時，顯著性P值為0.000***（***為1%的顯著性水平），水平上呈顯著性，該序列為平穩(wěn)的時間序列。通過ACF 和PACF 定階，根據(jù)信息準則AIC 和BIC分別為-1 665.529 和-1 631.78，可確定結(jié)果為ARIMA模型（3，0，3），從Q統(tǒng)計量結(jié)果等于0.555 可以得到：Q6在水平上不呈現(xiàn)顯著性，不能拒絕模型的殘差為白噪聲序列的假設(shè)，同時模型的擬合優(yōu)度為0.994，模型表現(xiàn)優(yōu)秀。

冗余參數(shù)對模型擬合預(yù)測效果有著一定的負面影響，需對模型適當精簡，對前α 個分解的非線性值γt-1，γt-2，…，γt-α和前β 個原始溫度值yt-1，γt-2，…，γt-β中的α和β進行確定。初始將α和β均設(shè)置為5，通過多次經(jīng)驗調(diào)優(yōu)，α =6，β =4 時，ELM 模型預(yù)測效果較好。將前6 個非線性溫度值，前4 個原始溫度值以及ARIMA預(yù)測值一共11 個特征量作為ELM 模型的輸入，并結(jié)合MPA 對ELM 模型進行參數(shù)尋優(yōu)。設(shè)置MPA 參數(shù)，Max_Iter =50，n =50，F(xiàn)AD =0.2，P =0.5，當MPA迭代終止即可得到ELM模型的最優(yōu)權(quán)值和閾值，將驗證集數(shù)據(jù)輸入優(yōu)化后的ELM 模型，其輸出即為組合模型的最終預(yù)測結(jié)果。

3.2.2 各類模型的預(yù)測結(jié)果與分析

為檢驗本文所提基于海洋捕食者優(yōu)化的SGARIMA-ELM模型的配網(wǎng)開關(guān)柜母排觸點溫度預(yù)測性能，分別建立組合模型衍生的MPA-ELM、ARIMA-ELM模型以及其他算法模型GA-SVM、LSTM、PSO-LSTM進行參照對比，2 大類預(yù)測模型與SG-ARIMA-MPA-ELM具體結(jié)果如圖6（a）、（b）所示。MPA-ELM、GA-SVM、LSTM和PSO-LSTM模型的輸入均采用前5 個原始溫度序列，ARIMA-ELM模型采用ARIMA 模型預(yù)測原始溫度序列，利用ARIMA 預(yù)測值與實際值的差值作為ELM模型的輸入，將2021 年6 月中的50 個數(shù)據(jù)點作為上述5 種算法的驗證集。

圖6 溫度預(yù)測模型的對比

圖6（a）、（b）中的10%ACC 和15%ACC 區(qū)間指的是正負偏差真實值10%和15%的區(qū)間，由圖6（a）可獲知，傳統(tǒng)單一回歸算法模型MPA-ELM 的預(yù)測效果誤差比較大，出現(xiàn)相當多的預(yù)測值位于15%ACC區(qū)間外，且預(yù)測擬合值波動趨勢與真實情況有較大出入；ARIMA-ELM模型一定程度上彌補了ARIMA 模型對非線性數(shù)據(jù)擬合效果差的劣勢，所有預(yù)測值均位于15%ACC區(qū)間內(nèi)，但存在溫度峰值處預(yù)測效果不佳。圖6（b）中，GA-SVM依舊存在和圖6（a）中MPA-ELM類似的問題，對時間序列預(yù)測效果欠佳；近些年LSTM在時間序列問題上表現(xiàn)出色，整體預(yù)測效果明顯優(yōu)于傳統(tǒng)回歸預(yù)測模型，大部分預(yù)測數(shù)據(jù)都位于10%ACC區(qū)間內(nèi)，且經(jīng)過PSO優(yōu)化后的LSTM 模型表現(xiàn)更為優(yōu)秀。LSTM和PSO-LSTM模型均依舊存在峰值處預(yù)測效果差，在溫度峰值處均達到10%以上的誤差，實際工程中峰值處十幾℃的誤差很可能會導(dǎo)致誤報警或漏報警；經(jīng)過圖6（a）、（b）分析發(fā)現(xiàn)，SG-ARIMA-MPAELM預(yù)測模型具有整體預(yù)測效果好、溫度拐點處預(yù)測佳的明顯優(yōu)勢。

3.2.3 預(yù)測模型的性能評價

利用平均絕對誤差（MAE）、均方根誤差（RMSE）、決定系數(shù)（R2）、15%ACC、10%ACC 這5 種數(shù)值指標對上述各類算法模型進行誤差評價。

由表1 可獲知，傳統(tǒng)單一回歸模型MPA-ELM 和GA-SVM表現(xiàn)相當差，MAE和RMSE均大于5.5，并且15%ACC 均沒有到達100%，10% ACC 均小于等于60%。ARIMA-ELM模型結(jié)合了時序預(yù)測和回歸預(yù)測的優(yōu)勢，15%ACC達到了100%，相比單一回歸模型的預(yù)測性能有著一定程度的改善，但整體還不夠理想。LSTM與PSO-LSTM 模型相比較于單一回歸模型和ARIMA-ELM 有著顯著提升，但10% ACC 并未到達100%，結(jié)合圖6（b）可知，LSTM 與PSO-LSTM 模型在溫度峰值處誤差較大，而預(yù)測溫度峰值的準確度直接影響著預(yù)警的有效性。本文所提SG-ARIMA-MPAELM組合模型表現(xiàn)非常優(yōu)秀，不但溫度趨勢預(yù)測準確，且對峰值處溫度預(yù)測誤差均在10%ACC 區(qū)間以內(nèi)，其中MAE 為1.108 ℃、RMSE 為1.172 ℃、R2為0.924，15%ACC和10%ACC均為100%。

表1 不同預(yù)測模型的預(yù)測誤差指標

3.3 基于預(yù)測模型的溫度預(yù)警機制選擇策略

以A相各項溫度指標為示例，分別選取A、B、C三相母排溫度的預(yù)測值作為基本數(shù)據(jù)以便得到各項溫度預(yù)測值評價指標，見表2。

表2 預(yù)測值的各項溫度評價指標

利用表2 中預(yù)測值的各項溫度評價指標，通過獨立性權(quán)系數(shù)法計算獲取各個指標的權(quán)值，見表3。

表3 各項評價指標在獨立性權(quán)系數(shù)法下的權(quán)值

由表3 可知，A相與B、C 相相對溫差權(quán)值分別為0.096、0.097，顯然1.7 節(jié)中提到的相對溫差法在此案例中不適合作為預(yù)警判決機制；而A 相溫度和溫度上升速率權(quán)值分別為0.409 和0.398，二者較為接近，因此1.7 節(jié)中所提到的溫度閾值法和溫度上升速率法均可以作為此案例中的預(yù)警判決機制。

4 結(jié) 語

（1）本文所提SG-ARIMA-MPA-ELM 組合模型的方法預(yù)測配網(wǎng)開關(guān)柜母排觸點溫度，充分利用了SG濾波算法，將溫度序列一分為二，針對線性序列采用ARIMA模型，針對非線性序列采用ELM 模型，更加貼近實際工程現(xiàn)場的特點；很好地規(guī)避了ARIMA對非線性噪聲溫度序列處理不佳的劣勢，并且最大程度地利用了ARIMA模型在預(yù)測線性時序問題上的優(yōu)越性；采用MPA算法對ELM 的關(guān)鍵參數(shù)進行尋優(yōu)，使組合模型算法的參數(shù)調(diào)整效率和預(yù)測準確度得到了有效提升。

（2）通過對獲取的預(yù)測數(shù)據(jù)進行分析與處理，利用獨立性權(quán)系數(shù)法對預(yù)測溫度評價指標進行權(quán)值排序，實現(xiàn)了復(fù)雜工況下預(yù)警判決機制的優(yōu)選。

（3）利用溫度在線監(jiān)測平臺有效地獲取了現(xiàn)場配網(wǎng)開關(guān)柜母排觸點的溫度，通過云平臺的后端組合模型算法對溫度數(shù)據(jù)進行實時預(yù)測與預(yù)警，為變電所管理員提供卓有成效的決策建議，及時將安全隱患扼殺在萌芽狀態(tài)。