开关柜由于其内部结构复杂、密闭性强等因素,载流故障率一直维持在一个较高的水平。目前主要使用温度传感器对开关柜进行实时监测,根据监测数据设置阈值报警,从而采取补救措施。因此本文基于开关柜断路器触头的负荷电流和环境温度的相关数据,对开关柜的温升预测模型进行研究,根据现有的大量的、历史的以及实时监测数据进行温升趋势预测,提前发现故障,为设备的检修留出充足的时间,避免事故发生,保障电力系统稳定安全运行。首先,对开关柜断路器室进行温度场仿真。通过仿真计算可以得到断路器室的温度分布情况,将触头作为重点研究对象为温升传感器监测位置提供选择方案并为温升预测相关热物性影响参数提供理论依据。然后,利用温升试验报告作为数据库进行基于BP神经网络的开关柜温升预测模型的搭建,结果表明其模型精度以及稳定性有待提高。针对BP神经网络开关柜温升预测模型的现有缺陷,将GA-BP神经网络优化组合模型与PSO-BP神经网络优化组合模型算法对温升的横向预测、纵向预测以及单相故障预测进行对比分析,证明遗传算法容错性更高精确度更好更适合作为BP神经网络温升预测的优化选择方案,进一步提高了模型的预测精度和稳定性。其次,依据单点告警法、多点告警法融合温升预测告警法提出一种热故障温升综合预警算法及运维策略,通过在线监测数据对温升预测模型进行不断修正实现动态预警,实现故障提前预测并有计划的作出运维检修。最后,进行温升预测系统的集成,设计了一款温度电流一体化的温升传感器实现对温度和电流数据的同步采集,保证了数据变化的一致性并对其可靠性和稳定性进行实验测试。经工程验证,开关柜温升预测模型的精度和稳定性满足基本需求,可以根据温升变化趋势提前进行预测并有计划消除故障,提高了开关柜的运维效率和安全性,具有一定的经济和实用价值。