[发明专利]结合k-means和随机森林的变压器油温预测方法

权利要求书

1.一种结合k-means和随机森林的变压器油温预测方法，其特征在于，包括以下步骤：

S1：获取变压器的历史数据作为原始训练集；

S2：对原始训练集应用k-means聚类算法聚类，保存聚类结果，将原始训练集划分k个簇；

S3：对每个簇训练集生成的多颗回归树组成对应簇训练集的随机森林；

S4：对于待预测的输入样本，计算其到原始训练集中每个簇的簇中心的距离，选择其距离最近的那个簇对应的随机森林，将输入样本输入到该随机森林中n_tree颗回归树中得到n_tree个预测值进行处理得到最终预测值。

2.根据权利要求1所述的结合k-means和随机森林的变压器油温预测方法，其特征在于，变压器的数据包括：负载率、环境温度、湿度、风速、油温。

3.根据权利要求2所述的结合k-means和随机森林的变压器油温预测方法，其特征在于，所述的变压器负载率、环境温度、湿度、风速为输入特征变量，油温为输出变量。

4.根据权利要求3所述的结合k-means和随机森林的变压器油温预测方法，其特征在于，所述步骤S3中对于单个簇训练集训练具体步骤如下：

1)、从单个簇训练集中取出m个样本；

2)、生成n_tree个训练集，对n_tree个训练集，分别训练n_tree个cart回归决策树模型。

5.根据权利要求4所述的结合k-means和随机森林的变压器油温预测方法，其特征在于，从单个簇训练集中进行n_tree次采样。

6.根据权利要求5所述的结合k-means和随机森林的变压器油温预测方法，其特征在于，从单个簇训练集中使用bootstraping方法随机有放回采样取出m个样本。

7.根据权利要求6所述的结合k-means和随机森林的变压器油温预测方法，其特征在于，单个回归决策树的建方法如下：

1)、采用均方误差作为节点分裂的依据，获取最优特征和最优切分点；

2)、用选定的对(j,s)划分区域并决定相应的输出值：

R₁(j,s)＝{x|x^j＝s}

R₂(j,s)＝{x|x^js}

3)、继续对两个子区域调用步骤1)，2)，将输入空间划分为M个区域R₁,R₂,...,R_M，生成决策树：

8.根据权利要求7所述的结合k-means和随机森林的变压器油温预测方法，其特征在于，最优特征和最优切分点的准则如下：

遍历特征变量j,对固定的切分特征变量j扫描切分点s,选择使上式达到最小的(j,s),切分点s将数据集划分成R₁和R₂，c₁和c₂分别是数据集R₁和R₂对应输出变量的算术平均值。

9.根据权利要求8所述的结合k-means和随机森林的变压器油温预测方法，其特征在于，变压器的历史数据是其近5-10年的数据。

10.根据权利要求9所述的结合k-means和随机森林的变压器油温预测方法，其特征在于，步骤S4中对n_tree个预测值的算术平均值即为最终预测值。