[发明专利]结合k-means和随机森林的变压器油温预测方法

说明书

本发明提出了一种结合k‑means和随机森林的变压器油温预测方法，该方法应用k‑means聚类算法对原始训练集划分成k个簇，再针对每个簇构建随机森林，这样可以减少用于构建随机森林的训练样本，从而减少了每个特征的取值划分，从而减少了计算量，使算法效率有所提升。

技术领域

本发明涉及数据挖掘技术领域，更具体地，涉及一种结合k-means和随机森林的变压器油温预测方法。

背景技术

电力变压器作为电力系统中的关键设备,其稳定运行对于电力系统的可靠性和运行的经济性有着重要影响。从某种程度而言,变压器的载荷能力和绝缘老化速度主要由其内部热状态决定。油浸式变压器在运行中产生的损耗，包括空载损耗，以热的形式通过油、油箱壁和散热器散发到周围的空气中。因此变压器油温是变压器热状态的重要参数，在保证变压器安全运行的前提下，为充分利用变压器动态载荷能力，准确预测变压器油温十分关键。变压器运行时，绕组和铁芯由于电能损耗产生的热量使油的温度升高，体积膨胀，密度减小，油自然向上流动，上层热油流经散热管、邮箱壁冷却后，因密度增大而下降，于是形成了油在油箱和散热管间的自然循环流动。

随机森林算法是一种集成学习算法，它综合考量多个学习器的预测结果，从而做出决策。由于采用了集成算法，本身精度比大多数单个算法要好，所以准确性高。由于树的组合，使得随机森林可以处理非线性数据，因此随机森林属于非线性分类(拟合)模型。但是取值划分比较多的特征容易对随机森林的决策产生更大的影响，从而影响拟合的模型的效果，且计算效率比较低。

发明内容

本发明提供一种结合k-means和随机森林的变压器油温预测方法，该方法减少了计算量，使算法效率有所提升。

为了达到上述技术效果，本发明的技术方案如下：

一种结合k-means和随机森林的变压器油温预测方法，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。

进一步地，变压器的数据包括：负载率、环境温度、湿度、风速、油温。

进一步地，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。

进一步地，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。

进一步地，从单个簇训练集中进行n_tree次采样。

进一步地，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。

进一步地，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}