结合k-means和随机森林的变压器油温预测方法技术

本发明专利技术提出了一种结合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。

【技术实现步骤摘要】
结合k-means和随机森林的变压器油温预测方法
本专利技术涉及数据挖掘
，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。
技术介绍
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，因此随机森林属于本文档来自技高网...

【技术保护点】
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：/nS1：获取变压器的历史数据作为原始训练集；/nS2：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；/nS3：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；/nS4：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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：皇甫汉聪，王永才，肖招娣，庞维欣，庞伟林，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司佛山供电局，
类型：发明
国别省市：广东;44