一種基于KMeans與RandomForest的異常溫升捕捉方法

摘要：針對線路老化、線路過載的火災頻發問題，分析了線路老化、線路過載與異常溫升之間的關聯性，以電流值、線纜溫度作為輸入，利用KMeans聚類算法劃分可能存在異常溫升的區間，通過RandomForest算法識別線路過載問題，可以提前通知用戶整改線路，預防火災的發生。

關鍵詞：線路過載;異常溫升;RandomForest;KMeans

中圖分類號：TU855

文獻標志碼：A文章編號：1674-8417（2024）06-0021-06

DOI：10.16618/j.cnki.1674-8417.2024.06.004

0引言

隨著科學技術的發展、生活水平的穩步提高，各種電子和電氣設備的使用愈發普及，電氣系統也愈發復雜，因此線路過載成為現今電氣火災產生的主要原因，引發社會各界對其的關注。現今，防止線路過載起火的有效措施，就是在建筑中各個角落安裝各種火災探測器進行溫度預警、過載預警以預防電氣火災的發生。

國內外研究者已對異常溫升現象及預測方法進行了大量研究，Shen等提出了自適應算法動態調整開關狀態，解決了光伏發電系統對電網帶來的過負荷溫升問題［1］。目前的溫度預警、過載預警分為兩大類常用方法：一類是基于專業人員預先設定的固定的溫度閾值、電流閾值進行預警，由于閾值一般設定偏大，往往不能及時發現問題，不能達到真正的“預警”目的;另一類方法基于深度學習來實現，典型的如循環神經網絡［2］、BP神經網絡［3-6］、模糊神經網絡［7］、PCA-LSSVM［8］等，此類模型的構建往往基于某一時序數據（如功率、溫度、電流）進行總體分類，直接從海量數據中挖掘異常點，這導致樣本不均衡問題突出，會存在較高的漏報率;此外標簽樣本的稀缺性也會導致模型的學習的泛化程度不夠?！?br>