江友華， 汪 瀚， 賈仟尉， 江相偉

（1.上海電力大學(xué)電子與信息工程學(xué)院，上海 201306；2.國網(wǎng)安徽省電力有限公司安慶供電公司，安徽安慶 246061）

0 引 言

中壓開關(guān)柜在配電網(wǎng)中有著舉足輕重的作用，行使著隔離故障和分配電能的重要職能，開關(guān)柜的穩(wěn)健運(yùn)行關(guān)乎著配電網(wǎng)的安全與可靠性。由于工作環(huán)境的復(fù)雜性，當(dāng)開關(guān)柜出現(xiàn)異常情況時(shí)，首先表現(xiàn)為熱故障［1］。開關(guān)柜內(nèi)發(fā)熱主要集中在母排搭接處、梅花觸頭接觸處以及斷路器觸頭接觸處［2］。電纜或母線觸頭接觸不良、觸頭接觸面氧化、接觸面灰塵附著導(dǎo)致的接觸電阻增大是熱故障的主要原因，在大負(fù)荷下熱故障表現(xiàn)更加明顯。因此，開關(guān)柜內(nèi)重要觸點(diǎn)的溫度監(jiān)測(cè)對(duì)判斷設(shè)備運(yùn)行狀態(tài)具有重要意義。

大量文獻(xiàn)對(duì)開關(guān)柜熱故障與載流故障進(jìn)行了深入研究。文獻(xiàn)［3］中綜合了傳熱模型、觸點(diǎn)溫升模型提出了基于混合粒子濾波的滾動(dòng)式載流故障趨勢(shì)預(yù)測(cè)方法，能快速精準(zhǔn)地預(yù)測(cè)載流故障的發(fā)展趨勢(shì)。許力等［4］提出基于變尺度主成分分析的載流故障早期預(yù)警方法，使故障預(yù)警時(shí)間顯著提前于傳統(tǒng)閾值法。黃新波等［1］對(duì)于長期故障和即時(shí)故障分別提出了改進(jìn)的組合權(quán)重相似日方法和改進(jìn)的等效電阻模型，有效地提高了預(yù)測(cè)精度。周玉妍［5］利用灰色預(yù)測(cè)模型進(jìn)行短期溫度預(yù)測(cè)，利用多元線性回歸進(jìn)行長期溫度預(yù)測(cè)，能有效規(guī)避開關(guān)柜熱故障的發(fā)生。孟曉等［6］根據(jù)溫度序列的特點(diǎn)提出了5 種告警策略，并在現(xiàn)場(chǎng)測(cè)試中取得了良好的效果。以上文獻(xiàn)所提方法雖然在開關(guān)柜溫度預(yù)測(cè)和預(yù)警相關(guān)課題上取得了不錯(cuò)的效果，但依舊存在構(gòu)建的物理模型普適性較差、預(yù)警不及時(shí)導(dǎo)致熱故障已經(jīng)發(fā)生、采用單一閾值作為判決機(jī)制導(dǎo)致預(yù)警誤判或失效、未能將預(yù)測(cè)方法和預(yù)警策略相結(jié)合等問題。

本文基于組合優(yōu)化模型對(duì)配網(wǎng)開關(guān)柜母排觸點(diǎn)處溫度進(jìn)行預(yù)測(cè)，利用預(yù)測(cè)數(shù)據(jù)結(jié)合獨(dú)立性權(quán)系數(shù)法對(duì)預(yù)警機(jī)制進(jìn)行優(yōu)選，形成一套完備的預(yù)測(cè)、預(yù)警方案。

1 預(yù)測(cè)原理與優(yōu)化方法

1.1 基于海洋捕食者算法優(yōu)化的SG-ARIMA-ELM預(yù)測(cè)總體思路

配網(wǎng)開關(guān)柜母排觸點(diǎn)處溫度受到各種因素影響，自身的歷史溫度數(shù)據(jù)同樣對(duì)實(shí)時(shí)溫度有著重要影響，整個(gè)過程是一個(gè)比較緩慢和平穩(wěn)的聚積過程。本文將配網(wǎng)開關(guān)柜觸點(diǎn)處溫度序列分解成線性溫度序列和非線性溫度序列，利用移動(dòng)平均差分自回歸（Auto Regressive Integrated Moving Average Model，ARIMA）模型對(duì)線性信息的挖掘能力和極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）在非線性回歸問題上的優(yōu)勢(shì)，利用海洋捕食者算法（Marine predator algorithm，MPA）對(duì)ELM算法輸入與隱含層之間的連接權(quán)值和閾值進(jìn)行參數(shù)尋優(yōu)，確定ELM 算法的最優(yōu)權(quán)值和閾值，以此加強(qiáng)ELM的泛化能力和補(bǔ)償傳統(tǒng)調(diào)參方式對(duì)經(jīng)驗(yàn)的倚賴。綜合以上，對(duì)分解后的歷史溫度序列進(jìn)行預(yù)測(cè)分析，盡可能地提高在復(fù)雜工況下溫度預(yù)測(cè)準(zhǔn)確度，為有效進(jìn)行溫度預(yù)警做好鋪墊工作。

整個(gè)流程由3 個(gè)階段組成，具體如圖1 所示。使用SG（Savitzky-Golay）對(duì)原始溫度序列濾波，將非線性殘差溫度序列從原始溫度序列中分離出來，形成兩種類型的溫度序列、對(duì)線性溫度序列利用ARIMA模型進(jìn)行預(yù)測(cè)分析；針對(duì)配網(wǎng)開關(guān)柜磁場(chǎng)復(fù)雜、母線中電流大和溫度變化的連續(xù)性，將t 時(shí)刻前α 個(gè)非線性殘差序列γt-α、前β個(gè)歷史溫度序列yt-β以及ARIMA模型預(yù)測(cè)值~lt作為海洋捕食者算法優(yōu)化的ELM模型的輸入，MPA優(yōu)化的是ELM模型中的權(quán)值ω和閾值b。

1.2 Savitzky-Golay濾波算法分解序列

S-G是一種能在時(shí)域內(nèi)對(duì)多項(xiàng)式階數(shù)與窗數(shù)進(jìn)行修正的特殊低通濾波器［7］，通過最小二乘法在去噪過程中進(jìn)行最佳擬合平滑，實(shí)現(xiàn)數(shù)據(jù)保真，此方法具有對(duì)數(shù)據(jù)的極值近乎無損保留的特性。通過SG 濾波算法將線性序列l(wèi)t從原始溫度序列yt中分離出

式中：Ci為濾波系數(shù)，可通過多項(xiàng)式階數(shù)查表獲??；N為有（2m +1）個(gè)數(shù)據(jù)的滑動(dòng)窗寬。N 的取值不宜過小，否則會(huì)導(dǎo)致曲線平滑度低，噪聲去除效果差；N 的取值不宜過大，否則會(huì)導(dǎo)致數(shù)據(jù)失真。同樣Ci濾波系數(shù)的選取也需要處于合理區(qū)間，否則會(huì)導(dǎo)致數(shù)據(jù)過擬合或者去噪效果差。

式中，γt為非線性殘差序列，γt一般處于無規(guī)則且波動(dòng)強(qiáng)烈的狀態(tài)，γt可以理解為由配網(wǎng)開關(guān)柜復(fù)雜環(huán)境或故障原因?qū)е碌姆蔷€性噪聲波動(dòng)。下文1.3 中的ARIMA模型的預(yù)測(cè)正是在式（1）、（2）的相關(guān)理論的基礎(chǔ)之上進(jìn)行研究的。

1.3 移動(dòng)平均差分自回歸模型預(yù)測(cè)

由于配網(wǎng)開關(guān)柜觸點(diǎn)溫度一般是連續(xù)性的，普遍存在熱量緩慢積聚的過程，其中含有大量線性成分，利用ARIMA 模型對(duì)分解后的線性序列l(wèi)t進(jìn)行預(yù)測(cè)分析，充分挖掘線性溫度序列蘊(yùn)含的信息。ARIMA是一種時(shí)間序列預(yù)測(cè)方法，廣泛應(yīng)用于負(fù)荷預(yù)測(cè)、天氣溫度預(yù)報(bào)、金融分析預(yù)測(cè)等關(guān)鍵領(lǐng)域。ARIMA（p，d，q）模型

式中：Ft為經(jīng)過差分處理的時(shí)間序列值；φi（i =1，2，…，p）和θj（j=1，2，…，q）分別為自回歸系數(shù)和滑動(dòng)平均系數(shù)；ut=N（0，σ2）為白噪聲序列。

線性序列預(yù)測(cè)值

式中，h（·）為ARIMA線性函數(shù)。

1.4 極限學(xué)習(xí)機(jī)預(yù)測(cè)模型

ELM 是求解單隱層前饋神經(jīng)網(wǎng)絡(luò)（Single-hidden Layer Feedforward Neural Network，SLFN）的算法，在回歸和分類領(lǐng)域有著廣泛應(yīng)用。ELM 算法的參數(shù)有調(diào)整可操作性強(qiáng)、計(jì)算量較小、泛化能力強(qiáng)等特點(diǎn)，相較于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法具備較大優(yōu)勢(shì)。

ELM也有著明顯缺點(diǎn)：ELM關(guān)鍵參數(shù)ω和b是隨機(jī)生成的，即使在人工神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域中參數(shù)隨機(jī)初始化是普遍現(xiàn)象，會(huì)導(dǎo)致模型的魯棒性能不理想，這也為利用MPA算法優(yōu)化ELM模型做好了鋪墊。

1.5 海洋捕食者算法

MPA主要是受海洋捕食者的勘探策略啟發(fā)，捕食者根據(jù)"適者生存"的理論，確定最優(yōu)策略，以最大限度地提高與獵物的相遇率。MPA 優(yōu)化技術(shù)被認(rèn)為是一種基于群體的優(yōu)化方法［8］。初步設(shè)定第1 個(gè)獵物群體在勘探領(lǐng)域的初始分布是一致的，即

式中：Xmin和Xmax為變量的最小和最大限制；rand 為一個(gè)隨機(jī)向量，其值在0 和1 之間。

根據(jù)適者生存的理念，頂級(jí)捕食者的覓食技能最高，在構(gòu)建精英矩陣時(shí)，最適合的種群被選為精英捕食者

式中：［XI1，1，XI1，2，…，XI1，d］為精英捕食者向量，被模擬了n次以形成精英矩陣；n為種群規(guī)模；d為問題維度。捕食者和獵物都被認(rèn)為是可被捕食的種群，在每次迭代結(jié)束時(shí)，如果精英捕食者被更強(qiáng)的捕食者取代，Elite將被修改。

Prey是一個(gè)與Elite維數(shù)相同的矩陣。捕食者會(huì)相應(yīng)地改變它們的位置

MPA的模擬過程與Prey 和Elite 矩陣密切相關(guān)。MPA模擬由3 個(gè)主要階段組成，每個(gè)階段由一個(gè)特定的速度比范圍來定義。

第1 階段 獵物以布朗分布方式運(yùn)動(dòng)，而捕食者幾乎沒有移動(dòng)，它們之間的速度比很高（v≥10）［9］。

式中：?是克羅內(nèi)克積運(yùn)算符號(hào)；RB為呈正態(tài)分布的布朗游走隨機(jī)向量；P=0.5 為一個(gè)任意的常數(shù)；R為0和1 之間的隨機(jī)數(shù)向量；Iter為正在進(jìn)行的迭代次數(shù)；Max_Iter為最大的迭代次數(shù)。RB與獵物矩陣Preyi相乘模擬了獵物的運(yùn)動(dòng)過程。

第2 階段捕食者與獵物速度相同（v =1），基于勘探和開發(fā)2 種生存策略，不同物種被分為2 部分，一部分物種進(jìn)行勘探，另一部分物種進(jìn)行開發(fā)。利用Levy游走策略進(jìn)行開發(fā)對(duì)于獵物是優(yōu)選策略；捕食者使用與之對(duì)應(yīng)的布朗游走勘探策略，并逐步從勘探策略過渡到開發(fā)策略為下一階段做準(zhǔn)備［10］。

式中：RL是隨機(jī)數(shù)向量；自適應(yīng)參數(shù)，用于調(diào)節(jié)捕食者的移動(dòng)步長。

第3 階段捕食者移動(dòng)速度比獵物快很多（v =0.1），捕食者主要采取Levy游走策略［11］

RL與Elitei矩陣的運(yùn)算模擬了捕食者的Levy 運(yùn)動(dòng)，Elitei矩陣的步長調(diào)整，將影響Preyi矩陣位置的更新［12］，除了上述階段，環(huán)境問題也將影響海洋捕食者的行為，魚類聚集裝置（Fish aggregating devices，F(xiàn)AD）就是環(huán)境問題的一個(gè)典型例子，F(xiàn)AD 為勘探領(lǐng)域的局部最優(yōu)解，預(yù)設(shè)優(yōu)化過程中有較長的步長可以避免陷入局部最優(yōu)。FAD效應(yīng)的數(shù)學(xué)形式

式中：FAD=0.2 為FAD影響模擬過程的可能性大??；U為二進(jìn)制向量數(shù)組；r 為［0，1］區(qū)間內(nèi)的隨機(jī)數(shù)；r1、r2分別為Prey的隨機(jī)索引。

1.6 MPA算法優(yōu)化ELM具體過程

（1）將優(yōu)化目標(biāo)函數(shù)設(shè)置為訓(xùn)練集的均方誤差

式中：N為訓(xùn)練數(shù)據(jù)集的數(shù)量；yt（i）和）分別為第i個(gè)預(yù)測(cè)值和實(shí)際值。

（2）為MPA算法配置相應(yīng)的基本參數(shù)，最大迭代次數(shù)Max_Iter、種群規(guī)模n、FAD 效應(yīng)系數(shù)、常數(shù)P，以式（5）為根據(jù)對(duì)獵物的位置進(jìn)行初始化，令當(dāng)前迭代次數(shù)Iter=0，對(duì)適應(yīng)度進(jìn)行計(jì)算并在此基礎(chǔ)上構(gòu)造精英矩陣。

（3）針對(duì)迭代的初期、中期、終期的特征，利用式（8）～（10）更新獵物并完成記憶儲(chǔ)存和精英矩陣的更新；考慮到FAD效應(yīng)或渦流效應(yīng)，通過式（11）～（12）更新獵物。

（4）對(duì)精英矩陣進(jìn)行合理地評(píng)估并更新。檢查Iter與Max_Iter是否相等，如果是，輸出最佳精英矩陣Elitebest。

（5）將Elitebest輸出，即ELM最優(yōu)關(guān)鍵參數(shù)。

1.7 基于預(yù)測(cè)模型的溫度預(yù)警機(jī)制優(yōu)選

依據(jù)DLT664-2008 標(biāo)準(zhǔn)［13］，針對(duì)溫度過熱可能導(dǎo)致的故障，主要采用以下幾種預(yù)警機(jī)制：

（1）溫度閾值法。GB/T11022-2011 標(biāo)準(zhǔn)設(shè)定了設(shè)備最高允許溫度值，將預(yù)測(cè)模型獲取的溫度值與上述值進(jìn)行比較，提前預(yù)判設(shè)備是否可能出現(xiàn)過熱故障。

（2）相對(duì)溫差法。針對(duì)故障設(shè)備處于小電流工作狀態(tài)時(shí)并不會(huì)觸發(fā)溫度閾值的缺點(diǎn)，采用同一設(shè)備不同兩測(cè)溫點(diǎn)之間溫度差與其中溫度較高點(diǎn)的溫升值的比值，根據(jù)DLT664-2008 標(biāo)準(zhǔn)，相對(duì)溫差大于80%時(shí)存在嚴(yán)重缺陷，相對(duì)溫差大于95%時(shí)存在危急缺陷。相對(duì)溫差

式中：τ1、T1為溫度較高點(diǎn)的溫升和溫度值；τ2、T2為溫度較低點(diǎn)的溫升和溫度值；T0為環(huán)境溫度。

（3）溫度上升速率法。取溫度上升期的溫度上升速率最大值和正常工作狀態(tài)的歷史閾值進(jìn)行比較，若上升率大于閾值，則說明設(shè)備存在缺陷

式中：ΔT 為溫度上升速率；t1為n1時(shí)刻的溫度值；t2為n2時(shí)刻的溫度值。

由于配網(wǎng)開關(guān)柜實(shí)際工況和可能存在的故障情況比較復(fù)雜，上述3 條預(yù)警機(jī)制可能不會(huì)同時(shí)觸發(fā)，冗余信息或錯(cuò)誤信息給管理人員帶來了困擾。為減小這種影響，引入獨(dú)立性權(quán)系數(shù)法估計(jì)上述機(jī)制下的各類溫度評(píng)價(jià)指標(biāo)的權(quán)值，選擇最大評(píng)價(jià)指標(biāo)權(quán)值相應(yīng)的預(yù)警機(jī)制作為主要機(jī)制。

獨(dú)立性權(quán)系數(shù)法以減少各項(xiàng)評(píng)價(jià)指標(biāo)之間的冗余信息并在一定程度上保證判決準(zhǔn)確度為目標(biāo)［14］，通過計(jì)算復(fù)相關(guān)系數(shù)來確定權(quán)值，復(fù)相關(guān)系數(shù)值越小，則相應(yīng)的權(quán)值越大，復(fù)相關(guān)系數(shù)

2 測(cè)溫系統(tǒng)安裝與數(shù)據(jù)采集

以某變電所的一臺(tái)12 kV/1 250 A配網(wǎng)開關(guān)柜作為實(shí)驗(yàn)研究對(duì)象，搭建配網(wǎng)開關(guān)柜母排觸點(diǎn)溫度在線監(jiān)測(cè)平臺(tái)，通過無線溫度傳感器對(duì)配網(wǎng)開關(guān)柜母排觸點(diǎn)進(jìn)行間隔為1 h 的實(shí)時(shí)采集，將采集到的溫度數(shù)據(jù)通過433 MHz 無線網(wǎng)絡(luò)發(fā)送到接收主機(jī)，再通過RS485 總線傳送至DTU（數(shù)據(jù)傳輸單元），通過4G 網(wǎng)絡(luò)上傳至云服務(wù)平臺(tái)?；诠I(yè)物聯(lián)網(wǎng)的配網(wǎng)開關(guān)柜母排觸點(diǎn)溫度在線監(jiān)測(cè)平臺(tái)整體結(jié)構(gòu)如圖2 所示。

圖2 在線溫度監(jiān)測(cè)平臺(tái)整體結(jié)構(gòu)

3 結(jié)果與討論

3.1 Savitzky-Golay濾波算法分解結(jié)果

通過SG濾波算法將溫度序列yt分解出線性序列l(wèi)t和非線性殘差序列γt。SG 濾波算法的平滑點(diǎn)數(shù)和多項(xiàng)式階數(shù)的選擇直接影響擬合效果，如果一味追求曲線的光滑程度，將平滑點(diǎn)數(shù)設(shè)置偏大，會(huì)導(dǎo)致數(shù)據(jù)信息的失真嚴(yán)重；同時(shí)多項(xiàng)式階數(shù)的設(shè)置不宜過小，否則會(huì)大大降低去噪能力。本文對(duì)從云平臺(tái)獲取的2021年6 月份的1 200 條數(shù)據(jù)進(jìn)行濾波，通過多次擬合，選擇了平滑點(diǎn)數(shù)為20，多項(xiàng)式階數(shù)為2 的參數(shù)設(shè)定。分解后配網(wǎng)開關(guān)柜母排觸點(diǎn)溫度的變化規(guī)律更為直觀，如圖3 ～5 所示，線性序列呈明顯的周期性，非線性殘差序列呈無規(guī)律、波動(dòng)大的特點(diǎn)。

圖3 原始溫度序列

圖4 線性溫度序列

圖5 非線性殘差溫度序列

3.2 模型算法的有效性

3.2.1 模型算法的參數(shù)調(diào)優(yōu)

利用ARIMA對(duì)線性溫度序列l(wèi)t分析預(yù)測(cè)。在差分為0 階時(shí)，顯著性P值為0.000***（***為1%的顯著性水平），水平上呈顯著性，該序列為平穩(wěn)的時(shí)間序列。通過ACF 和PACF 定階，根據(jù)信息準(zhǔn)則AIC 和BIC分別為-1 665.529 和-1 631.78，可確定結(jié)果為ARIMA模型（3，0，3），從Q統(tǒng)計(jì)量結(jié)果等于0.555 可以得到：Q6在水平上不呈現(xiàn)顯著性，不能拒絕模型的殘差為白噪聲序列的假設(shè)，同時(shí)模型的擬合優(yōu)度為0.994，模型表現(xiàn)優(yōu)秀。

冗余參數(shù)對(duì)模型擬合預(yù)測(cè)效果有著一定的負(fù)面影響，需對(duì)模型適當(dāng)精簡，對(duì)前α 個(gè)分解的非線性值γt-1，γt-2，…，γt-α和前β 個(gè)原始溫度值yt-1，γt-2，…，γt-β中的α和β進(jìn)行確定。初始將α和β均設(shè)置為5，通過多次經(jīng)驗(yàn)調(diào)優(yōu)，α =6，β =4 時(shí)，ELM 模型預(yù)測(cè)效果較好。將前6 個(gè)非線性溫度值，前4 個(gè)原始溫度值以及ARIMA預(yù)測(cè)值一共11 個(gè)特征量作為ELM 模型的輸入，并結(jié)合MPA 對(duì)ELM 模型進(jìn)行參數(shù)尋優(yōu)。設(shè)置MPA 參數(shù)，Max_Iter =50，n =50，F(xiàn)AD =0.2，P =0.5，當(dāng)MPA迭代終止即可得到ELM模型的最優(yōu)權(quán)值和閾值，將驗(yàn)證集數(shù)據(jù)輸入優(yōu)化后的ELM 模型，其輸出即為組合模型的最終預(yù)測(cè)結(jié)果。

3.2.2 各類模型的預(yù)測(cè)結(jié)果與分析

為檢驗(yàn)本文所提基于海洋捕食者優(yōu)化的SGARIMA-ELM模型的配網(wǎng)開關(guān)柜母排觸點(diǎn)溫度預(yù)測(cè)性能，分別建立組合模型衍生的MPA-ELM、ARIMA-ELM模型以及其他算法模型GA-SVM、LSTM、PSO-LSTM進(jìn)行參照對(duì)比，2 大類預(yù)測(cè)模型與SG-ARIMA-MPA-ELM具體結(jié)果如圖6（a）、（b）所示。MPA-ELM、GA-SVM、LSTM和PSO-LSTM模型的輸入均采用前5 個(gè)原始溫度序列，ARIMA-ELM模型采用ARIMA 模型預(yù)測(cè)原始溫度序列，利用ARIMA 預(yù)測(cè)值與實(shí)際值的差值作為ELM模型的輸入，將2021 年6 月中的50 個(gè)數(shù)據(jù)點(diǎn)作為上述5 種算法的驗(yàn)證集。

圖6 溫度預(yù)測(cè)模型的對(duì)比

圖6（a）、（b）中的10%ACC 和15%ACC 區(qū)間指的是正負(fù)偏差真實(shí)值10%和15%的區(qū)間，由圖6（a）可獲知，傳統(tǒng)單一回歸算法模型MPA-ELM 的預(yù)測(cè)效果誤差比較大，出現(xiàn)相當(dāng)多的預(yù)測(cè)值位于15%ACC區(qū)間外，且預(yù)測(cè)擬合值波動(dòng)趨勢(shì)與真實(shí)情況有較大出入；ARIMA-ELM模型一定程度上彌補(bǔ)了ARIMA 模型對(duì)非線性數(shù)據(jù)擬合效果差的劣勢(shì)，所有預(yù)測(cè)值均位于15%ACC區(qū)間內(nèi)，但存在溫度峰值處預(yù)測(cè)效果不佳。圖6（b）中，GA-SVM依舊存在和圖6（a）中MPA-ELM類似的問題，對(duì)時(shí)間序列預(yù)測(cè)效果欠佳；近些年LSTM在時(shí)間序列問題上表現(xiàn)出色，整體預(yù)測(cè)效果明顯優(yōu)于傳統(tǒng)回歸預(yù)測(cè)模型，大部分預(yù)測(cè)數(shù)據(jù)都位于10%ACC區(qū)間內(nèi)，且經(jīng)過PSO優(yōu)化后的LSTM 模型表現(xiàn)更為優(yōu)秀。LSTM和PSO-LSTM模型均依舊存在峰值處預(yù)測(cè)效果差，在溫度峰值處均達(dá)到10%以上的誤差，實(shí)際工程中峰值處十幾℃的誤差很可能會(huì)導(dǎo)致誤報(bào)警或漏報(bào)警；經(jīng)過圖6（a）、（b）分析發(fā)現(xiàn)，SG-ARIMA-MPAELM預(yù)測(cè)模型具有整體預(yù)測(cè)效果好、溫度拐點(diǎn)處預(yù)測(cè)佳的明顯優(yōu)勢(shì)。

3.2.3 預(yù)測(cè)模型的性能評(píng)價(jià)

利用平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）、決定系數(shù)（R2）、15%ACC、10%ACC 這5 種數(shù)值指標(biāo)對(duì)上述各類算法模型進(jìn)行誤差評(píng)價(jià)。

由表1 可獲知，傳統(tǒng)單一回歸模型MPA-ELM 和GA-SVM表現(xiàn)相當(dāng)差，MAE和RMSE均大于5.5，并且15%ACC 均沒有到達(dá)100%，10% ACC 均小于等于60%。ARIMA-ELM模型結(jié)合了時(shí)序預(yù)測(cè)和回歸預(yù)測(cè)的優(yōu)勢(shì)，15%ACC達(dá)到了100%，相比單一回歸模型的預(yù)測(cè)性能有著一定程度的改善，但整體還不夠理想。LSTM與PSO-LSTM 模型相比較于單一回歸模型和ARIMA-ELM 有著顯著提升，但10% ACC 并未到達(dá)100%，結(jié)合圖6（b）可知，LSTM 與PSO-LSTM 模型在溫度峰值處誤差較大，而預(yù)測(cè)溫度峰值的準(zhǔn)確度直接影響著預(yù)警的有效性。本文所提SG-ARIMA-MPAELM組合模型表現(xiàn)非常優(yōu)秀，不但溫度趨勢(shì)預(yù)測(cè)準(zhǔn)確，且對(duì)峰值處溫度預(yù)測(cè)誤差均在10%ACC 區(qū)間以內(nèi)，其中MAE 為1.108 ℃、RMSE 為1.172 ℃、R2為0.924，15%ACC和10%ACC均為100%。

表1 不同預(yù)測(cè)模型的預(yù)測(cè)誤差指標(biāo)

3.3 基于預(yù)測(cè)模型的溫度預(yù)警機(jī)制選擇策略

以A相各項(xiàng)溫度指標(biāo)為示例，分別選取A、B、C三相母排溫度的預(yù)測(cè)值作為基本數(shù)據(jù)以便得到各項(xiàng)溫度預(yù)測(cè)值評(píng)價(jià)指標(biāo)，見表2。

表2 預(yù)測(cè)值的各項(xiàng)溫度評(píng)價(jià)指標(biāo)

利用表2 中預(yù)測(cè)值的各項(xiàng)溫度評(píng)價(jià)指標(biāo)，通過獨(dú)立性權(quán)系數(shù)法計(jì)算獲取各個(gè)指標(biāo)的權(quán)值，見表3。

表3 各項(xiàng)評(píng)價(jià)指標(biāo)在獨(dú)立性權(quán)系數(shù)法下的權(quán)值

由表3 可知，A相與B、C 相相對(duì)溫差權(quán)值分別為0.096、0.097，顯然1.7 節(jié)中提到的相對(duì)溫差法在此案例中不適合作為預(yù)警判決機(jī)制；而A 相溫度和溫度上升速率權(quán)值分別為0.409 和0.398，二者較為接近，因此1.7 節(jié)中所提到的溫度閾值法和溫度上升速率法均可以作為此案例中的預(yù)警判決機(jī)制。

4 結(jié) 語

（1）本文所提SG-ARIMA-MPA-ELM 組合模型的方法預(yù)測(cè)配網(wǎng)開關(guān)柜母排觸點(diǎn)溫度，充分利用了SG濾波算法，將溫度序列一分為二，針對(duì)線性序列采用ARIMA模型，針對(duì)非線性序列采用ELM 模型，更加貼近實(shí)際工程現(xiàn)場(chǎng)的特點(diǎn)；很好地規(guī)避了ARIMA對(duì)非線性噪聲溫度序列處理不佳的劣勢(shì)，并且最大程度地利用了ARIMA模型在預(yù)測(cè)線性時(shí)序問題上的優(yōu)越性；采用MPA算法對(duì)ELM 的關(guān)鍵參數(shù)進(jìn)行尋優(yōu)，使組合模型算法的參數(shù)調(diào)整效率和預(yù)測(cè)準(zhǔn)確度得到了有效提升。

（2）通過對(duì)獲取的預(yù)測(cè)數(shù)據(jù)進(jìn)行分析與處理，利用獨(dú)立性權(quán)系數(shù)法對(duì)預(yù)測(cè)溫度評(píng)價(jià)指標(biāo)進(jìn)行權(quán)值排序，實(shí)現(xiàn)了復(fù)雜工況下預(yù)警判決機(jī)制的優(yōu)選。

（3）利用溫度在線監(jiān)測(cè)平臺(tái)有效地獲取了現(xiàn)場(chǎng)配網(wǎng)開關(guān)柜母排觸點(diǎn)的溫度，通過云平臺(tái)的后端組合模型算法對(duì)溫度數(shù)據(jù)進(jìn)行實(shí)時(shí)預(yù)測(cè)與預(yù)警，為變電所管理員提供卓有成效的決策建議，及時(shí)將安全隱患扼殺在萌芽狀態(tài)。