一种基于鲁棒HL-Pooling(Hodges–Lehmann Pooling)Transformer的电气火灾风险预测新方法

《Fire》：A Novel Robust HL-Based Transformer Approach for Predicting Electrical Fire Risks

　　

准确预测电气火灾风险对早期预警具有重要意义，但现实监测数据常受传感器噪声、瞬态异常及非高斯干扰影响。研究人员提出一种HL-Transformer模型，将基于Hodges–Lehmann（HL）估计器的HL-Pooling（HL池化）层嵌入Transformer特征聚合过程。HL-Pooling层以两两均值的中位数替代常规均值池化或最大池化，旨在抑制异常扰动同时保留时序信息。实验在真实电气火灾监测数据集及公开ETTh1数据集上进行，并在不同离群值比例与强度下开展鲁棒性测试。结果表明，相同Transformer骨干下，HL-Transformer较最大池化变体MSE降低75.4%，在电气火灾风险预测任务中R2达0.879。注入离群值时HL-Pooling层误差趋势更稳定，将其迁移至TCN、CNN-LSTM及1D-CNN模型亦提升预测性能。结果表明HL-Pooling是噪声监测环境下时序预测中常规池化的一种鲁棒可移植替代方案。

论文解读：A Novel Robust HL-Based Transformer Approach for Predicting Electrical Fire Risks（《Fire》期刊）

一、研究背景与意义

电气火灾具有突发性和隐蔽性，由短路、过载、绝缘劣化等故障引发，造成大量伤亡与财产损失。传统检测多依赖温度、剩余电流或电弧单指标传感，缺乏时序演化预测能力，且易受瞬态负载突变、传感器漂移及人为操作干扰产生非高斯异常值，导致深度学习时序预测模型泛化差、误报率高。现有先进时序预测模型（如Informer、TimesNet）在干净数据上拟合能力强，但在含噪、离群污染的实际监测数据中性能急剧退化。为此，研究人员开展本研究，将统计学中具抗差性的Hodges–Lehmann（HL）估计器重构为神经网络中的时间聚合层——HL-Pooling（Hodges–Lehmann Pooling，霍奇斯–莱曼池化），嵌入Transformer编码器后用于电气火灾风险（Electrical Fire Risk）时序预测，以提升模型在噪声环境下的鲁棒性。《Fire》期刊发表了该项工作。

二、主要关键技术方法

研究人员采用中国重庆烟草物流配送中心智能火灾报警系统采集的真实多元电气监测数据（电流、电压、功率及计算所得火灾风险值，2022年3月22日—4月13日，经规则过滤无效记录，按时间顺序72%训练、8%验证、20%测试，StandardScaler仅基于训练集拟合），并选用公开ETTh1数据集作跨数据集验证。核心方法为设计HL-Pooling层：对Transformer编码器输出的时序隐特征各维度，计算所有时间步两两平均值（pairwise averages）再取中位数，作为鲁棒时序聚合向量送入全连接预测头；控制相同骨干、窗口长度、超参与训练策略，仅替换池化层进行消融与对照（平均池化、最大池化、中位数池化、Winsorized均值池化）。为检验鲁棒性，通过Pearson相关选定与目标最相关的输入变量注入合成离群值（x′=x+K·σ，K为偏移系数），固定强度变离群比例（0%—20%）或固定比例（5%）变偏移系数（K=?40至40）；另将HL-Pooling迁移至TCN（Temporal Convolutional Network，时序卷积网络）、CNN-LSTM及1D-CNN对比。评估指标为MSE（Mean Squared Error，均方误差）、RMSE（Root Mean Squared Error，均方根误差）、MAE（Mean Absolute Error，平均绝对误差）及R²（Coefficient of Determination，决定系数）。

三、研究结果

4.1 Experimental Settings

统一超参数设置下训练各对照模型，确保比较公平性。

4.2 Results with Sensitivity Analysis

4.2.1 Performance Comparison of Temporal Aggregation Modules

在相同Transformer骨干原始测试集上，Median Pooling与Winsorized Mean Pooling在洁净数据下MSE最低（分别0.005、0.007，R²近0.999）；HL-Pooling的MSE为2.037，较Max Pooling降低75.4%，较Average Pooling降低12.4%，优于两类常规池化，证实HL-Pooling在同骨干下比均值/极值聚合更适合电气火灾风险预测，但其优势主要体现在抗污染稳定性而非洁净数据最优拟合。

4.2.2 Robustness Validation of Temporal Aggregation Modules

固定离群强度逐步提升离群比例至20%时，Median与Winsorized Mean Pooling误差增长快（20%时MSE分别升至4.725、4.236），HL-Pooling MSE仅从2.037升至2.975且全程最低，表现最稳定。固定5%离群比例改变偏移系数K时，Median Pooling在强负偏移（K=?40）严重失效（MSE=447.503），Winsorized Mean Pooling在大正偏移下误差剧增，HL-Pooling虽非全区间最低但未出现灾难性失效，对正负方向离群响应更均衡，证明HL-Pooling优势在于高离群比例下性能衰减小。

4.2.3 Computational Efficiency Analysis of Temporal Aggregation Modules

HL-Pooling理论复杂度为O(B·T2·d)（T为时间窗长，本文T=32可接受），参数量与常规池化相同（72097），训练耗时（268.326 s）高于标准池化但单样本在线推理延迟仅0.503 ms，远低于5 s采样间隔，满足实时电气火灾监测部署需求。

4.2.4 Comparison with Representative Time-Series Forecasting Models

原始测试集上TimesNet（MSE=0.076，R²=0.995）与Informer（MSE=0.310，R²=0.982）误差低于HL-Transformer（MSE=2.037，R²=0.879）；但离群比例增至20%时Informer MSE升至12.638、TimesNet升至9.674，HL-Transformer仅升至2.975，误差增长平缓。变偏移系数实验中TimesNet对多数强度较稳，HL-Transformer在正极大偏移下误差上升，说明其定位为噪声环境鲁棒聚合而非全工况超越SOTA（State-Of-The-Art，当前最佳）通用模型。

4.3 Generalization Validation of HL-Pooling

4.3.1 Transferability Verification on the Public Dataset

在ETTh1数据集（目标变量OT，最相关特征HUFL/MUFL注入离群值），HL-Pooling较Average与Max Pooling在递增离群比例及变偏移系数下单列/多列污染下均表现出更小RMSE与MAE波动，证实其鲁棒性不限于电气火灾数据集，具跨数据集普适性。

4.3.2 Comparative Validation with Baseline Models

TCN、CNN-LSTM、1D-CNN在相同骨干下仅替换池化为HL-Pooling均比Average/Max Pooling降低预测误差，且在递增离群比例下RMSE趋势更平稳，表明HL-Pooling可作为便携式鲁棒时序聚合模块迁移至多种时序预测架构。

四、讨论与结论翻译

研究人员指出HL-Transformer并非全数据条件通用最优，而是提升含瞬态离群、脉冲扰动及非高斯波动电气监测序列时序特征聚合稳定性的方案。HL-Pooling结合成对均值平滑性与中位数抗差性，削弱孤立异常激活影响同时保留编码序列集中趋势；洁净数据下Median/Winsorized Mean Pooling拟合更优但高离群比时退化快，HL-Pooling误差增长更缓方体现价值。HL-Transformer较SOTA预测架构洁净数据拟合弱但高离群比下降解小，属鲁棒性导向补充而非替代。极大幅值偏移下仍需辅以异常筛检或鲁棒损失函数。推理延迟低适合在线部署。局限含实测数据时段短未验证跨季节泛化、鲁棒性测用合成离群未完全复现真实故障脉冲、未做二分类报警指标（Recall、FNR等），未来将用更长周期多场所数据、真实故障事件及阈值报警评估扩展。

论文结论翻译：研究人员提出一种适用于噪声监测条件下鲁棒电气火灾风险预测的HL-Transformer模型，将基于Hodges–Lehmann估计器的HL-Pooling层嵌入Transformer架构，通过对编码时序表征取两两均值的中位数进行聚合，抑制异常时序激活影响同时保留序列集中趋势。实验表明同Transformer骨干内HL-Pooling优于常规平均池化与最大池化；原始电气火险测试集上HL-Transformer达MSE=2.037、R²=0.879；高离群值比例下Median与Winsorized Mean Pooling误差增幅更大而HL-Pooling误差曲线更平滑，主要优势体现为受污染监测数据下鲁棒时序聚合而非洁净数据普适最优。对比Informer、Autoformer、TimesNet显示先进预测架构洁净数据拟合强但离群比升高时误差陡增，HL-Transformer性能衰减更小，更适于含频繁异常观测的噪声电气监测环境。ETTh1跨数据集验证及TCN、CNN-LSTM、1D-CNN迁移实验证明HL-Pooling可作多时序预测架构可移植时序聚合模块。计算分析显示虽因成对运算增加离线训练成本，在线推理延迟远低于电气火监数据采样间隔，具实时电气火灾风险监测系统适用潜力。局限含实测温期有限未充分验证跨季节泛化、鲁棒性测基于合成离群未完全代表真实故障脉冲分布、极大幅值偏移下HL-Pooling部分优势减弱；未来工作将聚焦更长周期多站点监测数据、自然发生故障时序、自适应异常筛检、鲁棒损失函数及基于Recall与False Negative Rate(FNR，漏报率)的阈值报警评估指标以提升实用可靠性。