变电站作为智能电网的一个关键环节,其设备平稳运行关系着整个电网的安全。在常见的变电站设备故障中,多以热故障为主,热故障可以通过设备表面温度监测来确定,提前预测未来温度走势,防患于未然,减小设备故障带来的经济损失。目前应用较多的设备温度监测方式为实时在线监测、短期温度预测,其中短期温度预测多以历史温度数据预测未来温度走势,没有考虑影响设备温度的相关设备和环境因素,具有一定的局限性。本文借鉴数据挖掘的方法和流程,综合考虑设备运行参数和环境因素对设备温度的影响,提出了一套适用于变电站设备的温度预测模型。首先采用基于邻域密度的异常值剔除方案对设备历史数据样本进行数据预处理,消除异常样本对预测模型的不良影响。接下来采用基于遗传算法与粗糙集的并集联合特征选择方案,筛选样本数据关键特征,剔除冗余特征。最后在异常值剔除和特征选择的基础上,采用循环极端学习机预测模型进行样本的随机序列温度预测和时间序列温度预测。最后将本文所提出的一整套预测模型应用于实际系统,为国家电网公司某110k V变电站设计了一套变电站设备温度预测软件系统。通过将本文提出的预测模型与其他同类模型进行对比实验,验证了本文采用的循环极端学习机预测模型在随机序列样本集和时序样本集上均有优于对比算法的表现,能够良好地解决软件系统中散点预测和实时预测的功能需求,为变电站平稳运行提供了技术保障。