一种高压直流断路器运行状态推衍方法和系统与流程

1.本发明涉及直流设备在线监测领域，具体涉及一种高压直流断路器运行状态推衍方法和系统。


背景技术：

2.高压直流断路器是将多种电气特性迥异的器件通过合理的连接方式和设定的运行逻辑有效整合而形成的一种综合性电气设备，其同时具有机械开关的载流、绝缘能力以及固态开关的开断能力。
3.在高压直流断路器稳态运行过程中，分析高压直流断路器整体运行状态变化趋势、进行设备故障预测及寿命周期状态分析是高压直流断路器在线监测的重要任务之一。由于电力电子器件在劣化过程中其特征参量具有状态变化缓慢，偏离特性不明显，易被未知扰动和噪声掩盖等特点，因此现有常规监测手段很难对高压直流断路器稳态运行过程中电力电子器件劣化过程进行刻画，而器件劣化经过时间的积累，可形成危及设备安全运行的潜在故障。
4.高压直流断路器拓扑结构设计复杂，大量电力电子器件及开关器件的应用增加了设备运行的脆弱性。电力电子器件之间关联关系复杂，任何一个局部的微小劣化都可能通过子系统之间的连通路径进行传播和扩散，使得劣化过程可能在短时间内发生突变，进而导致高压直流断路器系统功能失效。
5.目前，高压直流断路器监测研究大多集中于对电力电子器件或模块的失效机理、故障特征参数分析以及电子元件故障诊断及定位等方面，缺少对高压直流断路器运行状态渐进变化过程的细致分析，缺乏识别或者是辅助识别电力电子器件及开关器件的微小劣化的相关研究。


技术实现要素：

6.为克服上述现有技术的不足，本发明提出一种高压直流断路器运行状态推衍方法，包括：
7.采集高压直流断路器的特征子集中各特征参数的特征值；
8.基于所述特征值，分别计算高压直流断路器特征参量的相关系数矩阵和自增减趋势矩阵；
9.利用所述相关系数矩阵和自增减趋势矩阵，对高压直流断路器运行状态进行推衍；
10.其中，所述高压直流断路器的特征子集，是基于最大相关原则、最小冗余原则、多准则赋权排序算法和关联算法，对高压直流断路器的初始特征量集合中的特征参量进行筛选得到的。
11.优选的，所述初始特征量集合由多维特征组成，每维特征由多个特征参量组成。
12.进一步的，所述基于最大相关原则、最小冗余原则、多准则赋权排序算法和关联算
法，对高压直流断路器的初始特征量集合进行筛选的过程，包括：
13.基于最大相关原则、最小冗余原则及多准则赋权排序算法，对所述初始特征量集合中的特征参量进行筛选得到集合q；
14.利用关联算法，剔除集合q中支持度和置信度小于阈值要求的特征参量，得到所述特征子集。
15.进一步的，所述基于最大相关原则、最小冗余原则、多准则赋权排序算法，对所述初始特征量集合中的特征参量进行筛选得到集合q,包括：
16.步骤1)：令集合q为空集；
17.步骤2)：基于最大相关原则，从初始特征量集合中选取类别可分性度量的均值权重最大的一个特征参量放入集合q中；
18.步骤3)：当初始特征量集合中特征参量与集合q中特征参量完全冗余时，基于最小冗余原则，将初始特征量集合中与集合q中特征参量冗余的特征参量删除；
19.步骤4)：计算初始特征量集合中各特征参量与集合q之间的冗余度；
20.步骤5)：利用初始特征量集合中各特征参量与集合q之间的冗余度计算初始特征量集合中各特征参量的状态表征程度，并基于多准则赋权排序算法，从初始特征量集合中选取状态表征程度最高的一个特征参量放入集合q中；
21.步骤6：若初始特征量集合中存在特征参量，返回步骤3)；否则，输出集合q。
22.进一步的，所述初始特征量集合中特征参量的类别可分性度量的均值权重的计算式如下：
[0023][0024]
式中，为初始特征量集合中第i维特征下第k个特征参量的类别可分性度量的均值权重，avg(f
ik
)为初始特征量集合中第i维特征下第k个特征参量的历史采样值的均值，avg
i
(f
i
)为初始特征量集合中第i维特征下所有特征参量的历史采样值的均值，x
f
(f
ik
)为初始特征量集合中第i维特征下第k个特征参量的第f个历史采样值，为初始特征量集合中第i维特征下第k个特征参量的第f个历史采样值，为初始特征量集合中第i维特征下第k个特征参量的历史采样值总数，i∈(1～n)，n为初始特征量集合中维度总数，k∈(1～n
i
)，n
i
为初始特征量集合中第i维特征中包含的特征参量的总数。
[0025]
进一步的，所述初始特征量集合中特征参量与集合q中特征参量存在冗余的识别过程，包括：
[0026]
若初始特征量集合中特征参量f
j
的信息熵、集合q中特征参量g
z
的信息熵以及初始特征量集合中特征参量f
j
与集合q中特征参量g
z
的联合熵均相等，则初始特征量集合中特征参量f
j
与集合q中特征参量g
z
完全冗余，否则，初始特征量集合中特征参量f
j
与集合q中特征参量g
z
不存在冗余；
[0027]
其中，所述初始特征量集合中特征参量f
j
的信息熵、集合q中特征参量g
z
的信息熵以及初始特征量集合中特征参量f
j
与集合q中特征参量g
z
的联合熵是基于初始特征量集合
中第特征参量f
j
和/或集合q中特征参量g
z
的历史采样值确定的，g
z
∈q，f
j
∈u，u为初始特征量集合。
[0028]
进一步的，所述初始特征量集合中各特征参量与集合q之间的冗余度的计算式如下：
[0029][0030]
式中，为初始特征量集合中特征参量f
j
与集合q之间的冗余度，i(f
j
,g
z
)为初始特征量集合中特征参量与集合q中特征参量g
z
之间的互信息，g
z
∈q，f
j
∈u，u为初始特征量集合。
[0031]
其中，所述初始特征量集合中特征参与集合q中特征参量g
z
之间的互信息i(f
j
,g
z
)的计算式如下：
[0032]
i(f
j
,g
z
)＝h(f
j
) h(g
z
)
‑
h(f
j
,g
z
)
[0033]
式中，h(f
j
)为初始特征量集合中特征参量f
j
的信息熵，h(g
z
)为集合q中特征参量g
z
的信息熵，h(f
j
,g
z
)为初始特征量集合中特征参量f
j
与集合q中特征参量g
z
的联合熵。
[0034]
进一步的，所述初始特征量集合中各特征参量的状态表征程度的计算式如下：
[0035][0036]
式中，j(f
j
)为初始特征量集合中特征参量f
j
的状态表征程度，为初始特征量集合中第i维特征下第k个特征参量的类别可分性度量的均值权重，为初始特征量集合中特征参量f
j
与集合q之间的冗余度，
[0037]
优选的，所述采集高压直流断路器的特征子集中各特征参数的特征值，包括：
[0038]
采集特征子集中各特征参数在当前时刻及其之前r
‑
1个时刻的特征值；
[0039]
其中，所述r为采样时间窗口包含的时刻总数。
[0040]
进一步的，所述基于所述特征值，计算高压直流断路器特征参量的相关系数矩阵，包括：
[0041]
基于所述特征值，利用相关系数计算方法确定高压直流断路器特征参量在当前时刻的相关系数矩阵。
[0042]
进一步的，所述基于所述特征值，计算高压直流断路器特征参量的自增减趋势矩阵，包括：
[0043]
根据所述特征值，分别确定高压直流断路器在当前时刻及其之前h
‑
1个时刻的特征值矩阵；
[0044]
利用所述特征值矩阵，确定高压直流断路器特征参量在当前时刻之前的h
‑
1个时刻的自增减趋势矩阵；
[0045]
基于高压直流断路器特征参量在当前时刻之前的h
‑
1个时刻的自增减趋势矩阵，采用最小二乘法，预估高压直流断路器特征参量在当前时刻的自增减趋势矩阵；
[0046]
其中，所述高压直流断路器特征参量在当前时刻之前的第w
‑
1个时刻的自增减趋势矩阵通过高压直流断路器在当前时刻之前的第w个时刻的特征值矩阵与高压直流断路器
在当前时刻之前的第w
‑
1个时刻的特征值矩阵做差得到；
[0047]
所述高压直流断路器在当前时刻及其之前r
‑
1个时刻的特征值矩阵均为χ行1列矩阵，其第α行元素即为特征子集中第α个特征参量当前时刻及其之前r
‑
1个时刻的特征值，χ为特征子集中特征参量的总数，h为小于r的正整数，w为小于h
‑
1的正整数，h为推衍时间窗口包含的时刻总数。
[0048]
进一步的，所述利用所述相关系数矩阵和自增减趋势矩阵，对高压直流断路器运行状态进行推衍，包括：
[0049]
将高压直流断路器特征参量在当前时刻的相关系数矩阵和自增减趋势矩阵的乘积与高压直流断路器在当前时刻的特征值矩阵的加和作为高压直流断路器在当前时刻之后一个时刻的特征值矩阵；
[0050]
其中，所述高压直流断路器在当前时刻之后一个时刻的特征值矩阵表征所述高压直流断路器在当前时刻之后一个时刻的运行状态。
[0051]
进一步的，所述初始特征量集合的特征维度包括但不限于：热故障、电压耐受击穿故障、电气回路故障、暂态故障、二次系统故障、水冷系统故障和供能系统故障；
[0052]
所述热故障下特征参量包括但不限于：igbt结温、机械开关触头温度、子模块温度、mov过热保护动作、过热告警和保护动作信息；
[0053]
所述电气回路故障下的特征参量包括但不限于：子模块电压、子模块电流、主支路电流、转移支路电流、避雷器漏电流、主支路异常状态信息、转移支路异常状态信息和耗能支路异常状态信息；
[0054]
所述暂态故障下的特征参量包括但不限于：系统电压、系统电流、分断电流、分断时间、耗散能量、快速机械开关异常状态和换流超时；
[0055]
所述二次系统故障下的特征参量包括但不限于：通信异常信息、保护动作信息和控制异常信息；
[0056]
所述水冷系统故障下的特征参量包括但不限于：水冷系统故障状态和漏水检测装置告警；
[0057]
所述供能系统故障下的特征参量包括但不限于：供能系统故障信息。
[0058]
基于同一发明构思，本发明还提供了一种高压直流断路器运行状态推衍系统，包括：
[0059]
采集模块，用于采集高压直流断路器的特征子集中各特征参数的特征值；
[0060]
计算模块，用于基于所述特征值，分别计算高压直流断路器特征参量的相关系数矩阵和自增减趋势矩阵；
[0061]
推衍模块，用于利用所述相关系数矩阵和自增减趋势矩阵，对高压直流断路器运行状态进行推衍；
[0062]
其中，所述高压直流断路器的特征子集，是基于最大相关原则、最小冗余原则、多准则赋权排序算法和关联算法，对高压直流断路器的初始特征量集合中的特征参量进行筛选得到的。
[0063]
与最接近的现有技术相比，本发明具有的有益效果：
[0064]
本发明提供了一种高压直流断路器运行状态推衍方法和系统，包括：采集高压直流断路器的特征子集中各特征参数的特征值；基于所述特征值，分别计算高压直流断路器
特征参量的相关系数矩阵和自增减趋势矩阵；利用所述相关系数矩阵和自增减趋势矩阵，对高压直流断路器运行状态进行推衍；其中，所述高压直流断路器的特征子集，是基于最大相关原则、最小冗余原则、多准则赋权排序算法和关联算法，对高压直流断路器的初始特征量集合中的特征参量进行筛选得到的。本发明基于高压直流断路器特征参量子集，通过统计及线性回归算法等手段对高压直流断路器特征参量的相关性及其变化趋势进行在线分析，进而实现了高压直流断路器运行状态的在线推衍；为运行人员及时了解高压直流断路器运行状态、捕捉高压直流断路器早期缺陷、科学制定状态检修计划提供数据支撑，为高压直流断路器整体运行效率的提升和可靠性提高提供了有力的技术支撑。
[0065]
本发明利用高压直流断路器内部各模块特征参量之间的相似性及关联关系对现有高压直流断路器特征参量进行筛选，提取的高压直流断路器特征参量子集能够较为全面的反映高压直流断路器各类故障情况。
[0066]
本发明为高压直流断路器运行状态预测及故障风险评估提供了一种数据预测手段，并可通过调整采样时间窗口及推衍时间窗口实现对高压直流断路器运行特征参量的精细化描述，为高压直流断路器微小故障识别及其关联状态评估提供数据支撑。
附图说明
[0067]
图1为本发明提供的一种高压直流断路器运行状态推衍方法流程图；
[0068]
图2为本发明实施例中状态推衍方法总体思路图；
[0069]
图3为本发明实施例中特征子集提取流程图；
[0070]
图4为本发明实施例中状态推衍实施流程图；
[0071]
图5为本发明提供的一种高压直流断路器运行状态推衍系统结构图。
具体实施方式
[0072]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0073]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0074]
本发明提供了一种高压直流断路器运行状态推衍方法，如图1所示，包括：
[0075]
步骤1，采集高压直流断路器的特征子集中各特征参数的特征值；
[0076]
步骤2，基于所述特征值，分别计算高压直流断路器特征参量的相关系数矩阵和自增减趋势矩阵；
[0077]
步骤3，利用所述相关系数矩阵和自增减趋势矩阵，对高压直流断路器运行状态进行推衍；
[0078]
其中，所述高压直流断路器的特征子集，是基于最大相关原则、最小冗余原则、多准则赋权排序算法和关联算法，对高压直流断路器的初始特征量集合中的特征参量进行筛选得到的。
[0079]
本实施例中，执行高压直流断路器运行状态推衍之前，需要预先提取高压直流断路器的特征子集，特征子集提取完毕后，按照图2所示的状态推衍方法总体思路图执行本发
明提出的高压直流断路器运行状态推衍；
[0080]
其中，预先提取高压直流断路器的特征子集，可以称之为数据准备阶段或离线分析阶段，其利用高压直流断路器原始积累数据对其特征参量进行筛选，提取特征子集；
[0081]
特征子集提取流程图如图3所示，考虑到目前高压直流断路器运行数量较少，历史数据积累样本缺乏，故高压直流断路器特征子集中特征参量可参考历史运行数据库记录和高压直流断路器预防性试验数据两部分数据进行选择；
[0082]
相应步骤为：
[0083]
s1：对高压直流断路器特征参量进行初步筛选，并记录筛选后的初始特征量集合为u；
[0084]
高压直流断路器特征参量的筛选原则为：
[0085]
1)能在线采集的可反映高压直流断路器运行现状及故障的特征参量；
[0086]
2)存储于历史数据库中能反映高压直流断路器历史运行规律的统计数据；
[0087]
3)记录于历史数据库中能反映高压直流断路器失效情况的预防性试验数据；
[0088]
4)能影响高压直流断路器运行状态发展趋势的外部数据；
[0089]
经过筛选，高压直流断路器的初始特征量集合u中包括n维特征，即u＝(f1…
f
i
…
f
n
)，初始特征量集合u中第i维特征中包括n
i
个特征参量，即
[0090]
其中，f
ik
为初始特征量集合u中第i维特征中的第k个特征参量，n
i
为初始特征量集合u中第i维特征中包含的特征参量的总数；
[0091]
初始特征量集合u中特征的维度，包括但不限于：
[0092]
热故障、电压耐受击穿故障、电气回路故障、暂态故障、二次系统故障、水冷系统故障和供能系统故障；
[0093]
各维特征中包含的特征参量如表1所示：
[0094]
表1
[0095][0096]
s2：基于最大相关原则、最小冗余原则和多准则赋权排序算法对初始特征量集合u中的特征参量进行进一步筛选，得到高压直流断路器的初始特征子集q，包括：
[0097]
s2
‑
1.初始化初始特征子集q为空集；
[0098]
s2
‑
2.基于最大相关原则，从初始特征量集合u中选取类别可分性度量的均值权重最大的一个特征参量放入初始特征子集q中，作为初始特征子集q的第一个特征参量；
[0099]
用公式形式表示如下：
[0100][0101]
式中，g1为初始特征量集合u中类别可分性度量的均值权重最大的一个特征参量，也为初始特征子集q中第一个特征参量，为初始特征量集合u中第i维特征中的第k个特征参量的类别可分性度量的均值权重，符号arg max f(x)表示的是当f(x)取最大值时，x的取值；
[0102]
其中，的计算式如下：
[0103][0104]
式中，avg(f
ik
)为初始特征量集合u中第i维特征中的第k个特征参量的历史采样值的均值，avg
i
(f
i
)为初始特征量集合u中第i维特征中所有特征参量的历史采样值的均值，x
f
(f
ik
)为初始特征量集合u中第i维特征中的第k个特征参量的第f个历史采样值，)为初始特征量集合u中第i维特征中的第k个特征参量的第f个历史采样值，为初始特征量集合u中第i维特征中的第k个特征参量的历史采样值总个数。
[0105]
s2
‑
3.基于最小冗余原则，对于初始特征量集合u中每一个特征参量，若初始特征子集q中存在一个特征参量满足其自身信息熵、该特征参量的信息熵、以及两者的联合熵均相等，则剔除初始特征量集合u中所述特征参量，否则，计算该特征参量与初始特征子集q中各特征参量之间的互信息，并将其中的最大值作为该特征参量与初始特征子集q之间的冗余度；
[0106]
假设：对于初始特征量集合u中特征参量f
j
，若初始特征子集q中存在一个特征参量g
z
满足h(f
j
)＝h(g
z
)＝h(f
j
,g
z
)，则说明f
j
与g
z
完全冗余，则初始特征量集合u中的f
j
；否则，计算f
j
与初始特征子集q各特征参量之间的互信息，并将其中最大值作为f
j
与初始特征子集q之间的冗余度，记为i
max
(f
j
,g
z
),g
z
∈q；
[0107]
其中，h(f
j
)＝
‑
p(f
j
)lgp(f
j
)，h(g
z
)＝
‑
p(g
z
)lgp(g
z
)，h(f
j
,g
z
)＝
‑
p(f
j
,g
z
)lgp(f
j
,g
z
)，i(f
j
,g
z
)＝h(f
j
) h(g
z
)
‑
h(f
j
,g
z
)；
[0108]
式中，h(f
j
)为特征参量f
j
的信息熵，p(f
j
)为特征参量f
j
的越限概率/发生概率，h(g
z
)为特征参量g
z
的信息熵，p(g
z
)为特征参量g
z
的越限概率/发生概率，h(f
j
,g
z
)为特征参量f
j
与特征参量g
z
的联合熵，p(f
j
,g
z
)为特征参量f
j
越限/发生与特征参量g
z
越限/发生同事出现的概率；越限概率针对模拟量来说，发生概率针对状态量来说。
[0109]
所述p(f
j
)是基于采集的特征参量f
j
的特征值确定的，所述p(g
z
)是基于采集的特征参量g
z
的特征值确定的，所述p(f
j
,g
z
)基于采集的特征参量f
j
的特征值与采集的特征参量g
z
的特征值确定的。
[0110]
s2
‑
4.基于多准则赋权排序算法，从初始特征量集合u中选择状态表征程度最高的一个特征参量放入初始特征子集q中，并返回步骤s2
‑
3直至初始特征量集合u中不存在特征参量；
[0111]
用公式形式表示如下：
[0112][0113]
式中，g
l
为初始特征量集合u中状态表征程度最高的一个特征参量，也是当前放入初始特征子集q中的特征参量，j(f
j
)为初始特征量集合u中特征参量f
j
的状态表征程度；
[0114]
其中，所述j(f
j
)的表达式为：
[0115]
[0116]
式中，i
max
(f
j
,g
z
)为f
j
与初始特征子集q之间的冗余度，为初始特征量集合u中特征参量f
j
的类别可分性度量的均值权重。
[0117]
s3：通过关联算法对初始特征子集q中的特征参量进行相关性进行验证，剔除支持度和置信度小于阈值要求的特征参量，得到高压直流断路器的特征子集s。
[0118]
本发明的状态推衍过程，可以称之为在线分析部分，其利用特征子集确定的初始状态，通过计算关联矩阵以及自增减趋势实现高压直流断路器的在线状态推衍。
[0119]
其中，所述状态推衍实施流程图如图4所示，所述步骤1包括：
[0120]
数据准备，即确定高压直流断路器状态推衍的推衍时间窗口h和特征子集s中各特征参量的采样时间窗口r，并对特征参量子集s中各特征参量进行在线采集；
[0121]
其中，设定当前时刻为t，在线采集t
‑
r 1时刻～当前时刻t特征子集s中各特征参量的特征值。
[0122]
所述步骤2，包括：
[0123]
步骤2
‑
1：当前时刻t特征子集s中各特征参量的相关系数矩阵p(t)的计算，即利用在线采集的t
‑
r 1时刻～当前时刻t特征子集s中各特征参量的特征值计算各特征参量的自相关系数和特征参量之间的互相关系数，构建当前时刻t特征子集s中各特征参量的相关系数矩阵p(t)；
[0124]
其中，p(t)的表达式如下：
[0125][0126]
式中，χ为特征子集s中特征参量的总数，p(t)中第α行第β列元素p
αβ
(t)为当前时刻t特征子集s中第α个特征参量与第β个特征参量之间的相关系数；
[0127]
所述p
αβ
(t)的计算式如下：
[0128][0129]
式中，cov(x
α
(t),x
β
(t))为当前时刻t特征子集s中第α个特征参量与第β个特征参量的协方差，var[x(t)]为当前时刻t高压直流断路器的特征参量矩阵x(t)的方差，所述x(t)＝[x1(t)
…
x
α
(t)
…
x
χ
(t)]
t
，x
α
(t)为当前时刻t特征子集s中第α个特征参量的特征值；
[0130]
所述cov(x
α
(t),x
β
(t))与var[x(t)]是基于在线采集的t
‑
r 1时刻～当前时刻t特征子集s中各特征参量的特征值，分别利用协方差计算公式和方差计算公式计算得到的。
[0131]
步骤2
‑
2：基于t
‑
r 1时刻到当前时刻t高压直流断路器的特征参量矩阵，利用最小二乘回归算法预估当前时刻t特征子集s中特征参量的自增减趋势矩阵δ(t)；
[0132]
其中，δ(t)的预估值用表示，由一元线性回归分析获取。将δ(t)向前扩展为δ(t
‑
1)，δ(t
‑
2)，
……
，δ(t
‑
h)，所述δ(t
‑
σ)＝x(t
‑
σ 1)
‑
x(t
‑
σ)，σ＝1,2,
…
,h；
[0133]
利用最小二乘回归算法对所述进行预估的公式为：
[0134][0135]
求解所述公式，得到特征子集s中特征参量的最小自增减趋势，等于所述最小自增减趋势与δ(t
‑
1)的加和。
[0136]
所述步骤3，包括：
[0137]
状态推衍，即利用当前时刻t特征子集s中特征参量的自增减趋势矩阵δ(t)的估计值和当前时刻t特征子集s中各特征参量的相关系数矩阵p(t)计算当前时刻t高压直流断路器特征参量的增减量矩阵，并利用所述增减量矩阵对t 1时刻特征子集s中各特征参量的特征值进行推衍。
[0138]
即：ε(t)＝p(t)δ(t)，x(t 1)＝x(t) ε(t)，其中，ε(t)为当前时刻t高压直流断路器特征参量的增减量矩阵。
[0139]
需要注意的是，在高压直流断路器状态推衍过程中，需要考虑s中推衍时间窗口h和采样时间窗口r，推衍时间窗口h和采样时间窗口r过大会造成计算量增大，付出不必要的计算代价；推衍时间窗口h和采样时间窗口r过小将造成信息粒度降低，从而使得自增减趋势预估不准确。
[0140]
在本发明的具体实施例中，本发明提供的方法利用丰富的高压直流断路器的电气信息在短时间尺度内对高压直流断路器运行特征参量进行预测和外延推衍，为电力电子器件劣化过程评估提供辅助分析信息，从而协助运维人员快速发现和捕捉高压直流断路器早期缺陷，为高压直流断路器微小故障在线识别、定位及诊断提供数据依据，对于确保高压直流断路器设备安全可靠运行有着重要意义。
[0141]
在本发明的具体实施例中，高压直流断路器运行状态推衍实现前提为：
[0142]
1.高压直流断路器运行状态平稳，处于非故障状态，所有电气参量不受外部冲击而产生跳跃性变化，采集数据连续；
[0143]
2.高压直流断路器当前特征参量值受其过去特征参量值以及周边特征参量值变化的影响，特征参量值之间具有关联性。
[0144]
本发明通过数据推衍刻画高压直流断路器在短时间尺度内的状态变化精细过程，为运行人员及时了解高压直流断路器运行状态、捕捉高压直流断路器早期缺陷、科学制定状态检修计划提供数据支撑，为高压直流断路器整体运行效率的提升和可靠性提高提供了有力的技术支撑。
[0145]
本发明基于现有高压直流直流断路器采集信息，无需附加额外量测装置，方法本身不仅在表征元器件运行损耗积累基础上考虑了高压直流断路器运行过程中各特征参量自身变化趋势，同时从系统结构角度出发考虑了各特征参量之间的相互影响关系，因此可较为全面的实现对直流断路器运行状态的推衍。
[0146]
实施例2：
[0147]
本发明还提供了一种高压直流断路器运行状态推衍系统，如图5所示，包括：
[0148]
采集模块，用于采集高压直流断路器的特征子集中各特征参数的特征值；
[0149]
计算模块，用于基于所述特征值，分别计算高压直流断路器特征参量的相关系数矩阵和自增减趋势矩阵；
[0150]
推衍模块，用于利用所述相关系数矩阵和自增减趋势矩阵，对高压直流断路器运行状态进行推衍；
[0151]
其中，所述高压直流断路器的特征子集，是基于最大相关原则、最小冗余原则、多准则赋权排序算法和关联算法，对高压直流断路器的初始特征量集合中的特征参量进行筛选得到的。
[0152]
具体的，所述初始特征量集合由多维特征组成，每维特征由多个特征参量组成。
[0153]
具体的，所述系统还包括，用于基于最大相关原则、最小冗余原则、多准则赋权排序算法和关联算法，对高压直流断路器的初始特征量集合进行筛选的筛选模块，所述筛选模块，包括：
[0154]
筛选单元，用于基于最大相关原则、最小冗余原则及多准则赋权排序算法，对所述初始特征量集合中的特征参量进行筛选得到集合q；
[0155]
剔除单元，用于利用关联算法，剔除集合q中支持度和置信度小于阈值要求的特征参量，得到所述特征子集。
[0156]
进一步的，所述筛选单元,包括：
[0157]
设定子模块，用于令集合q为空集；
[0158]
第一选取子单元，用于基于最大相关原则，从初始特征量集合中选取类别可分性度量的均值权重最大的一个特征参量放入集合q中；
[0159]
删除子单元，用于当初始特征量集合中特征参量与集合q中特征参量完全冗余时，基于最小冗余原则，将初始特征量集合中与集合q中特征参量冗余的特征参量删除；
[0160]
计算子单元，用于计算初始特征量集合中各特征参量与集合q之间的冗余度；
[0161]
第二选取子单元，用于利用初始特征量集合中各特征参量与集合q之间的冗余度计算初始特征量集合中各特征参量的状态表征程度，并基于多准则赋权排序算法，从初始特征量集合中选取状态表征程度最高的一个特征参量放入集合q中；
[0162]
输出子单元，用于若初始特征量集合中存在特征参量，返回删除子单元；否则，输出集合q。
[0163]
具体的，所述初始特征量集合中特征参量的类别可分性度量的均值权重的计算式如下：
[0164][0165]
式中，为初始特征量集合中第i维特征下第k个特征参量的类别可分性度量的均值权重，avg(f
ik
)为初始特征量集合中第i维特征下第k个特征参量的历史采样值的均值，avg
i
(f
i
)为初始特征量集合中第i维特征下所有特征参量的历史采样值的均值，x
f
(f
ik
)为初始特征量集合中第i维特征下第k个特征参量的第f个历史采样值，为初始特征量集合中第i维特征下第k个特征参量的历史采样值总数，i∈(1～n)，n为初始特征量集合中维度总数，k∈(1～n
i
)，n
i
为初始特征量集合中第i维特征中包含的特征参量的总数。
[0166]
具体的，所述初始特征量集合中特征参量与集合q中特征参量存在冗余的识别过程，包括：
[0167]
若初始特征量集合中特征参量f
j
的信息熵、集合q中特征参量g
z
的信息熵以及初始特征量集合中特征参量f
j
与集合q中特征参量g
z
的联合熵均相等，则初始特征量集合中特征参量f
j
与集合q中特征参量g
z
完全冗余，否则，初始特征量集合中特征参量f
j
与集合q中特征参量g
z
不存在冗余；
[0168]
其中，所述初始特征量集合中特征参量f
j
的信息熵、集合q中特征参量g
z
的信息熵以及初始特征量集合中特征参量f
j
与集合q中特征参量g
z
的联合熵是基于初始特征量集合中第特征参量f
j
和/或集合q中特征参量g
z
的历史采样值确定的，g
z
∈q，f
j
∈u，u为初始特征量集合。
[0169]
具体的，所述初始特征量集合中各特征参量与集合q之间的冗余度的计算式如下：
[0170][0171]
式中，为初始特征量集合中特征参量f
j
与集合q之间的冗余度，i(f
j
,g
z
)为初始特征量集合中特征参量与集合q中特征参量g
z
之间的互信息，g
z
∈q，f
j
∈u，u为初始特征量集合。
[0172]
其中，所述初始特征量集合中特征参与集合q中特征参量g
z
之间的互信息i(f
j
,g
z
)的计算式如下：
[0173]
i(f
j
,g
z
)＝h(f
j
) h(g
z
)
‑
h(f
j
,g
z
)
[0174]
式中，h(f
j
)为初始特征量集合中特征参量f
j
的信息熵，h(g
z
)为集合q中特征参量g
z
的信息熵，h(f
j
,g
z
)为初始特征量集合中特征参量f
j
与集合q中特征参量g
z
的联合熵。
[0175]
具体的，所述初始特征量集合中各特征参量的状态表征程度的计算式如下：
[0176][0177]
式中，j(f
j
)为初始特征量集合中特征参量f
j
的状态表征程度，为初始特征量集合中第i维特征下第k个特征参量的类别可分性度量的均值权重，为初始特征量集合中特征参量f
j
与集合q之间的冗余度，
[0178]
具体的，所述采集模块，用于：
[0179]
采集特征子集中各特征参数在当前时刻及其之前r
‑
1个时刻的特征值；
[0180]
其中，所述r为采样时间窗口包含的时刻总数。
[0181]
具体的，所述计算单元，包括：
[0182]
第一确定子模块，用于基于所述特征值，利用相关系数计算方法确定高压直流断路器特征参量在当前时刻的相关系数矩阵。
[0183]
具体的，所述计算单元，还包括：
[0184]
第二确定子模块，用于根据所述特征值，分别确定高压直流断路器在当前时刻及其之前h
‑
1个时刻的特征值矩阵；
[0185]
第三确定子模块，用于利用所述特征值矩阵，确定高压直流断路器特征参量在当
前时刻之前的h
‑
1个时刻的自增减趋势矩阵；
[0186]
预估子模块，用于基于高压直流断路器特征参量在当前时刻之前的h
‑
1个时刻的自增减趋势矩阵，采用最小二乘法，预估高压直流断路器特征参量在当前时刻的自增减趋势矩阵；
[0187]
其中，所述高压直流断路器特征参量在当前时刻之前的第w
‑
1个时刻的自增减趋势矩阵通过高压直流断路器在当前时刻之前的第w个时刻的特征值矩阵与高压直流断路器在当前时刻之前的第w
‑
1个时刻的特征值矩阵做差得到；
[0188]
所述高压直流断路器在当前时刻及其之前r
‑
1个时刻的特征值矩阵均为χ行1列矩阵，其第α行元素即为特征子集中第α个特征参量当前时刻及其之前r
‑
1个时刻的特征值，χ为特征子集中特征参量的总数，h为小于r的正整数，w为小于h
‑
1的正整数，h为推衍时间窗口包含的时刻总数。
[0189]
具体的，所述推衍单元，用于：
[0190]
将高压直流断路器特征参量在当前时刻的相关系数矩阵和自增减趋势矩阵的乘积与高压直流断路器在当前时刻的特征值矩阵的加和作为高压直流断路器在当前时刻之后一个时刻的特征值矩阵；
[0191]
其中，所述高压直流断路器在当前时刻之后一个时刻的特征值矩阵表征所述高压直流断路器在当前时刻之后一个时刻的运行状态。
[0192]
具体的，所述初始特征量集合的特征维度包括但不限于：热故障、电压耐受击穿故障、电气回路故障、暂态故障、二次系统故障、水冷系统故障和供能系统故障；
[0193]
所述热故障下特征参量包括但不限于：igbt结温、机械开关触头温度、子模块温度、mov过热保护动作、过热告警和保护动作信息；
[0194]
所述电气回路故障下的特征参量包括但不限于：子模块电压、子模块电流、主支路电流、转移支路电流、避雷器漏电流、主支路异常状态信息、转移支路异常状态信息和耗能支路异常状态信息；
[0195]
所述暂态故障下的特征参量包括但不限于：系统电压、系统电流、分断电流、分断时间、耗散能量、快速机械开关异常状态和换流超时；
[0196]
所述二次系统故障下的特征参量包括但不限于：通信异常信息、保护动作信息和控制异常信息；
[0197]
所述水冷系统故障下的特征参量包括但不限于：水冷系统故障状态和漏水检测装置告警；
[0198]
所述供能系统故障下的特征参量包括但不限于：供能系统故障信息。
[0199]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0200]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0201]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0202]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0203]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。