换流站直流分压器或分流器二次回路的状态预测方法与流程

1.本技术涉及高压直流测量领域，特别是涉及一种换流站直流分压器或分流器二次回路的状态预测方法、装置、计算机设备和存储介质。


背景技术：

2.高压或特高压直流送电因其能实现远距离输电，而且具有降低损耗、减少走廊、节能环保及效能高等优点，日渐成为主流的送电方式。同时，高压或特高压直流输电系统在国家构建新型电力系统建设中对主网架的安全稳定运行起到支撑作用。同时，西部的清洁能源通过直流大通道能有效降低二氧化碳排放，在未来一段时间内将得到大力建设。
3.直流分压器或分流器是高压或特高压直流输电系统关键设备，由一、二次设备共同组成，为直流控制保护系统提供真实可靠的一次电流或电压信息。电阻盒、远端模块、传输光纤及测量装置构成直流分压器或分流器二次回路设备，其可以将一路电气信号转换为多路光信号，然后通过光纤将测量值发送给测量装置，再分别送给对应的直流控制保护系统。测量装置用于接收各直流测点远端模块数据光纤传送的数字采样信号，然后对采样数据进行预处理和校核后再按照相关协议通过光纤分送给直流控制保护系统；远端模块(rtu)的功能由测量装置通过供能光纤提供激光能量。在运行时，当远端模块、传输光纤或测量装置设备性能下降后，将导致测量装置激光器驱动电流高、激光器温度高等异常现象出现，与此同时，测量装置采样数据将与真实数据之间出现偏差，最后可能导致控保系统误动，造成直流系统闭锁。
4.在相关技术中，针对直流分压器或分流器二次回路的运行状态监测只是通过厂家的运维经验，简单的设置了告警阈值，当测量装置的激光器驱动电流高、激光器温度高于阈值时，产生告警信号。根据现场运维经验，当该监测方式发出告警时，直流分压器或分流器二次回路相应的设备已发生不可逆的性能降低，在极短的时间内演变为故障，导致二次回路不可用。因此，该方式不能提前预判直流分压器或分流器二次回路达到告警值之前的状态，并提前告知运维人员，实现超前处置隐患，确保系统安全稳定运行。因此，目前急需一种换流站直流分压器或分流器二次回路的状态预测方法。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种换流站直流分压器或分流器二次回路的状态预测方法、装置、计算机设备和存储介质。
6.一种换流站直流分压器或分流器二次回路的状态预测方法，该方法包括：
7.根据预设采样频率，对换流站直流分压器或分流器二次回路定时采样，获取采样数据；
8.根据采样数据，确定监测信号；
9.根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵；
10.将监测量矩阵输入关联预测模型，确定预测结果；
11.将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态。
12.在其中一个实施例中，采样数据包括激光器温度和激光器驱动电流；相应地，根据采样数据，确定监测信号，包括：
13.根据激光器温度，确定每小时、每日及每周的激光器温度变化率；
14.根据激光器驱动电流，确定每小时、每日及每周激光器驱动电流变化率；
15.将每小时、每日及每周的激光器温度变化率和激光器驱动电流变化率作为监测信号。
16.在其中一个实施例中，监测信号包括每小时、每日及每周的激光器温度变化率，监测量矩阵包括每小时、每日及每周的温度监测量矩阵；相应地，根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵，包括：
17.根据每小时的激光器温度变化率，进行均值归一化计算，确定每小时的温度监测量矩阵；
18.根据每日的激光器驱动温度变化率，进行均值归一化计算，确定每日的温度监测量矩阵；
19.根据每周的激光器温度变化率，进行均值归一化计算，确定每周的温度监测量矩阵。
20.在其中一个实施例中，监测信号包括每小时、每日及每周的激光器驱动电流变化率，监测量矩阵包括每小时、每日及每周的电流监测量矩阵；相应地，根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵，包括：
21.根据每小时的激光器驱动电流变化率，进行均值归一化计算，确定每小时的电流监测量矩阵；
22.根据每日的激光器驱动电流变化率，进行均值归一化计算，确定每日的电流监测量矩阵；
23.根据每周的激光器驱动电流变化率，进行均值归一化计算，确定每周的电流监测量矩阵。
24.在其中一个实施例中，将监测量矩阵输入关联预测模型，确定预测结果，包括：
25.将每小时、每日及每周的换流站直流分压器或分流器二次回路的监测量矩阵中的一半数据输入关联预测模型进行训练，确定训练后的关联预测模型；
26.将每小时、每日及每周的换流站直流分压器或分流器二次回路的监测量矩阵中的另外一半数据输入训练后的关联预测模型中，获取预测结果。
27.在其中一个实施例中，将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态之前，包括：
28.根据正常运行状态下的换流站直流分压器或分流器二次回路，确定正常运行状态下的历史监测信号；
29.根据异常运行状态下的换流站直流分压器或分流器二次回路，确定异常运行状态下的历史监测信号；
30.根据故障告警状态下的换流站直流分压器或分流器二次回路，确定故障告警状态
下的历史监测信号。
31.在其中一个实施例中，将预测结果分别与正常运行、异常运行、故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态，包括：
32.根据正常运行状态下的历史监测信号对预测结果进行相关性分析，确定正常运行状态下的相关性结果；
33.判断正常运行状态下的相关性结果是否大于设定的正常阈值，若正常运行状态下的相关性结果小于设定的正常阈值，则返回继续监测；
34.若正常运行状态下的相关性结果大于设定的正常阈值，则根据异常运行状态下的历史监测信号对预测结果进行相关性分析，确定异常运行状态下的相关性结果；
35.判断异常运行状态下的相关性结果是否大于设定的异常阈值，若异常运行状态下的相关性结果小于设定的异常阈值，则输出异常运行信号；
36.若异常运行状态下的相关性结果大于设定的异常阈值，则根据故障状态下的历史监测信号对预测结果进行相关性分析，确定故障状态下的相关性结果；
37.判断故障状态下的相关性结果是否大于设定的故障阈值，若故障状态下的相关性结果小于设定的故障阈值，则输出故障预警信号；
38.若故障状态下的相关性结果大于设定的故障阈值，则输出故障报警信号。
39.一种换流站直流分压器或分流器二次回路的状态预测装置，该装置包括：
40.第一获取模块，根据预设采样频率，对换流站直流分压器或分流器二次回路定时采样，获取采样数据；
41.第一确定模块，用于根据采样数据，确定监测信号；
42.第二确定模块，用于根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵；
43.第三确定模块，用于将监测量矩阵输入关联预测模型，确定预测结果；
44.第四确定模块，用于将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态。
45.一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
46.根据预设采样频率，对换流站直流分压器或分流器二次回路定时采样，获取采样数据；
47.根据采样数据，确定监测信号；
48.根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵；
49.将监测量矩阵输入关联预测模型，确定预测结果；
50.将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态。
51.一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
52.根据预设采样频率，对换流站直流分压器或分流器二次回路定时采样，获取采样数据；
53.根据采样数据，确定监测信号；
54.根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵；
55.将监测量矩阵输入关联预测模型，确定预测结果；
56.将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态。
57.上述换流站直流分压器或分流器二次回路的状态预测方法装置、计算机设备和存储介质，根据预设采样频率，对换流站直流分压器或分流器二次回路定时采样，获取采样数据。根据采样数据，确定监测信号。根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵。将监测量矩阵输入关联预测模型，确定预测结果。将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态。
58.相较于相关技术中针对直流分压器或分流器二次回路的运行状态监测只是通过厂家的运维经验简单的设置了告警阈值，当测量装置的激光器驱动电流高、激光器温度高于阈值时，产生告警信号，由于可以实时预测直流分压器或分流器二次回路的运行状态，使运维人员实时掌握设备状态信息，从而实现超前处置隐患，进而提高故障排查效率，确保系统安全稳定运行。
附图说明
59.图1为一个实施例中换流站直流分压器或分流器二次回路的状态预测方法的应用场景示意图；
60.图2为一个实施例中换流站直流分压器或分流器二次回路的状态预测方法流程示意图；
61.图3为另一个实施例中监测量矩阵的示意图；
62.图4为又一个实施例中预测结果的示意图；
63.图5为一个实施例中换流站直流分压器或分流器二次回路的状态预测装置的结构框图；
64.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
65.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
66.可以理解，本技术所使用的术语“第一”、“第二”等可在本文中用于描述各种专业名词，但除非特别说明，这些专业名词不受这些术语限制。这些术语仅用于将一个专业名词与另一个专业名词区分。举例来说，在不脱离本技术的范围的情况下，第三预设阈值与第四预设阈值可以相同可以不同。
67.本技术提供的一种换流站直流分压器或分流器二次回路的状态预测方法，可以应用于如图1所示的应用环境中。终端101根据预设采样频率，对换流站直流分压器或分流器二次回路定时采样，获取采样数据；服务器102根据采样数据，确定监测信号；服务器102根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵；服务器102将监测量
矩阵输入关联预测模型，确定预测结果；服务器102将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态。
68.其中，终端101通过网络与服务器102进行通信。其中，终端101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
69.在一个实施例中，如图2所示，提供了一种换流站直流分压器或分流器二次回路的状态预测方法，以该方法应用于服务器，且执行主体为服务器为例进行说明，包括以下步骤：
70.201、根据预设采样频率，对换流站直流分压器或分流器二次回路定时采样，获取采样数据；
71.202、根据采样数据，确定监测信号；
72.203、根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵；
73.204、将监测量矩阵输入关联预测模型，确定预测结果；
74.205、将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态。
75.在上述步骤201中，采样频率指的是在一天中，进行连续两次采样需要间隔的时间，比如，采样频率可以是20min/次。采样数据包含两种数据，两种数据的采样时间保持一致，并且两种数据的采样点可以有多个，两种数据的采样点的数量和位置都相同，比如，其中一种数据的采样点有20个，对应的采样点分别在a1、a2、
…
、a19、a20；于是，另外一种数据的测点也有20个，并且其对应的采样点也在a1、a2、
…
、a19、a20。
76.在上述步骤202中，监测信号不具体指某一个信号，而是根据采样数据计算得到的所有信号的统称，因此其可以包含多种信号。具体地，对采样得到的不同数据分别进行计算，得到多种信号，从而确定监测信号。
77.在上的步骤203中，由于监测信号中包含多种信号，因此根据监测信号确定的监测量矩阵也包含多种矩阵。
78.在上述步骤205中，本发明实施例不对正常运行、异常运行及故障状态下的历史监测信号的获取方式作具体限定，包括但不限于：与上述步骤202中的监测信号的获取方式相同，即先获取正常运行、异常运行及故障状态下各自对应的历史数据，再对这些历史数据进行分析处理，最后确定正常运行、异常运行及故障状态下各自对应的历史监测信号。
79.具体地，预测结果需要先与正常运行状态下的历史监测信号进行对比，得到第一对比结果，再根据第一对比结果判断预测结果是否需要与异常运行状态下的历史监测信号进行对比，若不需要对比，则输出对应的运行状态；
80.若预测结果与异常运行状态下的历史监测信号进行了对比，则会获得第二对比结果，根据第二对比结果判断预测结果是否需要与故障状态下的历史监测数据进行对比，若不需要对比，则输出对应的运行状态；
81.若预测结果与故障状态下的历史监测信号进行了对比，则会获得第三比较结果，根据第三对比结果输出对应的运行状态。
82.本发明实施例提供的方法，通过对换流站直流分压器或分流器二次回路中的数据
进行采样分析，获得预测结果，再把该预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，可以获取到实时预测的换流站直流分压器或分流器二次回路的运行状态，从而使运维人员实时掌握系统状态信息，实现超前处置隐患，进而提高系统运行的安全性，使设备稳定运行。
83.在一个实施例中，采样数据包括激光器温度和激光器驱动电流；相应地，根据采样数据，确定监测信号，包括：
84.301、根据激光器温度，确定每小时、每日及每周的激光器温度变化率；
85.302、根据激光器驱动电流，确定每小时、每日及每周激光器驱动电流变化率；
86.303、将每小时、每日及每周的激光器温度变化率和激光器驱动电流变化率作为监测信号。
87.具体地，关于每小时、每日及每周激光器温度变化率的计算方式，本发明实施例对此不作具体限定，包括但不限于：
88.先根据所有的激光器温度数据，计算出每小时的激光器温度变化率。再对一天中所有小时的激光器温度变化率求平均值，以该平均值作为该天的激光器温度变化率，以此计算出每天的激光器温度变化率。最后对一周内所有天的激光器温度变化率求平均值，以该平均值作为该周的激光器温度变化率，以此计算出每周的激光器温度变化率。
89.具体地，关于每小时、每日及每周激光器电流变化率的计算方式，本发明实施例对此不作具体限定，包括但不限于：
90.先根据所有的激光器电流数据，计算出每小时的激光器电流变化率。再对一天中所有小时的激光器电流变化率求平均值，以该平均值作为该天的激光器电流变化率，以此计算出每天的激光器电流变化率。最后对一周内所有天的激光器电流变化率求平均值，以该平均值作为该周的激光器电流变化率，以此计算出每周的激光器温度变化率。
91.其中，由于激光器温度和激光器驱动电流的采样点一一对应，因此，每小时、每日及每周的激光器温度变化率分别与每小时、每日及每周激光器驱动电流变化率相对应。
92.本发明实施例提供的方法，通过计算换流站直流分压器或分流器二次回路中的激光器的温度和驱动电流的变化率，可以降低因错误数据带来的影响，从而提高采样得到的数据的准确性。
93.在一个实施例中，监测信号包括每小时、每日及每周的激光器温度变化率，监测量矩阵包括每小时、每日及每周的温度监测量矩阵；相应地，根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵，包括：
94.401、根据每小时的激光器温度变化率，进行均值归一化计算，确定每小时的温度监测量矩阵；
95.402、根据每日的激光器驱动温度变化率，进行均值归一化计算，确定每日的温度监测量矩阵；
96.403、根据每周的激光器温度变化率，进行均值归一化计算，确定每周的温度监测量矩阵。
97.其中，均值归一化指的是先计算得到所有数据的均值，然后再根据该均值对所有数据进行归一化。
98.具体地，先对每小时、每日及每周的激光器温度变化率分别求平均值，然后根据各
自的平均值进行归一化，最后利用进行归一化后的数值构建对应的每小时、每日及每周的温度监测量矩阵。
99.本发明实施例提供的方法，通过分别对每小时、每日及每周的激光器温度变化率进行均值归一化计算，可以减小数据的波动，从而使构建的监测量矩阵里的数值波动减小，当监测量矩阵输入到关联预测模型时，可以增加模型的求解速度。
100.在一个实施例中，监测信号包括每小时、每日及每周的激光器驱动电流变化率，监测量矩阵包括每小时、每日及每周的电流监测量矩阵；相应地，根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵，包括：
101.501、根据每小时的激光器驱动电流变化率，进行均值归一化计算，确定每小时的电流监测量矩阵；
102.502、根据每日的激光器驱动电流变化率，进行均值归一化计算，确定每日的电流监测量矩阵；
103.503、根据每周的激光器驱动电流变化率，进行均值归一化计算，确定每周的电流监测量矩阵。
104.具体地，先对每小时、每日及每周的激光器驱动电流变化率分别求平均值，然后根据各自的平均值进行归一化，最后利用进行归一化后的数值构建对应的每小时、每日及每周的电流监测量矩阵。
105.本发明实施例提供的方法，分别通过对每小时、每日及每周的激光器驱动电流变化率进行均值归一化计算，然后利用计算得到的值构建矩阵，从而可以得到每小时、每日及每周的电流监测量矩阵。
106.在一个实施例中，将监测量矩阵输入关联预测模型，确定预测结果，包括：
107.601、将每小时、每日及每周的换流站直流分压器或分流器二次回路的监测量矩阵中的一半数据输入关联预测模型进行训练，确定训练后的关联预测模型；
108.602、将每小时、每日及每周的换流站直流分压器或分流器二次回路的监测量矩阵中的另外一半数据输入训练后的关联预测模型中，确定预测结果。
109.具体地，将每小时、每日及每周的换流站直流分压器或分流器二次回路的监测量矩阵中任意一半数据先输入给关联预测模型，在关联预测模型的循环神经网络层进行训练，得到训练后的关联预测模型；然后把监测量矩阵中剩余的一半数据再输入经过训练后的关联预测模型中，通过长短期记忆网络提取监测量矩阵的特征参数，将特征参数输入给循环神经网络层，以此来获得预测结果。
110.本发明实施例提供的方法，通过直流分压器/分流器二次回路中激光器温度和激光器驱动电流之间的多维变化量关联关系，确定预测结果，从而可以提前获取故障状态，进而提高故障排查效率。
111.在一个实施例中，将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态之前，包括：
112.701、根据正常运行状态下的换流站直流分压器或分流器二次回路，确定正常运行状态下的历史监测信号；
113.702、根据异常运行状态下的换流站直流分压器或分流器二次回路，确定异常运行状态下的历史监测信号；
114.703、根据故障告警状态下的换流站直流分压器或分流器二次回路，确定故障告警状态下的历史监测信号。
115.具体地，根据过去一段时间的正常运行状态下的换流站直流分压器或分流器二次回路的激光器温度和驱动电流，获取正常运行状态下的历史监测信号。根据过去一段时间的异常运行状态下的换流站直流分压器或分流器二次回路的激光器温度和驱动电流，获取异常运行状态下的历史监测信号。根据过去一段时间的故障状态下的换流站直流分压器或分流器二次回路的激光器温度和驱动电流，获取故障状态下的历史监测信号。
116.比如，获取某年5月～10月正常运行状态下换流站直流分压器或分流器二次回路中激光器温度和驱动电流，共20150个采样点的数据，通过对这些数据进行处理，以此来获取正常运行状态下的历史监测信号。
117.比如，获取某年6月～9月异常运行状态下换流站直流分压器或分流器二次回路中激光器的激光器温度和驱动电流，共1300个采样点的数据，通过对这些数据进行处理，以此来获取正常运行状态下的历史监测信号。
118.比如，获取某年7月～9月中三次故障状态下换流站直流分压器或分流器二次回路中激光器激光器温度和驱动电流，共192个采样点的数据，通过对这些数据进行处理，以此来获取故障状态下的历史监测信号。
119.本发明实施例提供的方法，通过获取不同时间内的不同状态下历史数据，经过处理后，从而得到不同状态下的历史监测信号。
120.在一个实施例中，将预测结果分别与正常运行、异常运行、故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态，包括：
121.801、根据正常运行状态下的历史监测信号对预测结果进行相关性分析，确定正常运行状态下的相关性结果；
122.802、判断正常运行状态下的相关性结果是否大于设定的正常阈值，若正常运行状态下的相关性结果小于设定的正常阈值，则返回继续监测；
123.803、若正常运行状态下的相关性结果大于设定的正常阈值，则根据异常运行状态下的历史监测信号对预测结果进行相关性分析，确定异常运行状态下的相关性结果；
124.804、判断异常运行状态下的相关性结果是否大于设定的异常阈值，若异常运行状态下的相关性结果小于设定的异常阈值，则输出异常运行信号；
125.805、若异常运行状态下的相关性结果大于设定的异常阈值，则根据故障状态下的历史监测信号对预测结果进行相关性分析，确定故障状态下的相关性结果；
126.806、判断故障状态下的相关性结果是否大于设定的故障阈值，若故障状态下的相关性结果小于设定的故障阈值，则输出故障预警信号；
127.807、若故障状态下的相关性结果大于设定的故障阈值，则输出故障报警信号。
128.其中，对于相关性分析的类型，本发明实施例不对其作具体限定，包括但不限于：求取相关系数的相关性分析、余弦相似性分析、距离相似性分析、欧氏距离相似性分析等。
129.本发明实施例提供的方法，通过将预测结果与历史监测信号对比的方式，解决了直流分压器/分流器二次回路异常运行状态发展趋势难以预测、故障阈值难以整定的问题，从而可以提高系统的故障排查效率，进而促进系统稳定运行。
130.下面是一个具体地的实施例：
131.采用如下步骤：
132.901、在正常运行状态下换流站直流分压器或分流器二次回路上，获取某年8月～12月正常运行的数据，8月～12月共20150个采样点数据，经过处理后，得到正常运行状态下的历史监测信号；
133.902、在异常运行状态下的换流站直流分压器或分流器二次回路上，采集获取某年9月～11月异常运行的数据，9月～11月共1300个采样点数据，经过处理后，得到异常运行状态下的历史监测信号；
134.903、在故障状态下的换流站直流分压器或分流器二次回路上，获取某年10 月～12月三次故障状态下的数据，共192个采样点数据，经过处理后，得到故障状态下的历史监测信号；
135.904、从2020年12月1日开始，采样频率为15min/分钟，激光器温度和驱动电流的采样点各为65个，对换流站直流分压器或分流器二次回路持续采样一个月；
136.905、分别计算每小时、每日及每周激光器温度变化率和驱动电流变化率，作为监测信号；
137.906、根据监测信号，确定监测量矩阵，如图3所示；
138.907、将监测量矩阵输入关联预测模型，输出预测结果，如图4所示；
139.908、将预测结果与正常运行、异常运行及故障状态下的历史监测信号对比，实时预测换流站直流分压器或分流器二次回路的运行状态。
140.结合上述实施例的内容，在一个实施例中，如图5所示，提供了一种换流站直流分压器或分流器二次回路的状态预测装置，包括：第一获取模块510、第一确定模块511、第二确定模块512、第三确定模块513及第四确定模块514，其中：
141.第一获取模块510，用于根据预设采样频率，对换流站直流分压器或分流器二次回路定时采样，获取采样数据；
142.第一确定模块511，用于根据采样数据，确定监测信号；
143.第二确定模块512，用于根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵；
144.第三确定模块513，用于将监测量矩阵输入关联预测模型，确定预测结果；
145.第四确定模块514，用于将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态。
146.在一个实施例中，换流站直流分压器或分流器二次回路的状态预测装置还包括：
147.温度变化率确定模块，用于根据激光器温度，确定每小时、每日及每周的激光器温度变化率；
148.电流变化率确定模块，用于根据激光器驱动电流，确定每小时、每日及每周激光器驱动电流变化率；
149.监测信号确定模块，用于将每小时、每日及每周的激光器温度变化率和激光器驱动电流变化率作为监测信号。
150.在一个实施例中，换流站直流分压器或分流器二次回路的状态预测装置还包括：
151.时温度矩阵确定模块，用于根据每小时的激光器温度变化率，进行均值归一化计算，确定每小时的温度监测量矩阵；
152.日温度矩阵确定模块，用于根据每日的激光器驱动温度变化率，进行均值归一化计算，确定每日的温度监测量矩阵；
153.周温度矩阵确定模块，用于根据每周的激光器温度变化率，进行均值归一化计算，确定每周的温度监测量矩阵。
154.在一个实施例中，换流站直流分压器或分流器二次回路的状态预测装置还包括：
155.时电流矩阵确定模块，用于根据每小时的激光器驱动电流变化率，进行均值归一化计算，确定每小时的电流监测量矩阵；
156.日电流矩阵确定模块，用于根据每日的激光器驱动电流变化率，进行均值归一化计算，确定每日的电流监测量矩阵；
157.周电流矩阵确定模块，用于根据每周的激光器驱动电流变化率，进行均值归一化计算，确定每周的电流监测量矩阵。
158.在一个实施例中，换流站直流分压器或分流器二次回路的状态预测装置还包括：
159.训练模型去顶模块，用于将每小时、每日及每周的换流站直流分压器或分流器二次回路的监测量矩阵中的一半数据输入关联预测模型进行训练，确定训练后的关联预测模型；
160.预测结果获取模块，用于将每小时、每日及每周的换流站直流分压器或分流器二次回路的监测量矩阵中的另外一半数据输入训练后的关联预测模型中，获取预测结果。
161.在一个实施例中，换流站直流分压器或分流器二次回路的状态预测装置还包括：
162.第一信号确定模块，用于根据正常运行状态下的换流站直流分压器或分流器二次回路，确定正常运行状态下的历史监测信号；
163.第二信号确定模块，用于根据异常运行状态下的换流站直流分压器或分流器二次回路，确定异常运行状态下的历史监测信号；
164.第三信号确定模块，用于根据故障告警状态下的换流站直流分压器或分流器二次回路，确定故障告警状态下的历史监测信号。
165.在一个实施例中，换流站直流分压器或分流器二次回路的状态预测装置还包括：
166.第一结果确定模块，用于根据正常运行状态下的历史监测信号对预测结果进行相关性分析，确定正常运行状态下的相关性结果；
167.第一输出模块，用于判断正常运行状态下的相关性结果是否大于设定的正常阈值，若正常运行状态下的相关性结果小于设定的正常阈值，则返回继续监测；
168.第二结果确定模块，用于若正常运行状态下的相关性结果大于设定的正常阈值，则根据异常运行状态下的历史监测信号对预测结果进行相关性分析，确定异常运行状态下的相关性结果；
169.第二输出模块，用于判断异常运行状态下的相关性结果是否大于设定的异常阈值，若异常运行状态下的相关性结果小于设定的异常阈值，则输出异常运行信号；
170.第三结果确定模块，用于若异常运行状态下的相关性结果大于设定的异常阈值，则根据故障状态下的历史监测信号对预测结果进行相关性分析，确定故障状态下的相关性结果；
171.第三输出模块，用于判断故障状态下的相关性结果是否大于设定的故障阈值，若故障状态下的相关性结果小于设定的故障阈值，则输出故障预警信号；
172.第四输出模块，用于若故障状态下的相关性结果大于设定的故障阈值，则输出故障报警信号。
173.本发明实施例提供的装置，根据预设采样频率，对换流站直流分压器或分流器二次回路定时采样，获取采样数据。根据采样数据，确定监测信号。根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵。将监测量矩阵输入关联预测模型，确定预测结果。将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态。
174.相较于相关技术中针对直流分压器或分流器二次回路的运行状态监测只是通过厂家的运维经验简单的设置了告警阈值，当测量装置的激光器驱动电流高、激光器温度高于阈值时，产生告警信号，由于可以实时预测直流分压器或分流器二次回路的运行状态，使运维人员实时掌握设备状态信息，从而实现超前处置隐患，进而提高故障排查效率，确保系统安全稳定运行。
175.关于换流站直流分压器或分流器二次回路的状态预测装置的具体限定可以参见上文中对于换流站直流分压器或分流器二次回路的状态预测方法的限定，在此不再赘述。上述换流站直流分压器或分流器二次回路的状态预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
176.在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储采样数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种换流站直流分压器或分流器二次回路的状态预测方法。
177.本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
178.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
179.根据预设采样频率，对换流站直流分压器或分流器二次回路定时采样，获取采样数据；
180.根据采样数据，确定监测信号；
181.根据监测信号，确定换流站直流分压器或分流器二次回路的监测量矩阵；
182.将监测量矩阵输入关联预测模型，确定预测结果；
183.将预测结果分别与正常运行、异常运行及故障状态下的历史监测信号对比，确定实时预测的换流站直流分压器或分流器二次回路的运行状态。
184.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
185.根据激光器温度，确定每小时、每日及每周的激光器温度变化率；
186.根据激光器驱动电流，确定每小时、每日及每周激光器驱动电流变化率；
187.将每小时、每日及每周的激光器温度变化率和激光器驱动电流变化率作为监测信号。
188.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
189.根据每小时的激光器温度变化率，进行均值归一化计算，确定每小时的温度监测量矩阵；
190.根据每日的激光器驱动温度变化率，进行均值归一化计算，确定每日的温度监测量矩阵；
191.根据每周的激光器温度变化率，进行均值归一化计算，确定每周的温度监测量矩阵。
192.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
193.根据每小时的激光器驱动电流变化率，进行均值归一化计算，确定每小时的电流监测量矩阵；
194.根据每日的激光器驱动电流变化率，进行均值归一化计算，确定每日的电流监测量矩阵；
195.根据每周的激光器驱动电流变化率，进行均值归一化计算，确定每周的电流监测量矩阵。
196.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
197.将每小时、每日及每周的换流站直流分压器或分流器二次回路的监测量矩阵中的一半数据输入关联预测模型进行训练，确定训练后的关联预测模型；
198.将每小时、每日及每周的换流站直流分压器或分流器二次回路的监测量矩阵中的另外一半数据输入训练后的关联预测模型中，获取预测结果。
199.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
200.根据正常运行状态下的换流站直流分压器或分流器二次回路，确定正常运行状态下的历史监测信号；
201.根据异常运行状态下的换流站直流分压器或分流器二次回路，确定异常运行状态下的历史监测信号；
202.根据故障告警状态下的换流站直流分压器或分流器二次回路，确定故障告警状态下的历史监测信号。
203.在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
204.根据正常运行状态下的历史监测信号对预测结果进行相关性分析，确定正常运行状态下的相关性结果；
205.判断正常运行状态下的相关性结果是否大于设定的正常阈值，若正常运行状态下的相关性结果小于设定的正常阈值，则返回继续监测；
206.若正常运行状态下的相关性结果大于设定的正常阈值，则根据异常运行状态下的历史监测信号对预测结果进行相关性分析，确定异常运行状态下的相关性结果；
207.判断异常运行状态下的相关性结果是否大于设定的异常阈值，若异常运行状态下的相关性结果小于设定的异常阈值，则输出异常运行信号；
208.若异常运行状态下的相关性结果大于设定的异常阈值，则根据故障状态下的历史监测信号对预测结果进行相关性分析，确定故障状态下的相关性结果；
209.判断故障状态下的相关性结果是否大于设定的故障阈值，若故障状态下的相关性结果小于设定的故障阈值，则输出故障预警信号；
210.若故障状态下的相关性结果大于设定的故障阈值，则输出故障报警信号。
211.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccess memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory， sram)或动态随机存取存储器(dynamic random access memory，dram)等。
212.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
213.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。