一种高压开关设备的机械寿命预测方法、系统及电子设备与流程

1.本技术涉及高压开关设备领域，尤其涉及一种高压开关设备的机械寿命预测方法、系统及电子设备。


背景技术：

2.高压开关是电力系统中关键的控制和保护设备，对电网的安全运行起着至关重要的用。高压开关设备的全寿命周期管理旨在通过合理的维护策略以提高设备的运行可靠性并减少寿命周期成本，有效的全寿命周期管理很大程度上依赖于对高压开关设备剩余寿命估计的准确性。
3.目前，对于高压开关设备的寿命预测方法，如：公开号为cn104866679a的发明专利申请，其通过如下方式实现：建立对应关系：依据滑动时间窗算法，建立高压开关设备的当前机械特性曲线上每一点与之前机械特性曲线上相应历史数据点之间的对应关系；训练模型：利用支持向量机回归模型训练得到每个机械特性预测模型；使用模型预测：针对每个机械特性预测模型，通过滑动时间窗算法来进行高压开关设备的多步机械特性预测，在多步预测时，将当前单步预测的结果加入到已有的时间序列中，进行下一次结果的预测。
4.采用上述方式预测高压开关设备的寿命时，需要建立高压开关设备的当前机械特性曲线上每一点与之前机械特性曲线上相应历史数据点之间的对应关系，需要进行多次机械特性测量，操作复杂。


技术实现要素：

5.有鉴于此，本技术提供一种高压开关设备的机械寿命预测方法、系统及电子设备，其具体方案如下：
6.一种高压开关设备的机械寿命预测方法，包括：
7.获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；
8.将所述寿命特征数据输入至预先训练完成的寿命预测模型，所述寿命预测模型为基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的；其中，所述高压开关设备全寿命运行周期中的寿命特征数据为基于综合评价系数从所述高压开关设备的多个特征数据中选择的预设数量的寿命特征数据；
9.获得所述寿命预测模型的输出，将所述寿命预测模型的输出确定为所述待测的高压开关设备的预测剩余寿命。
10.进一步的，还包括：
11.对样本数据集进行模型训练，得到寿命预测模型，所述样本数据集包括：高压开关设备的寿命特征数据及剩余寿命数据；
12.其中，所述对样本数据集进行模型训练，得到寿命预测模型，包括：
13.获得历史动作数据中的高压开关设备的机械特性数据中的预设数量的寿命特征
数据及剩余寿命数据；
14.从所述样本数据集中选择训练数据集，根据所述预设数量的寿命特征数据及所述预设数量的寿命特征数据分别对应的寿命值训练回归树模型；
15.从所述样本数据集中选择验证数据集对所述回归树模型进行验证，获得验证结果，若所述验证结果表明所述回归树模型通过验证，将所述回归树模型确定为寿命预测模型。
16.进一步的，还包括：
17.若所述验证结果表明所述回归树模型未通过验证，则调整所述回归树模型的参数，对所述回归树模型重新训练，直至满足模型验证条件。
18.进一步的，所述获得历史动作数据中的高压开关设备的机械特性数据中的预设数量的寿命特征数据，包括：
19.获得历史动作数据中的高压开关设备的机械特性数据；
20.从所述机械特性数据中选取基准点，提取相应的寿命特征数据，基于综合评价系数获得预设数量的寿命特征数据。
21.进一步的，所述基于综合评价系数获得所述预设数量的寿命特征数据，包括：
22.提取所述基准点的特征数据；
23.对所述历史动作数据中的高压开关设备的每个基准点提取相应的特征数据，并进行归一化处理，通过计算获得所述每个特征数据的综合评价系数；
24.基于所述每个特征数据的综合评价系数的比较结果，从所述待测的高压开关设备的特征数据中选择预设数量的综合评价系数最高的寿命特征数据。
25.进一步的，所述获得每个特征数据的综合评价系数，包括：
26.获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的皮尔逊评价系数；
27.获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的斯皮尔曼评价系数；
28.获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的肯德尔评价系数；
29.基于所述皮尔逊评价系数、斯皮尔曼评价系数及肯德尔评价系数加权求和，获得每个特征数据的综合评价系数。
30.进一步的，所述从所述机械特性数据中选取基准点，包括：
31.从所述机械特性数据中的分合闸脱扣器线圈电流曲线和触头行程曲线中选取基准点。
32.一种高压开关设备的机械寿命预测系统，包括：
33.第一获得单元，用于获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；
34.输入单元，用于将所述寿命特征数据输入至预先训练完成的寿命预测模型，所述寿命预测模型为基于高压开关设备全寿命运行周期中的高压开关设备的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的；其中，所述高压开关设备全寿命运行周期中的寿命特征数据为基于综合评价系数从所述高压开关设备
的多个特征数据中选择的预设数量的寿命特征数据；
35.第二获得单元，用于获得所述寿命预测模型的输出，将所述寿命预测模型的输出确定为所述待测的高压开关设备的预测剩余寿命。
36.一种电子设备，包括：
37.处理器，用于获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；将所述寿命特征数据输入至预先训练完成的寿命预测模型，所述寿命预测模型为基于高压开关设备全寿命运行周期中的高压开关设备的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的；其中，所述高压开关设备全寿命圆周期中的寿命特征数据为基于综合评价系数从所述高压开关设备的多个特征数据中选择的预设数量的寿命特征数据；获得所述寿命预测模型的输出，将所述寿命预测模型的输出确定为所述待测的高压开关设备的预测剩余寿命；
38.存储器，用于存储所述处理器执行上述处理过程的程序。
39.一种可读存储介质，用于至少存储一组指令集；
40.所述指令集用于被调用并至少执行如上任一项所述的高压开关设备的机械寿命预测的方法。
41.从上述技术方案可以看出，本技术公开的高压开关设备的机械寿命预测方法、系统及电子设备，获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；将寿命特征数据输入至预先训练完成的寿命预测模型，寿命预测模型为基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的；其中，高压开关设备全寿命运行周期中的寿命特征数据为基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据；获得寿命预测模型的输出，将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命。本方案通过从多个特征数据中选择的预设数量的寿命特征数据及剩余寿命数据进行模型训练得到一个寿命预测模型，当需要进行寿命预测时，直接将对应的预设数量的寿命特征数据输入至寿命预测模型即可得到预测的剩余寿命，实现了通过一次机械特性测量就能够对剩余寿命进行精确预测，简化了剩余寿命的预测流程。
附图说明
42.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
43.图1为本技术实施例公开的一种高压开关设备的机械寿命预测方法的流程图；
44.图2为本技术实施例公开的一种高压开关设备的机械寿命预测方法的流程图；
45.图3为本技术实施例公开的一种高压开关设备的机械寿命预测方法的流程图；
46.图4为本技术实施例公开的一种分合闸脱扣器线圈电流曲线中选取的基准点的示意图；
47.图5为本技术实施例公开的一种触头行程曲线中选取的基准点的示意图；
48.图6为本技术实施例公开的一种高压开关设备的机械寿命预测系统的结构示意
图；
49.图7为本技术实施例公开的一种电子设备的结构示意图。
具体实施方式
50.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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他实施例，都属于本技术保护的范围。
51.本技术公开了一种高压开关设备的机械寿命预测方法，其流程图如图1所示，包括：
52.步骤s11、获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；
53.步骤s12、将寿命特征数据输入至预先训练完成的寿命预测模型，寿命预测模型为基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的，高压开关设备全寿命运行周期中的寿命特征数据为基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据；
54.步骤s13、获得寿命预测模型的输出，将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命。
55.若要对高压开关设备的剩余寿命进行预测，需首先进行模型训练，以得到训练完成的寿命预测模型。寿命预测模型是基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的。
56.样本数据集从高压开关设备的历史动作数据中获取，即高压开关设备在实际使用过程中的寿命特征数据，以及在高压开关设备具有上述寿命特征数据时，其实际对应的剩余寿命数据，将寿命特征数据及对应的剩余寿命数据作为样本数据集进行有监督的模型训练，从而得到寿命预测模型。该模型训练可具体采用梯度提升决策树机器学习算法。
57.在模型训练完成后，若要通过该训练完成的寿命预测模型进行寿命的预测，则需要首先获取待测的高压开关设备的机械特性数据，机械特性数据为该待测的高压开关设备的全寿命运行周期中的数据，其至少包括：分合闸脱扣器线圈电流曲线和触头行程曲线。
58.在获得机械特性数据之后，从机械特性数据中获得寿命特征数据，提取寿命特征数据，获取预设数量的寿命特征数据，将其输入至寿命预测模型中，得到寿命预测模型的输出。该寿命预测模型的输入端为寿命特征数据，输出端为预测的剩余寿命，则得到的寿命预测模型的输出即为待测的高压开关设备的预测剩余寿命。
59.其中，寿命预测模型中的寿命特征数据可以为：基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据。即高压开关设备本身具有多个特征数据，也能够获得多个特征数据，而进行模型训练时所使用的寿命特征数据并非是高压开关设备的全部特征数据，而是从中提取的部分特征数据，其提取规则与综合评价系数相关，即基于每个特征数据的综合评价系数从所有特征数据中选择预设数量的特征数据，将选择的预设数量的特征数据确定为进行模型训练的寿命特征数据。
60.相应的，当进行模型训练的寿命特征数据为从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据，则在基于该模型进行剩余寿命的确定时，输入至该模型的寿命特征数据是与预设数量的寿命特征数据对应的预设数量的特征数据，即输入至该模型的寿命特征数据是与模型训练中所使用的寿命特征数据相对应的数据。
61.在进行模型训练的过程中，基于综合评价系数确定了模型的输入为预设数量的寿命特征数据，则在基于该训练完成的模型进行剩余寿命的预测时，无需对模型的输入是从多个特征数据中选择的哪几个数据进行再次确定，而是直接基于模型训练时基于综合评价系数确定的寿命特征数据确定需要输入至模型的特征数据。
62.另外，剩余寿命数据为剩余操作次数与理论全寿命周期操作次数的比值，该比值为大于0且小于1的数值。
63.需要说明的是，获得的待测的高压开关设备的寿命特征数据与进行模型训练的寿命特征数据均用于表示高压开关设备的用于表征寿命特征的数据信息，本实施例中输入至模型的寿命特征数据表示待测的高压开关设备的寿命特征的数据信息。
64.本实施例公开的高压开关设备的机械寿命预测方法，获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；将寿命特征数据输入至预先训练完成的寿命预测模型，寿命预测模型为基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的，其中，高压开关设备全寿命运行周期中的寿命特征数据为基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据；获得寿命预测模型的输出，将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命。本方案通过从高压开关设备全寿命运行周期中的多个特征数据中选择的预设数量的寿命特征数据及剩余寿命数据进行模型训练得到一个寿命预测模型，当需要进行寿命预测时，直接将对应的预设数量的寿命特征数据输入至寿命预测模型即可得到预测的剩余寿命，实现了通过一次机械特性测量就能够对剩余寿命进行精确预测，简化了剩余寿命的预测流程。
65.本实施例公开了一种高压开关设备的机械寿命预测方法，其流程图如图2所示，包括：
66.步骤s21、对样本数据集进行模型训练，得到寿命预测模型，样本数据集包括：高压开关设备的寿命特征数据及剩余寿命数据，寿命特征数据为基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据；
67.步骤s22、获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；
68.步骤s23、将寿命特征数据输入至寿命预测模型；
69.步骤s24、获得寿命预测模型的输出，将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命。
70.用样本数据集进行模型训练，得到寿命预测模型，可以具体为：获得历史动作数据中的高压开关设备的机械特性数据中的寿命特征数据及剩余寿命数据，从样本数据集中选择训练数据集，根据寿命特征数据及寿命特征数据对应的寿命值训练回归树模型，从样本数据集中选择验证数据集对回归树模型进行验证，获得验证结果，若验证结果表明回归树模型通过验证，将回归树模型确定为寿命预测模型。
71.样本数据集为历史动作数据中的高压开关设备对应的寿命特征数据及具有上述寿命特征数据时该高压开关设备的剩余寿命数据。
72.获得寿命特征数据及对应的寿命值，训练gbdt模型。可首先设置回归树个数m，树的深度d，迭代次数t，学习率lr等参数，并初始化弱学习器f0(x)。初始化时，取学习器为：f0＝c，其中，c为所有训练样本标签值的均值。
73.在迭代过程中，根据损失函数负梯度，拟合第m棵回归树，并计算最佳拟合值，不断更新强学习器fm(x)，从而得到最终的回归树模型。
74.最终的回归树模型为：
[0075][0076]
其中，x为输入样本，ω为模型参数，g为回归树，γ为每棵树的权重。
[0077]
从样本数据集中选择部分数据作为验证数据集，对训练完成的回归树模型进行验证，以获得验证结果，根据损失函数确定验证结果与该验证数据组中的实际剩余寿命数据之间的误差，将其确定为预测误差。
[0078]
若预测误差的最大值不大于预定阈值，则表明验证通过，可直接将回归树模型确定为寿命预测模型，对待测的高压开关设备进行剩余寿命的预测；若预测误差的最大值大于预定阈值，则表明验证未通过，则需要调整回归树模型的参数，对回归树模型进行重新训练，以得到能够通过验证的回归树模型，从而得到寿命预测模型。
[0079]
其中，预定阈值可以为：多次模拟预测试验个预测误差的最大值。
[0080]
若验证结果表明回归树模型未通过验证，则需要调整回归树模型的参数，以便对回归树模型进行重新训练。
[0081]
调整回归树模型的参数，可具体为：改变从机械特性数据中选择的寿命特征数据的个数，或者，调整回归树的个数、树深度、学习率等参数。
[0082]
当对回归树模型的参数进行调整后，重新进行模型的训练，在训练完成后，对重新训练完成的模型进行验证，若基于验证结果表明该重新训练完成的模型通过验证，则将重新训练完成的回归树模型确定为寿命预测模型，若仍未通过验证，则需要继续对模型的参数进行调整，以便对调整参数后的模型继续进行训练，直至得到验证通过的回归树模型，将其确定为寿命预测模型，并保存，以便在进行剩余寿命预测时直接调用。
[0083]
本实施例公开的高压开关设备的机械寿命预测方法，获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；将寿命特征数据输入至预先训练完成的寿命预测模型，寿命预测模型为基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的其中，寿命特征数据为基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据；获得寿命预测模型的输出，将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命。本方案通过从高压开关设备全寿命运行周期中的多个特征数据中选择的预设数量的寿命特征数据及剩余寿命数据进行模型训练得到一个寿命预测模型，当需要进行寿命预测时，直接将对应的预设数量的寿命特征数据输入至寿命预测模型即可得到预测的剩余寿命，实现了通过一次机械特性测量就能够对剩余寿命进行精确预测，简化了剩余寿命的预测流程。
[0084]
本实施例公开了一种高压开关设备的机械寿命预测方法，其流程图如图3所示，包括：
[0085]
步骤s31、获得历史动作数据中的高压开关设备的机械特性数据及剩余寿命数据；从机械特性数据中选取基准点，提取寿命特征数据，并根据综合评价系数获得预设数量的寿命特征数据，构成样本数据集；
[0086]
步骤s32、从样本数据集中选择训练数据集，根据训练数据集中的寿命特征数据及寿命特征数据对应的寿命值训练回归树模型；
[0087]
步骤s33、从样本数据集中选择验证数据集对回归树模型进行验证，获得验证结果，若验证结果表明回归树模型通过验证，将回归树模型确定为寿命预测模型；
[0088]
步骤s34、获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；
[0089]
步骤s35、将寿命特征数据输入至寿命预测模型，获得寿命预测模型的输出，将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命。
[0090]
用于进行模型训练的寿命特征数据是从历史动作数据中的高压开关设备的机械特性数据中提取出的，首先确定机械特性数据中的基准点，之后提取基准点的相关数据，将与寿命特征相关的数据确定为寿命特征数据，每个基准点的寿命特征数据可以为多个，基于综合评价系数从中选择预设数量的数据作为寿命特征数据进行模型训练。
[0091]
机械特性数据包括：分合闸脱扣器线圈电流曲线和触头行程曲线。从分合闸脱扣器线圈电流曲线和触头行程曲线中选取基准点。
[0092]
其中，从分合闸脱扣器线圈电流曲线中选择的基准点如图4所示，至少包括：线圈电流开始上升点p1、线圈电流的第一个局部极小点p2、线圈电流稳定时期起始点p3、线圈电流稳定时期结束点p4及线圈电流的归零点p5；
[0093]
从触头行程曲线中选取的基准点如图5所示，至少包括：行程曲线的起始点p6、行程曲线加速阶段的结束点p7、行程曲线开始减速点p8及行程曲线运动过程的结束点p9。
[0094]
其中，从分合闸脱扣器线圈电流曲线的基准点能够提取到的特征数据可以为：基准点的时间、电流值、电流平均值、电流方差、时间差、电流采样值等，具体的，可以为：线圈电流开始上升点p1的时间、第一个局部极小点p2的时间、稳定时期起始点p3的时间、稳定时期结束点p4的时间、归零点p5的时间、第一个局部极小点p2的电流值、稳定时期起始点p3和稳定时期结束点p4之间电流的平均值、稳定时期起始点p3和稳定时期结束点p4之间电流的方差、线圈电流开始上升点p1和第一个局部极小点p2之间的时间差、稳定时期起始点p3和稳定时期结束点p4之间的时间差、线圈电流开始上升点p1和线圈留的归零点p5之间的时间差、线圈电流开始上升点p1和第一个局部极小点p2中点的电流采样值、第一个局部电流极小点p2和稳定时期起始点p3中点的电流采样值、稳定时期起始点p3和稳定时期结束点p4中点的电流采样值等。
[0095]
从触头行程曲线的基准点能够提取到的特征数据可以为：各基准点的时间、行程值、斜率、平均速度、方差、行程采样值等，可具体为：加速阶段的结束点p7的时间、开始减速点p8的时间、加速阶段的结束点p7的行程值、开始减速点p8的行程值、运动过程的结束点p9的行程值、运动过程的结束点p9和加速阶段的结束点p7之间的斜率、加速阶段的结束点p7和开始减速点p8之间的斜率、开始减速点p8和运动过程的结束点p98之间的斜率、加速阶段
的结束点p7和开始减速点p8之间的平均速度、加速阶段的结束点p7和开始减速点p8之间的平均速度、加速阶段的结束点p7和开始减速点p8之间的速度的方差、加速阶段的结束点p7和开始减速点p8中点的行程采样值、开始减速点p8和运动过程的结束点p9中点的行程采样值等。
[0096]
在获得上述各基准点的特征数据后，还需要从中进行筛选，以确定出寿命特征数据，以便于基于筛选出的寿命特征数据进行模型训练。
[0097]
具体的：提取基准点的特征数据，对历史动作数据中的高压开关设备的每个基准点提取相应的特征数据，并进行归一化处理，通过计算获得每个特征数据的综合评价系数，基于每个特征数据的综合评价系数的比较结果，从待测的高压开关设备的特征数据中选择预设数量的综合评价系数最高的寿命特征数据。
[0098]
在通过上述方式提取到每个基准点的特征数据后，对每个特征数据进行归一化处理，归一化处理主要用于将数据的数值范围处理到[0,1]之间，之后，针对每个特征数据计算综合评价系数，筛选出具有最高综合评价系数的预设数量的特征数据作为训练寿命预测模型的特征值，即比较所有的特征数据的综合评价系数，从中筛选出综合评价系数最大的预设数量的特征数据，将其确定为寿命特征数据，构建样本数据集，进行模型训练。
[0099]
对于综合评价系数的计算，可以通过如下方式实现：获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的皮尔逊评价系数；获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的斯皮尔曼评价系数；获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的肯德尔评价系数；基于皮尔逊评价系数、斯皮尔曼评价系数及肯德尔评价系数加权求和，获得每个特征数据的综合评价系数。
[0100]
首先分别获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的皮尔逊相关性系数；获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的斯皮尔曼相关性系数；获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的肯德尔相关性系数。
[0101]
在分别获得皮尔逊相关性系数、斯皮尔曼相关性系数及肯德尔相关性系数后，基于皮尔逊相关性系数确定皮尔逊评价系数，基于斯皮尔曼相关性系数确定斯皮尔曼评价系数，基于肯德尔相关性系数确定肯德尔评价系数。
[0102]
单独计算每个寿命特征数据与剩余寿命数据的相关性系数，之后根据相关性系数进行排序，选择拥有最高评价系数的预设数量的参数。
[0103]
其中，高压开关设备全寿命运行周期中的寿命特征数据和剩余寿命数据之间的皮尔逊相关性系数为：
[0104]
其中，x为寿命特征数据，y为剩余寿命数据，σ为标准差。
[0105]
高压开关设备全寿命运行周期中的寿命特征数据和剩余寿命数据之间的斯皮尔曼相关性系数为：
[0106]
其中，rg
x
为同一种寿命特征数据中各数值的排序值，rgy为同一种寿命特征数据对
应的剩余寿命数据中各数值的排序值。
[0107]
高压开关设备全寿命运行周期中的寿命特征数据和剩余寿命数据之间的肯德尔相关性系数为：
[0108]
其中，n
concordant
为将高压开关设备的某个寿命特征数据在全寿命运行周期中的采样值两两成对后，寿命特征数据的大小关系一致的对数的个数，n
discordant
为将高压开关设备的某个寿命特征数据在全寿命运行周期中的采样值两两成对后，寿命特征数据的大小关系不一致的对数的个数。
[0109]
在获得相关性系数后，计算评价系数，可通过寿命特征数据在各台高压开关设备之间的均值，除以寿命特征数据各台高压开关设备之间方差的限行变换计算得到，则每个寿命特征数据的皮尔逊评价系数为：
[0110][0111]
每个寿命特征数据的斯皮尔曼评价系数为：
[0112][0113]
每个寿命特征数据的肯德尔评价系数为：
[0114][0115]
其中，参数a用于控制评价系数的数量级大小，参数b用于控制寿命特征数据的单调性和一致性对评价系数的影响大小。
[0116]
在分别得到皮尔逊评价系数、斯皮尔曼评价系数及肯德尔评价系数后，再分别获得皮尔逊评价系数、斯皮尔曼评价系数及肯德尔评价系数的权重值，之后进行加权平均，得到最终的综合评价系数。
[0117]
在本实施例中，可设置参数a为1，参数b为0.02。另外，由于皮尔逊啊系数主要适用于呈正态分布的连续变量，斯皮尔曼评价系数和肯德尔评价系数均为秩相关系数，侧重于对有序变量相关系数的评价，则可设置皮尔逊评价系数的权重为0.5，斯皮尔曼评价系数的权重为0.25，肯德尔评价系数的权重为0.25，则最终的综合评价系数为：
[0118]
i＝0.5i
pearson
0.25i
spearman
0.25i
kendall
[0119]
需要说明的是，样本数据集中的寿命特征数据可采用上述方式获得，同样的，在进行剩余寿命预测时，待测的高压开关设备的寿命特征数据也可通过上述方式获得，并且，在通过模型训练中的方式筛选出寿命特征数据后，对高压开关设备的剩余寿命进行预测时，直接从待测的高压开关设备的机械特性数据中提取出对训练模型中的寿命特征数据对应的寿命特征数据即可，无需再对所需的寿命特征数据进行筛选。
[0120]
本实施例公开的高压开关设备的机械寿命预测方法，获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；将寿命特征数据输入至预先训练完成的寿命预测模型，寿命预测模型为基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿
命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的，寿命特征数据为基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据；获得寿命预测模型的输出，将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命。本方案通过预设数量的寿命特征数据及剩余寿命数据进行模型训练得到一个寿命预测模型，当需要进行寿命预测时，直接将对应的预设数量的寿命特征数据输入至寿命预测模型即可得到预测的剩余寿命，实现了通过一次机械特性测量就能够对剩余寿命进行精确预测，简化了剩余寿命的预测流程。
[0121]
本实施例公开了一种高压开关设备的机械寿命预测系统，其结构示意图如图6所示，包括：
[0122]
第一获得单元61，输入单元62及第二获得单元63。
[0123]
其中，第一获得单元61用于获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；
[0124]
输入单元62用于将寿命特征数据输入至预先训练完成的寿命预测模型，寿命预测模型为基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的，高压开关设备全寿命运行周期中的寿命特征数据为基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据；
[0125]
第二获得单元63用于获得寿命预测模型的输出，将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命。
[0126]
进一步的，本实施例公开的高压开关设备的机械寿命预测系统还可以包括：
[0127]
训练单元，用于对样本数据集进行模型训练，得到寿命预测模型，样本数据集包括：高压开关设备的预设数量的寿命特征数据及剩余寿命数据；
[0128]
其中，训练单元用于：
[0129]
获得历史动作数据中的高压开关设备的机械特性数据中的寿命特征数据及剩余寿命数据；从样本数据集中选择训练数据集，根据预设数量的寿命特征数据及预设数量的寿命特征数据分别对应的寿命值训练回归树模型；从样本数据集中选择验证数据集对所述回归树模型进行验证，获得验证结果，若验证结果表明所述回归树模型通过验证，将回归树模型确定为寿命预测模型。
[0130]
进一步的，训练单元用于：
[0131]
若确定验证结果表明回归树模型未通过验证，则调整回归树模型的参数，对回归树模型重新训练，直至满足模型验证条件。
[0132]
进一步的，训练单元用于：
[0133]
获得历史动作数据中的高压开关设备的机械特性数据；从机械特性数据中选取基准点，提取基准点的寿命特征数据，基于综合评价系数获得基准点的预设数量的寿命特征数据。
[0134]
进一步的，训练单元用于：
[0135]
提取基准点的特征数据；对历史动作数据中的高压开关设备的每个基准点提取相应的特征数据，并对其进行归一化处理，通过计算获得每个特征数据的综合评价系数；基于每个特征数据的综合评价系数的比较结果，从待测的高压开关设备的特征数据中选择预设
数量的综合评价系数最高的寿命特征数据。
[0136]
进一步的，训练单元用于：
[0137]
获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的皮尔逊评价系数；获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的斯皮尔曼评价系数；获得历史动作数据中的高压开关设备全寿命运行周期中的寿命特征数据和对应的剩余寿命数据之间的肯德尔评价系数；基于皮尔逊评价系数、斯皮尔曼评价系数及肯德尔评价系数加权求和，获得每个特征数据的综合评价系数。
[0138]
进一步的，训练单元用于：
[0139]
从机械特性数据中的分合闸脱扣器线圈电流曲线和触头行程曲线中选取基准点。
[0140]
本实施例公开的高压开关设备的机械寿命预测系统是基于上述实施例公开的高压开关设备的机械寿命预测方法实现的，在此不再赘述。
[0141]
本实施例公开的高压开关设备的机械寿命预测系统，获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；将寿命特征数据输入至预先训练完成的寿命预测模型，寿命预测模型为基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的，高压开关设备全寿命运行周期中的寿命特征数据为基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据；获得寿命预测模型的输出，将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命。本方案通过从多个特征数据中选择的预设数量的寿命特征数据及剩余寿命数据进行模型训练得到一个寿命预测模型，当需要进行寿命预测时，直接将对应的预设数量的寿命特征数据输入至寿命预测模型即可得到预测的剩余寿命，实现了通过一次机械特性测量就能够对剩余寿命进行精确预测，简化了剩余寿命的预测流程。
[0142]
本实施例公开了一种电子设备，其结构示意图如图7所示，包括：
[0143]
处理器71及存储器72。
[0144]
其中，处理器71用于获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；将寿命特征数据输入至预先训练完成的寿命预测模型，寿命预测模型为基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿命数据构成的样本数据集通过梯度提升决策树算法进行训练得到的，寿命特征数据为基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征数据；获得寿命预测模型的输出，将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命；
[0145]
存储器72用于存储处理器执行上述处理过程的程序。
[0146]
本实施例公开的电子设备是基于上述实施例公开的高压开关设备的机械寿命预测方法实现的，在此不再赘述。
[0147]
本实施例公开的电子设备，获得待测的高压开关设备的机械特性数据中的预设数量的寿命特征数据；将寿命特征数据输入至预先训练完成的寿命预测模型，寿命预测模型为基于高压开关设备全寿命运行周期中的寿命特征数据及剩余寿命数据构成的训练样本集通过梯度提升决策树算法进行训练得到的，高压开关设备全寿命运行周期中的寿命特征数据为基于综合评价系数从高压开关设备的多个特征数据中选择的预设数量的寿命特征
数据；获得寿命预测模型的输出，将寿命预测模型的输出确定为待测的高压开关设备的预测剩余寿命。本方案通过从多个特征数据中选择的预设数量的寿命特征数据及剩余寿命数据进行模型训练得到一个寿命预测模型，当需要进行寿命预测时，直接将对应的预设数量的寿命特征数据输入至寿命预测模型即可得到预测的剩余寿命，实现了通过一次机械特性测量就能够对剩余寿命进行精确预测，简化了剩余寿命的预测流程。
[0148]
本技术实施例还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器加载并执行，实现上述高压开关设备的机械寿命预测方法的各步骤，具体实现过程可以参照上述实施例相应部分的描述，本实施例不做赘述。
[0149]
本技术还提出了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行上述高压开关设备的机械寿命预测方法方面或高压开关设备的机械寿命预测系统方面的各种可选实现方式中所提供方法，具体实现过程可以参照上述相应实施例的描述，不做赘述。
[0150]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0151]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0152]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0153]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。