(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111045923.5 (22)申请日 2021.09.07 (71)申请人 国网河北省电力有限公司雄 安新区 供电公司 地址 071699 河北省保定市安 新县安新镇 北环路 申请人 许继电气股份有限公司 　 河北雄安许继电科综合能源技 术有 限公司　 许继集团有限公司 　 国家电网有限公司 (72)发明人 侯磊　马涛　贾永会　田二胜　 祁天星　程宇航　牛理达　李春蕾　 曲峰　曹诚路　张锐　王珂　 胡向阳　郭晓达　朱志勇　(74)专利代理 机构 北京中政联科专利代理事务 所(普通合伙) 11489 代理人 张吉和 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/06(2006.01) G06N 3/08(2006.01) (54)发明名称 一种低压直 流接触器状态评估方法及装置 (57)摘要 本发明涉及一种低压直流接触器状态评估 方法及装置， 采集表征低压直流接触器状态的数 据， 然后采用新息自适应卡尔曼滤波算法对所采 集的数据进行预处理， 得到剔除干扰后的数据， 采用主成分分析方法对该数据进行降维处理； 采 用基于机器学习的XGBoost算 法对该数据的重要 性进行计算， 以提取特征信息； 最后采用优化的 极限学习机对 该直流接触器进行状态评估。 本发 明通过采用基于机器学习的XGBoo st算法对该数 据的重要性进行计算并采用优化的极限学习机 对该直流接触器进行状态评估， 能够实现对低压 直流接触器状态进行准确地评估。 权利要求书3页 说明书13页 附图5页 CN 113947011 A 2022.01.18 CN 113947011 A 1.一种低压直 流接触器状态评估方法， 其特 征在于， 包括 步骤： S1、 采集表征低压直 流接触器状态的数据； S2、 采用新息自适应卡尔曼滤波算法对所采集的数据进行预处理， 得到剔除干扰后的 数据； S3、 采用主成分 分析方法对该 数据进行降维处 理； S4、 采用基于 机器学习的XGBo ost算法对该 数据的重要性进行计算， 以提取 特征信息； S5、 根据所提取的特征信息选择数据参数， 并利用该数据参数采用优化的极限学习机 对该直流接触器进行状态评估。 2.根据权利要求1所述的方法， 其特征在于， 所述新息自适应卡尔曼滤波算法包括采用 不固定值的协方差矩阵和噪声矩阵进行 滤波； k时刻新息测量噪声协方差矩阵R(k)为： k+1时刻噪声矩阵Q(k+1)为： Q(k+1)＝K(k)C(k)H(k)K ′(k) 其中， C(k)为k时刻的新息协方差， H(k)为k时刻的观测矩阵， P(k)为k时刻的预测状态 的协方差矩阵， K(k)为 k时刻滤波器的增益。 3.根据权利要求2所述的方法， 其特征在于， 所述采用主成分分析方法对该数据进行降 维处理包括： 使用奇异值分解方法计算所述数据组成的矩阵的协方差矩阵A的特 征值和特 征向量： (ATA)νi＝ λiνi (AAT)ui＝ λiui 其中， νi为右奇异向量， ui为左奇异向量； 采用前r个非零奇异值对应的奇异向量表示矩阵A的主 要特征， 以实现降维。 4.根据权利要求3所述的方法， 其特征在于， 所述采用基于机器学习的XGBoost算法对 该数据的重要性进行计算包括： 根据以下公式计算所述数据的重要性得分， 以判断在状态评估中各参数的重要性： 其 中 ，G a i n 表 示 特 征 增 益 ， 其中IL与IR分别为左右两个子节点对应的样本集， gi为损失函数的一阶导， hi为损失函数的二阶导。 5.根据权利要求4所述的方法， 其特征在于， 所述采用优化的极限学习机对该直流接触 器进行状态评估 包括： S51、 确定模型的训练样本和 测试样本， 并对样本数据预处 理； S52、 根据样本数据初始化极限学习机网络结构， 设置输入层、 隐含层和输出层神经元 个数， 激励函数； S53、 初始化 蒲公英算法参数， 包 含种群数、 最大迭代次数、 生长因子和枯萎因子；权　利　要　求　书 1/3 页 2 CN 113947011 A 2S54、 设定训练样本的均方根误差作为蒲公英算法的适应度函数， 使用蒲公英算法寻找 最优解； S55、 确定是否 达到最大迭代次数， 是则进行步骤S5 6， 否则返回步骤S54； S56、 根据适应度最优个 体包含的初始权值和阈值对极限学习机进行 赋值； S57、 极限学习机在最优初始权值和阈值设定下基于训练数据进行训练； S58、 极限学习机基于测试 数据进行 预测输出。 6.一种低压直流接触器状态评估装置， 其特征在于， 包括数据采集模块、 数据 预处理模 块、 降维处 理模块、 重要性计算模块、 以及状态评估 模块； 其中， 所述数据采集模块用于采集表征低压直 流接触器状态的数据； 所述数据 预处理模块采用新息自适应卡尔曼滤波算法对所采集的数据进行预处理， 得 到剔除干扰后的数据； 所述降维处 理模块采用主成分 分析方法对该 数据进行降维处 理； 所述重要性计算模块采用基于机器学习的XGBoost算法对该数据的重要性进行计算， 以提取特征信息； 所述状态评估模块根据 所提取的特征信 息选择数据参数， 并利用该数据参数采用优化 的极限学习机对该直 流接触器进行状态评估。 7.根据权利要求6所述的装置， 其特征在于， 所述数据预处理模块采用新息自适应卡尔 曼滤波算法对所采集的数据进行 预处理包括： 采用不固定值的协方差矩阵和噪声矩阵进行 滤波； k时刻新息测量噪声协方差矩阵R(k)为： k+1时刻噪声矩阵Q(k+1)为： Q(k+1)＝K(k)C(k)H(k)K ′(k) 其中， C(k)为k时刻的新息协方差， H(k)为k时刻的观测矩阵， P(k)为k时刻的预测状态 的协方差矩阵， K(k)为 k时刻滤波器的增益。 8.根据权利要求7所述的装置， 其特征在于， 所述降维处理模块采用主成分分析方法对 该数据进行降维处 理包括： 使用奇异值分解方法计算所述数据组成的矩阵的协方差矩阵A的特 征值和特 征向量： (ATA)νi＝ λiνi (AAT)ui＝ λiui 其中， νi为右奇异向量， ui为左奇异向量； 采用前r个非零奇异值对应的奇异向量表示矩阵A的主 要特征， 以实现降维。 9.根据权利要求8所述的装置， 其特征在于， 所述重要性计算模块采用基于机器学习的 XGBoost算法对该 数据的重要性进行计算包括： 根据以下公式计算所述数据的重要性得分， 以判断在状态评估中各参数的重要性： 其 中 ，G a i n 表 示 特 征 增 益 ， 权　利　要　求　书 2/3 页 3 CN 113947011 A 3