高压直流输电系统故障选极方法、装置和计算机设备与流程

1.本技术涉及电力技术领域，特别是涉及一种高压直流输电系统故障选极方法、装置、计算机设备、存储介质和计算机程序产品。


背景技术：

2.随着高压直流输电系统日趋大型化、复杂化和智能化，电网运行特性随之发生深刻变化，电网调度也面临着新的重大挑战。高压电网送受端、交直流耦合密切，容易引发全局安全风险。因此，在全网层面实时进行跨区域安全预警和风险防范控制对协助调度运行极为重要。
3.目前对高压直流输电系统的状态评估和故障分析多由人工进行处理，然而，高压直流输电的地区气候多变、运行环境复杂，因此，对分析人员的要求极高，且高度依赖人为的运维经验和技能水平。


技术实现要素：

4.基于此，有必要针对上述分析方法对分析人员的要求极高，且高度依赖人为的运维经验和技能水平的技术问题，提供一种高压直流输电系统故障选极方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种高压直流输电系统故障选极方法。所述方法包括：
6.获取样本数据集；所述样本数据集包括高压直流输电系统的历史电力数据和所述历史电力数据的故障标签；
7.通过所述样本数据集，构建初始随机森林分类模型；
8.通过平衡优化算法，优化所述初始随机森林分类模型的模型参数，得到优化后的随机森林分类模型；
9.通过所述优化后的随机森林分类模型，对所述高压直流输电系统的实际电力数据进行预测处理，得到所述实际电力数据对应的预测故障类型。
10.在其中一个实施例中，所述通过平衡优化算法，优化所述初始随机森林分类模型的模型参数，得到优化后的随机森林分类模型，包括：
11.在所述模型参数的取值范围内进行初始化，得到初始模型参数；
12.基于所述初始模型参数确定初始种群，在所述初始种群的基础上，在所述模型参数的取值范围内寻找最优粒子；所述最优粒子为适应度最优的粒子，所述适应度通过预设的适应度函数确定；
13.基于所述最优粒子，得到所述优化后的随机森林分类模型。
14.在其中一个实施例中，所述在所述初始种群的基础上，在所述模型参数的取值范围内寻找最优粒子，包括：
15.将所述初始种群作为当前种群；
16.通过所述适应度函数，计算所述当前种群中每个粒子的适应度；
17.根据所述适应度，从所述当前种群中确定出多个候选解，并基于所述多个候选解，得到均衡池；
18.从所述均衡池中确定出所述初始模型参数的下一个模型参数，并基于所述下一个模型参数，得到下一个种群，作为新的当前种群，返回计算所述当前种群中每个粒子的适应度的步骤，直至算法收敛，得到最优粒子。
19.在其中一个实施例中，所述基于所述多个候选解，得到均衡池，包括：
20.获取所述多个候选解的均值，得到平均候选解；
21.将所述多个候选解和所述平均候选解，构成所述均衡池。
22.在其中一个实施例中，所述实际电力数据包括多个采样点的故障录波数据；
23.所述通过所述优化后的随机森林分类模型，对所述高压直流输电系统的实际电力数据进行预测处理，得到所述实际电力数据对应的预测故障类型，包括：
24.根据所述多个采样点的故障录波数据，确定各个采样点的正极直流线路整流侧电压突变量和各个采样点的负极直流线路整流侧电压突变量；
25.通过所述优化后的随机森林分类模型，对所述各个采样点的正极直流线路整流侧电压突变量和所述各个采样点的负极直流线路整流侧电压突变量进行预测处理，得到所述实际电力数据对应的预测故障类型；所述预测故障类型包括正极故障、负极故障和无故障。
26.在其中一个实施例中，所述通过所述优化后的随机森林分类模型，对所述各个采样点的正极直流线路整流侧电压突变量和所述各个采样点的负极直流线路整流侧电压突变量进行预测处理，得到所述实际电力数据对应的预测故障类型，包括：
27.获取所述各个采样点的正极直流线路整流侧电压突变量的第一累加值和所述各个采样点的负极直流线路整流侧电压突变量的第二累加值；
28.获取所述第一累加值与所述第二累加值之间的第一比值，以及所述第二累加值与所述第一累加值之间的第二比值；
29.将所述第一累加值、所述第二累加值、所述第一比值和所述第二比值，输入所述优化后的随机森林分类模型，输出所述实际电力数据对应的预测故障类型。
30.第二方面，本技术还提供了一种高压直流输电系统故障选极装置。所述装置包括：
31.获取模块，用于获取样本数据集；所述样本数据集包括高压直流输电系统的历史电力数据和所述历史电力数据的故障标签；
32.构建模块，用于通过所述样本数据集，构建初始随机森林分类模型；
33.优化模块，用于通过平衡优化算法，优化所述初始随机森林分类模型的模型参数，得到优化后的随机森林分类模型；
34.预测模块，用于通过所述优化后的随机森林分类模型，对所述高压直流输电系统的实际电力数据进行预测处理，得到所述实际电力数据对应的预测故障类型。
35.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
36.获取样本数据集；所述样本数据集包括高压直流输电系统的历史电力数据和所述历史电力数据的故障标签；
37.通过所述样本数据集，构建初始随机森林分类模型；
38.通过平衡优化算法，优化所述初始随机森林分类模型的模型参数，得到优化后的
随机森林分类模型；
39.通过所述优化后的随机森林分类模型，对所述高压直流输电系统的实际电力数据进行预测处理，得到所述实际电力数据对应的预测故障类型。
40.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
41.获取样本数据集；所述样本数据集包括高压直流输电系统的历史电力数据和所述历史电力数据的故障标签；
42.通过所述样本数据集，构建初始随机森林分类模型；
43.通过平衡优化算法，优化所述初始随机森林分类模型的模型参数，得到优化后的随机森林分类模型；
44.通过所述优化后的随机森林分类模型，对所述高压直流输电系统的实际电力数据进行预测处理，得到所述实际电力数据对应的预测故障类型。
45.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
46.获取样本数据集；所述样本数据集包括高压直流输电系统的历史电力数据和所述历史电力数据的故障标签；
47.通过所述样本数据集，构建初始随机森林分类模型；
48.通过平衡优化算法，优化所述初始随机森林分类模型的模型参数，得到优化后的随机森林分类模型；
49.通过所述优化后的随机森林分类模型，对所述高压直流输电系统的实际电力数据进行预测处理，得到所述实际电力数据对应的预测故障类型。
50.上述高压直流输电系统故障选极方法、装置、计算机设备、存储介质和计算机程序产品，在传统的随机森林算法的基础上，利用平衡优化算法优化得到最优的随机森林模型参数，建立了一种超参数优化的rf-eo模型，可以极大的提高故障选极的精度，能够从故障数据中迅速分析得出故障关联特征，准确判断故障原因，辅助调度运行人员及时、准确地分析与处理事故，同时也为检修和运维人员的故障恢复提供可靠依据，对于电网的安全可靠运行和快速自愈恢复具有重要意义。
附图说明
51.图1为一个实施例中高压直流输电系统故障选极方法的流程示意图；
52.图2为一个实施例中故障记录波形示意图；
53.图3为一个实施例中随机森林分类模型的模型示意图；
54.图4为一个实施例中最优粒子确定步骤的流程示意图；
55.图5为一个实施例中高压直流输电系统故障选极方法的整体架构示意图；
56.图6为一个实施例中针对随机森林分类模型的测试结果的混淆矩阵图；
57.图7为一个实施例中受试者工作特性曲线图；
58.图8为一个实施例中高压直流输电系统故障选极装置的结构框图；
59.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
60.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。
61.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。还需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
62.在一个实施例中，如图1所示，提供了一种高压直流输电系统故障选极方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端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、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器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。本实施例中，该方法包括以下步骤：
63.步骤s110，获取样本数据集；样本数据集包括高压直流输电系统的历史电力数据和历史电力数据的故障标签。
64.其中，故障标签包括正极故障、负极故障和无故障三种。
65.其中，历史电力数据包括历史故障录波数据，参考图2，为一实施例示出的故障波形图，横坐标表示采样点数，纵坐标表示500kv直流线路的电压值，如图2所示，由故障波形图可以了解直流线路的正极电压变化情况和负极电压电话情况。
66.步骤s120，通过样本数据集，构建初始随机森林分类模型。
67.具体实现中，参考图3中左图的示例，为初始随机森林分类模型的构建过程示意图，在得到样本数据集后，可使用自助法(bootstrap)抽样，随机有放回地采样选出o个样本，共进行n次采样，生成n个训练集。对于n个训练集，分别训练，得到n个决策树模型。确定训练样本的输入特征，对于单个决策树模型，假设训练样本的输入特征的个数为n，则每次分裂时根据基尼系数选择最好的特征分裂下去，每棵决策树一直分裂下去，直至该节点的所有训练样例都属于同一类，将生成的多棵决策树组成随机森林，作为初始随机森林分类模型。图3中右图为随机森林分类模型进行决策的原理示意图，将一个故障数据输入随机森林分类模型后，随机森林分类模型中的每个决策树都将输出一个结果，根据投票法，将各个结果中票数最高的结果作为随机森林分类模型的输出结果。
68.在一种实施方式中，确定训练样本的输入特征的确定过程包括：根据故障极电压突变量大于非故障极电压突变量的原理，构建单端选极判据：
69.正极故障：
70.负极故障：
71.其中，
△urp
表示正极直流线路整流侧电压突变量，
△urn
为负极直流线路整流侧电
压突变量，n是采样点的数量，k为故障选极的判断阈值，选择压突变量，n是采样点的数量，k为故障选极的判断阈值，选择和作为输入特征。
72.随机森林(random forests，rf)算法通过使用一个上层模型来综合多个决策树h{x,θ_k,k＝1,2,
…
,n}的性能来获得可信的预测结果。θ_k代表第k棵决策树的随机变量，它是独立和相同分布的，决定了决策树的相关性能。因此，rf的性能取决于基础决策树的性能。节点的分裂标准是决定决策树性能的一个重要方面。由于基尼系数在多种分类情况下都很优秀，本技术将其作为节点分类标准，基尼系数的计算方法如公式(3)：
[0073][0074]
其中，t代表第t个样本数据集；m是样本数据集中的类别总数；pi表示第i个类别的概率；如果样本集t被分为l个样本子集t1，t2…
,t
l
，子集的样本数为n1,n2,
…
,n
l
，那么这种分割的基尼系数为：
[0075][0076]
在确定每个决策树的分裂形成模式后，需要进一步考虑rf中的超参数问题。由随机森林的原理可知，决策树的数量和单个决策树节点分裂的个数对随机森林模型的效果具有决定性作用。因此，rf模型包含两个关键的超参数：决策树的数量和单个决策树节点分裂的个数。理论上来说，决策树的数量越多，模型效果越好，但是达到一定数量后，模型效果提升空间很小，而大量棵的决策树会带来计算的负担，所以树的棵数选择在一个稍微大的范围内即可。另外，单个决策树的最大深度与它的泛化性能直接相关。随着决策树分裂节点的加多，其在样本数据上的表现偏差会越来越小，但其方差也会相应变大，即泛化性能会下降，这也间接影响了整个随机森林的泛化。因此，需要合理地选择rf的两个超参数，使随机森林模型的性能达到最佳，由于随机森林模型中的决策树的数量和单个决策树节点分裂的个数对随机森林模型的效果具有决定性作用，因此这两个超参数的设置至关重要。
[0077]
步骤s130，通过平衡优化算法，优化初始随机森林分类模型的模型参数，得到优化后的随机森林分类模型。
[0078]
其中，模型参数包括决策树的数量和单个决策树节点分裂的个数。
[0079]
具体实现中，可通过平衡优化算法(equilibrium optimizer，eo)初始化随机森林分类模型的模型参数，基于预设的种群大小，确定初始种群，在初始种群的基础上，寻找适应度最优的粒子，作为最优粒子，基于最优粒子，得到优化后的随机森林分类模型。
[0080]
步骤s140，通过优化后的随机森林分类模型，对高压直流输电系统的实际电力数据进行预测处理，得到实际电力数据对应的预测故障类型。
[0081]
其中，实际电力数据包括多个采样点的故障录波数据。
[0082]
具体实现中，可从高压直流输电系统的实际电力数据中提取多个特征量，作为模型的输入特征，将各个输入特征输入优化后的随机森林分类模型，输出实际电力数据对应的预测故障类型。
[0083]
更具体地，可根据实际电力数据中多个采样点的故障录波数据，确定各个采样点的正极直流线路整流侧电压突变量和各个采样点的负极直流线路整流侧电压突变量，基于
各个采样点的正极直流线路整流侧电压突变量和各个采样点的负极直流线路整流侧电压突变量，得到上述多个特征量。
[0084]
上述高压直流输电系统故障选极方法中，在传统的随机森林算法的基础上，利用平衡优化算法优化得到最优的随机森林模型参数，建立了一种超参数优化的rf-eo模型，可以极大的提高故障选极的精度，能够从故障数据中迅速分析得出故障关联特征，准确判断故障原因，辅助调度运行人员及时、准确地分析与处理事故，同时也为检修和运维人员的故障恢复提供可靠依据，对于电网的安全可靠运行和快速自愈恢复具有重要意义。
[0085]
在一示例性实施例中，上述步骤s130具体包括：
[0086]
步骤s1301，在模型参数的取值范围内进行初始化，得到初始模型参数；
[0087]
步骤s1302，基于初始模型参数确定初始种群，在初始种群的基础上，在模型参数的取值范围内寻找最优粒子；最优粒子为适应度最优的粒子，适应度通过预设的适应度函数确定；
[0088]
步骤s1303，基于最优粒子，得到优化后的随机森林分类模型。
[0089]
具体地，均衡优化算法的原理是控制体积-质量平衡模型，粒子根据均衡候选解进行浓度更新，最终达到平衡状态，主要分为种群初始化、均衡池及浓度更新三个阶段。
[0090]
(1)种群初始化
[0091]
均衡优化算法通过下述公式(5)在每个待优化参数(即初始随机森林分类模型的模型参数)的上下界范围内进行随机初始化。
[0092][0093]
其中，表示初始种群中第i个粒子的初始位置，c
max
和c
min
分别为待优化参数的上界和下界，ri为[0，1]内的随机向量。
[0094]
(2)均衡池
[0095]
种群完成初始化后，粒子缺少达到平衡状态的依据。因此，计算种群中每个粒子的适应度值，并根据适应度值的大小得到四个候选解c
(eq，1)
～c
(eq，4)
。再由这4个候选解求得平均候选解c
(eq_ave)
，五个候选解一起构成均衡池c
p
。最后，在均衡池中随机选择一个候选解c
eq
为种群提供判断平衡状态的依据，并参与粒子的浓度更新过程。整个过程可描述为：
[0096]cp
＝{c
eq，1
～c
eq，4
，c
eq_ave
}
ꢀꢀ
(6)
[0097]ceq
＝rand(c
p
)
ꢀꢀ
(7)
[0098]
(3)浓度更新
[0099]
浓度更新是粒子由当前位置向另一个位置进行寻优的体现，可描述为：
[0100][0101]
其中，c代表当前粒子，λ为[0，1]之间的随机向量，v是单位体积，f为指数项，主要用于勘探和开发，g是生成率，用来提高开发能力。
[0102]
f被定义为：
[0103]
f＝a1sign(r-0.5)[e-λt-1]
ꢀꢀ
(9)
[0104]
其中，a1为全局优化的搜索权重，sign为符号函数，r和λ均为在[0，1]之间的随机向量，t是随着迭代增加而减小一个非线性因子。
[0105]
g被定义为：
[0106][0107]
g0＝g
cp
(c
eq-λc)
ꢀꢀ
(11)
[0108][0109]
其中，g0主要控制粒子是否使用g
cp
更新状态，t0的目的是为了降低搜索速度的同时提高算法的探索与开发能力，r1和r2均为[0,1]之间的随机数。
[0110]
在一示例性实施例中，如图4所示，上述步骤s1302具体可以通过以下步骤实现：
[0111]
步骤s410，将初始种群作为当前种群；
[0112]
步骤s420，通过适应度函数，计算当前种群中每个粒子的适应度；
[0113]
步骤s430，根据适应度，从当前种群中确定出多个候选解，并基于多个候选解，得到均衡池；
[0114]
步骤s440，从均衡池中确定出初始模型参数的下一个模型参数，并基于下一个模型参数，得到下一个种群，作为新的当前种群，返回计算当前种群中每个粒子的适应度的步骤，直至算法收敛，得到最优粒子。
[0115]
进一步地，在一示例性实施例中，上述步骤s430中均衡池的确定方法为：获取多个候选解的均值，得到平均候选解；将多个候选解和平均候选解，构成均衡池。
[0116]
具体实现中，最优粒子的确定可包括以下步骤：
[0117]
(1)根据上述公式(5)，基于平衡优化算法初始化随机森林分类模型的两个模型参数(即前述超参数)，即决策树的数量和单个决策树节点分裂的个数。
[0118]
(2)确定两个模型参数各自对应的初始种群，作为当前种群，通过适应度函数，对当前种群中每个粒子的适应度进行计算。其中，适应度函数的确定依据可以为故障诊断的准确性。
[0119]
(3)根据适应度，从当前种群中确定出多个候选解，并基于多个候选解，得到均衡池。具体地，可根据上述公式(6)-(7)确定当前均衡池状态。
[0120]
(4)从均衡池中确定出初始模型参数的下一个模型参数，并基于下一个模型参数，得到下一个种群，作为新的当前种群。具体地，可根据上述公式(8)-(12)更新粒子位置，即确定下一个模型参数。
[0121]
(5)重复步骤(2)-(4)，直至算法收敛，输出两个模型参数的最优解。
[0122]
上述实施例，在传统的随机森林算法的基础上，利用平衡优化算法优化得到最优的随机森林模型参数，建立了一种超参数优化的rf-eo模型，可以极大的提高故障选极的精度。
[0123]
在一示例性实施例中，上述步骤s140包括：
[0124]
步骤s1401，根据多个采样点的故障录波数据，确定各个采样点的正极直流线路整流侧电压突变量和各个采样点的负极直流线路整流侧电压突变量；
[0125]
步骤s1402，通过优化后的随机森林分类模型，对各个采样点的正极直流线路整流侧电压突变量和各个采样点的负极直流线路整流侧电压突变量进行预测处理，得到实际电力数据对应的预测故障类型；预测故障类型包括正极故障、负极故障和无故障。
[0126]
进一步地，在一示例性实施例中，上述步骤s1402包括：获取各个采样点的正极直
流线路整流侧电压突变量的第一累加值和各个采样点的负极直流线路整流侧电压突变量的第二累加值；获取第一累加值与第二累加值之间的第一比值，以及第二累加值与第一累加值之间的第二比值；将第一累加值、第二累加值、第一比值和第二比值，输入优化后的随机森林分类模型，输出实际电力数据对应的预测故障类型。
[0127]
具体实现中，基于故障录波数据可以绘制如图2所示的故障波形图，通过对故障波形图可以得到各个采样点的正极直流线路整流侧电压突变量和负极直流线路整流侧电压突变量。依据故障极电压突变量大于非故障极电压突变量的条件，确定各个采样点的正极直流线路整流侧电压突变量的第一累加值和各个采样点的负极直流线路整流侧电压突变量的第二累加值，并计算第一累加值与第二累加值之间的第一比值，以及第二累加值与第一累加值之间的第二比值。将第一累加值、第二累加值、第一比值和第二比值，作为随机森林分类模型的输入特征，输入优化后的随机森林分类模型，输出预测结果，得到实际电力数据对应的预测故障类型。
[0128]
例如，设
△urp
表示正极直流线路整流侧电压突变量，
△urn
为负极直流线路整流侧电压突变量，n是采样点的数量，则第一累加值可表示为：第一累加值可表示为：第一比值可表示为：第二比值可表示为：
[0129]
上述实施例，以电压突变量为基本特征进行故障选极，这种利用单极电气量的故障特征进行选极的方法，能够快速准确实现故障极的判断，提高电力系统的安全稳定运行能力，对实际电网运行中解决故障选极问题具有巨大的参考价值。
[0130]
在一个实施例中，为了便于本领域技术人员理解本技术实施例，以下将结合附图的具体示例进行说明。参考图5，示出了一种高压直流输电系统故障选极方法的整体架构示意图，主要包括：建立样本数据集并训练分类、建立rf分类模型(随机森林分类模型)、利用eo算法(平衡优化算法)优化rf模型，以及通过测试数据验证rf-eo的可行性和准确性四个部分。
[0131]
1.建立样本数据集并训练分类，包括：
[0132]
(1)根据故障极电压突变量大于非故障极电压突变量，构建单端选极判据，提取rf分类模型的输入特征。
[0133]
(2)对15000个采样点的样本数据集进行分类，划分为正极故障、负极故障、无故障。例如，选择11个数据建立样本数据集，如下表1所示：
[0134]
表1样本数据集
[0135][0136]
采用50％的样本点做训练数据，另外50％的样本点做测试数据。然后再交换验证。
[0137]
2.建立rf分类模型(随机森林分类模型)。通过样本数据集训练得到多个决策树，将这些决策树构成rf模型。具体建立过程如上述步骤s120的实施例的记载，在此不再赘述。
[0138]
3.利用eo算法(平衡优化算法)优化rf分类模型。均衡优化算法的原理是控制体积-质量平衡模型，粒子根据均衡候选解进行浓度更新，最终达到平衡状态，主要分为种群初始化、均衡池及浓度更新三个阶段。具体优化过程如前述实施例的记载，在此不再赘述。
[0139]
4.通过测试数据验证rf-eo的可行性和准确性。设置rf-eo模型参数，种群大小n和最大迭代次数t分别设置为50及200，常数a1为2，λ为[0,1]内的随机向量。决策树的下界设置为10，上界设置为50，分裂节点的下界设置为20，上界设置为100。
[0140]
最终输出结果如附图6所示，在选择的24个样本空间中，正极故障、负极故障和无故障的样本数量都是8个，根据图6示出的混淆矩阵图可知，所有样本经过两次交换验证后所得结果中正极故障、负极故障和无故障的数量也分别是8个，故障选极准确率为100％。其次，根据图7受试者工作特征(receiver operating characteristic,roc)曲线，曲线下面积(area under curve,auc)值范围一般在0.5到1之间，auc越大，该分类器的分类效果较好。因此，本技术预测的roc曲线中auc＝1，表示本技术采用的改进的rf-eo模型具有良好的分类性能。
[0141]
本技术提出的基于随机森林平衡优化器的高压直流输电系统故障选极方法，可以实现对故障极选择的精确选择，能提高电力系统的安全稳定运行能力，对电网的安全可靠运行和快速自愈恢复具有重要意义。
[0142]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0143]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的高压直流输电系统故障选极方法的高压直流输电系统故障选极装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个高压直流输电系统故障选极装置实施例中的具体限定可以参见上文中对于高压直流输电系统故障选极方法的限定，在此不再赘述。
[0144]
在一个实施例中，如图8所示，提供了一种高压直流输电系统故障选极装置，包括：
[0145]
获取模块810，用于获取样本数据集；样本数据集包括高压直流输电系统的历史电力数据和历史电力数据的故障标签；
[0146]
构建模块820，用于通过样本数据集，构建初始随机森林分类模型；
[0147]
优化模块830，用于通过平衡优化算法，优化初始随机森林分类模型的模型参数，得到优化后的随机森林分类模型；
[0148]
预测模块840，用于通过优化后的随机森林分类模型，对高压直流输电系统的实际电力数据进行预测处理，得到实际电力数据对应的预测故障类型。
[0149]
在其中一个实施例中，优化模块830，还用于在模型参数的取值范围内进行初始化，得到初始模型参数；基于初始模型参数确定初始种群，在初始种群的基础上，在模型参数的取值范围内寻找最优粒子；最优粒子为适应度最优的粒子，适应度通过预设的适应度函数确定；基于最优粒子，得到优化后的随机森林分类模型。
[0150]
在其中一个实施例中，优化模块830，还用于将初始种群作为当前种群；通过适应度函数，计算当前种群中每个粒子的适应度；根据适应度，从当前种群中确定出多个候选解，并基于多个候选解，得到均衡池；从均衡池中确定出初始模型参数的下一个模型参数，并基于下一个模型参数，得到下一个种群，作为新的当前种群，返回计算当前种群中每个粒子的适应度的步骤，直至算法收敛，得到最优粒子。
[0151]
在其中一个实施例中，优化模块830，还用于获取多个候选解的均值，得到平均候选解；将多个候选解和平均候选解，构成均衡池。
[0152]
在其中一个实施例中，实际电力数据包括多个采样点的故障录波数据；预测模块840，还用于根据多个采样点的故障录波数据，确定各个采样点的正极直流线路整流侧电压突变量和各个采样点的负极直流线路整流侧电压突变量；通过优化后的随机森林分类模型，对各个采样点的正极直流线路整流侧电压突变量和各个采样点的负极直流线路整流侧电压突变量进行预测处理，得到实际电力数据对应的预测故障类型；预测故障类型包括正极故障、负极故障和无故障。
[0153]
在其中一个实施例中，预测模块840，还用于获取各个采样点的正极直流线路整流侧电压突变量的第一累加值和各个采样点的负极直流线路整流侧电压突变量的第二累加值；获取第一累加值与第二累加值之间的第一比值，以及第二累加值与第一累加值之间的第二比值；将第一累加值、第二累加值、第一比值和第二比值，输入优化后的随机森林分类模型，输出实际电力数据对应的预测故障类型。
[0154]
上述高压直流输电系统故障选极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。
[0155]
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终端，其内部结构图可以如图9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、通信接口、显示屏和输入装置。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和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种高压直流输电系统故障选极方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0156]
本领域技术人员可以理解，图9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。
[0157]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0158]
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，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0159]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0160]
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、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、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。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。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0161]
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。
[0162]
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本技术专利范围的限制。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，本技术的保护范围应以所附权利要求为准。