CN110287543A - 一种继电保护装置寿命预测方法 - Google Patents

Abstract

本发明公开了一种继电保护装置寿命预测方法。包括：本着重要性、可得到的准则，将不正确动作次数、故障次数、CPU温度、工作电压指标作为评价保护装置健康状态的核心指标。对获得的数据定义相对劣化度，通过相对劣化度与云模型的相交云滴得到初始状态概率分布向量，依据马尔科夫链的无后效性，得到状态转移概率矩阵，最后由状态概率分布向量和状态转移概率矩阵获得保护装置之后每一年的状态概率分布状态，通过状态概率分布与标准信度准则进行比较，从而预测保护装置的寿命。本发明实现了对保护装置的寿命进行准确预测，提升了状态检修工作的效率，运维检修人员及时掌握运行状态，防止设备出现安全事故，保证供电的安全可靠。

Description

一种继电保护装置寿命预测方法

技术领域

本发明属于电力行业并涉及继电保护装置，具体涉及一种继电保护装置寿命预测方法。

背景技术

目前，我国电力系统朝着特高压、大容量方向发展，加上社会对供电质量以及可靠性提出了更高的要求，保证智能变电站的继电保护装置安全、稳定运行至关重要。为及时准确了解继电保护装置的运行状态，不仅需要对智能变电站继电保护装置进行状态评估，还需要对其进行寿命预测，以保证智能变电站稳定运行。寿命预测可以准确地知道设备的剩余寿命，并且在此基础上可以及时有效的开展检修工作，防患于未然，为运维检修工作人员提供参考，实现智能变电站安全、可靠运行。

继电保护装置含有大量的电子元器件，电磁干扰、温湿度、灰尘、振动等都会对电子元器件运行状况产生影响，随着元器件的老化，硬件故障率也会随之增高，影响继电保护装置寿命，在对继电保护装置进行寿命预测的同时要考虑此方面的因素。

发明内容

为了实现上述目的，本发明提出了一种继电保护装置寿命预测方法。

本发明的具体技术方案为一种继电保护装置寿命预测方法，具体包括以下步骤：

步骤1：根据继电保护装置运行状态信息，选取不正确动作次数、故障次数、CPU温度、工作电压作为继电保护装置寿命预测指标；

步骤2：分别对不正确动作次数、故障次数、CPU温度、工作电压进行数据预处理，获得保护装置寿命预测样本数据；

步骤3：将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准；

步骤4：根据相对劣化度和运行状态的关系，确定云模型的数字特征值，建立云模型的隶属度函数；

步骤5：由相对劣化度与云模型，得到保护装置的初始状态概率分布向量；

步骤6：依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；

步骤7：由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命。

作为优选，步骤1中所述工作电压定义为a_i，为第i个时间点的继电保护装置运行状态的工作电压；

步骤1中所述CPU温度定义为b_i，为第i个时间点的继电保护装置运行状态的CPU温度；

步骤1中所述设备故障次数定义为c_i，为第i个时间点的继电保护装置运行状态的设备故障次数；

步骤1中所述断路器不正确动作次数定义为d_i，为第i个时间点的继电保护装置运行状态的断路器不正确动作次数；

i∈[0,M],M为继电保护装置运行时间；

作为优选，步骤2中所述对工作电压进行数据预处理为：

其中，M为继电保护装置运行时间，N为数据预处理后的样本数量，a_i为第i个时间点的继电保护装置运行状态的工作电压，a_i0为第i个时间点的保护装置运行状态的工作电压状态良好值，a_imax为第i个时间点的保护装置运行状态的工作电压允许的最大值，a_j ^*为数据预处理后第j个样本的的工作电压相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述对CPU温度进行数据预处理为：

其中，b_i为第i个时间点的继电保护装置运行状态的CPU温度，b_i0为第i个时间点的保护装置运行状态的CPU温度状态良好值，b_imax为第i个时间点的保护装置运行状态的CPU温度允许的最大值，b_j ^*为数据预处理后第j个样本的的CPU温度相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述对设备故障次数进行数据预处理为：

其中，c_i为第i个时间点的继电保护装置运行状态的设备故障次数，c_i0为第i个时间点的保护装置运行状态的设备故障次数状态良好值，c_imax为第i个时间点的保护装置运行状态的设备故障次数允许的最大值，c_j ^*为数据预处理后第j个样本的的设备故障次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述对不正确动作次数进行数据预处理为：

其中，d_i为第i个时间点的继电保护装置运行状态的不正确动作次数，d_i0为第i个时间点的保护装置运行状态的不正确动作次数状态良好值，d_imax为第i个时间点的保护装置运行状态的不正确动作次数允许的最大值，d_j ^*为数据预处理后第j个样本的的不正确动作次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述保护装置寿命预测训练样本数据为：

数据处理后第j个样本的工作电压a_j ^*，数据处理后第j个样本的CPU温度b_j ^*，数据处理后第j个样本的设备故障次数c_j ^*，数据处理后第j个样本的断路器不正确动作次数d_j ^*；a_j ^*即为工作电压的相对劣化度，b_j ^*即为温度的相对劣化度，c_j ^*即为设备故障次数的相对劣化度，d_j ^*即为不正确动作次数的相对劣化度。

作为优选，步骤3中所述将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准：

根据权威专家意见以及保护装置运行经验，将继电保护装置的状态等级分为良好、注意、异常、失效四种状态，状态取值标准规定如下：

保护装置运行状态值为(0,0.2)时，规定为良好状态；

保护装置运行状态值为(0.2,0.5)时，规定为注意状态；

保护装置运行状态值为(0.5,0.8)时，规定为异常状态；

保护装置运行状态值为(0.8,1)时，规定为失效状态；

作为优选，步骤4中所述根据相对劣化度和运行状态的关系，确定云模型的数字特征值为：

根据相对劣化度和保护装置运行状态的关系，将单个评价指标的4个状态等级区间定为：C₁[0,Q)，C₂[Q,W)，C₃[W,E)，C₄[E,R)∪[R,∞)，Q为第一区间阈值，W为第二区间阈值，E为第三区间阈值，R为第四区间阈值。

此时Q,W,E,R取值按照标准，Q＝0.2,W＝0.5,E＝0.8,R＝1；

其中，C₁[0,0.2)为良好状态区间，C₂[0.2,0.5)为注意状态区间，异常C₃[0.5,0.8)为异常状态区间，C₄[0.8,1)∪[1,∞)为失效状态区间；

根据上述划分的保护装置状态等级区间，确定云模型的数字特征值；

Ex₁＝0，Ex₂＝(Q+W)/2，Ex₃＝(W+E)/2，Ex₄＝R；Q＝0.2,W＝0.5,E＝0.8,R＝1；

He₁＝0.1，He₂＝0.1，He₃＝0.1，He₄＝0.1；

步骤4中所述建立云模型的隶属度函数为：

利用确定的云模型数字特征值，生成云模型的隶属度函数；

步骤4.1,首先生成以E_n为期望、H_e ²为标准方差的正态随机数

步骤4.2,生成以E_x为期望、为标准方差的正态随机数x，x＝NORMRND

步骤4.3,计算得到(x,U(x))的云滴；

重复步骤4.1～步骤4.3，生成多个云滴，直到生成云模型；

作为优选，步骤5中所述由相对劣化度与云模型，得到保护装置的初始状态概率分布向量：

在继电保护装置运行的第一年与第二年之间取1000个测量点，测量点的数据经过相对劣化度预处理后得到预测数据，即a_j ^*、b_j ^*、c_j ^*、d_j ^*四种指标数据，假设a_j ^*、b_j ^*、c_j ^*、d_j ^*四种性能指标在一定的误差允许范围内与第k个状态等级的状态云朵有M个相交云滴，每个云滴都有一个相对应的隶属度，则取相交云滴的隶属度平均值作为该指标在第k个等级的隶属度；若性能指标的相对劣化度与四种状态中的一种状态没有相交云滴，此时此种状态隶属度取为0。

记CPU温度的隶属度分布向量为r_j ¹，工作电压的隶属度分布向量为r_j ²，不正确动作次数的隶属度分布向量为r_j ³、故障次数的隶属度分布向量为r_j ⁴。

取四种性能指标的隶属度向量平均值作为该测量点j处于第k个状态等级的概率值，记作向量r_jk，j∈[1,N],k∈[良好、注意、异常、失效]；由此可得到测量点j的状态概率分布向量为形如[j₁，j₂，j₃，j₄]，其中j₁为测量点处于良好状态的概率值，j₂为测量点处于注意状态的概率值，j₃为测量点处于异常状态的概率值，j₄为测量点处于失效状态的概率值。

根据加权向量公式：

R_j＝αr_j ¹+βr_j ²+γr_j ³+δr_j ⁴

得到测量点j的最终状态概率分布向量R_j，上式中α+β+γ+δ＝1，本文取

依次计算出第一年与第二年之间的1000个测量点的隶属度向量，根据向量平均值公式：

V∈[1,L]，L代表装置运行的第L年，N∈[1,1000]。

求取平均值，将此时的隶属度向量作为第一年的初始状态概率分布向量λ₁＝(A₁,A₂,A₃,A₄)。

作为优选，步骤6中所述依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；

根据历史运行数据并结合云模型的隶属度函数依次求得第一年的状态概率分布向量λ₁＝(A₁,A₂,A₃,A₄)、第二年的状态概率分布向量λ₂＝(B₁,B₂,B₃,B₄)、第三年的状态概率分布向量λ₃＝(C₁,C₂,C₃,C₄)、第四年的状态概率分布向量λ₄＝(D₁,D₂,D₃,D₄)、第五年的状态概率分布向量λ₅＝(E₁,E₂,E₃,E₄)；

由此可得相邻四年的初始状态概率分布矩阵分别为A和B。

根据马尔科夫链原理：

X(t+1)＝X(t)×P

式中，X(t)代表系统在时刻t的状态概率分布矩阵，X(t+1)代表系统在t+1时刻的状态概率分布矩阵，P代表一步状态转移概率矩阵；

由此可求得状态转移概率矩阵P为：

其中，p_nm代表一个时段内继电保护装置由状态n转移到状态m的概率，仅考虑一步状态转移概率；

作为优选，步骤7中所述由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命；

由第五年的状态概率分布向量λ₅＝(E₁,E₂,E₃,E₄)和状态转移概率矩阵P可求得之后任意一年的状态概率分布向量T＝λ₅×P，以当前第五年T₅开始预测保护装置寿命，根据马尔科夫链原理：

其中，λ₅表示时刻第五年的状态概率分布向量，λ(T)表示未来某一年(第T年)的状态概率分布向量，P表示一步状态转移概率矩阵；

求得的λ(T)＝(W₁,W₂,W₃,W₄)表示继电保护装置在未来某一年T隶属于不同状态等级的概率大小，W_m为隶属于状态等级m的隶属度，β为置信度水平，根据专家意见规定，取β＝0.75，如果有

{W₁≤β,λ(T)＝(W₁,W₂,W₃,W₄)}

式中表示保护装置处于良好状态等级的概率即W₁小于β＝0.75时，认为装置处于失效状态，此时的时刻T即为装置的最终寿命时间。

本发明优点在于：

本发明从继电保护装置寿命机理方面出发，建立了体现电子元器件失效率的指标体系。并利用历史状态核心数据定义了相对劣化度，进而依据云模型的隶属度函数确定初始状态概率分布向量的方法，通过建立云模型减少了人为因素的主观性和随机性，然后依据马尔科夫链原理获得状态转移概率矩阵，最后引入信度准则确定装置的有效寿命。

本发明提出的方法能科学预测保护装置有效寿命。同时，检修人员通过状态概率分布向量可以直观的了解装置设备的运行状态，一旦发现安全事故隐患，可提前检修，防止设备出现安全事故，保证供电的安全可靠。

附图说明

图1：继电保护装置状态指标评估体系；

图2：云模型的隶属度函数；

图3：马尔科夫链原理；

图4：本发明的方法流程图；

图5：状态等级评估标准。

具体实施方式

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，所描述的实施例仅仅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他实施例，都属于本发明保护的范围。

下面结合图1至图5介绍本发明的实施方式，具体为：

步骤1：根据继电保护装置运行状态信息，选取不正确动作次数、故障次数、CPU温度、工作电压作为继电保护装置寿命预测指标；

步骤1中所述工作电压定义为a_i，为第i个时间点的继电保护装置运行状态的工作电压；

步骤1中所述CPU温度定义为b_i，为第i个时间点的继电保护装置运行状态的CPU温度；

步骤1中所述设备故障次数定义为c_i，为第i个时间点的继电保护装置运行状态的设备故障次数；

步骤1中所述断路器不正确动作次数定义为d_i，为第i个时间点的继电保护装置运行状态的断路器不正确动作次数；

i∈[0,M],M为继电保护装置运行时间；

步骤2：分别对不正确动作次数、故障次数、CPU温度、工作电压进行数据预处理，获得保护装置寿命预测样本数据；

步骤2中所述对工作电压进行数据预处理为：

其中，M为继电保护装置运行时间，N为数据预处理后的样本数量，a_i为第i个时间点的继电保护装置运行状态的工作电压，a_i0为第i个时间点的保护装置运行状态的工作电压状态良好值，a_imax为第i个时间点的保护装置运行状态的工作电压允许的最大值，a_j ^*为数据预处理后第j个样本的的工作电压相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述对CPU温度进行数据预处理为：

其中，b_i为第i个时间点的继电保护装置运行状态的CPU温度，b_i0为第i个时间点的保护装置运行状态的CPU温度状态良好值，b_imax为第i个时间点的保护装置运行状态的CPU温度允许的最大值，b_j ^*为数据预处理后第j个样本的的CPU温度相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述对设备故障次数进行数据预处理为：

其中，c_i为第i个时间点的继电保护装置运行状态的设备故障次数，c_i0为第i个时间点的保护装置运行状态的设备故障次数状态良好值，c_imax为第i个时间点的保护装置运行状态的设备故障次数允许的最大值，c_j ^*为数据预处理后第j个样本的的设备故障次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述对不正确动作次数进行数据预处理为：

其中，d_i为第i个时间点的继电保护装置运行状态的不正确动作次数，d_i0为第i个时间点的保护装置运行状态的不正确动作次数状态良好值，d_imax为第i个时间点的保护装置运行状态的不正确动作次数允许的最大值，d_j ^*为数据预处理后第j个样本的的不正确动作次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述保护装置寿命预测训练样本数据为：

数据处理后第j个样本的工作电压a_j ^*，数据处理后第j个样本的CPU温度b_j ^*，数据处理后第j个样本的设备故障次数c_j ^*，数据处理后第j个样本的断路器不正确动作次数d_j ^*；a_j ^*即为工作电压的相对劣化度，b_j ^*即为温度的相对劣化度，c_j ^*即为设备故障次数的相对劣化度，d_j ^*即为不正确动作次数的相对劣化度。

步骤3：将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准；

步骤3中所述将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准：

根据权威专家意见以及保护装置运行经验，将继电保护装置的状态等级分为良好、注意、异常、失效四种状态，状态取值标准规定如下：

保护装置运行状态值为(0,0.2)时，规定为良好状态；

保护装置运行状态值为(0.2,0.5)时，规定为注意状态；

保护装置运行状态值为(0.5,0.8)时，规定为异常状态；

保护装置运行状态值为(0.8,1)时，规定为失效状态；

步骤4：根据相对劣化度和运行状态的关系，确定云模型的数字特征值，建立云模型的隶属度函数；

步骤4中所述根据相对劣化度和运行状态的关系，确定云模型的数字特征值为：

根据相对劣化度和保护装置运行状态的关系，将单个评价指标的4个状态等级区间定为：C₁[0,Q)，C₂[Q,W)，C₃[W,E)，C₄[E,R)∪[R,∞)，Q为第一区间阈值，W为第二区间阈值，E为第三区间阈值，R为第四区间阈值。

此时Q,W,E,R取值按照标准，Q＝0.2,W＝0.5,E＝0.8,R＝1；

其中，C₁[0,0.2)为良好状态区间，C₂[0.2,0.5)为注意状态区间，异常C₃[0.5,0.8)为异常状态区间，C₄[0.8,1)∪[1,∞)为失效状态区间；

根据上述划分的保护装置状态等级区间，确定云模型的数字特征值；

Ex₁＝0，Ex₂＝(Q+W)/2，Ex₃＝(W+E)/2，Ex₄＝R；Q＝0.2,W＝0.5,E＝0.8,R＝1；

He₁＝0.1，He₂＝0.1，He₃＝0.1，He₄＝0.1；

步骤4中所述建立云模型的隶属度函数为：

利用确定的云模型数字特征值，生成云模型的隶属度函数；

步骤4.1,首先生成以E_n为期望、H_e ²为标准方差的正态随机数

步骤4.2,生成以E_x为期望、为标准方差的正态随机数x，x＝NORMRND

步骤4.3,计算得到(x,U(x))的云滴；

重复步骤4.1～步骤4.3，生成多个云滴，直到生成云模型；

云模型的隶属度函数如图2所示；

步骤5：由相对劣化度与云模型，得到保护装置的初始状态概率分布向量；

步骤5中所述由相对劣化度与云模型，得到保护装置的初始状态概率分布向量：

在继电保护装置运行的第一年与第二年之间取1000个测量点，测量点的数据经过相对劣化度预处理后得到预测数据，即a_j ^*、b_j ^*、c_j ^*、d_j ^*四种指标数据，假设a_j ^*、b_j ^*、c_j ^*、d_j ^*四种性能指标在一定的误差允许范围内与第k个状态等级的状态云朵有M个相交云滴，每个云滴都有一个相对应的隶属度，则取相交云滴的隶属度平均值作为该指标在第k个等级的隶属度；若性能指标的相对劣化度与四种状态中的一种状态没有相交云滴，此时此种状态隶属度取为0。

记CPU温度的隶属度分布向量为r_j ¹，工作电压的隶属度分布向量为r_j ²，不正确动作次数的隶属度分布向量为r_j ³、故障次数的隶属度分布向量为r_j ⁴。

取四种性能指标的隶属度向量平均值作为该测量点j处于第k个状态等级的概率值，记作向量r_jk，j∈[1,N],k∈[良好、注意、异常、失效]；由此可得到测量点j的状态概率分布向量为形如[j₁，j₂，j₃，j₄]，其中j₁为测量点处于良好状态的概率值，j₂为测量点处于注意状态的概率值，j₃为测量点处于异常状态的概率值，j₄为测量点处于失效状态的概率值。

根据加权向量公式：

R_j＝αr_j ¹+βr_j ²+γr_j ³+δr_j ⁴

得到测量点j的最终状态概率分布向量R_j，上式中α+β+γ+δ＝1，本文取

依次计算出第一年与第二年之间的1000个测量点的隶属度向量，根据向量平均值公式：

V∈[1,L]，L代表装置运行的第L年，N∈[1,1000]。

求取平均值，将此时的隶属度向量作为第一年的初始状态概率分布向量λ₁＝(A₁,A₂,A₃,A₄)。

步骤6：依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；

步骤6中所述依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；

根据历史运行数据并结合云模型的隶属度函数依次求得第一年的状态概率分布向量λ₁＝(A₁,A₂,A₃,A₄)、第二年的状态概率分布向量λ₂＝(B₁,B₂,B₃,B₄)、第三年的状态概率分布向量λ₃＝(C₁,C₂,C₃,C₄)、第四年的状态概率分布向量λ₄＝(D₁,D₂,D₃,D₄)、第五年的状态概率分布向量λ₅＝(E₁,E₂,E₃,E₄)；

由此可得相邻四年的初始状态概率分布矩阵分别为A和B。

根据马尔科夫链原理：

X(t+1)＝X(t)×P

式中，X(t)代表系统在时刻t的状态概率分布矩阵，X(t+1)代表系统在t+1时刻的状态概率分布矩阵，P代表一步状态转移概率矩阵；

由此可求得状态转移概率矩阵P为：

其中，p_nm代表一个时段内继电保护装置由状态n转移到状态m的概率，仅考虑一步状态转移概率；

步骤7：由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命。

步骤7中所述由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命；

由第五年的状态概率分布向量λ₅＝(E₁,E₂,E₃,E₄)和状态转移概率矩阵P可求得之后任意一年的状态概率分布向量T＝λ₅×P，以当前第五年T₅开始预测保护装置寿命，根据马尔科夫链原理：

其中，λ₅表示时刻第五年的状态概率分布向量，λ(T)表示未来某一年T的状态概率分布向量，P表示一步状态转移概率矩阵；

求得的λ(T)＝(W₁,W₂,W₃,W₄)表示继电保护装置在未来某一年T隶属于不同状态等级的概率大小，W_m为隶属于状态等级m的隶属度，β为置信度水平，根据专家意见规定，取值β＝0.75，如果有

{W₁≤β,λ(T)＝(W₁,W₂,W₃,W₄)}

式中表示保护装置处于良好状态等级的概率即W₁小于β＝0.75时，认为装置处于失效状态，此时的时刻T即为装置的最终寿命时间。

本文中所描述的具体实施案例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种继电保护装置寿命预测方法，其特征在于，包括以下步骤：

步骤1：根据继电保护装置运行状态信息，选取不正确动作次数、故障次数、CPU温度、工作电压作为继电保护装置寿命预测指标；

步骤2：分别对不正确动作次数、故障次数、CPU温度、工作电压进行数据预处理，获得保护装置寿命预测样本数据；

步骤3：将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准；

步骤4：根据相对劣化度和运行状态的关系，确定云模型的数字特征值，建立云模型的隶属度函数；

步骤5：由相对劣化度与云模型，得到保护装置的初始状态概率分布向量；

步骤6：依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；

步骤7：由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命。

2.根据权利要求1所述的继电保护装置寿命预测方法，其特征在于：步骤1中所述工作电压定义为a_i，为第i个时间点的继电保护装置运行状态的工作电压；

步骤1中所述CPU温度定义为b_i，为第i个时间点的继电保护装置运行状态的CPU温度；

步骤1中所述设备故障次数定义为c_i，为第i个时间点的继电保护装置运行状态的设备故障次数；

步骤1中所述断路器不正确动作次数定义为d_i，为第i个时间点的继电保护装置运行状态的断路器不正确动作次数；

i∈[0,M],M为继电保护装置运行时间。

3.根据权利要求1所述的继电保护装置寿命预测方法，其特征在于：步骤2中所述对工作电压进行数据预处理为：

其中，M为继电保护装置运行时间，N为数据预处理后的样本数量，a_i为第i个时间点的继电保护装置运行状态的工作电压，a_i0为第i个时间点的保护装置运行状态的工作电压状态良好值，a_imax为第i个时间点的保护装置运行状态的工作电压允许的最大值，a_j ^*为数据预处理后第j个样本的的工作电压相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述对CPU温度进行数据预处理为：

其中，b_i为第i个时间点的继电保护装置运行状态的CPU温度，b_i0为第i个时间点的保护装置运行状态的CPU温度状态良好值，b_imax为第i个时间点的保护装置运行状态的CPU温度允许的最大值，b_j ^*为数据预处理后第j个样本的的CPU温度相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述对设备故障次数进行数据预处理为：

其中，c_i为第i个时间点的继电保护装置运行状态的设备故障次数，c_i0为第i个时间点的保护装置运行状态的设备故障次数状态良好值，c_imax为第i个时间点的保护装置运行状态的设备故障次数允许的最大值，c_j ^*为数据预处理后第j个样本的的设备故障次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述对不正确动作次数进行数据预处理为：

其中，d_i为第i个时间点的继电保护装置运行状态的不正确动作次数，d_i0为第i个时间点的保护装置运行状态的不正确动作次数状态良好值，d_imax为第i个时间点的保护装置运行状态的不正确动作次数允许的最大值，d_j ^*为数据预处理后第j个样本的的不正确动作次数相对劣化度，其为0-1之间的一个数值，γ为参数变化对保护装置状态的影响程度；

步骤2中所述保护装置寿命预测训练样本数据为：

数据处理后第j个样本的工作电压a_j ^*，数据处理后第j个样本的CPU温度b_j ^*，数据处理后第j个样本的设备故障次数c_j ^*，数据处理后第j个样本的断路器不正确动作次数d_j ^*；a_j ^*即为工作电压的相对劣化度，b_j ^*即为温度的相对劣化度，c_j ^*即为设备故障次数的相对劣化度，d_j ^*即为不正确动作次数的相对劣化度。

4.根据权利要求1所述的继电保护装置寿命预测方法，其特征在于：步骤3中所述将继电保护装置的状态等级分为良好、注意、异常、失效，并建立相应的状态等级评估标准：

根据权威专家意见以及保护装置运行经验，将继电保护装置的状态等级分为良好、注意、异常、失效四种状态，状态取值标准规定如下：

保护装置运行状态值为(0,0.2)时，规定为良好状态；

保护装置运行状态值为(0.2,0.5)时，规定为注意状态；

保护装置运行状态值为(0.5,0.8)时，规定为异常状态；

保护装置运行状态值为(0.8,1)时，规定为失效状态。

5.根据权利要求1所述的继电保护装置寿命预测方法，其特征在于：步骤4中所述根据相对劣化度和运行状态的关系，确定云模型的数字特征值为：

根据相对劣化度和保护装置运行状态的关系，将单个评价指标的4个状态等级区间定为：C₁[0,Q)，C₂[Q,W)，C₃[W,E)，C₄[E,R)∪[R,∞)，Q为第一区间阈值，W为第二区间阈值，E为第三区间阈值，R为第四区间阈值；

此时Q,W,E,R取值按照标准，Q＝0.2,W＝0.5,E＝0.8,R＝1；

其中，C₁[0,0.2)为良好状态区间，C₂[0.2,0.5)为注意状态区间，异常C₃[0.5,0.8)为异常状态区间，C₄[0.8,1)∪[1,∞)为失效状态区间；

根据上述划分的保护装置状态等级区间，确定云模型的数字特征值；

Ex₁＝0，Ex₂＝(Q+W)/2，Ex₃＝(W+E)/2，Ex₄＝R；Q＝0.2,W＝0.5,E＝0.8,R＝1；

He₁＝0.1，He₂＝0.1，He₃＝0.1，He₄＝0.1；

步骤4中所述建立云模型的隶属度函数为：

利用确定的云模型数字特征值，生成云模型的隶属度函数；

步骤4.1,首先生成以E_n为期望、H_e ²为标准方差的正态随机数

步骤4.2,生成以E_x为期望、为标准方差的正态随机数x，

步骤4.3,计算得到(x,U(x))的云滴；

重复步骤4.1～步骤4.3，生成多个云滴，直到生成云模型。

6.根据权利要求1所述的继电保护装置寿命预测方法，其特征在于：步骤5中所述由相对劣化度与云模型，得到保护装置的初始状态概率分布向量：

在继电保护装置运行的第一年与第二年之间取1000个测量点，测量点的数据经过相对劣化度预处理后得到预测数据，即a_j ^*、b_j ^*、c_j ^*、d_j ^*四种指标数据，假设a_j ^*、b_j ^*、c_j ^*、d_j ^*四种性能指标在一定的误差允许范围内与第k个状态等级的状态云朵有M个相交云滴，每个云滴都有一个相对应的隶属度，则取相交云滴的隶属度平均值作为该指标在第k个等级的隶属度；若性能指标的相对劣化度与四种状态中的一种状态没有相交云滴，此时此种状态隶属度取为0；

记CPU温度的隶属度分布向量为r_j ¹，工作电压的隶属度分布向量为r_j ²，不正确动作次数的隶属度分布向量为r_j ³、故障次数的隶属度分布向量为r_j ⁴；

取四种性能指标的隶属度向量平均值作为该测量点j处于第k个状态等级的概率值，记作向量r_jk，j∈[1,N],k∈[良好、注意、异常、失效]；由此可得到测量点j的状态概率分布向量为形如[j₁，j₂，j₃，j₄]，其中j₁为测量点处于良好状态的概率值，j₂为测量点处于注意状态的概率值，j₃为测量点处于异常状态的概率值，j₄为测量点处于失效状态的概率值；

根据加权向量公式：

R_j＝αr_j ¹+βr_j ²+γr_j ³+δr_j ⁴

得到测量点j的最终状态概率分布向量R_j，上式中α+β+γ+δ＝1，本文取

依次计算出第一年与第二年之间的1000个测量点的隶属度向量，根据向量平均值公式：

V∈[1,L]，L代表装置运行的第L年，N∈[1,1000]；

求取平均值，将此时的隶属度向量作为第一年的初始状态概率分布向量

λ₁＝(A₁,A₂,A₃,A₄)。

7.根据权利要求1所述的继电保护装置寿命预测方法，其特征在于：步骤6中所述依据马尔科夫链的无后效性原理，由初始状态概率分布向量确定状态转移概率矩阵；

根据历史运行数据并结合云模型的隶属度函数依次求得第一年的状态概率分布向量λ₁＝(A₁,A₂,A₃,A₄)、第二年的状态概率分布向量λ₂＝(B₁,B₂,B₃,B₄)、第三年的状态概率分布向量λ₃＝(C₁,C₂,C₃,C₄)、第四年的状态概率分布向量λ₄＝(D₁,D₂,D₃,D₄)、第五年的状态概率分布向量λ₅＝(E₁,E₂,E₃,E₄)；

由此可得相邻四年的初始状态概率分布矩阵分别为A和B；

根据马尔科夫链原理：

X(t+1)＝X(t)×P

式中，X(t)代表系统在时刻t的状态概率分布矩阵，X(t+1)代表系统在t+1时刻的状态概率分布矩阵，P代表一步状态转移概率矩阵；

由此可求得状态转移概率矩阵P为：

其中，p_nm代表一个时段内继电保护装置由状态n转移到状态m的概率，仅考虑一步状态转移概率。

8.根据权利要求1所述的继电保护装置寿命预测方法，其特征在于：步骤7中所述由状态转移概率矩阵获得未来多年保护装置概率分布状态，然后根据信度准则预测继电保护装置寿命；

由第五年的状态概率分布向量λ₅＝(E₁,E₂,E₃,E₄)和状态转移概率矩阵P可求得之后任意一年的状态概率分布向量T＝λ₅×P，以当前第五年T₅开始预测保护装置寿命，根据马尔科夫链原理：

其中，λ₅表示时刻第五年的状态概率分布向量，λ(T)表示未来某一年(第T年)的状态概率分布向量，P表示一步状态转移概率矩阵；

求得的λ(T)＝(W₁,W₂,W₃,W₄)表示继电保护装置在未来某一年T隶属于不同状态等级的概率大小，W_m为隶属于状态等级m的隶属度，β为置信度水平，根据专家意见规定，取β＝0.75，如果有

{W₁≤β,λ(T)＝(W₁,W₂,W₃,W₄)}

式中表示保护装置处于良好状态等级的概率即W₁小于β＝0.75时，认为装置处于失效状态，此时的时刻T即为装置的最终寿命时间。