基于小波KPCA与Bi-LSTM的特高压换流站测控装置健康评估和预测

吕大青，杨欢红，杜浩良，李策策，徐良凯，朱子叶

基于小波KPCA与Bi-LSTM的特高压换流站测控装置健康评估和预测

吕大青1，杨欢红2，杜浩良1，李策策1，徐良凯1，朱子叶2

(1.国网浙江省电力有限公司金华供电公司，浙江 金华 321000；2.上海电力大学，上海 200090)

特高压换流站测控装置作为模拟量非线性、传输转换高要求的二次设备，目前的评估和预测方法不完全适用于测控装置的健康分析。提出了一种基于小波核主元(kernel principal component analysis, KPCA)分析和双向长短期记忆网络(bi-directional long short-term memory, Bi-LSTM)结合的健康评估和预测方法。通过引入小波核函数，以提高KPCA对健康状态影响因素进行特征提取的能力。通过第一核主元建立健康指数，以评估测控装置状态变化。通过构建Bi-LSTM网络模型以输入特征信息达到健康预测目的。以浙江某换流站采集到的真实数据作为样本，通过实验数据进行了对比分析。结果表明，该方法可以提升多维健康监测数据的准确评估和预测精度，为检修人员制定检修策略提供科学参考。

特高压换流站测控装置；小波核主元；双向长短期记忆网络；健康评估预测

0 引言

随着能源建设的不断加快，特高压换流站运行可靠性愈加重要[1-3]。测控装置作为特高压换流站的关键设备之一，经长时间高强度运行易导致隐患，造成健康状态下降，危及换流站安全运行。特高压换流站具有模拟量信号种类多、弱电信号多及信号实时性要求高的特点，对测控装置提出更高的要求。测控装置无法同标准继电保护设备一样进行频繁校验，然而日常运维不容忽视，且如果测控装置存在潜在异常，将给换流站的监控与操作带来较大隐患。因此，特高压换流站测控装置健康状态的准确评估和预测，对于提高换流站稳定性、降低运维成本具有现实意义。

特高压换流站测控装置作为模拟量非线性、传输转换高要求的二次设备，目前的评估和预测研究不完全适用于测控装置的健康分析。现有的技术方法主要为层次分析法[4-5]和数据驱动法[6-8]。层次分析法主要通过建立评价指标，计算指标权重，或引入模糊评价模型，基于对权重矩阵和评价矩阵的融合计算达到状态评估的目的。但其指标权重值的确定主观性较大，降低了科学严谨性。数据驱动法从设备或系统外部特性的历史数据中挖掘性能变化规律，然而对于多成分的模拟量不能有效提取特征信息。上述文献方法增加了监测数据计算的复杂性，同时忽略了数据点之间的时序关联性，降低了数据的利用率。

近年来，成分分析和神经网络的发展为评估预测方法提供了新思路并取得了理想效果[9-12]。主成分分析(principal component analysis, PCA)对于线性高维数据的特征提取表现良好，而对于工程非线性数据存在局限[13]。文献[14]提出一种基于PCA原理的核电厂传感器状态监测技术，改善了物理冗余方法的缺点；进而，有学者提出核主元分析(kernel principal component analysis, KPCA)，为非线性系统的特征提取给予解决方案。文献[15]利用KPCA对运行状态参数数据约简，降维后选取重要特征参数建立评估指标。循环神经网络(recurrent neural network, RNN)兼具考虑当前时刻输入和上一时刻反馈的特点，在时间序列预测方面更具有优越性，多适用于短期时间序列。为了解决长序列在RNN训练过程中的梯度消失和梯度爆炸问题，文献[16-17]提出了一种基于长短期记忆网络(long short- term memory, LSTM)模型的时间序列预测方法。LSTM可有效克服训练过程中长期依赖的问题[18-19]。双向长短时记忆(bi-directional long short-term memory, Bi-LSTM)预测方法兼具考虑预测时刻数据信息的前后规律，进一步提高了预测精度，与LSTM网络相比，数据的时序性更强。

基于此，本文提出一种利用多特征指标的测控装置健康状态评估与预测方法。通过引入小波核函数，以提高KPCA对健康状态影响因素进行特征提取的能力；通过第一核主元建立健康指数，评估测控装置状态变化；通过构建Bi-LSTM网络模型，以输入特征信息达到健康预测目的。将本文方法应用于浙江某特高压换流站实际案例中，通过实验数据对比分析表明，本文所提方法评估准确、预测良好。

1 基于小波KPCA的健康评估

1.1 装置特征集构建

为保证测控装置运行的稳定性，在系统内布置了数量较多的模拟量测点。单个测控装置约有50个模拟量通道，100个开关量通道。考虑特高压换流站外部运行环境随机因素的影响，监测到的参数(包括装置运行温湿度、电磁噪声及环境湿度等)出现波动，致使健康参数存在失稳。健康指数表征测控装置健康变化趋势的量化指标，而不同测控装置的监测信号中包含的种类和数目有差异，同时包含大量无法表征下降趋势的模拟信息。因此，本节对通道信号做了初步特征提取，保留了能够反映变化趋势的单调性特征参数，保证了构建装置特征集的有效性。

对于长度为的信号，时域上包含均值、标准差、偏度、峰度、峰峰值、均方根、能量、脉冲因子、波峰因子、形状因子和边际因子在内的11种常用特征；对信号作短时傅里叶变换后，频域上包含sk均值、sk标准差、sk偏度、sk峰度4种特征[23-25]。设备特征量的单调性(Monotonicity)判断公式如式(1)所示。

换流站运行40天，每天定时对测控装置信号采集存数，对不能反映换流站测控装置运行工况的指标参数剔除处理，选取单调性突出的5种特征参数。

1.2 小波KPCA分析法

核主元分析是在主成分分析的基础上进行改良的。PCA法对于特高压换流站在工程实践中非线性过程的应用效果不理想。而KPCA法利用非线性映射函数可将原始数据映射至高维空间后进行主元提取。为更好地对装置整体健康影响因素进行特征提取，对本节构建的特征集选取适当的核函数进行核主元分析。

设原始输入数据集，构成原始空间，利用非线性核函数映射到高维线性特征空间，则中的协方差矩阵表示为

则其对应的特征方差可表示

引入小波核函数提高KPCA的非线性数据处理能力，并由Morlet母小波函数推导得出，Morlet母小波函数如式(4)所示。

由式(2)、式(3)、式(6)、式(7)可得到式(8)。

1.3 健康指数构建及健康评估

健康指数值越高表示测控装置运行工况的健康状态越好。1表示装置运行处于最佳状态，0表示装置完全失灵。根据现场运行工况，对健康指数进行等级划分，由于存在对于通信误码率、电源卡件稳压精度等均缺失考核依据的情况，依据运行经验对健康指数进行分级，一般而言，1到3级状态下装置仍旧能正常工作，仅出现非直接功能缺失的健康度下滑征兆，如卡件运行温度偏高、通信误码率短期显著升高等；4级以上则伴随装置自检能发现的异常或故障，如模拟量测量超差或模拟量开关量个别通道完全失效(一般需要抢修才能恢复)。因此，将健康指数定量评估与运行状态定性评价等级进行映射，特高压换流站测控装置运行工况的健康状况可划分为5个等级，如表1所示。

表1 健康指数等级划分

2 基于Bi-LSTM的健康预测

2.1 Bi-LSTM网络

对特高压换流站测控装置运行的健康状态进行预测是根据换流站的当前状态预测发展趋势，为后续维修计划提供依据，保障换流站的安全可靠运行。

LSTM网络通过对细胞状态中信息的遗忘和新信息的记忆，传递后续时刻计算的有效信息，达到利用已知数据推出未知信息的目的，提高时间序列的处理性能[26]，序列信息经过记忆单元时，其正向传播如式(11)—式(16)所示[27]。LSTM网络单元示意图如图1所示。

图1 LSTM网络单元示意图

Bi-LSTM则由两个方向相反的LSTM网络构成，包含过去时刻的信息规律和未来序列的有效预测，其网络单元示意图如图2所示。在测控装置运行工况监测过程中，采集存数表现出时序性，因此可基于Bi-LSTM网络对装置运行工况的健康状态进行预测。输出结果如式(17)—式(19)所示。

图2 Bi-LSTM 网络单元示意图

2.2 评价指标

3 算法框架

根据前文所述，本文总的流程可分为对换流站测控装置的健康评估和健康预测两个阶段，如图3所示。具体步骤如下。

图3 总体算法流程

1) 获取1.2节所述特高压测控装置样本数据，进行预处理，并构建特征参数序列。

3) 根据表1分级对各测控装置进行健康状态评估，按照测控装置状态发出对应报告，包括装置失灵、严重警报、普通警报、提示和正常运行。

4) 构建Bi-LSTM网络，状态激励函数采用sigmoid函数，门激励函数采用tanh函数，具体如式(22)和式(23)所示。

5) 利用前向LSTM计算初始时刻至时刻每个单元的输出；利用后向LSTM计算反向时刻输出，结合以上输出最终结果。

4 算例分析

4.1 参数选取

为验证基于小波KPCA和Bi-LSTM的健康指数评估和预测方法的有效性，本文以浙江某±800 kV特高压换流站的部分真实运行数据作为样本进行验证。包含该换流站极1低端阀厅18套测控装置C01—C18的5个特征指标全部测点。该换流站测点的测控装置于2021年8月16日经人工巡查发现某测控装置故障，并及时更换，选取2021年8月2日—9月10日共40天的指标采样数据。

4.2 测控装置健康评估

监测数据的单调性计算结果如表2所示。选取单调性突出的5种特征参数进行核主元分析。其方差贡献率和累计方差贡献率如表3所示。分析可知当核主元个数为3个时，累计方差贡献率达93.587%，其中换流站测控装置运行工况的第一核主元KPCA1的贡献率为90.589%，包含了装置工况特征集的大部分信息；第二、三核主元KPCA2、KPCA3的贡献率分别为2.362%和0.636%，因此第一核主元KPCA1可表示测控装置运行工况的健康状态变化过程。

表2 特征单调性

表3 KPCA贡献率

根据表1对换流站的健康指数划分，选取图4中3个具有代表性的测控装置(C02，C08和C15)数据进行健康指数分析。可以看出，C02在40天内的健康指数良好，测控装置保持稳定运行，受外界物理因素影响，数据发生轻微浮动；C08初期呈现异常，从第10天开始健康指数急剧下降，测控装置严重故障甚至完全失灵，因此数据出现大范围波动，应进行维修或更换装置；C15运行状况优于C08，但仍需保持关注，采取保养或做相应调整。

图4 健康指数曲线

4.3 测控装置健康预测

采用Bi-LSTM对特高压换流站测控装置健康状态曲线趋势预测效果的评价指标，如表4所示。Bi-LSTM网络采用第4.2节40天数据的前30组数据构建训练集，对第30～40天的健康指数变化趋势进行预测。Bi-LSTM网络参数设置如下：模型训练迭代次数为500，学习率为0.005。计算机性能参数：Intel(R)Core(TM) i7-8700 3.20 GHz，16 G内存。

不同核函数的预测结果相对误差分析如表5所示。由表5可知，经小波KPCA的各模型预测性能比经高斯KPCA的各模型预测性能更优，且经小波KPCA的LSTM、Bi-LSTM的预测结果相对误差平均值比经高斯KPCA分别降低了1.6469%和0.6295%，反映了小波KPCA在特征提取方面的优越性。

表4 测控装置健康指数预测结果评价指标

表5 不同核函数健康指数下降速率相对误差分析

LSTM与Bi-LSTM的网络模型预测结果评价指标对比如表6所示，其中LSTM网络选用相同的网络参数设置。3组样本结果显示：Bi-LSTM方均根误差小于LSTM的方均根误差，Bi-LSTM判定系数大于LSTM的判断系数；Bi-LSTM的判定系数平均值在0.99以上，趋近于1。此外，从图5可以看出，Bi-LSTM 算法的预测结果对比LSTM更好。由此证明，该方法预测效果更佳，适用于特高压换流站测控装置的健康预测。

表6 两种网络模型预测结果评价指标

5 结语

准确评估和预测换流站测控装置的健康状态能够保证特高压换流站安全可靠运行。本文提出了一种基于小波KPCA与Bi-LSTM的特高压换流站测控装置健康评估和预测方法。

1) 通过小波KPCA对特征集分析和数据约简，特征提取能力优于高斯KPCA。降维后第一核主元构建健康指数能较准确地反映特高压换流站测控装置的健康状态。构建Bi-LSTM网络模型预测健康状态变化，较传统LSTM网络预测法效果更佳。

2) 经实际工程算例验证了该状态评估方法能够客观合理地评估测控装置健康状态，同时能够较准确地进行健康预测，为检修人员制定检修策略提供科学参考。

[1] 张伟晨, 熊永新, 李程昊, 等. 基于改进VDCOL的多馈入直流系统连续换相失败抑制及协调恢复[J]. 电力系统保护与控制, 2020, 48(13): 63-72.

ZHANG Weichen, XIONG Yongxin, LI Chenghao, et al. Continuous commutation failure suppression and coordinated recovery of multi-infeed DC system based on improved VDCOL[J]. Power System Protection and Control, 2020, 48(13): 63-72.

[2] 李欣悦, 李凤婷, 尹纯亚, 等. 直流双极闭锁故障下送端系统暂态过电压计算方法[J]. 电力系统保护与控制, 2021, 49(1): 1-8.

LI Xinyue, LI Fengting, YIN Chunya, et al. Transient overvoltage calculation method of HVDC sending-end system under DC bipolar blocking[J]. Power System Protection and Control, 2021, 49(1): 1-8.

[3] 莫静山, 颜伟, 文旭, 等. 考虑换流站独立控制约束的交直流系统静态无功优化方法[J]. 电力系统自动化, 2021, 45(15): 77-84.

MO Jingshan, YAN Wei, WEN Xu, et al. Optimization method for static reactive power of AC/DC system considering independent control constraints of converter station[J]. Automation of Electric Power Systems, 2021, 45(15): 77-84.

[4] 刘轶, 张毅明, 高昆, 等. 基于安全风险概率的双特高压直流馈入网架关键断面通道检修评估方法研究[J]. 电力系统保护与控制, 2021, 49(17): 57-64.

LIU Yi, ZHANG Yiming, GAO Kun, et al. Research on a maintenance evaluation method of the key section channel of a double UHVDC feed in a grid based on safety risk probability[J]. Power System Protection and Control, 2021, 49(17): 57-64.

[5] 魏雯. 基于权重调整-AHP法的电能表黑屏共因失效关键因素评价[J]. 电测与仪表, 2021, 58(9): 180-186.

WEI Wen. Evaluation of CCF of electric energy meter with black screen based on weight adjustment-AHP method[J]. Electrical Measurement & Instrumentation, 2021, 58(9): 180-186.

[6] 刘月峰, 张公, 张晨荣, 等. 锂离子电池RUL预测方法综述[J]. 计算机工程, 2020, 46(4): 11-18.

LIU Yuefeng, ZHANG Gong, ZHANG Chenrong, et al. Review of RUL prediction method for lithium-ion batteries[J]. Computer Engineering, 2020, 46(4): 11-18.

[7] 黄天恩, 郭庆来, 孙宏斌, 等. 模型-数据混合驱动的电网安全特征选择和知识发现关键技术与工程应用[J]. 电力系统自动化, 2019, 43(1): 95-101, 208.

HUANG Tian’en, GUO Qinglai, SUN Hongbin, et al. Hybrid model and data driven concepts for power system security feature selection and knowledge discovery: key technologies and engineering application[J]. Automation of Electric Power Systems, 2019, 43(1): 95-101, 208.

[8] 黄焘, 彭科, 程旭, 等. 车联网环境下充电桩健康状态综合评估与短期预测方法研究[J]. 电力信息与通信技术, 2022, 20(7): 109-116.

HUANG Tao, PENG Ke, CHENG Xu, et al. Research on comprehensive evaluation and prediction method of health status of charging pile in internet of vehicles environment[J]. Electric Power Information and Communication Technology, 2022, 20(7): 109-116.

[9]MING H, XIA B, LEE K Y, et al. Prediction and assessment of demand response potential with coupon incentives in highly renewable power systems[J]. Protection and Control of Modern Power Systems, 2020, 5(2): 124-137.

[10]MADHIARASAN M. Accurate prediction of different forecast horizons wind speed using a recursive radial basis function neural network[J]. Protection and Control of Modern Power Systems, 2020, 5(3): 230-238.

[11] 赵允文, 李鹏, 孙煜皓, 等. 基于相空间重构和随机配置网络的电力负荷短期预测[J]. 电力建设, 2021, 42(9): 120-128.

ZHAO Yunwen, LI Peng, SUN Yuhao, et al. Short-term power load forecasting based on phase space reconstruction and stochastic configuration networks[J]. Electric Power Construction, 2021, 42(9): 120-128.

[12] 王鹏翔, 沈娟, 王菁旸, 等. 基于PCA-LMD-WOA- ELM的短期光伏功率预测[J]. 智慧电力, 2022, 50(6): 72-78.

WANG Pengxiang, SHEN Juan, WANG Jingyang, et al. Short term photovoltaic power prediction based on PCA-LMD-WOA-ELM[J]. Smart Power, 2022, 50(6): 72-78.

[13]邬程欢, 贺民, 龚明波, 等. 基于极限区间与改进PCA-SOM的电气运行参数对专变健康影响的量化评价方法[J]. 电力系统保护与控制, 2021, 49(17): 101-108.

WU Chenghuan, HE Min, GONG Mingbo, et al. Quantitative evaluation based on limit interval and improved PCA-SOM of electrical operating parameter health status of a special transformer[J]. Power System Protection and Control, 2021, 49(17): 101-108.

[14] 于海波, 王春雨, 袁晓蕾, 等. 基于PCA-SVR的电能计量装置误差评估算法[J]. 电测与仪表, 2020, 57(19): 140-145.

YU Haibo, WANG Chunyu, YUAN Xiaolei, et al. Error assessment algorithms for electric energy metering devices based on PCA-SVR[J]. Electrical Measurement & Instrumentation, 2020, 57(19): 140-145.

[15] 姜兴华, 韩万里, 茅大钧. 基于核主元分析和GRU神经网络的电站辅机故障预警研究[J]. 热能动力工程, 2021, 36(7): 93-98.

JIANG Xinghua, HAN Wanli, MAO Dajun. Research on fault warning of power station auxiliary equipment based on kernel principal component analysis and GRU neural network[J]. Journal of Engineering for Thermal Energy and Power, 2021, 36(7): 93-98.

[16] ZHANG B, ZHANG S H, LI W H. Bearing performance degradation assessment using long short-term memory recurrent network[J]. Computers in Industry, 2019, 106: 14-29.

[17] LI X Q, JIANG H K, XIONG X, et al. Rolling bearing health prognosis using a modified health index based hierarchical gated recurrent unit network[J]. Mechanism and Machine Theory, 2019, 133: 229-249.

[18] LEE G S, SU S B, MANTOOTH H A, et al. Condition monitoring of 154 kV HTS cable systems via temporal sliding LSTM networks[J]. IEEE Access, 2020, 8:144352-144361.

[19] 薛溟枫, 毛晓波, 潘湧涛, 等. 基于LSTM神经网络的电动汽车充电站需求响应特性封装及配电网优化运行[J]. 电力建设, 2021, 42(6): 76-85.

XUE Mingfeng, MAO Xiaobo, PAN Yongtao, et al. Demand response package model of electric vehicle charging station based on LSTM neural network and optimal operation of distribution network[J]. Electric Power Construction, 2021, 42(6): 76-85.

[20] ZHENG S, RISTOVSKI K, FARAHAT A, et al. Long short-term memory network for remaining useful life estimation[C] // International Conference on Prognostics and Health Management, June 19-21, 2017, Dallas, TX, USA: 88-95.

[21] 陈锦鹏, 胡志坚, 陈纬楠, 等. 二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测[J]. 电力系统自动化, 2021, 45(13): 85-94.

CHEN Jinpeng, HU Zhijian, CHEN Weinan, et al. Load prediction of integrated energy system based on combination of quadratic modal decomposition and deep bidirectional long short-term memory and multiple linear regression[J]. Automation of Electric Power Systems, 2021, 45(13): 85-94.

[22] 谢小瑜, 周俊煌, 张勇军, 等. 基于W-BiLSTM的可再生能源超短期发电功率预测方法[J]. 电力系统自动化, 2021, 45(8): 175-184.

XIE Xiaoyu, ZHOU Junhuang, ZHANG Yongjun, et al. W-BiLSTM based ultra-short-term generation power prediction method of renewable energy[J]. Automation of Electric Power Systems, 2021, 45(8): 175-184.

[23] 李振恩, 张新燕, 胡威, 等. 基于健康指数的风电机组高速轴轴承状态评估与预测[J]. 太阳能学报, 2021, 42(10): 290-297.

LI Zhen'en, ZHANG Xinyan, HU Wei, et al. State assessments and prediction of wind turbine high speed shaft bearing based on health index[J]. Acta Energiae Solaris Sinica, 2021, 42(10): 290-297.

[24] 彭跃辉, 武艳蒙, 王岩妹, 等. 基于半监督学习的断路器弹簧机构机械特性监测及状态评估技术研究[J]. 高压电器, 2022, 58(5): 95-102, 111.

PENG Yuehui, WU Yanmeng, WANG Yanmei, et al. Research on mechanical characteristics monitoring and condition assessment technology of spring mechanism for circuit breaker based on semi supervised learning[J]. High Voltage Apparatus, 2022, 58(5): 95-102, 111.

[25] 周玉彬, 肖红, 王涛, 等. 基于动作周期退化相似性度量的机械轴健康指标构建与剩余寿命预测[J]. 计算机应用, 2021, 41(11): 3192-3199.

ZHOU Yubin, XIAO Hong, WANG Tao, et al. Health index construction and remaining useful life prediction of mechanical axis based on action cycle degradation similarity measurement[J]. Journal of Computer Applications, 2021, 41(11): 3192-3199.

[26] 庄家懿, 杨国华, 郑豪丰, 等. 基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法[J]. 中国电力, 2021, 54(5): 46-55.

ZHUANG Jiayi, YANG Guohua, ZHENG Haofeng, et al. Short-term load forecasting method based on multi- model fusion using CNN-LSTM-XGBoost framework[J]. Electric Power, 2021, 54(5): 46-55.

[27]杨龙, 吴红斌, 丁明, 等. 新能源电网中考虑特征选择的Bi-LSTM网络短期负荷预测[J]. 电力系统自动化, 2021, 45(3): 166-173.

YANG Long, WU Hongbin, DING Ming, et al. Short-term load forecasting in renewable energy grid based on bi-directional long short-term memory network considering feature selection[J]. Automation of Electric Power Systems, 2021, 45(3): 166-173.

[28] 梁海峰, 袁芃, 高亚静. 基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测[J]. 电力自动化设备, 2021, 41(10): 213-219.

LIANG Haifeng, YUAN Peng, GAO Yajing. Remaining useful life prediction of lithium-ion battery based on CNN-Bi-LSTM network[J]. Electric Power Automation Equipment, 2021, 41(10): 213-219.

[29] 冯斌, 张又文, 唐昕, 等. 基于BiLSTM-Attention神经网络的电力设备缺陷文本挖掘[J]. 中国电机工程学报, 2020, 40(增刊1): 1-10.

FENG Bin, ZHANG Youwen, TANG Xin, et al. Power equipment defect record text mining based on BiLSTM- Attention neural network[J]. Proceedings of the CSEE, 2020, 40(S1): 1-10.

Health status assessment and prediction of operational condition of a measurement and control device in a UHV converter station based on KPCA and Bi-LSTM

LÜ Daqing1, YANG Huanhong2, DU Haoliang1, LI Cece1, XU Liangkai1, ZHU Ziye2

(1. Jinhua Power Supply Company, State Grid Zhejiang Electric Power Co., Ltd., Jinhua 321000, China; 2. Shanghai University of Electric Power, Shanghai 200090, China)

The measurement and control device of a UHV converter station is a piece of secondary equipment with nonlinear analog and high requirements for transmission and conversion. The current evaluation and prediction methods are not fully suitable for the analysis of such a device. A health assessment and prediction method based on wavelet kernel principal component analysis (KPCA) and a bidirectional long-term and short-term memory network (Bi-LSTM) is proposed. The wavelet kernel function is introduced to improve KPCA's feature extraction of influencing factors on the state of health. A health index is established through the first nuclear principal component to evaluate the state change of the device. The purpose of health prediction is achieved by constructing a Bi-LSTM network model to input characteristics information. Taking the real data collected by a converter station in Zhejiang as the sample, the experimental data are compared and analyzed. The results show that this method can improve the accurate evaluation and prediction accuracy of multidimensional health monitoring data, and provide a scientific reference for maintenance personnel in formulating maintenance strategies.

UHV converter station measurement and control device; wavelet kernel principal component; bidirectional long-term and short-term memory network; health assessment and prediction

10.19783/j.cnki.pspc.220031

国家自然科学基金项目资助(51777119)

This work is supported by the National Natural Science Foundation of China (No. 51777119).

2022-02-08；

2022-07-03

吕大青(1973—)，男，硕士，高级工程师，主要研究方向为电力工程及设备的设计及安装调试，新能源发电技术。E-mail: 478090368@qq.com

杨欢红(1965—)，女，硕士，副教授，硕士生导师，主要研究方向为电力系统优化调度与控制，可再生能源发电技术。E-mail: yanghuanhong0907@163.com

(编辑 姜新丽)