当下,我国电力设备检修方式正由定期检修等传统方式逐渐往状态检修过渡。对电力设备实施状态评价,准确辨别其运行状态等级,是落实状态检修工作的基础与前提。换流阀作为特高压直流输电系统的核心设备,起到整流、逆变等关键作用。如果能对其运行状态进行可靠评估,则能够及时发现异常情况,减小故障率,提升电网运行安全水平。然而,鉴于换流阀运行状态评估标准尚不完善,当前仍没有一套可靠的状态确定体系。本文针对特高压直流输电晶闸管换流阀运行状态评估的问题,主要进行了以下四方面的工作:（1）晶闸管换流阀运行状态分析。结合现场图、原理图对ABB技术路线晶闸管换流阀的关键组件、基本功能与工作原理进行深入研究;基于《导则》中计及的39个特征状态量,提出一种线性互补融合的晶闸管换流阀特征选择方法,即采用3种不同评价准则的特征选取方式,计算故障特征综合重要度,筛选出最优特征组合;采用《导则》中的状态划分方式,将晶闸管换流阀的运行状态分为正常、注意、异常、严重四个等级,并辅以不同的检修安排。（2）基于自适应加权过采样的晶闸管换流阀状态评估样本均衡化方法。介绍欠采样、过采样等传统处理方法,分别探讨他们的原理及缺陷;在合成少数类过采样（Synthetic Minority Oversampling Technique,SMOTE）原理基础上,提出一种新型自适应加权过采样算法,通过层次聚类逐步划分少数类子簇,依据子簇错分率确定最终的采样规模,避免传统SMOTE容易导致模型过拟合、合成样本与多数类样本重合等问题,有效提升决策边界样本的识别率。通过实例分析,验证所提模型在晶闸管换流阀运行状态评估中实现样本均衡化及数据增强的有效性,且优于传统SMOTE、Borderline SMOTE等过采样算法。（3）基于提升（Boosting）算法的晶闸管换流阀状态评估方法。介绍集成学习中Boosting算法的基本思路,引入XGBoost、LightGBM两个分类模型,结合交叉验证和网格搜索寻找各模型中的最优超参数;基于准确率、召回率、运行时间等评价指标,选取出最优Boosting算法,构建最终的晶闸管换流阀状态评估模型;在第三章生成的均衡化数据基础上,通过实例验证所提晶闸管换流阀状态评估方法的准确性与有效性。（4）基于夏普利值加性解释（SHapley Additive ex Planations,SHAP）的晶闸管换流阀状态评估模型可解释性分析方法。为了阐明评估模型具体运算逻辑,引入机器学习模型可解释性的概念。研究夏普利（Shapley）值与SHAP归因理论的性质及应用场景,提出换流阀状态评估模型全局重要性解释、特征分布相关性解释以及个体决策解释等三种分析方法。算例部分,针对第四章选取的状态评估模型进行分析,通过绘制概要图、依赖图与力图辅助进行全局及个体解释。引入忠实性与正确性的概念,并进行解释模型的对比,验证在换流阀状态评估中SHAP归因理论比传统解释更加准确、可靠。