目錄
序
前 言
第1 章 概述 001
1.1 電力互感器技術發展與應用現狀 002
1.2 國內外研究現狀 006
1.2.1 電力互感器的計量誤差影響因素研究現狀 006
1.2.2 電力互感器計量誤差校驗研究現狀 007
1.2.3 電力互感器誤差在線監測研究現狀 010
1.2.4 電力互感器誤差狀態識別及預測研究現狀 012
第2章 電力互感器的計量誤差影響因素機理分析 015
2.1 電力互感器的基本結構和工作原理 016
2.2 電力互感器的計量誤差 017
2.2.1 電力互感器的計量誤差指標 018
2.2.2 電力互感器的計量誤差產生機理 019
2.3 氣候環境對電力互感器的計量誤差影響機理分析 022
2.3.1 環境溫度 022
2.3.2 環境濕度 023
2.4 運行工況對電力互感器的計量誤差影響機理分析 024
2.4.1 表面污穢 024
2.4.2 環境電場 025
2.4.3 二次負載 027
本章總結 028
第3章 電力互感器監控數據分析與擾動補償建模 029
3.1 多維數據來源及清洗 030
3.1.1 多維數據來源及特點 030
3.1.2 多維數據清洗 035
3.2 多維數據分析 037
3.2.1 氣候環境對互感器計量誤差的作用規律 037
3.2.2 運行工況對互感器計量誤差的作用規律 039
3.3 多維數據主導特征量提取 041
3.3.1 主導特征量提取算法優選 041
3.3.2 最大信息繫數算法 044
3.3.3 基於最大信息繫數矩陣的主導特征量提取 046
3.4 主導特征量擾動補償模型研究 048
3.4.1 環境溫度擾動補償研究 048
3.4.2 二次負載擾動補償研究 049
3.4.3 擾動補償模型分析 051
本章總結 054
第4章 基於機器學習的電力互感器計量誤差組合校驗 055
4.1 電力互感器計量誤差組合校驗算法框架 056
4.2 基於輕量級梯度提升機的誤差波動校驗子模型 057
4.2.1 機器學習算法優選 057
4.2.2 梯度單邊采樣輕量化策略 061
4.2.3 互斥特征綁定輕量化策略 062
4.2.4 誤差波動校驗算法流程 063
4.3 基於改進粒子群權重分配的計量誤差組合校驗模型 066
4.3.1 模型權重分配算法優選 066
4.3.2 自適應慣性權重改進策略 069
4.3.3 計量誤差組合校驗算法流程 070
4.4 校驗算法測試與性能分析 073
4.4.1 實驗設置 073
4.4.2 改進策略有效性驗證 074
4.4.3 對比實驗與分析 080
本章總結 083
第5章 基於深度學習的電力互感器計量誤差組合校驗算法 085
5.1 基於深度學習的計量誤差組合校驗算法框架 086
5.2 基於改進長短期記憶神經網絡的計量誤差組合校驗模型 087
5.2.1 深度學習算法優選 087
5.2.2 雙向記憶改進策略 089
5.2.3 深度特征提取策略 092
5.2.4 多任務學習改進策略 094
5.3 預測算法測試與性能分析 095
5.3.1 實驗設置 095
5.3.2 改進策略有效性驗證 096
5.3.3 對比實驗與分析 100
本章總結 103
第6章 電力互感器在線監測技術及數據預處理 105
6.1 電力互感器在線監測繫統 106
6.2 電力互感器誤差在線監測機理研究 110
6.2.1 基於信息物理相關性分析的互感器誤差在線監測模型 110
6.2.2 電力互感器誤差在線監測實現的關鍵問題 112
6.3 電力互感器在線監測數據預處理 114
6.3.1 缺失數據填充 114
6.3.2 平滑噪聲 116
6.3.3 插值 116
6.3.4 數據集成 117
6.3.5 數據規範化 119
6.4 基於非線性擾動補償的多維時序關聯數據的缺失值補全 120
6.4.1 多維時序關聯數據的繫統擾動補償插值 121
6.4.2 插值算法測試與性能分析 125
本章總結 133
第7章 變電站多電力互感器誤差在線監測 135
7.1 變電站多電力互感器異常識別和定位 136
7.1.1 基於主成分分析的多電力互感器異常識別和定位 136
7.1.2 約翰遜變換改進策略 139
7.1.3 滑動窗口改進策略 141
7.2 變電站多電力互感器誤差測量 143
7.2.1 基於GRU 的電力互感器誤差測量 143
7.2.2 多任務學習改進策略 144
7.2.3 注意力機制改進策略 145
7.3 變電站多電力互感器誤差在線監測實驗與性能分析 147
7.3.1 實驗設置 147
7.3.2 變電站多電力互感器異常識別和定位實驗 149
7.3.3 變電站多電力互感器誤差測量實驗 153
本章總結 156
第8章 電力互感器誤差狀態識別 157
8.1 電力互感器誤差狀態數據預處理 158
8.1.1 重采樣算法優選 158
8.1.2 融合改進RBO和RBU的重采樣算法 160
8.1.3 融合改進RBO和RBU的電力互感器誤差狀態數據重采樣流程 162
8.2 基於改進WOA-SVM的電力互感器誤差狀態識別 162
8.2.1 電力互感器誤差狀態識別算法優選 164
8.2.2 面向電力互感器誤差狀態識別的SVM 算法及缺陷分析 165
8.2.3 基於改進鯨魚優化算法的SVM 參數優選 166
8.2.4 改進WOA-SVM 的電力互感器誤差狀態識別算法流程 168
8.3 識別算法測試與性能分析 169
8.3.1 實驗設置 170
8.3.2 改進策略有效性驗證 171
8.3.3 對比實驗與分析 175
本章總結 177
第9章 融合機器學習和深度學習的電力互感器計量誤差預測 179
9.1 電力互感器計量誤差預測算法研究 180
9.1.1 電力互感器計量誤差預測算法優選 180
9.1.2 電力互感器計量誤差頻域組合預測算法框架 181
9.2 基於改進EWT算法的電力互感器計量誤差信號分解 182
9.2.1 信號分解算法優選 182
9.2.2 面向電力互感器計量誤差分解的EWT算法及缺陷分析 184
9.2.3 引入互信息的改進EWT算法 186
9.3 基於XGBoost-LSTM 算法的電力互感器計量誤差組合預測 187
9.3.1 基於XGBoost算法的低頻分量預測 187
9.3.2 基於LSTM算法的高頻分量預測 188
9.3.3 基於XGBoost-LSTM算法的電力互感器計量誤差組合預測流程 190
9.4 預測算法測試與性能分析 191
9.4.1 實驗設置 191
9.4.2 改進策略有效性驗證 193
9.4.3 對比實驗與分析 197
本章總結 199
參考文獻 200