目录
序
前 言
第1 章 概述 001
1.1 电力互感器技术发展与应用现状 002
1.2 国内外研究现状 006
1.2.1 电力互感器的计量误差影响因素研究现状 006
1.2.2 电力互感器计量误差校验研究现状 007
1.2.3 电力互感器误差在线监测研究现状 010
1.2.4 电力互感器误差状态识别及预测研究现状 012
第2章 电力互感器的计量误差影响因素机理分析 015
2.1 电力互感器的基本结构和工作原理 016
2.2 电力互感器的计量误差 017
2.2.1 电力互感器的计量误差指标 018
2.2.2 电力互感器的计量误差产生机理 019
2.3 气候环境对电力互感器的计量误差影响机理分析 022
2.3.1 环境温度 022
2.3.2 环境湿度 023
2.4 运行工况对电力互感器的计量误差影响机理分析 024
2.4.1 表面污秽 024
2.4.2 环境电场 025
2.4.3 二次负载 027
本章总结 028
第3章 电力互感器监控数据分析与扰动补偿建模 029
3.1 多维数据来源及清洗 030
3.1.1 多维数据来源及特点 030
3.1.2 多维数据清洗 035
3.2 多维数据分析 037
3.2.1 气候环境对互感器计量误差的作用规律 037
3.2.2 运行工况对互感器计量误差的作用规律 039
3.3 多维数据主导特征量提取 041
3.3.1 主导特征量提取算法优选 041
3.3.2 最大信息系数算法 044
3.3.3 基于最大信息系数矩阵的主导特征量提取 046
3.4 主导特征量扰动补偿模型研究 048
3.4.1 环境温度扰动补偿研究 048
3.4.2 二次负载扰动补偿研究 049
3.4.3 扰动补偿模型分析 051
本章总结 054
第4章 基于机器学习的电力互感器计量误差组合校验 055
4.1 电力互感器计量误差组合校验算法框架 056
4.2 基于轻量级梯度提升机的误差波动校验子模型 057
4.2.1 机器学习算法优选 057
4.2.2 梯度单边采样轻量化策略 061
4.2.3 互斥特征绑定轻量化策略 062
4.2.4 误差波动校验算法流程 063
4.3 基于改进粒子群权重分配的计量误差组合校验模型 066
4.3.1 模型权重分配算法优选 066
4.3.2 自适应惯性权重改进策略 069
4.3.3 计量误差组合校验算法流程 070
4.4 校验算法测试与性能分析 073
4.4.1 实验设置 073
4.4.2 改进策略有效性验证 074
4.4.3 对比实验与分析 080
本章总结 083
第5章 基于深度学习的电力互感器计量误差组合校验算法 085
5.1 基于深度学习的计量误差组合校验算法框架 086
5.2 基于改进长短期记忆神经网络的计量误差组合校验模型 087
5.2.1 深度学习算法优选 087
5.2.2 双向记忆改进策略 089
5.2.3 深度特征提取策略 092
5.2.4 多任务学习改进策略 094
5.3 预测算法测试与性能分析 095
5.3.1 实验设置 095
5.3.2 改进策略有效性验证 096
5.3.3 对比实验与分析 100
本章总结 103
第6章 电力互感器在线监测技术及数据预处理 105
6.1 电力互感器在线监测系统 106
6.2 电力互感器误差在线监测机理研究 110
6.2.1 基于信息物理相关性分析的互感器误差在线监测模型 110
6.2.2 电力互感器误差在线监测实现的关键问题 112
6.3 电力互感器在线监测数据预处理 114
6.3.1 缺失数据填充 114
6.3.2 平滑噪声 116
6.3.3 插值 116
6.3.4 数据集成 117
6.3.5 数据规范化 119
6.4 基于非线性扰动补偿的多维时序关联数据的缺失值补全 120
6.4.1 多维时序关联数据的系统扰动补偿插值 121
6.4.2 插值算法测试与性能分析 125
本章总结 133
第7章 变电站多电力互感器误差在线监测 135
7.1 变电站多电力互感器异常识别和定位 136
7.1.1 基于主成分分析的多电力互感器异常识别和定位 136
7.1.2 约翰逊变换改进策略 139
7.1.3 滑动窗口改进策略 141
7.2 变电站多电力互感器误差测量 143
7.2.1 基于GRU 的电力互感器误差测量 143
7.2.2 多任务学习改进策略 144
7.2.3 注意力机制改进策略 145
7.3 变电站多电力互感器误差在线监测实验与性能分析 147
7.3.1 实验设置 147
7.3.2 变电站多电力互感器异常识别和定位实验 149
7.3.3 变电站多电力互感器误差测量实验 153
本章总结 156
第8章 电力互感器误差状态识别 157
8.1 电力互感器误差状态数据预处理 158
8.1.1 重采样算法优选 158
8.1.2 融合改进RBO和RBU的重采样算法 160
8.1.3 融合改进RBO和RBU的电力互感器误差状态数据重采样流程 162
8.2 基于改进WOA-SVM的电力互感器误差状态识别 162
8.2.1 电力互感器误差状态识别算法优选 164
8.2.2 面向电力互感器误差状态识别的SVM 算法及缺陷分析 165
8.2.3 基于改进鲸鱼优化算法的SVM 参数优选 166
8.2.4 改进WOA-SVM 的电力互感器误差状态识别算法流程 168
8.3 识别算法测试与性能分析 169
8.3.1 实验设置 170
8.3.2 改进策略有效性验证 171
8.3.3 对比实验与分析 175
本章总结 177
第9章 融合机器学习和深度学习的电力互感器计量误差预测 179
9.1 电力互感器计量误差预测算法研究 180
9.1.1 电力互感器计量误差预测算法优选 180
9.1.2 电力互感器计量误差频域组合预测算法框架 181
9.2 基于改进EWT算法的电力互感器计量误差信号分解 182
9.2.1 信号分解算法优选 182
9.2.2 面向电力互感器计量误差分解的EWT算法及缺陷分析 184
9.2.3 引入互信息的改进EWT算法 186
9.3 基于XGBoost-LSTM 算法的电力互感器计量误差组合预测 187
9.3.1 基于XGBoost算法的低频分量预测 187
9.3.2 基于LSTM算法的高频分量预测 188
9.3.3 基于XGBoost-LSTM算法的电力互感器计量误差组合预测流程 190
9.4 预测算法测试与性能分析 191
9.4.1 实验设置 191
9.4.2 改进策略有效性验证 193
9.4.3 对比实验与分析 197
本章总结 199
参考文献 200
书单推荐
