误差

为解决电流互感器饱和引起的继电保护问题，提出了一种基于磁通密度特征的电流互感器（current transformer，CT）饱和识别方法，以及畸变区二次电流重构技术。首先以饱和时磁通密度梯形区域特征为基础，对CT饱和进行识别，进而利用磁通方差的斜率在进入饱和与退出饱和的差异构建饱和判据，并计算二次电流饱和起点和终点对应的时间，以此得到CT饱和区。然后以电网负荷最大时的电流为依据构建保护启动判据，避免保护误动。最后利用最小二乘法对饱和区二次电流进行重构，可靠反映系统一次电流。基于PSCAD/EMTDC软件的仿真验证表明，所提方法准确可靠，能快速有效识别CT饱和区段，且时间误差不超过1 ms。

带电接火（带电接引流线）是目前电力行业开展最为广泛的带电作业项目，是提升供电可靠性最重要的措施之一。J型线夹是目前带电接引作业中应用广泛接续可靠的接续金具之一。但是，目前在应用J型线夹进行带电接火工作时普遍存在作业过程劳动强度大、安全风险高、作业效率低、绝缘层剥除困难、线夹安装工艺不合格等问题。当前使用绝缘导线剥皮器在剥除导线的绝缘层时，其进刀深度需要根据绝缘层厚度手动进行调整，由于绝缘层厚度存在多种规格并且绝缘导线制造过程中其绝缘层厚度存在一定误差，所以手动将进刀深度调整到准确位置较为不便。如果进刀深度不足，会造成剥皮不完整的情况，需要再次调整；如果进刀过度，则会造成线芯的损伤和剥皮器刀具的损坏，严重时会造成导线断股，带来严重的安全隐患。因此亟需研制自动、灵巧的带电作业智能化工器具。

本报告旨在分析电力设备红外在线监测装置的校准方法及相关标准要求，主要内容包括：电力设备红外在线监测装置的应用场景、技术要求、计量特性分析；红外在线监测装置关键参数的校准方法及误差影响因素分析；实验室内、输变电现场开展红外在线监测装置的校准方法和测量不确定度评定分析方法分析；电力设备红外在线监测装置相关的国家、行业标准进行解读等。

中性点电流法（method of current monitoring），是将运行中变压器三相套管的末屏引出并连接在一起后形成中性点，由中性点再接地，通过监测中兴点接地处有无电流来实现套管状态监测。但实际上三相电压不可能完全平衡，三相套管的电容量也存在一定的偏差，并且运行中不可避免的有杂散电流流入中性点，会给测量带来较大的误差，只有当缺陷发展到非常严重的情况下才能检测出来；需要改造末屏，容易造成接地不良。

为了提高光伏发电功率预测精度，根据不同天气类型下光伏输出功率特点，确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm，WPA）缺陷，对狼群游走位置和奔袭步长进行改进，得到改进狼群算法（improved wolf pack algorithm，IWPA），并通过IWPA对最小二乘支持向量机（least squares support vector machine，lSSVM）进行优化，建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真，结果表明：无论是晴天、多云还是阴雨天气，所提方法预测精度更高，回归拟合时的误差波动更小。

多用户电力负荷预测是指根据历史负荷数据对多个用户或区域的电力负荷进行预测，可使电网企业掌握不同用户或区域的电力需求，以便更好地开展规划和实施调度优化等。然而由于各用户呈现出复杂多样的用电行为，采用传统方法难以进行统一建模并实现快速准确预测。为此，构建了一种基于DTW K-medoids与VMD-多分支神经网络的多用户短期负荷预测模型。首先，采用DTW K-medoids法进行用户负荷数据聚类，利用动态时间弯曲（dynamic time warping，DTW）计算数据间的距离，取代K-medoids算法中传统的欧氏距离度量方式，以改善多用户负荷聚类的效果；在此基础上，为充分表征负荷历史数据的长短期时序依赖特征，建立了一种基于变分模态分解（variational mode decomposition，VMD）-多分支神经网络模型的并行预测方法，用于多用户短期负荷预测；最后，使用某地区20个用户365天的负荷数据进行聚类、训练和测试实验，结果显示该模型结果的平均绝对误差和均方根误差等指标均较对比模型有较大幅度降低，表明该方法可有效表征多类用户的用电行为，提升多用户负荷预测效率和精度。

高寒地区须携带多台仪器以满足3种不同量级SF6气体中CF4气体浓度的检测需求，现场运维效率低且仪器购置成本高。为此，首先设计了一种基于热释电检测技术的SF6气体中CF4气体浓度检测仪器，可自动选择不同的放大电阻以实现多量程切换。然后提出了BP和PSO-BP 2种神经网络温度-压力协同补偿模型，并通过搭建高效模拟实验平台为模型预测提供数据支撑，预测结果表明，PSO-BP神经网络优于BP神经网络。最后将PSO-BP神经网络温度-压力协同补偿模型内置于多量程检测仪器CF4气体浓度检测仪器。模拟实验结果表明，该检测仪器在不同温度和压力下，小量程和大量程检测误差和重复性分别不超过±2%和1.6%，混合比量程下误差和重复性分别不超过±0.5%和0.2%，对高寒地区电网运维检修具有重要作用。

微型相量测量单元(micro-phasor measurement unit, μPMU)为配电自动化的进一步升级提供了良好的量测基础，但现阶段电网中μPMU数量有限，难以满足传统配电网故障定位的需求。针对该问题，结合电网中μPMU与智能电表等量测设备，并基于虚拟节点的多重状态估计方法，提出了一种基于混合量测状态估计的故障定位方法。首先，通过等效变换将μPMU和智能电表的测量信息输入到故障状态估计器当中。然后，利用μPMU将网络划分为不同的区域。根据状态估计结果计算故障电流，缩小故障搜索区域以减少计算复杂度。为了识别区域内的故障位置，通过设置附加虚拟故障节点形成多种特定的故障拓扑结构并执行多重状态估计，计算出用于识别故障位置的加权测量残差指标，以确定故障位置。最后，在实时仿真系统(real-time digital simulation, RTDS)中进行仿真测试，结果表明所提方法在不同故障场景下均能准确有效地定位故障，且对量测误差具有较好的鲁棒性。

超/特高压输电线路是能源输送的大动脉，获取准确的线路电气参数是开展电力系统继电保护、潮流控制和经济调度、故障诊断及定位的先决条件。研究团队在高幅值感应电抑制、同塔多回长线参数精确测量、接地点高精度定位等方面取得突破，研制了长线分布参数精确测试和线路接地点精确定位成套装置，构建了线路参数测试的理论模型-测试方法-试验装备全环节技术标准体系，解决了高压输电线路参数精确测量面临的感应电抑制难、交直流耦合复杂、接地点定位误差大的难题。 项目成果在“疆电外送”±1100kV昌吉-古泉线路、巴西±800kV美丽山直流等海内外超/特高压工程广泛应用，有利支撑了输电工程的建设和输电线路的运维。

为及时掌握输电线路绝缘子污秽情况，提出了一种基于气象的绝缘子盐密预测方法。挖掘了与积污相关性更强的气象特征，通过随机森林评估了气象特征的重要程度，结合序列前向搜索确立了最佳气象特征子集。基于台州市自然积污测试数据，使用极限学习机（extreme learning machine，ELM）建立盐密预测基础模型，并使用思维进化算法（mind evolution algorithm，MEA）对其初始权值与阈值进行优化，通过自适应提升（adaptive boosting，AdaBoost）算法集成进一步提高模型精度。结果表明：AdaBoost-MEA-ELM模型盐密预测平均绝对误差为0.0032 mg/cm2，相比原始ELM模型误差降低58.97%，优化效果显著；与其他模型对比验证了AdaBoost-MEA-ELM模型的性能以及3种算法结合的合理性；通过k折交叉验证获得了训练数据改变时模型误差的变化情况，进一步验证了模型的泛化性与稳定性。