《基于深度学习的电容器介损角在线辨识-王晓辉.pdf》由会员分享，可在线阅读，更多相关《基于深度学习的电容器介损角在线辨识-王晓辉.pdf（8页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、2017年8月第32卷第15期电工技术学报TRANSACTl0NS 0F CHINA ELECTROTECHNICAL SOCIETYV0132 No15Aug 2017DoI：1019595jcn1000石753tc铬1608“基于深度学习的电容器介损角在线辨识王晓辉 朱永利 王 艳 郭丰娟(华北电力大学控制与计算机工程学院 保定071003)摘要 当前电容器介质损耗因素的计算方法为正向求解过程，即先对电容器工作电流和电压进行采样，再使用谐波分析等方法计算介损值，实践中算法稳定性不佳。为此提出了一种基于深度学习的电容器介损角辨识方法，采用一段时间的监测值训练深度学习网络，再使用该深度学习网络
2、对新采样的信号进行辨识，判断介损角变化量(分辨率为000l)。给出了用于深度学习的介损角表示信号巩()的计算过程，证明了在讨论域内该信号的幅值即是介损角6，且其波形形状包含监测装置受到的干扰。仿真实验证明该方法有效，比加汉宁窗的谐波分析法具有更好的抗噪能力。实际在线监测样本的计算结果表明其稳定性优于加汉宁窗的谐波分析法，且辨识结果不受电压互感器角差的影响。关键词：深度学习 电容器 介损角 在线监测中图分类号：TM8354oIdine Identi6cation Method of Power Capacitor DielectricLoss Angle Based on Deep LearIl
3、ing贶增觑Mi 劢M yo，彬i 耽增n G凡增扛m凡(sch00l of Contml a11d Computer En百nee五ng Nonh China Elec晡c POWer University Ba础ng Cr71003 China)Abstract Most of the algorithm of calculating dielectric loss factor are positiVe solVing process，whichinclude s啪pling capacitor cuITent and voltage， and calculating the diele
4、ctric loss factor of these signals byh锄lonic analysisThese methods haVe poor robustness when there are unidentified distortions in the samplingsignalThis p叩er proposes a capacitor dielectric loss factor identification aIgorithm based on the deep le啪ingThe algorithm proposed in this paper n_ains a f套
5、ed-foIward multilayer artificial neuml net、Vork with a pe打od ofonline saIllpling si印als， and identify the dielectric loss angle f而m new monito打ng data with resolution 0f000lThe computation of dielectric loss f知tor identification signal D5()is pmposed，and verjfy the帅plitude of D6()is the dielectric l
6、oss angle And the shape of its waveform includes the interference of themonitoring deViceThe Validity of the method has been proVed by simulation 卟e method can achieve betterability to resist noise than hanning windows ha珊onic analysis method The calculation results based on actualonline monitoring
7、data shows better mbustness than hanning windows h跏onic anaIysis method，its results is alsonot础fected by the aIlde e兀or of potential tmnsfomer1【eywords： Deep le哪ing， power capacitor， dielectric loss angle， online monito而ng0 引言电力电容器广泛应用于电力系统无功补偿，在运行中长时间承受工作电压和电流作用而逐渐老化，电国家自然科学基金(51407076，51677072)和中央
8、高校基本科研业务专项资金(2014MSl31)资助项目。收稿日期2016J06旬3改稿日期20161129力电容器的介质损耗因数(介质损耗角的正切值tan6)是表征其质量的重要参数。当前对电力电容器进行维护主要采用定期检修和在线监测两种方式。对电容器进行定期检修的方法存在周期长、施加电压低、试验条件与运行状态不一致的问题，较难反映出高压条件下的真实运行情况。对电容器进行在线监测可以及时发现电容器早期故障，监测效果更好。在线监万方数据146 电工技术学报 2017年8月测系统中介损角的计算精度除算法本身的精度外还容易受到多种外界干扰6。，比如电压相角的监测受电压互感器(Potential Tmn
9、sfo瑚er，阻)角差的影响月o、电流相角的监测受电流互感器(Cumnt Tr帅sfo硼er，CT)角差的影响以及监测装置传感器受母线电流的干扰等。对电力电容器介损角的计算方式有正向计算和解空间搜索两种。正向计算方法包括过零点时差比较法、过零点电压比较法、正弦波参数法、自由矢量法、谐波分析法、正交分解法、异频电源法等一1。前4种方法容易受到电网频率波动、谐波干扰等因素的影响，在线监测环境下实用性较差。相比而言谐波分析法、正交分解法、异频电源法则考虑了谐波干扰的影响，适用于在线监测。谐波分析法利用离散傅里叶变换(Discrete Fouer Transf0硼，DFT)对电容器的电压和电流信号进行
10、谐波分析，得到两者的基波，再求出介损角。该方法受频率波动影响较大，且存在非同步采样引起的频谱泄漏和栅栏效应一叫。为解决该问题，文献11提出了基于BlackmanHarTis的D盯介损测量方法，文献12提出了高阶正弦拟合算法，文献13提出了一种非同步采样条件下采用基波相位分离法的补偿算法，但都未从根本上解决非同步采样的影响问题。文献14-22对谐波分析法做了不同程度的改进，并取得了一定的效果。正交分解方法不受过零点偏移的影响，所需的采样时间短，但该算法受电压频率波动影响较大。且上述算法的计算精度均是在仿真条件下取得的。本文作者完成了某变电站电容器组在线监测项目，积累了实际在线监测数据。该项目采用
11、无线同步采样方式，使用cT分别监测每只电容器的工作电流、胛监测每相电容器组的工作电压。电容器工作电流监测装置运行在高压端，采样频率为10 kHz、采样时长80 ms，电容器介损角的计算方法为加汉宁窗的谐波分析法。被监测电容器组A、B、C三相各安装8只并联电容器，每只电容器独立安装工作电流监测装置。在线监测系统积累3个月的监测数据后发现存在介损角计算不稳定的现象。A相电容器介损角的监测值统计盒图如图l所示，其中A004监测装置投运后异常，数据未统计。从图l中可以看出在线监测系统测量的介损角大部分与离线检测值00310md相近，但一些监测值偏移量较大。通过对偏移监测信号的分析发现电容器电流的监测波
12、形出现不同程度的畸变。常见的电力电容器的工作电流为2850 A，每相安装816只AOO l A002 A003 A005 A006 A007 A008电容器编号图1 A相电容器介损角监测值盒图Fig1 B似plot of measured 6 on phase A capactiotrs电容器时，母线的电流约为224800 A，对电容器监测装置和传感器形成较大的磁场干扰。通过对在线监测数据的分析发现，单只电容器工作电流传感器受母线电磁场的干扰相对稳定，不同位置的传感器所受的干扰不同，在线监测系统需要对每只电容器监测装置受到的干扰分别进行处理。传统的介损角正向计算方法不能区别单只电容器受到的干扰
13、，因此计算值存在不稳定现象。近年来深度学习受到越来越多的关注_”9|，在电力系统信号分析领域取得了一定的应用成果口。本文提出一种基于深度学习的电容器介质损耗因素在线监测方法。该方法不是从正向计算介损角，而是对每只电容器监测到的电流和电压信号做一定的预处理后，深度学习每只电容器监测信号的特征。再用训练完成的深度学习网络辨识新监测的信号属于解空间(介损角变化量级别)的哪个域，从而辨识介损角的变化量。1介损角表示信号D6(f)交流电压作用下电容型设备的等效电路如图2所示，图中R为介质等效电阻，c为介质等效电容，占为介质的损耗角，p是电压D与电流，的相位差。通常把绝缘介质损耗因数值tan6的测量转换为
14、对介损角6的测量。b)相鞋H图2 电容型设备绝缘等效电路与相量图Fig2 Equivalenl ciIuit and phasor diagram万方数据第32卷第15期 王晓辉等基于深度学习的电容器介损角在线辨识 147使用U()和，()描述电容器的工作电压和电流。U()=Ausin(山f+妒“) (1)，(t)=A，sin(+妒，) (2)式中，A。为电压幅值；为角频率；妒。为电压初始相角；4，为电流幅值；妒，为电流初始相角。在电压、电流同步采样方式下，6的计算主要依据u(f)和，()的相位差，不考虑其幅值。为方便讨论问题，将u(f)和，()的幅值设为l，且同时移相妒，使，(f)初始相角为
15、0，则U(f)和，()退化为无量纲的信号u()和，()。u()=sin山f+(驴，一驴，) (3)，()=sin(f) (4)将信号口(f)沿算轴前移罢得到厅幽。(f)。疗心)=sin卜+(飞一号) (5)=sin(叫f一鳓u(f)、u枷。()、，(f)在一个周期内的信号如图3所示。1OO5O0 5一I O图3Fig3j7 X1 1|j二j一9 K一瑟义一电容器电压、电流同步采样波形相位图Phasor diagram on synchmnous sampling valuesof voltage and current signal在电容器运行时，电流、电压监测受到的干扰会分别反映在，(f)和
16、u洲。(f)中。介损角6不同、受到干扰不同时图3中阴影部分区域大小和形状不相同。该阴影区域可以使用u曲。()与，(t)的差D。(t)来描述。D6(f)=U洲n()一，()=sin(f一6)一sin(J)=一2sin孚c。s(t一孚) (6)由式(6)可见D。()的角频率与电容器电流、电压相同，D。()的幅值与被测的介损角6有关。定义D。(f)信号幅值的绝对值为A。，则A。=2sin(2)，设A。与6的比值为尺(6)。砌)=等=垫竽=(7)高压并联电容器在额定电压下，20时介损角6应符合下列值：纸膜复合介质的电容器应不大于008rad；全膜介质的电容器中，有放电电阻和内熔丝的应不大于005md；
17、无放电电阻和内熔丝的应不大于O03rad。由式(7)可见，当06008rad时，尺(鳓的值为1，0999 999 9。因此在讨论域内，D。()信号的幅值的绝对值A。等效于介损角占的值。将介损角6的测量从电压、电流的相位差的计算转换为以()信号幅值和形状的比较，并以此作为深度学习的输入信号。2基于深度学习的仇(f)信号辨识方法基于深度学习的介损角6辨识过程是一种解空间搜索过程。其核心思想是使用每只电容器一段时间的玖()来训练相应电容器的深度学习网络，这一过程耗时较长。再使用该深度学习网络辨识新监测到的见()信号是否为期望的6，还是偏移了一定量的6i，该过程计算速度快，可用于在线监测。本文深度学习
18、网络如图4所示。输入层 隐含层 输出层1 600l (200，200，200，200，200) 11图4介损角辨识深度学习网络Fi昏4 Deep leaming network for dielectTic loss factoridentification method图4中深度学习网络为深度前馈多层神经网络。采用珑()信号集作为输入，输入层节点数为采样长度1 600；考虑到单周波信号采样点数为200，隐含层设计为(200，200，200，200，200)的5层网络；输出分类空间为介损角值每增加或减少0001的离散点。基于深度学习的介损角表示信号学习与辨识过程为：1)假设被测电容器的介损角为
19、瓦，使用式(6)计算该电容器正常工作状态下的介损角表示信号D品()，为监测系统的采样间隔。2)使用式(6)依次计算瓯每次增加0001md后的Ds(t)，il，2，10。3)对D品()见。()分别叠加一定强度的白噪声信号，形成训练信号集Trainset，使用Trainset训练深度学习网络。4)使用训练好的深度学习网络辨识被测信号属于哪个仇(f)，从而辨识当前被测信号的介损角为色=万方数据148 电工技术学报 2017年8月氐+i(0001)rad。为了验证算法的有效性，对该算法进行仿真分析。仿真条件为：假设目标电容器的介损角6为003rad；在线监测系统的采样率为10 kHz；采样点数为1 6
20、00。仿真过程：1)使用Matlab生成介损角6。为0030，O031，0032，0039，O040rad、频率分别为495，496，504，505Hz条件下的介损角表示信号以()集。2)对织()按下列条件增加谐波：谐波次数为3、5、7；各次谐波的初始相角与基波相角差为f一盯，一娑，譬，娑1；各次谐波的幅值为I一盯，一百，百，百j；吲台扶省狱利瞄但刀基波幅值的0，1，2，10。3)样本加20，25，30，35，40dB五个等级的白噪声，每个噪声等级生成64个加噪信号作为训练集TminSet。4)在构建Trainset算法的基础上按照下列条件构造测试集Testset：生成测试集信号时对各次谐波相
21、角增加一昔一昔之间随机的漂移；介损角增加一o000 5o000 5(md)之间的随机漂移；频率增加一005005 Hz之间的随机漂移。每个测试样本加20，25，30，35，40dB五个等级的白噪声，每个噪声等级生成32个加噪信号。5)使用隐含层为(200，200，200，200，200)、激活函数为Rectifier(如图5所示)、迭代次数为100的深度学习网络以6为分类依据进行有导师训练。3。 L2 l一3 2 1 O 1 2 31图5 Rectifier激活函数曲线Fig5 Curve of Rectifier activation function6)使用TestSet检验深度学习网络在
22、不同6，下的D。()信号的辨识能力。训练过程中深度学习网络的方均差(Mean SquareEor，MSE)趋势如图6所示。删S，k迭代次数图6深度学习网络学习过程中方均差图Fig6 MSE diagram of deep le唧ing pI、ocedure从图6可以看出，当迭代次数为5560次之间时，深度学习网络的MsE已经小于设定阈值1010，训练结束。使用测试数据集TestSet检验深度学习网络在不同6。时测试信号的分类能力，其分类情况见表l。表1 深度学习网络对于电容器介损角测试数据集的辨识结果Tab1 Dielectric loss factor identi6cation resul
23、ts on test dat鹊et of a caPacitor by proposed deep leaHIing network万方数据第32卷第15期 王晓辉等基于深度学习的电容器介损角在线辨识 149依据仿真过程，表1中每个6i的生成的测试样本数为21 840条，测试数据集Testset样本总量为240 240条。从表1可见，在基波中增加谐波、频率偏移和白噪声的条件下，深度学习网络辨识介损角的总体错误率为879。同时6。辨识的最大误差不超过10rad，该误差比介损角小一个数量级，满足实际工程的需要。多次实验结果表明提高仿真信号的信噪比、降低谐波幅值，分类总体错误率呈下降趋势。通过仿真结
24、果可以看出，当仿真信号加入20 dB以上的白噪声信号后，本方法即可准确地辨识介损角6，。文献18分析了加汉宁窗插值的谐波分析法中白噪声对介损角测量的影响。其结论是：在仿真条件下当信噪比低于15 dB时，使用谐波分析法不能准确测量介损角；信噪比为25 dB时算法的绝对误差与真实值在同一数量级，测量误差较大；信噪比大于35 dB后可以满足介损角的计算精度。由此可见，本文方法抗噪声能力优于加汉宁窗插值的谐波分析法。3 基于深度学习的介损角在线辨识方法在实际在线监测系统中，除了需要区分单只电容器6变化00叭md时的D。(f)信号，还要检验该方法抗波形畸变的能力。基于深度学习的介损角在线监测方法为：1)
25、电容器在线监测系统同步采样电容器电压、电流波形信号，并传回监控中心。2)使用式(1)式(6)的方法计算每次同步采样信号的以()。3)当积累一段时间介损角表示信号D。()后，分别计算每只电容器D。()的平均值得到D。()作为D抓(f)，然后在D晶(f)信号上按照第2节仿真步骤计算当6减少0003rad、0002rad、000lrad时的D。()，i1，2，3，以及5增力00010004md情况下的表示信号耿()，i4，5，6，7。然后对巩()u D。()中信号分别叠加20，25，30，35，40dB的白噪声信号后形成训练集。4)对训练集使用第2节的方法训练深度学习网络，并使用该深度网络对未来的监
26、测信号进行分类，从而辨识介损角的变化量。辨识结果为6无变化、还是6增加或减少若干个000lrad。衡水市某变电站电容器监测系统在2014年投入运行，使用该系统4、5月份A相l 4电容器在线监测到的2 073条数据计算D；()并生成训练集训练深度网络，训练过程中MSE的变化如图7所示。梢露恹蝾一迭代次数图7 实际监测数据的深度学习网络训练方均差图Fig7 MSE di89ram of deep leali“g with actualonline monitoring data训练数据各等级6i的分类情况见表2(表中=0001rad)，从中可以看出训练集样本分类的总体错误率为268，训练样本识别精
27、度高。表2 A相1。电容器监测数据训练集分类效果Tab2 C1assi矗cation results of training data of l”capacitor on phase A6。 &一3 60一2 60l 岛 60+l 60+2 &+3 &+4 分类错误率 分类错误量60一3 1 200 O 0 0 O 0 O 0 0 O1 20060一2 18 l 178 0 2 0 2 0 0 0018 3 221 20060l 0 0 1 200 0 0 0 0 0 0 0l 200氏 0 0 O l 199 0 1 0 O 0000 8 ll 200岛+1 0 O O O 1 170 23
28、 0 O O025 0 30l 200&+2 0 O O O O 1 200 0 0 O 0l 200&+3 O 0 0 0 O 70 l 130 0 O058 3 701 200岛+4 O 0 0 0 O 84 18 l 066 O111 7 1341 200合计 l 222 1 19l I 207 l 212 1 173 l 380 l 149 l 066 O026 8 2579 600使用训练好的深度网络对6、7月份A相1#电容器监测到的83l份监测样本进行分类。实验结果表明，在不去噪的情况下，83 1份监测样本全部被识别为6=003类别，而实际情况中6、7月份该电容器运行正常，相比图1
29、中A001电容器采用谐波分析法监测6的效果要好。实验结果表明本文方法比谐波分析法有更万方数据150 电工技术学报 2017年8月好的抗干扰能力。图8列出了实际在线监测系统中不同位置电容器D。(z)信号几种典型的波形。04030201O采样点数(a)A相l”电容器采样点数(c)B相14电容器采样点数(e)B相38电容器采样点数(g)C相14电容器O3一 O2泛o1Q 0一O1采样点数(b)A相54电容器采样点数(d)B相24电容器采样点数(f)B相64电容器采样点数(h)C相24电容器采样点数(i)C相54电容器图8在线监测系统中不同位置电容器的珐()Fig8 D6()diag硼of capac
30、itor whjch instaUedin di雎rent position从图8中可以看出，电容器的安装位置不同，受到的电容器导线和母线电流的干扰不同，监测到的表示信号D。(f)也不同。本文方法学习每只电容器的监测信号，因此可以适应这些干扰。4结论电容器工作电流传感器受母线电流磁场的干扰，该干扰与电流传感器的安装位置和方向有关，以谐波分析法为代表的介损角计算方法在实际监测项目中稳定性不佳。本文提出的介损角表示信号仇()包含介损角值和电容器受到的干扰，并使用该信号作为输人实现了基于深度学习的介损角辨识方法。1)仿真实验证明了论文方法的有效性，且抗噪性优于基于汉宁窗的谐波分析法。2)实际监测数据
31、计算结果证明本文中的算法稳定性更好，对不同位置电容器电流传感器受到的干扰有适应性。3)由于本文方法监测的是介损角的相对变化值，因此监测结果不受町和CT固有角差的影响。参考文献董爽，李天云，王永，等在线检测介质损耗角的矩阵束方法J电工技术学报，2015，30(18)：229-236Dong Shuang， Li Tianyun， Wang Yong， et a1 An on-line detection method of dielectric loss aJlgle based onmatrix pencil algorithmJ1ransactions of chinaElectmtechn
32、ical Society，2015，30(18)：229-236wang P，Raghuveer M R，McDernlid w，et a1 Adi舀tal technique forthe oIlline measurement of dissiPationfactor and c印acitanceJ IEEE 7Ihnsactions onDielectric Electrical InsIIlation，200l，8(2)：228_232尚勇，杨敏中，王晓蓉，等谐波分析法介质损耗因数测量的误差分析J电工技术学报，2002，17(3)：6771Shang Yong，Yang MiIlzho
33、ng，WaJlg xiaorong，et a1Ermr analysis for the dielect而c loss factor measurementbased on h删onic analysisJ Transactions of chinaElectrotechnical society，2002，17(3)：67-71刘伟，黄新波，章云电容型高压设备介损在线监测系统的现场采集单元设计J计算机测量与控制，2010，18(1)：233_242“u Wei， Huang Xinbo， Zhang Yun Design of fieldsaIIlpling unit of衄on-line
34、monitoring system of dielectricloss in capaci6ve high-voItage apparatusJ computerMeasurementControl，2010，18(1)：233242陈晓宇，郑建勇，梅军基于LC振荡频率变化量的电容器组早期故障在线智能预警方法及其实现J电力系统保护与控制，2015，43(5)：144-149Chen Xiaoyu， Zheng Jianyong， Mei JunPowercapacitor banks failure w唧ing method based oIllineintelligence LC oscil
35、lation frequency v撕ation and itsimplementationJP(1wer system Protection andControl，2015，43(5)：144149徐志钮，律方成，李和明采样时间和采样频率对基于加窗插值算法介损角测量的影响J华北电力大学学报，2007，34(4)：7一101J1JJJJ1Jl23456r【rlrlrlrlr【万方数据第32卷第15期 王晓辉等基于深度学习的电容器介损角在线辨识 15178910111213Xu Zhiniu，In Fangcheng， Li Heming Innuence ofsampling time and
36、 sampling frequency on dielectric lossande measurement based on windowed interp01ationalgorithmJ Joumal of North china Electric PowerUniversity，2007，34(4)：710谢华，张会平电压互感器角差对介损在线监测的影响分析J高电压技术，2003，29(5)：26-28xie Hua， zhang Huiping The iImuence of ande enorof CVT on online tan 6 monitoringJ High Voltag
37、eEn百neering，2003，29(5)：26_28李振华，李红斌，张秋雁，等一种高压电子式电流互感器在线校验系统J电工技术学报，2叭4，29(7)：229236Li zhenhua， Li Hongbin， zhang Qiuyan， et al_ Anonline calibration system for high voltage electroniccu兀nt transformerSJ Transactions of ChinaElectrotechnical Society，2014，29(7)：229236蔡国雄，甄为红，杨晓洪，等测量介质损耗的数字化过零点电压比较法J电网
38、技术，2002，26(7)：15一18Cai Guoxiong， Zhen Weihong， YaIlg xiaohong， et al_A digitized zem cmss point voltage method of comparisonfor measurement of dielectric losses f J Power SystemTechnolog)r，2002，26(7)：15-18袁飞，杨震男，卢毅一种基于相对比较法测量容性设备介质损耗的滤波算法J电力系统保护与控制，2015，43(19)：95一100Yuan Fei，Yang Zhennan，Lu Yi A fil
39、teng algori【hmfbr measudng capacitive device dielectric loss based onrelative comparison methodJ Power system Protectionand Contr01，2015，43(19)：95100王楠，律方成，梁英，等基于高精度Drr的介损数字测量方法J高电压技术，2003，29(4)：38Wang Nan，Lil Fangcheng， Liang Ying， e【、a1 Di舀talmeasurement of dielectric loss based on high accuracyD兀
40、1 a190而thmJ High Voltage Engineering，2003，29(4)：3-8王徽乐，李福祺，谈克雄测量介质损耗角的高阶正弦拟合算法J清华大学学报，2001，4l(9)：58Wang Weile， Li Fuqi， Tan Kexiong Highe卜order sinefitting algorithm for dielectric loss measurementJJoumal ofTsinghua university，2001，41(9)：58陈楷，胡志坚，王卉，等介损角非同步采样算法及其应用J电网技术，2004，28(18)：58_61Chen Kai， Hu
41、 Zhijian， Wang Hui， et al_ Algorithm14151617181920and application of dielectric loss an91e based onasynchronous samplingJ一Power system Technology，2004，28(18)：58_61冯小华，张承学修正的谐波分析法可提高介损在线测量准确度J高电压技术，2004，30(8)：3637Feng Xiaohua， Zhang Chengxue Modi6ed hanIlonicsanalysis approach for increasing precisjo
42、n in onlinemeasuring tan 6J High Voltage Engineeng， 2004，30(8)：3637Li Q， zhao T， Siew w H De矗nition and digitalalgorithms ofdielectric loss fac Lor for condition monitongof hi曲一voltage powerequipment with hannonics emphasjsJ IEEE Proceedings on Generation， Transmissionand Dist曲ution，2005，152(3)：3093
43、12张忠蕾，李庆民，陈鹏谐波条件下高压电气设备介质损耗因数的定义和数字化算法J高压电器，2004，40(5)：327-332Zhang Zhondei， Li Qingmin， Chen Peng De6nitionand digital dgorithms fbr dielectric loss factor of highvoltage power apparatus under ha丌Ilonics conditionJHigh Voltage Appamtus，2004，40(5)：327332张介秋，梁昌洪，韩峰岩，等介质损耗因数的卷积窗加权算法J电工技术学报，2005，20(3)：
44、100104Zhang Jieqiu， Liang Changhong， Han FengyaJl， et a1Convolution window weighted algorithm for dielectric lossfactorJ7I、ransactions of china ElectIDtechnicalSociety，2005，20(3)：100104徐志钮，律方成，赵丽娟基于加汉宁窗插值的谐波分析法用于介损角测量的分析J电力系统自动化，2006，30(2)：8185Xu Zhjniu， Lti Fangcheng， Zhao Lijuan， et a1Analysis of
45、dielectric loss angle measurement by Hanningwindowing inteIpolation algorithm based on FFTJAu【omation of Electric Power systems， 2006， 30(2)：8l一85段大鹏，江秀臣，孙才新，等基于正交分解的介质损耗因数数字测量算法J中国电机工程学报，2008，28(7)：127133Duan Dapeng， Jiang Xiuchen， Sun Caixin， et a1 Anovel algorithm of dielectric loss measurement b
46、ased ononhogonal decompositionJProceedings of the csEE，2008，28(7)：127一133温和，滕召胜，王一，等基于三角自卷积窗的介损角高精度测量算法J电工技术学报，2009，24(3)：203208万方数据152 电工技术学报 2017年8月2122232425Wen He，Teng Zhaosheng，Wang Yi，et a1 Highaccuracy dielecmc 10ss ande measurement algorithmbased on triangular self-conv01ution windowJTransac
47、tions of China Electmtechnical Society， 2009，24(3)：203208李天云，祝磊，康玉芳，等基于总体最小二乘一旋转矢量不变技术的介损角测量算法J电网技术，2009，33(18)：171175Li Tianyun， Zhu Lei， Kang Yufang， et a1 Dielectricloss angle measurement algorithm based on TLSESPRITJPower SysLem Technology，2009，33(18)：171175曾博，唐求，卿柏元，等基于Nuttall自卷积窗的改进FFI谱分析方法J电工技术学报，2014，29(7)：59_65Zeng Bo， Tang Qiu， Qing Baiyuan， et a1 Spectralanalysis method based on improved FI叩by Nuttall selfconvolu“on window f J1 Transactions of ChinaElec【rotechnjcal Society，2014，29(7)：59_65黄冬梅，龚仁喜，焦凤昌，等莱夫一文森特窗三谱线插值的电力谐波分析J电力系统保护与控制，2014(2)：2834H