基于双高斯模型‑KAN 融合的电容式电压互感器测量劣化趋势预测方法

为何关注电网“温度计”至关重要

现代电网依赖一些将极高电压降至可安全测量和计费水平的专用设备。其中，电容式电压互感器（CVT）是高压线路上的主力军。然而，经过多年服役，它们的读数可能会悄然偏移，就像浴室秤慢慢失去校准一样。本文提出了一种新的方法，用于持续评估 CVT 测量的健康状况并预测其精度何时会下降，帮助电网运营商在错误导致代价高昂的争议或稳定性问题之前安排维护。

这些电压监测器如何逐步退化

CVT 通过电容器堆和变压器将数百千伏降为仪表和保护系统可处理的信号。它们的优点是体积小、成本相对较低且适用于超高电压。但其内部并非静止不变：温度波动、绝缘老化和负荷变化都会使内部元件偏离理想值。当这种情况发生时，真实电网电压与报告的低压输出之间的比值会发生漂移。如果比值误差超出狭窄的容差范围，读数就不再反映现实，从而破坏能量交易、故障分析和自动保护方案的可靠性。

为什么传统检查不足以应对

目前，许多电力公司仍依赖周期性的离线校验。需要将大型参考设备运到变电站，短暂停电并用标准设备对每台 CVT 进行测试。理论上这应每隔几年进行一次，但实际上常因排期冲突和移动笨重仪器的后勤问题而延误。与此同时，电网的实时数据流噪声大且受不断变化的运行条件影响，使得通过肉眼或简单统计方法难以识别缓慢的测量漂移。基于详尽电路模型或通用机器学习的早期方法往往也存在困难：要么依赖精确的内部参数，要么被波动和有限的训练数据所干扰。

为每台互感器给出单一健康分数

为了解决这些干扰，作者首先将每台 CVT 的原始电压信号压缩为一个紧凑的性能分数，称为性能状态（SOP）。他们使用小波变换这一数学工具，将信号分解为缓慢变化的趋势和快速抖动。通过关注最大的低频分量并将其与健康 CVT 的基线比较，得到一个会随着设备劣化而稳步下降的单一数值。在实验室测试中，团队人为地增加一相的比值误差并在其他相保持接近正常时，SOP 曲线随着误差增大而平滑下降，表明该指标能跟踪长期退化并过滤掉大量随机噪声。

将平滑漂移与抖动区分开来

即便如此，该健康分数并非完全平滑：电网条件和测量不完善仍会带来波动与起伏。因此，研究人员又应用第二种分解方法，将 SOP 曲线拆分为缓慢变化的“骨架”以及一组小而急促的成分。骨架捕捉精度总体下降的趋势，而波动成分描述短期的涨落。这种分离使团队能够针对不同行为定制不同的预测工具，而不是强行让单一模型同时处理所有情况。

两种智能工具协同工作

对于平滑的骨架，作者使用双高斯模型——由两个钟形曲线之和构成的灵活曲线——以跟踪 CVT 随时间的细微漂移，尤其是在漂移模式并非纯线性时。对于抖动成分，他们采用了一种新的神经网络类型：Kolmogorov–Arnold 网络（KAN）。与常规深度学习模型不同，KAN 以可调的曲线段作为构建模块，这有助于在样本较少的情况下学习复杂模式且不易过拟合。在基于三相在线试验系统的精心设计的劣化试验上训练后，组合方法通过将双高斯骨架与 KAN 预测的波动相加来重建未来的 SOP 值。

对更智能电网的意义

在多项对比测试中，双高斯模型与 KAN 的融合在预测 CVT 健康方面持续优于传统神经网络和其他机器学习技术。预测与实际 SOP 值之间的误差很小，该方法既捕捉到精度的长期下滑，也捕捉到更细尺度的波动。对电网运营商来说，这意味着一种早期预警工具：无需等到计划检修或计费争议暴露出互感器漂移，他们可以实时监测 SOP 趋势，并在设备明显走下坡路时安排维护。随着电力系统变得更自动化和数据驱动，对电网自身测量设备进行这种智能监测是迈向可靠、自知型基础设施的一项关键步骤。

引用: Du, B., Diao, Y., Zhou, F. et al. Trend prediction method for capacitive voltage transformer measurement deterioration based on double Gaussian model-KAN fusion. Sci Rep 16, 11785 (2026). https://doi.org/10.1038/s41598-026-35455-z

关键词: 电容式电压互感器, 状态监测, 预测性维护, 时间序列预测, 电网计量