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)

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)

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对新采样的信号进行辨识，判断介损角变化量(分辨率为0.001%)。给出了用于深度学习的介损角表示信号Dδ(t)的计算过程，证明了在讨论域内该信号的幅值即是介损角δ，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。

深度学习 电容器 介损角 在线监测

0 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，电力电容器的介质损耗因数(介质损耗角的正切值tanδ)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[1-5]。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[4]。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 Transformer，PT)角差的影响[7，8]、电流相角的监测受电流互感器(Current Transformer，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[9-19]。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 Fourier Transform，DFT)对电容器的电压和电流信号进行谐波分析，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[9，10]。为解决该问题，文献[11]提出了基于Blackman-Harris的DFT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[19]。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、PT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1所示，其中A004监测装置投运后异常，数据未统计。

图1 A相电容器介损角监测值盒图Fig.1 Box plot of measured δ on phase A capactiotrs

从图1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0.03×10-2rad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形出现不同程度的畸变。常见的电力电容器的工作电流为28～50 A，每相安装8～16只电容器时，母线的电流约为224～800 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，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[23-29]，在电力系统信号分析领域取得了一定的应用成果[30]。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Dδ(t)

图2 电容型设备绝缘等效电路与相量图Fig.2 Equivalent circuit and phasor diagram

使用U(t)和I(t)描述电容器的工作电压和电流。

U(t)=AUsin(ωt+φU)

(1)

I(t)=AIsin(ωt+φI)

(2)

式中，AU为电压幅值；ω为角频率；φU为电压初始相角；AI为电流幅值；φI为电流初始相角。

(3)

(4)

(5)

图3 电容器电压、电流同步采样波形相位图Fig.3 Phasor diagram on synchronous sampling values of voltage and current signal

(6)

由式(6)可见Dδ(t)的角频率与电容器电流、电压相同，Dδ(t)的幅值与被测的介损角δ有关。

定义Dδ(t)信号幅值的绝对值为Aδ，则Aδ=2sin(δ/2)，设Aδ与δ的比值为R(δ)。

(7)

高压并联电容器在额定电压下，20 ℃时介损角δ应符合下列值：纸膜复合介质的电容器应不大于0.08% rad；全膜介质的电容器中，有放电电阻和内熔丝的应不大于0.05% rad；无放电电阻和内熔丝的应不大于0.03% rad。由式(7)可见，当0<δ<0.08% rad时，R(δ)的值为[1，0.999 999 9]。因此在讨论域内，Dδ(t)信号的幅值的绝对值Aδ等效于介损角δ的值。将介损角δ的测量从电压、电流的相位差的计算转换为Dδ(t)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Dδ(t)信号辨识方法

基于深度学习的介损角δ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Dδ(t)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Dδ(t)信号是否为期望的δ，还是偏移了一定量的δi，该过程计算速度快，可用于在线监测。本文深度学习网络如图4所示。

图4 介损角辨识深度学习网络Fig.4 Deep learning network for dielectric loss factor identification method

图4中深度学习网络为深度前馈多层神经网络。采用Dδ(t)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0.001%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δ0，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Dδ0(t)，t为监测系统的采样间隔。

2)使用式(6)依次计算δ0每次增加0.001%rad后的Dδi(t)，i∈{1，2，…，10}。

3)对Dδ0(t)～Dδ10(t)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Dδi(t)，从而辨识当前被测信号的介损角为δi=δ0+i·(0.001%)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：①假设目标电容器的介损角δ为0.03%rad；②在线监测系统的采样率为10 kHz；③采样点数为1 600。

仿真过程：

1)使用Matlab生成介损角δi为{0.030%，0.031%，0.032%，…，0.039%，0.040%}rad、频率分别为{49.5，49.6，…，50.4，50.5}Hz条件下的介损角表示信号Dδi(t)集。

3)样本加{20，25，30，35，40}dB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TrainSet。

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δi为分类依据进行有导师训练。

图5 Rectifier激活函数曲线Fig.5 Curve of Rectifier activation function

6)使用TestSet检验深度学习网络在不同δi下的Dδi(t)信号的辨识能力。

训练过程中深度学习网络的方均差(MeanSquareError，MSE)趋势如图6所示。

图6 深度学习网络学习过程中方均差图Fig.6 MSE diagram of deep learning procedure

从图6可以看出，当迭代次数为55～60次之间时，深度学习网络的MSE已经小于设定阈值10-10，训练结束。

使用测试数据集TestSet检验深度学习网络在不同δi时测试信号的分类能力，其分类情况见表1。

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Tab.1 Dielectric loss factor identification results on test dataset of a capacitor by proposed deep learning network

依据仿真过程，表1中每个δi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8.79%。同时δi辨识的最大误差不超过±10-5rad，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。

通过仿真结果可以看出，当仿真信号加入20dB以上的白噪声信号后，本方法即可准确地辨识介损角δi。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15dB时，使用谐波分析法不能准确测量介损角；信噪比为25dB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35dB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δ变化0.001%rad时的Dδ(t)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)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Dδ(t)。

Dδ0(t)，然后在Dδ0(t)信号上按照第2节仿真步骤计算当δ减少0.003%rad、0.002%rad、0.001%rad时的Dδi(t)，i∈{1，2，3}，以及δ增加0.001%～0.004%rad情况下的表示信号Dδi(t)，i∈{4，5，6，7}。然后对Dδi(t)∪Dδ(t)中信号分别叠加{20，25，30，35，40}dB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测信号进行分类，从而辨识介损角的变化量。辨识结果为δ无变化、还是δ增加或减少若干个0.001%rad。

图7 实际监测数据的深度学习网络训练方均差图Fig.7 MSE diagram of deep learning with actual on-line monitoring data

训练数据各等级δi的分类情况见表2(表中Δ=0.001%rad)，从中可以看出训练集样本分类的总体错误率为2.68%，训练样本识别精度高。

表2 A相1#电容器监测数据训练集分类效果Tab.2 Classification results of training data of 1# capacitor on phase A

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831份监测样本进行分类。实验结果表明，在不去噪的情况下，831份监测样本全部被识别为δ=0.03%类别，而实际情况中6、7月份该电容器运行正常，相比图1中A001电容器采用谐波分析法监测δ的效果要好。实验结果表明本文方法比谐波分析法有更好的抗干扰能力。

图8列出了实际在线监测系统中不同位置电容器Dδ(t)信号几种典型的波形。

图8 在线监测系统中不同位置电容器的Dδ(t)Fig.8 Dδ(t) diagram of capacitor which installed in different 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Dδ(t)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Dδ(t)包含介损角值和电容器受到的干扰，并使用该信号作为输入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PT和CT固有角差的影响。

[1] 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)：229-236.DongShuang，LiTianyun，WangYong，etal.Anon-linedetectionmethodofdielectriclossanglebasedonmatrixpencilalgorithm[J].TransactionsofChinaElectrotechnicalSociety，2015，30(18)：229-236.

[2]WangP，RaghuveerMR，McDermidW，etal.Adigitaltechniquefortheonlinemeasurementofdissipationfactorandcapacitance[J].IEEETransactionsonDielectricElectricalInsulation，2001，8(2)：228-232.

[3] 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)：67-71.ShangYong，YangMinzhong，WangXiaorong，etal.Erroranalysisforthedielectriclossfactormeasurementbasedonharmonicanalysis[J].TransactionsofChinaElectrotechnicalSociety，2002，17(3)：67-71.

[4] 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.LiuWei，HuangXinbo，ZhangYun.Designoffieldsamplingunitofanon-linemonitoringsystemofdielectriclossincapacitivehigh-voltageapparatus[J].ComputerMeasurement&Control，2010，18(1)：233-242.

[5] 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)：144-149.ChenXiaoyu，ZhengJianyong，MeiJun.PowercapacitorbanksfailurewarningmethodbasedonlineintelligenceLCoscillationfrequencyvariationanditsimplementation[J].PowerSystemProtectionandControl，2015，43(5)：144-149.

[6] 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)：7-10.XuZhiniu，LüFangcheng，LiHeming.Influenceofsamplingtimeandsamplingfrequencyondielectriclossanglemeasurementbasedonwindowedinterpolationalgorithm[J].JournalofNorthChinaElectricPowerUniversity，2007，34(4)：7-10.

[7] 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)：26-28.XieHua，ZhangHuiping.TheinfluenceofangleerrorofCVTonon-linetanδmonitoring[J].High Voltage Engineering，2003，29(5)：26-28.

[8] 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，2014，29(7)：229-236. Li Zhenhua，Li Hongbin，Zhang Qiuyan，et al.An online calibration system for high voltage electronic current transformers[J].Transactions of China Electrotechnical Society，2014，29(7)：229-236.

[9] 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].电网技术，2002，26(7)：15-18. Cai Guoxiong，Zhen Weihong，Yang Xiaohong，et al.A digitized zero cross point voltage method of comparison for measurement of dielectric losses[J].Power System Technology，2002，26(7)：15-18.

[10]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)：95-100. Yuan Fei，Yang Zhennan，Lu Yi.A filtering algorithm for measuring capacitive device dielectric loss based on relative comparison method[J].Power System Protection and Control，2015，43(19)：95-100.

[11]王楠，律方成，梁英，等.基于高精度 DFT 的介损数字测量方法[J].高电压技术，2003，29(4)：3-8. Wang Nan，Lü Fangcheng，Liang Ying，et al.Digital measurement of dielectric loss based on high accuracy DFT algorithm[J].High Voltage Engineering，2003，29(4)：3-8.

[12]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，2001，41(9)：5-8. Wang Weile，Li Fuqi，Tan Kexiong.Higher-order sine fitting algorithm for dielectric loss measurement[J].Journal of Tsinghua University，2001，41(9)：5-8.

[13]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)：58-61. Chen Kai，Hu Zhijian，Wang Hui，et al.Algorithm and application of dielectric loss angle based on asynchronous sampling[J].Power System Technology，2004，28(18)：58-61.

[14]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)：36-37. Feng Xiaohua，Zhang Chengxue.Modified harmonics analysis approach for increasing precision in on-line measuring tanδ[J].High Voltage Engineering，2004，30(8)：36-37.

[15]Li Q，Zhao T，Siew W H.Definition and digital algorithms ofdielectric loss factor for condition monitoring of high-voltage powerequipment with harmonics emphasis[J].IEEE Proceedings on Generation，Transmission and Distribution，2005，152(3)：309-312.

[16]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)：327-332. Zhang Zhonglei，Li Qingmin，Chen Peng.Definition and digital algorithms for dielectric loss factor of high voltage power apparatus under harmonics condition[J].High Voltage Apparatus，2004，40(5)：327-332.

[17]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)：100-104. Zhang Jieqiu，Liang Changhong，Han Fengyan，et al.Convolution window weighted algorithm for dielectric loss factor[J].Transactions of China Electrotechnical Society，2005，20(3)：100-104.

[18]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)：81-85. Xu Zhiniu，Lü Fangcheng，Zhao Lijuan，et al.Analysis of dielectric loss angle measurement by Hanning windowing interpolation algorithm based on FFT[J].Automation of Electric Power Systems，2006，30(2)：81-85.

[19]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)：127-133. Duan Dapeng，Jiang Xiuchen，Sun Caixin，et al.A novel algorithm of dielectric loss measurement based on orthogonal decomposition[J].Proceedings of the CSEE，2008，28(7)：127-133.

[20]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)：203-208. Wen He，Teng Zhaosheng，Wang Yi，et al.High accuracy dielectric loss angle measurement algorithm based on triangular self-convolution window[J].Transactions of China Electrotechnical Society，2009，24(3)：203-208.

[21]李天云，祝磊，康玉芳，等.基于总体最小二乘-旋转矢量不变技术的介损角测量算法[J].电网技术，2009，33(18)：171-175. Li Tianyun，Zhu Lei，Kang Yufang，et al.Dielectric loss angle measurement algorithm based on TLS-ESPRIT[J].Power System Technology，2009，33(18)：171-175.

[22]曾博，唐求，卿柏元，等.基于Nuttall自卷积窗的改进FFT谱分析方法[J].电工技术学报，2014，29(7)：59-65. Zeng Bo，Tang Qiu，Qing Baiyuan，et al.Spectral analysis method based on improved FFT by Nuttall self-convolution window[J].Transactions of China Electrotechnical Society，2014，29(7)：59-65.

[23]黄冬梅，龚仁喜，焦凤昌，等.莱夫-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)：28-34. Huang Dongmei，Gong Renxi，Jiao Fengchang，et al.Power harmonic analysis based on Rife-Vincent window and triple-spectral-line interpolation[J].Power System Protection and Control，2014，42(2)：28-34.

[24]余凯，贾磊，陈雨强，等.深度学习的昨天、今天和明天[J].计算机研究与发展，2013，50(9)：1799-1804. Yu Kai，Jia Lei，Chen Yuqiang，et al.Deep learning：yesterday，today，and tomorrow[J].Journal of Computer Research & Development，2013，50(9)：1799-1804.

[25]孙志军，薛磊，许阳明，等.深度学习研究综述[J].计算机应用研究，2012，29(8)：2806-2810. Sun Zhijun，Xue Lei，Xu Yangming，et al.Overview of deep learning[J].Application Research of Com-puters，2012，29(8)：2806-2810.

[26]胡洋.基于马尔可夫链蒙特卡罗方法的RBM学习算法改进[D].上海：上海交通大学，2012.

[27]陈宇，郑德权，赵铁军.基于Deep Belief Nets的中文名实体关系抽取[J].软件学报，2012，23(10)：2572-2585. Chen Yu，Zheng Dequan，Zhao Tiejun.Chinese relation extraction based on deep belief nets[J].Journal of Software，2012，23(10)：2572-2585.

[28]Chen Yushi，Zhao Xing，Jia Xiuping.Spectral-spatial classification of hyperspectral data based on deep belief network[J].IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing，2015，8(6)：1-12.

[29]李岳云，许悦雷，马时平，等.深度卷积神经网络的显著性检测[J].中国图象图形学报，2016，21(1)：53-59. Li Yueyun，Xu Yuelei，Ma Shiping，et al.Saliency detection based on deep convolutional neural network[J].Journal of Image and Graphics，2016，21(1)：53-59.

[30]林颖，郭志红，陈玉峰.基于卷积递归网络的电流互感器红外故障图像诊断[J].电力系统保护与控制，2015，43(16)：87-94. Lin Ying，Guo Zhihong，Chen Yufeng，et al.Convolutional-recursive network based current transformer infrared fault image diagnosis[J].Power System Protection and Control，2015，43(16)：87-94.

(编辑 赫蕾)

Online Identification Method of Power Capacitor Dielectric Loss Angle Based on Deep Learning

WangXiaohuiZhuYongliWangYanGuoFengjuan

(School of Control and Computer Engineering North China Electric Power University Baoding 071003 China)

Most of the algorithm of calculating dielectric loss factor are positive solving process, which include sampling capacitor current and voltage, and calculating the dielectric loss factor of these signals by harmonic analysis. These methods have poor robustness when there are unidentified distortions in the sampling signal. This paper proposes a capacitor dielectric loss factor identification algorithm based on the deep learning. The algorithm proposed in this paper trains a feed-forward multilayer artificial neural network with a period of online sampling signals, and identify the dielectric loss angle from new monitoring data with resolution of 0.001%. The computation of dielectric loss factor identification signalDδ(t) is proposed， and verify the amplitude ofDδ(t) is the dielectric loss angle. And the shape of its waveform includes the interference of the monitoring device. The validity of the method has been proved by simulation. The method can achieve better ability to resist noise than hanning windows harmonic analysis method. The calculation results based on actual online monitoring data shows better robustness than hanning windows harmonic analysis method, its results is also not affected by the angle error of potential transformer.

Deep learning，power capacitor，dielectric loss angle，online monitoring

国家自然科学基金(51407076，51677072)和中央高校基本科研业务专项资金(2014MS131)资助项目。

2016-06-03 改稿日期2016-11-29

10.19595/j.cnki.1000-6753.tces.160864

TM835.4

王晓辉 男，1981年生，博士研究生，研究方向为电力系统自动化、深度学习等。

E-mail：maconi@126.com(通信作者)

朱永利 男，1963年生，博士生导师，教授，研究方向为网络化监控和智能信息处理。

E-mail：yonglipw@163.com