基于循环BP模型的变压器状态数据清洗方法.pdf

第 38 卷 第 2 期2023 年 4 月Vol.38 No.2Apr.2023电力学报JOURNAL OF ELECTRIC POWER文章编号：1005-6548（2023）02-0101-09 中图分类号：TM406；TP183 文献标识码：B 学科分类号：47040DOI：10.13357/j.dlxb.2023.011开放科学（资源服务）标识码（OSID）：基于循环 BP模型的变压器状态数据清洗方法李金阔，王秀平（沈阳工程学院 电力学院，沈阳 110000）摘要：受运行环境、运行状态或采集装置的干扰，变压器在线检测状态数据中存在大量的噪声，会造成短路阻抗的在线计算出现波动，影响变压器容量的检测结果。在综合分析当前数据清洗方法的基础上，提出一种以 BP神经网络为核心的循环清洗方法，对历史数据无监督清洗并同步训练出清洗模型，利用所训练出的清洗模型实现对检测数据的在线清洗。使用沈阳地区某企业配电变压器运行数据进行了仿真试验，搭建循环 BP 模型的清洗框架并训练清洗模型，其数据在无监督清洗后进一步做短路阻抗的拟合计算，以验证所提方法的有效性。结果表明，基于循环 BP模型的变压器容量在线检测方法所计算的短路阻抗结果趋于稳定，计算误差维持在 5%以下，可有效提高短路阻抗在线拟合的精度。总之，循环 BP 模型是一种无监督、智能化的数据清洗方法，可以有效改善噪声数据对检测结果的影响，提高变压器容量检测的精度，更具智能性。关键词：变压器；变压器容量检测；机器学习；数据清洗；BP神经网络Online Detection Method of Transformer Capacity Based on Cyclic BP ModelLI Jinkuo，WANG Xiuping（School of Electric Power，Shenyang Institute of Engineering，Shenyang 110000，China）Abstract：Due to the interference of operating environment，operating state or acquisition device，there is a lot of noise in the on-line detection state data of transformer，which makes the on-line calculation of short-circuit impedance fluctuate and affects the detection results of transformer capacity.Based on the comprehensive analysis of the current data cleaning methods，a circulating cleaning method with BP neural network as the core was proposed.The historical data was cleaned unsupervised and the cleaning model was trained synchronously.The online cleaning of the test data was realized through the trained cleaning model.The simulation experiment is carried out by using the operation data of the distribution transformer of an enterprise in Shenyang.The cleaning framework of the cyclic BP model is built and the cleaning model is trained.The data is further fitted by the short-circuit impedance after unsupervised cleaning to verify the effectiveness of the proposed method.The results show that the short-circuit impedance calculated by the on-line detection method of transformer capacity based on cyclic BP model tends to be stable，and the calculation error is maintained below 5%，which can effectively improve the accuracy of on-line fitting of short-circuit impedance.In short，the cyclic BP model is an unsupervised and intelligent data cleaning method，which can effectively improve the influence of noise data on the detection results，improve the accuracy of transformer capacity detection，and be more intelligent.收稿日期：2023-01-10作者简介：李金阔（1996），男，硕士研究生，研究方向为变压器状态监测与故障诊断，；王秀平（1978），男，副教授，研究方向为新型电机及其控制，。引文格式：李金阔，王秀平.基于循环 BP 模型的变压器状态数据清洗方法 J.电力学报，2023，38（02）：101-109.DOI：10.13357/j.dlxb.2023.011.第 38 卷电力学报Key words：transformer；transformer capacity detection；machine learning；data cleaning；BP neural network0 引言 变压器容量是由供电部门根据其位置、负荷综合确定的，其可以使负荷运行于变压器的经济运行区间，从而保障电网的稳定性1。我国的两部制电价规定专变用户的电费是由电度电费和配变容量综合确定的，出现了少量用户为减少电费开支私自增加变压器容量或更换小容量铭牌2，同时还存在一些变压器铭牌丢失、铭牌信息不全的情况。因此，开展变压器容量的在线检测对于维护供电部门的经济效益和保障电网的安全稳定具有重要意义。文献 3 研究了变压器损耗和容量的关系，并确定二者之间存在指数关系。目前变压器容量的检测主要采用计算变压器短路阻抗的方法实现的。文献 4 通过变压器的 T 型等效电路推导出变压器短路阻抗与一二次侧电压电流的关系，进一步推导出利用一二次侧电压电流计算短路阻抗的方法，并对所计算出的短路阻抗按照变压器技术标准确定其容量等级。文献 5 对基于数据拟合法的短路阻抗计算方法进行了深入研究，并设计了短路阻抗的在线计算系统，完善了变压器容量在线检测的方法。文献 6-7 搭建了不同的仿真平台，并基于数据拟合法仿真计算变压器容量的检测精度。上述研究结论表明基于数据拟合法计算的短路阻抗可以应用在变压器容量在线检测领域。但在实际应用中，容量的在线检测需要依托于用户用电采集系统（简称用采系统）中的电气数据在线计算短路阻抗。变压器的运行环境和计量设备的采集误差会干扰变压器电气数据的准确性，运行数据中存在异常数据影响拟合结果，导致短路阻抗的计算出现误差。如何处理异常数据是目前变压器容量在线检测精度的关键。文献 8 提出了一种对电压降相间-时间差分的规则，进一步应用基于密度的聚类及异号剔除原则对变压器运行数据做降噪处理，结果表明该降噪处理对容量的校核是有效的。文献 9 提出应用融合相似用户聚类和奇异值阈值理论的在线数据清洗框架和方法对电力营销大数据做在线清洗。文献 10 提出应用聚类对参数相关性进行简化，利用简化后的数据训练时间循环网络模型，实现对数据的清洗。综上所述，目前的数据清洗方法均需要利用聚类、统计方法，寻找相应的阈值或剔除规则，或利用人工剔除后的历史数据训练检测模型，而实际应用中仍需人工选取参数，不适应目前智能电网的发展。因此本文针对上述现状，提出了一种以 BP神经网络为核心的循环清洗方法，对历史数据进行无监督清洗、同步训练出 BP清洗模型，并将 BP 清洗模型应用于变压器容量在线检测中，以实现对检测数据的在线清洗，提高变压器容量检测的精度。最后使用沈阳地区某企业配电变压器的运行数据做实例仿真分析，搭建循环 BP 模型的清洗框架并训练清洗模型，验证了本文所提方法的有效性。1 变压器容量在线检测原理 按文献 11 中对短路阻抗的推导思路，变压器 T 型等效电路如图 1所示。图 1 中I 1和U 1为一次电流和一次电压，R1和X1为一次绕组的电阻和电抗，I m、Rm和Xm分别为励磁电流、励磁电阻和励磁电抗，I 21、U 21、R21和X21分别为二次电流、二次电压、二次绕组的电阻和电抗在一次侧的折算值，由基尔霍夫电压定律可知：U1-U21=I1()R1+jX1+I21()R21+jX21.（1）令Z1=R1+jX1、Z21=R21+jX21，将I1=Im+I21代入式（1）中可得式（2）。U1-U21=ImZ1+I21()Z1+Z21.（2）式中，Z1+Z21为短路阻抗Zk，将U2=U21/k、I2=kI21代入式（2）中可得：图 1变压器 T型等效电路图Fig.1Transformer T-type equivalent circuit diagram102第 2 期李金阔，等：基于循环 BP模型的变压器状态数据清洗方法U1-kU2=ImZ1+I2kZk.（3）式中，U2、I2为二次侧电压、电流，k为变比。在实际运行中，变压器往往运行在负载率小于 70%的经济运行区，很少出现过负荷运行的情况。从铁芯的磁化曲线12上看，变压器在磁化曲线的线性区域运行，那么对于式（3）中的变量而言，励磁电流Im可视为一个不变量，即ImZ1可以视为一个常数。因此，对于式（3）而言，U1-kU2与I2可以视为一个线性关系，对此线性关系进行求解便可计算出变压器的短路阻抗Zk。由上述分析可知，变压器容量在线检测的本质是围绕着式（3）进行的，即通过多组一二次侧电压电流进行线性拟合，计算直线斜率确定短路阻抗，并参照变压器技术标准寻找对应的容量等级，实现对变压器容量的在线检测。可以看出，短路阻抗计算与其输入的多组一二次侧电压电流数据有着极其密切的关系。然而在实际应用中，变压器的运行环境和计量设备的采集误差会干扰变压器的电气数据的准确性，输入至拟合程序中的电压电流数据中存在部分异常数据，使拟合的结果出现偏差或出现过拟合的现象，导致计算结果出现波动，难以获得准确的短路阻抗值。因此，对于变压器容量的在线检测，需要一种智能的、无监督的数据清洗方法对拟合数据进行清洗，减少异常数据造成容量误判现象。2 基于循环 BP模型的变压器容量在线检测原理 目前应用广泛的数据清洗方法是通过概率、聚类等算法观察数据的离群点，确定异常数据的阈值实现对异常数据的清洗与补充13。此方法为有监督的数据清洗方法，即需要人工对统计、聚类后的结果进行分析，或分析变量与变量之间真实存在的关系，从而确定异常阈值。应用有监督的异常检测方法不适应目前电网智能化发展需求，其更需要的是一种无监督的数据清洗方法。参考目前广泛应用于智能对话机器人、敏感词检测系统等领域中的无监督数据清洗思想，现构建出一个以 BP神经网络为核心的循环清洗方法，使用历史数据训练循环 BP清洗模型，并利用其清洗监测数据中的异常数据，可提高变压器容量检测的精度。2.1BP神经网络模型的搭建原理将变比k代入式（1）中，将折算值转换为实际值，可得：I1=U1-kU2-I2()kR2+jkX2()R1+jX1.（4）式中，R2和X2为按变比折算前的二次绕组电阻和电抗。分析式（4）可以看出，一次电流I1的变化与U1、U2、I2、k、R2、X2、R1和X1有关。这些参数在不发生过负荷运行情况时，同一台变压器的U1、k、R2、X2、R1和X1均属于不变参数。因此，从式（4）的角度上看，一次电流I1与二次电压U2和二次电流I2构成了一个回归关系。可以令输入特征X=U2，I2、令模型输出Y=I1，构建U2，I2I1的 BP神经网络模型，如图 2所示。每个数据样本均按图 2所示的网络结构进行前向计算，令li为第i个隐含层神经元，l1i、l2i和bli分别为第i个隐含层神经元的输入、输出和偏置，本文设置隐含层层数为 5，令O1和O2为输出层的输入和输出，那么每个样本的网络计算误差e见式（5）。图 2BP神经网络结构图Fig.2Structure diagram of BP neural network103第 38 卷电力学报图 3基于 BP网络的循环清洗方法原理图Fig.3Schematic diagram of cyclic cleaning method based on BP networkl1i=U2WUi+I2WIi+blil2i=sigmoid(l1i)O1=i=15l2iWli+boO2=sigmoid(O1)e=12(O2-I1)2.（5）式中，WUi为输入层中U2所对应的神经元与第i个隐含层神经元的连接权值；WIi为输入层中I2所对应的神经元与第i个隐含层神经元的连接权值；Wli为第i个隐含层神经元与输出层神经元的连接权值；bo为输出层神经元的偏置；sigmoid()为激活函数。将e视为输出，以WUi、WIi、Wli、bli和bo视为输入，式（5）的过程可以看为f(WUi，WIi，Wli，bli，bo)e，那么若想求得e的最小值，可以按梯度下降法反向传播更新WUi、WIi、Wli、bli和bo，因此对应权值的更新公式，可得出式（6）：W li=Wli-eO2O2O1l2ibo=bo-eO2O2O1W Ui=WUi-eO2O2O1Wlil2il1iU2W Ii=WIi-eO2O2O1Wlil2il1iI2bli=bli-eO2O2O1Wlil2il1i.（6）式中，W Ui、W Ii、W li、bli和bo为对应权值和偏置的更新值，为学习率。从式（6）可以看出，对本文所选的U2、I2和I1而言，所训练出的 BP 网络模型应对应式（4）所代表的行为模式。异常数据将不会满足式（4）的约束，即其是另一种行为模式。那么直接采用包含异常数据的全部数据训练 BP 网络模型，所训练出的模型在全部数据上的准确度不高，e的分布不均匀。若剔除e过大的样本，将剩余样本重新训练出新的 BP 网络模型，按此逻辑重复进行，便可以剔除大部分行为模式发生变化的数据，使e保持在平均e的附近。2.2基于 BP网络的循环清洗方法以 BP 神经网络为核心的循环清洗方法如图 3 所示，其包含两个过程，样本剔除过程（Sample Elimination Process，SEP）和样本召回过程（Sample Recall Process，SRP）。基于 BP 回归模型的数据清洗方法描述如下：1）样本剔除过程。a）直接使用全部原始数据训练 BP 网络模型。在初次循环时，异常数据的存在使模型在原始数据上的准确度很低，故将计算误差大的数据样本剔除。本文提出以误差数量级作为剔除规则，即将大于平均误差104第 2 期李金阔，等：基于循环 BP模型的变压器状态数据清洗方法数量级的数据样本剔除。b）后续循环使用剩余的数据样本继续训练 BP网络模型，按剔除规则剔除数据样本，以此逻辑重复迭代至不再剔除数据样本时，输出此时的 BP网络模型，并用此模型召回前期误剔除的数据样本。2）样本召回过程。a）为了召回前期误剔除的数据样本，将数据样本剔除完成后最终的模型对全部原始数据做测试，剔除其中误差数量级大于平均误差数量级的数据样本。b）使用剩余的数据样本重新训练该 BP网络模型，并剔除大于平均误差数量级的数据样本。c）重复步骤 a）和 b），直至剔除后的剩余数据样本数量趋于稳定，计算平均误差，得到最终的 BP 清洗模型。2.3基于循环 BP模型的变压器容量在线检测流程基于循环 BP 模型的变压器容量在线检测流程如图 4所示，检测流程为：1）先进行历史数据的数据清理，得到最终的 BP 清洗模型；2）将监测数据导入 BP 清洗模型中，计算模型在每个监测样本上的误差；3）判断误差数量级，若样本误差数量级大于平均误差数量级则判定为异常样本并剔除；4）将剩余的样本进行数据拟合，计算短路阻抗确定变压器容量。3 实例样本仿真分析 本文应用 MATLAB2021 搭建 BP 清洗模型与数据清理框架，使用沈阳地区某企业配电变压器运行数据，该变压器技术参数如表 1所示。经计算得该变压器短路阻抗为 42.63。所使用的数据样本为 1 h粒度级的一二次侧电压电流数据。以一次采集的电压电流数据作为一个数据样本，一共选取 500 天共12 000个数据样本，为了更直观地观察 SEP和 SRP中样本量的变化，选择前 7 000个样本作为训练集，剩余 5 000个样本作为测试集。3.1BP清洗模型训练3.1.1样本剔除过程 SEP将 7 000个原始数据样本直接代入 BP模型进行训练，按 2.2节所提出的方法进行数据样本剔除，初始迭代次数设置为 1 000次，每次训练新模型时增加 1 000次，以 105为实际值与计算值的计算误差阈值，经统计剔除样本过程中一共进行了 6次样本剔除，在第 6次以后剔除样本量为 0，仿真结果如图 5所示。表 1S3-M.RL-100/10配电变压器技术参数Tab.1Technical parameters of S3-M.RL-100/10 distribution transformer参数容量/（kVA）一次电压/kV二次电压/kV负载损耗/W数值100100.41 236参数空载电流百分比/%空载损耗/W阻抗电压百分比/%数值0.14137.94.08图 4基于循环 BP模型的变压器容量在线检测流程Fig.4Online detection process of transformer capacity based on cyclic BP model105第 38 卷电力学报由图5可以看出，第一次直接采用全部数据训练 BP模型的结果，其误差分布是不均匀的。伴随着数据样本的剔除，全部样本的计算误差逐渐向平均误差逼近；最终，第6次的误差基本维持在105以下，为了更加清楚地体现数据样本剔除过程中的变化，统计每次训练后的样本平均误差、最大误差、样本数量、异常样本剔除数量，如表2所示。由表 2 可以看出，随着每一次异常样本的剔除，所用剩余样本训练出的 BP 模型在其样本上的平均误差逐渐降低，最终的模型其平均误差为9.86106，误差保持在误差阈值附近，可以认为此时的模型是可以代表式（4）所对应的行为方式。同时，最终的样本数量为 4 087，对比 7 000个原始样本已经剔除了将近 42%的样本，显然SEP 过程中存在大量误剔除的数据样本，故需要SRP过程将其召回。3.1.2样本召回过程 SRP将 SEP 所训练出的最终模型直接对全部原始数据进行I1的计算，其误差分布结果如图 6所示。图 5SEP过程中的e分布变化图Fig.5Variation of e distribution during SEP图 6SEP过程后最终模型对全部样本的检测结果Fig.6Test results of the final model on all samples after SEP表 2SEP过程中的误差变化统计表Tab.2Statistics of error changes in SEP process过程SEP1SEP2SEP3SEP4SEP5SEP6平均误差1.661037.041042.071049.011052.031059.86106样本数量7 0006 8325 0154 5594 2214 087异常样本剔除数量1681 8174563381340106第 2 期李金阔，等：基于循环 BP模型的变压器状态数据清洗方法图 6中虚线代表所有样本的平均误差，实线为对应每个样本经 SEP 的最终模型所计算出的误差。从图6可以看出 SEP 的最终模型对全部样本所计算的误差绝大部分已经保持在平均误差附近，其大于平均误差数量级的样本有 272个。对比图 5（a）可以看出，SEP初步训练出的模型具有检测异常样本的功能，但仍存在对部分数据样本误判的现象，故使用 2.2节 SRP的方法进行数据样本召回，经统计最终经历了 4次 SRP后异常数据样本量已经趋于稳定。每次召回过程中最终模型对全部样本所计算的误差分布结果如图 7所示。由图 7可以看出，随着 SRP的次数增加，图中大于平均误差的数据点（异常点）数量逐渐减少，平均误差也逐渐降低。统计图 6和 7中异常点数量和平均误差如表 3所示。由表 3可以看出，SEP后的最终模型对全部样本所检测出的异常点数量随迭代次数的增加而逐渐降低，最终维持在 52 个不再变化，这说明 SEP 成功召回了早期误判的样本。对最终的异常点，由式（3）直接拟合计算其短路阻抗为 52.36，异常数据所拟合的结果已经和原变压器不同，由此计算结果可以看出本文所提方法对异常数据的清洗是有效的，可以实现对采集数据或用采数据的无监督清洗。3.2BP清洗模型清洗后的变压器容量计算分析为测试本文所提方法对变压器短路阻抗计算结果的性能，本文从测试集中随机抽取了一组包含 200个图 7SRP过程中最终模型对全部样本的检测结果Fig.7Final SRP test results of all samples in the model表 3SRP过程中异常点数量和平均误差的统计结果Tab.3Statistical results of number of outliers and average error in SRP process过程SRP0SRP1SRP2异常点数量27214089平均误差0.037 10.031 70.030 9过程SRP3SRP4异常点数量5252平均误差0.028 50.028 2107第 38 卷电力学报采集点的电压电流数据，使用样本召回过程中所训练出的最终BP 清洗模型对测试数据进行清洗，结果如图 8所示。图 8为使用最终的 BP 清洗模型所计算的一次电流与实际值的对比图，图中画圈的部分为误差数量级大于平均误差数量级的数据点（异常数据）。分别对异常数据剔除前后数据样本进行拟合，计算结果如图 9所示。从图 9可以清晰地看出，两者斜率不同，图中实线为对全部监测数据所拟合的结果，其斜率为 47.24；虚线为对异常数据剔除后的数据样本所拟合的结果，其斜率为 42.15，数据拟合的结果充分说明了数据清洗对短路阻抗计算的影响。按此原理随机选取 5 组 100 个采集点的数据做拟合运算，分别统计剔除前后的样本所计算出的短路阻抗如表 4所示。如表 4所示，清洗前的每组数据样本由于异常数据样本的存在，所拟合短路阻抗计算误差波动较大，其最大值在10%，最小在0.4%。而清洗后的数据样本其所拟合短路阻抗在40 43 之间，其与真实值的误差均保持在 5%以下。由表 4可以看出，对采集数据进行清洗可以提高短路阻抗在线拟合精度，其充分体现了本文所提出的循环BP模型对变压器容量在线检测的优越性。4 结论 本文针对变压器容量在线检测中因采集数据或用采数据存在噪声而影响检测结果的问题，提出了一种基于循环 BP 模型的变压器容量在线检测方法，并使用沈阳地区某企业配电变压器运行数据做仿真试验。搭建了循环 BP模型，选取前 7 000个样本作为训练集，进行模型训练以及历史数据无监督清洗，采用样本剔除（SEP）和样本召回（SRP）完成模型训练，从测试集中随机抽取一组包含 200个采集点的电压电流数据进图 9数据清洗前后短路阻抗的拟合结果Fig.9Fitting results of short circuit impedance before and after data cleaning表 45组样本数据清洗前后计算结果统计表Tab.4Statistical table of calculation results of 5 groups of sample data before and after cleaning组别第一组第二组第三组第四组第五组剔除前短路阻抗/47.2745.6139.4142.4342.26绝对误差/%10.06.97.50.40.8剔除后短路阻抗/41.6540.8141.4242.4942.77绝对误差/%2.24.22.80.30.3图 8BP清洗模型对监测数据的清洗效果Fig.8Cleaning effect of BP cleaning model on monitoring data108第 2 期李金阔，等：基于循环 BP模型的变压器状态数据清洗方法行拟合，通过对异常数据样本剔除前后的数据做拟合，发现全部检测数据的拟合曲线斜率为 47.24，剔除异常点后的拟合曲线斜率为 42.15，说明数据清洗对短路阻抗计算有明显影响。另选取 5组 100个采集点做拟合，统计异常数据样本剔除前后的短路阻抗计算误差，结果表明，数据清洗后的短路阻抗可维持在 40 43 之间，与真实值的误差保持在 5%以下，验证了所提方法的准确性。仿真试验结果表明，循环 BP模型应用在变压器容量在线检测时，可以有效改善噪声数据对检测结果的影响，使短路阻抗的在线计算结果趋于稳定，误差维持在 5%以下，且与传统数据清洗算法相比，本文所提方法不需要人工进行阈值的确定，更具备智能性。参考文献：1 黄国政，黄孟哲，吴洪波，等.一种基于配电变压器失压信息倒推开关故障的方法 J.广东电力，2020，33（4）：97-104.HUANG Guozheng，HUANG Mengzhe，WU Hongbo，et al.A Method for Deducing Switch Failure Based on Voltage Loss of Distribution Transformer J.Guangdong Electric Power，2020，33（4）：97-104.2 安义，陈春，范瑞祥，等.基于数据驱动的配电变压器容量在线校正方法 J.高电压技术，2019，45（9）：2842-2848.AN Yi，CHEN Chun，FAN Ruixiang，et al.On-Line Correcting Method of the Distribution Transformer Capacity Based on Data-Driven J.High Voltage Engineering，2019，45（9）：2842-2848.3 保定天威保变电气股份有限公司.变压器实验技术 M.北京：机械工业出版社，2001.4 李霞.配电变压器容量及损耗在线检测系统的设计与研究 D.重庆：重庆大学，2012.LI Xia.The Research and Design of On-line Detection Ssystem for the Capacity and Loss of Distribution Transformers D.Chongqing：Chongqing University，2012.5 邹明继.基于数据拟合法的配电变压器额定容量在线检测方法研究 D.合肥：合肥工业大学，2020.ZOU Mingji.Research on On-line Detection Method of Rated Capacity of Distribution Transformer Based on Data FittingD.Hefei：Hefei University of Technology，2020.6 王晓强.配电变压器容量和型号检测方法的探讨 J.通信电源技术，2020，37（4）：155-156.WANG Xiaoqiang.Discussion on the Method of Measuring the Capacity and Model of Distribution Transformer J.Telecom Power Technology，2020，37（4）：155-156.7 姜聿涵.配电变压器损耗和容量在线检测方法 J.电子技术与软件工程，2019（21）：215-216.JIANG Yuhan.On-Line Detection Method for Loss and Capacity of Distribution Transformer J.Electronic Technology&Software Engineering，2019（21）：215-216.8 安义，于宗超，方旎，等.Dyn11型变压器额定容量智能校核方法 J.高电压技术，2020，46（9）：3044-3053.AN Yi，YU Zongchao，FANG Ni，et al.Intelligent Checking Method for Rated Capacity of Type Dyn11 Transformers J.High Voltage Engineering，2020，46（9）：3044-3053.9 马红明，马浩，杨迪等.基于奇异值阈值理论的电力营销数据在线清洗方法 J/OL.电测与仪表（2021-12-13）2023-03-10.http：/ Hongming，Ma Hao，Yang Di，et al.Online Cleaning Method of Power Marketing Data Based on Singular Value Threshold Theory J/OL.Electrical Measurement and Instrument（2021-12-13）2023-03-10.http：/ 孟令雯，张锐锋，李鑫卓，等.基于机器学习的变电站设备异常状态数据清洗 J.电力系统及其自动化学报，2021，33（12）：79-86.MENG Lingwen，ZHANG Ruifeng，LI Xinzhuo，et al.Cleaning Abnormal Status Data of Substation Equipment Based on Machine Learning J.Proceedings of the CSU-EPSA，2021，33（12）：79-86.11 张璐，李力，黄国强，等.基于短路阻抗和负载损耗的电力变压器容量测试 J.陕西电力，2016，44（11）：93-97.ZHANG Lu，LI Li，HUANG Guoqiang，et al.Capacity Testing of Power Transformer Based on Short-Circuit Impedance and Load Loss J.Shaanxi Electric Power，2016，44（11）：93-97.12 张广溢，郭前岗.电机学 M.重庆：重庆大学出版社，2002.13 姜高霞，王文剑.面向回归任务的数值型标签噪声过滤算法 J.计算机研究与发展，2022，59（8）：1639-1652.JIANG Gaoxia，WANG Wenjian.A Numerical Label Noise Filtering Algorithm for Regression Task J.Journal of Computer Research and Development，2022，59（8）：1639-1652.责任编辑：王静109