CN104933012A - 一种牵引变电所互感器的测量偏差故障在线识别方法 - Google Patents

Abstract

本发明公开了一种牵引变电所互感器的测量偏差故障在线识别方法，其步骤为：1)建模数据选取与预处理：在牵引变电所空载且各互感器无故障时的互感器测量有效值历史数据中选取连续I个时刻的数据构成矩阵并进行标准化处理；2)建立主元分析模型；3)互感器实时采样集的预测误差平方SPE计算；4)互感器测量偏差故障在线检测；5)各互感器对应的预测误差平方SPE贡献均值计算；6)识别发生测量偏差故障的互感器。该方法只需对牵引变电所内各互感器测量有效值数据进行处理即可在线识别出发生测量偏差故障的互感器，无需额外增加波形记录设备，对硬件要求低，实施成本低，容易推广使用。

Description

一种牵引变电所互感器的测量偏差故障在线识别方法

技术领域

本发明涉及一种牵引变电所互感器的测量偏差故障在线识别方法。

背景技术

互感器是牵引变电所内重要的设备，它通过电磁感应将牵引变电所的高电压、大电流转变为低电压、小电流，以供计量、监控及继电保护。如果互感器发生测量偏差故障，即其输出电压或电流值出现偏差，将严重影响牵引变电所的正常运行，影响机车的经济高效运行，严重时会导致继电保护误动作，发生安全事故。因此需要对互感器进行在线识别，以便互感器出现测量偏差故障时，能够及时进行处理，以保证铁路机车的安全可靠运行。

针对互感器的测量偏差故障，目前的在线识别方法主要是基于波形的信号处理方法和基于波形的模型分析方法。

基于波形的信号处理方法，主要是当某一互感器的二次侧(输出)波形信号发生突变，而与之关联的其他位置的互感器并未发生相应的突变，即可认定该互感器发生测量偏差故障。其识别的准确性和可靠性受互感器测量误差影响大。并且当互感器发生渐变性故障时，故障信号在时域表现为跨度大且局部特征不明显，则检测不出互感器的测量偏差故障。

基于波形的模型分析方法，则是通过电流观测器模型、基于基尔霍夫电流定律的互感器解析冗余模型进行解析计算，当某个位置处的互感器的解析值与其实际输出值的偏差大于阈值，则认定该互感器出现了测量偏差故障。但是建立的模型是基于理论假设，与牵引变电所的实际电路结构及环境不可避免地存在偏差，导致其识别效果不够理想。并且各个牵引变电所的电路结构和元件参数均不同，需要针对每个牵引变电所分别建模，导致其实施难度大，难以推广应用。

并且，以上两种方法均需要实时采集互感器二次侧的波形，而目前大多数牵引变电所并不具备该条件，所使用的数据采集与监视控制系统只采集各互感器测量电流或电压有效值数据。

发明内容

本发明的目的是提供一种利用各互感器测量有效值数据，基于主元分析方法的牵引变电所互感器测量偏差故障在线识别方法。该方法识别结果准确、可靠。

本发明为实现其发明目的采用的技术方案为：一种牵引变电所互感器的测量偏差故障在线识别方法，其步骤为：

A、建模数据选取与预处理

在牵引变电所空载且各互感器无故障时的互感器测量有效值历史数据中选取连续I个时刻的数据，构造互感器历史测量值矩阵X＝(x_ij)_I×J，其中x_ij表示在第i个时刻第j个互感器的历史测量有效值；i＝1,2,…,I，表示历史数据的时刻；J为互感器的总个数；

然后，将互感器历史测量值矩阵X＝(x_ij)_I×J的各列数据进行标准化处理得到标准化的测量值x′_ij，即其中σ_j分别为互感器历史测量值矩阵X的第j列的平均值和标准差，也即估计的互感器j的历史测量有效值x_ij的平均值和标准差，进而得到标准化的历史测量值矩阵X′＝(x′_ij)_I×J；

B、建立主元分析模型

B1、对标准化的历史测量值矩阵X′进行主元分析，即对X′的协方差矩阵S，S＝X′^TX′/(I-1)作奇异值分解，其中矩阵的上标T表示矩阵的转置；得到J个特征值，将这些特征值从大到小排序，得到特征值序列R，R＝[λ₁，λ₂，…λ_k…，λ_K]，其中k为特征值的序号，K＝J；

B2、将特征值序列R分成前后两个部分，前部分为负载序列R₁＝[λ₁，λ₂，…，λ_Q]，后部分为残差序列R₂＝[λ_Q+1，λ_Q+2，…，λ_K]，且残差序列R₂中的所有特征值之和θ₁与特征值序列R中的所有特征值之和的比值小于η，η取0.05～0.15；其中，Q为负载序列R₁中特征值的个数；根据负载序列R₁和残差序列R₂分别得到负载对角矩阵Λ，Λ^＝diag(λ₁,λ₂,…,λ_Q)和残差对角矩阵Λ′，Λ′＝diag(λ_Q+1,λ_Q+2,…,λ_K)，其中，diag(·)表示对角矩阵；

B3、根据负载对角矩阵Λ和残差对角矩阵Λ′即可得到标准化的历史测量值矩阵X′的协方差矩阵S的奇异分解表达式：S＝PΛP^T+P′Λ′P′^T，

其中，P为J×Q的负载矩阵，各列依次为负载序列R₁中的各个特征值对应的协方差矩阵S的特征向量，P′为J×(J-Q)的残差矩阵，各列依次为残差序列R₂中的各个特征值对应的协方差矩阵S的特征向量；

B4、计算残差序列R₂的特征值平方和θ₂，得到预测误差的自由度h，求出预测误差平方均值的控制限 其中，是自由度为h、置信度为α的卡方分布临界值，α取0.95～0.99；

C、互感器实时采样集的SPE计算

在牵引变电所空载时，采集当前时刻T互感器j的当前测量有效值s_Tj，得到互感器的当前测量值向量s_T，s_T＝[s_T1,s_T2,…,s_Tj,…,s_TJ]，对当前测量值向量s_T中的每个当前测量有效值s_Tj，按A步中互感器j的历史测量有效值x_ij的平均值和标准差σ_j，得到互感器j的标准化的当前测量有效值s′_Tj，进而得到互感器的标准化的当前测量值向量s′_T，s′_T＝[s′_T1,s′_T2,…,s′_Tj,…,s′_TJ]，然后根据B步中的负载矩阵P计算当前时刻T的预测误差平方SPE_T，SPE_T＝||(I_J-PP^T)s′_T||²；其中I_J为J阶单位矩阵，||·||为向量·的长度；

D、重复C步操作，得到不同时刻t的预测误差平方SPE_t，进而得到所有时刻的预测误差平方SPE_t组成的预测误差平方序列SPE，SPE＝[SPE₁,SPE₂,…,SPE_t,…SPE_T]；

E、互感器测量偏差故障在线检测

采用长度为L(5≤L≤10)个时刻的滑动窗对D步中的预测误差平方序列SPE序列进行滑动平均处理，得到各采样时刻互感器测量有效值样本集的预测误差平方SPE均值序列 $\stackrel{\‾}{\mathrm{SPE}}=[\stackrel{\‾}{{\mathrm{SPE}}_1},\stackrel{\‾}{{\mathrm{SPE}}_2},...,\stackrel{\‾}{{\mathrm{SPE}}_t},...\stackrel{\‾}{{\mathrm{SPE}}_T}];$ 如果连续N(5≤N≤10)个时刻的大于B步中计算获得的预测误差平方SPE均值控制限则判定有互感器在该连续N个时刻中的第1个时刻发生测量偏差故障，记该时刻为t′，同时发出报警信号；并进行步骤F；

F、各互感器对应的SPE贡献均值计算

计算各互感器j在发生测量偏差故障的时刻t′及以后各时刻t对预测误差平方SPE的贡献值

${\mathrm{Cont}}_j^t={\left[{\mathrm{\ξ}}_j^T(I_j-{\mathrm{PP}}^T)s_t^{\′}\right]}^2$

其中t′≤t≤T，ξ_j表示单位矩阵I_J的第j列，s′_t表示时刻t互感器的标准化的测量值向量；同时采用长度为L个时刻的滑动窗对预测误差平方SPE贡献序列进行滑动平均处理，得到在时刻t互感器j对预测误差平方SPE的贡献均值进而获得互感器j的预测误差平方SPE贡献均值序列 $\stackrel{\‾}{{\mathrm{Cont}}_j}=[\stackrel{\‾}{{\mathrm{Cont}}_j^{t^{\′}}},\stackrel{\‾}{\mathrm{Con}{t}_j^{t^{\′+1}}},...,\stackrel{\‾}{{\mathrm{Cont}}_j^T};$

G、识别发生测量偏差故障的互感器

计算时刻t互感器j的预测误差平方SPE贡献均值与所有互感器的预测误差平方SPE贡献均值总和的比值，得到互感器j在时刻t的偏差比重

${\mathrm{\η}}_j^t=\stackrel{\‾}{{\mathrm{Cont}}_j^t}/\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\stackrel{\‾}{{\mathrm{Cont}}_j^t}$

如果第j个互感器的偏差比重连续2N个时刻均大于其余所有互感器的偏差比重，则判断第j个互感器发生测量偏差故障。

与现有技术相比，本发明的有益效果是：

一、分析处理的基础数据为互感器测量的电压或电流有效值数据，而非波形数据，无需额外增加波形记录设备，对硬件要求低，实施成本低，容易推广使用。

二、能够方便地移植应用于具有不同主接线拓扑结构的牵引变电所。由于本发明是基于历史测量数据建立数学模型，避免了复杂的基于各个牵引变电所的电路结构和元件参数的物理建模，其优点是：建模更方便，能够方便地移植应用于具有不同主接线拓扑结构的牵引变电所；建模误差小，识别精度高，识别结果更准确可靠。

三、基于波形的信号处理的方法，其识别的准确性和可靠性受互感器测量误差影响大。并且当互感器发生渐变性故障时，故障信号在时域表现为跨度大且局部特征不明显，则检测不出互感器的测量偏差故障。本发明基于互感器测量的有效值，通过对历史有效值进行主元分析、对当前测量值的预测误差平方计算并作滑动平均处理判断出是否有互感器发生测量偏差故障，再通过各个互感器的预测误差平方贡献值计算及其滑动平均处理，进而计算各个互感器对预测误差平方的贡献比重，比重最大者即为发生测量偏差故障的互感器。在识别过程中能够有效滤除动态数据中的随机成分，从而提高检测和识别结果的灵敏度和准确度。

进一步，本发明所述的步骤E中采用长度为L的滑动窗对计算得到的预测误差平方序列SPE进行滑动平均处理得到预测误差平方均值序列的具体做法是：

当t小于等于L时，取当t大于L时，第t时刻的计算公式为： $\stackrel{\‾}{{\mathrm{SPE}}_t}=\frac{1}{L}\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{SPR}}_{t-m}.$

进一步，本发明所述的步骤F中采用长度为L的滑动窗对计算得到的预测误差平方SPE贡献序列Cont_j进行滑动平均处理得到预测误差平方SPE贡献均值序列的具体做法是：

当t小于等于L时，取当t大于L时，第t时刻的计算公式为 $\stackrel{\‾}{{\mathrm{Cont}}_j^t}=\frac{1}{L}\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{Cont}}_j^{t-m}.$

下面结合具体实施方式对本发明做进一步的详细说明。

具体实施方式

实施例

本发明的一种具体实施方式是：一种牵引变电所互感器的测量偏差故障在线识别方法，其步骤为：

A、建模数据选取与预处理

在牵引变电所空载且各互感器无故障时的互感器测量有效值历史数据中选取连续I个时刻的数据，构造互感器历史测量值矩阵X＝(x_ij)_I×J，其中x_ij表示在第i个时刻第j个互感器的历史测量有效值；i＝1,2,…,I，表示历史数据的时刻；J为互感器的总个数；

然后，将互感器历史测量值矩阵X＝(x_ij)_I×J的各列数据进行标准化处理得到标准化的测量值x′_ij，即其中σ_j分别为互感器历史测量值矩阵X的第j列的平均值和标准差，也即估计的互感器j的历史测量有效值x_ij的平均值和标准差，进而得到标准化的历史测量值矩阵X′＝(x′_ij)_I×J；

B、建立主元分析模型

B1、对标准化的历史测量值矩阵X′进行主元分析，即对X′的协方差矩阵S，S＝X′^TX′/(I-1)作奇异值分解，其中矩阵的上标T表示矩阵的转置；得到J个特征值，将这些特征值从大到小排序，得到特征值序列R，R＝[λ₁，λ₂，…λ_k…，λ_K]，其中k为特征值的序号，K＝J；

B2、将特征值序列R分成前后两个部分，前部分为负载序列R₁＝[λ₁，λ₂，…，λ_Q]，后部分为残差序列R₂＝[λ_Q+1，λ_Q+2，…，λ_K]，且残差序列R₂中的所有特征值之和θ₁与特征值序列R中的所有特征值之和的比值小于η，η取0.05～0.15；其中，Q为负载序列R₁中特征值的个数；根据负载序列R₁和残差序列R₂分别得到负载对角矩阵Λ，Λ＝diag(λ₁,λ₂,…,λ_Q)和残差对角矩阵Λ′，Λ′＝diag(λ_Q+1,λ_Q+2,…,λ_K)，其中，diag(·)表示对角矩阵；

B3、根据负载对角矩阵Λ和残差对角矩阵Λ′即可得到标准化的历史测量值矩阵X′的协方差矩阵S的奇异分解表达式：S＝PΛP^T+P′Λ′P′^T，

其中，P为J×Q的负载矩阵，各列依次为负载序列R₁中的各个特征值对应的协方差矩阵S的特征向量，P′为J×(J-Q)的残差矩阵，各列依次为残差序列R₂中的各个特征值对应的协方差矩阵S的特征向量；

B4、计算残差序列R₂的特征值平方和θ₂，得到预测误差的自由度h，求出预测误差平方均值的控制限 其中，是自由度为h、置信度为α的卡方分布临界值，α取0.95～0.99；

C、互感器实时采样集的SPE计算

在牵引变电所空载时，采集当前时刻T互感器j的当前测量有效值s_Tj，得到互感器的当前测量值向量s_T，s_T＝[s_T1,s_T2,…,s_Tj,…,s_TJ]，对当前测量值向量s_T中的每个当前测量有效值s_Tj，按A步中互感器j的历史测量有效值x_ij的平均值和标准差σ_j，得到互感器j的标准化的当前测量有效值s′_Tj，进而得到互感器的标准化的当前测量值向量s′_T，s′_T＝[s′_T1,s′_T2,…,s′_Tj,…,s′_TJ]，然后根据B步中的负载矩阵P计算当前时刻T的预测误差平方SPE_T，SPE_T＝||(I_J-PP^T)s′_T||²；其中I_J为J阶单位矩阵，||·||为向量·的长度；

D、重复C步操作，得到不同时刻t的预测误差平方SPE_t，进而得到所有时刻的预测误差平方SPE_t组成的预测误差平方序列SPE，SPE＝[SPE₁,SPE₂,…,SPE_t,…SPE_T]；

E、互感器测量偏差故障在线检测

采用长度为L(5≤L≤10)个时刻的滑动窗对D步中的预测误差平方序列SPE序列进行滑动平均处理，得到各采样时刻互感器测量有效值样本集的预测误差平方SPE均值序列 $\stackrel{\‾}{\mathrm{SPE}}=[\stackrel{\‾}{{\mathrm{SPE}}_1},\stackrel{\‾}{{\mathrm{SPE}}_2},...,\stackrel{\‾}{{\mathrm{SPE}}_t},...\stackrel{\‾}{{\mathrm{SPE}}_T}];$ 如果连续N(5≤N≤10)个时刻的大于B步中计算获得的预测误差平方SPE均值控制限则判定有互感器在该连续N个时刻中的第1个时刻发生测量偏差故障，记该时刻为t′，同时发出报警信号；并进行步骤F；

F、各互感器对应的SPE贡献均值计算

计算各互感器j在发生测量偏差故障的时刻t′及以后各时刻t对预测误差平方SPE的贡献值

${\mathrm{Cont}}_j^t={\left[{\mathrm{\ξ}}_j^T(I_j-{\mathrm{PP}}^T)s_t^{\′}\right]}^2$

其中t′≤t≤T，ξ_j表示单位矩阵I_J的第j列，s′_t表示时刻t互感器的标准化的测量值向量；同时采用长度为L个时刻的滑动窗对预测误差平方SPE贡献序列进行滑动平均处理，得到在时刻t互感器j对预测误差平方SPE的贡献均值进而获得互感器j的预测误差平方SPE贡献均值序列 $\stackrel{\‾}{{\mathrm{Cont}}_j}=[\stackrel{\‾}{{\mathrm{Cont}}_j^{t^{\′}}},\stackrel{\‾}{\mathrm{Con}{t}_j^{t^{\′+1}}},...,\stackrel{\‾}{{\mathrm{Cont}}_j^T};$

G、识别发生测量偏差故障的互感器

计算时刻t互感器j的预测误差平方SPE贡献均值与所有互感器的预测误差平方SPE贡献均值总和的比值，得到互感器j在时刻t的偏差比重

${\mathrm{\η}}_j^t=\stackrel{\‾}{{\mathrm{Cont}}_j^t}/\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\stackrel{\‾}{{\mathrm{Cont}}_j^t}$

如果第j个互感器的偏差比重连续2N个时刻均大于其余所有互感器的偏差比重，则判断第j个互感器发生测量偏差故障。

本例中所述的步骤E中采用长度为L的滑动窗对计算得到的预测误差平方序列SPE进行滑动平均处理得到预测误差平方均值序列的具体做法是：

当t小于等于L时，取当t大于L时，第t时刻的计算公式为： $\stackrel{\‾}{{\mathrm{SPE}}_t}=\frac{1}{L}\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{SPR}}_{t-m}.$

本例中所述的步骤F中采用长度为L的滑动窗对计算得到的预测误差平方SPE贡献序列Cont_j进行滑动平均处理得到预测误差平方SPE贡献均值序列的具体做法是：

当t小于等于L时，取当t大于L时，第t时刻的计算公式为 $\stackrel{\‾}{{\mathrm{Cont}}_j^t}=\frac{1}{L}\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{Cont}}_j^{t-m}.$

Claims (3)

1.一种牵引变电所互感器的测量偏差故障在线识别方法，其步骤为：

A、建模数据选取与预处理

在牵引变电所空载且各互感器无故障时的互感器测量有效值历史数据中选取连续I个时刻的数据，构造互感器历史测量值矩阵X＝(x_ij)_I×J，其中x_ij表示在第i个时刻第j个互感器的历史测量有效值；i＝1,2,…,I，表示历史数据的时刻；J为互感器的总个数；

然后，将互感器历史测量值矩阵X＝(x_ij)_I×J的各列数据进行标准化处理得到标准化的测量值x′_ij，即其中σ_j分别为互感器历史测量值矩阵X的第j列的平均值和标准差，也即估计的互感器j的历史测量有效值的平均值和标准差，进而得到标准化的历史测量值矩阵X′＝(x′_ij)_I×J；

B、建立主元分析模型

B1、对标准化的历史测量值矩阵X′进行主元分析，即对X′的协方差矩阵S，S＝X′^TX′/(I-1)作奇异值分解，其中矩阵的上标T表示矩阵的转置；得到J个特征值，将这些特征值从大到小排序，得到特征值序列R，R＝[λ₁，λ₂，…λ_k…，λ_K]，其中k为特征值的序号，K＝J；

B2、将特征值序列R分成前后两个部分，前部分为负载序列R₁＝[λ₁，λ₂，…，λ_Q]，后部分为残差序列R₂＝[λ_Q+1，λ_Q+2，…，λ_K]，且残差序列R₂中的所有特征值之和θ₁与特征值序列R中的所有特征值之和的比值小于η，η取0.05～0.15；其中，Q为负载序列R₁中特征值的个数；根据负载序列R₁和残差序列R₂分别得到负载对角矩阵Λ，Λ＝diag(λ₁,λ₂,…,λ_Q)和残差对角矩阵Λ'，Λ'＝diag(λ_Q+1,λ_Q+2,…,λ_K)，其中，diag(·)表示对角矩阵；

B3、根据负载对角矩阵Λ和残差对角矩阵Λ'即可得到标准化的历史测量值矩阵X′的协方差矩阵S的奇异分解表达式：S＝PΛP^T+P'Λ'P'^T，

其中，P为J×Q的负载矩阵，各列依次为负载序列R₁中的各个特征值对应的协方差矩阵S的特征向量，P'为J×(J-Q)的残差矩阵，各列依次为残差序列R₂中的各个特征值对应的协方差矩阵S的特征向量；

B4、计算残差序列R₂的特征值平方和θ₂，得到预测误差的自由度h，求出预测误差平方均值的控制限 其中，是自由度为h、置信度为α的卡方分布临界值，α取0.95～0.99；

C、互感器实时采样集的SPE计算

在牵引变电所空载时，采集当前时刻T互感器j的当前测量有效值s_Tj，得到互感器的当前测量值向量s_T，s_T＝[s_T1,s_T2,…,s_Tj,…,s_TJ]，对当前测量值向量s_T中的每个当前测量有效值s_Tj，按A步中互感器j的历史测量有效值x_ij的平均值和标准差σ_j，得到互感器j的标准化的当前测量有效值s′_Tj，进而得到互感器的标准化的当前测量值向量s′_T，s′_T＝[s′_T1,s′_T2,…,s′_Tj,…,s′_TJ]，然后根据B步中的负载矩阵P计算当前时刻T的预测误差平方SPE_T，SPE_T＝||(I_J-PP^T)s′_T||²；其中I_J为J阶单位矩阵，||·||为向量·的长度；

D、重复C步操作，得到不同时刻t的预测误差平方SPE_t，进而得到所有时刻的预测误差平方SPE_t组成的预测误差平方序列SPE，SPE＝[SPE₁,SPE₂,…,SPE_t,…SPE_T]；

E、互感器测量偏差故障在线检测

采用长度为L(5≤L≤10)个时刻的滑动窗对D步中的预测误差平方序列SPE序列进行滑动平均处理，得到各采样时刻互感器测量有效值样本集的预测误差平方SPE均值序列 $\stackrel{\‾}{\mathrm{SPE}}=[\stackrel{\‾}{{\mathrm{SPE}}_1},\stackrel{\‾}{{\mathrm{SPE}}_2},...,\stackrel{\‾}{{\mathrm{SPE}}_t},...\stackrel{\‾}{{\mathrm{SPE}}_T}];$ 如果连续N(5≤N≤10)个时刻的大于B步中计算获得的预测误差平方SPE均值控制限则判定有互感器在该连续N个时刻中的第1个时刻发生测量偏差故障，记该时刻为t′，同时发出报警信号；并进行步骤F；

F、各互感器对应的SPE贡献均值计算

计算各互感器j在发生测量偏差故障的时刻t′及以后各时刻t对预测误差平方SPE的贡献值

${\mathrm{Cont}}_j^t={\left[{\mathrm{\ξ}}_j^T(I_J-{\mathrm{PP}}^T)s_t^{\′}\right]}^2$

其中t′≤t≤T，ξ_j表示单位矩阵I_J的第j列，s′_t表示时刻t互感器的标准化的测量值向量；同时采用长度为L个时刻的滑动窗对预测误差平方SPE贡献序列进行滑动平均处理，得到在时刻t互感器j对预测误差平方SPE的贡献均值进而获得互感器j的预测误差平方SPE贡献均值序列 $\stackrel{\‾}{{\mathrm{Cont}}_j}=[\stackrel{\‾}{{\mathrm{Cont}}_j^{t^{\′}}},\stackrel{\‾}{{\mathrm{Cont}}_j^{t^{\′}+1}},...,\stackrel{\‾}{{\mathrm{Cont}}_j^T}];$

G、识别发生测量偏差故障的互感器

计算时刻t互感器j的预测误差平方SPE贡献均值与所有互感器的预测误差平方SPE贡献均值总和的比值，得到互感器j在时刻t的偏差比重

${\mathrm{\η}}_j^t=\stackrel{\‾}{{\mathrm{Cont}}_j^t}/\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\stackrel{\‾}{{\mathrm{Cont}}_j^t}$

如果第j个互感器的偏差比重连续2N个时刻均大于其余所有互感器的偏差比重，则判断第j个互感器发生测量偏差故障。

2.根据权利要求1所述的一种牵引变电所互感器的测量偏差故障在线识别方法，其特征在于：所述的步骤E中采用长度为L的滑动窗对计算得到的预测误差平方序列SPE进行滑动平均处理得到预测误差平方均值序列的具体做法是：

当t小于等于L时，取当t大于L时，第t时刻的计算公式为： ${\stackrel{\‾}{\mathrm{SPE}}}_t=\frac{1}{L}\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{SPE}}_{t-m}.$

3.根据权利要求1所述的一种牵引变电所互感器的测量偏差故障在线识别方法，其特征在于：所述的步骤F中采用长度为L的滑动窗对计算得到的预测误差平方SPE贡献序列Cont_j进行滑动平均处理得到预测误差平方SPE贡献均值序列的具体做法是：

当t小于等于L时，取当t大于L时，第t时刻的计算公式为 $\stackrel{\‾}{{\mathrm{Cont}}_j^t}=\frac{1}{L}\underset{m=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{Cont}}_j^{t-m}.$