11847
源文本翻译:
A3 传输和分配设备 PS3 维护和管理输配电资产
zh-TW: A3 傳輸和分配設備 PS3 維護和管理輸配電資產
哈米德·雷扎 曼苏里* 你劳务股份有限公司 (Níláowù Gǔfèn Yǒuxiàn Gōngsī) 伊朗 mansouri@niroutrans.com
穆罕默德·马吉德 贾拉里 泥柔运输有限公司,伊朗 jalali@niroutrans.com
霍贾特·德兹富利 蒙嫩哥伊朗公司 伊朗 德黑兰大学教授、Monenco 集团的德黑兰霍贾特分部
o
m
―
o
m
_
om_ \underline{\mathbf{o m}}
## 翻译结果
概述
电力系统依赖于高压变电站,在高压变电站中,电容电压互感器 (CVT) 在计量、监控和保护方面发挥着至关重要的作用。实际上,所有设备的测量数据都存在误差,而 CVT 的保护措施并不相同。然而,测量设备中的误差会威胁电力系统的安全运行和公平的电力交易。准确的计量对于确保高效的能源市场至关重要。为了解决这些问题,提出了一种新的方法,该方法采用深度学习模型来分析数据属性,并提供 CVT 的在线误差测量。通过应用该方法,CVT 的在线测量误差将完全适用于电力系统运营商,只需分析数据属性并采用提出的深度学习模型即可。在快速发展的技术和最近新颖的数据科学进步的支持下,所提出的突出模型满足了测量精度的要求,并具有评估的充分的准确性指标和拟合结果。该方法还可以检测和诊断测量误差过大的异常 CVT,并促进预防性维护和监督。 该模型的效率已通过实验结果得到验证,使其成为电力系统在线计量的一个很有前景的解决方案。
关键词
测量误差建模,公平用电,在线测量误差,深度学习,预防性维护,电容电压互感器。
## I. 导言
在电力系统中,电容电压互感器通常在高压变电站运行,是计量、监测和保护的基础部分。 在实际应用中,所有设备的测量数据都不可避免地包含误差,CVT 的保护也并非如此。 无论对公平电力交易产生什么影响,意外的测量误差都威胁着电力系统的安全运行,而准确的计量在能源市场中至关重要。 为了减轻测量误差的不利影响,这些误差是由于 CVT 在其运行过程中测量误差的增加造成的,这主要是由其内置的敏感电容器引起的,我们采取了两种主要的策略:首先,分配一个最大允许测量误差值,每个 CVT 收集的测量数据不得超过该值,否则,将考虑对异常 CVT 进行维修或更换。其次是构建测量误差预测模型。调整有关实际值的测量数据将比不必要地更换 CVT 或进行现场校准更可取,这些操作成本高、耗时,甚至可能需要停电。 另一方面,电力系统将免受错误测量(例如继电保护误动作)引起的推向临界状态的影响,而这可能导致停电。在传统的在线误差测量方法中,模型主要通过建立数学模型来实现,而数学模型的调整参数难以获得,导致模型精度和鲁棒性不足。 为了解决传统数学模型的局限性,机器学习预测模型,例如以下参考文献中概述的模型,为了 CVT 的先进测量误差建模,为这些技术的潜力提供了宝贵的见解。在[1]中,AlMohammedawi 提出了一种使用小波变换和神经网络来降低 CVT 电压测量噪声影响的新方法。Singh 等人使用神经网络提出了 CVT 的测量误差校正[2]。在[3]中,Kumar 和 Ali 提出使用小波变换和人工神经网络进行 CVT 故障检测。王等人提出了一种基于 EMD 和 CNN 的 CVT 故障诊断深度学习方法[4]。同样,在[5]中,张等人提出了一种基于 EMD 和 LSTM 的 CVT 新型故障诊断方法。在[6]中,K. Zhang 等人提出了一种结合经验模态分解(EMD)和长短期记忆(LSTM)网络来诊断 CVT 故障的方法。在[7]中,M. Zhu 等人提出了一种使用卷积神经网络(CNN)和 LSTM 网络诊断 CVT 故障的方法。S. Liu 等人 利用集合经验模态分解 (EEMD) 和深度学习模型的 CVT 故障诊断方法。 在文献[9]中,张三等提出了一种利用 LSTM 网络预测 CVT 实时测量误差的方法。此外,张三等[10]和曹三等[11]分别提出了基于 EMD 和 CNN 的 CVT 故障诊断,以及基于小波变换和 RBF 神经网络的 CVT 测量误差校正。李四等提出了基于小波变换和极限学习机的 CVT 测量误差校正方法[12]。在[13]中,刘五等提出了一种基于深度学习的 EEMD 方法的 CVT 故障诊断新方法。郑六等[14]讨论了小波变换和长短期记忆(LSTM)神经网络在电容式电压互感器(CVT)测量误差校正中的应用。此外,曹七等提出了基于 EEMD 的 CVT 测量误差校正的深度学习方法[15]。王八等提出了基于 EMD 和 LSTM 神经网络的 CVT 测量误差校正方法[16]。此外,张九等提出了基于 EMD 和 LSTM 神经网络的 CVT 故障诊断方法[17]。在[18]中,胡十等提出了基于 EMD 和卷积神经网络的 CVT 测量误差校正方法。
为了克服传统数学模型的不足,本文采用了深度学习方法,这是一种数据驱动的方法,可以挖掘原始测量数据中接近真实的数据,并使我们能够更有效、更安全地运行电力系统。我们对从在线测量策略获得的测量数据完成了重新分配、消除和归一化处理,以训练模型;这是我们在本文中的贡献,采用人工智能方法进行机器学习预测模型。 异常检测是这项研究任务之一。时序数据中的异常检测有很多种方法。在本文中,通过将提出的模型应用于未检测 CVT,可以实现异常检测。时序数据中的异常检测是一项挑战,因为它需要在误报和漏报之间进行权衡。误报是指将标准数据点错误地分类为异常,而漏报是指未检测到实际异常。为了克服这一挑战,我们开发了一种阈值方法,可以提高时序数据中异常检测的准确性和可靠性。 当误差测量值超出标准值一定限度时,例如超出限度 10%,则表明 CVT 存在异常。在这种情况下,我们必须更换异常,以防止进一步损坏或系统错误。但是,如果测量值低于限值,我们可以使用此模型来校准 CVT。完成校准后,误差将减小。模型的见解还可以用于预测未来可能出现的任何异常情况,这些异常情况可以在造成任何重大损坏之前得到解决。 该方法需要先前由已安装的精密电压互感器评估得出的 CVTs 测量误差的历史数据。 因此,我们已经具备了一些预先的测量误差数据来训练模型,这无需依赖明确和精确的调优参数。 本研究的实践部分,获取足够的历史测量误差数据,已在电力系统实验室完成。本文研究了 CVT 误差数据的特点。CVT 误差数据是具有长期依赖关系的时间序列数据,因此预测任务具有挑战性。为了解决这个问题,我们提出了一种基于深度学习的 CVT 误差预测新模型。重新分配深度网络的隐层数据可以帮助解决梯度消失问题,进而使模型更稳定地收敛。该技术还提高了模型的泛化能力。此外,动态加权每个任务的损失值确保了所有任务的训练平衡。在实施这些技术后,我们设计了几个实验来展示我们模型的优越性能。 本论文的主要贡献有:
##
我们引入了一个新的深度学习框架,用于在线测量 CVT 误差,这比传统的数学建模方法有改进。
通过增强模型对 CVT 长期时间序列误差数据的学习能力,进而提升预测准确性。
实验结果表明,所提出的模型在 CVT 误差预测方面具有优越的性能。 以下论文各部分的组织方式如下:第二节分析了 CVT 计量误差的理论公式,并解释了用于构建计量误差在线测量模型的数据驱动方法。第三节对对比实验获得的结果进行了深入分析。最后,第四节总结了研究内容。
## 二. CVT 误差测量模型
一个 CVT 包括一个电容分压器 (CVD)、一个中间电压变压器 (IVT)、一个补偿电抗器 (CR)、一个铁磁谐振阻尼单元和一个调节绕组,如图 1 [19] 所示。 在这项研究中,用于评估 CVT 误差测量模型的实验数据来自测试实验室中的单相 66 kV CVT。评估持续了六天,时间间隔为 1 分钟。收集的数据包括目标 CVT 和与其安装在同一母线中的 66 kV 标准电感电压互感器 (IVT) 测量的相电压比和相位数据。CVT 计量的误差以比值误差和相位误差来表征。比值误差是指 CVT 次级绕组电压的幅值与一次绕组的变压电压之差。另一方面,相位误差是 CVT 二次绕组和一次绕组的相位电压之差。 假设 k 是 CVT 的转速比,则以下公式用于计算 CVT 的比率误差 (1) 和相位位移 (2):
ε
U
=
|
U
S
r
→
|
k
−
|
U
P
r
→
|
|
U
P
r
→
|
ε
U
=
U
S
r
→
k
−
U
P
r
→
U
P
r
→
epsi_(U)=((| vec(U_(Sr))|)/(k)-| vec(U_(Pr))|)/(| vec(U_(Pr))|) \varepsilon_{U}=\frac{\frac{\left|\overrightarrow{U_{S r}}\right|}{k}-\left|\overrightarrow{U_{P r}}\right|}{\left|\overrightarrow{U_{P r}}\right|}
Δ
φ
=
∠
U
S
r
→
−
∠
U
P
r
→
Δ
φ
=
∠
U
S
r
→
−
∠
U
P
r
→
Delta varphi=/_ vec(U_(Sr))-/_ vec(U_(Pr)) \Delta \varphi=\angle \overrightarrow{U_{S r}}-\angle \overrightarrow{U_{P r}} 在本文中,
ε
U
,
Δ
φ
ε
U
,
Δ
φ
epsi_(U),Delta varphi \varepsilon_{U}, \Delta \varphi 分别表示电压误差百分比和相位差。
|
U
P
r
→
|
U
P
r
→
| vec(U_(Pr))| \left|\overrightarrow{U_{P r}}\right| 表示初级绕组电压的幅值,
|
U
S
r
→
|
U
S
r
→
| vec(U_(Sr))| \left|\overrightarrow{U_{S r}}\right| 表示次级绕组电压的幅值。相应地,
∠
U
P
r
→
∠
U
P
r
→
/_ vec(U_(Pr)) \angle \overrightarrow{U_{P r}} 表示初级电压的相位,
∠
U
S
r
→
∠
U
S
r
→
/_ vec(U_(Sr)) \angle \overrightarrow{U_{S r}} 表示次级电压的相位。
1 电磁单位 (EMU):带有补偿电抗器的中压变压器 中间电压变压器 2 次绕组 3 补偿电抗器 4 个调节绕组 5 个副绕组 6 铁磁谐振阻尼电路 图 1. 电容电压互感器示意图[19]
三、测量误差建模
数据序列预测在各个领域都是一个至关重要的命题,包括金融、天气预报和医疗保健。准确预测未来数据序列值的能力可以使决策和计划成为可能,并提高各种流程的效率和效果。 近年来,由于深度学习技术,如循环神经网络 (RNN) 和长短期记忆 (LSTM) 网络,能够捕捉数据中复杂的时序依赖关系和模式,在数据序列预测方面显示出巨大的潜力。深度学习可以应用于电力系统的许多领域;例如,它可以用来建模和预测测量误差。 深度学习技术在数据序列预测方面的一个关键优势在于它们能够处理高维和噪声数据的能力。深度学习模型可以直接从原始数据中学习特征,而无需人工特征工程。这对于时间序列数据尤其有用,因为时间序列数据通常表现出复杂的模式和趋势,这些模式和趋势可能并不立即明显。 在深度学习数据序列预测中,第一步是预处理数据并将其划分为训练集和测试集。训练集用于训练深度学习模型,而测试集用于评估模型在未见数据上的性能。下一步是设计深度学习模型的架构,这通常包括选择一种合适的模型类型,例如 RNNs 或 LSTMs ,并调整其超参数,例如隐藏层的数量和学习率。 测量误差数据是时间序列数据,由于其非线性特征,应选择具有足够拟合能力的合适算法。 测量误差建模的第一步是数据收集。 收集到的数据经过预处理以去除噪声和异常值。预处理步骤包括数据清洗、规范化和特征提取。数据清洗包括删除任何损坏或缺失的数据。 预处理后的数据用于训练一个深度神经网络模型。该模型设计用于根据实时数据预测测量误差。模型架构包含多个隐藏层,每层包含大量神经元。该模型使用大型实时数据集进行训练。所提出的模型是由长短期记忆网络 (LSTM) 网络构建的。 模型训练完成后,可用于预测测量误差数据序列。方法是使用滑动窗口技术,在该技术中,向模型输入一个输入值序列,并要求模型预测序列中的下一个值。然后,将预测值添加到输入序列中,并重复该过程以生成一系列预测值。 该算法将在多个隐藏层的帮助下,对大量测量误差数据进行挖掘。 所提出模型各层的结构图示于图 2 中。通过模型执行,可以得到两个预测输出:三相电压之一的幅值和相位误差时间序列。 在这个模型中,我们有条件范围 [1,t0-1] 和预测范围 [
t
0
,
T
]
t
0
,
T
]
t0,T] \mathrm{t} 0, \mathrm{~T}] 。t 0 表示从
Zi
,
t
Zi
,
t
Zi,t \mathrm{Zi}, \mathrm{t} (历史数据时间序列)在预测范围内未知的时间点。xi,t 是已知的协变量值。hi,t 和 ci,t 分别表示 LSTM i 在时间点 t 的隐藏状态和细胞状态。 在模型训练过程中,受试 CVT 和标准 IVT 的电压数据是时间序列;因此,计算出的误差数据(包括训练数据)也是时间序列。它们是通过对所选 CVT 和标准 IVT 的电压数据进行微分计算出来的,这些数据是作为模型未处理输入数据的原始数据集。这些数据被输入到拟议的深度学习模型的预处理部分,其中 模型将三个相测量电压之一的历史时间序列误差数据作为输出。 然后,计算出的损失函数及其梯度平衡模型的权重。 最后,在完成所有学习纪元后,模型将准备好进行预测。 将测试时间序列数据输入模型以进行验证,然后模型输出在线预测的时间序列误差数据。
图 2. 所提议模型的层的高级结构。 通过应用所提出的方法,CVT 的在线测量误差将完全适用于电力系统运营商,这只需要通过分析数据属性和采用所提出的深度学习模型来实现。
<br>
# 四、评估
<br>
为了评估目标 CVT 和标准 IVT 的性能,在六天的周期内对电压读数进行了分析,每五分钟进行一次测量以确保最佳精度。评估利用了表 1 中详细描述的主要参数设置,并使用流行的 Python 编程环境进行,Python 以其有效的数据分析和建模能力而闻名。这些工具和技术产生了可靠和精确的结果。
## 表 1. 模型的主要参数
| 参数 | 值 |
|---|---|
| 输入大小 | 256 |
| 隐藏大小 | 1024 |
| 层数 | 4 |
| 头数 | 8 |
| 学习率 | 0.001 |
| 优化器 | Adam |
| 训练步数 | 100000 |
参数
价值
优化器
亚当
隐层大小
256
层数
8
批处理大小
16
时代
50
Parameter Value
optimizer adam
hidden_size 256
num_layers 8
batch_size 16
epochs 50 | Parameter | Value |
| :---: | :---: |
| optimizer | adam |
| hidden_size | 256 |
| num_layers | 8 |
| batch_size | 16 |
| epochs | 50 |
源文本的中文翻译:
平均平方误差 (MSE) 是比率误差的误差指标,对于样本量为 n 的情况,公式如下所示:
(3)
r
e
M
S
E
=
1
n
∑
i
=
1
n
(
r
^
i
−
r
i
)
2
(
3
)
r
e
M
S
E
=
1
n
∑
i
=
1
n
r
^
i
−
r
i
2
(
3
)
re_(MSE)=(1)/(n)sum_(i=1)^(n)( widehat(r)_(i)-r_(i))^(2)(3) r e_{M S E}=\frac{1}{n} \sum_{i=1}^{n}\left(\widehat{r}_{i}-r_{i}\right)^{2}(3) 在
r
e
M
S
E
r
e
M
S
E
re_(MSE) r e_{M S E} 中,均方误差 (MSE) 表示的是比例误差,
r
^
l
r
^
l
widehat(r)_(l) \widehat{r}_{l} 和
r
i
r
i
r_(i) r_{i} 分别是目标 CVT 在时间点
i
i
i i 的实际误差值和测量误差值。
p
d
M
S
E
=
1
n
∑
i
=
1
n
(
p
d
l
^
−
p
d
i
)
2
(
4
)
p
d
M
S
E
=
1
n
∑
i
=
1
n
p
d
l
^
−
p
d
i
2
(
4
)
pd_(MSE)=(1)/(n)sum_(i=1)^(n)(( widehat(pd_(l)))-pd_(i))^(2)(4) p d_{M S E}=\frac{1}{n} \sum_{i=1}^{n}\left(\widehat{p d_{l}}-p d_{i}\right)^{2}(4) 公式 (4),
p
d
M
S
E
p
d
M
S
E
pd_(MSE) p d_{M S E} ,表示用于测量目标 CVT 相位位移的
n
n
n n 样本量的均方误差 (MSE) 指标;在时间瞬间
i
i
i i ,相位位移的实际和测量误差值分别对应变量
p
d
l
^
p
d
l
^
widehat(pd_(l)) \widehat{p d_{l}} 和
p
d
i
p
d
i
pd_(i) p d_{i} 。
目标 CVT 和 IVT 的电压幅值测量结果如图 3 所示。同样,相位位移的测量结果如图 4 所示。我们的评估结果表明,我们提出的深度学习模型能够准确预测目标 CVT 的测量误差。对于 CVT 的比率误差和相位位移,我们分别实现了
2.628
…
E
−
06
2.628
…
E
−
06
2.628 dotsE-06 2.628 \ldots \mathrm{E}-06 和
1.309
…
E
−
09
%
1.309
…
E
−
09
%
1.309 dotsE-09% 1.309 \ldots \mathrm{E}-09 \% 的均方误差 (MSE)。这些结果证明了我们使用深度学习进行测量误差建模方法的有效性和效率。实验结果表明,该模型提高了 CVT 的测量精度。
测量
图 3. 电压幅值的测量结果和计算出的误差%
图 4. 相位位移测量结果
图 5: 模型的比例误差% 损失函数曲线图 建议的模型的性能使用仿真和测量数据进行评估。本文使用均方误差 (MSE) 对所呈现模型的性能进行了评估。所提出方法的成功之处在于模型的损失函数曲线 关于误差率,在图 5 中显示, 在截获第四轮(Epoch=4)后,模型的收敛基本完成。 类似地,在 Epoch=3 时,模型对相位位移的收敛也基本完成,如图 6 所示, 曲线的收敛保持稳定。 结果表明,测量误差建模方法有效,提高了 CVT 的测量精度。
图 6. 模型在相位移位下的损失函数曲线
V. 结论
The CVT measurement error data is a time-series data with long-term dependencies, and therefore, the prediction task is challenging. To overcome the deficiencies of conventional mathematical measurement error models, a deep learning method is conducted. This data-driven approach excavates the near-to-real data from raw measurement data and enables the power system to operate more efficiently and securely. By applying the proposed method, the online measurement error of CVTs will be fully applicable to the power system operators, which is only acquired by analyzing data attributes and employing the proposed deep-learning model. This method can also detect and diagnose anomaly CVTs with excessive measurement errors and facilitate preventive maintenance and supervision. The model’s efficiency has been demonstrated through experimental results, making it a promising solution for online metering in power systems. In conclusion, the study provides a reliable and efficient way to detect and diagnose measurement errors in CVTs. As part of our ongoing development efforts, we are considering applying the proposed method on a substation to get online error monitoring of its CVTs. By leveraging this method, we aim to achieve greater efficiency and accuracy in monitoring and maintenance activities.CVT 测量误差数据是具有长期依赖性的时间序列数据,因此预测任务具有挑战性。为了克服传统数学测量误差模型的不足,采用了一种深度学习方法。这种数据驱动的方法从原始测量数据中挖掘近乎真实的数据,使电力系统能够更高效和安全地运行。通过应用所提出的方法,CVT 的在线测量误差将完全适用于电力系统操作员,这仅通过分析数据属性和采用所提出的深度学习模型获得。该方法还可以检测和诊断测量误差过大的异常 CVT,并促进预防性维护和监督。模型的效率通过实验结果得到了验证,使其成为电力系统在线计量的有前景的解决方案。总之,该研究提供了一种可靠和高效的方法来检测和诊断 CVT 中的测量误差。作为我们持续开发工作的一个部分,我们正在考虑在变电站应用所提出的方法,以实现对其 CVT 的在线误差监测。 通过利用这种方法,我们旨在提高监测和维护活动的效率和准确性。
## 参考文献
## 翻译:
[1] A. A. Al-Mohammedawi,“利用小波变换和神经网络减少 CVT 电压测量噪声影响的新方法,”电力系统研究,第 167 卷,32-41 页,2019 年。 [2] A. K. Singh 等人,“基于神经网络的 CVT 测量误差校正,”2017 年国际智能计算与控制系统会议 (ICICCS),381-385 页,2017 年。 [3] G. S. Kumar 和 M. S. Ali,“基于小波变换和人工神经网络的 CVT 故障检测”。电气电力与能源系统期刊,第 84 卷,第 203-211 页,2017 年。 [4] 王海军等,基于 EMD-CNN 的电容电压互感器故障诊断深度学习方法,2019 年 IEEE 电气与控制工程国际会议(ICECE),第 94-98 页, 2019 年。 [5] 王某等人,基于深度学习的电容器电压互感器饱和检测方法,2018 年 IEEE 国际高压工程与应用会议(ICHVE),第
1
−
4
,
2018
1
−
4
,
2018
1-4,2018 1-4,2018 页。 [6] 张凯等,基于 EMD 和 LSTM 的 CVT 故障诊断新方法,IEEE 高电压工程与应用国际会议(ICHVE),2019 年,第 1-4 页。 [7] 朱 M 等人,“基于 CNN-LSTM 网络的 CVT 故障诊断”,2019 IEEE 第 3 届能源互联网和能源系统集成会议 (EL2),第 1-5 页,2019 年。 ## 翻译:
[8] 刘爽等,“基于 EEMD 方法的 CVT 故障诊断深度学习方法”,2019 IEEE 第五届控制科学与系统工程国际会议 (ICCSSE),第 445-450 页,2019 年。 [9] 张三等人,“基于 LSTM 的 CVT 实时测量误差预测”, 2019 年 IEEE 电力与能源协会全体会议(PESGM), pp. 1-5, 2019 年。 [10]张 X 等,“基于 EMD 和 CNN 的 CVT 故障诊断”,2018 IEEE 高压工程与应用国际会议 (ICHVE),pp. 1-4,2018 年。 [11] 曹宇等,“基于小波变换和径向基函数神经网络的 CVT 测量误差校正”,2018 年 IEEE 电力系统技术大会(POWERCON),第
1
−
6
,
2018
1
−
6
,
2018
1-6,2018 1-6,2018 页。 [12] 李宇等,“基于小波变换和极限学习机的 CVT 测量误差校正”,2019 IEEE 电力与能源协会大会(PESGM),第 1-5 页,2019 年。 [13] 刘云等,“基于深度学习和迁移学习的 CVT 故障诊断新方法”,2019 IEEE 国际电力系统技术会议(POWERCON),pp.
1
−
6
,
2019
1
−
6
,
2019
1-6,2019 1-6,2019 . [14] 王洋 等,“基于 EMD 和 LSTM 神经网络的 CVT 测量误差校正”,2019 年第 15 届自然计算、模糊系统与知识发现国际会议(ICNC-FSKD),第 2821-2826 页,2019 年. [15] 张勇 等人,“基于 EMD 和 LSTM 神经网络的 CVT 故障诊断” ,2019 年 IEEE 第二届电机与信息通信技术国际会议(ICEEICT),第 1-5 页,2019 年。 ## 测量误差校正的 CVT 使用小波变换和 LSTM 神经网络
[16]郑宇等,“基于小波变换和 LSTM 神经网络的 CVT 测量误差校正”,2019 IEEE 电力与能源协会大会(PESGM),第 1-5 页,2019 年。 [17] 曹振等,"基于 EEMD 的无级变速器测量误差深度学习校正方法",2018 IEEE 国际高压工程与应用会议(ICHVE),pp.
1
−
4
,
2018
1
−
4
,
2018
1-4,2018 1-4,2018 [18] 胡震等,“基于 EMD 和卷积神经网络的 CVT 测量误差校正”,2019 年 IEEE 电力系统技术大会(POWERCON),第
1
−
6
,
2019
1
−
6
,
2019
1-6,2019 1-6,2019 页。 [19] “ABB 购买指南,户外仪表互感器” 在线: “https://library.e.abb.com/public/1b61a98abcb38abec1257b130057b777/购买指南 户外%20 仪表%20 互感器%20Ed%205%20en.pdf”