电容式电压互感器（Capacitor Voltage Transformer,CVT）作为电能测量系统的重要组成单元,其计量误差是影响电能交易公平性的重要参数。目前对CVT计量误差的研究集中在误差监测方法上,而忽略了误差预测对准确计量和设备运维的重要意义。因此,本文提出了CVT计量误差智能预测方法,主要内容如下。首先,进行了CVT计量误差影响因素的机理分析。以CVT的电路结构为基础,分析了CVT计量误差的产生原理,依次研究了环境温度、湿度等气候环境和表面污秽、环境电场、二次负载等运行工况对CVT计量误差的影响机理。其次,进行了CVT多维计量误差数据分析与扰动建模。通过数据分析,验证了CVT计量误差随影响因素的变化规律;将最大信息系数算法应用于CVT多维计量误差数据,从而提取了环境温度、二次负载等主导特征量;基于电网领域先验知识,建立了主导特征量的误差扰动模型,扰动实验表明该模型能有效覆盖误差的扰动量,而误差波动量则需通过机器学习或深度学习预测算法进行挖掘,从而提出CVT计量误差的组合预测思路。之后,提出了基于机器学习的CVT计量误差组合预测模型。基于组合预测算法框架,优选了GBDT波动预测算法和PSO权重分配算法,分别针对其计算复杂度缺陷和早熟收敛缺陷,引入了轻量化策略并提出了自适应惯性权重改进策略,从而建立了基于Light GBM的CVT误差组合预测算法。消融实验表明,两个改进策略分别减小了83.7%的运行时长和57.1%的MSE误差;对比实验表明,该算法的MSE误差仅为0.0003,优于主流机器学习预测算法。最后,提出了基于深度学习的CVT计量误差组合预测模型。优选了LSTM误差波动预测算法,引入了双向记忆改进策略,提出了深度特征提取策略和多任务学习改进策略,从而建立基于改进LSTM的CVT误差组合预测模型。消融实验表明,3个改进策略均能有效提升准确度,共同作用时MSE误差减小84.6%,且多任务学习改进策略还减小了42.3%的预测时长;对比实验表明,该算法相比Light GBM误差组合预测算法减小了33.3%的MSE误差,但也提出了极高的硬件环境要求,因此在实际应用中应根据应用场景进行算法优选。本文算法能够预测CVT计量误差的变化趋势,为CVT和电能测量系统的运行维护与性能校验提供指导意见,具有突出的工程应用意义。