變電站噪聲智能預測及其主動控制

姜鴻羽，馬宏忠，姜寧，李凱

(1.河海大學能源與電氣學院，江蘇南京211100; 2.江蘇省電力公司南京供電公司，江蘇南京210008)

變電站噪聲智能預測及其主動控制

姜鴻羽1，馬宏忠1，姜寧2，李凱2

(1.河海大學能源與電氣學院，江蘇南京211100; 2.江蘇省電力公司南京供電公司，江蘇南京210008)

針對變電站噪聲有源控制技術中存在的算法性能較差和易受周邊環(huán)境影響的問題，本文利用人工神經網絡、小波技術及遺傳算法對該技術進行改進。首先結合小波技術和人工神經網絡來預測噪聲控制系統(tǒng)的參考輸入信號，然后根據(jù)小波去噪原理濾除進入誤差傳感器的混合噪聲中由周邊環(huán)境引起的高頻干擾噪聲，并將剩余噪聲反饋至系統(tǒng)控制器中，最后利用遺傳算法優(yōu)化控制器中小波神經網絡的參數(shù)，實現(xiàn)變電站噪聲的最佳控制。對變電站內變壓器振動和噪聲數(shù)據(jù)進行仿真，結果表明改進后的方法有效地提高了系統(tǒng)的噪聲跟蹤速度、降噪量及穩(wěn)定性，可以使變電站降噪達到滿意的效果。

變電站噪聲;噪聲預測;小波神經網絡;遺傳算法

1 引言

隨著變電站與居民生活區(qū)距離的縮短，變電站的噪聲污染已經對居民的正常生活產生了不可忽視的影響。變電站噪聲主要源于大型變壓器運行產生的低頻噪聲［1］，但傳統(tǒng)的被動噪聲控制技術只對中、高頻噪聲有效，對低頻噪聲的控制效果并不理想［2］。為了有效地控制低頻噪聲，國內外許多學者將自適應有源噪聲控制技術應用于變壓器噪聲抑制問題。文獻［3］針對某110kV變壓器，運用多聲源陣有源控制策略對其低頻噪聲進行有源控制，通過實驗驗證取得了一定的消噪效果。文獻［4］利用正余弦信號合成與源噪聲信號相位相反、幅值相同的次級聲源信號，實現(xiàn)抑制變壓器噪聲。文獻［5］將一個可以控制和放大噪聲的揚聲器放置在變壓器旁，使其輸出與變壓器噪聲相位相反的噪聲，達到消除噪聲的目的。

盡管這些研究能夠取得一定的降噪效果，但是效果并不理想，其原因主要有以下兩點:①利用自適應有源控制技術時，次級聲源的反饋和變壓器周邊環(huán)境變化引起的噪聲會對有源消噪系統(tǒng)的穩(wěn)定性和有效性產生很大的影響;②自適應濾波算法性能較差。針對這兩個問題，本文首先利用變壓器表面的振動信號和某接收點處的噪聲信號建立基于小波變換和人工神經網絡的噪聲預測模型，并將預測的噪聲信號作為自適應控制系統(tǒng)的參考輸入信號，然后利用小波濾波器對含有次級噪聲信號、變壓器噪聲信號及環(huán)境干擾噪聲信號的混合噪聲信號進行去噪，最后將濾除環(huán)境干擾噪聲后的殘余噪聲信號反饋至控制器，并利用遺傳算法優(yōu)化控制器中小波神經網絡的參數(shù)，實現(xiàn)對變電站內變壓器噪聲的最佳控制。

2 變電站噪聲的預測

為了避免次級聲源和變壓器周圍環(huán)境噪聲對采集參考輸入信號的干擾，本文利用人工神經網絡［6］預測變壓器噪聲信號，并將其作為參考輸入信號。變壓器噪聲主要來源于鐵芯磁致伸縮變形和繞組電磁力所引起的振動，振動的幅度會隨變壓器運行狀態(tài)的變化而變化。當變壓器發(fā)生故障時，油箱振動會加劇，噪聲會變大;當變壓器所接負荷發(fā)生變化時，振動和噪聲也會隨之而變化。因此，在利用變壓器表面振動信號預測接受點處噪聲信號時，應該考慮將變壓器不同運行狀態(tài)下的振動信號和接受點處噪聲信號作為訓練樣本，這樣才能更全面地反映出振動與噪聲之間的非線性關系。

為使預測的信號更加逼近真實信號，只有增加訓練樣本和訓練的次數(shù)，才能獲得理想的效果。然而，龐大的數(shù)據(jù)會嚴重影響神經網絡的收斂速度和預測誤差精度，故本文引入小波技術［7，8］來解決該問題。變壓器正面某接受點處噪聲預測步驟如下:

(1)利用MATLAB對實測的振動和噪聲數(shù)據(jù)樣本分別進行小波分解，提取小波分解系數(shù)編程為:

式中，x為信號;m為分解的層數(shù);db3為小波函數(shù)。

(2)從小波分解系數(shù)中提取第m層小波低頻系數(shù)，其編程為:

(3)將振動信號的小波系數(shù)和噪聲信號的小波系數(shù)按式(3)歸一化后作為神經網絡的輸入-輸出對，建立預測模型。

式中，xmin、xmax分別為樣本中最大值和最小值。經歸一化處理后的樣本在［0，1］之間變化。

(4)在測試階段，將多通道振動信號的小波低頻系數(shù)歸一化后輸入神經網絡，預測出相應的噪聲信號小波低頻系數(shù)，再利用小波重構將其還原成噪聲信號，小波重構的編程為:

步驟流程圖如1所示。

圖1 變壓器噪聲預測流程圖Fig.1Transformer noise prediction flow chart

利用上述方法預測噪聲還有如下優(yōu)點:①第m層小波低頻系數(shù)的數(shù)據(jù)量僅是原樣本信號數(shù)據(jù)量的1/2m，所以該方法可以減少神經網絡的運算量，提高網絡的收斂速度和預測誤差精度;②小波低頻系數(shù)包含信號的主要信息，能夠表征信號的特征，而高頻系數(shù)往往與環(huán)境干擾噪聲聯(lián)系在一起，因此該方法可以避免因變壓器實測噪聲數(shù)據(jù)中含有環(huán)境干擾噪聲而導致預測模型不準確的問題。

3 變電站噪聲的控制

根據(jù)引言的分析可知變壓器噪聲控制效果不理想的原因有算法問題，也有許多實際因素的影響問題。

目前最為廣泛使用的濾波算法是F-XLMS算法，但是由于聲學通道的非線性，使其控制噪聲的效果很不理想，因此許多學者將具有非線性處理能力的BP神經網絡算法［9］應用到該控制系統(tǒng)中。由于BP神經網絡算法存在收斂速度慢和容易陷入局部極小值等缺陷，其噪聲控制的效果也不理想。另外，變壓器周邊環(huán)境變化所引起的非線性、突變、高頻噪聲，如工地施工的聲音，人說話的聲音，過往車輛的鳴笛聲音等，將會隨著殘余噪聲信號一起輸入誤差傳感器中，使整個自適應控制系統(tǒng)不穩(wěn)定，消噪效果降低。鑒于此，本文利用遺傳小波神經網絡算法代替?zhèn)鹘y(tǒng)的BP算法，并在誤差傳感器后加上小波濾波器，運用小波去噪原理祛除變壓器周邊環(huán)境變化引起的高頻干擾噪聲。

3.1 基于小波神經網絡的自適應有源噪聲控制

以小波基函數(shù)為神經元激勵函數(shù)的小波神經網絡應用廣泛，與傳統(tǒng)BP神經網絡相比有以下優(yōu)點:①網絡在學習的超幾何平面上每次調整的誤差幅度較大，提高了收斂速度;②小波神經網絡較強的靈活性使得網絡逼近能力更具伸縮性。

小波去噪［7，8］先將原信號通過低通濾波和高通濾波后得到近似系數(shù)和細節(jié)系數(shù)，然后用門限閾值對分解得到的小波系數(shù)進行分析和處理以達到將有用信號和噪聲分離的目的，最后對處理過的小波系數(shù)做逆變換重構信號，即可得到去除高頻干擾信號后的低頻有用信號?；谛〔ㄉ窠浘W絡和小波濾波器的自適應有源消噪結構如圖2所示。

圖2 自適應有源消噪結構圖Fig.2Adaptive active noise cancellation structure

圖2 中，p(n)為實際的變壓器噪聲信號，x(n)為由神經網絡預測得到的變壓器噪聲信號，d(n)為期望輸入信號，v(n)為變壓器周圍環(huán)境變化所引起的干擾噪聲信號，y(n)為控制器輸出信號，s(n)為經過次級噪聲通道的次級信號，e(n)為濾除干擾噪聲后的殘余噪聲信號。設Hp(z)為初級噪聲通道的傳遞函數(shù)，Hs(z)為次級噪聲通道的傳遞函數(shù)，則d (n)=p(n)*hp(n)，s(n)=y(n)*hs(n)(*表示卷積)，e(n)=d(n)－s(n)。

本文的小波神經網絡為三層，輸入層、隱含層及輸出層神經元數(shù)目分別為I、H和1;第n時刻輸出層神經元輸出為y(n);第n時刻隱含層神經元j的輸出為Yj(n);第n時刻輸入層神經元k的輸入為xk(n)=x(n－k+1);第n時刻輸入層神經元k到隱含層神經元j的連接權為ωkj(n);第n時刻隱含層神經元j到輸出層神經元的連接權為Wj(n);第n時刻隱含層神經元j小波基函數(shù)平移因子和伸縮因子分別為bj(n)和aj(n);第n時刻隱含層神經元j的閾值為THj(n);第n時刻輸出層神經元的閾值為th(n);則第n時刻隱含層神經元j的輸出為:

第n時刻輸出層神經元輸出為:

式中

第n時刻自適應有源消噪系統(tǒng)的誤差為:

為使系統(tǒng)誤差逐漸減小至穩(wěn)定值，利用梯度下降原理修正網絡系數(shù)和小波函數(shù)的伸縮因子、平移因子。當新的數(shù)據(jù)輸入自適應控制器時，便以新的網絡參數(shù)計算系統(tǒng)誤差。隨著信號的輸入，不斷重復上述過程。

盡管小波神經網絡提高了BP算法的收斂速度，但是其依然存在BP算法易陷入局部極小值的固有缺點，故本文運用具有全局優(yōu)化能力和良好適應能力的遺傳算法優(yōu)化小波神經網絡的參數(shù)，最終將逼近全局最優(yōu)值的各個參數(shù)應用于小波神經網絡，實現(xiàn)變壓器噪聲的最優(yōu)控制。

3.2 遺傳算法優(yōu)化小波神經網絡參數(shù)

遺傳算法的并行隨機全局性可以有效地克服小波神經網絡容易陷入局部極小值的問題。為了方便，本文在固定網絡結構下，利用遺傳算法優(yōu)化小波神經網絡的參數(shù)［10］，具體步驟如下:

(1)根據(jù)網絡結構確定染色體長度，并隨機產生若干個初始染色體。

(2)由于實數(shù)編碼可以縮小搜索空間和計算時間、提高搜索效率，所以對每一個染色體進行實數(shù)編碼，每個染色體對應一組網絡參數(shù)。本文將小波神經網絡第n時刻的各個權系數(shù)ωkj(n)、Wj(n)和閾值THj(n)、th(n)以及隱含層神經元的平移伸縮因子bj(n)、aj(n)按一定的次序排列，形成一個實數(shù)染色體，其編碼形式為:

?

(3)由于實測數(shù)據(jù)值較小，若以F(n)=1/(1+ E(n))為適應度函數(shù)，各染色體間差距會很小，不利于選擇。為了拉開染色體之間的差距，本文按式(8)計算第n時刻群體中每個染色體的適應度。

(4)利用輪盤賭法來選擇染色體，然后對當前一代群體進行交叉和變異的操作，最后生成新的一代群體。

(5)循環(huán)步驟(3)和(4)，每循環(huán)一次，就會得到一代新的群體，當達到最大遺傳代數(shù)時，便停止循環(huán)，并將最新代群體中適應度最高的染色體解碼得到相應的網絡參數(shù)。

3.3 基于遺傳小波神經網絡的自適應有源噪聲控制

雖然遺傳算法具有全局優(yōu)化的優(yōu)點，但是較多的種群數(shù)量和迭代次數(shù)使得遺傳算法計算量很龐大，這將導致自適應控制器無法精確地跟蹤期望輸入信號，嚴重影響噪聲控制的效果。鑒于此，本文只在開始時利用遺傳算法優(yōu)化網絡參數(shù)，使誤差|e(n)|迅速下降，當其達到設定的值時，再用梯度下降原則對參數(shù)進行精調。噪聲控制的具體步驟如下:

(1)利用神經網絡預測出自適應消噪系統(tǒng)的參考輸入信號x(n)。

(2)利用基于小波神經網絡的控制器對參考信號進行處理，產生輸出信號s(n)。

(3)利用小波濾波器處理進入誤差傳感器的混合噪聲信號，并將處理后的殘余噪聲信號反饋至控制器。

(4)判斷誤差|e(n)|是否大于設定的誤差值，若是則轉第(5)步，否則轉第(6)步。

(5)利用遺傳算法優(yōu)化網絡參數(shù)，并將優(yōu)化后的參數(shù)應用于小波神經網絡，然后轉第(7)步。

(6)利用梯度下降原則修正網絡參數(shù)，并將優(yōu)化后的參數(shù)應用于小波神經網絡，然后轉第(7)步。

(7)當新的數(shù)據(jù)輸入至控制器時，重復步驟(2)、(3)和(4)，直至處理完所有數(shù)據(jù)。

4 計算機仿真分析

使用遺傳小波神經網絡算法實現(xiàn)變壓器噪聲的主動控制，首先需確定預測模型的樣本數(shù)據(jù)，并進行相應的預處理，其次確定小波神經網絡的結構和遺傳算法的參數(shù)，最后對數(shù)據(jù)進行降噪處理。

4.1 噪聲預測效果分析

根據(jù)第2節(jié)的分析知變壓器的振動、噪聲信號與它的運行狀態(tài)密切相關，因此為了更準確地預測出變壓器在不同運行狀態(tài)下的噪聲，用于訓練的樣本應該具有多樣化，即在變壓器不同運行狀態(tài)下采集振動和接受點處噪聲數(shù)據(jù)樣本。

在絕大數(shù)情況下變壓器都處于非故障狀態(tài)，且其運行狀態(tài)的變化呈現(xiàn)一定的規(guī)律性，如在一個季度的每一天中變壓器負荷的變化趨勢基本相同。為了簡便，本文僅用變壓器在一天中上午、下午、晚上及夜間四個時間段的振動和噪聲數(shù)據(jù)來模擬變壓器在四種不同運行狀態(tài)下的振動和噪聲數(shù)據(jù)樣本。采集數(shù)據(jù)的方法如下:在南京市江東門110kV變電站內，將五路振動傳感器分別吸附在戶外某大型變壓器油箱正面中部、頂面中部、底面中部及兩側散熱器中部，用以采集變壓器振動數(shù)據(jù)。麥克風放置在變壓器正面0.5m處，采集相應噪聲數(shù)據(jù)。數(shù)據(jù)均以電壓信號的形式儲存在PC機中。

考慮到預測模型的收斂性能，本文只從四個不同時間段內采集的振動和噪聲數(shù)據(jù)中各選取500組，其中前325組作為離線訓練數(shù)據(jù)，后175組作為在線測試數(shù)據(jù)。根據(jù)第2節(jié)預測噪聲的步驟，本文首先利用db3小波函數(shù)對訓練數(shù)據(jù)進行1層小波分解，得到第一層小波低頻系數(shù)，然后將歸一化后的小波系數(shù)用來訓練四層BP神經網絡，其中輸入層有五個神經元、輸出層有一個神經元，兩個隱含層的神經元個數(shù)根據(jù)訓練情況選擇最優(yōu)的。通過大量的試驗發(fā)現(xiàn)當?shù)谝粋€隱含層包含20個神經元、第二個隱含層包含60個神經元時，BP網絡訓練效果最佳。隱含層激勵函數(shù)均為雙曲正切S型傳遞函數(shù)tansig，輸出層激勵函數(shù)為線性函數(shù)purelin，網絡的學習精度為0.01，學習速率為0.04，動量系數(shù)為0.9。BP神經網絡訓練誤差學習曲線如圖3所示。

圖3 BP神經網絡訓練誤差學習曲線Fig.3BPNN training error learning curve

BP神經網絡迭代31851次后，網絡達到預設的收斂誤差精度。當神經網絡完成訓練后，將用于測試的振動數(shù)據(jù)第一層小波低頻系數(shù)輸入該預測模型中，預測出接受點處噪聲數(shù)據(jù)的第一層小波低頻系數(shù)，再利用小波重構噪聲數(shù)據(jù)。預測的噪聲與實際的測試噪聲分析如圖4～圖6所示。

圖4 噪聲的小波系數(shù)Fig.4Noise wavelet coefficients

通過圖4看出預測噪聲的小波低頻系數(shù)和測試噪聲的小波低頻系數(shù)在整體變化趨勢、幅值上幾乎相同，說明該預測模型具有較高的可靠性。通過圖5和圖6看出由小波重構的預測噪聲波形比測試的噪聲波形更加光滑而且預測噪聲只含有低頻有用部分，說明重構的噪聲可以有效地祛除環(huán)境中高頻干擾噪聲，保留真實的信號。由此可見，用該法獲取變壓器低頻噪聲是可行、有效的。

4.2 噪聲控制效果分析

為了體現(xiàn)遺傳小波神經網絡算法的優(yōu)越性能，本節(jié)分別利用遺傳小波神經網絡算法和傳統(tǒng)BP神經網絡算法進行噪聲抑制，并將二者的效果進行比較。

圖5 噪聲數(shù)據(jù)時域分析Fig.5Noise data time domain analysis

圖6 噪聲數(shù)據(jù)頻譜分析Fig.6Noise data spectrum analysis

在遺傳小波神經網絡中，小波神經網絡的結構為4-12-1，隱含層神經元激勵函數(shù)為Morlet小波函數(shù)，輸出層激勵函數(shù)為Sigmoid函數(shù)，學習速率為0.09，動量因子為0.735。遺傳算法種群的規(guī)模為50，最大遺傳代數(shù)為20。根據(jù)染色體編碼方式，每個隱含層節(jié)點有5個權系數(shù)、1個尺度因子、1個平移因子和1個閾值，再加上輸出層的1個閾值，故染色體總長度為97。交配率為0.9，變異率為0.09。在BP神經網絡中，網絡結構同為4-12-1，隱含層激勵函數(shù)為Sigmoid函數(shù)，輸出層激勵函數(shù)為purelin函數(shù)。在小波去噪環(huán)節(jié)中，以sym5為小波基函數(shù)，將輸入信號進行2層分解，然后對分解得到的小波系數(shù)采用默認閾值消噪處理。

次級噪聲、變壓器噪聲及變壓器周邊環(huán)境變化引起的噪聲一起輸入誤差傳感器，經過小波去噪和系統(tǒng)控制器處理后，誤差信號e(n)的曲線如圖7所示，誤差曲線的頻譜如圖8所示。

圖7 兩種算法的誤差曲線Fig.7Error curves of two algorithms

圖8 兩種算法誤差曲線的頻譜Fig.8Spectrum of error curves of two algorithms

通過圖7(a)和圖7(b)，可以看出遺傳小波神經網絡濾波算法在0.03s(迭代150次)后開始收斂，BP神經網絡濾波算法在0.07s(迭代350次)后才開始收斂，而且前者的收斂精度明顯高于后者。通過圖8(a)和圖8(b)，可以看出遺傳小波神經網絡濾波算法可以有效地抑制變壓器噪聲，只剩余較少的本底噪聲，而BP神經網絡濾波算法的控制效果則較差。

自適應濾波算法的優(yōu)劣除與收斂速度、收斂精度有關，還與算法穩(wěn)定性有關。為比較算法的穩(wěn)定性，本文在相同的條件下利用這兩種濾波算法對相同的數(shù)據(jù)進行多次處理，分析期望輸入信號d(n)和次級噪聲信號s(n)的均方根誤差變化范圍，結果見表1。

表1 兩種算法處理后的均方誤差變化表Tab.1Two algorithms mean square error table

從表1可以看出，BP神經網絡濾波算法的RMSE偏差范圍大于遺傳小波神經網絡濾波算法的RMSE偏差范圍，說明后者更穩(wěn)定。同時還可以明顯地看出，遺傳小波神經網絡濾波算法的RMSE平均值小于BP神經網絡濾波算法的RMSE平均值，進一步驗證了遺傳小波神經網絡濾波算法在收斂精度上的優(yōu)越性。

5 結論

本文將噪聲預測方法和自適應有源消噪方法組合應用于變電站內變壓器噪聲抑制問題。得到以下結論:

(1)融合了BP神經網絡和小波變換技術的噪聲預測模型具有較高的準確性和可靠性。

(2)小波濾波器可以有效地濾除變壓器周圍環(huán)境變化引起的非周期、突變、高頻噪聲，增強了噪聲控制系統(tǒng)的穩(wěn)定性和有效性。

(3)通過對變電站內某變壓器實測數(shù)據(jù)的應用，得出遺傳小波神經網絡算法能有效地提高噪聲控制系統(tǒng)的收斂速度、收斂精度及穩(wěn)定性能。

本研究為今后變電站降噪裝置的研制開發(fā)提供了一種新的思路。

［1］祝志祥，韓鈺，聶京凱，等(Zhu Zhixiang，Han Yu，Nie Jingkai，et al.).變電站降噪用鋁纖維吸聲材料(Research on sound-absorption material of aluminum fiber for substation noise reduction)［J］.中國電力(Electric Power)，2012，45(7):57-61.

［2］李冰，胡國清(Li Bing，Hu Guoqing).降低變壓器噪聲的措施初探(Discussion on measure of reduction of transformer noise)［J］.變壓器(Transformer)，2004，41(8):40-42.

［3］馬璽越，陳克安，胡涵(Ma Xiyue，Chen Kean，Hu Han).110kV變壓器有源噪聲控制系統(tǒng)電聲器件布放優(yōu)化設計(Layout optimization of electro-acoustic devices of active noise control system for 110 kV transformer)［J］.噪聲與振動控制(Noise and Vibration Control)，2011，(6):109-115.

［4］Qiu Xiaojun，Li Xun，Ai Yanting，et al.A waveform synthesis algorithm for active control of transformer noise: implementation［J］.Applied Acoustics，2002，(63): 467-479.

［5］C F Ross.Experiments on the active control of transformer noise［J］.Journal of Sound and Vibration，1978，61 (4):473-480.

［6］曾向陽(Zeng Xiangyang).基于神經網絡法的艙室噪聲預測(Neural network based cabin noise prediction)［J］.西北工業(yè)大學學報(Journal of Northwestern Polytechnical University)，2004，22(4):492-494.

［7］James S Walker.A primer on wavelets and their scientific applications［M］.Wisconsin:Chapman＆Hall，1999.

［8］關履泰(Guan Lvtai).小波方法與應用(Application of wavelet method)［M］.北京:高等教育出版社(Beijing:Higher Education Press)，2007.

［9］史忠植(Shi Zhongzhi).神經網絡(Neural network)［M］.北京:高等教育出版社(Beijing:Higher Education Press)，2009.

［10］劉美容，何怡剛(Liu Meirong，He Yigang).遺傳小波神經網絡的非線性模擬電路故障診斷方法(Research on fault diagnosis method for nonlinear analog circuits based on GA，BPNN and wavelet)［J］.微電子學(Microelectronics)，2009，39(6):864-868.

Substation noise intelligent prediction and active control

JIANG Hong-yu1，MA Hong-zhong1，JIANG Ning2，LI Kai2
(1.College of Energy and Electrical Engineering，Hohai University，Nanjing 211100，China; 2.Nanjing Power Supply Company，Nanjing 210008，China)

In view of the deficiencies of substation noise active control technology，such as the poor performance of filtering algorithms and susceptible to the surrounding environment，this article uses artificial neural network，wavelet technology and genetic algorithm to improve the noise active control technology.First，using wavelet technology and artificial neural network algorithm the noise control system’s reference input signal is predicted.Then，according to the principle of wavelet de-noising high-frequency interference noise caused by the surrounding environment is removed which is included in the mixed noise into the error sensor，and the residual noise is fed back to the system controller.Finally，using genetic algorithm the parameters of wavelet neural network in the system controller are optimized，and optimal control of substation noise is achieved.Through the simulation of substation transformer vibration and noise data，the results show that the improved method can effectively improve the system noise tracking speed，noise reduction and system stability，and has better suppression effect for substation noise.

substation noise;noise prediction;wavelet neural network;genetic algorithm

TM401

A

1003-3076(2014)09-0074-07

2013-10-14

國家電網公司總部2011年重點科技項目(2011-0810-2251)

姜鴻羽(1989-)，男，江蘇籍，碩士研究生，研究方向為電力設備狀態(tài)檢測與故障診斷;馬宏忠(1962-)，男，江蘇籍，教授，博導，研究方向為電力設備狀態(tài)監(jiān)測與故障診斷、電能質量監(jiān)控。