基于殘留波形數(shù)據(jù)概率分布差異性的暫態(tài)擾動檢測方法

周振宇，俞 侃，丁 澍，姜 山，朱 珂

基于殘留波形數(shù)據(jù)概率分布差異性的暫態(tài)擾動檢測方法

周振宇1，俞 侃2，丁 澍1，姜 山3，朱 珂1

(1.山東大學電網(wǎng)智能化調(diào)度與控制教育部重點實驗室，山東 濟南 250061；2.浙江大學建筑設(shè)計研究院有限公司，浙江 杭州 310000；3.國網(wǎng)阜陽供電公司，安徽 阜陽 236000)

隨著擾動波形數(shù)據(jù)在設(shè)備狀態(tài)監(jiān)測方面的應用日益廣泛，一種考慮擾動特征多樣性和不顯著性的擾動檢測算法對于提高設(shè)備初期故障診斷準確性具有實際意義。因此，從噪聲而不是擾動的特征出發(fā)，提出了一種基于殘留波形數(shù)據(jù)概率分布差異性的暫態(tài)擾動檢測方法。首先給出了殘留波形數(shù)據(jù)及其概率密度的獲取方法。通過對實測波形數(shù)據(jù)中噪聲的概率分布開展規(guī)律性分析，選取含有擾動與否的各周期殘留波形數(shù)據(jù)間概率密度的差異性作為擾動研判的依據(jù)。然后，建立基于各周期殘留波形數(shù)據(jù)概率密度間Wasserstein距離的暫態(tài)擾動檢測算法及其閾值確定方法。仿真和現(xiàn)場數(shù)據(jù)驗證結(jié)果表明，所提擾動波形檢測方法對電壓、電流波形采樣數(shù)據(jù)中的各種不顯著擾動具有較高的檢測準確性。

擾動檢測；噪聲；概率分布；核密度估計；初期故障

0 引言

電力擾動波形早期因電能質(zhì)量問題而受到關(guān)注，鑒于設(shè)備異常運行狀態(tài)常伴有波形畸變，近年來又被用于非侵入式設(shè)備狀態(tài)信息獲取[1-2]。隨著國內(nèi)外學者的日益關(guān)注[1-2]，擾動波形數(shù)據(jù)在設(shè)備狀態(tài)監(jiān)測方面的應用將日益廣泛，而擾動波形的準確檢測則是這些應用的前提[3-5]。

當前針對IEC定義的以電壓為主的7類電能質(zhì)量擾動已提出了較為成熟的檢測方法[6-7]，而設(shè)備異常狀態(tài)(比如初期故障)引起的擾動不僅較為微弱，而且特征也更為多樣，電壓、電流波形均為狀態(tài)信息的有效載體[8]，因此需要研究新的擾動檢測方法。文獻[9]利用小波變換檢測地下電纜自清除故障引起的暫態(tài)電流波形。文獻[10]使用希爾伯特黃變換檢測永磁同步風機定子初期絕緣故障產(chǎn)生的擾動電流。文獻[11]利用多層卷積神經(jīng)網(wǎng)絡(luò)檢測串聯(lián)電弧故障引起的擾動波形。

上述這些方法都是針對某種設(shè)備異常狀態(tài)引起的特定擾動波形開展的檢測，而隨著擾動波形數(shù)據(jù)在設(shè)備狀態(tài)監(jiān)測方面的應用日益廣泛，一種考慮擾動特征多樣性的適用范圍更廣的設(shè)備異常狀態(tài)擾動檢測算法對于提高擾動檢測效率和后續(xù)設(shè)備狀態(tài)診斷的準確性具有實際意義[12]。文獻[13]基于相鄰周期差分波形一周期內(nèi)有效值的大小檢測擾動，該方法使用方便，但對持續(xù)時間小于一個周期的擾動無法保證檢測效果。文獻[14]根據(jù)相鄰周期差分波形離散采樣點幅值持續(xù)越界的時間檢測擾動，該方法的參數(shù)設(shè)置靈活，但是閾值的設(shè)置存在漏判和誤判問題。文獻[15]利用分段差分波形和原始波形的有效值檢測擾動，但該方法同樣存在文獻[14]中的閾值設(shè)置問題。文獻[16]根據(jù)殘留波形數(shù)據(jù)與高斯分布概率密度函數(shù)間的KL散度開展擾動存在與否二維假設(shè)檢驗，以建立可適用于更多設(shè)備異常狀態(tài)擾動的檢測算法。然而實際噪聲的概率分布受采樣頻率等因素影響，與高斯分布存在差異性，而且KL散度對概率分布間距離的度量受概率密度函數(shù)重疊性的影響較大，給該檢測方法的準確性造成不利影響。

鑒于設(shè)備初期故障等異常狀態(tài)引起擾動特征的多樣性和不顯著性，適合從噪聲特征角度建立適用范圍更廣的擾動檢測算法?？紤]到噪聲數(shù)據(jù)的概率分布在高次諧波等因素影響下的不確定性以及KL散度反映概率分布間差異的局限性，本文通過對實測波形數(shù)據(jù)中噪聲的概率分布開展規(guī)律性分析，選取含有擾動與否的各周期殘留波形數(shù)據(jù)間概率密度的差異性作為擾動研判的依據(jù)，進而建立基于Wasserstein距離表征的該差異性的暫態(tài)擾動檢測算法及其閾值確定方法，仿真和現(xiàn)場數(shù)據(jù)驗證了其有效性。

1 暫態(tài)擾動波形檢測方案

1.1 殘留數(shù)據(jù)的獲取

則系統(tǒng)的真實頻率為

去除穩(wěn)態(tài)分量后的殘留波形數(shù)據(jù)如式(6)所示。

1.2 殘留數(shù)據(jù)概率分布的獲取

該組數(shù)據(jù)的核密度估計為

1.3 實測噪聲的概率分布分析

本文提出的擾動檢測方法依賴于噪聲數(shù)據(jù)的概率分布規(guī)律。由于高斯分布應用較為廣泛且具有良好的數(shù)學性質(zhì)，所以通常認為電壓、電流波形數(shù)據(jù)中的噪聲服從高斯分布[23-24]。

利用上述核密度估計法從不同監(jiān)測點實測的不包含擾動的共2500周期的電壓、電流波形數(shù)據(jù)中獲取噪聲的概率分布，然后使用統(tǒng)計分析方法[25]進行檢驗，檢測結(jié)果如表1所示。從表1可以看出，大約17%的噪聲的概率分布不服從高斯分布。

表1 概率分布檢驗結(jié)果

兩組實測波形數(shù)據(jù)中噪聲的概率分布如圖1所示，圖中數(shù)字表示周期數(shù)。從圖1中可以看出一些周期下的噪聲數(shù)據(jù)并不滿足高斯分布，其普遍呈現(xiàn)雙峰形狀。

為解釋上述現(xiàn)象，本文繪制了40次諧波與噪聲疊加后的概率分布規(guī)律圖。而圖2(a)、圖2(b)分別對應40次諧波強于噪聲和弱于噪聲的兩種情況。由圖2可知，當40次諧波強于噪聲時混合數(shù)據(jù)就會呈現(xiàn)雙峰形分布。結(jié)合本文的殘留波形數(shù)據(jù)提取方法，有限的采樣頻率使得去除穩(wěn)態(tài)分量后的殘留波形數(shù)據(jù)中不可避免地存在高次諧波，當某高次諧波的強度大于噪聲的強度時，殘留波形數(shù)據(jù)的概率分布就會偏離高斯分布而呈現(xiàn)雙峰形。

利用KS檢驗對不同監(jiān)測點實測的2000組相鄰周期波形數(shù)據(jù)的概率分布的相似性進行檢驗，結(jié)果如表2所示。由表2可知，95%以上的相鄰周期波形數(shù)據(jù)中噪聲的概率分布具有一致性?；诖?，本文以不含擾動的殘留波形數(shù)據(jù)的概率分布為參考，根據(jù)相鄰周期殘留波形數(shù)據(jù)概率分布的差異判定擾動的存在。

圖1 噪聲概率密度函數(shù)曲線

圖2 混合高次諧波的噪聲概率分布

表2 KS檢驗的結(jié)果

1.4 概率分布差異的度量

用來度量兩種概率分布間差異性的常見指標有KL散度和JS散度，但其有效性依賴于兩概率分布幾何形狀的重疊性。由于暫態(tài)擾動發(fā)生前后噪聲概率分布支撐集的不確定性(見后文)，本文選取同時考慮概率分布間幾何形狀和特性的Wasserstein距離作為度量概率分布差異的指標。

一階Wasserstein距離定義如式(12)。

圖3為一現(xiàn)場實測擾動事件發(fā)生前后去除穩(wěn)態(tài)分量后殘留電流波形數(shù)據(jù)的概率分布。如圖3所示，擾動發(fā)生時對應的第6、7周期波形殘留數(shù)據(jù)的概率密度函數(shù)同擾動發(fā)生前對應的第1～5周期波形殘留數(shù)據(jù)的概率密度函數(shù)的支撐集明顯不重合，理論上這將導致KL散度和JS散度無法有效地衡量兩概率分布間的差異。根據(jù)圖3計算相鄰周期殘留數(shù)據(jù)概率分布間的Wasserstein距離、KL散度和JS散度，進而獲得其各自的相對值變化，如圖4所示。

圖3 殘留電流數(shù)據(jù)的概率分布

圖4 概率分布差異指標對比

圖4中相鄰周期數(shù)為5時的距離表示第6周期同第5周期殘留數(shù)據(jù)間的概率分布差異。從圖4可以看出，Wasserstein距離較KL散度和JS散度更能有效反映數(shù)據(jù)概率分布的變化，對于擾動的識別更有利。

1.5 閾值的設(shè)置

鑒于擾動會增大殘留波形數(shù)據(jù)的Wasserstein距離，因此只需確定2即可，根據(jù)Wasserstein距離是否大于2檢測擾動。

本文設(shè)定閾值具體步驟如下：

a) 收集前W+1個周期的殘留數(shù)據(jù)；

b) 計算相鄰兩個周期殘留波形數(shù)據(jù)概率密度間的Wasserstein距離，則可以得到W個計算結(jié)果。

c) 根據(jù)W個Wasserstein距離，基于本文提出的閾值設(shè)置方法進行擾動的檢測。

1.6 暫態(tài)擾動檢測算法流程

圖5 檢測流程圖

2 算法性能檢測

2.1 現(xiàn)場數(shù)據(jù)檢驗與分析

為了驗證本文所提出的擾動檢測算法的有效性，對中壓配網(wǎng)不同電壓等級下多個主變出口處的電壓、電流波形以每周期64點的采樣率進行實時連續(xù)采樣，以用于本文相關(guān)研究。

使用本文所述方法捕獲到的部分較為微弱的暫態(tài)擾動及其檢測過程分別如圖6—圖11所示。以圖6中的擾動檢測為例，選取第一個周期作為起始參考周期，基于1.1節(jié)的方法求取殘留波形數(shù)據(jù)如圖6(b)所示，可以看出擾動的幅值僅有原始波形幅值的2%左右。對相鄰周期殘留數(shù)據(jù)的概率分布進行比較，圖6(c)為計算出的Wasserstein距離，虛線表示計算出的閾值?？梢娪嬎憬Y(jié)果在第4～6相鄰周期內(nèi)大于閾值。第4周期計算結(jié)果大于閾值說明擾動在其之后的第一個相鄰周期即第5個周期內(nèi)發(fā)生。第7相鄰周期計算結(jié)果小于閾值說明擾動在其之前的第一個相鄰周期即第6周期時消失。

圖6 擾動1檢測流程

圖8 擾動3檢測流程

圖9 擾動4檢測流程

圖11 擾動6檢測流程

從上述這些擾動的檢測過程可以看出，本文提出的檢測算法可以將電壓、電流波形中較為微弱的各種暫態(tài)擾動準確地檢測出來，適用于設(shè)備初期故障等不太顯著的設(shè)備異常狀態(tài)引起的擾動檢測。

2.2 混合擾動的檢測

仿真得到諧波+暫降和諧波+暫升兩種混合電能質(zhì)量擾動及其檢測結(jié)果，如圖12和圖13所示。數(shù)據(jù)中加入了信噪比為25 dB的白噪聲。由圖中可以看出，本文所述檢測方法對強度較小的混合擾動也是適用的。

2.3 有效性對比

利用本文所提出的擾動檢測算法以及文獻[15-16]中的算法對2048組波形數(shù)據(jù)開展擾動檢測，其中仿真和實測數(shù)據(jù)各占50%，電壓和電流數(shù)據(jù)各占50%， 240組波形中含有自身幅值10%以內(nèi)的暫態(tài)擾動，仿真得到的波形中帶有25 dB白噪聲。文獻[15]算法的波形分段數(shù)為8。使用反映檢測概率d和虛警概率f間關(guān)系的ROC曲線[26]對比各算法的準確性，其下方的面積大小反映算法的平均性能，如圖14所示。

由圖14可知，本文算法的ROC曲線下面積最大。當虛警概率為0.05時，本文算法的檢測概率約為0.95，而文獻[15]算法的檢測概率約為0.5，文獻[16]算法的檢測概率約為0.8。說明在相同虛警概率下，本文算法比文獻[15-16]算法具有更高的檢測準確性。

圖12 諧波+暫降檢測流程

圖13 諧波+暫升檢測流程

圖14 性能的比較

2.4 應用實例

圖15為一條現(xiàn)場XLPE電纜接頭處發(fā)生絕緣放電引起的暫態(tài)擾動電流波形[8]及其檢測結(jié)果。由圖15中可以看出，針對電纜接頭絕緣損壞這種初期故障引起的輕微電流暫態(tài)，利用本文所提出的算法可以對其進行有效檢測。

圖15 實例檢測流程

3 結(jié)論

本文針對設(shè)備異常狀態(tài)引起的各種暫態(tài)擾動，研究了一種基于殘留數(shù)據(jù)概率分布的暫態(tài)擾動檢測算法，將設(shè)備初期故障等異常狀態(tài)引起的強度較為微弱且特征多樣的各種擾動從波形數(shù)據(jù)中檢測出來以用于后續(xù)分析，大量現(xiàn)場數(shù)據(jù)和仿真驗證了所提算法的有效性。通過本文研究得到以下結(jié)論：

1) 通過對大量現(xiàn)場噪聲數(shù)據(jù)的概率分布進行分析，在正常情況下，由于采樣頻率的局限性導致殘留數(shù)據(jù)中摻雜有高次諧波，使得實測殘留數(shù)據(jù)的概率分布并不完全服從高斯分布，而相鄰周期殘留數(shù)據(jù)的概率分布具有一致性，可用作檢測擾動存在與否的依據(jù)。

2) Wasserstein距離不受概率分布間重疊程度的影響，比KL散度和JS散度更適合于表征支撐集具有不確定性的兩概率分布間的差異。

3) 本文的檢測算法面對強度相對較弱的電壓、電流擾動比文獻[15]和文獻[16]所提的兩種代表性算法具有更高的檢測精度。

[1] 徐文遠, 雍靜. 電力擾動數(shù)據(jù)分析學——電能質(zhì)量監(jiān)測數(shù)據(jù)的新應用[J]. 中國電機工程學報, 2013, 33(19): 93-101.

XU Wenyuan, YONG Jing. Power disturbance data analytics-new application of power quality monitoring data[J]. Proceedings of the CSEE, 2013, 33(19): 93-101.

[2] 胡文曦, 肖先勇, 汪穎, 等. 現(xiàn)代電網(wǎng)電力擾動數(shù)據(jù)分析與主動應用[J]. 電力系統(tǒng)自動化, 2021, 45(4): 1-11.

HU Wenxi, XIAO Xianyong, WANG Ying, et al. Analysis and proactive application of power disturbance data in modern power grid[J]. Automation of Electric Power Systems, 2021, 45(4): 1-11.

[3] 武昭旭, 楊岸, 祝龍記. 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動識別[J]. 電力系統(tǒng)保護與控制, 2020, 48(18): 88-94.

WU Zhaoxu, YANG An, ZHU Longji. Power quality disturbance recognition based on a recurrent neural network[J]. Power System Protection and Control, 2020, 48(18): 88-94.

[4] 徐佳雄, 張明, 王陽, 等. 基于改進HHT的電能質(zhì)量擾動檢測新方法[J]. 智慧電力, 2021, 49(1): 1-8.

XU Jiaxiong, ZHANG Ming, WANG Yang, et al. New method of power quality disturbance detection based on improved HHT[J]. Smart Power, 2021, 49(1): 1-8.

[5] 徐敬偉, 程杉, 嚴瀟, 等. 基于WMM與HATF的含噪暫態(tài)電能質(zhì)量擾動檢測方法[J]. 電力科學與技術(shù)學報, 2021, 36(4): 3-11.

XU Jingwei, CHENG Shan, YAN Xiao, et al. Noisy transient power quality disturbance detection method based on WMM and HATF[J]. Journal of Electric Power Science And Technology, 2021, 36(4): 3-11.

[6] 王燕. 電能質(zhì)量擾動檢測的研究綜述[J]. 電力系統(tǒng)保護與控制, 2021, 49(13): 174-186.

WANG Yan. Review of research development in power quality disturbance detection[J]. Power System Protection and Control, 2021, 49(13): 174-186.

[7] ZHAO Wenjing, SHANG Liqun, SUN Jinfan. Power quality disturbance classification based on time-frequency domain multi-feature and decision tree[J]. Protection and Control of Modern Power Systems, 2019, 4(4): 337-342.

[8] GREBE T E. effective collection and management of power quality data for analysis and detection of incipient distribution system components faults and identification of their locations[R]. CEATI Report No. T124700-5159, 2013.

[9] SIDHU T S, XU Z. Detection of incipient faults in distribution underground cables[J]. IEEE Transactions on Power Delivery, 2010, 25(3): 1363-1371.

[10] WANG C, LIU X, CHEN Z. Incipient stator insulation fault detection of permanent magnet synchronous wind generators based on Hilbert–Huang transformation[J]. IEEE Transactions on Magnetics, 2014, 50(11): 1-4.

[11] 褚若波, 張認成, 楊凱, 等. 基于多層卷積神經(jīng)網(wǎng)絡(luò)的串聯(lián)電弧故障檢測方法[J]. 電網(wǎng)技術(shù), 2020, 44(12): 4792-4798.

CHU Ruobo, ZHANG Rencheng, YANG Kai, et al. A series arc fault detection method based on multi-layer convolutional neural network[J]. Power System Technology, 2020, 44(12): 4792-4798.

[12] MAHELA O P, SHAIK A G, GUPTA N. A critical review of detection and classification of power quality events[J]. Renewable and Sustainable Energy Reviews, 2015, 41: 495-505.

[13] LI C, XU W, HUGHES B, et al. Virtual PQ troubleshooter[J]. IEEE Power and Energy Magazine, 2003, 1(3): 24-31.

[14] IEEE Working Group on Power Quality Data Analytics. Activities: electrical signatures of power equipment failures[EB/OL]. http://grouper.ieee.org/groups/td/pq/data/.

[15]朱珂, 倪建, 劉穎英, 等. 面向電力擾動數(shù)據(jù)分析的暫態(tài)擾動檢測[J]. 電工技術(shù)學報, 2017, 32(3): 35-44.

ZHU Ke, NI Jian, LIU Yingjie, et al. Detection transient power quality disturbance for power disturbance data analytics[J]. Transactions of China Electrotechnical Society, 2017, 32(3): 35-44.

[16] LI B, JING Y, XU W. A generic waveform abnormality detection method for utility equipment condition monitoring[J]. IEEE Transactions on Power Delivery, 2017, 32(1): 162-171.

[17]李建閩, 滕召勝, 吳言, 等. 基于移頻濾波的頻率測量方法[J]. 中國電機工程學報, 2018, 38(3): 762-769.

LI Jianmin, TENG Zhaosheng, WU Yan, et al. Frequency measurement algorithm based on frequency shift and filtering[J]. Proceedings of the CSEE, 2018, 38(3): 762-769.

[18] DEHNAD K. Density estimation for statistics and data analysis by Bernard Silverman[M]. 1986.

[19] 黃麗梅, 王武, 林瓊斌, 等. 基于核密度估計分類器的變換器故障診斷方法[J]. 電網(wǎng)技術(shù), 2019, 43(6): 2204-2210.

HUANG Limei, WANG Wu, LIN Qiongbin, et al. Fault diagnosis method of converter based on kernel density estimation classifier[J]. Power System Technology, 2019, 43(6): 2204-2210.

[20]王坤, 王江波, 孫可, 等. 基于核密度估計的電網(wǎng)電壓質(zhì)量分析系統(tǒng)研究[J]. 現(xiàn)代電子技術(shù), 2018, 41(2): 183-186.

WANG Kun, WANG Jiangbo, SUN Ke, et al. Research on power grid voltage quality analysis system based on kernel density estimation[J]. Modern Electronics Technique, 2018, 41(2): 183-186.

[21] 李亞瓊, 周勝軍, 王同勛, 等. 基于優(yōu)選帶寬核密度估計的諧波概率潮流分析方法[J]. 電力自動化設(shè)備, 2017, 37(8): 131-136.

LI Yaqiong, ZHOU Shengjun, WANG Tongxun, et al. Harmonic probabilistic power-flow analysis based on kernel density estimation with optimized bandwidth design[J]. Electric Power Automation Equipment, 2017, 37(8): 131-136.

[22]宋元峰, 萬凌云, 劉涌, 等. 基于核密度估計的概率分布函數(shù)擬合方法[J]. 電網(wǎng)與清潔能源, 2016, 32(6): 85-88.

SONG Yuanfeng, WAN Lingyun, LIU Yong, et al. Coarse-to-fine detection for nests on pylon[J]. Power System and Clean Energy, 2016, 32(6): 85-88.

[23] 吳童, 孫抗, 師文文. 基于AVMD-自適應小波包法的電纜局部放電去噪研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(14): 95-103.

WU Tong, SUN Kang, SHI Wenwen. Research on cable partial discharge denoising based on an AVMD-adaptive wavelet packet method[J]. Power System Protection and Control, 2020, 48(14): 95-103.

[24]馬星河, 張登奎, 朱昊哲, 等. 基于EWT的高壓電纜局部放電信號降噪研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(23): 108-114.

MA Xinghe, ZHANG Dengkui, ZHU Haozhe, et al. Research on noise reduction of a partial discharge signal of a high voltage cable based on EWT[J]. Power System Protection and Control, 2020, 48(23): 108-114.

[25] YAZICI B, YOLACAN S. A comparison of various tests of normality[J]. Journal of Statistical Computation & Simulation, 2007, 77(2):175-183.

[26] FAWCETT T. An introduction to ROC analysis[J]. Pattern Recognition Letters, 2006, 27(8): 861-874.

Detecting transient disturbance with probability distribution difference of residual waveform data

ZHOU Zhenyu1, YU Kan2, DING Shu1, JIANG Shan3, ZHU Ke1

(1. Key Laboratory of Power System Intelligent Dispatch and Control of Ministry of Education, Shandong University, Jinan 250061, China; 2. Architectural Design and Research Institute Co., Ltd., Zhejiang University, Hangzhou 310000, China; 3. State Grid Fuyang Power Company, Fuyang 236000, China)

With the increasing application of disturbance waveform data in equipment condition monitoring, a disturbance detection algorithm considering the diversity and insignificance of disturbance characteristics is of practical significance in improving the accuracy of equipment initial fault diagnosis. Therefore, based on the characteristics of noise rather than disturbance, a transient disturbance detection method is proposed based on the difference in the probability distribution of residual waveform data. First, the acquisition method of residual waveform data and its probability density is given. Through the regularity analysis of the probability distribution of noise in measured waveform data, the difference of probability density between residual waveform data with or without disturbance is selected as the basis of disturbance analysis. Then the transient disturbance detection algorithm and threshold determination method based on Wasserstein distance between probability density of residual waveform data of each period are established. Simulation and field data verification results show that the proposed disturbance waveform detection method has high detection accuracy for various non-significant disturbances in voltage and current waveform sampling data.

disturbance detection; noise; probability distribution; kernel density estimation; incipient failure

10.19783/j.cnki.pspc.211671

國家電網(wǎng)有限公司總部科技項目資助“基于物聯(lián)網(wǎng)技術(shù)的配電開關(guān)一二次深度融合與精益運維關(guān)鍵技術(shù)研究及應用”(52130421000S)

This work is supported by the Science and Technology Project of the Headquarters of State Grid Corporation of China (No. 52130421000S).

2021-12-08；

2022-02-12

周振宇(1998—)，男，碩士生，研究方向為狀態(tài)監(jiān)測，電能質(zhì)量；E-mail: 824006770@qq.com

俞 侃(1990—)，男，工程師，從事低壓配電系統(tǒng)，建筑電氣方向相關(guān)工作；E-mail: 729675172@qq.com

朱 珂(1977—)，男，通信作者，副教授，主要研究方向為狀態(tài)監(jiān)測，電能質(zhì)量。E-mail: zhuke@sdu.edu.com

(編輯 魏小麗)