基于深度稀疏自編碼網(wǎng)絡(luò)和場(chǎng)景分類器的電網(wǎng)氣象故障預(yù)警方法

胡諒平，叢 偉，徐安馨，魏 振，邱吉福，陳 明

基于深度稀疏自編碼網(wǎng)絡(luò)和場(chǎng)景分類器的電網(wǎng)氣象故障預(yù)警方法

胡諒平1，叢 偉1，徐安馨2，魏 振3，邱吉福3，陳 明3

(1.電網(wǎng)智能化調(diào)度與控制教育部重點(diǎn)實(shí)驗(yàn)室(山東大學(xué))，山東 濟(jì)南 250061；2.國(guó)網(wǎng)山東省電力公司日照供電公司，山東 日照 276800；3.國(guó)網(wǎng)山東省電力公司青島供電公司，山東 青島 266001)

為保證電網(wǎng)安全穩(wěn)定運(yùn)行，提高電網(wǎng)防災(zāi)減災(zāi)和彈性水平，提出了一種基于深度稀疏自編碼網(wǎng)絡(luò)和場(chǎng)景分類器的電網(wǎng)氣象故障預(yù)警方法。首先，采用主客觀權(quán)重相結(jié)合的動(dòng)態(tài)賦權(quán)方法，對(duì)氣象因子進(jìn)行初始賦權(quán)，以合理表征不同氣象因子對(duì)電網(wǎng)故障的影響程度。然后，對(duì)傳統(tǒng)的深度自編碼網(wǎng)絡(luò)增加稀疏性約束條件，以提高網(wǎng)絡(luò)訓(xùn)練的收斂性，并在深度自編碼網(wǎng)絡(luò)的最后一層增加場(chǎng)景分類器，以提高氣象因子與電網(wǎng)故障場(chǎng)景間關(guān)聯(lián)關(guān)系的合理性。最后，將帶權(quán)重的氣象因子以及設(shè)備因子和環(huán)境因子作為深度稀疏自編碼網(wǎng)絡(luò)的輸入，利用支持向量機(jī)構(gòu)建多因素耦合的電網(wǎng)氣象災(zāi)害故障預(yù)警模型。采用實(shí)際電網(wǎng)故障算例驗(yàn)證了所提方法的有效性。

電網(wǎng)氣象故障；預(yù)警方法；動(dòng)態(tài)組合權(quán)重；場(chǎng)景分類器；深度稀疏自編碼網(wǎng)絡(luò)

0 引言

電網(wǎng)覆蓋面積越來越廣，輸電線路跨度增大，眾多設(shè)備長(zhǎng)期暴露在外界環(huán)境中，非常容易遭受自然災(zāi)害和其他因素的影響而導(dǎo)致故障。氣象因素是導(dǎo)致電網(wǎng)故障的主要誘因之一，具有影響面廣、故障損失大、對(duì)電網(wǎng)影響嚴(yán)重等特點(diǎn)。開展電網(wǎng)氣象故障預(yù)警方法研究，可提高電網(wǎng)故障發(fā)生時(shí)的應(yīng)對(duì)能力和處置能力，有助于提高電網(wǎng)的彈性水平。

電網(wǎng)氣象故障具有影響因子類型多、數(shù)量多和因子間耦合關(guān)系復(fù)雜等特點(diǎn)，雷電、山火、臺(tái)風(fēng)等極端氣象災(zāi)害給電網(wǎng)的正常運(yùn)行帶來了極大的威脅和挑戰(zhàn)，極易造成電網(wǎng)大面積停電事故[1-6]。文獻(xiàn)[7]利用風(fēng)速風(fēng)向的聯(lián)合分布和概率統(tǒng)計(jì)的方法計(jì)算電力斷線倒塔的概率，對(duì)風(fēng)災(zāi)條件下的斷線倒塔進(jìn)行預(yù)警；文獻(xiàn)[8]提出了一種基于時(shí)間序列分析與卡爾曼濾波算法的線路覆冰短期預(yù)測(cè)模型，減少了微氣象因素對(duì)預(yù)測(cè)精度的影響；文獻(xiàn)[9]結(jié)合舞動(dòng)運(yùn)動(dòng)方程、氣象信息及故障信息，計(jì)算了覆冰導(dǎo)線舞動(dòng)導(dǎo)致線路跳閘的概率；文獻(xiàn)[10]基于實(shí)時(shí)雷電定位數(shù)據(jù)提出了輸電線路防雷評(píng)估模型和高風(fēng)險(xiǎn)雷暴評(píng)估模型，進(jìn)行緊密輸電通道的連續(xù)雷擊跳閘預(yù)警；文獻(xiàn)[11]對(duì)導(dǎo)致輸電走廊山火災(zāi)害的14類因子進(jìn)行重要程度排序，并利用樸素貝葉斯網(wǎng)絡(luò)搭建了山火風(fēng)險(xiǎn)評(píng)估模型；文獻(xiàn)[12]構(gòu)建了面向臺(tái)風(fēng)氣象的電網(wǎng)運(yùn)行風(fēng)險(xiǎn)態(tài)勢(shì)指標(biāo)體系，對(duì)臺(tái)風(fēng)災(zāi)害下的電網(wǎng)故障進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)。

上述研究都是針對(duì)單一氣象或?yàn)?zāi)害條件對(duì)電網(wǎng)的影響，但電網(wǎng)在運(yùn)行中會(huì)受到多種氣象因素的影響，單一因素不能全面反映氣象與電網(wǎng)災(zāi)害的關(guān)聯(lián)關(guān)系。

文獻(xiàn)[13]針對(duì)電網(wǎng)故障的時(shí)空分布特性，采用BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建了基于季節(jié)氣候、地形地貌及自然災(zāi)害等因素的電力系統(tǒng)安全狀態(tài)預(yù)警系統(tǒng)；文獻(xiàn)[14]通過分析惡劣天氣下電網(wǎng)連鎖故障的產(chǎn)生機(jī)理，提出了惡劣天氣下復(fù)雜電網(wǎng)連鎖故障在線預(yù)警模型；文獻(xiàn)[15]基于大數(shù)據(jù)處理集群技術(shù)，以樸素貝葉斯算法結(jié)合時(shí)間序列相似性故障匹配的方法建立輸電線路故障預(yù)警模型。文獻(xiàn)[16]提出對(duì)電網(wǎng)資源和氣象數(shù)據(jù)進(jìn)行網(wǎng)格化表達(dá)，直觀展示氣象對(duì)電網(wǎng)影響的時(shí)空分布；文獻(xiàn)[17]建立了基于區(qū)塊鏈技術(shù)的電網(wǎng)自然災(zāi)害預(yù)警系統(tǒng)，實(shí)現(xiàn)了線路故障預(yù)警。以上方法考慮了多類因素的影響，但故障預(yù)測(cè)的準(zhǔn)確性還需要進(jìn)一步提升。

人工智能技術(shù)在電力系統(tǒng)負(fù)荷預(yù)測(cè)、設(shè)備異常診斷、系統(tǒng)態(tài)勢(shì)感知等領(lǐng)域獲得了廣泛應(yīng)用[18-19]。深度學(xué)習(xí)作為人工智能的一個(gè)分支，可有效解決高維復(fù)雜數(shù)據(jù)挖掘以及特征提取等難題，同時(shí)還可彌補(bǔ)傳統(tǒng)機(jī)器學(xué)習(xí)算法存在的訓(xùn)練數(shù)據(jù)不足、泛化能力差等問題[20-21]。文獻(xiàn)[22]利用條件生成對(duì)抗網(wǎng)絡(luò)進(jìn)行樣本集擴(kuò)充，建立Dense-YOLOv3網(wǎng)絡(luò)對(duì)輸電線路異物入侵進(jìn)行識(shí)別；文獻(xiàn)[23]提出了一種GRA和LSTM相結(jié)合的區(qū)域綜合能源系統(tǒng)多元負(fù)荷短期預(yù)測(cè)模型，預(yù)測(cè)誤差明顯下降；文獻(xiàn)[24]利用Faster R-CNN網(wǎng)絡(luò)進(jìn)行絕緣子目標(biāo)檢測(cè)，檢測(cè)準(zhǔn)確率達(dá)到96%；文獻(xiàn)[25]利用GA-DBN模型感知電網(wǎng)暫態(tài)安全狀態(tài)，具有較高的準(zhǔn)確率；文獻(xiàn)[26]利用隨機(jī)森林算法進(jìn)行特征降維，然后利用LSTM網(wǎng)絡(luò)進(jìn)行風(fēng)電功率預(yù)測(cè)，可提高預(yù)測(cè)準(zhǔn)確率。文獻(xiàn)[27]利用CycleGAN進(jìn)行輸電線路巡檢圖像數(shù)據(jù)集擴(kuò)充，將MobileNet網(wǎng)絡(luò)的模型進(jìn)行遷移學(xué)習(xí)并進(jìn)行有監(jiān)督微調(diào)，提高了輸電線路物體識(shí)別的匹配度。

本文將場(chǎng)景分類器和深度稀疏自編碼網(wǎng)絡(luò)(deep sparse auto-encoder, DSAE)相結(jié)合，提出了基于DSAE的電網(wǎng)氣象故障預(yù)警方法。利用DSAE表征各因子間的復(fù)雜耦合關(guān)系，基于有標(biāo)簽的數(shù)據(jù)樣本采用場(chǎng)景分類器對(duì)模型參數(shù)進(jìn)行有監(jiān)督微調(diào)，并根據(jù)指標(biāo)權(quán)重動(dòng)態(tài)變化的特點(diǎn)對(duì)氣象因子進(jìn)行組合賦權(quán)，突出高影響氣象因子，加快網(wǎng)絡(luò)訓(xùn)練收斂速度，提高預(yù)警方法的準(zhǔn)確性。

1 氣象因子權(quán)重的組合賦權(quán)法

導(dǎo)致電網(wǎng)氣象故障的氣象因子種類繁多，耦合關(guān)系復(fù)雜。若直接利用已有的自編碼網(wǎng)絡(luò)對(duì)氣象因子進(jìn)行處理，可能會(huì)出現(xiàn)收斂速度慢、數(shù)據(jù)過擬合、學(xué)習(xí)效果存在偏差等問題，因此需要基于歷史數(shù)據(jù)對(duì)氣象因子確定初始權(quán)重。

1.1 基于G1法的主觀賦權(quán)

表1 指標(biāo)間相對(duì)重要程度rk的說明

1.2 基于熵權(quán)法的客觀賦權(quán)

1.3 主客觀組合賦權(quán)及權(quán)重修正

主觀賦權(quán)法受專家經(jīng)驗(yàn)和人為意愿的影響而帶有一定的主觀隨意性；客觀賦權(quán)法得到的權(quán)重沒有將專家經(jīng)驗(yàn)和決策者傾向納入考慮范圍內(nèi)，得出的權(quán)重值可能與實(shí)際情況不符。本文將主、客觀權(quán)重進(jìn)行綜合得到氣象因子組合權(quán)重，最后根據(jù)氣象因子的狀態(tài)將其分為4個(gè)等級(jí)，每個(gè)等級(jí)對(duì)應(yīng)一個(gè)狀態(tài)權(quán)重，通過狀態(tài)權(quán)重來對(duì)主、客觀組合權(quán)重進(jìn)行修正，得到對(duì)氣象因子即時(shí)狀態(tài)進(jìn)行修正后的動(dòng)態(tài)組合權(quán)重。

首先運(yùn)用最小信息熵原理對(duì)主觀權(quán)重和客觀權(quán)重進(jìn)行組合。

用拉格朗日乘子算法計(jì)算組合權(quán)重為

根據(jù)氣象評(píng)價(jià)標(biāo)準(zhǔn)(GB/T 33680-2017、GB/T 36542-2018等)，將每個(gè)氣象因子狀態(tài)分為4個(gè)等級(jí)，劃分方法見表A1。限于篇幅，表A1僅展示部分常用的氣象因子。每個(gè)等級(jí)對(duì)應(yīng)一個(gè)狀態(tài)權(quán)重，該權(quán)重可由G1法獲得，如表2所示。當(dāng)獲取到各因子的實(shí)際值后，即可確定相應(yīng)的狀態(tài)等級(jí)及對(duì)應(yīng)的狀態(tài)權(quán)重，然后對(duì)組合權(quán)重進(jìn)行修正，得到該氣象因子經(jīng)動(dòng)態(tài)修正后的權(quán)重。

表2 因子狀態(tài)權(quán)重確定

對(duì)主客觀組合權(quán)重進(jìn)行修正，如式(9)所示。

動(dòng)態(tài)組合賦權(quán)既可以保留專家經(jīng)驗(yàn)，又可以反映評(píng)價(jià)對(duì)象中客觀數(shù)據(jù)對(duì)決策的貢獻(xiàn)度，并保存了罕見高影響性因子的重要狀態(tài)屬性，有助于提高評(píng)價(jià)結(jié)論的合理性。

2 帶場(chǎng)景分類的深度稀疏自編碼網(wǎng)絡(luò)

電網(wǎng)氣象因子具有高維度、耦合情況復(fù)雜等特點(diǎn)，與電網(wǎng)故障的關(guān)系難以采用數(shù)學(xué)模型解析表達(dá)。本文采用具有自學(xué)習(xí)能力的DSAE，結(jié)合具有氣象災(zāi)害場(chǎng)景標(biāo)簽的分類器，來表征氣象因子與電網(wǎng)故障之間的映射關(guān)系，實(shí)現(xiàn)電網(wǎng)氣象災(zāi)害故障的準(zhǔn)確預(yù)測(cè)。

2.1 稀疏自編碼網(wǎng)絡(luò)

稀疏自編碼器(sparse auto-encoder, SAE)是對(duì)傳統(tǒng)自編碼器(auto-encoder, AE)的隱藏層神經(jīng)元增加稀疏性約束，使大多數(shù)隱藏層神經(jīng)元被抑制，以此來控制隱藏層神經(jīng)元激活的數(shù)量，減少學(xué)習(xí)過程中的冗余信息，通過稀疏的表達(dá)有效提取輸入信號(hào)的特征，實(shí)現(xiàn)對(duì)輸入信號(hào)特征的有效提取和準(zhǔn)確表達(dá)[28]。稀疏性約束通過在自編碼器的損失函數(shù)中添加稀疏懲罰項(xiàng)的方式來實(shí)現(xiàn)。

SAE的網(wǎng)絡(luò)損失函數(shù)如式(12)所示。

2.2 場(chǎng)景分類器構(gòu)造

針對(duì)電網(wǎng)氣象災(zāi)害場(chǎng)景較多這一特點(diǎn)，本文選擇用于多元分類的Softmax分類器作為場(chǎng)景分類器，進(jìn)行電網(wǎng)氣象災(zāi)害的場(chǎng)景識(shí)別。該分類器可以最大化提取數(shù)據(jù)特征，并對(duì)分類輸出進(jìn)行歸一化處理，將其映射為每一個(gè)類別的概率取值。

由此便完成場(chǎng)景分類器的構(gòu)造。

2.3 深度稀疏自編碼網(wǎng)絡(luò)的建立

DSAE由多個(gè)SAE堆疊而成，除作為輸入層的自編碼器外，其他每一層的輸入都是由其上一層的輸出組成，確定網(wǎng)絡(luò)損失函數(shù)后，可以通過網(wǎng)絡(luò)訓(xùn)練來優(yōu)化該目標(biāo)函數(shù)，獲得具有良好特征提取能力的深度網(wǎng)絡(luò)模型。DSAE網(wǎng)絡(luò)模型如圖A1所示。

DSAE可通過逐層貪婪的無監(jiān)督預(yù)訓(xùn)練，對(duì)輸入氣象因子的特征進(jìn)行初步提取，但由于訓(xùn)練過程是無監(jiān)督的，網(wǎng)絡(luò)具有很大的自主性，此時(shí)提取的特征主要用來實(shí)現(xiàn)輸出對(duì)輸入的重構(gòu)，難以與電網(wǎng)氣象災(zāi)害有效關(guān)聯(lián)。

本文在DSAE的最后一層構(gòu)造場(chǎng)景分類器，通過有監(jiān)督的學(xué)習(xí)方式，利用帶有氣象災(zāi)害場(chǎng)景標(biāo)簽的數(shù)據(jù)樣本對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行針對(duì)性微調(diào)，以此來建立氣象因子與電網(wǎng)氣象災(zāi)害之間的關(guān)聯(lián)關(guān)系，使網(wǎng)絡(luò)對(duì)輸入氣象因子的知識(shí)學(xué)習(xí)更加符合電網(wǎng)氣象災(zāi)害的各類場(chǎng)景特征。

3 電網(wǎng)氣象故障預(yù)警方法

3.1 氣象因子特征提取方法

DSAE首先采用逐層貪婪無監(jiān)督算法進(jìn)行預(yù)訓(xùn)練，然后基于場(chǎng)景分類器結(jié)合反向傳播算法，對(duì)深度稀疏自編碼網(wǎng)絡(luò)進(jìn)行有監(jiān)督微調(diào)，使各層提取的數(shù)據(jù)特征符合電網(wǎng)氣象災(zāi)害場(chǎng)景。

3.1.1無監(jiān)督預(yù)訓(xùn)練

利用經(jīng)過組合賦權(quán)的氣象因子來訓(xùn)練DSAE，對(duì)數(shù)據(jù)進(jìn)行逐層降維，并優(yōu)化網(wǎng)絡(luò)各層之間的權(quán)重和偏置向量，使降維后的數(shù)據(jù)與輸入盡可能一致。利用重構(gòu)誤差函數(shù)得到損失函數(shù)，采用梯度下降算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)整直至損失函數(shù)值越來越小。無監(jiān)督預(yù)訓(xùn)練的流程如圖1所示。

圖1 無監(jiān)督預(yù)訓(xùn)練流程圖

3.1.2場(chǎng)景分類器有監(jiān)督的因子特征提取

無監(jiān)督預(yù)訓(xùn)練只能初步建立氣象因子間的關(guān)聯(lián)關(guān)系，要得到氣象因子與電網(wǎng)災(zāi)害間的特定耦合關(guān)系還需要對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)。在網(wǎng)絡(luò)最后一層添加場(chǎng)景分類器，將最后一層自編碼器的輸出作為場(chǎng)景分類器的輸入，利用BP算法對(duì)網(wǎng)絡(luò)各層連接權(quán)重和偏置量進(jìn)行優(yōu)化更新，通過使損失函數(shù)值達(dá)到最小來實(shí)現(xiàn)相應(yīng)場(chǎng)景下特征的有效提取，得到與電網(wǎng)氣象災(zāi)害相關(guān)聯(lián)的深度特征提取網(wǎng)絡(luò)，過程如下：

2) 輸出層的殘差為

4) 計(jì)算得到各層對(duì)應(yīng)的偏導(dǎo)數(shù)為

利用式(17)，就可以微調(diào)得到整個(gè)網(wǎng)絡(luò)的參數(shù)。通過場(chǎng)景分類器完成有監(jiān)督微調(diào)的DSAE具備了良好的氣象因子特征提取能力，通過網(wǎng)絡(luò)參數(shù)的非線性組合建立氣象因子與電網(wǎng)災(zāi)害場(chǎng)景間的關(guān)聯(lián)關(guān)系。

3.2 基于氣象特征的電網(wǎng)故障預(yù)警

式中：為樣本權(quán)重矩陣；為閾值；為目標(biāo)函數(shù)。

SVM通過對(duì)目標(biāo)函數(shù)最小化來尋找最優(yōu)超平面，如式(19)所示。

之后便可以得到樣本的最優(yōu)分類決策函數(shù)為

圖2 故障預(yù)測(cè)結(jié)構(gòu)圖

電網(wǎng)氣象故障預(yù)警步驟如下所述：

1) 數(shù)據(jù)預(yù)處理。收集電網(wǎng)故障相對(duì)應(yīng)的氣象因子數(shù)據(jù)以及設(shè)備、環(huán)境因子相關(guān)數(shù)據(jù)，建立電網(wǎng)氣象災(zāi)害樣本集，采用離差標(biāo)準(zhǔn)化方法對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。

2) 氣象因子組合權(quán)重確定。利用最小信息熵原理對(duì)主客觀權(quán)重進(jìn)行組合，再根據(jù)因子狀態(tài)權(quán)重對(duì)組合權(quán)重進(jìn)行動(dòng)態(tài)修正，將修正后的組合權(quán)重賦值給預(yù)處理后的數(shù)據(jù)樣本。

3) DSAE初始訓(xùn)練。將經(jīng)過組合賦權(quán)的氣象因子作為輸入量，對(duì)網(wǎng)絡(luò)進(jìn)行無監(jiān)督訓(xùn)練，初步確定各層網(wǎng)絡(luò)的連接權(quán)重和偏置量。

4) 基于場(chǎng)景分類器的特征提取訓(xùn)練。根據(jù)氣象災(zāi)害場(chǎng)景數(shù)量確定輸出層神經(jīng)元個(gè)數(shù)，利用場(chǎng)景分類器和帶有災(zāi)害場(chǎng)景標(biāo)簽的氣象因子，對(duì)網(wǎng)絡(luò)進(jìn)行有監(jiān)督微調(diào)，得到針對(duì)性更強(qiáng)的特征提取網(wǎng)絡(luò)。

5) 構(gòu)建電網(wǎng)氣象故障預(yù)警模型。利用上述網(wǎng)絡(luò)和SVM建立故障預(yù)測(cè)模型，將氣象特征因子與設(shè)備、環(huán)境因子串聯(lián)，綜合電網(wǎng)故障信息來訓(xùn)練SVM模型，實(shí)現(xiàn)多類別電網(wǎng)氣象故障預(yù)測(cè)預(yù)警。

4 算例仿真

以山東某地市電網(wǎng)為對(duì)象，根據(jù)電網(wǎng)故障信息中的故障時(shí)刻和故障位置對(duì)氣象原始數(shù)據(jù)、電網(wǎng)設(shè)備數(shù)據(jù)和地理環(huán)境數(shù)據(jù)進(jìn)行關(guān)聯(lián)匹配，并采用合成少數(shù)類過采樣技術(shù)(synthetic minority oversamplingtechnique, SMOTE)得到500組電網(wǎng)氣象故障原始數(shù)據(jù)集。原始?xì)庀髷?shù)據(jù)包括26個(gè)氣象因子，基于G1法建立序關(guān)系，如表3第2列所示；根據(jù)專家打分得到各因子的主觀賦值，如表3第3列所示。

表3 氣象因子權(quán)重確定

以某次大風(fēng)導(dǎo)致的線路短路故障為例，由氣象中心獲取故障發(fā)生時(shí)段的氣象數(shù)據(jù)，通過式(8)和式(9)計(jì)算氣象因子的組合權(quán)重和修正權(quán)重，計(jì)算結(jié)果如表3第5列和第6列所示。

基于Matlab仿真軟件中DeepLearn Toolbox、Neural Network Toolbox和drtoolbox工具箱，對(duì)本文氣象因子特征提取模型進(jìn)行性能仿真驗(yàn)證，通過多次實(shí)驗(yàn)確定特征提取模型的網(wǎng)絡(luò)參數(shù)，實(shí)驗(yàn)結(jié)果如表4所示。

表4 網(wǎng)絡(luò)參數(shù)確定

本文將氣象場(chǎng)景劃分為雷電、大風(fēng)、洪澇、暴雨、霧霾、覆冰、山火7種災(zāi)害場(chǎng)景和正常場(chǎng)景，相應(yīng)的場(chǎng)景類型及標(biāo)簽代碼如表5所示。

表5 氣象災(zāi)害場(chǎng)景代碼

基于t-SNE技術(shù)的網(wǎng)絡(luò)特征提取效果如圖3所示，分別為有標(biāo)簽測(cè)試集的原始數(shù)據(jù)集、經(jīng)主成分分析法(principal component analysis, PCA)提取的特征、經(jīng)初始訓(xùn)練的DSAE網(wǎng)絡(luò)提取的特征、經(jīng)Softmax場(chǎng)景識(shí)別的DSAE網(wǎng)絡(luò)提取的特征分布可視化顯示結(jié)果。

圖3 特征提取可視化效果圖

t-SNE算法主要原理是利用高維數(shù)據(jù)點(diǎn)和映射到低維空間的數(shù)據(jù)點(diǎn)之間的聯(lián)合概率分布來表示二者之間的相似度，低維分布與高維分布之間的相似度用KL散度來表示。通過梯度下降算法求得KL散度的最小值并迭代獲得最佳的低維空間數(shù)據(jù)點(diǎn)。本文利用t-SNE算法將高維原始數(shù)據(jù)降低到2維，橫縱坐標(biāo)為降維后無量綱的特征1、特征2[30]。

由圖3(a)可以看出，原始數(shù)據(jù)集中不同樣本相互摻雜在一起，特征難以分辨。圖3(b)中經(jīng)PCA提取后，特征的區(qū)分稍微明顯，但大部分樣本仍重疊在一起，而且不同場(chǎng)景下樣本比較分散。圖3(c)為經(jīng)DSAE初始訓(xùn)練提取的特征，部分場(chǎng)景已經(jīng)有比較高的區(qū)分度，但是仍有幾類場(chǎng)景疊加在一起。圖3(d)為本文方法提取的特征，可清晰分辨樣本的每一類場(chǎng)景，且不同場(chǎng)景之間距離更加明顯。可以看出本文方法具有優(yōu)良的特征提取能力。

其中，

模型經(jīng)訓(xùn)練后，可對(duì)輸入信號(hào)進(jìn)行故障類型判別，并計(jì)算每個(gè)故障類型的發(fā)生概率，模型通過對(duì)不同故障類型發(fā)生的概率進(jìn)行比較，輸出最大概率值對(duì)應(yīng)的故障類型。輸入該算例對(duì)應(yīng)的氣象、設(shè)備和地理環(huán)境初始信息后，得到的輸出結(jié)果如表6所示，預(yù)測(cè)發(fā)生概率最高的是短路故障。

本次事件實(shí)際情況為大風(fēng)天氣下，由于線路舞動(dòng)，使AB兩相間固定金具損壞，導(dǎo)致兩相碰線短路。預(yù)測(cè)結(jié)果與實(shí)際情況相符。

故障預(yù)測(cè)概率是對(duì)于單一事件而言的，對(duì)于不同的事件輸入，模型所輸出的概率和預(yù)測(cè)結(jié)果也不同。本文以另一典型事件2為例，輸入該事件對(duì)應(yīng)的原始數(shù)據(jù)后，模型預(yù)測(cè)結(jié)果如表7所示，預(yù)測(cè)發(fā)生概率最高的是斷線故障，概率為64.57%。本次事件為臺(tái)風(fēng)暴雨導(dǎo)致的架空線路C相斷線故障，預(yù)測(cè)輸出正確。當(dāng)模型輸出與實(shí)際結(jié)果有所出入時(shí)，可以依據(jù)實(shí)際情況對(duì)模型進(jìn)行反饋調(diào)整。

由事件1、2的預(yù)測(cè)結(jié)果可以看出，事件1、2均包含了大風(fēng)場(chǎng)景，但不同事件在進(jìn)行故障預(yù)測(cè)時(shí)模型輸出的預(yù)測(cè)結(jié)果卻有較大區(qū)別，這是由于兩次事件的原始輸入數(shù)據(jù)除了風(fēng)力信息有一定的相似性外，其他氣象信息、設(shè)備信息和地理環(huán)境信息均有一定差異導(dǎo)致，而模型通過多次迭代訓(xùn)練已經(jīng)學(xué)習(xí)到輸入不同數(shù)據(jù)時(shí)預(yù)測(cè)結(jié)果的差異性。

表6 事件1預(yù)測(cè)結(jié)果

表7 事件2預(yù)測(cè)結(jié)果

為了驗(yàn)證本文方法的有效性，將本文方法與以下幾種方法對(duì)故障預(yù)測(cè)效果進(jìn)行對(duì)比，其中SVM輸入為未進(jìn)行氣象特征提取的原始樣本集，AE- SVM、PCA-SVM分別采用AE、PCA進(jìn)行氣象因子特征提取，DSAE-SVM采用只經(jīng)過初始訓(xùn)練的DSAE網(wǎng)絡(luò)進(jìn)行氣象因子特征提取，本文方法為DSAE-S-SVM，相比DSAE-SVM增加了場(chǎng)景分類器。同時(shí)，以上模型均增加了未經(jīng)組合賦權(quán)的數(shù)據(jù)對(duì)照組。以上實(shí)驗(yàn)的結(jié)果均為進(jìn)行3次實(shí)驗(yàn)所得的均值，其中，AE網(wǎng)絡(luò)層數(shù)為1，神經(jīng)元結(jié)構(gòu)為26-8，最大迭代次數(shù)、學(xué)習(xí)率等參數(shù)與本文模型相同；PCA采用Matlab默認(rèn)函數(shù)；DSAE-SVM與本文DSAE-S-SVM方法中，DSAE模塊采用相同的模型參數(shù)與網(wǎng)絡(luò)結(jié)構(gòu)。對(duì)比結(jié)果如表8所示。

表8 模型效果對(duì)比驗(yàn)證

通過對(duì)比各項(xiàng)指標(biāo)可以看出，本文方法預(yù)測(cè)效果要好于其他模型，預(yù)測(cè)正確率更高于其他方法，且經(jīng)組合賦權(quán)后，故障結(jié)果判斷正確率較無賦權(quán)時(shí)均有一定提升。因此本文方法可以對(duì)高維、耦合復(fù)雜的氣象因子進(jìn)行有效的特征提取，并建立3類致災(zāi)因子與電網(wǎng)故障之間的關(guān)聯(lián)映射關(guān)系，更加準(zhǔn)確地實(shí)現(xiàn)電網(wǎng)氣象故障預(yù)測(cè)預(yù)警。

5 結(jié)論

本文提出一種基于組合賦權(quán)法賦予氣象因子初始權(quán)重并融合場(chǎng)景分類器和深度稀疏自編碼網(wǎng)絡(luò)的電網(wǎng)氣象故障預(yù)警方法。利用最小相對(duì)信息熵原理計(jì)算氣象因子的主客觀組合權(quán)重，并基于氣象因子的當(dāng)時(shí)狀態(tài)修正組合權(quán)重，然后利用場(chǎng)景分類器和深度稀疏自編碼網(wǎng)絡(luò)建立氣象因子間的關(guān)聯(lián)關(guān)系，提取氣象因子有效特征，提高電網(wǎng)氣象故障預(yù)警的準(zhǔn)確度，主要結(jié)論如下：

1) 對(duì)于原始?xì)庀髷?shù)據(jù)類型多樣、耦合復(fù)雜的問題，本文利用G1法和熵權(quán)法從主客觀兩個(gè)角度進(jìn)行權(quán)重分析，基于最小相對(duì)信息熵原理計(jì)算組合權(quán)重，并基于氣象因子的當(dāng)時(shí)狀態(tài)對(duì)組合權(quán)重進(jìn)行修正，提高網(wǎng)絡(luò)收斂能力。

2) 利用深度稀疏自編碼網(wǎng)絡(luò)進(jìn)行無監(jiān)督預(yù)訓(xùn)練和場(chǎng)景分類器有監(jiān)督微調(diào)，通過網(wǎng)絡(luò)參數(shù)的多重組合對(duì)氣象因子內(nèi)部的耦合關(guān)系進(jìn)行表達(dá)，有效提取氣象因子數(shù)據(jù)內(nèi)部特征。

3) 基于網(wǎng)絡(luò)提取的氣象特征與設(shè)備、環(huán)境因子相串聯(lián)，利用改進(jìn)SVM模型對(duì)電網(wǎng)故障類型進(jìn)行預(yù)測(cè)。與其他網(wǎng)絡(luò)模型相比較，本文提出的方法能夠準(zhǔn)確建立3類致災(zāi)因子間的關(guān)聯(lián)關(guān)系，對(duì)給定的因子條件下可能引發(fā)的電網(wǎng)故障類型進(jìn)行準(zhǔn)確預(yù)判，更加準(zhǔn)確地實(shí)現(xiàn)電網(wǎng)氣象故障預(yù)警。

附錄A

圖A1 深度稀疏自編碼網(wǎng)絡(luò)模型

Fig. A1 Network model of deep sparse autoencoder

表A1 部分氣象因子狀態(tài)等級(jí)評(píng)級(jí)標(biāo)準(zhǔn)

Table A1 State grade rating standard of some meteorological factors

氣象因子(部分)狀態(tài)等級(jí)1狀態(tài)等級(jí)2狀態(tài)等級(jí)3狀態(tài)等級(jí)4 降雨量/(mm/h)＜2.02.0～3.94.0～7.9＞8.0 累計(jì)降水量/(mm/d)＜1010.0～24.925.0～50＞50.0 風(fēng)速/(m/s)＜7.98.0～10.710.8～13.8＞13.8 地面氣壓/hPa＞1013898～1013794～898＜794 海平面氣壓/hPa＞1013898～1013794～898＜794 降雪量/(mm/h)＜2.02.0～2.93.0～5.9＞6.0 氣溫/℃0～35-20～0>35＜-20 相對(duì)濕度/%＜49.950.0～59.960.0～69.9＞70.0 能見度＞64～52～3<1 雷電流幅值-絕對(duì)值/kA＜3636～6868～151＞151 回?fù)魯?shù)(1)＜22～34～7＞7 PM2.5/(μg/m3)＜3535～7576～115＞115 PM10/(μg/m3)＜5050～100101～150＞151 SO2/(μg/m3)＜2323～4647～69＞69 NO2/(μg/m3)＜4040～6061～80＞81 CO/(mg/m3)＜1.31.3～2.02.1～2.8＞2.8 O3/(μg/m3)＜5050～150151～250＞251

[1] 徐偉, 路永玲, 唐夢(mèng)穎, 等. 江蘇電網(wǎng)近年雷電活動(dòng)及輸電線路雷擊跳閘分析[J]. 電力工程技術(shù), 2017, 36(6): 106-110.

XU Wei, LU Yongling, TANG Mengying, et al. Analysis of lightning activities and transmission line lightning strike tripping in Jiangsu power grid in recent years[J]. Electric Power Engineering Technology, 2017, 36(6): 106-110.

[2] 吳勇軍, 薛禹勝, 陸佳政, 等. 山火災(zāi)害對(duì)電網(wǎng)故障率的時(shí)空影響[J]. 電力系統(tǒng)自動(dòng)化, 2016, 40(3): 14-20.

WU Yongjun, XUE Yusheng, LU Jiazheng, et al. Space- time impact of forest fire on power grid fault probability[J]. Automation of Electric Power Systems, 2016, 40(3): 14-20.

[3] 陳嘉寧, 吳振杰, 王源濤, 等. 基于雷擊災(zāi)害的輸電網(wǎng)可靠性綜合評(píng)估模型[J]. 高壓電器, 2020, 56(2): 170-175, 182.

CHEN Jianing, WU Zhenjie, WANG Yuantao, et al. Lightning disaster-based comprehensive reliability assessment model for transmission grid[J]. High Voltage Apparatus, 2020, 56(2): 170-175, 182.

[4] 江進(jìn)波, 楊文, 馬可, 等. 220 kV輸電線路跨江段防雷措施研究[J]. 高壓電器, 2020, 56(1): 141-147.

JIANG Jinbo, YANG Wen, MA Ke, et al. Study on lightning protection measures of 220 kV transmission line section across river[J]. High Voltage Apparatus, 2020, 56(1): 141-147.

[5] 田金虎, 劉渝根, 趙俊光. GIS升壓站雷電侵入波過電壓計(jì)算及其影響因素分析[J]. 高壓電器, 2021, 57(12): 74-82.

TIAN Jinhu, LIU Yugen, ZHAO Junguang. Calculation and influence factors analysis of lightning intruding overvoltage in GIS step-up station[J]. High Voltage Apparatus, 2021, 57(12): 74-82.

[6] 吳琛, 蘇明昕, 謝云云, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的輸電線路雷擊故障預(yù)測(cè)[J]. 電力工程技術(shù), 2020, 39(5): 133-139.

WU Chen, SU Mingxin, XIE Yunyun, et al. BP neutral network based lightning fault prediction of transmission lines[J]. Electric Power Engineering Technology, 2020, 39(5): 133-139.

[7] 朱凌, 陳濤威, 周晨, 等. 考慮風(fēng)速風(fēng)向聯(lián)合分布的大風(fēng)災(zāi)害下電力斷線倒塔概率預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2019, 47(2): 115-122.

ZHU Ling, CHEN Taowei, ZHOU Chen, et al. Probability prediction of transmission line breakage and tower topple over under wind disaster considering the joint distribution of wind speed and wind direction[J]. Power System Protection and Control, 2019, 47(2): 115-122.

[8] 黃新波, 李弘博, 朱永燦, 等. 基于時(shí)間序列分析與卡爾曼濾波的輸電線路覆冰短期預(yù)測(cè)[J]. 高電壓技術(shù), 2017, 43(6): 1943-1949.

HUANG Xinbo, LI Hongbo, ZHU Yongcan, et al. Short-term forecast for transmission line icing by time series analysis and Kalman filtering[J]. High Voltage Engineering, 2017, 43(6): 1943-1949.

[9] 劉輝, 馬曾泰, 林濟(jì)鏗, 等. 覆冰架空導(dǎo)線舞動(dòng)跳閘概率計(jì)算新方法[J]. 中國(guó)電力, 2022, 55(3): 125-132.

LIU Hui, MA Zengtai, LIN Jikeng, et al.A new method for calculation of transmission line tripping probability caused by galloping of iced overhead conductor[J]. Electric Power, 2022, 55(3): 125-132.

[10]鮑捷, 王昕, 張峰, 等. 基于雷電定位數(shù)據(jù)驅(qū)動(dòng)的緊密輸電通道連續(xù)雷擊跳閘預(yù)警方法[J]. 電網(wǎng)技術(shù), 2022, 46(3): 1194-1205.

BAO Jie, WANG Xin, ZHANG Feng, et al. Data-driven early warning for continuous lightning trip-out of compact power corridors based on lightning location data[J]. Power System Technology, 2022, 46(3): 1194-1205.

[11]周恩澤, 黃勇, 龔博, 等. 基于樸素貝葉斯網(wǎng)絡(luò)的輸電走廊山火風(fēng)險(xiǎn)評(píng)估模型[J]. 南方電網(wǎng)技術(shù), 2021, 15(8): 120-129.

ZHOU Enze, HUANG Yong, GONG Bo, et al.Wildfire risk assessment model of power transmission line corridors based on naive Bayes network[J]. Southern Power System Technology, 2021, 15(8): 120-129.

[12]李大虎, 袁志軍, 何俊, 等. 面向臺(tái)風(fēng)氣象的電網(wǎng)運(yùn)行風(fēng)險(xiǎn)態(tài)勢(shì)感知方法[J]. 高電壓技術(shù), 2021, 47(7): 2301-2313.

LI Dahu, YUAN Zhijun, HE Jun, et al. Situation awareness method of power grid operation risk under typhoon weather[J]. High Voltage Engineering, 2021, 47(7): 2301-2313.

[13]史坤鵬, 范國(guó)英, 趙偉, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)安全性預(yù)警系統(tǒng)研發(fā)[J]. 南方電網(wǎng)技術(shù), 2013, 7(6): 141-144.

SHI Kunpeng, FAN Guoying, ZHAO Wei, et al. Development of a BP-neural network based security- warning system for electric power grid[J]. Southern Power System Technology, 2013, 7(6): 141-144.

[14] 王佳明, 劉文穎, 張建立. 惡劣天氣下的復(fù)雜電網(wǎng)連鎖故障在線預(yù)警[J]. 電網(wǎng)技術(shù), 2012, 36(5): 239-244.

WANG Jiaming, LIU Wenying, ZHANG Jianli. Online early warning model for cascading failure in complex power grid under severe weather[J]. Power System Technology, 2012, 36(5): 239-244.

[15] 鄭茂然, 余江, 陳宏山, 等. 基于大數(shù)據(jù)的輸電線路故障預(yù)警模型設(shè)計(jì)[J]. 南方電網(wǎng)技術(shù), 2017, 11(4): 30-37.

ZHENG Maoran, XU Jiang, CHEN Hongshan, et al. Design of fault warning model of transmission line based on big data[J]. Southern Power System Technology, 2017, 11(4): 30-37.

[16] 田兵, 李冬, 鄧昊, 等. 基于實(shí)時(shí)氣象信息的電網(wǎng)災(zāi)害預(yù)警分析[J]. 山東電力技術(shù), 2015, 42(11): 40-42, 56.

TIAN Bing, LI Dong, DENG Hao, et al. Grid disaster warning based on real-time weather information[J]. Shandong Electric Power, 2015, 42(11): 40-42, 56.

[17] 張中丹, 楊德州, 王洲, 等. 基于區(qū)塊鏈技術(shù)的電網(wǎng)災(zāi)害預(yù)警決策系統(tǒng)[J]. 現(xiàn)代電力, 2021, 38(3): 307-315.

ZHANG Zhongdan, YANG Dezhou, WANG Zhou, et al. A block chain technology based power grid disaster early warning and decision making system[J]. Modern Electric Power, 2021, 38(3): 307-315.

[18] 楊挺, 趙黎媛, 王成山. 人工智能在電力系統(tǒng)及綜合能源系統(tǒng)中的應(yīng)用綜述[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(1): 2-14.

YANG Ting, ZHAO Liyuan, WANG Chengshan. Review on application of artificial intelligence in power system and integrated energy system[J]. Automation of Electric Power Systems, 2019, 43(1): 2-14.

[19] XU Jizhi, ZHANG Xinyan, LI Jianwei. Application of artificial intelligence in the field of power systems[J]. Journal of Electrical and Electronic Engineering, 2019, 7(1): 23-28.

[20] 湯奕, 崔晗, 李峰, 等. 人工智能在電力系統(tǒng)暫態(tài)問題中的應(yīng)用綜述[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2019, 39(1): 2-13, 315.

TANG Yi, CUI Han, LI Feng, et al. Review on application of artificial intelligence in power system and integrated energy system[J]. Proceedings of the CSEE, 2019, 39(1): 2-13, 315.

[21] 周念成, 廖建權(quán), 王強(qiáng)鋼, 等. 深度學(xué)習(xí)在智能電網(wǎng)中的應(yīng)用現(xiàn)狀分析與展望[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(4): 180-197.

ZHOU Niancheng, LIAO Jianquan, WANG Qianggang, et al. Analysis and prospect of deep learning application in smart grid[J]. Automation of Electric Power Systems, 2019, 43(4): 180-197.

[22] 楊劍鋒, 秦鐘, 龐小龍, 等. 基于深度學(xué)習(xí)網(wǎng)絡(luò)的輸電線路異物入侵監(jiān)測(cè)和識(shí)別方法[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(4): 37-44.

YANG Jianfeng, QIN Zhong, PANG Xiaolong, et al. Foreign body intrusion monitoring and recognition method based on Dense-YOLOv3 deep learning network[J]. Power System Protection and Control, 2021, 49(4): 37-44.

[23] 田浩含, 撖奧洋, 于立濤, 等. 基于GRA-LSTM神經(jīng)網(wǎng)絡(luò)的區(qū)域綜合能源系統(tǒng)多元負(fù)荷短期預(yù)測(cè)模型[J]. 廣東電力, 2020, 33(5): 44-51.

TIAN Haohan, HAN Aoyang, YU Litao, et al. Research on multi-load short-term forecasting model of regional integrated energy system based on GRA-LSTM neural network[J]. Guangdong Electric Power, 2020, 33(5): 44-51.

[24] 何寧輝, 王世杰, 劉軍福, 等. 基于深度學(xué)習(xí)的航拍圖像絕緣子缺失監(jiān)測(cè)方法研究[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(12): 132-140.

HE Ninghui, WANG Shijie, LIU Junfu, et al. Research on infrared image missing insulator detection method based on deep learning[J]. Power System Protection and Control, 2021, 49(12): 132-140.

[25] 李海英, 沈益濤, 羅雨航. 基于改進(jìn)深度置信網(wǎng)絡(luò)的智能電網(wǎng)暫態(tài)安全感知[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(5): 171-177.

LI Haiying, SHEN Yitao, LUO Yuhang. Transient security situational awareness of smart grids based on an improved deep belief network[J]. Power System Protection and Control, 2022, 50(5): 171-177.

[26] 董彥軍, 王曉甜, 馬紅明, 等. 基于隨機(jī)森林與長(zhǎng)短期記憶網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法[J]. 全球能源互聯(lián)網(wǎng), 2022, 5(2): 147-156.

DONG Yanjun, WANG Xiaotian, MA Hongming, et al. Power load forecasting method based on random forest and long short-term memory[J]. Journal of Global Energy Interconnection, 2022, 5(2): 147-156.

[27] 陸繼翔, 李昊, 徐康, 等. 基于遷移學(xué)習(xí)的小樣本輸電線路巡檢圖像處理方法[J]. 全球能源互聯(lián)網(wǎng), 2019, 2(4): 409-415.

LU Jixiang, LI Hao, XU Kang, et al. Defect recognition using few-shot learning and transfer learning for transmission line inspection images[J]. Journal of Global Energy Interconnection, 2019, 2(4): 409-415.

[28]丁石川, 厲雪衣, 杭俊, 等. 深度學(xué)習(xí)理論及其在電機(jī)故障診斷中的研究現(xiàn)狀與展望[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(8): 172-187.

DING Shichuan, LI Xueyi, HANG Jun, et al. Deep learning theory and its application to fault diagnosis of an electric machine[J]. Power System Protection and Control, 2020, 48(8): 172-187.

[29] 李俊卿, 王煥仲, 季剛, 等. 基于大數(shù)據(jù)分析的風(fēng)機(jī)軸承故障預(yù)警[J]. 智慧電力, 2020, 48(2): 25-30.

LI Junqing, WANG Huanzhong, JI Gang, et al. Fault early warning of wind turbine bearing based on big data analysis[J]. Smart Power, 2020, 48(2): 25-30.

[30] 張大海, 張曉煒, 孫浩, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的交直流輸電系統(tǒng)故障診斷[J]. 電力系統(tǒng)自動(dòng)化, 2022, 46(5): 132-145.

ZHANG Dahai, ZHANG Xiaowei, SUN Hao, et al. Fault diagnosis for AC/DC transmission system based on convolutional neural network[J]. Automation of Electric Power Systems, 2022, 46(5): 132-145.

Early warning method for a power grid fault caused by meteorology based on a deep sparse auto-encoder network and scene classifier

HU Liangping1, CONG Wei1, XU Anxin2, WEI Zhen3, QIU Jifu3, CHEN Ming3

(1. Key Laboratory for Power System Intelligent Dispatching and Control (Shandong University), Jinan 250061, China;2. Rizhao Power Supply Company, State Grid Shandong Electric Power Company, Rizhao 276800, China; 3. Qingdao Power Supply Company, State Grid Shandong Electric Power Company, Qingdao 266001, China)

In order to ensure the safe and stable operation of the power grid and improve the level of disaster prevention, mitigation and resilience of the grid, this paper proposes an early warning method for power grid meteorological faults based on a deep sparse self-encoding network and a scene classifier. First, this paper adopts a dynamic weighting method combining subjective and objective weights to initially weight meteorological factors to reasonably describe the influence of different meteorological factors on power grid faults. Then, a sparsity constraint is added to the traditional deep self-encoding network to improve the convergence of network training, and a scene classifier is added to the last layer of the deep self-encoding network to improve the rationality of the relationship between meteorological factors and power grid fault scenarios. Finally, the meteorological factors which are dynamic weighted, equipment factors and environmental factors are used as the input of a deep sparse self-encoding network, and a support vector machine is used to build a multi-factor coupled grid meteorological disaster fault early warning model. The effectiveness of the method is verified by an actual power grid fault example.

power grid fault caused by meteorology; early warning method; dynamic combination of weights; scene classifier; deep sparse auto-encoder network

10.19783/j.cnki.pspc.226423

國(guó)家電網(wǎng)公司科技項(xiàng)目資助(52060019001H)

This work is supported by the Science and Technology of State Grid Corporation of China (No. 52060019001H).

2022-01-06；

2022-06-22

胡諒平(1997—)，男，通信作者，碩士研究生，研究方向?yàn)殡娏ο到y(tǒng)繼電保護(hù)與控制；E-mail: 542715486@qq.com

叢 偉(1978—)，男，博士，副教授，研究方向?yàn)殡娏ο到y(tǒng)繼電保護(hù)與控制；E-mail: weicong@sdu.edu.cn

徐安馨(1996—)，女，碩士，研究方向?yàn)殡娏ο到y(tǒng)繼電保護(hù)與控制。E-mail: xuanxin0531@163.com

(編輯 魏小麗)