基于深度学习的110kV电网监控信号语义解析及态势感知模型

王洪彬，周念成，黄睿灵，范炳昕，王强钢

基于深度学习的110kV电网监控信号语义解析及态势感知模型

王洪彬1,2，周念成1，黄睿灵2，范炳昕1，王强钢1

(1.输配电装备及系统安全与新技术国家重点实验室(重庆大学)，重庆 400044；2.国网重庆市电力公司电力科学研究院，重庆 401123)

新型电力系统的大力建设对电网监控信号的高效准确识别技术提出了更高的要求。首先分析了Soft-Masked BERT语言模型的基本原理，建立了基于Soft-Masked BERT的信号文本纠错模型。根据国家电网典型事件表梳理了包含常规与故障情况下的“信号语义—电网事件”规则字典。综合上述模型建立了基于RNN的电网态势感知模型，提出了基于深度学习的电网监控信号语义解析及态势感知求解流程。最后，以某地110 kV变电站实际监控信号为测试数据，利用所提RNN模型并结合Pycorrector工具包及Pytorch软件对该地区电网监控信号进行语义解析及态势感知仿真分析，验证了模型的有效性及正确性。

深度学习；电网监控信号语义解析；态势感知；RNN模型

0 引言

构建以新能源为主体的新型电力系统，对贯彻“四个革命、一个合作”能源安全新战略，深化能源生产和消费革命，实现“碳中和、碳达峰”目标具有重要意义[1-3]。

高效准确的电网监控信号识别技术是新型电力系统安全稳定运行的重要基础[4]。在2012年以前，国内电网企业的变电站输变电设备存在信号的间隔划分错误、信号名称含有错别字、信号语义不清晰等问题。随着智能电网建设的不断推进，国家电力调度控制中心在2012年着手对电网监控信息的标准进行梳理和规范，制定了220 kV变电站典型信息表并在2013年制定了110 kV变电站典型信息表。近年来，随着电网在线监测设备的不断增多，多电压等级变电站的不断投运，变电站二次精益化改造项目的不断实施，点表审核逐渐规范，在源头上完善和规范了电网监控信号。SCADA/ EMS系统中存储的海量标准化信号[5]，为开展数据驱动的电网监控信号语义解析提供了充足且有效的语料库。

大中型城市的220 kV/110 kV电网负荷随经济快速发展而呈现多极化增长，在迎峰度夏期间电网长期保持在高负载状态运行[6-8]。为保证供区内重要用户的可靠供电，电网运行方式动态化调整将造成电网抗击风险能力不足。一旦110 kV或者220 kV发生输变电设备故障，电网设备日均告警信号的数量将为无故障时的2~3倍。电网告警信号的频发总量过大，超出其承载能力，可能导致电网监控员无法兼顾告警信号，从而无法保证对电网设备的全面监视[9]，失去对电网运行态势的全方位感知。

近年来随着自然语言处理(natural language processing, NLP)技术快速发展，使得机器能够理解人类语言并执行相应的应用程序，其应用场景包含语音识别、语音翻译、文本翻译、段落匹配、错别字纠错等[7]。经典语言模型包括Word2Vec，卷积神经网络(convolutional neural network, CNN)[10]，递归神经网络(recurrent neural network, RNN)[11]，Transformer及BERT(bidirectional encoder representations from transformers, BERT)模型等[13-17]。通过对海量故障信号语料库的学习，NLP神经网络模型能够自动从信号数据中挖掘语义特征，实现电网监控信号文本错误纠正和电网的态势感知。

现有文献大多数是从电网故障的物理特征出发，利用短路电流、电压突变、故障录波、PMU等来感知电网发生故障的类型、位置及持续时间[18-20]。但在电网实际运行中，电网监控员均是从电网二次设备的异常信息，如保护动作信号、变电站站内二次设备异常信号，以及遥测和开关遥信信息等来研判电网故障。为辅助电网监控员进行故障研判，文献[4]对电网故障事件与关联信号的内在逻辑关系进行了详实的分析，提取出“信号语义—故障事件”之间关联规则推理知识库。文献[21]提出了一种电网监控信号的分词方法，采用Apriori算法挖掘监控信号之间的潜在关系和主从规律，并结合IC-means聚类算法实现电网异常事件的“翻译”。文献[22]对智能告警系统的主站端进行了优化设计，实现了告警信号的智能化处理，在一定程度上减轻了电网监控员的工作总量，并基于系统丰富的专家库和推理机制匹配知识库的规则，为监控员提供电网故障的辅助决策。上述研究从不同方面提高了电网监控的快速性与准确性，但针对故障发生后的电网侧监控信号内在逻辑数据挖掘还不够深入，且对于可能存在的非标准化异常信号，现有方法均无法实现信号的语义解析，无法实现更加细腻的电网态势感知。

为充分适应新型电力系统的电网运行体系建设要求，提高电网侧信号监控运行效率，保障电网设备安全运行，本文首先分析了Soft-Masked BERT语言模型的基本原理，建立了基于Soft-Masked BERT的信号文本纠错模型；根据国家电网相关管理规定梳理了包含常规与故障情况下的“信号语义—电网事件”规则字典；综合上述模型建立了基于循环神经网络[17]的电网态势感知模型，提出了基于深度学习的电网监控信号语义解析及态势感知求解流程。最后，以某地区110 kV变电站实际监控信号为测试数据，利用Pycorrector工具包及Pytorch软件进行了该地区电网监控信号的语义解析及态势感知仿真分析，验证了本文所提方法的有效性及正确性。

1 基于Soft-Masked BERT的信号文本纠错模型

电网监控信号具有以下特点：1) 电网监控信号的信号本身文本非常短，文本字符之间存在显著逻辑关系；2) 电网监控信号可能是连续发出的，且信号与信号之间存在显著的逻辑关系，需对发出信号的先后顺序进行辨别。

如图1所示，Soft-Masked BERT(soft-masked bidirectional encoder representations from transformers)语言模型由基于双向门控循环单元(bidirectional gated recurrent unit, Bi-GRU)的检测网络和基于BERT的校正网络组成，检测网络预测误差的概率，修正网络预测误差修正的概率，而检测网络利用软掩蔽(soft-masking)模块将预测结果传递给修正网络，最后通过Softmax分类器输出正确字符[17]。该方法能够综合考虑文本语言的前后逻辑关系，且能够充分描述字符级、词级、句子级甚至句间关系的特征[12]，辨明段落内部逻辑字符之间的逻辑关系并且降低噪声词的影响，对音似、形似错字和前后逻辑语义纠正，输出其对应的标准信号。除此之外，该方法还能辨析信号与信号之间的逻辑关系，适用对电网监控信号语义进行解析。

图1 Soft-Masked BERT语言模型结构

2 基于RNN的电网态势感知模型

2.1 建立“信号语义—电网事件”规则字典

从各类设备的标准监控信号库出发，比如国家电力调度控制中心梳理的《110 kV变电站典型信息表(试行)》、《220 kV变电站典型信息表(试行)》[23-24]，按照信号对应的电网事件不同，可进一步将电网故障事件与关联信号的内在逻辑关系进行细化。本文将电网事件分为电网常规事件和电网故障事件，其中电网常规事件对应的信号又可分为日常电网设备操作伴生信号、设备定期维护信号、现场消缺调试信号、设备缺陷信号和误发信号这5组，电网故障事件可基本按照保护动作类型对各类故障进行梳理，大致包含各电压等级的断路器保护动作，线路保护动作，变压器保护动作，母线保护动作、电容器保护动作、站用变保护动作和电抗器保护动作等。按照电网常规事件和电网故障事件分别进行信号梳理，得出“信号语义—电网常规事件”和“信号语义—电网故障事件”之间关联规则字典。

1)“信号语义—电网常规事件”字典

① 操作伴生信号为现场设备有计划操作或临时操作时触发的相关异常信号。

② 设备定期维护信号为现场设备定期维护工作而触发的相关设备异常信号。

③ 现场消缺调试信号属于现场设备有消缺调试工作而伴生的信号。

④ 设备缺陷信号为由于现场操作或工作触发的异常信号。

⑤ 误发信号为变电站端后台信息未发现异常，但调度端告警窗显示出存在非现场操作或工作触发的异常信号。

表1为梳理出的“信号语义—电网常规事件”字典。通过此字典的分类，可加快特征信号的提取，提高后续态势感知模型在数据求解过程的收敛速度。

表1 “信号语义—电网常规事件”字典

2)“信号语义—电网故障事件”规则字典

由电网保护事件源信息初步判断可能出现的特定电网事件，根据事件源信息的特征在海量监控信息中提取相关关联信息，清晰给出数据之间的关联信息，为事件识别及判断提供依据。表2给出各类典型110 kV电网保护事件源涉及的相关典型信号。

表2 “信号语义—电网故障事件”字典

表2中，当某组别的保护动作时，并非会触发该组别的所有保护相关信号。当电网元件发生的故障类型不同时，虽然同样会导致相应保护动作跳闸，但触发的表征信号却是不同的。比如：在110 kV电缆线路配置有接地和相间距离保护且重合闸未投的条件下，发生110 kV线路两相接地，告警窗只会触发110 kV线路保护装置告警、110 kV线路接地距离和相间距离保护出口的信号；然而当110 kV架空线路发生单相接地且重合不成功时，告警窗会触发110 kV线路保护装置告警、110 kV线路纵联差动保护出口、重合闸动作、110 kV线路纵联差动保护出口、重合闸闭锁的信号。因此，针对同一类的电网元件，还需要根据具体预想电网事件制定相应的信号触发逻辑。

2.2 基于RNN的电网态势感知模型

针对各电网元件，并结合元件的继电保护定值单，逐一扫描各种预想故障事件形成“信号语义—电网事件”规则字典，通过深度学习即可形成电网态势感知的智能推理机。当某电网元件发生故障时，告警窗会触发多种信号，其中可能包含操作伴生信号、设备定期维护信号、现场消缺调试信号、设备缺陷信号、误发信号、对侧工作引起的异常信号等杂乱信号，严重影响电网监控员对电网故障特征信号的提取；此外，由于历史原因，电网故障特征信号名称还没有做到标准化，语意模糊将影响电网监控员对电网故障位置和类型的判断[25-26]。为此，可通过基于Soft-Masked BERT的信号纠错模型对告警窗中触发的所有信号进行交叉辨识，将辨识后的信号输入至电网态势感知的智能推理机，辅助电网监控员完成电网的故障元件以及故障类型的决策。图2为电网态势感知模型的设计框架。

图2 电网态势感知模型的设计框架

电网监控信号具有数据量大、数据维度高且呈现序列性等特点，要在海量电网监控数据中实现故障信息的准确高效判断，需要判断工具具有较强的智能性。RNN神经网络具有记忆性特征与较强非线性特征挖掘能力[27-28]，目前已广泛应用于各类系统的故障定位[29-30]中，故适合作为电网态势感知的判断工具。

本文采用RNN网络模型对“信号语义—电网故障事件”字典和“信号语义—电网常规事件”字典进行深度学习，建立起监控信号与故障特征、故障类型间的非线性映射关系，如式(4)所示。

RNN为一非线性神经网络，如图3所示，对输入的各种电网监控信号和各类电网故障类型采用编号的方式进行编码，然后选取min-max法进行数据归一化处理。为防止过拟合现象，在模型中加入dropout算法，通过随机丢弃部分神经元改变神经网络的结构，减少神经元间的依赖性。此外为了改善传统梯度下降法的迭代过程中学习率为常数的缺点，本文还引入adam算法和学习率的指数衰减算法更新参数，以加快模型的收敛速度。

图3 RNN模型设计结构

基于上述内容，推导出求解基于RNN网络的电网态势感知模型的具体步骤：

3) 读取按照“信号语义—电网常规事件”和“信号语义—电网故障事件”字典训练的RNN电网态势感知模型；

6) 对告警窗的信号辨识结果进行整合，显示具体的电网常规事件和故障事件的分类结果。

3 算例分析

3.1 算例设置

根据本文提出的基于RNN模型的电网态势感知模型，结合Pycorrector工具包以及Pytorch软件，对某实际110 kV变电站监控信号进行深度学习，实现110 kV变电站的监控信号语义解析及态势感知的测试分析。110 kV变电站主接线图如图4所示。

图4 110 kV变电站电气一次主接线图

表3 “信号语义—电网常规事件”样本数据统计

表4 “信号语义—电网故障事件”样本数据统计

表5 测试样本集的实际与标准信号名称对比

3.2 算例结果及分析

1) Soft-Masked BERT的信号文本纠错仿真分析

为验证Soft-Masked BERT的信号文本纠错仿真方法的有效性，本文对比了Soft-Masked BERT模型与BERT模型在信号文本纠错结果。在校正网络层数、迭代次数等参数设置上，BERT模型与本文Soft-Masked BERT模型保持一致。在相同测试集条件下，得到两种方法的辨识结果与收敛图像，分别如图5、图6所示。

从图5的对比结果可以看出，Soft-Masked BERT的信号文本错误辨识正确率高于常规BERT模型。从图6可以看出，Soft-Masked BERT模型的收敛速度更快且拟合性能更佳；在相同的测试样本集中，Soft-Masked BERT模型对1903个样本的文本错误辨识且纠正的正确率显著高于BERT模型。

图6 两种文本语言纠错模型收敛图像

2) 基于RNN的电网态势感知仿真分析

对比图7的结果可知，Soft-Masked BERT与RNN的组合模型错判样本少于BERT与RNN的组合模型，且接近标准信号与RNN模型组合的辨识结果，表明Soft-Masked BERT与RNN的组合模型的错判样本容错性能良好，具有较强的移植和推广效益。

4 结论

本文提出了一种基于深度学习的电网监控信号语义解析及态势感知模型。首先，本文对某实际110 kV变电站的监控信号按照预想故障进行训练后，采用自然语言处理技术中Soft-Masked BERT的信号纠错模型可以将非标准化名称的信号进行标准化，辨识出非标准化名称的信号音似、形似、多字、少字和前后逻辑语义异常的错误。然后，在此基础上采用循环神经网络RNN模型对各种电网监控信息规则字典进行训练学习。算例仿真说明，当变电站站内发生故障时，经过Soft-Masked BERT的信号纠错模型对监控信号清洗后，RNN模型提取出故障事件下的关联特征信号集合的速度和准确性均显著高于非标准信号库的RNN模型响应结果。同时，该RNN模型对海量信号的快速辨识，有助于电网监控员进行快速感知电网故障的设备和类型，协助其快速故障处置，降低由于电网故障而造成的停电损失。

[1] 彭静, 王军, 亓富军, 等. “双碳”目标下配电网多阶段扩展规划[J]. 电力系统保护与控制, 2022, 50(7): 153-161.

PENG Jing, WANG Jun, QI Fujun, et al. Multi-stage expansion planning of a distribution network with double-carbon policy[J]. Power System Protection and Control, 2022, 50(7): 153-161.

[2] YANG Qing, ZHOU Hewen, PIETRO B, et al. Prospective contributions of biomass pyrolysis to China's 2050 carbon reduction and renewable energy goals[J]. Nature Communications, 2021, 12.

[3] 赵阳, 范文奕, 安佳坤. 基于智能加权混合模型的新型电力系统电量预测方法[J]. 电测与仪表, 2022, 59(12): 56-63.

ZHAO Yang, FAN Wenyi, AN Jiakun. A method of novel power system electricity forecasting based on intelligent weighted hybrid model[J]. Electrical Measurement & Instrumentation, 2022, 59(12): 56-63.

[4] 代宇涵, 邹沛恒, 张凤西, 等. 服务于电网运行的监控信息事件化关联分析方法研究[J]. 四川电力技术, 2019, 42(5): 72-76, 81.

DAI Yuhan, ZOU Shiheng, ZHANG Fengxi, et al. Research on event-based correlation analysis method for monitoring information serving power grid operation[J]. Sichuan Electric Power Technology, 2019, 42(5): 72-76, 81.

[5] 高志, 樊锐轶, 罗晋, 等. 一种基于多维特征点的监控信号规范性分析方法[J]. 电力系统保护与控制, 2019, 47(16): 64-70.

GAO Zhi, FAN Ruiyi, LUO Jin, et al. A normalization analysis method for monitoring signals based on multi-dimensional feature points[J]. Power System Protection and Control, 2019, 47(16): 64-70.

[6] 周念成, 兰雪珂, 莫复雪, 等. 计及线路接头温升约束的受端电网转供优化模型[J]. 电工技术学报, 2021, 36(15): 3237-3249.

ZHOU Niancheng, LAN Xueke, MO Fuxue, et al. A power transfer optimization model of receiving-end power systems considering line joint temperature rise constraints[J]. Transactions of China Electrotechnical Society, 2021, 36(15): 3237-3249.

[7] 刘皓琪, 高飞, 王耀力, 等. 基于Dropout-ILSTM网络的短期电力负荷预测[J]. 电测与仪表, 2021, 58(5): 105-111.

LIU Haoqi, GAO Fei, WANG Yaoli, et al. Short-term power load forecasting based on Dropout-ILSTM network[J]. Electrical Measurement & Instrumentation, 2021, 58(5): 105-111.

[8] 赵舫, 盛青, 王新刚, 等. 基于主成分分析合作博弈的电网负荷智能预测方法研究[J]. 电网与清洁能源, 2022, 38(2): 48-52, 60.

ZHAO Fang, SHENG Qing, WANG Xingang, et al. A study on the intelligent load forecasting method of power grids based on principal component analysis and cooperative game[J]. Power System and Clean Energy, 2022, 38(2): 48-52, 60.

[9] 梁智, 赵静, 路轶, 等. 智能电网调度控制系统监控信息“事件化”功能实现及应用[J]. 电气自动化, 2021, 43(1): 13-16, 80.

LIANG Zhi, ZHAO Jing, LU Yi, et al. Realization and application of "eventalization" function of supervisory information in the smart grid dispatching control system[J]. Electrical Automation, 2021, 43(1): 13-16, 80.

[10] 赵妍, 孙硕, 柳旭, 等. 基于改进CNN-LSTM的电力系统宽频振荡辨识[J]. 智慧电力, 2022, 50(2): 48-54, 96.

ZHAO Yan, SUN Shuo, LIU Xu, et al. Identification of power system wide-band oscillation based on improved CNN-LSTM[J]. Smart Power, 2022, 50(2): 48-54, 96.

[11] 李宏仲, 付国, 孙伟卿. 基于深度递归信念网络的风电功率短期预测方法[J]. 电力系统自动化, 2021, 45(15): 85-92.

LI Hongzhong, FU Guo, SUN Weiqing. Short-term wind power forecasting method based on deep recurrent belief network[J]. Automation of Electric Power Systems, 2021, 45(15): 85-92.

[12] 斋藤康毅. 深度学习进阶: 自然语言处理[M]. 北京: 人民邮电出版社, 2020.

[13] WONG K F, LI Wenjie, XU Ruifeng, et al. Introduction to Chinese natural language processing[M]. Morgan & Claypool, 2009.

[14] DU Yan, LI Fangxing, LI Jiang, et al. Achieving 100x acceleration for n-1 contingency screening with uncertain scenarios using deep convolutional neural network[J]. IEEE Transactions on Power Systems, 2019, 34(4): 3303-3305.

[15] GUPTA A, GURRALA G, SASTRY P S. An online power system stability monitoring system using convolutional neural networks[J]. IEEE Transactions on Power Systems, 2019, 34(2): 864-872.

[16] WEN Shuli, WANG Yu, TANG Yi, et al. Real-time identification of power fluctuations based on LSTM recurrent neural network: a case study on singapore power system[J]. IEEE Transactions on Industrial Informatics, 2019, 15(9): 5266-5275.

[17] ZHANG Shaohua, HUANG Haoran, LIU Jicong, et al. Spelling error correction with soft-masked BERT[J]. 2020.

[18] 靖宇宸, 张钟毓. 城市电网智能调度故障辅助决策系统设计开发[J]. 电力系统保护与控制, 2016, 44(8): 132-136.

JING Yuchen, ZHANG Zhongyu. Design and development of an auxiliary decision-making system for smart distribution dispatching fault in urban power network[J]. Power System Protection and Control, 2016, 44(8): 132-136.

[19] 宋墩文, 温渤婴, 杨学涛, 等. 广域量测信息大数据特征分析及应用策略[J]. 电网技术, 2017, 41(1): 157-163.

SONG Dunwen, WEN Boying, YANG Xuetao, et al. Big data feature analysis and application strategy of wide area measurement information[J]. Power System Technology, 2017, 41(1): 157-163.

[20] 李晓, 许剑冰, 李满礼, 等. 考虑信息失效影响的配电网信息物理系统安全性评估方法[J]. 中国电力, 2022, 55(2): 73-81.

LI Xiao, XU Jianbing, LI Manli, et al. A security evaluation method for cyber physical distribution system considering influence of information failure[J]. Electric Power, 2022, 55(2): 73-81.

[21] 郎公福. 电网调度监控信号语义解析及辅助决策研究[D]. 济南: 山东大学, 2020.

LANG Gongfu. Research on semantic parsing and assisted decision making scheme of power grid dispatching and monitoring signal[D]. Jinan: Shandong University, 2020.

[22] 林泽宏. 基于大电网运行数据的智能告警处理系统研究与应用[D]. 广州: 华南理工大学, 2018.

LIN Zehong. Research and application of intelligent alarm processing system based on operation data of large power grid[D]. Guangzhou: South China University of Technology, 2018.

[23] 国家电力调度控制中心. 110 kV变电站典型信息表(试行)[S]. 北京: 国家电力调度控制中心, 2013.

National Power Dispatching Control Center. Typical information table of 110 kV substation (trial)[S]. Beijing: National Power Dispatching Control Center, 2013.

[24] 国家电力调度控制中心. 220 kV变电站典型信息表(试行)[S]. 北京: 国家电力调度控制中心, 2012.

National Power Dispatching Control Center. Typical information table of 220 kV substation (trial)[S]. Beijing: National Power Dispatching Control Center, 2012.

[25] 张瑶, 王傲寒, 张宏. 中国智能电网发展综述[J]. 电力系统保护与控制, 2021, 49(5): 180-187.

ZHANG Yao, WANG Aohan, ZHANG Hong. Overview of smart grid development in China[J]. Power System Protection and Control, 2021, 49(5): 180-187.

[26] 王日宁, 武一, 魏浩铭, 等. 基于智能终端特征信号的配电网台区拓扑识别方法[J]. 电力系统保护与控制, 2021, 49(6): 83-89.

WANG Rining, WU Yi, WEI Haoming, et al. Topology identification method for a distribution network area based on the characteristic signal of a smart terminal unit[J]. Power System Protection and Control, 2021, 49(6): 83-89.

[27] 刘恒勇, 史帅彬, 徐旭辉, 等. 一种关联RNN模型的非侵入式负荷辨识方法[J]. 电力系统保护与控制, 2019, 47(13): 162-170.

LIU Hengyong, SHI Shuaibin, XU Xuhui, et al. A non-intrusive load identification method based on RNN model[J]. Power System Protection and Control, 2019, 47(13): 162-170.

[28] HANG Renlong, LIU Qingshan, HONG Danfeng, et al. Cascaded recurrent neural networks for hyperspectral image classification[J]. IEEE Transactions on Geoscience & Remote Sensing, 2019, 57(8): 5384-5394.

[29] SHAHNAZARI H. Fault diagnosis of nonlinear systems using recurrent neural networks[J]. Chemical Engineering Research and Design, 2020, 153: 233-245.

[30] HUANG Y, CHEN C, HUANG C. Motor fault detection and feature extraction using RNN-based variational autoencoder[J]. IEEE Access, 2019, 7: 139086-139096.

110 kV signal semantic analysis and situation awareness model based on deep learning theory for a power system monitoring system

WANG Hongbin1, 2, ZHOU Niancheng1, HUANG Ruiling2, FAN Bingxin1, WANG Qianggang1

(1. State Key Laboratory of Power Transmission Equipment & System Security and New Technology (Chongqing University), Chongqing 400044, China; 2. State Grid Chongqing Electric Power Company Research Institute, Chongqing 401123, China)

The vigorous construction of new power systems entails higher requirements for the efficient and accurate identification technology for power grid monitoring signals. This paper first analyzes the basic principles of the Soft-Masked BERT language model, and establishes a signal text error correction model based on Soft-Masked BERT. According to the typical information table of the State Grid, the rule dictionary of "signal semantics-grid events" in normal and fault conditions is analysed. Based on the above models, a power grid situation awareness model based on RNN is established, and a semantic analysis of power grid monitoring signals and a situation awareness solution process based on deep learning are proposed. Finally, taking the actual monitoring signal of a 110 kV substation as the test data, the proposed RNN model is used to analyze the semantic analysis and situation awareness simulation analysis of the monitoring signal of the power grid in this area by combining the Pycorector toolkit and the Pytorch software. The validity and correctness of the model are verified.

deep learning; semantic analysis of power grid monitoring signals; situation awareness; RNN model

10.19783/j.cnki.pspc.220743

国家自然科学基金项目资助(52077017)

This work is supported by the National Natural Science Foundation of China (No. 52077017).

2022-05-17；

2022-08-12

王洪彬(1984—)，男，博士研究生，主要研究方向为智能变电站、保护与控制；E-mail: whbleehomwhb@163.com

周念成(1969—)，男，博士生导师，研究方向为电力系统及其自动化和电能质量；

黄睿灵(1994—)，女，工程师，研究方向为电力系统及其自动化。E-mail: 547258532@qq.com

(编辑 姜新丽)