基于相似日和風(fēng)速連續(xù)性的風(fēng)電場(chǎng)短期功率預(yù)測(cè)

倪鵬，孫富榮

（國(guó)網(wǎng)山東省電力公司乳山市供電公司，山東乳山264500）

基于相似日和風(fēng)速連續(xù)性的風(fēng)電場(chǎng)短期功率預(yù)測(cè)

倪鵬，孫富榮

（國(guó)網(wǎng)山東省電力公司乳山市供電公司，山東乳山264500）

對(duì)風(fēng)電場(chǎng)進(jìn)行短期功率預(yù)測(cè)能夠有效減小風(fēng)電場(chǎng)出力波動(dòng)對(duì)電力系統(tǒng)的影響，降低電力系統(tǒng)的運(yùn)行成本和旋轉(zhuǎn)備用。綜合考慮天氣因素以及風(fēng)速連續(xù)性的影響，提出基于相似日和風(fēng)電連續(xù)性的風(fēng)電場(chǎng)短期功率預(yù)測(cè)方法。首先，完成BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的選擇，然后利用預(yù)測(cè)日前一天的風(fēng)速作為輸入，完成預(yù)測(cè)日功率的預(yù)測(cè)，最后將此模型運(yùn)用于威海某風(fēng)電場(chǎng)，并與僅考慮風(fēng)速連續(xù)性得到的預(yù)測(cè)結(jié)果相比較，分析預(yù)測(cè)誤差，結(jié)果表明前者預(yù)測(cè)精度更高。

相似日；相似曲線；風(fēng)速；BP神經(jīng)網(wǎng)絡(luò)；功率預(yù)測(cè)

0 引言

風(fēng)速具有隨機(jī)性和間歇性的特點(diǎn)，故而風(fēng)電功率具有很強(qiáng)的波動(dòng)性。隨著風(fēng)電場(chǎng)的大規(guī)模并網(wǎng)，其對(duì)電力系統(tǒng)安全性和穩(wěn)定性的影響越來(lái)越大［1］。如果可以對(duì)風(fēng)電功率進(jìn)行有效并且準(zhǔn)確的預(yù)測(cè)，則可以有效降低對(duì)電力系統(tǒng)的影響，降低電力系統(tǒng)的運(yùn)行成本和旋轉(zhuǎn)備用。依據(jù)預(yù)測(cè)的時(shí)間尺度，可將風(fēng)電功率預(yù)測(cè)分為超短期預(yù)測(cè)、短期預(yù)測(cè)以及中長(zhǎng)期預(yù)測(cè)。超短期預(yù)測(cè)一般指不超過(guò)30 min的預(yù)測(cè)，主要用于風(fēng)力發(fā)電機(jī)控制、電能質(zhì)量評(píng)估等；短期預(yù)測(cè)一般指0.5～72 h的預(yù)測(cè)，主要用于電力系統(tǒng)的功率平衡和調(diào)度、電力市場(chǎng)交易、暫態(tài)穩(wěn)定評(píng)估等；中長(zhǎng)期預(yù)測(cè)則主要用于系統(tǒng)檢修安排、風(fēng)電場(chǎng)規(guī)劃等。

超短期預(yù)測(cè)的預(yù)測(cè)提前量較短，一般不使用氣象預(yù)報(bào)數(shù)據(jù)，根據(jù)之前時(shí)段的量測(cè)值或歷史數(shù)據(jù)采用時(shí)間序列法［2］或人工神經(jīng)網(wǎng)絡(luò)法［3-4］等智能方法進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度較高。短期預(yù)測(cè)的預(yù)測(cè)提前量一般為幾小時(shí)至幾天，由于風(fēng)速、風(fēng)向等天氣情況是由大氣運(yùn)動(dòng)決定的，不考慮氣象預(yù)報(bào)數(shù)據(jù)無(wú)法反映大氣運(yùn)動(dòng)的本質(zhì)，難以得到較好的預(yù)測(cè)結(jié)果，因此風(fēng)功率短期預(yù)測(cè)要借助于氣象信息，且氣象信息的預(yù)測(cè)精度決定了整個(gè)預(yù)測(cè)系統(tǒng)的預(yù)測(cè)精度［5］，目前風(fēng)電功率短期預(yù)測(cè)是研究的難點(diǎn)和熱點(diǎn)。風(fēng)電功率短期預(yù)測(cè)主要分為物理方法和統(tǒng)計(jì)方法。物理方法依據(jù)氣象預(yù)報(bào)提供的各類信息，采用微觀氣象學(xué)理論，計(jì)算得到風(fēng)電機(jī)組輪轂高度的風(fēng)速、風(fēng)向、氣溫、氣壓等信息；根據(jù)風(fēng)機(jī)功率曲線計(jì)算得到每臺(tái)風(fēng)電機(jī)組的預(yù)測(cè)功率，再計(jì)及風(fēng)電機(jī)組間尾流影響；最后對(duì)所有風(fēng)電機(jī)組的預(yù)測(cè)功率求和得到風(fēng)電場(chǎng)的預(yù)測(cè)功率［6］。統(tǒng)計(jì)方法根據(jù)歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，找出天氣狀況與風(fēng)電功率的關(guān)系，根據(jù)實(shí)測(cè)數(shù)據(jù)和數(shù)值天氣預(yù)報(bào)數(shù)據(jù)對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)，常用的預(yù)測(cè)方法有時(shí)間序列［7-8］、神經(jīng)網(wǎng)絡(luò)［9-11］以及組合預(yù)測(cè)方法［12-13］等。文獻(xiàn)［7］探討了風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)，并結(jié)合仿真實(shí)例說(shuō)明時(shí)間序列法在短期風(fēng)速預(yù)測(cè)中的應(yīng)用，但沒(méi)有給出風(fēng)電場(chǎng)輸出功率的預(yù)測(cè)結(jié)果。文獻(xiàn)［10］提出了基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)方法，指出風(fēng)速、風(fēng)向、氣溫、氣壓、濕度等因素對(duì)風(fēng)電場(chǎng)輸出功率有影響，并利用神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電功率預(yù)測(cè)誤差進(jìn)行預(yù)測(cè)。組合預(yù)測(cè)是對(duì)幾種預(yù)測(cè)方法得到的預(yù)測(cè)結(jié)果，選取適當(dāng)?shù)臋?quán)重進(jìn)行加權(quán)平均，消除單一預(yù)測(cè)方法可能存在的較大偏差，提高預(yù)測(cè)精度［14］。文獻(xiàn)［12］提出風(fēng)電場(chǎng)輸出功率的組合預(yù)測(cè)模型，給出等權(quán)重平均法、協(xié)方差優(yōu)選組合預(yù)測(cè)法和時(shí)變權(quán)系數(shù)組合預(yù)測(cè)法確定權(quán)重，計(jì)算結(jié)果表明組合預(yù)測(cè)模型能有效減少各預(yù)測(cè)點(diǎn)較大誤差的出現(xiàn)概率，有利于提高預(yù)測(cè)精度，但組合預(yù)測(cè)具有工作量大的缺點(diǎn)。

在前人研究的基礎(chǔ)上，綜合考慮影響風(fēng)電功率的氣象因素以及風(fēng)速的連續(xù)性因素，基于相似日［11］和相似性曲線［13］，選擇BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，并將預(yù)測(cè)日前一天的風(fēng)速樣本作為輸入，完成預(yù)測(cè)日的功率預(yù)測(cè)。

1 風(fēng)電場(chǎng)功率預(yù)測(cè)

1.1 影響風(fēng)力機(jī)功率的因素

風(fēng)力機(jī)的發(fā)電功率為

式中：P為風(fēng)力機(jī)的輸出功率，kW；CP為風(fēng)力機(jī)功率系數(shù)；A為風(fēng)力機(jī)掃掠面積，m2；ρ為空氣密度，kg／m3；v為風(fēng)速，m／s。

由式（1）可知，在風(fēng)力機(jī)功率系數(shù)CP和掃掠面積A保持不變的情況下，風(fēng)力發(fā)電機(jī)的輸出功率主要受空氣密度ρ和風(fēng)速v的影響?？諝饷芏圈阎饕軌簭?qiáng)、濕度以及溫度的影響，對(duì)于風(fēng)電場(chǎng)來(lái)說(shuō)，由于尾流效應(yīng)的存在，風(fēng)向也是影響風(fēng)電功率的重要因素。風(fēng)速具有連續(xù)性，所以風(fēng)電場(chǎng)的功率也具有一定的連續(xù)性。

將兩者結(jié)合起來(lái)考慮，即將相似日和相似風(fēng)速曲線結(jié)合，完成風(fēng)電功率的預(yù)測(cè)。

1.2 相似日的選擇

選擇風(fēng)速、風(fēng)向、壓強(qiáng)、濕度和溫度作為影響風(fēng)電場(chǎng)出力的天氣因素。這些歷史氣象信息以及預(yù)測(cè)日的氣象信息可以從氣象部門(mén)得到。將各個(gè)因素組合，構(gòu)成天氣模式向量為

式中：Yi為第i（i=0，1，…，N）個(gè)天氣樣本模式向量，N為氣象部門(mén)提供的歷史天氣信息的天數(shù)，第0個(gè)天氣樣本表示預(yù)測(cè)日的數(shù)值天氣預(yù)報(bào)信息，而i=1，…，N則表示第i個(gè)歷史天氣樣本；vmaxi、vmini分別為第i個(gè)歷史天氣樣本風(fēng)速的最大值和最小值；cosθi、sinθi分別為第i個(gè)歷史天氣樣本風(fēng)向的余弦和正弦值，以正東方向?yàn)閄軸正方向；Paveri為第i個(gè)歷史天氣樣本壓強(qiáng)的平均值；haveri為第i個(gè)歷史天氣樣本濕度的平均值；tmaxi、tmini分別為第i個(gè)歷史天氣樣本氣溫的最高值和最低值。

確定天氣樣本模式向量Yi后，需要對(duì)其進(jìn)行歸一化變換，以方便比較各個(gè)向量之間的差異大小。采取極大極小差值法進(jìn)行歸一化，為

式中：xi（j）為第i個(gè)天氣樣本歸一化后的第j個(gè)分量；yi（j）為第i個(gè)天氣樣本歸一化前的第j個(gè)分量；m（j）和M（j）分別為所有天氣樣本中第j個(gè)分量的最小值和最大值。

天氣樣本的歸一化模式向量的8個(gè)分量可由式（3）求出。則歸一化后的第i個(gè)天氣樣本模式向量為

根據(jù)天氣預(yù)報(bào)信息形成預(yù)測(cè)日原始的模式向量，然后和樣本向量進(jìn)行統(tǒng)一歸化。比較歸一化后的預(yù)測(cè)日的模式向量和樣本的模式向量的相似度。相似度判別式為

式中：0表示預(yù)測(cè)日；i表示第i個(gè)樣本；j表示向量中的第j個(gè)分量。

利用模式向量進(jìn)行相似日選擇的步驟為：從預(yù)測(cè)日開(kāi)始倒推，選擇合適數(shù)量的歷史日樣本，依據(jù)歷史氣象數(shù)據(jù)以及預(yù)測(cè)日的天氣預(yù)報(bào)數(shù)據(jù)形成模式向量；將預(yù)測(cè)日的模式向量和歷史日的模式向量進(jìn)行歸一化，并依次計(jì)算預(yù)測(cè)日歸一化后的向量與歷史日歸一化后的向量的相似度；選出相似度最高的n個(gè)歷史日作為相似日，并將這些相似日前一天的風(fēng)速曲線集合作為初步樣本集。

1.3 基于分段線性化的相似風(fēng)速曲線搜索算法

分段線性化方法最初是由Pavlidis和Horowitz提出的，此后Keogh提出了一種采用分段線性化方法的快速搜索算法。

1）找出風(fēng)速曲線上的關(guān)鍵點(diǎn)集合。首先找出風(fēng)速曲線上的所有極值點(diǎn)vm，包括極大值、極小值以及最大值vmax和最小值vmin，這些點(diǎn)能夠準(zhǔn)確反映風(fēng)速曲線的變化趨勢(shì)及形狀特點(diǎn)；然后按照式（6）對(duì)所有極值點(diǎn)進(jìn)行歸一化處理為

對(duì)極值點(diǎn)歸一化后，所有極值點(diǎn)的幅值都在［-1，1］這一區(qū)間內(nèi)，消除了幅值變化對(duì)相似性的判斷。然后將這些值的絕對(duì)值與設(shè)定的閾值η＞0相比，若大于η，則為關(guān)鍵極值點(diǎn)，再加上風(fēng)速曲線上的第一個(gè)點(diǎn)和最后一個(gè)點(diǎn)，形成關(guān)鍵點(diǎn)集合P（x，y）。

2）在關(guān)鍵點(diǎn)集合P（x，y）的基礎(chǔ)上，形成風(fēng)速曲線的分段線性化表示，其第l條線段可表示為

式中：XLl、YLl分別為第l條線段的左端點(diǎn)的橫坐標(biāo)和縱坐標(biāo)；XRl、YRl分別為第l條線段的右端點(diǎn)的橫坐標(biāo)和縱坐標(biāo)；Kl為第l條線段的斜率。

3）進(jìn)行相似風(fēng)速曲線的提取。任意兩條風(fēng)速曲線A和B的相似性距離為

式中：KAl和KBl分別為風(fēng)速曲線A和B分段線性化后的第l條線段的斜率；wAl和wBl分別為風(fēng)速曲線A和B分段線性化后的第l條線段在樣本曲線總長(zhǎng)中所占的長(zhǎng)度比重；M為風(fēng)速曲線A和B分段線性化的線段數(shù)量。

依據(jù)設(shè)定的相似距離門(mén)檻值σ，若D（A，B）＜σ，則認(rèn)為兩條風(fēng)速曲線相似。

應(yīng)用上述相似曲線判定方法，從得出的風(fēng)速曲線樣本集中選擇出與預(yù)測(cè)日前一天的風(fēng)速曲線相似的曲線，并把此曲線集合作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。

1.4 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)電功率

BP神經(jīng)網(wǎng)絡(luò)是運(yùn)用最為廣泛地一種神經(jīng)網(wǎng)絡(luò)。采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)風(fēng)電功率。設(shè)定網(wǎng)絡(luò)為單隱含層結(jié)構(gòu)，訓(xùn)練方式為T(mén)RAINSCG，即共軛梯度法，避免了耗時(shí)的一維搜索，而且當(dāng)訓(xùn)練不收斂時(shí)，會(huì)自動(dòng)停止搜索。

根據(jù)預(yù)測(cè)日氣象數(shù)據(jù)，依據(jù)模式識(shí)別方法，找出相似日，并將相似日前一天的風(fēng)速曲線集合，一同作為訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的初步樣本集。

在初步樣本集中，尋找與預(yù)測(cè)日前一天的風(fēng)速曲線相似的樣本，具體方法為分段線性化相似曲線搜索，并將此樣本作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的最終樣本，輸入為風(fēng)速數(shù)據(jù)，輸出為此風(fēng)速數(shù)據(jù)后一天的風(fēng)電功率。

運(yùn)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，將預(yù)測(cè)日前一天的風(fēng)速數(shù)據(jù)作為輸入，輸出為預(yù)測(cè)日的風(fēng)電功率。

2 算例分析

以威海某風(fēng)電場(chǎng)為例進(jìn)行驗(yàn)證分析。該風(fēng)電場(chǎng)裝機(jī)容量為200 MW，歷史統(tǒng)計(jì)數(shù)據(jù)為2010-01-01至2010-03-09，預(yù)測(cè)日為2010-03-10。

每隔15 min采樣一次風(fēng)速及其風(fēng)電場(chǎng)功率，每天共有96個(gè)點(diǎn)。采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)電功率預(yù)測(cè)，采用單隱含層結(jié)構(gòu)，隱含層神經(jīng)元個(gè)數(shù)為5，輸入為預(yù)測(cè)點(diǎn)前一日的風(fēng)速數(shù)據(jù)，輸出為預(yù)測(cè)點(diǎn)的功率。

分別采用兩種方法進(jìn)行預(yù)測(cè)。方法1只考慮風(fēng)速和功率連續(xù)性因素，采用相似曲線搜索，輸入前一日的風(fēng)速曲線數(shù)據(jù)，得出預(yù)測(cè)結(jié)果；方法2即采用所提出的方法，既考慮風(fēng)速和功率的連續(xù)性，又考慮預(yù)測(cè)日的氣象狀況。圖1～4顯示了方法1、2的訓(xùn)練效果。

圖1 方法1的訓(xùn)練、驗(yàn)證、測(cè)試均方誤差

圖2 方法2的訓(xùn)練、驗(yàn)證、測(cè)試均方誤差

圖3 方法1線性回歸分析

圖4 方法2線性回歸分析

比較采用兩種方法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果，方法1訓(xùn)練18次，而方法2訓(xùn)練39次，方法1的訓(xùn)練效率更高。兩種方法的訓(xùn)練效果大致相同，線性回歸分析也驗(yàn)證了這一點(diǎn)，可見(jiàn)這兩種訓(xùn)練數(shù)據(jù)都是可行的。

風(fēng)電功率的預(yù)測(cè)結(jié)果如圖5所示。

圖5 風(fēng)電功率預(yù)測(cè)結(jié)果曲線

由圖5可知，兩種不同方法所測(cè)得的功率曲線和實(shí)際功率曲線的變化趨勢(shì)基本一致，但在不同的采樣點(diǎn)，誤差值不同。將兩種方法預(yù)測(cè)的功率與實(shí)際功率比較，得到其絕對(duì)誤差值曲線，如圖6所示。

采用平均絕對(duì)誤差來(lái)評(píng)價(jià)預(yù)測(cè)的精度，其數(shù)值越小，表示預(yù)測(cè)精度越高，具體為

兩種方法測(cè)得的平均絕對(duì)誤差εR，方法1為15.99%，方法2為13.32%。可知，本文所采用方法的預(yù)測(cè)誤差較低，這是因?yàn)榭紤]了氣象因素對(duì)風(fēng)電功率的影響。同時(shí)，也驗(yàn)證了氣象條件是影響風(fēng)電功率的重要因素。由此可知，在風(fēng)電功率預(yù)測(cè)中，必須考慮氣象條件以及風(fēng)速的連續(xù)性特性。

圖6 風(fēng)電功率誤差曲線

3 結(jié)語(yǔ)

提出將氣象因素和風(fēng)速連續(xù)性相結(jié)合的風(fēng)電功率預(yù)測(cè)方法，提高了樣本訓(xùn)練數(shù)據(jù)選擇的精確性，相比于將兩種因素分別考慮，分別預(yù)測(cè)功率、組合預(yù)測(cè)的傳統(tǒng)方法，具有工作量少且更易操作的優(yōu)點(diǎn)。

采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)電功率預(yù)測(cè)，其具有很強(qiáng)的非線性學(xué)習(xí)能力，訓(xùn)練方式選擇TRAINSCG，相對(duì)于傳統(tǒng)訓(xùn)練方法，具有計(jì)算速度快、收斂性好、不易振蕩的優(yōu)點(diǎn)。

采用本文的算法，對(duì)威海某風(fēng)電場(chǎng)進(jìn)行了實(shí)際功率預(yù)測(cè)，驗(yàn)證了提出的模型，提高了預(yù)測(cè)精度。驗(yàn)證該方法具有一定的實(shí)用性。

［1］遲永寧，劉燕華，王偉勝，等.風(fēng)電接入對(duì)電力系統(tǒng)的影響［J］.電網(wǎng)技術(shù)，2007，31（3）：77-81.

［2］潘迪夫，劉輝，李燕飛.基于時(shí)間序列分析和卡爾曼濾波算法的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)優(yōu)化模型［J］.電網(wǎng)技術(shù)，2008，32（7）：82-86.

［3］KARINIOTAKIS G.N.，STAVRAKIS G.S.，NOGARET E.F.Wind power forecasting using advanced neural network models［J］. IEEE Trans Energy Conversion，1996，11（4）：762-767.

［4］楊秀媛，肖洋，陳樹(shù)勇.風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2005，25（11）：1-5.

［5］徐曼，喬穎，魯宗相.短期風(fēng)電功率預(yù)測(cè)誤差綜合評(píng)價(jià)方法［J］.電力系統(tǒng)自動(dòng)化，2011，35（12）：20-26.

［6］馮雙磊，王偉勝，劉純，等.風(fēng)電場(chǎng)功率預(yù)測(cè)物理方法研究［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2010，30（2）：1-6.

［7］吳國(guó)旸，肖洋，翁莎莎.風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)探討［J］.吉林電力，2005，33（6）：21-24.

［8］麻常輝，馮江霞，蔣哲，等.基于時(shí)間序列和神經(jīng)網(wǎng)絡(luò)法的風(fēng)電功率預(yù)測(cè)［J］.山東大學(xué)學(xué)報(bào)（工學(xué)版），2014，44（1）：85-89.

［9］WU Liang，PARK Jeonjie，CHOI Jaesok，et al.A study on wind speed prediction using artificial neural network［C］／／Processing of conference of IEEE T&D.JejuIsland，Korea，the IEEE：1-4.

［10］范高鋒，王偉勝，劉純，等.基于人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2008，28（34）：118-123.

［11］孟洋洋，盧繼平，孫利華，等.基于相似日和人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測(cè)［J］.電網(wǎng)技術(shù)，2010，34（12）：163-167.

［12］劉純，范高鋒，王偉勝，等.風(fēng)電場(chǎng)輸出功率的組合預(yù)測(cè)模型［J］.電網(wǎng)技術(shù)，2009，33（13）：74-79.

［13］張國(guó)強(qiáng)，張伯明.基于組合預(yù)測(cè)的風(fēng)電場(chǎng)風(fēng)速及風(fēng)電機(jī)功率預(yù)測(cè)［J］.電力系統(tǒng)自動(dòng)化，2009，33（18）：92-95.

［14］牛東曉，曹淑華.電力系統(tǒng)負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用［M］.北京：中國(guó)電力出版社，1998.

Short-term Wind Power Prediction Based on Similar Days and Wind Speed Continuity

NI Peng，SUN Furong
（State Grid Rushan Power Supply Company，Rushan 264500，China）

Short-term wind power prediction is an effective approach for reducing both negative effects of wind power fluctuation on the power system and the operating cost and spinning reserve of power system.Taking weather factor and the continuity of the wind together as a whole，a short-term wind power forecasting method is proposed based on similar days and wind speed continuity.First of all，the training sample is selected for the BP neural network.Then the wind speed data of the prediction-day before are taken as input，and the wind power prediction is finished.At last，the proposed model is used in a wind farm located in Weihai.Analysis results show that this method possesses high accuracy.

similar days；similar curve；wind speed；BP neural network；power forecast

TK81；TM712

A

1007－9904（2016）11－0039－05

2016-05-16

倪鵬（1977），男，從事電網(wǎng)運(yùn)維檢修、配電網(wǎng)規(guī)劃工作；

孫富榮（1978），男，從事電網(wǎng)運(yùn)維檢修、配電網(wǎng)規(guī)劃工作。