基于卷積神經(jīng)網(wǎng)絡(luò)的開關(guān)柜局部放電監(jiān)測

朱正國，何斌斌，胡 冉，秦 哲

（1.南方電網(wǎng)深圳供電局電力技術(shù)研究中心，廣東深圳 518000；2.廣州安電測控技術(shù)有限公司，廣東廣州 510000）

基于卷積神經(jīng)網(wǎng)絡(luò)的開關(guān)柜局部放電監(jiān)測

朱正國1，何斌斌1，胡 冉1，秦 哲2

（1.南方電網(wǎng)深圳供電局電力技術(shù)研究中心，廣東深圳 518000；2.廣州安電測控技術(shù)有限公司，廣東廣州 510000）

提出了一種通過人工智能和機(jī)器學(xué)習(xí)理論來實現(xiàn)配網(wǎng)設(shè)備運行狀況監(jiān)測的方法，并展示了一套基于卷積神經(jīng)網(wǎng)絡(luò)使用超聲波和地電波數(shù)據(jù)的開關(guān)柜自動局部放電現(xiàn)象的監(jiān)測系統(tǒng)。設(shè)計了具體的卷積神經(jīng)網(wǎng)絡(luò)模型，使其在經(jīng)過離線訓(xùn)練之后，可以對開關(guān)柜實際運行時所產(chǎn)生的信號進(jìn)行實時的分析與辨別，進(jìn)而判斷設(shè)備的運行狀況。實驗結(jié)果表明，在錯誤信號進(jìn)行降噪處理的前提下，該系統(tǒng)依然可以準(zhǔn)確地給出設(shè)備運行的確切狀況，這充分證明了提出方法的有效性。

局部放電；開關(guān)柜；卷積神經(jīng)網(wǎng)絡(luò)；智能電網(wǎng)

由于電力設(shè)備在運行中會受到電、熱、機(jī)械等負(fù)荷作用，以及一些自然因素的影響，長期工作會引起電力設(shè)備的老化、疲勞和磨損，以致性能逐漸下降[1-2]。

配電設(shè)備在線監(jiān)測在國內(nèi)還處于起步階段，盡管在線監(jiān)測技術(shù)在主網(wǎng)已有了較為成熟的應(yīng)用，但是在配電網(wǎng)方面，由于成本經(jīng)濟(jì)性、設(shè)備關(guān)注度等原因，在線監(jiān)測技術(shù)仍然只有一些局域性、試點性的研究，尚未得到全面的研究與應(yīng)用。目前，國內(nèi)配網(wǎng)監(jiān)測技術(shù)應(yīng)用，主要集中在3個方面：一是配網(wǎng)自動化，對于配電設(shè)備的自動化控制，配電架空線路加裝故障指示器，但配電架空線路加裝故障指示器的工作也沒有全面的完成，國內(nèi)還沒有切實有效的在線監(jiān)測手段；二是對配電設(shè)備進(jìn)行帶電檢測，目前開關(guān)柜超聲波、地電波局放帶電檢測技術(shù)，已在國內(nèi)進(jìn)行了普及和推廣，每年國家電網(wǎng)、南方電網(wǎng)等公司都會采購大量的檢測設(shè)備，但由于檢測過程主要靠人的主觀判斷，應(yīng)用情況平平，沒有相關(guān)的應(yīng)用案例證明其檢測的實用程度；三是10 kV電纜振蕩波局放檢測技術(shù)，該項技術(shù)應(yīng)用情況最好。目前，振蕩波檢測已經(jīng)成為電纜投運前的檢測標(biāo)準(zhǔn)，但該項技術(shù)是離線檢測方式。

由此可見，對國外配電網(wǎng)先進(jìn)技術(shù)研究是非常必要的。我們主要對其中的第二個應(yīng)用領(lǐng)域進(jìn)行了研究，并進(jìn)行了實驗性質(zhì)的應(yīng)用。針對開關(guān)柜等配電設(shè)備，我們設(shè)計了一個基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的在線監(jiān)測系統(tǒng)，使用相關(guān)傳感器產(chǎn)生的超聲波和地電波信號，檢測其局部放電缺陷，判斷實際的運行狀態(tài)和安全性。本文介紹了這個方法的主要原理以及具體的實現(xiàn)方式。

1 概況

國內(nèi)外在配電檢測方面做了許多不同的嘗試。比利時的一些技術(shù)人員介紹了其關(guān)于在線局部放電監(jiān)測方面的經(jīng)驗，以及對封閉式中壓開關(guān)柜進(jìn)行狀態(tài)評估的方法[3]。M De Witte等人對開關(guān)柜設(shè)備加裝了局放檢測裝置、溫濕度傳感器，在2010年至2012年間，對其運行狀態(tài)進(jìn)行了持續(xù)監(jiān)測。監(jiān)測數(shù)據(jù)表明，局部放電檢測結(jié)果容易受環(huán)境影響，超聲波傳感器的測量數(shù)據(jù)會受到電網(wǎng)的干擾，因此有必要選擇多個測量點來保證結(jié)論的相關(guān)性。該方法對于設(shè)備的評價很有幫助，但是成本昂貴不適合廣泛使用。西班牙的研究人員[4]則使用了另外一種方法，介紹了一個具備連續(xù)校準(zhǔn)的局放在線系統(tǒng)。系統(tǒng)組件包括在線校準(zhǔn)脈沖注入器、電容式傳感器（高頻局放脈沖檢測和數(shù)據(jù)采集）和數(shù)據(jù)通信組件等。該系統(tǒng)進(jìn)行了小范圍、較長時間的試用，結(jié)果證明，連續(xù)監(jiān)測比周期性離線檢測有很多優(yōu)勢，對實際的配電網(wǎng)有更好的監(jiān)測能力。Renforth等人介紹了英國在這個領(lǐng)域的經(jīng)驗[5]，包括在中壓、高壓纜、開關(guān)設(shè)備、變壓器和旋轉(zhuǎn)電機(jī)等方面的在線局部放電監(jiān)測。文中總結(jié)了不同檢測設(shè)備在各個領(lǐng)域的應(yīng)用，提出了一些測試技術(shù)及相關(guān)的在線傳感技術(shù)。Vlase等人在美國做出了另外一種嘗試[6]，他們提出了一種溫度監(jiān)測系統(tǒng)，用于監(jiān)測接觸的電氣絕緣材料、供電電纜和金屬封閉開關(guān)設(shè)備和控制裝置套管，以消除過高溫度所導(dǎo)致的故障，保障供電安全。但是，這種監(jiān)測有以下缺點：成本高；無法測量到金屬套管內(nèi)元件的溫度；監(jiān)測不是連續(xù)永久的。

香港的Tai等人[7]總結(jié)了香港的實際工作經(jīng)驗，認(rèn)為各類狀態(tài)監(jiān)測技術(shù)是從傳統(tǒng)檢修遷移到以可靠性為中心的預(yù)防性維護(hù)的輔助手段，局部放電檢測手段是發(fā)現(xiàn)開關(guān)設(shè)備故障早期階段的有效方法。他們通過長期的試驗，評估連續(xù)局部放電監(jiān)測系統(tǒng)的有效性和準(zhǔn)確性，實測數(shù)據(jù)驗證了各種便攜式局放檢測設(shè)備，包括地電波數(shù)據(jù)和超聲波數(shù)據(jù)在連續(xù)在線監(jiān)測系統(tǒng)的一致性。Kuo等人[8]介紹了一種應(yīng)用于臺灣地區(qū)的監(jiān)測手段，使用一種基于無線傳輸技術(shù)的超聲波局部放電在線監(jiān)測技術(shù)，來進(jìn)行SF6開關(guān)設(shè)備的監(jiān)測。該方法通過對原始超聲信號特征的提取，進(jìn)行數(shù)字化評估和識別，并達(dá)到了非常不錯的效果。該方法對隨機(jī)白噪聲有很好的承受能力，可以保證74%的局放識別率，這對早期的故障檢測有很大幫助。我國內(nèi)地也有了一些監(jiān)測技術(shù)的應(yīng)用。Yao等人[9]通過高壓開關(guān)柜局部放電在線監(jiān)測的真實案例，驗證了地電波檢測技術(shù)的有效性。上海電力公司與新加坡能源電力公司合作，應(yīng)用英國EA公司檢測產(chǎn)品，在35 kV變電站、10 kV開關(guān)柜進(jìn)行了大量的局放檢測工作，并積累了經(jīng)驗。實踐證明，通過局放監(jiān)測可有效地發(fā)現(xiàn)開關(guān)設(shè)備內(nèi)的絕緣缺陷，是封閉開關(guān)設(shè)備檢測的有效手段。

盡管在設(shè)備監(jiān)測領(lǐng)域已經(jīng)有了上述這些嘗試，但是這些實驗性質(zhì)的應(yīng)用往往準(zhǔn)確性不高，并需要消耗大量的資源。這些傳統(tǒng)的方法很難脫離人類的干預(yù)，不能做到真正的自動監(jiān)測與運行狀況判斷。在這種情況下，我們結(jié)合近些年來機(jī)器學(xué)習(xí)理論的發(fā)展[10-16]，尤其是CNN方面的巨大進(jìn)步，提出了一種新穎的自動在線監(jiān)測方法。不同于以往的任何研究，該方法可以完全不需要技術(shù)人員和專家的主觀判斷極大地提高設(shè)備維護(hù)效率。

2 局部放電檢測

脈沖電流（LC傳輸回路）法檢測原理高壓開關(guān)柜進(jìn)線電纜的導(dǎo)線和金屬屏蔽之間由絕緣材料隔開形成分布電容，高頻的局放信號由分布電容對接地引線構(gòu)成回路傳輸，在電纜接頭屏蔽接地線上安裝寬頻帶電流互感器（HFCT）可檢測到放電脈沖信號，該方法的原理與離線試驗的方法類似，因此能夠確定局部放電的量值。利用超聲法可以結(jié)合電信號（如脈沖電流、TEV等信號）根據(jù)聲電時差的原理對放電故障點進(jìn)行定位。對地瞬變電壓（TEV）法檢測原理在開關(guān)柜內(nèi)部一旦發(fā)生局部放電，就會產(chǎn)生高頻電磁波，通過感應(yīng)在開關(guān)柜的柜壁和隔板處產(chǎn)生高頻電勢。所以，在電纜室隔板處放置TEV、超聲波復(fù)合傳感器，可以檢測到TEV信號。由于超高頻法的檢測帶寬為300～1500 MHz，遠(yuǎn)離干擾頻帶，因此該方法具有極強的抗干擾能力和較高的靈敏度，可以有效地提取超高頻局部放電信號。

傳統(tǒng)的局部放電監(jiān)測方法主要是依靠技術(shù)人員的經(jīng)驗來做出主觀判斷，這個過程充滿不確定性，有這很大漏檢或錯檢的可能。近些年來，以深度學(xué)習(xí)為代表的人工智能理論逐漸發(fā)展了起來，應(yīng)用在越來越多的模式識別問題上，并取得了非常不錯的效果。由于開關(guān)柜的局部放電信號（超聲波、地電波等）也有某些特定的模式，比如波形的振幅、相位、頻率等，這些特征往往能夠在很大程度上反映出設(shè)備的運行狀態(tài)。然而，這些特征有時候會非常復(fù)雜，人類很難做出準(zhǔn)確的判斷，傳統(tǒng)的模式識別方法也很難處理。而深度學(xué)習(xí)方法的強項正在于特征提取和模式識別的能力，尤其是在面對復(fù)雜問題的時候，一般能達(dá)到遠(yuǎn)超其他方法的識別效果。因此，我們將局部放電監(jiān)測問題轉(zhuǎn)化為了基于深度學(xué)習(xí)的模式識別問題。

首先，將傳感器得到的超聲波和地電波的信號數(shù)據(jù)轉(zhuǎn)換為時頻圖的形式，然后將其輸入到CNN模型中進(jìn)行處理和識別，之后模型會輸出最終的識別結(jié)果，流程圖如圖1所示。

圖1 信號處理與檢測流程Fig.1 Flow of the signal processing and detection

原始信號是由裝置在開關(guān)柜周圍的傳感器采集而來，如圖2所示。超聲波脈沖是通過電柜的縫隙傳輸出來的，因此把DA-9000移動式綜合在線監(jiān)測系統(tǒng)的4個超聲波局放檢測探頭分別裝在4個環(huán)網(wǎng)柜電纜室的縫隙處；地電波檢測部位主要是母排、斷路器，CT、PT、電纜等設(shè)備所對應(yīng)到開關(guān)柜柜壁的位置。將DA-9000的地電波傳感器安裝在開關(guān)柜前面板的中部和后面板的中部。

圖2 開關(guān)柜地電波局部放電監(jiān)測接線示意圖Fig.2 Schematic wiring diagram of the ground wave partial discharge monitoring of the switch cabinet

與其他研究不同，該方法不需要對這些信號進(jìn)行降噪處理，這也大大降低了運行成本和設(shè)備需求。這些信號會先分割成一些固定長度的信號段，其中一些低于某一閾值的弱信號會被過濾掉，如圖3（a）所示。

然后，對信號進(jìn)行時頻轉(zhuǎn)換，生成如圖3（b）所示的時頻圖。為了方便圖像顯示并減少計算量，在這些圖片輸入CNN之前，需要事先設(shè)置一個標(biāo)準(zhǔn)圖片尺寸，并對所有圖片進(jìn)行歸一化處理。

圖3 信號預(yù)處理Fig.3 Signal pre-processing

CNN模型如圖4所示，該模型中總共有8層，前5層分為了兩個部分，其中一個部分用來進(jìn)行超聲波信號底層特征的提取，另外一個部分則用來提取地電波信號的底層特征。然后將其合并起來，綜合考慮兩個子部分所抽象出來的特征組合，繼續(xù)提取更高級別的特征。全連接層有4 096個神經(jīng)元，為了避免梯度消失問題，該模型使用了ReLu激活函數(shù)。這是因為比起一般的sigmoid激活函數(shù)，ReLu在梯度下降法中表現(xiàn)出更好的性能。第一個卷積層的權(quán)值見圖5。

圖4 CNN模型Fig.4 CNN model

圖5 第一卷積層的權(quán)值Fig.5 Weights of the first convolution layer

我們使用了Softmax分類器來進(jìn)行輸出最終結(jié)果，根據(jù)當(dāng)前的超聲波和地電波信號來判斷設(shè)備當(dāng)前的運行狀態(tài)。

3 實驗結(jié)果

我們設(shè)計了一些實驗來驗證本方法的可行性。在這些實驗中，許多信號樣本被轉(zhuǎn)換成時頻圖，并被導(dǎo)入到CNN深度學(xué)習(xí)模型中，模型會依據(jù)這些樣本判斷設(shè)備是否出現(xiàn)局部放電現(xiàn)象。圖6展示了一些時頻圖，圖6（a）（b）（c）（d）分別表示白噪聲、脈沖噪聲、周期性窄帶干擾和標(biāo)準(zhǔn)的地電波信號。顯然，地電波信號有著與各種噪聲明顯不同的特征，因此，CNN模型可以對其做出準(zhǔn)確的鑒別。

圖6 不同信號樣本被轉(zhuǎn)換成的時頻圖Fig.6 Time-frequency graph of different signal samples converted

在實驗中使用了3 000個信號樣本，其中包含500個局部放電信號樣本。最終的檢出率為95.73%，準(zhǔn)確率為95.58%。圖7展示了CNN模型的訓(xùn)練過程，其中紅線表示訓(xùn)練過程中CNN模型所達(dá)到的準(zhǔn)確率，藍(lán)線代表相應(yīng)的損耗值（loss）。與他它深度學(xué)習(xí)應(yīng)用類似，這個CNN模型在訓(xùn)練過程中隨著迭代次數(shù)的增加，其準(zhǔn)確率不斷升高，相應(yīng)的損耗值也迅速減小。最終在2 000次迭代之后，準(zhǔn)確率達(dá)到了95%。

圖7 CNN模型訓(xùn)練過程Fig.7 CNN model training process

與傳統(tǒng)方法相比，本方法在監(jiān)測性能和運行時間上都顯示出了巨大的優(yōu)勢。如表1所示，本文所提出的基于CNN的方法比脈沖電流法、傳統(tǒng)超聲波法和傳統(tǒng)地電波法有著更高的檢出率和準(zhǔn)確率，同時消耗的時間也更少。盡管脈沖電流法也能達(dá)到一個較好的監(jiān)測效果，但是它往往需要大量的檢測時間，因此，脈沖電流法一般被用于電力設(shè)備的制造環(huán)節(jié)中。傳統(tǒng)的超聲波檢測法是一個比較古老的方法，已經(jīng)使用了多年。因為這個方法只能檢測到表面放電，而不能處理內(nèi)部放電，所以這個方法在檢出率上表現(xiàn)不佳。不過，由于它較高的準(zhǔn)確率和方便的現(xiàn)場檢測過程，該方法仍然得到了廣泛的應(yīng)用。近些年來，地電波檢測法因為良好的檢出率和準(zhǔn)確率，成為了局部放電檢測的主流方法。但是傳統(tǒng)的地電波檢測法尚有相當(dāng)大的改進(jìn)空間，因此，我們把地電波信號、超聲波信號與最新的深度學(xué)習(xí)方法相結(jié)合，設(shè)計了本文的CNN模型，并達(dá)到了非常不錯的性能。為了進(jìn)一步測試該模型混合兩種信號的優(yōu)勢，我們分別測試了僅適用單個信號的CNN模型的監(jiān)測性能?？梢钥闯?，盡管使用單個信號可以降低了模型的計算量，減少總運行時間，但是檢出率和準(zhǔn)確率都有了一定程度的下降。因此我們認(rèn)為，同時使用兩種信號更具優(yōu)勢。

表1 各種方法的比較Tab.1 Comparison of different methods

4 結(jié)語

本文提出了一個基于時頻分析的CNN模型，用來解決有噪聲存在時的局部放電監(jiān)測問題。該方法將傳統(tǒng)主觀信號分析問題轉(zhuǎn)換為有深度學(xué)習(xí)驅(qū)動的模式識別問題。由于CNN優(yōu)秀的特征提取和模式識別能力，該模型可以準(zhǔn)確地檢測出局部放電所特有的信號模式。模型的訓(xùn)練過程中使用了ReLu激活函數(shù)來避免梯度消失這一深度學(xué)習(xí)領(lǐng)域中的棘手問題。我們設(shè)計了一些實驗來驗證我們的方法，結(jié)果顯示，結(jié)合了超聲波和地電波信號的CNN模型擁有較好的監(jiān)測性能和運行效率。

[1]REN M，DONG M，REN Z，et al.Transient earth voltage measurement in PD detection of artificial defect models in SF6[J].IEEE Transactions on Plasma Science，2012，40（8）：2002-2008.

[2]LIUJ，WANGH，XUET，etal.Applicationofon-linedetection technology in shanghai power crid[C]//International Industrial Informatics&Computer Engineering Conference.Atlantis Press，2015：4.

[3]馬輝，王玉華，劉朋朋，等.基于小波神經(jīng)網(wǎng)絡(luò)的單相三電平逆變器諧波檢測[J].節(jié)能技術(shù)，2012，30（6）：516-520.MA Hui，WANG Yuhua，LIU Pengpeng，et al.Wavelet neural network for single phase three level inverter harmonic detection[J].Energy Conservation Technology，2012，30（6）：516-520.

[4]MULROY P，GILDERT I，HURTADO A.Continuous online monitoring of PD activity in the medium voltage distribution network[C]//Electricity Distribution（CIRED 2013）22nd International Conference and Exhibition on.IET，2013.

[5]趙明，孫平.基于Elman神經(jīng)網(wǎng)絡(luò)空預(yù)器積灰監(jiān)測的研究[J].節(jié)能技術(shù)，2016，34（2）：165-168.ZHAO Ming，SUN Ping.Research on air pre-heater fouling monitoring based on the Elman neural network[J].EnergyConservation Technology，2016，34（2）：165-168.

[6]VLASE S，DRTA M，POPESCU S，et al.Local monitoring system of the permissible temperature for the medium voltage metal-enclosed switchgear and control gear[C]//2010 3rd International Symposium on Electricaland Electronics Engineering（ISEEE），IEEE，2010.

[7]TAI I S，WING Y K，CHIU H K.Application of condition monitoring techniques in managing the 11 kV switchgear in HK electric[C]//Power and Energy Engineering Conference（APPEEC），2013 IEEE PES Asia-Pacific，IEEE，2013.

[8]KUO C，CHANG H.On-line and long-term monitoring and diagnosis system for insulation on switchgear devices by wireless communication technique[C]//2012 International Conference on， Condition Monitoring and Diagnosis（CMD），IEEE，2012.

[9]YAO M.The application of temporary earth voltage（TEV）measurement in the online monitoring of the partial discharge of HV switch cabinet[C]//2010 China International Conference on，IEEEE lectricity Distribution（CICED），2010.

[10]于波，李新成，白亞為.高壓中置式開關(guān)柜內(nèi)定相安全擋板工器具的研制[J].陜西電力，2012，40（12）：94-97.YU Bo，LI Xincheng，BAIYawei.Developmentof phasing baffle tools for builtin high voltage switchgear[J]Shaanxi Electric Power，2012，40（12）：94-97.

[11]SCHMIDT E M，KIM Y E.Learning emotion-based acoustic features with deep belief networks[C]//2011 IEEE Workshop onApplications of Signal Processing to Audio and Acoustics（WASPAA），IEEE，2011.

[12]DAHL G E，YU D，DENG L，et al.Large vocabulary continuousspeechrecognitionwithcontext-dependentDBNHMMs [C]//2011 IEEE InternationalConferenceon，Acoustics，Speech and SignalProcessing（ICASSP），IEEE，2011.

[13]牛博，吳經(jīng)鋒，楊博，等.基于UHF的GIS局部放電源定位研究[J].陜西電力，2016，44（2）：48-52.NIU Bo，WU Jingfeng，YANG Bo，et al.Positioning research of GIS partial discharge source based on UHF[J].Shaanxi Electric Power，2016，44（2）：48-52.

[14]DAHL G E，YU D，DENG L，et al.Large vocabulary continuous speech recognition with context-dependent DBN-HMMs[C]//2011 IEEE International Conference on，Acoustics，Speech and SignalProcessing（ICASSP），IEEE，2011.

[15]黃超，萬鍶錦，郭镥.基于PLS——SVM的開關(guān)柜局部放電檢測方法[J].電網(wǎng)與清潔能源，2016，32（9）：62-66.HUANG Chao，WAN Sijin，GUO Lu.Switchgear partial discharge detection method based on PLS-SVM[J].Power System and Clean Energy，2016，32（9）：62-66.

[16]鄭建康，鄭雷，孫浩杰，等.內(nèi)置式開關(guān)柜絕緣狀態(tài)監(jiān)測智能裝置的研究[J].陜西電力，2016，44（4）：46-50.ZHENG Jiankang，ZHENG Lei，SUN Haojie，et al.Study on buildin smart device for insulation condition monitoring of metalclad switchgear[J].Shaanxi Electric Power，2016，44（4）：46-50.

[17]肖永山，王維慶，霍曉萍.基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電場風(fēng)速時間序列預(yù)測研究[J].節(jié)能技術(shù)，2007，25（2）：106-108.XIAO Yongshan，WANG Weiqing，HUO Xiaoping.Study on the time-series wind speed forecasting of the wind farm based on neuralnetworks[J].Energy Conservation Technology，2007，25（2）：106-108.

（編輯 徐花榮）

Switch-GearPartialDischargeDetectionBasedonConvolutionalNeuralNetwork

ZHU ZhengGuo1，HE Binbin1，HU Ran1，QIN Zhe2
（1.China Southern Power Grid Electric Power Shenzhen Power Supply Bureau Electric Power Research Center，Shenzhen 518000，Guangdong，China；2.Guangzhou Andian Measurement&Control Technology Co.，Ltd.，Guangzhou 510000，Guangdong，China）

This paper presents a method based on artificial intelligence and machine learning theory to realize the monitoring the operation status of distribution network equipment，and it also displays a system which uses the ultrasonic and ground wave data and is based on convolutional neural network to monitor the partial discharge of the switch cabinet.A concrete convolutional neural network model is designed in the paper，which after the off-line training，can be used to analyze and identify some of the real-time signal generated by the switch cabinet in actual operation，and further judge the running status of equipment.The experimental results show that in the premise of noise reduction of the error signal，the system can accurately indicates the exact situation of equipment operation，which fully demonstrates the effectiveness of the proposed method.

partial discharge；switchgear；convolutional neural network；smart grid

2016-12-07。

朱正國（1977—），男，碩士，工程師，研究方向為智能配電網(wǎng)新技術(shù)和配網(wǎng)技術(shù)監(jiān)督；

何斌斌（1983—），男，碩士，工程師，研究方向為配網(wǎng)技術(shù)；

胡 冉（1981—），男，碩士，工程師，研究方向配網(wǎng)設(shè)備檢測。

南方電網(wǎng)公司科技項目（K-SZ2014-006）。

Project Supported by the Science and Technology Program of China South Power Grid Corp（K-SZ2014-006）.

1674-3814（2017）03-0017-06

TM855

A