基于數(shù)據(jù)驅(qū)動的多模型故障診斷

摘 要：故障通常特指某個系統(tǒng)或某個運行過程的一系列相關(guān)參數(shù)喪失了規(guī)定性能的狀態(tài)，或者在特定場景下控制指標出現(xiàn)了偏差。故障不可避免，故障影響了電力系統(tǒng)正常安全穩(wěn)定運行。為此迫切需要快速識別診斷故障。本文基于數(shù)據(jù)驅(qū)動算法，詳細對比分析了多種基于機器學習主流模型故障診斷的方法，并通過實例驗證了模型的有效性以及優(yōu)越性，對模型的選擇具有重要參考意義。

關(guān)鍵詞：故障識別；機器學習；數(shù)據(jù)驅(qū)動

0 引言

被控系統(tǒng)處于非正常運行情況時，若能夠采用某種技術(shù)快速實時在線檢測故障并且能基于先進定位技術(shù)判別故障點準確位置，并盡可能做到故障的預警，便能減輕故障帶來的一系列危害，此類技術(shù)即為故障診斷技術(shù)，可以對發(fā)生故障位置進行鎖定。此類技術(shù)具有低延時、靈敏性以及準確性都對系統(tǒng)正常運行起著至關(guān)重要的作用。

目前關(guān)于故障診斷的方法主要有 k 最近鄰算法 （k-nearest neighbor, KNN）、支持向量機（support vector machine, SVM) 的循環(huán)迭代診斷方法以及與差分自回歸移動平均模型（autoregressive integrated moving average , ARIMA) 方法。此外，由于采樣數(shù)據(jù)集龐大，算法計算時間較長，對故障診斷的時效性進一步帶來挑戰(zhàn)。為此，本文采用 Kid 樹算法提速增效。

本文分別依次采用上述 3 種主流算法與 Kid 樹算法相結(jié)合，對變壓器數(shù)據(jù)集進行故障診斷。數(shù)據(jù)集將分為完整數(shù)據(jù)集、缺失數(shù)據(jù)集以及粗糙數(shù)據(jù)集（未經(jīng)數(shù)據(jù)預處理的數(shù)據(jù)集）三個場景，分別多場景下逐一比較故障診斷準確率，對算法的適用性做了詳細的分析。

1 故障診斷框架

在飛速發(fā)展的大數(shù)據(jù)時代背景下，電力采用數(shù)據(jù)也進入井噴式增長階段，緊隨而來的是龐大的計算數(shù)據(jù)量和建模復雜度。迫切需要一種可適用于冗余數(shù)據(jù)的計算方法，目前基于數(shù)據(jù)驅(qū)動的自適應故障識別預警的方法受到工程界與學術(shù)界的一直關(guān)注。其特征主要表現(xiàn)為對海量、異源、高維數(shù)據(jù)甚至非數(shù)值數(shù)據(jù)的采樣數(shù)據(jù)（視頻數(shù)據(jù)、圖像數(shù)據(jù)等）進行挖掘計算和信息處理。PMU 等高精度、高頻率、多維度的采樣數(shù)據(jù)得到廣泛的應用，故障診斷可針對采樣設(shè)備采集所得的各種不同類型數(shù)據(jù)、不同來源數(shù)據(jù)進行快速的診斷以及預警。數(shù)據(jù)包括圖像數(shù)據(jù)、視頻數(shù)據(jù)、數(shù)值數(shù)據(jù)甚至抽象數(shù)據(jù)，數(shù)據(jù)的采樣頻率不同、屬性不同、來源不同，甚至維度不同。當數(shù)據(jù)維度不一致時，需要采用相關(guān)的降維數(shù)據(jù)，將異源數(shù)據(jù)歸一化為結(jié)構(gòu)屬性一致的數(shù)據(jù)。在數(shù)據(jù)一致的基礎(chǔ)上，采用相關(guān)的挖掘算法，挖掘可以表征系統(tǒng)運行屬性特性的數(shù)據(jù)，此類數(shù)據(jù)信息可以判斷系統(tǒng)是否為正常狀態(tài)，從而實現(xiàn)達到系統(tǒng)的檢測與診斷功能，本文所提出的故障診斷的邏輯結(jié)構(gòu)框架如圖 1 所示。

圖1 數(shù)據(jù)驅(qū)動的故障診斷框架

基于數(shù)據(jù)驅(qū)動故障診斷的機理框架如圖 1 所示，可采用時間序列分析、經(jīng)驗分解的基礎(chǔ)算法處理原始數(shù)據(jù)，并同時進一步分析數(shù)據(jù)處理結(jié)果。分析過程包括基于數(shù)據(jù)特征的手動設(shè)計以及數(shù)據(jù)預處理（特征選擇、數(shù)據(jù)降維等）。最后基于構(gòu)建的模型進行數(shù)據(jù)的訓練，并基于訓練的模型輸出故障診斷結(jié)果。

2 算法理論模型

2.1 基于k-Nearest Neighbor(kNN)數(shù)據(jù)修復理論

k-Nearest Neighbor(kNN) 算法通過計算相鄰點的距離來判斷異常點。該算法主要用于尋找某類特征相似、數(shù)據(jù)接近的鄰近樣本，根據(jù)樣本計算的距離判斷是否異常。相同故障通常相關(guān)特征指標接近，為此可采用 kNN 用于相關(guān)缺失數(shù)據(jù)或者異常數(shù)據(jù)的修復。kNN 算法的理論模型如下：基于采集獲得的樣本初始數(shù)據(jù)集，通過數(shù)據(jù)預處理方式，確定缺失樣本數(shù)據(jù)集；確定待修復的測試樣本，歷史數(shù)據(jù)集中通過 kNN 法尋找與某數(shù)據(jù)其最鄰近的 k 個計算樣本數(shù)據(jù)，統(tǒng)籌計算所得的 k 個樣本數(shù) 據(jù)，針對已知的缺失數(shù)據(jù)集預估。本文為突出顯示故障發(fā)生時，其故障的不同數(shù)據(jù)相關(guān)指標間的關(guān)聯(lián)性文提出了一種以相關(guān)計算指標的負指數(shù)作為特定的某類權(quán)值，然后采用曼哈頓 -D 作為樣本間距離指標。

假設(shè)樣本數(shù)據(jù)中已有 N 組樣本歷史數(shù)據(jù)作，每一組樣本歷史數(shù)據(jù)可以表示為：

采用相關(guān)系數(shù)法對需要計算的相關(guān)特征指標進行空間距離計算，該距離可以體現(xiàn)兩類數(shù)據(jù)集數(shù)據(jù)與數(shù)據(jù)之間的空間相關(guān)性，與缺失數(shù)據(jù)的計算所得相關(guān)性越大，即為數(shù)據(jù)指標權(quán)重越小，表示所測試計算得到的樣本，更容易趨近與強關(guān)聯(lián)特征指標的計算訓練樣本。

選取 k 個最接近測試樣本的訓練樣本，計算對應特征指標的平均值作為缺失數(shù)據(jù)的估計值：

與常規(guī)方法相比較（例如線性法、預測法等），kNN 主要通過數(shù)據(jù)修補的方法，按類型逐一修補丟失的數(shù)據(jù)，甚至對于不同結(jié)構(gòu)屬性的數(shù)據(jù)，可以先將異源異構(gòu)的數(shù)據(jù)歸一化處理后進一步修補。此方法可以挖掘歸類不同數(shù)據(jù)的特征屬性，并且由于此類算法打破了對時間序列原始數(shù)據(jù)的高度依賴，具備適用于故障特征類同的數(shù)據(jù)快速變動的場景下，針對丟失數(shù)據(jù)修復以及異常數(shù)據(jù)的辨識。

2.2 基于k-d 樹的樣本快速搜索策略

隨著 PMU、RTU 等一系列高精度采樣設(shè)備在配網(wǎng)、輸電網(wǎng)中的廣泛應用，電力數(shù)據(jù)也隨之指數(shù)增長。以某省電網(wǎng)作為實力分析，其高精度的采樣設(shè)備一個月的采樣數(shù)據(jù)高達 GB 量級。若仍然采用傳統(tǒng)的方法從海量的歷史數(shù)據(jù)庫中尋找與訓練樣本數(shù)據(jù)最靠近的 n 個訓練數(shù)據(jù)，其傳統(tǒng)各類指標性能皆無法滿足實時故障檢測的要求。以曼哈頓距離計算上述相關(guān)系數(shù)，此類方法適用于采用基于 k-d 樹的樣本搜尋技術(shù)，可以實現(xiàn)缺失數(shù)據(jù)的快速修復以及缺失數(shù)據(jù)的快速識別。

每一條樣本數(shù)據(jù)設(shè)定若干個特征指標，因而傳統(tǒng)的采樣數(shù)據(jù)所得的樣本數(shù)據(jù)往往是一個高維數(shù)據(jù)空間。k-d樹是一種以分割數(shù)據(jù)空間，將空間分為 k 個子空間的運算方法，該方法通常應用于高維度的空間，進行對關(guān)鍵數(shù)據(jù)全域范圍內(nèi)的快速搜索。圖 2 以一個 k 為 3 的 3 維空間的數(shù)據(jù)集合為例，簡述 k-d 樹的結(jié)構(gòu)原理。

k-d 樹的生成過程共分為如圖 3 所示的 3 個步驟：

首先，計算樣本數(shù)據(jù)的維度方法，根據(jù)維度計算方差數(shù)值大小并判斷距離的遠近以及是否為異常數(shù)據(jù)，方差越大則表面數(shù)據(jù)分散性越好；其次，采樣 Split 進行數(shù)據(jù)維度的分割以及排序，將中間數(shù)據(jù)點作為中軸點，并且基于子空間進行數(shù)據(jù)點軸點分割；最后，判斷子樹規(guī)模是否達到預定值 k，若達到則終止，反之則循環(huán)第一步。

k-d 樹每一個樹叉網(wǎng)絡(luò)的節(jié)點都為 k 維點的二叉樹，任何子節(jié)點都可視作分割所得子空間的超平面，進一步對分割所得的空間進行無層次劃分，從而構(gòu)建可以應用在快速、高效檢索的索引結(jié)構(gòu)中。該方法可以應用在結(jié)構(gòu)化存儲，任何一個樣本數(shù)據(jù)包含 k 個特征指標，并存放在 k-d 樹的任意一個節(jié)點中。

通過圖 4 可以分析得出如下結(jié)論：通過測試方法得到準確率性能比較，在提及的方法中，基于 k-d 樹的快速搜尋法，該算法可以快速搜索附近區(qū)域范圍的樣本數(shù)值，其計算所需時長呈現(xiàn)出如下趨勢：數(shù)據(jù)容量越大，所需時間越久，但是增幅并不明顯。也就是當海量樣本的場景下，該鄰近搜索策略具有顯著優(yōu)勢。

圖4 不同搜索策略的性能對比

2.3 基于k-最鄰近和SVM的循環(huán)迭代診斷方法

支持向量機（SVM）算法的基本思想是通過核函數(shù)將線性不可分的樣本數(shù)據(jù)映射到高維特征空間，從而構(gòu)造成一個潛在線性可分的問題。單一的 SVM 僅能解決一個二分類問題，本文根據(jù)器故障之間的差異性設(shè)計了包含多個 SVM 的多分類器，實現(xiàn)對 6 類變壓器故障的準確診斷，多分類 SVM 分類器的結(jié)構(gòu)如圖 5 所示。

圖5 采用多分類器的SVM模型機理結(jié)構(gòu)

在數(shù)據(jù)丟失、數(shù)據(jù)異常的場景下，采用 kNN 方法首先進行對丟失數(shù)據(jù)的填補與校正。多分類 SVM 分類器的診斷數(shù)據(jù)必須是修復后的數(shù)據(jù)；縮小樣本空間的范圍，再縮小后的區(qū)域內(nèi)再次重新利用 kNN 進行缺失數(shù)據(jù)估計。反復迭代直至鄰近樣本的故障類型與測試樣的故障診斷結(jié)果相一致。故障診斷流程如圖 7 所示，具體包含如圖 6 所示的多個步驟：

圖6 采用多分類器的SVM模型機理結(jié)構(gòu)

如圖 6 所示，首先通過原始數(shù)據(jù)輸入，得到樣本數(shù)據(jù)集；其次基于多分類 SVM 算法進行故障診斷；接著判斷診斷結(jié)果與 k 的相鄰的訓練樣本集的故障特征是否具有一致性，若一致，跳轉(zhuǎn)至第 4 步，反之進入第 5 步；最后根據(jù)診斷結(jié)果，將修復所得的數(shù)據(jù)包括診斷結(jié)果存入歷史數(shù)據(jù)集中。

2.4 AIRMA算法

差分自回歸移動平均模型（autoregressive integrated moving average, ARIMA) 算法通常主要用于時間序列預測分析。時間序列的獲取可以通過實驗分析獲得，也可來自相關(guān)部門的提供的數(shù)據(jù)。對于所得數(shù)據(jù)，首先篩查數(shù)據(jù)是否異常，分析這些點的存在是人為導致還是其他原因。保證所獲得數(shù)據(jù)的質(zhì)量，以便用于建立合適模型。

時間序列的數(shù)據(jù)預處理包數(shù)據(jù)的異常辨識、數(shù)據(jù)的缺失填補與修復、數(shù)據(jù)的降噪與降維、數(shù)據(jù)的冗余過濾等。在數(shù)據(jù)質(zhì)量得到保障的條件下，AIRMA 算法可以精準預測，并以此作為分析依據(jù)，可以精準、及時掌握故障的預警信息，為故障預警提供保證。

圖7 數(shù)據(jù)缺失場景下的診斷方案流程

3 硬件平臺

本文設(shè)計了一套自適應診斷系統(tǒng)的硬件執(zhí)行環(huán)境由信號源裝置、故障指示器、診斷服務(wù)器 3 部分組成，具體搭建方法如下。

3.1 信號源裝置

信號源裝置連接在變壓器結(jié)構(gòu)的高壓電量輸出端，可在一組接地電阻元件的作用下，實現(xiàn)對溫度控制設(shè)備的全面協(xié)調(diào)，從而使自適應診斷系統(tǒng)的實際應用需求得到較好滿足。在單位傳輸時間內(nèi)，兩個不同的接地電阻元件分別與控制開關(guān)和信號源波段相連，前者可在感知變壓器內(nèi)部溫度變化情況的同時，對剩余自適應電流進行集中性消耗，后者主要負責對輸出的電量信號源進行精準調(diào)試，使系統(tǒng)內(nèi)部的電子傳輸環(huán)境時刻保持相對穩(wěn)定的應用狀態(tài)。信號源裝置右側(cè)集中分布著多個輸出波段結(jié)構(gòu)體，且隨著變壓器設(shè)備所承擔電壓值水平的提升，這些物理波段的振蕩行為也會逐漸趨于明顯，直至變壓器設(shè)備的內(nèi)部溫度實值達到額定量標準數(shù)值。

3.2 故障指示器

自適應診斷系統(tǒng)的故障指示器由直流型、交流型、交感變化型 3 種形式組成。其中，直流型故障指示器的連接適應性相對較弱，僅能負載直流型的變壓器應用設(shè)備，當元件內(nèi)的物理表現(xiàn)穩(wěn)定值不斷提升時，該類型設(shè)備極易出現(xiàn)熔斷變化狀態(tài)，從而加劇熱缺陷行為的表現(xiàn)強度。交流型故障指示器的連接適應性具備一定的可更改能力，但僅能負載交流型的變壓器應用設(shè)備，當元件內(nèi)的物理表現(xiàn)穩(wěn)定值不斷提升時，該類型設(shè)備則能長期保持相對穩(wěn)定的連接狀態(tài)，因此可對熱缺陷行為的表現(xiàn)強度進行一定的抑制性影響，從而為自適應診斷系統(tǒng)提供更多的可參考信息條件。

3.3 診斷服務(wù)器

在變壓器內(nèi)部過熱缺陷故障自適應診斷系統(tǒng)中診斷服務(wù)器始終以主機集群的形式存在，可聯(lián)合故障指示器，對變壓器設(shè)備的內(nèi)表面溫度值進行精準確定，再借助信號源裝置，實現(xiàn)對診斷執(zhí)行指令的判別與處理。一般情況下，客戶端主機作為診斷服務(wù)器模式的頂層執(zhí)行結(jié)構(gòu)，可根據(jù)已記錄的變壓器內(nèi)部溫度值水平，對自適應診斷權(quán)值進行設(shè)置，再借助輸入網(wǎng)絡(luò)信道，維護整個網(wǎng)絡(luò)內(nèi)的信息診斷環(huán)境，從而使得系統(tǒng)內(nèi)的待處理數(shù)據(jù)信息能夠具有較強的實用性價值。底層服務(wù)器的連接則必須完全遵照自適應診斷網(wǎng)絡(luò)的實際規(guī)劃需求，一方面記錄客戶端內(nèi)的數(shù)據(jù)傳輸需求，另一方面將未完全消耗的溫度值信息反饋至其他系統(tǒng)診斷元件中。

4 算例分析

本文歸類整理了常規(guī)的故障類型，并將故障類型根據(jù)故障性質(zhì)進行預先分類。本文收集了充足的基于精準采樣設(shè)備獲得的真實采樣數(shù)據(jù)，該數(shù)據(jù)集包括了 T1、 T2、T3 三類溫度數(shù)據(jù)，分別表示低溫低溫、中溫、高溫數(shù)據(jù)異常；局部放電、低能放電和高能放電三典型故障和正常狀態(tài) Normal(N)，并通過插值填補的方法彌補缺失數(shù)據(jù)。相關(guān)各場景下故障準確診斷率結(jié)果如表 1 所示。本文進一步采用了分層過濾的數(shù)據(jù)處理方法，將采樣所得的數(shù)據(jù)進行分層次過濾，第一層用于過濾周期窄帶干擾信號，第二層用于消除白噪聲，第三層用于抵御脈動干擾，將連續(xù)性、周期性比較高的數(shù)據(jù)進行濾波，盡可能高頻率采集數(shù)據(jù)。分層過濾抗干擾模型原理圖，如圖 8 所示。

圖8 分層干擾過濾模型原理圖

由表 1 深入分析可知，第 1 種方法采用完整的采樣完整數(shù)據(jù)集，通過 SVM 的算法，實現(xiàn)了 83.17% 的故障準確率，與預期相近；但是倘若直接采用原始數(shù)據(jù)集，未采用 SVM 的輔助，故障準確率就下降至 68.25%，此結(jié)果與預期也相一致。此外，倘若采用原始數(shù)據(jù)集，且原始數(shù)據(jù)集存在數(shù)據(jù)缺失的情況，分類正確率有了進一步明顯的下降，準確率僅為 59.09%。分析原因：當原始數(shù)據(jù)集缺失的不是關(guān)鍵數(shù)據(jù)，也就是丟失數(shù)據(jù)不包含關(guān)鍵性指標，則準確率還可以得到保障，但是缺失若為 關(guān)鍵數(shù)據(jù)，則故障診斷準確率驟降，同時包含關(guān)鍵特征屬性的數(shù)據(jù)缺失嚴重影響故障診斷的正確率。

利用的 kNN 法進行在數(shù)據(jù)缺失的場景下，對系統(tǒng)故障進行實時診斷，提供故障預警信息，此時故障診斷的正確率達到 78.64%，當數(shù)據(jù)沒有丟失時，該方法可以達到 83.17%，為此可以得出此方法適用于數(shù)據(jù)缺失的數(shù)據(jù)集場景，也就是數(shù)據(jù)丟失對故障診斷影響并不大，仍能保持第 1 類方法得到的故障診斷的高準確性。表 2 和圖 6 通過 1 個實例來進一步闡述兩種方法的差異性。

(*,12.85,3.65,2.6,0) 為一組原始樣本數(shù)據(jù)，各數(shù)值依次對應 5 個不同屬性的特征指標。其中 * 表示缺失的 A 指標。采用本文所提出的方法在歷史數(shù)據(jù)庫中搜索到最終數(shù)據(jù)樣本如表 2 所示，利用最鄰近樣本中 A2 含量平均值作為缺失數(shù)據(jù)的估計值與相對誤差。利用修復后的樣本數(shù)據(jù)進行故障診斷，結(jié)果為低溫過熱，與實際情況一致。利用 ARIMA 方法擬合該臺變壓器 A 含量的歷史數(shù)據(jù)，對缺失值進行預測，結(jié)果如圖 7 所示，估計值為68.02，基于該估計值進行故障診斷，結(jié)果為中溫過熱，診斷錯誤。

算例分析結(jié)果表明，本文所提出的故障診斷方法能夠?qū)崿F(xiàn)在缺失數(shù)據(jù)場景下的樣本數(shù)據(jù)實時故障診斷，適用于大數(shù)據(jù)時代數(shù)據(jù)缺失常態(tài)化的場景，實際場景往往會因為通信中斷、采樣設(shè)備故障等原因發(fā)生數(shù)據(jù)的缺失。本文所提方法與與傳統(tǒng)過度擬合預測等方法相比，在數(shù)據(jù)丟失的場景下本文的方法具有明顯的優(yōu)勢。此外，本文所提方法的診斷速度也能滿足要求。最后需要指出：本文所提出的方法也存在場景的局限性同，該方法僅適用于缺失數(shù)據(jù)的修復，但是不能辨識異常數(shù)據(jù)。變壓器內(nèi)部過熱缺陷故障自適應診斷系統(tǒng)可在信號源裝置、故障指示器、診斷服務(wù)器 3 類硬件設(shè)備結(jié)構(gòu)的作用下，針對變壓器內(nèi)部的過熱原因進行準確分析，再通過變壓器負荷量計算的方式，實現(xiàn)對診斷信息存儲數(shù)據(jù)庫的平衡與穩(wěn)定。實驗結(jié)果顯示，變壓器直阻均值量與電流攀升量數(shù)值的下降，能夠較好抑制變壓器設(shè)備內(nèi)部的溫升變化行為，實現(xiàn)對電力消耗資源的合理保護。

5 結(jié)束語

本文根據(jù)數(shù)據(jù)驅(qū)動故障診斷機理，提出了一種頻繁發(fā)生數(shù)據(jù)丟失或者數(shù)據(jù)異常的場景下的原始樣本數(shù)據(jù)的實時的故障診斷方法。此環(huán)節(jié)中樣本數(shù)據(jù)質(zhì)量是最為關(guān)鍵的元素。為此為提高數(shù)據(jù)樣本的質(zhì)量，本文采用了相關(guān)數(shù)據(jù)修復方法，確保數(shù)據(jù)質(zhì)量可靠。針對在線監(jiān)測數(shù)據(jù)缺失問題，提出了一種基于缺失數(shù)據(jù)修復的在線故障診斷方法，所提出的方法在數(shù)據(jù)缺失場景下實現(xiàn)高準確率的故障在線診斷，適應當今大數(shù)據(jù)背景下數(shù)據(jù)異常頻發(fā)的情況。與傳統(tǒng)方法相比，本文所提出的方法在關(guān)鍵指標缺失和故障快速發(fā)展的情況下仍然具有較高的診斷準確率。

本文同時提出的新型變壓器內(nèi)部過熱缺陷故障自適應診斷系統(tǒng)，在信號源裝置、故障指示器等多個硬件設(shè)備結(jié)構(gòu)的支持下，對設(shè)備過熱原因進行準確分析，在聯(lián)合變壓器負荷量數(shù)值，實現(xiàn)診斷信息存儲數(shù)據(jù)庫軟件的實時連接。自適應診斷系統(tǒng)的應用，實現(xiàn)了對電流攀升量數(shù)值上升趨勢的較好抑制，能夠較好維持變壓器設(shè)備內(nèi)部的平衡性溫度變化狀態(tài)。

參考文獻：

[1] BEARD R V. Failure accommodation in linear systems through self-reorganization[R]. Report MVT-71-1, Man Vehicle Lab,1971.

[2] ALI A M, ZHANG Q. An innovations approach to fault diagnosis in linear time-varying descriptor systems[C].Control Conference. IEEE, 2014.

[3] 楊秋玉,阮江軍,黃道春.基于改進Hilbert-Huang變換和支持向量機的高壓斷路器觸頭超程狀態(tài)識別[J].電力自動化設(shè)備 ,2019,39(1):198-204.

[4] 劉琳.基于改進粒子群優(yōu)化算法的微電網(wǎng)經(jīng)濟調(diào)度研究[J].上海電氣技術(shù),2020,13(2):5-9.

[5] 孫冰瑩,楊水麗,劉宗歧,等.國內(nèi)外兆瓦級儲能調(diào)頻示范應用現(xiàn)狀分析與啟示[J].電力系統(tǒng)自動化,2017,41(11):8-16.

[6] 魏承志,陳晶,涂春鳴,等.基于儲能裝置與靜止無功發(fā)生器協(xié)同控制策略的微網(wǎng)電壓波動抑制方法[J].電網(wǎng)技術(shù),2012,36(11):18-24.

[7] 張興科,魏朝陽,李征,等.包含高滲透率分布式電源的母線負荷區(qū)間預測[J].電網(wǎng)與清潔能源,2020,36(12):101-106.

[8] 黃維和,韓景寬,王玉生,等.我國能源安全戰(zhàn)略與對策探討[J].中國工程科學,2021(2):1-6.

(注：本文轉(zhuǎn)載自《電子產(chǎn)品世界》雜志2022年11月期)