摘要：在詳細分析“雙碳”背景下配電網關鍵特征演化的基礎上，對配電網智能感知與故障診斷存在的挑戰進行了梳理，給出了本文的研究背景與意義。隨后對配電網智能感知的技術與需求進行了分門別類梳理，對存在的問題以及借助人工智能技術實現智能感知的方法進行了歸納。接著對配電網故障診斷與故障定位的難點進行了分析，介紹了人工智能在配電網故障診斷與故障定位中的應用研究進展。為進一步分析智能感知與故障診斷的相輔相成以及人工智能在其中的作用，本文以10kV架空線路局部放電故障檢測為例，詳細分析了人工智能在配電網智能感知中的作用以及不同人工智能算法進行局部放電故障檢測時的性能對比。最后，對人工智能在配電網智能感知與故障診斷中的應用進行了評述。

　　關鍵詞：配電網;智能感知;故障診斷;故障定位;人工智能;局部放電

　　引言配電網作為聯系能源生產與消費的關鍵樞紐，是構建清潔低碳安全高效的能源體系、實施可再生能源替代、構建以新能源為主的新型電力系統、服務國家實現“雙碳”目標的基礎平臺。在“雙碳”目標下，配電網呈現出高滲透可再生能源、高比例電力電子設備、高增長電力負荷需求等特征，未來配電網的關鍵特性將發生深刻變化，需要通過配電網智能感知提供全景信息支撐、通過故障診斷與故障定位為安全穩定運行保駕護航。

　　配電網感知是對配電網的一二次設備及關聯的環境、設施、人員等對象的狀態參數等屬性的量測，存在設備數量龐大、業務種類繁多、通信環境惡劣、部分設備無法遠程量測等問題，嚴重影響配電網全景精確感知。基于感知數據的配電網故障診斷則存在數據規模龐大、故障機理復雜、干擾信號多樣等問題帶來的挑戰。配電網的智能感知與故障診斷相輔相成。

　　電力論文范例：配電網的同期線損管理及降損對策

　　http://m.seolinyi.cn/lwfw/dzfw/35797.html

　　配電網智能感知可以為故障診斷與故障定位提供更加全面、準確、及時的運行狀態數據與未來趨勢數據，使得配電網故障診斷的方法與手段更加多樣、故障診斷的精度得以提升。而故障診斷則為配電網智能感知提供了建設需求與發展方向，正是配電網故障的機理復雜、信號幅值小、干擾信號多等問題，促使了配電網感知設備在分布式協同、高頻采集、人工智能消除擾動信號等方向的發展。

　　因此，在配電網故障診斷平臺建設時，通常也會或多或少的含有配電網智能感知的建設內容。有鑒于此，本文將人工智能在配電網智能感知與故障診斷中的應用放在一起進行評述，為基于人工智能技術的配電網故障診斷平臺建設提供參考。

　　以深度學習為代表的新一代人工智能技術在數據處理特別是特征自學習、強非線性擬合、端到端建模等方面具有較強的優勢[1]，同時，新一代信息技術特別是云計算、大數據處理等技術的發展，促使機器學習和深度學習等人工智能技術具備了強大的大規模數據處理能力，使得新一代人工智能技術可以更好的契合新態勢下配電網智能感知與故障診斷平臺建設所需的信息處理方法：

　　1)配電網智能感知平臺建設為故障診斷與故障定位提供了大量數據，而基于分布式計算和云平臺的新一代人工智能技術具有強大的大數據分析和挖掘能力[2]，可以很好的應對大規模配電網數據處理的挑戰;

　　2)大量分布式新能源、儲能和電力電子裝備的廣泛接入，使得電力系統故障的隨機性和非線性性大大增強[3][4]，而以深度學習為典型代表的新一代人工智能技術具備強大的非線性擬合與特征表達能力，可以從多源異構或非結構化的數據中提取出配電網故障的判別信息，實現更加精準的故障診斷和故障定位;

　　3)分布式新能源廣泛接入下的配電網，其電力系統建模更加困難，基于物理模型的配電網感知與故障診斷方法誤差偏大。

　　而新一代人工智能技術具備的端到端學習模式和端邊云協同計算架構，可以更好的處理局部與全局之間的信息共享，避免誤差積累，有利于提升配電網故障診斷與故障定位的精度[5]。雖然新一代人工智能技術在電力系統調控、故障診斷等多個方面獲得了應用[6][7]，然而，現有的電力系統人工智能應用主要面向中高壓傳輸網絡，對中低壓配電網中人工智能應用的研究相對滯后。

　　有鑒于此，廣西電網有限責任公司電力科學研究院于2020年月啟動了基于人工智能的配電網智能感知與診斷平臺的研發與建設工作，從配電線路運行故障診斷、配電網態勢推演、配電網感知與故障診斷、配電網邊緣側數據處理與智能感知設備、配電網評估與主動防御、配電網設備智能巡檢與管控等層面來推動新一代人工智能技術在配電網中的應用，進一步提升配電網精細化管理水平。本文作為該項目研究成果之一，旨在通過研究新一代人工智能的技術體系與特點，分析在配電網智能感知與故障診斷平臺建設中的應用方法，為基于人工智能的配電網智能感知與故障診斷平臺建設提供參考。

　　1人工智能在配電網智能感知中的應用

　　1.1配電網智能感知的需求

　　配電網智能感知是對與配電網有關的環境、設備、設施等對象的資產、狀態、行為等屬性的精確量測與趨勢預估，是實現配電網全息全景感知的基礎。從感知的對象類別方面，可以分為源、網、荷、儲和其他等類別[8]。其中，源是指配電網的電源側，主要以分布式的風力發電機組和光伏電站等新能源生產單元為主，側重于感知并網逆變器、發電單元等的運行狀態以及溫度、濕度、風速、風向等局部氣象數據，用于支撐發電設備的狀態監測、預測性維護和提升發電效率等;網是指配電網的網絡側，主要以中低壓架空線路、變電站、配電房等設施的設備狀態監測為主，用于配電網運行狀態監測、故障診斷、故障定位與運行維護等。

　　荷是指配電網的負荷側，主要以用能監測、能效監測等為主，用于分析負荷特性、用能習慣和需求響應等。儲是指配電網中的儲能，主要用于監測儲能運行狀態及剩余壽命、損耗等，用于儲能優化調度以及源網荷儲優化協調控制等。

　　其他的感知需求還包括對參與配電網運行維護的人員進行視頻監控、安全監測等。從感知的傳感類型方面，可以分為電氣量、狀態量、環境量和其他量，所用的傳感器及感知數據格式各不相同。電氣量主要利用電磁傳感器等傳感設備獲取電力設備的電流、電壓等數據。狀態量主要是對開關柜、變壓器等設備的運行狀態監測數據。

　　環境量主要是利用本地部署的微氣象傳感裝置獲取局部范圍內的溫度、濕度、光照強度等數據。其他量包括利用攝像頭、操作日志等來獲取的參與配電網運行的行為人的動作行為等數據。從感知數據的格式方面，可以分為數值數據、文本數據、振動數據、圖像視頻數據、混合數據以及多源異構數據等。復雜設備的智能感知通常需要用到多種傳感器從不同角度、不同層面采集多種類型的多源異構數據。例如，對變壓器的智能感知，不僅需要對其電氣參數如電流、電壓等進行感知，還需要對其油色譜、氣體成分、紅外圖像等進行感知，從而更好的對變壓器狀態與故障進行分析。

　　1.2配電網智能感知技術

　　隨著大量分布式新能源、電動汽車和電力電子器件等的接入，配電網的關鍵特征發生了深刻變化，需要借助更多智能傳感與量測的新機理、新技術來支撐配電網全景感知。配電網中使用的傳感器，通常由敏感元件、轉換元件、處理單元、通信單元和供電單元等構成。其中，敏感元件主要是感應設備的“電、聲、光、化、熱”等[89]特征信息的材料或器件，轉換元件用于將敏感元件狀態信息轉化成可識別的電平信號，并通過處理單元進行變換、計算或處理后生成感知結果。

　　現有的基于電氣量感知、聲振感知、光電感知、化學感知和熱學感知等技術的傳感器產品，已可實現對配電網設備的基本屬性、運行狀態、環境狀況等的感知以及對油中溶解氣體、電容型設備介損、紅外熱成像和紫外檢測等，為配電網智能感知與故障診斷提供了基礎數據采集支撐。

　　1.3配電網智能感知存在的問題

　　隨著新型傳感材料、微納米傳感器設計加工等技術的不斷進步，磁阻傳感、光纖傳感、MEMS等技術的快速發展，電力智能感知設備獲得了極大發展。然而，當前配電網智能感知還存在一些問題：

　　1)部分老舊設備不支持遙測和遙控，仍需要人工巡檢來讀取設備表計讀數;

　　2)部分待量測的參量變化小，對數據采集的精度和采集頻率要求高;

　　3)傳感設備只能獲取到歷史和當前的量測值，沒有未來的趨勢值;

　　4)部分設備結構復雜，感知數據不夠全面;

　　5)部分傳感器質量不可靠、傳感信息與感知狀態的關系不清晰。隨著人工智能技術的發展，利用計算機視覺、機器學習等人工智能技術來解決配電網智能感知中存在的問題，獲得了越來越多的重視和研究。

　　1.4人工智能在配電網智能感知中的應用

　　以回歸算法與分類算法為典型代表的機器學習是人工智能技術中用于解決配電網智能感知問題最主要也是研究最多的分支之一。回歸類算法主要用于連續值或概率區間預測，廣泛用于發電功率預測、負荷預測等問題。分類算法主要用于離散類別預測，可用于故障檢測、分類識別等問題。在基于計算機視覺的電力表計讀數識別、電力設備圖像分類與識別、電力工人行為安全監測等問題中都不同程度的使用了分類算法。作為分類算法與回歸算法應用于配電網的典型代表，本文分別分析了基于計算機視覺的電力表計讀數識別和基于回歸算法的負荷預測與新能源發電功率預測。

　　1.4.1基于計算機視覺的智能感知

　　配電網狀態感知的核心是配變電設備現場量測數據，而現有的配電網感知體系存在信息采集點布局欠完備、配電設備型號多樣且部分設備無法遠程讀取等問題，導致配電網狀態感知與評估、配電網故障檢測與故障分析的難度增大。因此，有必要借助人工智能技術特別是計算機視覺技術來提升配電網配變電設備的智能感知水平。

　　電力設備表計識別是一個計算機視覺技術用于配電網狀態感知的典型應用：考慮到成本與電磁干擾等問題，配電網中大量使用了結構簡單的指針式壓力表、電流表、油溫表等電力儀器[10]，為減少人力資源浪費和提升巡檢頻率，近年來越來越多的無人巡檢機器人被用來自動化的讀取和諧電力儀表的讀數，提升變電站的自動化水平[11,12]。變電站巡檢機器人的關鍵挑戰之一是基于人工智能技術來識別巡檢拍攝圖像中的電力儀表的指針讀數。文獻[10]基于FasterRCNN目標檢測和Net圖像分割技術來進行指針式儀表的讀數識別，精度達到了4.12。

　　文獻[13]則是通過將FasterRCNN網絡與自適應Canny算法等進行結合的方式來實現電力機房巡檢機器人指針式儀表的讀數識別。文獻[14]通過利用灰度化、中值濾波、二值化、提取感興趣區域等圖像處理技術，經過一系列的圖像處理步驟，在實驗室環境下對種不同狀態電力儀表的讀數識別準確率達到了以上。除了電力表計讀數識別，以深度學習和圖像處理技術為基礎的計算機視覺技術還廣泛用于配電網中的配電房、變電站等的無人巡檢機器人、電力架空線路的無人機巡檢以及電力工人的行為安全監測中，并取得了較好的效果。

　　1.4.2基于回歸預測的智能感知

　　負荷預測和新能源發電功率預測是支撐配電網安全穩定經濟運行的基礎功能之一，為配電網的狀態估計與運行優化提供基礎數據支撐。負荷預測與新能源發電功率預測都屬于回歸預測問題的范疇，然而，其最主要的影響因素分別是社會群體行為與自然環境變化。因此，負荷預測和新能源發電功率預測雖然可以共用一些回歸預測算法，但是又在數據預處理、特征工程等方面存在很大差異。

　　配電網智能感知中涉及的負荷預測以超短期預測為主，其預測算法可以大致分為基于傳統機器學習方法的負荷預測和基于深度學習方法的負荷預測兩種：基于傳統機器學習方法的負荷預測主要側重于探索負荷數據的分布特性和變化規律，根據領域知識和數據分布來構建特征集，再借助梯度提升決策樹或其他回歸算法來實現負荷預測[14];由于深度學習方法具有很強的特征自提取能力，因此基于深度學習方法的負荷預測主要側重于研究深度學習算法的網絡結構、模型參數以及不同的模型組合等。常用于負荷預測的深度學習算法有STM[15]、NN1516]、RU[16]和esNet[17]等。

　　相較于負荷主要受社會群體行為的影響，新能源發電功率則主要受光照強度、溫度、濕度、風速、風向等氣候環境以及季節、設備特性等的影響，具有更強的自相關性。因此，新能源發電功率預測可以采用基于相似日的預測方法：從歷史數據中找到與待預測時間的氣候環境最接近的相似日，以其發電曲線為基礎來進行預測[1819]。此外，新能源發電功率預測本質上是回歸問題，因此可以借助STM、RU等深度學習算法，以氣象數據和歷史發電數據作為輸入來進行預測[2022]。

　　2人工智能在配電網故障診斷與故障定位中的應用

　　2.1故障診斷與故障定位的難點配電網智能感知與故障診斷平臺建設，在信息、機理與建模方面都存在著諸多難點：

　　1)在信息方面，配電網智能感知需要從數量龐大且類型繁多的電力儀表中采集狀態數據和故障數據，由于環境和數據采集需求不同，可能還需要采集紅外熱成像儀、巡檢機器人等設備拍攝的圖片數據、錄波儀等采集的故障數據等，數據類型多樣且規模龐大;

　　2)在機理方面，影響電力系統運行的因素眾多且相互耦合，環境與外部因素存在隨機性和不確定性，導致配電網運行狀態呈現出非線性動態演化的特性，使得配電網機理復雜多變;

　　3)在建模方面，配電網感知的數據規模龐大且多樣，配電網機理復雜且特性多變，導致配電網建模難度大、模型精度不夠且模型參數難以求解，使得配電網智能感知與故障診斷變得更加困難。新一代人工智能技術的多源異構數據處理、不確定性數據處理與數據驅動建模的能力可以很好的匹配解決配電網智能感知與故障診斷難點的需求：

　　1)多源異構與大規模數據處理能力。以深度學習為典型代表的新一代人工智能技術在發展過程中非常重視大規模數據處理能力和分布式計算架構的研究，具備了快速挖掘大規模異構數據的能力;

　　2)不確定性數據處理能力。新一代人工智能技術利用無監督學習、半監督學習、自動特征提取等技術，可以處理復雜且不確定性強的問題。基于數據驅動的機器學習模型，可以充分利用新一代人工智能技術非線性擬合能力強的優勢，將配電網智能感知與故障診斷中的不確定性科學合理的表征出來錯誤未找到引用源。，從而提升故障診斷與故障定位的精度;

　　3)數據驅動建模能力。新一代人工智能技術基于機器學習、深度學習、強化學習等技術，可以實現基于數據驅動的配電網建模或者數據與機理融合的配電網建模，并在此基礎上實現參數估計。

　　2.2故障診斷

　　配電網的故障診斷是利用CADA、AMS和故障錄波系統等采集的數據，識別出故障儀器和故障類型等，其核心問題是識別出故障元件[23]。隨著配電網建設發展，配電網規模越來越大，結構與運行特性也越來越復雜，現有依賴人工判定和經驗知識的方法愈加不足。

　　此外，配電網故障數據包含大量設備資產、運行狀態、錄波數據、圖像數據等多源異構數據，傳統方法難以快速分析出故障設備與故障類型。而深度學習方法不僅可以從大量數據中自動提取潛在分布特性，而且可以將學到的特征融入模型建立過程，解決依賴經驗知識人工提取特征的不足。同時，深度學習方法還能有效克服傳統方法對經驗知識的依賴和對多源異構數據處理的難題，具有更好的通用性和自適應性。

　　人工智能在配電網故障診斷中的應用可以大致分為基于圖像數據的故障診斷與基于非圖像數據的故障診斷兩種。在基于圖像數據的故障診斷方面，主要借助深度學習對圖像數據強大的特征自提取與深層學習能力來識別圖像數據中的故障類型。文獻[24]將深度學習算法用于輸電線路航拍圖像的故障診斷，并取得了較好的效果。

　　文獻[25]則將深度學習算法用于基于紅外熱成像儀拍攝的圖像的故障診斷中，實現了對異常發熱區的識別和故障類型的識別。在基于非圖像數據的故障診斷方面，文獻[26]提出了一種基于線性判別分析的特征提取方法來構建基于分步機器學習的變壓器故障診斷模型，以16組油中溶解氣體體積分數比值作為輸入數據，取得了7.27的準確率。

　　3案例分析

　　電力傳輸線路局部放電(partialdischarge)故障是電力系統最常見的故障之一，線路局部放電故障無法得到及時檢測與解決，將會造成持續的電力損耗，并進一步引起線路發熱、火災甚至停電等更為嚴重的故障。本章以人工智能技術在kV中壓配電網架空線路局部放電故障檢測中的應用為例，分析其檢測方法、感知方法、數據分析算法、取得的效果和存在的問題等，為人工智能技術在配電網智能感知與故障診斷平臺中的應用提供參考。

　　3.1基于人工智能的架空線路局部放電檢測方法

　　電力線路局部放電故障存在信號微弱容易淹沒在環境噪音中且采集傳輸過程中存在衰減損耗等問題，對局部放電故障檢測產生了較大的影響。深度學習算法的快速發展使利用數據分析算法從包含環境噪音的數據中提取微弱的局部放電故障特征，實現局部放電故障檢測成為了可能。

　　因此產生了利用線路高頻三相電壓信號和深度學習算法來檢測局部放電故障的檢測方法。該方法用新型高頻傳感器采集架空線路三相電壓信號，借助深度學習算法挖掘出局部放電故障下的故障模式，從而檢測出局部放電故障。相較于現有的方法，有著靈敏度高、檢測能力強、部署方便等優勢，有望成為局部放電故障檢測的主流方法。

　　3.2架空線路局部放電信號的感知技術

　　電力線路發生局部放電的過程中，通常會伴隨著電磁波、電流脈沖、超聲波、熱和光等多種物理現象以及釋放氣體等化學現象，因此局部放電信號感知方法可以使用電容耦合法、超高頻法、溫度檢測法、超聲波法、電磁耦合法等方法。

　　3.3架空線路局部放電故障檢測算法

　　電磁耦合法采集的架空線路三相電壓的典型高頻信號。局部放電故障嚴重程度不一樣時，采集的局部放電故障情況下的電壓信號的故障特性也存在很大的差異，無法人工簡單識別，因此需要借助機器學習算法來從高頻電壓數據中挖掘出故障模式，實現局部放電故障檢測。

　　4人工智能用于配電網智能感知與故障診斷的評述

　　雖然新一代人工智能技術在配電網智能感知與故障診斷中的應用方面開展了大量的研究并取得了不錯的效果，然而，要在配電網智能感知與故障診斷平臺建設中獲得應用與推廣，仍面臨一些亟需解決的挑戰，特別是小樣本問題與模型泛化性問題。

　　4.1小樣本問題

　　隨著人工智能技術的快速發展，數據資產的重要性獲得了越來越多的認可，配電網升級建設中對量測數據的采集也愈加重視，配電網數據采集覆蓋的設備種類、數據屬性和采集頻率等都獲得了極大提升。與此同時，隨著云平臺的應用，配電網數據的匯總和整合也越來越受重視，配電網設備資產數據、狀態感知數據和故障數據等的來源更加多樣化、數據規模也更加龐大。然而，現有的配電網數據價值密度仍然偏低，故障樣本的數量和種類還不夠充分，仍然存在故障樣本不足的情況。

　　以一次設備故障為例，根據文獻[34]，2018年國家電網20kV及以上電壓等級的一次設備共發生故障360次，但絕大多數為線路的單相接地故障(981次)和兩相短路(62次)，其他故障發生次數不足次，線路斷線及接地故障、母線短路故障、變壓器套管故障等的發生次數不足次。用這些數據來訓練故障檢測與故障定位的機器學習模型，將不可避免的遭遇某些故障樣本數量太少即小樣本問題。

　　另一方面，配電網中一些新出現的設備類型或設備型號在發生故障時，其特性也可能跟之前采集的其他設備的故障數據特征不一致，從而影響故障檢測精度。故障檢測與故障定位的小樣本問題的改善，可以從生成式對抗網絡來提升數據質量著手：在負荷數據方面，文獻[35]提出了一種基于生成式對抗網絡的空間負荷預測方法，可以基于十分有限的歷史負荷數據生成數量充足且兼顧時空分布規律的負荷數據來實現數據增強。

　　在故障數據方面，文獻[36]提出了采用改進輔助分類的生成式對抗網絡來生成符合真實風機軸承故障樣本概率分布特性的故障類型數據。利用生成式對抗網絡來提升數據質量的方式，不僅代價小，而且還可以進一步提升現有數據的價值以及融入領域專家的經驗知識。缺點是數據質量和故障樣本數量的提升幅度有限。

　　近年來，隨著數字孿生技術的發展，通過構建數字孿生模型產生的大量仿真數據來擴充樣本數量獲得了研究者的關注：借助數字孿生技術構建出物理實體的模型，通過機器學習方法從物理實體中學習模型的仿真參數，從而實現對物理實體的高精度仿真，進而實現借助數字孿生技術來生成不同運行條件、不同運行狀況、不同故障程度的樣本數據，從而可以更好的建立故障檢測的機器學習模型。

　　4.2模型泛化性問題

　　近年來，人工智能算法取得了很大的發展，在諸如圖像目標檢測、目標識別、目標計數等任務上的性能大幅提升。然而，人工智能算法的模型泛化性方面還存在一些問題：在實際生產或生活中，環境更為復雜多變，采集的數據中可能會存在更多的干擾信息，有可能會讓人工智能模型出現嚴重的誤判或出乎意料的差錯，從而造成嚴重的后果。

　　以配電網中配變臺區負荷預測為例，一些無法預料的特殊社會事件諸如地質災害、突發性群體事件等，可能會使得負荷特性發生無法預料的突變，導致負荷預測的誤差遠超預期，從而對依賴于負荷預測的配電網經濟調度算法造成嚴重影響。模型的泛化性問題可以從三個方面來解決：利用生成式對抗網絡來提升訓練數據的質量和多樣性;利用遷移學習和集成學習等技術來提升模型的泛化能力和魯棒性;從業務流程角度，增加對極端情況的應對措施，削弱極端突發情況的影響。

　　5結語

　　隨著物聯網、大數據、人工智能等技術的快速發展和國家“雙碳”戰略的推進，人工智能在以新能源為主體的新型電力系統的構建中承擔的作用也越來越大，有必要對人工智能在配電網智能感知與故障診斷中的應用情況進行梳理和評述，為面向新型電力系統構建的配電網建設提供參考。

　　本文以廣西電網有限責任公司電力科學研究院的配電網智能感知與故障診斷平臺建設的現實需求為出發點，分析了國家“雙碳”背景下新型電力系統的配電網關鍵特征演化，對配電網智能感知的技術與需求進行了梳理，對新一代人工智能技術用于配電網感知進行了歸納。接著介紹了配電網故障診斷與故障定位的難點以及研究進展，并以基于人工智能的10kV架空線路局部放電故障檢測為例，闡述了人工智能用于配電網感知與故障診斷的方法、作用與效果。最后，對人工智能技術應用于配電網智能感知與故障診斷中的小樣本和模型泛化性問題做了探討。

　　參考文獻

　　[1]和敬涵羅國敏程夢曉等新一代人工智能在電力系統故障分析及定位中的研究綜述J].中國電機工程學報,202040(17):55065516.EJinhanLUOGuominCHENMenxiaotalAresearchreviewonapplicationofartificialintelligenceinpowersystemfaultanalysisandlocation[J].ProceedingsoftheCSEE,2020,40(17):55065516.

　　[2]ENGIOY.LearningdeeparchitecturesforAI[J].FoundationsandTrendsinMachineLearning,2009,2(1):1127.

　　[3],BAJWAWU.Learningthenonlineargeometryofhighdimensionaldata:modelsandalgorithms[J].IEEETransactionsonSignalProcessing,2015,63(23):62296244.

　　[4]ECUNY,ENGIOY,HINTONG.Deeplearning[J]Nature,2015,521(7553):436444.

　　[5]ANGQQ,LEBLONDS,AGGARWALR,etal.NewANNmethodformultiterminalHVDCprotectionrelaying[J].ElectricPowerSystemsResearch,2017,148:192201.

　　[6]戴彥,王劉旺,李媛等.新一代人工智能在智能電網中的應用研究綜述J].電力建設,2018,39(10):111.

　　作者：俞小勇，秦麗文，桂海濤，歐世鋒，吳麗芳