一种基于物联网的配电自动化监测系统的制作方法

1.本发明属于涉及配电自动化监测技术领域，具体是一种基于物联网的配电自动化监测系统。


背景技术：

2.配电系统是现代电力系统中的重要组成部分，它负责将电能从电源输送到各个用户或负荷点；负荷开关在配电网中通常采用树形结构的布局。在配电网中，负荷开关可以被组织成一个树状结构，其中根节点是配电站或变电站，分支节点是各个区域的主要负荷开关，叶节点则表示具体的负荷点或用户。
3.通过这种树形结构，配电网可以将电力从高压侧逐级分配到低压侧，并根据不同区域的需求进行灵活控制。树形结构的负荷开关布局可以实现对不同区域的电力供应的独立控制和管理。
4.然而，目前的配电自动化监测系统在负荷开关状态监测方面存在一些不足之处。传统的监测方法主要依赖于人工巡检或定期抽样检测，这种方法效率低下且易受人为因素影响。同时，由于电网中的异常状态通常是不经常发生的，因此在传统方法中，对所有区域进行相同频率的检测会造成资源的浪费和算力负荷的增加；
5.为此，本发明提出一种基于物联网的配电自动化监测系统。


技术实现要素：

6.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于物联网的配电自动化监测系统，该系统智能监测负荷开关的状态，提高电网安全性的同时，降低了神经网络模型算力负荷。
7.为实现上述目的，根据本发明的第一方面的实施例提出一种基于物联网的配电自动化监测系统，包括配电网信息收集模块、历史配电数据收集模块、异常判断模型训练模块以及异常监测定位模块；其中，各个模块之间通过有线和/或无线网络方式连接；
8.其中，所述配电网信息收集模块主要用于预先收集配电网中的负荷开关层级数据以及每个负荷开关对应的区域划分数据；
9.其中，所述负荷开关层级数据为配电网中所有负荷开关所组成的树形图结构；
10.负荷开关层级数据中按从上到下的顺序，将每一个层级的编号标记为i，将第i个层级中的每个负荷开关的编号标记为if，将第if个负荷开关对应的子负荷开关集合标记为zif；
11.其中，所述区域划分数据包括配电网中每个负荷开关对应的电力区域的编号；将第if个负荷开关所对应的电力区域的编号标记为lif，将第lif个电力区域所对应的子电力区域集合标记为zlif；
12.所述配电网信息收集模块将负荷开关层级数据以及每个负荷开关对应的区域划分数据发送至异常监测定位模块；
13.其中，所述历史配电数据收集模块主要用于收集配电网的负荷开关的异常状态历史数据以及在测试环境中收集异常状态训练数据；
14.所述异常状态历史数据包括每个电力区域的长周期异常概率和短周期异常概率；
15.收集每个电力区域的长周期异常概率和短周期异常概率的方式为：
16.预设长周期时长t1以及短周期时长t2；
17.将每年根据长周期时长t1和短周期时长t2分别划分为若干长周期和短周期；
18.对于每个电力区域的历史中的每个长周期，收集在该长周期中出现负荷开关为异常状态的年数，将该年数除以收集的历史总年数，获得长周期异常概率；所述历史总年数为历史配电数据收集模块收集的所有历史年份总数量；将第lif个电力区域的长周期异常概率标记为clif；
19.对于每个电力区域的历史中的每个短周期，收集在该短周期中出现负荷开关为异常状态的年数，将该年数除以收集的历史总年数，获得短周期异常概率；将第lif个电力区域的短周期异常概率标记为dlif；
20.所述测试环境为测试人员通过主动控制配电网中负荷开关的启动或关闭状态，以准确收集在负荷开关正常状态或异常状态的情况下，该负荷开关对应电力区域的电力区域特征集合和负荷开关状态；
21.其中，所述异常状态训练数据包括在测试环境中收集的若干组电力区域特征集合以及电力区域特征集合对应的负荷开关状态序列；
22.其中，所述电力区域特征集合包括在测试环境中，收集的每片电力区域的输入电压序列、输入功率序列、负荷电压序列以及负荷功率序列；
23.所述输入电压序列为输入该片电力区域的输入电压随时间变化的电压值序列；
24.所述输入功率序列为输入该片电力区域的输入功率随时间变化的功率值序列；
25.所述负荷电压序列为该片电力区域所承载的电压负载的负载电压随时间变化的电压值序列；
26.所负荷功率序列为该片电力区域所承载的电压负载随时间变化的功率值序列；
27.所述电力区域特征集合对应的负荷开关状态序列中每个负荷开关状态为0或1中的一个；
28.所述历史配电数据收集模块将收集的异常状态历史数据发送至异常监测定位模块，并将异常状态训练数据发送至异常判断模型训练模块；
29.其中，所述异常判断模型训练模块主要用于基于异常状态训练数据，训练输出电力区域的负荷开关状态的神经网络模型；
30.训练输出电力区域的负荷开关状态的神经网络模型的方式为：
31.预设预测时间步长为1，根据预设的滑动步长以及预设的滑动窗口长度，使用滑动窗口方法将电力区域特征集合转化为若干组训练样本，将训练样本作为神经网络模型的输入，神经网络模型以预测时间步长的负荷开关状态为输出，训练样本的后续的预测时间步长内对应的负荷开关状态作为预测目标，以预测准确率作为训练目标，使用均方误差或平均绝对误差作为损失函数来衡量预测结果的准确性，通过反向传播算法来更新模型的权重和偏置，生成预测输出功率曲线的第一机器学习模型；所述神经网络模型为lstm神经网络模型；
32.所述异常判断模型训练模块将训练完成的神经网络模型发送至异常监测定位模块；
33.其中，所述异常监测定位模块主要用于基于异常状态历史数据和神经网络模型，对负荷开关进行实时监测并对异常状态的负荷开关进行定位；
34.对负荷开关进行实时监测包括以下步骤：
35.步骤s1：电力控制中心实时获取每个电力区域的滑动窗口长度的输入电压序列、输入功率序列、负荷电压序列以及负荷功率序列组成的训练样本；
36.步骤s2：预设监测周期时长；每隔监测周期时长，设置异常编号集合u为空，设置初始变量x＝1，设置初始监测集合p为第一层的所有电力区域，并执行步骤s3；
37.步骤s3：将初始监测集合p中每个电力区域的编号标记为lxf；
38.对于第lxf个电力区域，将训练样本输入神经网络模型中，获得输出的负荷开关状态；
39.若输出的负荷开关状态值为1，将编号lxf添加至异常编号集合u中，将初始监测集合p更新为zlxf，并将x更新为x+1，重复执行步骤s3至x大于最大层数；若输出的负荷开关状态值为0，根据当前时间获取对应的长周期异常概率clif和短周期异常概率dlif；并以a1*clif+a2*dlif的概率，将初始监测集合p更新为zlxf，并将x更新为x+1，重复执行步骤s3；若输出的负荷开关状态值为0，以1-a1*clif+a2*dlif的概率结束循环；其中，a1和a2分别为预设的比例系数；
40.对异常状态的负荷开关进行定位的方式为：
41.每隔监测周期时长，对异常编号集合u中的电力区域的编号进行去重，去重的方式为：对于其中任意一个电力区域的编号，若其子电力区域的编号在异常编号集合u中，则将该电力区域的编号删除；
42.将去重后的异常编号集合u中的电力区域对应的负荷开关作为状态异常的负荷开关。
43.与现有技术相比，本发明的有益效果是：
44.本发明通过预先收集配电网中的负荷开关层级数据以及每个负荷开关对应的区域划分数据，再收集配电网的负荷开关的异常状态历史数据以及在测试环境中收集异常状态训练数据，其中，异常状态历史数据记录了每片电力区域的历史异常信息，异常状态训练数据记录了负荷开关状态异常时的电力表现，基于异常状态训练数据，训练输出电力区域的负荷开关状态的神经网络模型，基于异常状态历史数据和神经网络模型，对配电网中的负荷开关进行实时监测并对异常状态的负荷开关进行定位；通过神经网络模型，智能监测负荷开关的状态；且基于历史异常数据作为检测概率，保证了对历史中经常出现异常的区域进行更多次数的检测，从而提高电网安全性，且进一步的减少了不经常出现异常的区域的检测次数，降低了神经网络模型算力负荷。
附图说明
45.图1为本发明的基于物联网的配电自动化监测系统的模块连接关系图。
具体实施方式
46.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
47.如图1所示，一种基于物联网的配电自动化监测系统，包括配电网信息收集模块、历史配电数据收集模块、异常判断模型训练模块以及异常监测定位模块；其中，各个模块之间通过有线和/或无线网络方式连接；
48.其中，所述配电网信息收集模块主要用于预先收集配电网中的负荷开关层级数据以及每个负荷开关对应的区域划分数据；
49.其中，所述负荷开关层级数据为配电网中所有负荷开关所组成的树形图结构；
50.可以理解的是，在配电网中，电流的流向由负荷开关进行控制，通过将一片电力区域使用主负荷开关控制该片区域的总电流，再将该片区域划分为若干子电力区域，每个子电力区域安装一个子负荷开关，通过控制子电力区域的子负荷开关来控制该片电力区域的电力分流，同理，对于子电力区域，可以做进一步的划分，以进一步的控制电力分流；因此，负荷开关整体是一个树形图结构；
51.负荷开关层级数据中按从上到下的顺序，将每一个层级的编号标记为i，将第i个层级中的每个负荷开关的编号标记为if，将第if个负荷开关对应的子负荷开关集合标记为zif；可以理解的是，子负荷开关集合zif中的每个子负荷开关均为第i+1层的负荷开关；
52.其中，所述区域划分数据包括配电网中每个负荷开关对应的电力区域的编号；将第if个负荷开关所对应的电力区域的编号标记为lif，将第lif个电力区域所对应的子电力区域集合标记为zlif；
53.可以理解的是，每个负荷开关控制一片电力区域，在该电力区域中包含若干子区域，即所有电力区域所组成的树形图集合与负荷开关所组成的树形图集合的结构是一致的；
54.所述配电网信息收集模块将负荷开关层级数据以及每个负荷开关对应的区域划分数据发送至异常监测定位模块；
55.其中，所述历史配电数据收集模块主要用于收集配电网的负荷开关的异常状态历史数据以及在测试环境中收集异常状态训练数据；
56.所述异常状态历史数据包括每个电力区域的长周期异常概率和短周期异常概率；
57.在一个优选的实施例中，收集每个电力区域的长周期异常概率和短周期异常概率的方式为：
58.预设长周期时长t1以及短周期时长t2；优选的，长时长周期可以为一个月，短时长周期可以为一天；
59.将每年根据长周期时长t1和短周期时长t2分别划分为若干长周期和短周期；例如，将每年按月划分为12个长周期，每年按天划分为365个短周期；
60.对于每个电力区域的历史中的每个长周期，收集在该长周期中出现负荷开关为异常状态的年数，将该年数除以收集的历史总年数，获得长周期异常概率；所述历史总年数为历史配电数据收集模块收集的所有历史年份总数量；将第lif个电力区域的长周期异常概
率标记为clif；例如：收集的10年数据中，1月份出现负荷开关为异常状态的年数为2，则长周期异常概率为0.2；
61.对于每个电力区域的历史中的每个短周期，收集在该短周期中出现负荷开关为异常状态的年数，将该年数除以收集的历史总年数，获得短周期异常概率；将第lif个电力区域的短周期异常概率标记为dlif；
62.所述测试环境为测试人员通过主动控制配电网中负荷开关的启动或关闭状态，以准确收集在负荷开关正常状态或异常状态的情况下，该负荷开关对应电力区域的电力特征数据和负荷开关状态标签；所述正常状态或异常状态分别为负荷开关保持其应该保持的状态，例如在负荷开关应该保持启动时，负荷状态为关闭状态，则此时负荷开关为异常状态；可以理解的是，负荷开关应该保持的状态由电网后台根据电网的实时负载动态的发送开关指令进行控制；在实验环境中收集历史请求训练数据，提高训练数据的准确性和可控性；
63.其中，所述异常状态训练数据包括在测试环境中收集的若干组电力区域特征集合以及电力区域特征集合对应的负荷开关状态序列；
64.其中，所述电力区域特征集合包括在测试环境中，收集的每片电力区域的输入电压序列、输入功率序列、负荷电压序列以及负荷功率序列；需要说明的是，对于第lif个电力区域，收集的电力区域特征集合体现了子电力区域集合zlif中所有子电力区域的电力区域特征集合进行合并的结果；
65.所述输入电压序列为输入该片电力区域的输入电压随时间变化的电压值序列；
66.所述输入功率序列为输入该片电力区域的输入功率随时间变化的功率值序列；
67.所述负荷电压序列为该片电力区域所承载的电压负载的负载电压随时间变化的电压值序列；
68.所负荷功率序列为该片电力区域所承载的电压负载随时间变化的功率值序列；
69.可以理解的是，输入电压、输入功率可分别通过在电力区域的输入端电压传感器和功率传感器实时获得；
70.负荷电压、负荷功率可分别通过在电力区域的输出端电压传感器和功率传感器实时获得；
71.所述电力区域特征集合对应的负荷开关状态序列中每个负荷开关状态为0或1中的一个；具体的，电力区域特征集合中的时间序列与负荷开关状态序列在时间上是同步的，当电力区域特征集合中某个时间的电力区域的负荷开关或存在子电力区域的子负荷开关出现异常，将负荷开关状态序列中对应时间的负荷开关状态标记为1；否则，将对应时间的负荷开关状态标记为0；
72.所述历史配电数据收集模块将收集的异常状态历史数据发送至异常监测定位模块，并将异常状态训练数据发送至异常判断模型训练模块；
73.其中，所述异常判断模型训练模块主要用于基于异常状态训练数据，训练输出电力区域的负荷开关状态的神经网络模型；
74.在一个优选的实施例中，训练输出电力区域的负荷开关状态的神经网络模型的方式为：
75.预设预测时间步长为1，根据预设的滑动步长以及预设的滑动窗口长度，使用滑动窗口方法将电力区域特征集合转化为若干组训练样本，将训练样本作为神经网络模型的输
入，神经网络模型以预测时间步长的负荷开关状态为输出，训练样本的后续的预测时间步长内对应的负荷开关状态作为预测目标，以预测准确率作为训练目标，使用均方误差或平均绝对误差作为损失函数来衡量预测结果的准确性，通过反向传播算法来更新模型的权重和偏置，生成预测输出功率曲线的第一机器学习模型；所述神经网络模型为lstm神经网络模型；
76.需要说明的是，滑动窗口方法作为时间序列预测模型(lstm模型)的常规技术手段，本发明在此不再做原理性说明；但为了本发明更便于实施，本发明提供如下的关于滑动窗口方法的示例：
77.假设我们要用特征数据序列[[1,2,3,4,5,6],[7,8,9,10,11,12]]以及标签数据序列[0,1,0,1,1,0]来训练一个时间预测模型，在特征数据序列，存在两个特征，每个特征对应的特征序列长度为6；设置预测时间步长为1，滑动步长设置1以及滑动窗口长度设置为3；则对每个特征生成3组训练数据和对应的预测目标数据：[[1,2,3],[7,8,9]]，
[0078]
[[2,3,4],[8,9,10]]，[[3,4,5],[9,10,11]]作为训练数据，以[1]、[1]以及[0]分别作为预测目标；
[0079]
所述异常判断模型训练模块将训练完成的神经网络模型发送至异常监测定位模块；
[0080]
其中，所述异常监测定位模块主要用于基于异常状态历史数据和神经网络模型，对负荷开关进行实时监测并对异常状态的负荷开关进行定位；
[0081]
对负荷开关进行实时监测包括以下步骤：
[0082]
步骤s1：电力控制中心实时获取每个电力区域的滑动窗口长度的输入电压序列、输入功率序列、负荷电压序列以及负荷功率序列组成的训练样本；
[0083]
步骤s2：预设监测周期时长；每隔监测周期时长，设置异常编号集合u为空，设置初始变量x＝1，设置初始监测集合p为第一层的所有电力区域，并执行步骤s3；
[0084]
步骤s3：将初始监测集合p中每个电力区域的编号标记为lxf；
[0085]
对于第lxf个电力区域，将训练样本输入神经网络模型中，获得输出的负荷开关状态；
[0086]
若输出的负荷开关状态值为1，将编号lxf添加至异常编号集合u中，将初始监测集合p更新为zlxf，并将x更新为x+1，重复执行步骤s3；若输出的负荷开关状态值为0，根据当前时间获取对应的长周期异常概率clif和短周期异常概率dlif；并以a1*clif+a2*dlif的概率，将初始监测集合p更新为zlxf，并将x更新为x+1，重复执行步骤s3；若输出的负荷开关状态值为0，以1-a1*clif+a2*dlif的概率结束循环；其中，a1和a2分别为预设的比例系数；通过设置概率a1*clif+a2*dlif，保证了对历史中经常出现异常的区域进行更多次数的检测，从而提高电网安全性，且进一步的减少了不经常出现异常的区域的检测次数，降低了神经网络模型算力负荷；需要说明的是，步骤s3循环结束的条件为x达到了最底层的编号或负荷开关状态值为0时，
[0087]
对异常状态的负荷开关进行定位的方式为：
[0088]
每隔监测周期时长，对异常编号集合u中的电力区域的编号进行去重，去重的方式为：对于其中任意一个电力区域的编号，若其子电力区域的编号在异常编号集合u中，则将该电力区域的编号删除；
[0089]
将去重后的异常编号集合u中的电力区域对应的负荷开关作为状态异常的负荷开关。
[0090]
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
[0091]
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

技术特征：
1.一种基于物联网的配电自动化监测系统，其特征在于，包括配电网信息收集模块、历史配电数据收集模块、异常判断模型训练模块以及异常监测定位模块；其中，各个模块之间通过有线和/或无线网络方式连接；所述配电网信息收集模块用于预先收集配电网中的负荷开关层级数据以及每个负荷开关对应的区域划分数据，并将负荷开关层级数据以及每个负荷开关对应的区域划分数据发送至异常监测定位模块；所述历史配电数据收集模块用于收集配电网的负荷开关的异常状态历史数据以及在测试环境中收集异常状态训练数据，并将收集的异常状态历史数据发送至异常监测定位模块，并将异常状态训练数据发送至异常判断模型训练模块；所述异常判断模型训练模块用于基于异常状态训练数据，训练输出电力区域的负荷开关状态的神经网络模型，并将训练完成的神经网络模型发送至异常监测定位模块；所述异常监测定位模块用于基于异常状态历史数据和神经网络模型，对负荷开关进行实时监测并对异常状态的负荷开关进行定位。2.根据权利要求1所述的一种基于物联网的配电自动化监测系统，其特征在于，所述负荷开关层级数据为配电网中所有负荷开关所组成的树形图结构；负荷开关层级数据中按从上到下的顺序，将每一个层级的编号标记为i，将第i个层级中的每个负荷开关的编号标记为if，将第if个负荷开关对应的子负荷开关集合标记为zif；其中，所述区域划分数据包括配电网中每个负荷开关对应的电力区域的编号；将第if个负荷开关所对应的电力区域的编号标记为lif，将第lif个电力区域所对应的子电力区域集合标记为zlif。3.根据权利要求2所述的一种基于物联网的配电自动化监测系统，其特征在于，所述异常状态历史数据包括每个电力区域的长周期异常概率和短周期异常概率；收集每个电力区域的长周期异常概率和短周期异常概率的方式为：预设长周期时长t1以及短周期时长t2；将每年根据长周期时长t1和短周期时长t2分别划分为若干长周期和短周期；对于每个电力区域的历史中的每个长周期，收集在该长周期中出现负荷开关为异常状态的年数，将该年数除以收集的历史总年数，获得长周期异常概率；所述历史总年数为历史配电数据收集模块收集的所有历史年份总数量；将第lif个电力区域的长周期异常概率标记为clif；对于每个电力区域的历史中的每个短周期，收集在该短周期中出现负荷开关为异常状态的年数，将该年数除以收集的历史总年数，获得短周期异常概率；将第lif个电力区域的短周期异常概率标记为dlif。4.根据权利要求3所述的一种基于物联网的配电自动化监测系统，其特征在于，所述异常状态训练数据包括在测试环境中收集的若干组电力区域特征集合以及电力区域特征集合对应的负荷开关状态序列；其中，所述电力区域特征集合包括在测试环境中，收集的每片电力区域的输入电压序列、输入功率序列、负荷电压序列以及负荷功率序列；所述输入电压序列为输入该片电力区域的输入电压随时间变化的电压值序列；所述输入功率序列为输入该片电力区域的输入功率随时间变化的功率值序列；
所述负荷电压序列为该片电力区域所承载的电压负载的负载电压随时间变化的电压值序列；所负荷功率序列为该片电力区域所承载的电压负载随时间变化的功率值序列；所述电力区域特征集合对应的负荷开关状态序列中每个负荷开关状态为0或1中的一个。5.根据权利要求4所述的一种基于物联网的配电自动化监测系统，其特征在于，训练输出电力区域的负荷开关状态的神经网络模型的方式为：预设预测时间步长为1，根据预设的滑动步长以及预设的滑动窗口长度，使用滑动窗口方法将电力区域特征集合转化为若干组训练样本，将训练样本作为神经网络模型的输入，神经网络模型以预测时间步长的负荷开关状态为输出，训练样本的后续的预测时间步长内对应的负荷开关状态作为预测目标，以预测准确率作为训练目标，使用均方误差或平均绝对误差作为损失函数来衡量预测结果的准确性，通过反向传播算法来更新模型的权重和偏置，生成预测输出功率曲线的第一机器学习模型；所述神经网络模型为lstm神经网络模型。6.根据权利要求5所述的一种基于物联网的配电自动化监测系统，其特征在于，对负荷开关进行实时监测包括以下步骤：步骤s1：电力控制中心实时获取每个电力区域的滑动窗口长度的输入电压序列、输入功率序列、负荷电压序列以及负荷功率序列组成的训练样本；步骤s2：预设监测周期时长；每隔监测周期时长，设置异常编号集合u为空，设置初始变量x＝1，设置初始监测集合p为第一层的所有电力区域，并执行步骤s3；步骤s3：将初始监测集合p中每个电力区域的编号标记为lxf；对于第lxf个电力区域，将训练样本输入神经网络模型中，获得输出的负荷开关状态；若输出的负荷开关状态值为1，将编号lxf添加至异常编号集合u中，将初始监测集合p更新为zlxf，并将x更新为x+1，重复执行步骤s3至x大于最大层数；若输出的负荷开关状态值为0，根据当前时间获取对应的长周期异常概率clif和短周期异常概率dlif；并以a1*clif+a2*dlif的概率，将初始监测集合p更新为zlxf，并将x更新为x+1，重复执行步骤s3；若输出的负荷开关状态值为0，以1-a1*clif+a2*dlif的概率结束循环；其中，a1和a2分别为预设的比例系数。7.根据权利要求6所述的一种基于物联网的配电自动化监测系统，其特征在于，对异常状态的负荷开关进行定位的方式为：每隔监测周期时长，对异常编号集合u中的电力区域的编号进行去重，去重的方式为：对于其中任意一个电力区域的编号，若其子电力区域的编号在异常编号集合u中，则将该电力区域的编号删除；将去重后的异常编号集合u中的电力区域对应的负荷开关作为状态异常的负荷开关。

技术总结
本发明公开了一种基于物联网的配电自动化监测系统，涉及配电网自动监测技术领域，通过设置配电网信息收集模块预先收集配电网中的负荷开关层级数据以及每个负荷开关对应的区域划分数据，设置历史配电数据收集模块收集配电网的负荷开关的异常状态历史数据以及在测试环境中收集异常状态训练数据，设置异常判断模型训练模块基于异常状态训练数据，训练输出电力区域的负荷开关状态的神经网络模型，设置异常监测定位模块基于异常状态历史数据和神经网络模型，对负荷开关进行实时监测并对异常状态的负荷开关进行定位；智能监测负荷开关的状态，提高电网安全性的同时，降低了神经网络模型算力负荷。络模型算力负荷。络模型算力负荷。


技术研发人员：叶坦 王泉 王志杰 朱则祥 刘萍 俞朝潮 昌晓晨 方辉 高艺 吴冬梅
受保护的技术使用者：国网安徽省电力有限公司绩溪县供电公司
技术研发日：2023.07.14
技术公布日：2023/10/15