基于阻抗检测的电网故障检测方法、装置、设备及介质与流程

1.本技术涉及阻抗检测领域技术领域，尤其涉及一种基于阻抗检测的电网故障检测方法、装置、设备及介质。


背景技术：

2.随着各行各业对电力能源需求的不断上涨，风电场的发电任务逐渐加重，进而造成了风电机组经常会超负荷运行的现状。长此以往，风电机组发生故障的频率也会明显上升。为了让风电机组能够始终平稳、高效的运行，定期开展风电机组的检测和维护工作十分必要。然而，目前常用的方式是人工检测和维修，由于风电机组的内部组成复杂，各类元件、设备种类和数量较多，这种依赖人工检修的方法不仅费时费力，且容易出现漏检、错检等问题，进而为电网运行带来了安全隐患。


技术实现要素：

3.本技术的目的在于提供一种基于阻抗检测的电网故障检测方法、装置、设备及介质，以解决现有的人工检修电网时存在的成本高、效率低且准确性无法保障的问题。
4.为实现上述目的，本技术提供一种基于阻抗检测的电网故障检测方法，包括：
5.建立关于待测电网的数据库，根据数据库中待测电网的历史振荡情况，利用预设算法预估待测电网的扰动量；其中，所述数据库包括待测电网所在地理环境、自然环境以及历史气候数据；
6.检测待测电网中设备的扰动量，将检测扰动量与预估扰动量进行对比；
7.若二者差值小于或等于预设值，则判定待测电网未发生故障；
8.若二者差值大于预设值，则判定待测电网发生故障。
9.进一步，作为优选地，所述预估待测电网的扰动量，包括采用以下公式进行扰动量估算：
[0010][0011]
式中，n1…
n5为参数权重，y
wf
(f
p
)为频率f
p
下风电场的阻抗特性矩阵，y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)分别为y
wf
(f
p
)矩阵中的元素；yg(f
p
)为频率f
p
下电网的阻抗特性矩阵，y
g,
(f
p
)为yg(f
p
)矩阵中的元素；z
wf
(f
p
)为风电场阻抗，用于表征待测电网的扰动量。
[0012]
进一步，作为优选地，在所述判定待测电网未发生故障之后，还包括：
[0013]
判定待测电网振荡由自然条件引起，对所述数据库的数据以及所述预设算法进行修正，所述预设算法包括随机森林算法、卷积神经网络、lstm算法和注意力机制。
[0014]
进一步，作为优选地，所述对所述数据库的数据以及所述预设算法进行修正，包括：利用随机森林算法对所述数据库的数据以及所述预设算法进行修正。
[0015]
本技术还提供一种基于阻抗检测的电网故障检测装置，包括：
[0016]
扰动量预估单元，用于建立关于待测电网的数据库，根据数据库中待测电网的历史振荡情况，利用预设算法预估待测电网的扰动量；其中，所述数据库包括待测电网所在地理环境、自然环境以及历史气候数据；
[0017]
扰动量对比单元，用于检测待测电网中设备的扰动量，将检测扰动量与预估扰动量进行对比；
[0018]
第一判定单元，用于若二者差值小于或等于预设值，则判定待测电网未发生故障；
[0019]
第二判定单元，用于若二者差值大于预设值，则判定待测电网发生故障。
[0020]
进一步，作为优选地，所述扰动量预估单元，还用于采用以下公式进行扰动量估算：
[0021][0022]
式中，n1…
n5为参数权重，y
wf
(f
p
)为频率f
p
下风电场的阻抗特性矩阵，y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)分别为y
wf
(f
p
)矩阵中的元素；yg(f
p
)为频率f
p
下电网的阻抗特性矩阵，y
g,
(f
p
)为yg(f
p
)矩阵中的元素；z
wf
(f
p
)为风电场阻抗，用于表征待测电网的扰动量。
[0023]
进一步，作为优选地，所述基于阻抗检测的电网故障检测装置，还包括：
[0024]
修正单元，用于判定待测电网振荡由自然条件引起，对所述数据库的数据以及所述预设算法进行修正，所述预设算法包括随机森林算法、卷积神经网络、lstm算法和注意力机制。
[0025]
进一步，作为优选地，所述修正单元，还用于利用随机森林算法对所述数据库的数据以及所述预设算法进行修正。
[0026]
本技术还提供一种终端设备，包括：
[0027]
一个或多个处理器；
[0028]
存储器，与所述处理器耦接，用于存储一个或多个程序；
[0029]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的基于阻抗检测的电网故障检测方法。
[0030]
本技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的基于阻抗检测的电网故障检测方法。
[0031]
相对于现有技术，本技术的有益效果在于：
[0032]
本技术公开了一种基于阻抗检测的电网故障检测方法、装置、设备及介质，包括：建立关于待测电网的数据库，根据数据库中待测电网的历史振荡情况，利用预设算法预估待测电网的扰动量；其中，所述数据库包括待测电网所在地理环境、自然环境以及历史气候数据；检测待测电网中设备的扰动量，将检测扰动量与预估扰动量进行对比；若二者差值小于或等于预设值，则判定待测电网未发生故障；若二者差值大于预设值，则判定待测电网发生故障。本技术基于阻抗检测设备来获取电网的扰动量，通过将实际检测电网扰动量与预估值进行对比以检测电网是否发生故障。相比于传统的人工检修，本技术不仅能够更加准确的检测出电网故障类型，且耗时少、成本低。
附图说明
[0033]
为了更清楚地说明本技术的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]
图1是本技术某一实施例提供的基于阻抗检测的电网故障检测方法的流程示意图；
[0035]
图2是本技术某一实施例提供的利用随机森林算法进行特征筛选以确定权重大小的流程示意图；
[0036]
图3是本技术某一实施例提供的风电场内的变压器等效电路示意图；
[0037]
图4是本技术某一实施例提供的电力线路等效电路示意图；
[0038]
图5是本技术某一实施例提供的检测扰动量与预估扰动量的比较器的原理示意图；
[0039]
图6是本技术又一实施例提供的基于阻抗检测的电网故障检测方法的流程示意图；
[0040]
图7是本技术某一实施例提供的基于阻抗检测的电网故障检测装置的结构示意图；
[0041]
图8是本技术又一实施例提供的基于阻抗检测的电网故障检测装置的结构示意图；
[0042]
图9是本技术某一实施例提供的终端设备的结构示意图。
具体实施方式
[0043]
下面将结合本技术实施例中的附图，对本技术实施例中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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0044]
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
[0045]
应当理解，在本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0046]
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0047]
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0048]
请参阅图1，本技术某一实施例提供一种基于阻抗检测的电网故障检测方法。如图1所示，该基于阻抗检测的电网故障检测方法包括步骤s10至步骤s40。各步骤具体如下：
[0049]
s10、建立关于待测电网的数据库，根据数据库中待测电网的历史振荡情况，利用预设算法预估待测电网的扰动量；其中，所述数据库包括待测电网所在地理环境、自然环境以及历史气候数据；
[0050]
本实施例中，首先构建一个数据库，记录了风电或光伏所在地的地理环境、自然环境、气候历史等数据。针对风电系统，包括不同季节与风力大小的关系，波峰与波谷的变化，以及其他能影响风力的因素等。针对光伏系统，包括各种影响太阳照度的因素，例如季节、晴天天数、甚至每一天中日出、日落、阴天等影响照度变化的因素。检测设备还会关联天气预报系统，提前预计当天或者某一时刻是否会产生振荡，并根据检测模式预估一个扰动量。
[0051]
在预估扰动量时，会对公式中的各参数预设一定的权重，该权重会利用人工智能算法逐步调整。预估时，还会考虑电网中各设备的固有特性以及电网特性，还包括锁相环、电流环、直流电压、延时、lv滤波等。
[0052]
在一个具体地实施例中，所述预估待测电网的扰动量，包括采用以下公式进行扰动量估算：
[0053][0054]
式中，n1…
n5为参数权重，y
wf
(f
p
)为频率f
p
下风电场的阻抗特性矩阵，y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)分别为y
wf
(f
p
)矩阵中的元素；yg(f
p
)为频率f
p
下电网的阻抗特性矩阵，y
g,
(f
p
)为yg(f
p
)矩阵中的元素；z
wf
(f
p
)为风电场阻抗，用于表征待测电网的扰动量。
[0055]
通常，n1取1，n2…
n5等4个权重依据后续的机器学习算法进行确定。
[0056]
请参阅图2，图2提供了一种利用随机森林算法的特征筛选流程，以此来确定各个权重的大小。下面将基于图2对于随机森林算法的特征筛选过程进行说明：
[0057]
首先，参见图3-4，图3、图4分别为风电场内的变压器等效电路、电力线路等效电路。其中，上述等效电路中的各个参数，将作为随机森林每个样本的一部分。具体地，运算过程如下：
[0058]
1)建立原始训练集：
[0059]
将的风电场的等效电路的各个参数，电场位置的地理环境、自然环境、气候历史等数据，估算公式，所有的估算结果及其对应的阻抗实际检测结果作为原始数据，建立随机森林的原始训练集。
[0060]
2)随机抽样：
[0061]
从原始训练集中随机抽样。随机抽样的方法为，估算结果与检测结果匹配的数据中的30％数据量，估算结果与检测结果不匹配的数据中的40％数据量。或者根据日期抽样，比如单日的上午检测结果及预估结果。
[0062]
3)编制训练集：
[0063]
将上述的随机抽样结果的每一组数据，作为一个训练集。
[0064]
4)选取特征：
[0065]
不同的训练集，随机选取特征。这些特征指的是电场位置的地理环境、自然环境、气候历史等，即时天气变化，等效电路中的各个参数。
[0066]
5)进行树模型运算：
[0067]
根据既定算法，针对每个训练集进行运算，获得不同的树模型。
[0068]
6)输出特征：
[0069]
输出不同的特征与估算公式中的各权重的对应关系，如下表1所示。
[0070]
表1随机森林算法运算结果
[0071]
n1n2n3n4n5abcdefghijk11111
ꢀꢀꢀꢀꢀꢀꢀꢀ
√√ 10.9910.960.98
ꢀꢀꢀ
√
ꢀꢀꢀꢀ
√√ 111.0510.99√
ꢀꢀꢀꢀꢀ
√ √√ 110.940.991
ꢀꢀꢀ
√√
ꢀꢀꢀ
√√ 11.0310.981√
ꢀꢀꢀꢀ
√√ √√ 10.97110.97
ꢀꢀ
√
ꢀꢀꢀꢀ
√√√ 1.020.95111 √
ꢀꢀꢀꢀꢀꢀ
√√√
[0072]
表中：a-地理环境，b-历史数据，c-偏高温，d-偏低温，e-夏季，f-冬季，g-晴天，h-阴天，i-电网或电场固有阻抗，j-注入信号，k-电场运行时长，“√”表示考虑该因素，空格表示不考虑该因素。基于随机森林算法，即可确定出n2…
n5等4个权重的大小。
[0073]
s20、检测待测电网中设备的扰动量，将检测扰动量与预估扰动量进行对比；
[0074]
s30、若二者差值小于或等于预设值，则判定待测电网未发生故障；
[0075]
s40、若二者差值大于预设值，则判定待测电网发生故障。
[0076]
步骤s30中，利用阻抗检测设备对风电或光伏系统进行检测。当检测到扰动量时，对比检测的实际扰动量与预估扰动量是否大致相同，也即判断二者差值是否大于某一预设值。如果是，则可认定为是电网系统发生故障，此时向上位机发送电网故障信息。反之，则可认定为电网系统未发生故障，而是自然原因或天气原因导致电网系统发生振荡。其中，检测扰动量与预估扰动量的比较器如图5所示。
[0077]
参见图6，在一个优选的实施例中，在步骤s30中判定待测电网未发生故障之后，还包括：
[0078]
s50、判定待测电网振荡由自然条件引起，对所述数据库的数据以及所述预设算法进行修正，所述预设算法包括随机森林算法、卷积神经网络、lstm算法和注意力机制。
[0079]
可以理解的是，由于是自然条件引起振荡，也即数据库中记载的信息或者预估扰动量的算法所导致，或者预估到振荡但是没有检测到的情况，因此则需要对数据库或算法进行修正。其中，预设算法为常见的机器学习算法，包括随机森林算法、卷积神经网络、lstm算法和注意力机制等。作为优选地实施方式，利用随机森林算法对所述数据库的数据以及所述预设算法进行修正。因为根据电网的参数及特性，采取随机森林算法(简称rf)来修正扰动量预估算法较为合适。
[0080]
需要说明的是，rf算法不仅可以对数据进行分析处理，还可以计算出每个特征变量的重要性评分，来评估在当前问题下各个特征变量的重要度。考虑到估算扰动量时，需要计算的电网特征或数值较多，选择与目标结果重要度高的特征变量，来减少模型的训练时间和计算复杂度。rf算法通过随机采样样本、随机选择特征的方式降低了决策树之间的相关性，其方差小可以有效防止过拟合，rf非常适合风电或光伏的阻抗测量检测。使用rf算法进行特征变量重要性评估的思想，就是计算每个特征变量在建立的决策树上得分多少，然后取平均值，按得分降序排序就得到了特征重要性排名。在得到特征重要性的基础上，过滤掉不太重要的特征，最终选择错误率最低的特征变量集。
[0081]
综上所述，本技术实施例基于阻抗检测设备来获取电网的扰动量，通过将实际检测电网扰动量与预估值进行对比以检测电网是否发生故障。相比于传统的人工检修，本技术不仅能够更加准确的检测出电网故障类型，且耗时少、成本低，通过及时预警，可避免造成电网设备的损坏或电网瘫痪的现象。此外，本技术还利用人工智能算法对于数据库或用于估算扰动量的算法进行修正，能够进一步提高后续预估扰动量的准确性。
[0082]
请参阅图7，本技术某一实施例还提供一种基于阻抗检测的电网故障检测装置，包括：
[0083]
扰动量预估单元01，用于建立关于待测电网的数据库，根据数据库中待测电网的历史振荡情况，利用预设算法预估待测电网的扰动量；其中，所述数据库包括待测电网所在地理环境、自然环境以及历史气候数据；
[0084]
扰动量对比单元02，用于检测待测电网中设备的扰动量，将检测扰动量与预估扰动量进行对比；
[0085]
第一判定单元03，用于若二者差值小于或等于预设值，则判定待测电网未发生故障；
[0086]
第二判定单元04，用于若二者差值大于预设值，则判定待测电网发生故障。
[0087]
在一个实施例中，所述扰动量预估单元，还用于采用以下公式进行扰动量估算：
[0088][0089]
式中，n1…
n5为参数权重，y
wf
(f
p
)为频率f
p
下风电场的阻抗特性矩阵，y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)分别为y
wf
(f
p
)矩阵中的元素；yg(f
p
)为频率f
p
下电网的阻抗特性矩阵，y
g,
(f
p
)为yg(f
p
)矩阵中的元素；z
wf
(f
p
)为风电场阻抗，用于表征待测电网的扰动量。
[0090]
在一个实施例中，所述基于阻抗检测的电网故障检测装置，还包括修正单元05，如图8所示。具体地，该修正单元05，用于：
[0091]
判定待测电网振荡由自然条件引起，对所述数据库的数据以及所述预设算法进行修正，所述预设算法包括随机森林算法、卷积神经网络、lstm算法和注意力机制。
[0092]
作为优选地实施例，修正单元05，还用于利用随机森林算法对所述数据库的数据以及所述预设算法进行修正。
[0093]
可以理解的是，上述的基于阻抗检测的电网故障检测装置可实施上述方法实施例的基于阻抗检测的电网故障检测方法。上述方法实施例中的可选项也适用于本实施例，这里不再详述。本技术实施例的其余内容可参照上述方法实施例的内容，在本实施例中，不再进行赘述。
[0094]
请参阅图9，本技术某一实施例提供一种终端设备，包括：
[0095]
一个或多个处理器；
[0096]
存储器，与所述处理器耦接，用于存储一个或多个程序；
[0097]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的基于阻抗检测的电网故障检测方法。
[0098]
处理器用于控制该终端设备的整体操作，以完成上述的基于阻抗检测的电网故障
检测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作，这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
[0099]
在一示例性实施例中，终端设备可以被一个或多个应用专用集成电路(application specific 1ntegrated circuit，简称as1c)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device,简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的基于阻抗检测的电网故障检测方法，并达到如上述方法一致的技术效果。
[0100]
在另一示例性实施例中，还提供一种包括计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现如上述任一项实施例所述的基于阻抗检测的电网故障检测方法的步骤。例如，该计算机可读存储介质可以为上述包括计算机程序的存储器，上述计算机程序可由终端设备的处理器执行以完成如上述任一项实施例所述的基于阻抗检测的电网故障检测方法，并达到如上述方法一致的技术效果。
[0101]
以上所述是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本技术的保护范围。

技术特征：
1.一种基于阻抗检测的电网故障检测方法，其特征在于，包括：建立关于待测电网的数据库，根据数据库中待测电网的历史振荡情况，利用预设算法预估待测电网的扰动量；其中，所述数据库包括待测电网所在地理环境、自然环境以及历史气候数据；检测待测电网中设备的扰动量，将检测扰动量与预估扰动量进行对比；若二者差值小于或等于预设值，则判定待测电网未发生故障；若二者差值大于预设值，则判定待测电网发生故障。2.根据权利要求1所述的基于阻抗检测的电网故障检测方法，其特征在于，所述预估待测电网的扰动量，包括采用以下公式进行扰动量估算：式中，n1…
n5为参数权重，y
wf
(f
p
)为频率f
p
下风电场的阻抗特性矩阵，y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)分别为y
wf
(f
p
)矩阵中的元素；y
g
(f
p
)为频率f
p
下电网的阻抗特性矩阵，y
g,
(f
p
)为y
g
(f
p
)矩阵中的元素；z
wf
(f
p
)为风电场阻抗，用于表征待测电网的扰动量。3.根据权利要求1所述的基于阻抗检测的电网故障检测方法，其特征在于，在所述判定待测电网未发生故障之后，还包括：判定待测电网振荡由自然条件引起，对所述数据库的数据以及所述预设算法进行修正，所述预设算法包括随机森林算法、卷积神经网络、lstm算法和注意力机制。4.根据权利要求3所述的基于阻抗检测的电网故障检测方法，其特征在于，所述对所述数据库的数据以及所述预设算法进行修正，包括：利用随机森林算法对所述数据库的数据以及所述预设算法进行修正。5.一种基于阻抗检测的电网故障检测装置，其特征在于，包括：扰动量预估单元，用于建立关于待测电网的数据库，根据数据库中待测电网的历史振荡情况，利用预设算法预估待测电网的扰动量；其中，所述数据库包括待测电网所在地理环境、自然环境以及历史气候数据；扰动量对比单元，用于检测待测电网中设备的扰动量，将检测扰动量与预估扰动量进行对比；第一判定单元，用于若二者差值小于或等于预设值，则判定待测电网未发生故障；第二判定单元，用于若二者差值大于预设值，则判定待测电网发生故障。6.根据权利要求5所述的基于阻抗检测的电网故障检测装置，其特征在于，所述扰动量预估单元，还用于采用以下公式进行扰动量估算：式中，n1…
n5为参数权重，y
wf
(f
p
)为频率f
p
下风电场的阻抗特性矩阵，y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)、y
wf,
(f
p
)分别为y
wf
(f
p
)矩阵中的元素；y
g
(f
p
)为频率f
p
下电网的阻抗特性矩阵，y
g,
(f
p
)为y
g
(f
p
)矩阵中的元素；z
wf
(f
p
)为风电场阻抗，用于表征待测电网的扰动量。7.根据权利要求5所述的基于阻抗检测的电网故障检测装置，其特征在于，还包括：修正单元，用于判定待测电网振荡由自然条件引起，对所述数据库的数据以及所述预设算法进行修正，所述预设算法包括随机森林算法、卷积神经网络、lstm算法和注意力机制。8.根据权利要求7所述的基于阻抗检测的电网故障检测装置，其特征在于，所述修正单元，还用于利用随机森林算法对所述数据库的数据以及所述预设算法进行修正。9.一种终端设备，其特征在于，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4任一项所述的基于阻抗检测的电网故障检测方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的基于阻抗检测的电网故障检测方法。

技术总结
本申请公开了一种基于阻抗检测的电网故障检测方法、装置、设备及介质，包括：建立关于待测电网的数据库，根据数据库中待测电网的历史振荡情况，利用预设算法预估待测电网的扰动量；其中，所述数据库包括待测电网所在地理环境、自然环境以及历史气候数据；检测待测电网中设备的扰动量，将检测扰动量与预估扰动量进行对比；若二者差值小于或等于预设值，则判定待测电网未发生故障；若二者差值大于预设值，则判定待测电网发生故障。本申请基于阻抗检测设备来获取电网的扰动量，通过将实际检测电网扰动量与预估值进行对比以检测电网是否发生故障。相比于传统的人工检修，本申请不仅能够更加准确的检测出电网故障类型，且耗时少、成本低。本低。本低。


技术研发人员：岳菁鹏 唐景星 黄振琳 陶然 梁晓兵 安然然 刘军 杨跃 钟卓颖
受保护的技术使用者：广东电网有限责任公司电力科学研究院
技术研发日：2022.12.07
技术公布日：2023/7/13