一种绝缘子串污秽识别方法及系统与流程

1.本发明涉及一般的电力巡检技术领域，特别涉及一种绝缘子串污秽识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
3.绝缘子污秽是积聚在绝缘子表面上的具有导电性能的污秽物质，在潮湿天气，运行中的绝缘子受潮后，绝缘水平大幅降低，绝缘子之间容易形成短路，出现闪络事故，影响电力系统安全。常见的绝缘子污秽，可分为两大类，第一类是自然污秽，包括：雨、雪、霜、浮冰、空气中漂浮的微尘、海风带来的盐雾和鸟粪等；第二类是工业污秽，包括：火力发电厂、化工厂、玻璃厂、水泥厂、冶金厂和蒸汽机车等派出的烟尘和废气等。
4.发明人发现，现有的绝缘子污秽的检测大多采用图像处理的方式进行污秽绝缘子的识别，例如专利号cn106290388a公开了一种绝缘子故障自动检测方法，对图像进行滑动窗剪裁，设置滑动步长，每滑动一次得到一段绝缘子图像，采用质量评价算法对绝缘子图像进行质量评价，根据质量评价系数确定表面存在污秽的绝缘子，其采用质量评价算法的方式仅仅只能进行污秽绝缘子的识别，无法实现对污秽绝缘子污秽等级的识别，而且利用图像显著性区域检测算法对采集的图像进行分割的方式往往无法去除伪边缘的影响，导致分割后的绝缘子噪声较大；目前，也有技术人员采用bp神经网络对红外图像进行处理以实现绝缘子污秽等级的识别，一般采用最大类间方差法或者最大熵阈值法进行红外图像的分割以得到绝缘子图像，上述分割方法不仅无法去除伪边缘的影响，而且容易将分割后的图像边缘的噪声识别为污秽而导致识别结果的异常。


技术实现要素：

5.为了解决现有技术的不足，本发明提供了一种绝缘子串污秽识别方法及系统，采用图像分块、双阈值边缘检测再图像拼接的方式，有效的去除了伪边缘的影响，提高了绝缘子串污秽识别的精度。
6.为了实现上述目的，本发明采用如下技术方案：本发明第一方面提供了一种绝缘子串污秽识别方法。
7.一种绝缘子串污秽识别方法，包括以下过程：获取输电线路绝缘子串所在位置的图像并进行预处理；对预处理后的图像进行分块，对每块图像进行双阈值边缘检测，将边缘检测完成后的各块图像进行重新拼接，得到绝缘子串的边缘检测结果；根据得到的绝缘子串的边缘检测结果，结合深度学习模型，得到绝缘子串污秽识别结果，根据识别到的污秽绝缘子的紫外图像，得到输电线路绝缘子污秽闪络放电识别结果。
8.作为本发明第一方面进一步的限定，采用迭代式最优阈值选择方式确定各块图像的第一阈值，采用大津法确定各块图像的第二阈值，根据第一阈值和第二阈值，对各块图像的像素依次进行边缘像素检测，得到个快图像的边缘检测结果。
9.作为本发明第一方面更进一步的限定，对任一块图像，某一像素的梯度值大于或等于第一阈值时，判断此像素点为边缘像素点，如果此像素的梯度值小于或等于第二阈值，则判断此像素点为非边缘像素点；如果此像素的梯度值大于第二阈值且小于第一阈值，获取此像素的八邻域像素的梯度值，判断是否存在八邻域像素的任一梯度值大于第一阈值，如是，则判断此像素为边缘像素点，如否，则为非边缘像素点。
10.作为本发明第一方面进一步的限定，所述预处理，包括：对每块图像进行非极大值抑制处理，对非极大值抑制处理后的图像进行噪声抑制处理。
11.作为本发明第一方面更进一步的限定，噪声抑制处理，包括：采用噪声估计网络进行噪声估计，将噪声估计的结果传输到去噪网络以去除噪声；其中，噪声估计网络包括五个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，第一卷积层的输出和第二卷积层的输出连接，第二卷积层的输出和第三卷积层的输出连接，第一卷积层、第二卷积层和第三卷积层的输出均与第四卷积层的输出连接。
12.作为本发明第一方面更进一步的限定，所述预处理，还包括：对噪声抑制处理之后的图像进行图像增强，所述图像增强，包括：将噪声抑制处理之后的图像输入到图像增强网络模型中，输出图像增强的结果；其中，图像增强网络模型，包括：第一子网络和第二子网络，第一子网络包括依次连接的第一卷积层、第一残差块以及第二卷积层，第二子网络包括依次连接的第三卷积层、第二残差块以及第四卷积层；第一卷积层的输入为噪声抑制处理后的原始图像，第三卷积层的输入为噪声抑制处理后图像的两倍下采样图像，第二卷积层的输出与第一卷积层的输入叠加后作为第二残差块的输入，第四卷积层输入图像增强后的图像。
13.本发明第二方面提供了一种绝缘子串污秽识别系统。
14.一种绝缘子串污秽识别系统，包括：图像获取模块，被配置为：获取输电线路绝缘子串所在位置的图像并进行预处理；边缘检测模块，被配置为：对预处理后的图像进行分块，对每块图像进行双阈值边缘检测，将边缘检测完成后的各块图像进行重新拼接，得到绝缘子串的边缘检测结果；污秽识别模块，被配置为：根据得到的绝缘子串的边缘检测结果，结合深度学习模型，得到绝缘子串污秽识别结果，根据识别到的污秽绝缘子的紫外图像，得到输电线路绝缘子污秽闪络放电识别结果。
15.作为本发明第二方面进一步的限定，图像获取模块中，预处理包括：对每块图像进行非极大值抑制处理，对非极大值抑制处理后的图像进行噪声抑制处理。
16.作为本发明第二方面更进一步的限定，噪声抑制处理，包括：采用噪声估计网络进行噪声估计，将噪声估计的结果传输到去噪网络以去除噪
声；其中，噪声估计网络包括五个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，第一卷积层的输出和第二卷积层的输出连接，第二卷积层的输出和第三卷积层的输出连接，第一卷积层、第二卷积层和第三卷积层的输出均与第四卷积层的输出连接。
17.作为本发明第二方面更进一步的限定，图像获取模块中，预处理还包括：对噪声抑制处理之后的图像进行图像增强，所述图像增强，包括：将噪声抑制处理之后的图像输入到图像增强网络模型中，输出图像增强的结果；其中，图像增强网络模型，包括：第一子网络和第二子网络，第一子网络包括依次连接的第一卷积层、第一残差块以及第二卷积层，第二子网络包括依次连接的第三卷积层、第二残差块以及第四卷积层；第一卷积层的输入为噪声抑制处理后的原始图像，第三卷积层的输入为噪声抑制处理后图像的两倍下采样图像，第二卷积层的输出与第一卷积层的输入叠加后作为第二残差块的输入，第四卷积层输入图像增强后的图像。
18.与现有技术相比，本发明的有益效果是：1、本发明创新性的提出了一种绝缘子串污秽识别方法及系统，对预处理后的图像进行分块，对每块图像进行双阈值边缘检测，将边缘检测完成后的各块图像进行重新拼接，得到绝缘子串的边缘检测结果，有效的去除了伪边缘的影响，提高了绝缘子串污秽识别的精度。
19.2、本发明创新性的提出了一种绝缘子串污秽识别方法及系统，采用噪声估计网络进行噪声估计，将噪声估计的结果传输到去噪网络以去除噪声，噪声估计网络第一卷积层的输出和第二卷积层的输出连接，第二卷积层的输出和第三卷积层的输出连接，第一卷积层、第二卷积层和第三卷积层的输出均与第四卷积层的输出连接，采用这种多尺度连接的方式，能够有效的避免过度卷积带来的信息损失。
20.3、本发明创新性的提出了一种绝缘子串污秽识别方法及系统，图像增强网络中，第一卷积层的输入为噪声抑制处理后的原始图像，第三卷积层的输入为噪声抑制处理后图像的两倍下采样图像，第二卷积层的输出与第一卷积层的输入叠加后作为第二残差块的输入，第四卷积层输入图像增强后的图像，能够输出较高抽象等级且细节丰富的图像。
21.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
22.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
23.图1为本发明实施例1提供的绝缘子串污秽识别方法的流程示意图；图2为本发明实施例1提供的噪声抑制处理的流程示意图；图3为本发明实施例1提供的图像增强处理的流程示意图；图4为本发明实施例2提供的绝缘子串污秽识别系统的结构示意图。
具体实施方式
24.下面结合附图与实施例对本发明作进一步说明。
25.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
26.实施例1：如图1所示，本发明实施例1提供了一种绝缘子串污秽识别方法，包括以下过程：s1：获取输电线路绝缘子串所在位置的图像并进行预处理；s2：对预处理后的图像进行分块，对每块图像进行双阈值边缘检测，将边缘检测完成后的各块图像进行重新拼接，得到绝缘子串的边缘检测结果；s3：根据得到的绝缘子串的边缘检测结果，结合深度学习模型，得到绝缘子串污秽识别结果，根据识别到的污秽绝缘子的紫外图像，得到输电线路绝缘子污秽闪络放电识别结果。
27.具体的，s1中，获取输电线路绝缘子串所在位置的图像，包括：在具体的应用实践中，可以采用无人机航拍的方式获取输电线路绝缘子串所在位置的图像，或者采用固定在杆塔上的特定位置的拍摄装置进行绝缘子串图像的采集；其中，采用无人机航拍的方式因为每次的航拍位置无法精确，所以需要较高的图像处理工艺，而特定位置的固定拍摄的拍摄位置固定，因此，得到的图像处理较为容易，但是固定拍摄装置容易损坏且成本较高，因此，本发明主要针对无人机航拍方式获取的绝缘子串图像进行处理。
28.具体的，s1中，所述预处理，包括：对每块图像进行非极大值抑制处理，对非极大值抑制处理后的图像进行噪声抑制处理。
29.可选的，非极大值抑制处理，包括：将连续梯度方向分类为一组小的离散方向，然后在边缘强度和梯度方向上移动3
×
3滤波器，在每个像素处，如果其幅度不大于梯度方向上的两个邻居的幅度，则它抑制中心像素的边缘强度（通过将其值设置为0），例如：如果圆形渐变角为0
°
（即边缘在南北方向上），如果其渐变幅度大于东西方向像素处的幅度，则该点将被视为在边缘上；如果圆角度梯度角为90
°
（即边缘位于东西方向），如果其渐变幅度大于南北方向像素处的幅度，则该点将被视为在边缘上；如果圆角渐变角度为135
°
（即边缘位于东北-西南方向），如果其渐变幅度大于西北和东南方向像素的幅度，则该点将被视为在边缘上；如果圆形渐变角度为45
°
（即边缘位于西北-东南方向），如果其渐变幅度大于东北和西南像素的幅度，则该点将被视为在边缘上方向；在更精确的实现中，在跨越梯度方向的两个相邻像素之间使用线性内插。例如，如果梯度角在45
°
和90
°
之间，则北和东北像素的渐变之间的插值将给出一个插值，并且南和西西像素之间的插值将给出另一个（使用最后一段），中心像素处的梯度幅度必须大于这两者的梯度幅度，以便将其标记为边缘。
30.本实施例中，噪声抑制处理，如图2所示，包括：采用噪声估计网络进行噪声估计，将噪声估计的结果传输到去噪网络以去除噪声；
其中，噪声估计网络包括五个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，第一卷积层的输出和第二卷积层的输出连接，第二卷积层的输出和第三卷积层的输出连接，第一卷积层、第二卷积层和第三卷积层的输出均与第四卷积层的输出连接。
31.本实施例中，噪声估计网络和去噪网络均为卷积神经网络，第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层的通道数均为32，各卷积层采用不同尺寸的卷积核进行卷积，融合不同尺度的卷积核形成多尺度特征，每个卷积层后均布置有激活函数。
32.本实施例中，去噪网络采用22层u-net结构，在解码器和译码器之间布置跳跃连接，能够更有效的保证特征的全面提取，避免信息的丢失。
33.将本发明所述的去噪方式与其他几种去噪方式进行对比后发现，在均值为零且标准差为10，25和50噪声下，本发明的峰值信噪比、结构相似性均大于其他方式，均方误差均小于其他方式，具体见表1。
34.表1：去噪效果对比表。
35.本实施例中，所述预处理，还包括：对噪声抑制处理之后的图像进行图像增强，所述图像增强，如图3所示，包括：将噪声抑制处理之后的图像输入到图像增强网络模型中，输出图像增强的结果；其中，图像增强网络模型，包括：第一子网络和第二子网络，第一子网络包括依次连接的第一卷积层、第一残差块以及第二卷积层，第二子网络包括依次连接的第三卷积层、第二残差块以及第四卷积层；第一卷积层的输入为噪声抑制处理后的原始图像，第三卷积层的输入为噪声抑制处理后图像的两倍下采样图像，第二卷积层的输出与第一卷积层的输入叠加后作为第二残差块的输入，第四卷积层输入图像增强后的图像。
36.采用本发明所述的上述增强方案，当输入的图像为900*600时，输出图像为1800*1200，能够有效的对图像进行增强。
37.s2，具体的，包括：s2.1：对图像进行分块。
38.计算原始图像的灰度熵x0，将原始图像等分为四个子块图像后，计算各个子块图像的灰度熵x1、x2、x3和x4，若满足：[x
0-（x1+x2+x3+x4）/4]＞0，则对各个子块继续分块，再对每个子块执行上述操作，直至各个子块均无法再分块为止，得到多个子块。
[0039]
s2.2：对每块图像进行双阈值边缘检测。
[0040]
采用迭代式最优阈值选择方式确定各块图像的第一阈值，采用大津法确定各块图像的第二阈值，根据第一阈值和第二阈值，对各块图像的像素依次进行边缘像素检测，得到个快图像的边缘检测结果，采用这种方式，能够有效的去除伪边缘像素点的影响。
[0041]
更具体的，对任一块图像，某一像素的梯度值大于或等于第一阈值时，判断此像素点为边缘像素点，如果此像素的梯度值小于或等于第二阈值，则判断此像素点为非边缘像素点；如果此像素的梯度值大于第二阈值且小于第一阈值，获取此像素的八邻域像素的梯度值，判断是否存在八邻域像素的任一梯度值大于第一阈值，如是，则判断此像素为边缘像素点，如否，则为非边缘像素点。
[0042]
s3中，具体的，预训练的深度学习模型采用预训练的bp神经网络模型，所述的bp神经网络模型包括有输入层、隐含层和输出层，隐含层使用logsig函数，输出层使用purelin函数，其中隐含层的神经元数目为：（1）其中，n为隐含层的神经元数目，ni为输入层的神经元数目，n0为输出层的神经元数目，a属于集合[1,10]。
[0043]
在每次完成绝缘子红外热像的拍摄后，根据标准统计所有绝缘子污秽级别（人工标注），按照以上方式，获取并记录每个污秽级别下的红外热像，依据以上描述，收集五个污秽等级（0、i、ii、iii、iv）的绝缘子红外热像图像共500组，每个污秽等级均对应100组，各污秽等级中，选取80组作为训练组，20组作为试验组进行bp神经网络的训练。
[0044]
本实施例中，0级代表的盐密度为0-0.03，i级代表的盐密度为0.03-0.06mg/cm2，ii级代表的盐密度为0.06-0.10mg/cm2，iii级代表的盐密度为0.10-0.25 mg/cm2，iv级代表的盐密度为0.25-0.35 mg/cm2。
[0045]
可选的，bp神经网络的损失函数可以为：（2）其中，中t(i,j)与q(i,j)为预处理后的图像和标准图像在(i,j)位置的像素值，a为i的最大值，b为j的最大值。
[0046]
实施例2：如图4所示，本发明实施例2提供了一种绝缘子串污秽识别系统，包括：图像获取模块，被配置为：获取输电线路绝缘子串所在位置的图像并进行预处理；边缘检测模块，被配置为：对预处理后的图像进行分块，对每块图像进行双阈值边缘检测，将边缘检测完成后的各块图像进行重新拼接，得到绝缘子串的边缘检测结果；污秽识别模块，被配置为：根据得到的绝缘子串的边缘检测结果，结合深度学习模型，得到绝缘子串污秽识别结果，根据识别到的污秽绝缘子的紫外图像，得到输电线路绝缘子污秽闪络放电识别结果。
[0047]
图像获取模块中，预处理包括：对每块图像进行非极大值抑制处理，对非极大值抑制处理后的图像进行噪声抑制处理。
[0048]
作为本发明第二方面更进一步的限定，噪声抑制处理，包括：
采用噪声估计网络进行噪声估计，将噪声估计的结果传输到去噪网络以去除噪声；其中，噪声估计网络包括五个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，第一卷积层的输出和第二卷积层的输出连接，第二卷积层的输出和第三卷积层的输出连接，第一卷积层、第二卷积层和第三卷积层的输出均与第四卷积层的输出连接。
[0049]
图像获取模块中，预处理还包括：对噪声抑制处理之后的图像进行图像增强，所述图像增强，包括：将噪声抑制处理之后的图像输入到图像增强网络模型中，输出图像增强的结果；其中，图像增强网络模型，包括：第一子网络和第二子网络，第一子网络包括依次连接的第一卷积层、第一残差块以及第二卷积层，第二子网络包括依次连接的第三卷积层、第二残差块以及第四卷积层；第一卷积层的输入为噪声抑制处理后的原始图像，第三卷积层的输入为噪声抑制处理后图像的两倍下采样图像，第二卷积层的输出与第一卷积层的输入叠加后作为第二残差块的输入，第四卷积层输入图像增强后的图像。
[0050]
更具体的各个模块的工作方法与实施例1提供的方法相同，这里不再赘述。
[0051]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种绝缘子串污秽识别方法，其特征在于，包括以下过程：获取输电线路绝缘子串所在位置的图像并进行预处理；对预处理后的图像进行分块，对每块图像进行双阈值边缘检测，将边缘检测完成后的各块图像进行重新拼接，得到绝缘子串的边缘检测结果；根据得到的绝缘子串的边缘检测结果，结合深度学习模型，得到绝缘子串污秽识别结果，根据识别到的污秽绝缘子的紫外图像，得到输电线路绝缘子污秽闪络放电识别结果。2.如权利要求1所述的绝缘子串污秽识别方法，其特征在于，采用迭代式最优阈值选择方式确定各块图像的第一阈值，采用大津法确定各块图像的第二阈值，根据第一阈值和第二阈值，对各块图像的像素依次进行边缘像素检测，得到个快图像的边缘检测结果。3.如权利要求2所述的绝缘子串污秽识别方法，其特征在于，对任一块图像，某一像素的梯度值大于或等于第一阈值时，判断此像素点为边缘像素点，如果此像素的梯度值小于或等于第二阈值，则判断此像素点为非边缘像素点；如果此像素的梯度值大于第二阈值且小于第一阈值，获取此像素的八邻域像素的梯度值，判断是否存在八邻域像素的任一梯度值大于第一阈值，如是，则判断此像素为边缘像素点，如否，则为非边缘像素点。4.如权利要求1所述的绝缘子串污秽识别方法，其特征在于，所述预处理，包括：对每块图像进行非极大值抑制处理，对非极大值抑制处理后的图像进行噪声抑制处理。5.如权利要求4所述的绝缘子串污秽识别方法，其特征在于，噪声抑制处理，包括：采用噪声估计网络进行噪声估计，将噪声估计的结果传输到去噪网络以去除噪声；其中，噪声估计网络包括五个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，第一卷积层的输出和第二卷积层的输出连接，第二卷积层的输出和第三卷积层的输出连接，第一卷积层、第二卷积层和第三卷积层的输出均与第四卷积层的输出连接。6.如权利要求4所述的绝缘子串污秽识别方法，其特征在于，所述预处理，还包括：对噪声抑制处理之后的图像进行图像增强，所述图像增强，包括：将噪声抑制处理之后的图像输入到图像增强网络模型中，输出图像增强的结果；其中，图像增强网络模型，包括：第一子网络和第二子网络，第一子网络包括依次连接的第一卷积层、第一残差块以及第二卷积层，第二子网络包括依次连接的第三卷积层、第二残差块以及第四卷积层；第一卷积层的输入为噪声抑制处理后的原始图像，第三卷积层的输入为噪声抑制处理后图像的两倍下采样图像，第二卷积层的输出与第一卷积层的输入叠加后作为第二残差块的输入，第四卷积层输入图像增强后的图像。7.一种绝缘子串污秽识别系统，其特征在于，包括：图像获取模块，被配置为：获取输电线路绝缘子串所在位置的图像并进行预处理；边缘检测模块，被配置为：对预处理后的图像进行分块，对每块图像进行双阈值边缘检测，将边缘检测完成后的各块图像进行重新拼接，得到绝缘子串的边缘检测结果；
污秽识别模块，被配置为：根据得到的绝缘子串的边缘检测结果，结合深度学习模型，得到绝缘子串污秽识别结果，根据识别到的污秽绝缘子的紫外图像，得到输电线路绝缘子污秽闪络放电识别结果。8.如权利要求7所述的绝缘子串污秽识别系统，其特征在于，图像获取模块中，预处理包括：对每块图像进行非极大值抑制处理，对非极大值抑制处理后的图像进行噪声抑制处理。9.如权利要求8所述的绝缘子串污秽识别系统，其特征在于，噪声抑制处理，包括：采用噪声估计网络进行噪声估计，将噪声估计的结果传输到去噪网络以去除噪声；其中，噪声估计网络包括五个卷积层，分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层和第五卷积层，第一卷积层的输出和第二卷积层的输出连接，第二卷积层的输出和第三卷积层的输出连接，第一卷积层、第二卷积层和第三卷积层的输出均与第四卷积层的输出连接。10.如权利要求8所述的绝缘子串污秽识别系统，其特征在于，图像获取模块中，预处理还包括：对噪声抑制处理之后的图像进行图像增强，所述图像增强，包括：将噪声抑制处理之后的图像输入到图像增强网络模型中，输出图像增强的结果；其中，图像增强网络模型，包括：第一子网络和第二子网络，第一子网络包括依次连接的第一卷积层、第一残差块以及第二卷积层，第二子网络包括依次连接的第三卷积层、第二残差块以及第四卷积层；第一卷积层的输入为噪声抑制处理后的原始图像，第三卷积层的输入为噪声抑制处理后图像的两倍下采样图像，第二卷积层的输出与第一卷积层的输入叠加后作为第二残差块的输入，第四卷积层输入图像增强后的图像。

技术总结
本发明提供了一种绝缘子串污秽识别方法及系统，属于电力巡检技术领域。所述方法，包括以下过程：获取输电线路绝缘子串所在位置的图像并进行预处理；对预处理后的图像进行分块，对每块图像进行双阈值边缘检测，将边缘检测完成后的各块图像进行重新拼接，得到绝缘子串的边缘检测结果；根据得到的绝缘子串的边缘检测结果，结合深度学习模型，得到绝缘子串污秽识别结果，根据识别到的污秽绝缘子的紫外图像，得到输电线路绝缘子污秽闪络放电识别结果；本发明采用图像分块、双阈值边缘检测再图像拼接的方式，有效的去除了伪边缘的影响，提高了绝缘子串污秽识别的精度。缘子串污秽识别的精度。缘子串污秽识别的精度。


技术研发人员：周加斌 陈玉峰 林颖 崔其会 张峰达 秦佳峰 李杰 杨祎 李程启 辜超 姚金霞 朱文兵 乔木 李晨昊 戈宁 任敬国 李壮壮 郑文杰 刘萌 孙艺玮 张围围 刘辉 段玉兵 周超 刘岩
受保护的技术使用者：国网山东省电力公司电力科学研究院
技术研发日：2023.06.08
技术公布日：2023/7/12