一种基于IMVO-DELM模型的光伏发电功率预测方法与流程

一种基于imvo-delm模型的光伏发电功率预测方法
技术领域
1.本发明涉及光伏发电技术领域，具体涉及一种基于imvo-delm模型的光伏发电功率预测方法。


背景技术：

2.石油、煤炭等化石燃料被大量使用并逐渐走向枯竭，目前世界各国既要应对能源缺乏，又要应对环境恶化。发展可再生新能源已经成为各国的首要选择，太阳能作为可再生新能源的一种，具有可再生能力强、清洁环保、资源丰富、开发利用方便等优点。但光伏发电具有随机性和不连续性等特点，在并网时对电网的影响也越来越大，对光伏发电功率进行预测能提高功率输出的预见性，不仅可以保证电网调度信息的可靠性，而且能够帮助电网调度合理规划，对推动光伏发电行业健康稳定发展具有重要的现实意义和指导意义。
3.现阶段对光伏发电功率预测的方法有很多，包括统计学方法、光伏性能模型、深度学习法以及混合模型等。由于深度学习模型可以实现端到端的映射，使用多种深度学习组合模型实现光伏出力的预测，不仅能够为模型提供多维度、高深度的数据信息，还可以进一步拓展模型本身的复杂度，提高模型学习特征间非线性关系的能力。
4.基于上述背景，基于深度学习建立一个高精度的预测模型进行短期光伏发电功率预测，对于帮助电力调度部门完善调度计划、提升光伏发电预测能力、提高光伏产业的经济收益，以及进行相关的理论研究等诸多方面都具备实用价值和指导意义。


技术实现要素：

5.本发明的目的是为了克服现有技术的不足，针对目前在复杂天气工况下光伏发电功率预测精度不高的问题，提出一种基于imvo-delm模型的光伏发电功率预测方法，所提方法采用delm作为预测主模型，并利用改进mvo算法对其权重和偏置参数进行更新，从而弥补传统方法在面对天气波动较大场景下预测准确度不高、预测收敛速度较慢的缺点。
6.本发明采用的技术方案为：一种基于imvo-delm模型的光伏发电功率预测方法，包括如下步骤：
7.步骤1：获取某光伏电站历史发电数据和nwp数据，构成原始光伏发电预测数据集，随后对数据进行预处理；
8.步骤2：采用斯皮尔曼相关系数法对特征进行相关性分析，并筛选与光伏发电功率相关性较大的特征作为模型训练的输入特征；
9.步骤3：为了进一步提高mvo算法在对delm参数寻优过程中的搜索能力和收敛性能力，对传统mvo算法进行改进；
10.步骤4：利用imvo对delm的参数进行寻优，进而构建imvo-delm光伏发电功率预测模型；
11.步骤5：将数据集按照8:2划分为训练集和测试集，利用训练集对预测模型进行充分训练，为了防止模型发生过拟合，引入早停机制，在训练精度达到要求时提前结束训练，
并保存最佳训练模型；
12.步骤6：将测试集输入到训练好的最佳模型中进行光伏发电功率预测，并利用均方根误差(r
mse
)、平均绝对百分比误差(m
ape
)对模型预测效果进行评价。
13.具体的，所述步骤1中，获取某光伏电站历史发电数据和nwp数据，构成原始光伏发电预测数据集，随后对数据进行预处理。具体的，通过开源网站或国网公开的数据源获取某光伏电站的历史发电数据、nwp数据后构成原始光伏发电功率预测数据集，随后考虑到由于数据采集设备故障或不正常运行导致的数据缺失或异常，为了避免对模型预测精度产生的不良影响，采用随机森林算法对缺失值进行填充。
14.采用随机森林对缺失数据进行插补时，将没有缺失的个体数据作为随机森林的训练样本集，训练得到预测模型，再基于预测模型对缺失数据进行填充。具体过程为：
15.对原始数据集中各特征的缺失值数量进行遍历统计，按照缺失值数量升序将所有含缺失数据的特征进行排序，缺失值较少的特征先进行填充，其他特征的缺失值先按照传统方式赋值(如采用众数或均值填充缺失值)。一个含有n个特征的数据，其中特征t有缺失值，将特征t当作标签，其余n-1个特征和原本的标签组成新的特征矩阵，其中，特征t未缺失值对应的其他n-1个特征和原本标签作为x_train，缺失值对应的其他n-1个特征和原本的标签作为x_test，特征t中没有缺失值的部分为y_train，特征t中缺失的部分为y_test，利用组成的训练集训练随机森林模型，并利用测试集预测缺失值，将预测值作为填充值对缺失数据进行填充，每完成一次回归预测，就将预测值放到原本的特征矩阵中，再继续填补下一个特征，遍历所有特征并填充直至数据完整。
16.进一步地，采用箱线图法对原始数据进行异常值检测，随后将异常值作为缺失值，并采用随机森林算法对缺失值进行修正。箱线图中q1、q2、q3分别表示上四分位数、中位数、下四分位数，iqr表示四分位间距，即iqr＝q
1-q3。判断为异常值的条件为：
17.判断为异常值的条件为：
[0018][0019]
最后为了避免各特征量之间的量纲不同对模型训练效果产生不利影响，对修正后的数据进行归一化，采用min-max方法进行数据归一化，计算公式为：
[0020][0021]
式中：xi(k)为特征i的第k个样本的原始值，x
i,max
、x
i,min
分别为特征i中最小值和最大值，xi′
(k)为归一化值。
[0022]
具体的，所述步骤2，采用斯皮尔曼相关系数法对特征进行相关性分析，并筛选与光伏发电功率相关性较大的特征作为模型训练的输入特征。具体的，对于原始数据集中的两个特征序列x和y，其斯皮尔曼相关性系数大小计算公式为：
[0023]
[0024]
式中：n为序列长度，xi和yi分别为序列x和y的第i个变量，和分别为序列x和y的平均值。
[0025]
s的取值范围为[-1,1]，s趋近于0，两个序列的相关性越低；s的绝对值越趋于1，两个特征的相关性越强，当s趋近于-1时，两序列呈负相关，趋近于1时则呈正相关。
[0026]
具体的，所述步骤3，为了进一步提高mvo算法在对delm参数寻优过程中的搜索能力和收敛性性能，对标准mvo算法进行改进。
[0027]
标准mvo算法的具体描述如下：
[0028]
假设一个由n个宇宙组成的群在d维目标空间中搜索最优解，将其初始化如下：
[0029][0030]
式中，表示第i个宇宙的第j个参数，计算公式为：
[0031][0032]
式中，xi表示第i个宇宙；ni(xi)表示第i个宇宙的归一化膨胀率；r1为[0,1]之间的随机数；表示利用轮盘赌机制选择出的第i个宇宙的第k个参数。
[0033]
宇宙之间通过虫洞随机传送物质以保证种群多样性，同时都与最优宇宙交换物质以提高膨胀率，这一过程的数学模型可以表示为：
[0034][0035]
式中，xj表示当前最好宇宙的第j个参数；ubj表示第j个变量的上边界；lbj表示第j个变量的下边界；r2、r3、r4表示[0,1]之间的随机数；w
ep
表示虫洞存在概率；t
dr
表示虫洞旅行距离率。w
ep
、t
dr
计算公式如下：
[0036][0037][0038]
式中，w
epmax
、w
epmin
分别表示的最大、最小值，分别取0.2、1；l表示当前迭代次数；l表示最大迭代次数；p表示算法的开发精度，取值为6。
[0039]
为了进一步提高mvo算法在对delm参数寻优过程中的搜索能力和收敛性能力，对传统mvo算法进行改进。改进方式包括以下三点：
[0040]
1)引入螺旋更新策略强化算法全局搜索能力，计算公式为：
[0041]
[0042]
式中：表示第i个宇宙的第j个参数；xj表示当前最好宇宙的第j个参数；b表示度量螺旋形态的系数，m为[0,1]间的随机数。
[0043]
2)采用指数形式对虫洞旅行距离率进行更新。具体更新公式为：
[0044][0045]
式中：t
dr
表示虫洞旅行距离率；q为介于0到6000之间的常数；l表示当前迭代次数；l表示最大迭代次数。
[0046]
3)引入自适应压缩系数(λ)来改变当前最优域的位置。具体更新公式为：
[0047][0048]
通过引入上述改进策略，公式(6)可以写为：
[0049][0050]
具体的，所述步骤4，利用imvo对delm的参数进行寻优，进而构建imvo-delm光伏发电功率预测模型。
[0051]
标准elm模型的输出表达式为：
[0052][0053]
式中：输入层和隐藏层之间的权重表示为w＝(w
i1
,w
i2
,
…
,w
im
)
t
；隐藏层和输出层之间的权重表示为b＝(b
i1
,b
i2
,
…
,b
im
)
t
；bi表示第i个隐含层的偏置；g(
·
)为隐含层的激活函数。
[0054]
定义h为训练样本隐藏层神经元之间的输出特征矩阵，t定义为期望输出矩阵，elm输出的矩阵表达式可表示为hb＝t，为进一步得到模型的训练结果，通过最小二乘解的使得：
[0055][0056]
式中：表示输出权值，为输出矩阵h的moore-penrose广义逆矩阵。
[0057]
delm以极限学习机-自编码器(elm-ae)为基本单元，因其具有较佳的特征表达能力，经逐层训练，可得原始数据的高级特征。此时隐藏层的输出权重表达式为：
[0058][0059]
式中：b＝[b1,b2,
…
,bn]表示输出节点和隐藏层节点之间的权重；x＝[x1,x2,
…
,xn]为输入数据；c为正则化系数。
[0060]
elm-ae作为delm的基本单元，将多个elm-ae堆叠后构成了含多层隐藏层的深度极限学习机网络结构，避免了关键参数反复迭代微调的问题，可以有效地提高模型计算效率。
delm模型的权重w和偏置b均会影响预测结果，但w和b是随机初始化的，随机的权重w和偏置b将使输出结果出现较大不确定性，因此采用imvo对delm的权重w和偏置b进行寻优，具体步骤为：
[0061]
1)初始化算法参数，包括宇宙x、最大迭代次数l、宇宙的位置、解空间的上限ub和下限lb。
[0062]
2)将delm训练集的m
ape
作为适应度函数，并计算出迭代过程中的适应度值；
[0063]
3)根据公式(7)、(10)计算虫洞存在概率和虫洞旅行距离率；
[0064]
4)利用公式(12)更新宇宙参数，同时计算适应度值，若优于当前宇宙，则替换，否则保留当前宇宙；
[0065]
5)当达到最大迭代次数或满足精度要求，则退出循环，输出最优参数，否则不断执行步骤2)～5)直至满足要求即可；
[0066]
6)当满足迭代终止条件后，利用优化后的参数作为delm模型的输入权重和偏置。
[0067]
具体的，所述步骤5，将数据集按照8:2划分为训练集和测试集，利用训练集对预测模型进行充分训练，为了防止模型发生过拟合，引入早停机制，在训练精度达到要求时提前结束训练，并保存最佳训练模型。早停机制的执行步骤为：
[0068]
1)将训练数据集按照9:1划分为训练集和验证集；
[0069]
2)只在训练集上进行训练，对每一个训练周期计算模型在验证集上的误差；
[0070]
3)当模型在验证集上的误差比上一次训练结果差的时候停止训练；
[0071]
4)使用上一次迭代结果中的参数作为模型的最终参数。
[0072]
具体的，所述步骤6中，将测试集输入到训练好的最佳模型中进行光伏发电功率预测，并利用均方根误差(r
mse
)、平均绝对百分比误差(m
ape
)对模型预测效果进行评价。将测试集输入训练好的最佳imvo-delm模型中对光伏发电功率进行预测，采用r
mse
、m
ape
对模型预测效果进行评估，并与多个对比算法进行比较分析，验证所提方法的有效性和优越性。r
mse
、m
ape
具体计算表达式如下：
[0073][0074][0075]
式中：yi表示实际值，y
′i表示预测值，为平均值，n表示预测样本数量。
[0076]
本发明与现有技术相比，具有以下的有益效果：
[0077]
针对目前在复杂天气工况下光伏发电功率预测精度不高的问题，提出一种基于imvo-delm模型的光伏发电功率预测方法，所提方法采用delm作为预测主模型，并利用改进mvo算法对其权重和偏置参数进行更新。对mvo算法进行改进，可以加快算法收敛速度，加速对delm权重和偏置寻优的性能；进一步地，利用delm进行光伏功率预测，在非晴天工况下可以保持较高的预测精度，其深度体系结构使其在光伏功率时间序列等具有复杂时序特性数据预测上的表现效果比传统elm更好，能提高光伏时间序列的预测精度。
附图说明
[0078]
附图1为本发明中基于imvo-delm模型的光伏发电功率预测流程；
[0079]
附图2为本发明中delm的结构原理图；
[0080]
附图3为本发明实施例中原始特征数据归一化箱线图；
[0081]
附图4为本发明实施例中特征间斯皮尔曼相关系数热力图；
[0082]
附图5为本发明实施例中各个对比算法的迭代收敛曲线；
[0083]
图6为本发明实施例中晴天工况下各模型预测效果对比情况；
[0084]
图7为本发明实施例中非晴天工况下各模型预测效果对比情况。
具体实施方式
[0085]
下面将利用实施例对所提方法进行有效性验证，并结合附图对本发明实施例中的技术方案进行清楚、完整地描述。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他实施例，都属于本发明保护的范围。
[0086]
如附图1、2所示，一种基于imvo-delm模型的光伏发电功率预测方法，主要包括以下主要步骤：
[0087]
步骤1：获取某光伏电站历史发电数据和nwp数据，构成原始光伏发电预测数据集，随后对数据进行预处理；
[0088]
步骤2：采用斯皮尔曼相关系数法对特征进行相关性分析，并筛选与光伏发电功率相关性较大的特征作为模型训练的输入特征；
[0089]
步骤3：为了进一步提高mvo算法在对delm参数寻优过程中的搜索能力和收敛性能力，对传统mvo算法进行改进；
[0090]
步骤4：利用imvo对delm的参数进行寻优，进而构建imvo-delm光伏发电功率预测模型；
[0091]
步骤5：将数据集按照8:2划分为训练集和测试集，利用训练集对预测模型进行充分训练，为了防止模型发生过拟合，引入早停机制，在训练精度达到要求时提前结束训练，并保存最佳训练模型；
[0092]
步骤6：将测试集输入到训练好的最佳模型中进行光伏发电功率预测，并利用均方根误差(r
mse
)、平均绝对百分比误差(m
ape
)对模型预测效果进行评价。
[0093]
根据步骤1，获取数据并进行数据预处理，本实施例采用来源于澳大利亚太阳能中心网站上的公开数据，包括2020年1月1日-2021年1月1日1年的数据，时间分辨率为5min，共计105120条数据，该数据集包含的特征信息如表1所示：
[0094]
表1原始数据集特征信息
[0095][0096][0097]
随后进行数据预处理，获取的样本数据不含缺失值和异常值，因此直接对数据进行归一化，归一化后的箱线图如附图3所示。
[0098]
根据步骤2所述，利用斯皮尔曼相关性分析法对表1中的各个特征进行相关性分析，计算后画出相关性系数热力图如附图4所示。取与输出功率相关性大小绝对值大于0.5
以上的特征作为模型训练的输入特征，从图中可以看出，筛选后的特征为：ac、wt、ghr、dhr、rgt、rdt总共6个输入特征。
[0099]
根据步骤3～6所述，按照8:2划分数据为训练集和测试集，即84096条数据做为训练集，21024条数据作为测试集，随后建立imvo-delm光伏发电功率预测模型，设置imvo的初始种群大小为50，迭代次数为200，为了验证改进寻优算法的有效性及优越性，将imvo和mvo、粒子群算法(pso)、遗传算法(ga)、布谷鸟搜索算法(cs)进行对比，预测模型均采用delm，经过多次重复取平均值实验，得到不同算法优化delm预测的适应度曲线如附图5所示。由图可以看出，ga和pso一开始即陷入局部最优解，而mvo和cs具有较快的收敛速度，分别在第100次和72次获得全局最优解，imvo仅迭代至第44次即可获得全局最优解，且要优于其他算法。综合比较，imvo能够同时兼顾收敛速度和搜索能力两方面的优点，因此具有更好的寻优性能。
[0100]
在此基础上，为了验证所提预测方法的优越性，将所提方法与bp、elm、cnn-lstm模型在晴天和非晴天两种工况下的预测效果进行对比，参数按照经验值设置，为客观评价模型的预测精度，避免偶然性误差影响，对各两种工况下的预测工作统一进行10次实验，取10次预测值的平均值作为最终预测结果，并与真实值进行误差计算分析，预测效果如附图6所示，预测误差结果如表2所示，未进行参数优化时，按照经验值设置超参数。两种天气工况下，所提模型相对于bp、elm、cnn-lstm的r
mse
和m
ape
值均较小，晴天工况下光伏发电功率波动较小，非晴天工况下，由于天气因素使得光伏发电出力随机性较强、波动性较大，此时各个模型相对于晴天工况下预测效果变差，所提模型误差最高波动不超过1％，说明所提方法在晴天或非晴天工况下均可以有效对光伏发电功率进行较高精度地预测，即该模型具有一定的稳定性。
[0101]
表2评价指标值
[0102][0103][0104]
综上所述，利用imvo对delm的参数进行优化后，可以加快收敛速度，达到更好的预测效果，从实施例来看，充分验证了所提方法的有效性及优越性，且该模型在面对波动性较大的非晴天工况下时，仍然具有较高的预测精度。
[0105]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

技术特征：
1.一种基于imvo-delm模型的光伏发电功率预测方法，其特征在于，包括以下步骤：步骤1：获取某光伏电站历史发电数据和nwp数据，构成原始光伏发电预测数据集，随后对数据进行预处理；步骤2：采用斯皮尔曼相关系数法对特征进行相关性分析，并筛选与光伏发电功率相关性较大的特征作为模型训练的输入特征；步骤3：为了进一步提高mvo算法在对delm参数寻优过程中的搜索能力和收敛性能力，对传统mvo算法进行改进；步骤4：利用imvo对delm的参数进行寻优，进而构建imvo-delm光伏发电功率预测模型；步骤5：将数据集按照8:2划分为训练集和测试集，利用训练集对预测模型进行充分训练，为了防止模型发生过拟合，引入早停机制，在训练精度达到要求时提前结束训练，并保存最佳训练模型；步骤6：将测试集输入到训练好的最佳模型中进行光伏发电功率预测，并利用均方根误差(r
mse
)、平均绝对百分比误差(m
ape
)对模型预测效果进行评价。2.根据权利要求1所述的一种基于imvo-delm模型的光伏发电功率预测方法，所述步骤1：获取某光伏电站历史发电数据和nwp数据，构成原始光伏发电预测数据集，随后对数据进行预处理；通过开源网站或国网公开的数据源获取某光伏电站历史发电数据、nwp数据后构成原始数据集，随后考虑到由于数据采集设备故障或不正常运行导致的数据缺失或异常，为了避免对模型预测精度产生的不良影响，采用随机森林算法对缺失值进行填充，随后采用箱线图法对异常值进行检测，将异常值作为缺失值后采用随机森林算法进行修正，最后为了避免各特征量之间的量纲不同对模型训练效果产生的不利影响，将修正后的数据进行归一化至[0,1]区间。3.根据权利要求1所述的一种基于imvo-delm模型的光伏发电功率预测方法，其特征在于，所述步骤2：采用斯皮尔曼相关系数法对特征进行相关性分析，并筛选与光伏发电功率相关性较大的特征作为模型训练的输入特征；对于原始数据集中的两个特征序列x和y，其斯皮尔曼相关性系数大小计算公式为：式中：n为序列长度，x
i
和y
i
分别为序列x和y的第i个变量，和分别为序列x和y的平均值；s的取值范围为[-1,1]，s趋近于0，两个序列的相关性越低；s的绝对值越趋于1，两个特征的相关性越强，当s趋近于-1时，两序列呈负相关，趋近于1时则呈正相关。4.根据权利要求1所述的一种基于imvo-delm模型的光伏发电功率预测方法，其特征在于，其特征在于，所述步骤3：为了进一步提高mvo算法在对delm参数寻优过程中的搜索能力和收敛性能力，对传统mvo算法进行改进；改进方式包括以下三点：(1)引入螺旋更新策略强化算法全局搜索能力，计算公式为：式中：表示第i个宇宙的第j个参数；x
j
表示当前最好宇宙的第j个参数；b表示度量螺
旋形态的系数，m为[0,1]间的随机数；(2)采用指数形式对虫洞旅行距离率进行更新；具体更新公式为：式中：t
dr
表示虫洞旅行距离率；q为介于0到6000之间的常数；l表示当前迭代次数，l表示最大迭代次数；(3)引入自适应压缩系数(λ)来改变当前最优域的位置；具体更新公式为：5.根据权利要求1所述的一种基于imvo-delm模型的光伏发电功率预测方法，其特征在于，所述步骤4：利用imvo对delm的参数进行寻优，进而构建imvo-delm光伏发电功率预测模型；标准elm模型的输出表达式为：式中：输入层和隐藏层之间的权重表示为w＝(w
i1
,w
i2
,
…
,w
im
)
t
；隐藏层和输出层之间的权重表示为b＝(b
i1
,b
i2
,
…
,b
im
)
t
；b
i
表示第i个隐含层的偏置；g(
·
)为隐含层的激活函数；定义h为训练样本隐藏层神经元之间的输出特征矩阵，t定义为期望输出矩阵，elm输出的矩阵表达式可表示为hb＝t，为进一步得到模型的训练结果，通过最小二乘解的使得：式中：表示输出权值，为输出矩阵h的moore-penrose广义逆矩阵；delm以极限学习机-自编码器(elm-ae)为基本单元，因其具有较佳的特征表达能力，经逐层训练，可得原始数据的高级特征；此时隐藏层的输出权重表达式为：式中：b＝[b1,b2,
…
,b
n
]表示输出节点和隐藏层节点之间的权重；x＝[x1,x2,
…
,x
n
]为输入数据；c为正则化系数；elm-ae作为delm的基本单元，多个elm-ae堆叠而成进行计算，最终构成了含多层隐含层的深度极限学习机网络结构，避免了关键参数反复迭代微调的问题，可以有效地提高模型计算效率；delm模型的权重w和偏置b均能够直接影响预测结果，delm模型的权重w和偏置b是随机初始化的，delm模型具有更多的隐含层神经元，随机的权重w和偏置b将使输出结果出现较大不确定性，因此采用imvo对delm的权重w和偏置b进行寻优。6.根据权利要求1所述的一种基于imvo-delm模型的光伏发电功率预测方法，其特征在于，所述步骤5：将数据集按照8:2划分为训练集和测试集，利用训练集对预测模型进行充分训练，为了防止模型发生过拟合，引入早停机制，在训练精度达到要求时提前结束训练，并保存最佳训练模型；步骤如下：(1)将原始的训练数据集划分成训练集和验证集；
(2)只在训练集上进行训练，对每一个训练周期计算模型在验证集上的误差；(3)当模型在验证集上的误差比上一次训练结果差的时候停止训练；(4)使用上一次迭代结果中的参数作为模型的最终参数。7.根据权利要求1所述的一种基于imvo-delm模型的光伏发电功率预测方法，其特征在于，所述步骤6：将测试集输入到训练好的最佳模型中进行光伏发电功率预测，利用均方根误差(rmse)、平均绝对百分比误差(mape)对模型预测效果进行评价，并与多个对比算法进行比较分析，验证所提方法的有效性和优越性。

技术总结
本发明涉及一种基于IMVO-DELM模型的光伏发电功率预测方法，包括如下内容：首先，获取某光伏电站历史发电数据和数值天气预报（NWP）数据，构成原始光伏发电预测数据集，随后对数据进行预处理；然后，采用斯皮尔曼相关系数法对特征进行相关性分析，并筛选与光伏发电功率相关性较大的特征作为模型训练的输入特征；为了进一步提高多元宇宙（MVO）算法在对DELM参数寻优过程中的搜索能力和收敛性能力，对其进行改进；在此基础上，利用改进MVO算法（IMVO）对DELM的参数进行寻优，进而构建IMVO-DELM光伏发电功率预测模型；随后，将数据集按照8:2划分为训练集和测试集，利用训练集对预测模型进行充分训练，通过实施例分析，验证了所提方法的有效性和优越性。性和优越性。性和优越性。


技术研发人员：元亮 王鑫 苗桂喜 王继勇 连勇 胡建礼 闫娇 王丽晔 赵悠悠 郑惠瀛 艾学伟 贾淑雅 崔哲芳 王远 孙文强 孟红杰 刘延东
受保护的技术使用者：国网河南省电力公司安阳供电公司
技术研发日：2023.05.29
技术公布日：2023/8/13