基于多边云协同的智能变电站自动控制调度方法及系统与流程

1.本发明涉及变电站计算资源优化调度领域，具体涉及基于多边云协同的智能变电站自动控制调度方法及系统。


背景技术：

2.智能变电站是采用先进、可靠、集成和环保的智能设备，以全站信息数字化、通信平台网络化、信息共享标准化为基本要求，自动完成信息采集、测量、控制、保护、计量和检测等基本功能，是具备支持电网实时自动控制、智能调节、在线分析决策和协同互动等高级功能的变电站。随着电力系统的不断发展及电网的智能化，实时的对变电站进行监测具有重要意义，是实现电变电站智能化的关键。为适应智能变电站的需求，监测系统应该具备更为全面而准确的数据采集系统，具有强大的数据智能调度系统，在不同延迟下实现云端和边缘设备计算资源利用率的最大化，从而实现数据安全高效处理。
3.在变电站监测中进行控制调度尤为重要，它是变电站监测的核心体现，是建设智能变电站的关键内容，是智能变电站运行控制的神经中枢。现有技术大多是在变电站监测过程中进行预测控制，预测控制具有预测和控制的功能，它是根据系统当前时刻的控制输入和过程的历史信息，预测过程输出的未来值，然后将预测的过程输出的第一个值作为系统的控制量输入系统，继续进行预测控制，从而不断对系统进行优化，实现系统的最优化调度。其中在系统调度过程中调度方案如果过于复杂，将大大增加调度成本，而不利于投入实际应用，因此，系统优化调度需要考虑的一个重要问题实现计算资源的合理分配的同时保证系统收益最大化，以满足实际应用需求。
4.例如中国专利公开号cn112882383a，公开的一种面向变电站监测与边缘云协同的预测控制调度方法，采用的就是预测控制方案，将预测出来的第一个时刻的控制输入作用于系统，决定下一时刻的数据该送至云端处理还是送往边缘端处理，同时预测出来的第一个时刻的控制输入还将作为下一轮预测的初值，继续下一轮的预测控制，从而实现了计算资源的合理分配。其在预测过程中的最终目标是降低数据传输过程中的延迟，使传输和处理速度更快，使得计算资源利用率更高，但是没有考虑系统收益的问题，无法在计算资源的合理分配的同时保证系统收益最大化，无法真正满足实际应用需求。


技术实现要素：

5.本发明所要解决的技术问题在于现有技术面向变电站监测与边缘云协同的预测控制调度方法，在调度过程中没有考虑系统收益，难以满足实际应用需求的问题。
6.本发明通过以下技术手段解决上述技术问题的：基于多边云协同的智能变电站自动控制调度方法，包括以下步骤：步骤一：根据变电站中传感器的位置确定边缘设备数目以及所处位置；步骤二：变电站中传感器采集变电站内各类数据并通过数据流传输；步骤三：将数据流分配到边缘设备或者云端，计算云端传输消耗；
步骤四：根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；步骤五：以收益最大为目标构建目标函数并建立约束条件；步骤六：对目标函数求解，得出变电站的传感器数据流优化调度方案。
7.进一步地，所述步骤一包括：将变电站中n个传感器顺序编号，以每个传感器所在位置为圆心，边缘设备的覆盖范围为半径画圆，求出圆与圆的交集，交集所在位置作为边缘设备所处的位置，对于当前传感器所画的圆与其他传感器所画的圆无交集的情况下，选取当前传感器画的圆的圆内任意位置作为边缘设备的位置。
8.进一步地，所述步骤二包括：将个边缘设备顺序编号为，其中表示第个边缘设备的序号，，变电站中传感器采集变电站内各类数据并通过数据流传输，传感器的数据流根据调度方案确定分配到所在区域的边缘设备或者云端。
9.进一步地，所述步骤三包括：通过公式计算云端传输消耗，其中，表示第个传感器到云端的传输功率，表示传感器总数，表示第个传感器在单位时刻采集到的数据量，表示第个传感器传输到边缘设备的数据占其总数据的百分比，表示第个传感器到云端的传输速率。
10.更进一步地，所述步骤四包括：通过公式计算第个边缘设备的收益，其中，为计算边缘设备的收益时传感器的价格参数，为第个传感器发送到边缘设备的数据流大小，为数据流处理的总步数，为数据经过第步处理后和原始数据流相比的压缩比，为第步时，第个边缘设备所接受的数据流占当时总数据流的百分比，为第个边缘设备计算消耗的能量，为关于边缘计算的能量消耗的成本参数，为第个边缘设备传递数据消耗的能量，为关于边缘设备传输过程能量消耗的成本参数，为第个边缘设备第步和第步间数据流流到其他边缘设备的百分比差值。
11.更进一步地，所述步骤四还包括：通过公式计算云端的收益，其中，为计算云端收益时传感器的价格参数，为关于云端传输的能量消耗的成本参数，为关于云端处理单位数据的成本参数。
12.更进一步地，所述步骤四还包括：
通过公式计算第个边缘设备计算消耗的能量，其中，为边缘设备处理单位数据所要消耗的功耗；通过公式计算第个边缘设备传递数据消耗的能量，其中，为边缘设备之间的传输功率，为传感器间传输的传输速率。
13.更进一步地，所述步骤五包括：构建目标函数，其中，为边缘设备的总数；建立以下约束条件建立以下约束条件建立以下约束条件建立以下约束条件建立以下约束条件其中，为第个边缘设备横坐标，为第个传感器横坐标，为第个边缘设备纵坐标，为第个传感器纵坐标，为边缘设备的覆盖范围，为第步时边缘设备处理单位数据所要消耗的功耗，为边缘设备处理单位数据所要消耗的功耗的上限值。
14.更进一步地，所述步骤六包括：采用模型进行目标函数求解，将目标函数作为模型的损失函数，将的初始值输入模型的评估网络，将的初始值输入模型的目标网络，然后不断调整模型的网络参数以及和的值，直到目标函数最大的时候停止训练，此时求解得出的和的值为最优解，根据求解的和的值确定第步时，第个边缘设备所接受的数据流向下一个边缘设备传输还是云端传输。
15.本发明还提供基于多边云协同的智能变电站自动控制调度系统，所述系统包括：边缘设置模块，用于根据变电站中传感器的位置确定边缘设备数目以及所处位置；数据采集模块，用于变电站中传感器采集变电站内各类数据并通过数据流传输；云端消耗计算模块，用于将数据流分配到边缘设备或者云端，计算云端传输消耗；收益计算模块，用于根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；目标函数构建模块，用于以收益最大为目标构建目标函数并建立约束条件；优化调度模块，用于对目标函数求解，得出变电站的传感器数据流优化调度方案。
16.进一步地，所述边缘设置模块还用于：将变电站中n个传感器顺序编号，以每个传感器所在位置为圆心，边缘设备的覆盖范围为半径画圆，求出圆与圆的交集，交集所在位置作为边缘设备所处的位置，对于当前
传感器所画的圆与其他传感器所画的圆无交集的情况下，选取当前传感器画的圆的圆内任意位置作为边缘设备的位置。
17.进一步地，所述数据采集模块还用于：将个边缘设备顺序编号为，其中表示第个边缘设备的序号，，变电站中传感器采集变电站内各类数据并通过数据流传输，传感器的数据流根据调度方案确定分配到所在区域的边缘设备或者云端。
18.进一步地，所述云端消耗计算模块还用于：通过公式计算云端传输消耗，其中，表示第个传感器到云端的传输功率，表示传感器总数，表示第个传感器在单位时刻采集到的数据量，表示第个传感器传输到边缘设备的数据占其总数据的百分比，表示第个传感器到云端的传输速率。
19.更进一步地，所述步收益计算模块还用于：通过公式计算第个边缘设备的收益，其中，为计算边缘设备的收益时传感器的价格参数，为第个传感器发送到边缘设备的数据流大小，为数据流处理的总步数，为数据经过第步处理后和原始数据流相比的压缩比，为第步时，第个边缘设备所接受的数据流占当时总数据流的百分比，为第个边缘设备计算消耗的能量，为关于边缘计算的能量消耗的成本参数，为第个边缘设备传递数据消耗的能量，为关于边缘设备传输过程能量消耗的成本参数，为第个边缘设备第步和第步间数据流流到其他边缘设备的百分比差值。
20.更进一步地，所述收益计算模块还用于：通过公式计算云端的收益，其中，为计算云端收益时传感器的价格参数，为关于云端传输的能量消耗的成本参数，为关于云端处理单位数据的成本参数。
21.更进一步地，所述收益计算模块还用于：通过公式计算第个边缘设备计算消耗的能量，其中，为边缘设备处理单位数据所要消耗的功耗；通过公式计算第个边缘设备传递数据消耗的能量，其中，为边缘设备之间的传输功率，为传感器间传输的传输速率。
22.更进一步地，所述目标函数构建模块还用于：构建目标函数，其中，为边缘设备的总数；
建立以下约束条件建立以下约束条件建立以下约束条件建立以下约束条件建立以下约束条件其中，为第个边缘设备横坐标，为第个传感器横坐标，为第个边缘设备纵坐标，为第个传感器纵坐标，为边缘设备的覆盖范围，为第步时边缘设备处理单位数据所要消耗的功耗，为边缘设备处理单位数据所要消耗的功耗的上限值。
23.更进一步地，所述优化调度模块还用于：采用模型进行目标函数求解，将目标函数作为模型的损失函数，将的初始值输入模型的评估网络，将的初始值输入模型的目标网络，然后不断调整模型的网络参数以及和的值，直到目标函数最大的时候停止训练，此时求解得出的和的值为最优解，根据求解的和的值确定第步时，第个边缘设备所接受的数据流向下一个边缘设备传输还是云端传输。
24.本发明的优点在于：（1）本发明根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益，以收益最大为目标构建目标函数，然后对目标函数求解，从而得出变电站的传感器数据流优化调度方案，实现计算资源的合理分配的同时保证系统收益最大化，满足实际应用需求。
25.（2）本发明将面向变电站监测的边缘云协同的预测控制调度问题转化为非线性整数规划问题，对目标函数取反并将其求解变量松弛为连续变量，利用算法求解出经过松弛的非线性规划问题的最优解，大大降低了求解问题时的运算量，提高了运算速度，能更好的实现对变电站的实时监测，更有利于变电站智能化的建设。
附图说明
26.图1为本发明实施例所公开的基于多边云协同的智能变电站自动控制调度方法的流程图。
具体实施方式
27.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明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，都属于本发明保护的范围。
28.实施例1如图1所示，基于多边云协同的智能变电站自动控制调度方法，所述方法包括：s1：根据变电站中传感器的位置确定边缘设备数目以及所处位置；具体过程为：在智能变电站监测环境中，先将个传感器从左到右进行编号，其中表示第个传感器的序号，；令每个传感器每时每刻采集数据并发出形成一个数据流。以每个传感器所在位置为圆心，边缘设备的覆盖范围为半径画圆，求出圆与圆的交集，交集所在位置作为边缘设备所处的位置，对于当前传感器所画的圆与其他传感器所画的圆无交集的情况下，选取当前传感器画的圆的圆内任意位置作为边缘设备的位置。以下公式表明传感器全覆盖。
29.其中，为第个边缘设备横坐标，为第个传感器横坐标，为第个边缘设备纵坐标，为第个传感器纵坐标。
30.s2：变电站中传感器采集变电站内各类数据并通过数据流传输；具体过程为：将个边缘设备顺序编号为，其中表示第个边缘设备的序号，，变电站中传感器采集变电站内各类数据并通过数据流传输，传感器的数据流根据调度方案确定分配到所在区域的边缘设备或者云端。传感器发送至边缘的数据流在每次分配前会进行合流再分配的过程，保证单个边缘设备的计算资源能满足数据流的计算需求。
31.s3：将数据流分配到边缘设备或者云端，计算云端传输消耗；具体过程为：云计算由于其强大的计算能力，计算能耗可以忽略不计。因此，云计算模型中所需的能耗主要集中在任务的上行传输阶段。通过公式计算云端传输消耗，其中，表示第个传感器到云端的传输功率，表示传感器总数，表示第个传感器在单位时刻采集到的数据量，表示第个传感器传输到边缘设备的数据占其总数据的百分比，表示第个传感器到云端的传输速率。
32.s4：根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；具体的，本发明添加了奖励激励机制，边缘设备接受传感器的数据并进行处理会收到传感器的佣金，但会扣除传递数据消耗的资源，边缘设备是自身购买的，已经不需再支出其他费用，云端处理数据则会造成额外的支出，所以数据优先考虑传输到边缘设备，同时每个边缘设备会优先考虑自身的收益。以下是收益的确定方式：通过公式计算第个边缘设备的收益，其中，为计算边缘设备的收益时传感器的价格参数，为第个传感器发送到边缘设备的数据流大小，为数据流处理的总步数，
liu, x. wang and g. nie, "task offloading and resource allocation for industrial internet of things: a double-dueling deep q-network approach," in ieee access, vol. 10, pp. 103111-103120, 2022, doi: 10.1109/access.2022.3210248。本发明仅仅是将数据输入模型经过训练输出求解结果。其中，模型的主要内容可以参阅现有技术文献，其大致过程如下：s601、模型包括评估网络和目标网络，评估网络用于选择下一个动作。通过目标网络评估下一步动作以减少过估计问题。然后，模型结合了算法的网络结构，在最后一个隐藏层和输出层之间增加了状态价值函数和动作优势函数，其中只与状态相关，受状态和动作的影响。最优作用值函数用于表示这两部分的线性组合，其中是整个系统的状态空间，其示出了每个终端设备的系统状态，，是整个系统的动作空间，。
38.s602、初始化系统模型环境，初始化重放缓冲区，用随机参数初始化评估网络，用随机参数初始化目标网络，，用随机策略生成的数据填充重放缓冲区d，直到它满为止。
39.s603、重置系统模型环境，对每一个传感器训练评估网络，用下一个状态条件更新目标网络：随机取样表单，选择下一操作，选择下一操作, 使用损失函数训练以更新参数,其中是及时奖励，和分别是当前网络参数和目标网络参数。是衰减因子。被定义为动作，是下一个动作，是下一个状态。
40.s604、如果收敛，则，此时模型对应的为最优解。需要注意的是，模型同时输出的是，，所以模型输出的是所有的、和的取值范围下的，也即整个变电站系统的边缘设备调度情况。
41.通过以上技术方案，本发明根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益，以收益最大为目标构建目标函数，然后对目标函数求解，从而得出变电站的传感器数据流优化调度方案，实现计算资源的合理分配的同时保证系统收益最大化，满足实际应用需求。
42.实施例2基于实施例1，本发明实施例2还提供基于多边云协同的智能变电站自动控制调度系统，所述系统包括：边缘设置模块，用于根据变电站中传感器的位置确定边缘设备数目以及所处位置；数据采集模块，用于变电站中传感器采集变电站内各类数据并通过数据流传输；云端消耗计算模块，用于将数据流分配到边缘设备或者云端，计算云端传输消耗；收益计算模块，用于根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；
目标函数构建模块，用于以收益最大为目标构建目标函数并建立约束条件；优化调度模块，用于对目标函数求解，得出变电站的传感器数据流优化调度方案。
43.具体的，所述边缘设置模块还用于：将变电站中n个传感器顺序编号，以每个传感器所在位置为圆心，边缘设备的覆盖范围为半径画圆，求出圆与圆的交集，交集所在位置作为边缘设备所处的位置，对于当前传感器所画的圆与其他传感器所画的圆无交集的情况下，选取当前传感器画的圆的圆内任意位置作为边缘设备的位置。
44.具体的，所述数据采集模块还用于：将个边缘设备顺序编号为，其中表示第个边缘设备的序号，，变电站中传感器采集变电站内各类数据并通过数据流传输，传感器的数据流根据调度方案确定分配到所在区域的边缘设备或者云端。
45.具体的，所述云端消耗计算模块还用于：通过公式计算云端传输消耗，其中，表示第个传感器到云端的传输功率，表示传感器总数，表示第个传感器在单位时刻采集到的数据量，表示第个传感器传输到边缘设备的数据占其总数据的百分比，表示第个传感器到云端的传输速率。
46.更具体的，所述步收益计算模块还用于：通过公式计算第个边缘设备的收益，其中，为计算边缘设备的收益时传感器的价格参数，为第个传感器发送到边缘设备的数据流大小，为数据流处理的总步数，为数据经过第步处理后和原始数据流相比的压缩比，为第步时，第个边缘设备所接受的数据流占当时总数据流的百分比，为第个边缘设备计算消耗的能量，为关于边缘计算的能量消耗的成本参数，为第个边缘设备传递数据消耗的能量，为关于边缘设备传输过程能量消耗的成本参数，为第个边缘设备第步和第步间数据流流到其他边缘设备的百分比差值。
47.更具体的，所述收益计算模块还用于：通过公式计算云端的收益，其中，为计算云端收益时传感器的价格参数，为关于云端传输的能量消耗的成本参数，为关于云端处理单位数据的成本参数。
48.更具体的，所述收益计算模块还用于：通过公式计算第个边缘设备计算消耗的能
量，其中，为边缘设备处理单位数据所要消耗的功耗；通过公式计算第个边缘设备传递数据消耗的能量，其中，为边缘设备之间的传输功率，为传感器间传输的传输速率。
49.更具体的，所述目标函数构建模块还用于：构建目标函数，其中，为边缘设备的总数；建立以下约束条件建立以下约束条件建立以下约束条件建立以下约束条件建立以下约束条件其中，为第个边缘设备横坐标，为第个传感器横坐标，为第个边缘设备纵坐标，为第个传感器纵坐标，为边缘设备的覆盖范围，为第步时边缘设备处理单位数据所要消耗的功耗，为边缘设备处理单位数据所要消耗的功耗的上限值。
50.更具体的，所述优化调度模块还用于：采用模型进行目标函数求解，将目标函数作为模型的损失函数，将的初始值输入模型的评估网络，将的初始值输入模型的目标网络，然后不断调整模型的网络参数以及和的值，直到目标函数最大的时候停止训练，此时求解得出的和的值为最优解，根据求解的和的值确定第步时，第个边缘设备所接受的数据流向下一个边缘设备传输还是云端传输。
51.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.基于多边云协同的智能变电站自动控制调度方法，其特征在于，包括以下步骤：步骤一：根据变电站中传感器的位置确定边缘设备数目以及所处位置；步骤二：变电站中传感器采集变电站内各类数据并通过数据流传输；步骤三：将数据流分配到边缘设备或者云端，计算云端传输消耗；步骤四：根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；步骤五：以收益最大为目标构建目标函数并建立约束条件；步骤六：对目标函数求解，得出变电站的传感器数据流优化调度方案。2.根据权利要求1所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤一包括：将变电站中n个传感器顺序编号，以每个传感器所在位置为圆心，边缘设备的覆盖范围为半径画圆，求出圆与圆的交集，交集所在位置作为边缘设备所处的位置，对于当前传感器所画的圆与其他传感器所画的圆无交集的情况下，选取当前传感器画的圆的圆内任意位置作为边缘设备的位置。3.根据权利要求1所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤二包括：将个边缘设备顺序编号为，其中表示第个边缘设备的序号，，变电站中传感器采集变电站内各类数据并通过数据流传输，传感器的数据流根据调度方案确定分配到所在区域的边缘设备或者云端。4.根据权利要求1所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤三包括：通过公式计算云端传输消耗，其中，表示第个传感器到云端的传输功率，表示传感器总数，表示第个传感器在单位时刻采集到的数据量，表示第个传感器传输到边缘设备的数据占其总数据的百分比，表示第个传感器到云端的传输速率。5.根据权利要求4所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤四包括：通过公式计算第个边缘设备的收益，其中，为计算边缘设备的收益时传感器的价格参数，为第个传感器发送到边缘设备的数据流大小，为数据流处理的总步数，为数据经过第步处理后和原始数据流相比的压缩比，为第步时，第个边缘设备所接受的数据流占当时总数据流的百分比，为第个边缘设备计算消耗的能量，为关于边缘
计算的能量消耗的成本参数，为第个边缘设备传递数据消耗的能量，为关于边缘设备传输过程能量消耗的成本参数，为第个边缘设备第步和第步间数据流流到其他边缘设备的百分比差值。6.根据权利要求5所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤四还包括：通过公式计算云端的收益，其中，为计算云端收益时传感器的价格参数，为关于云端传输的能量消耗的成本参数，为关于云端处理单位数据的成本参数。7.根据权利要求6所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤四还包括：通过公式计算第个边缘设备计算消耗的能量，其中，为边缘设备处理单位数据所要消耗的功耗；通过公式计算第个边缘设备传递数据消耗的能量，其中，为边缘设备之间的传输功率，为传感器间传输的传输速率。8.根据权利要求6所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤五包括：构建目标函数，其中，为边缘设备的总数；建立以下约束条件建立以下约束条件建立以下约束条件建立以下约束条件建立以下约束条件其中，为第个边缘设备横坐标，为第个传感器横坐标，为第个边缘设备纵坐标，为第个传感器纵坐标，为边缘设备的覆盖范围，为第步时边缘设备处理单位数据所要消耗的功耗，为边缘设备处理单位数据所要消耗的功耗的上限值。9.根据权利要求8所述的基于多边云协同的智能变电站自动控制调度方法，其特征在于，所述步骤六包括：采用模型进行目标函数求解，将目标函数作为模型的损失函数，将的初始值输入模型的评估网络，将的初始值输入模型的目标网络，然后不断调整模型的网络参数以及和的值，直到目标函数最大的时候停止训练，此时求解得出的和的值为最优解，根据求解的和的值确定第步时，第个边缘设备
所接受的数据流向下一个边缘设备传输还是云端传输。10.基于多边云协同的智能变电站自动控制调度系统，其特征在于，所述系统包括：边缘设置模块，用于根据变电站中传感器的位置确定边缘设备数目以及所处位置；数据采集模块，用于变电站中传感器采集变电站内各类数据并通过数据流传输；云端消耗计算模块，用于将数据流分配到边缘设备或者云端，计算云端传输消耗；收益计算模块，用于根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；目标函数构建模块，用于以收益最大为目标构建目标函数并建立约束条件；优化调度模块，用于对目标函数求解，得出变电站的传感器数据流优化调度方案。

技术总结
本发明公开了基于多边云协同的智能变电站自动控制调度方法及系统，所述方法包括：根据变电站中传感器的位置确定边缘设备数目以及所处位置；变电站中传感器采集变电站内各类数据并通过数据流传输；将数据流分配到边缘设备或者云端，计算云端传输消耗；根据云端传输消耗以及边缘设备消耗的成本分别计算云端和边缘设备的收益；以收益最大为目标构建目标函数并建立约束条件；对目标函数求解，得出变电站的传感器数据流优化调度方案；本发明的优点在于：实现计算资源的合理分配的同时保证系统收益最大化，满足实际应用需求。满足实际应用需求。满足实际应用需求。


技术研发人员：李奇越 姜黄祺 丁津津 李帷韬 孙辉 孙伟 张峰 罗欢 吴留兵 彭勃
受保护的技术使用者：国网安徽省电力有限公司电力科学研究院
技术研发日：2023.07.21
技术公布日：2023/8/28