本发明属于断路器故障检测
技术领域：
，具体涉及一种用于断路器故障检测的信号识别方法。
背景技术：
：在行业中，根据可以承受的电流大小低压断路器通常分为两种类型，第一种是框架式断路器(万能式断路器)，一般用在需要承受较大电流的用电设备上，第二种是塑壳式断路器，通常用在承受相对较小电流的设备上。低压断路器能够正常的进行动作，其主要工作元件是脱扣器，通常脱扣器可分为三种类型，电磁式脱扣器、电子式脱扣器和热磁式脱扣器。随着电力技术的飞速发展，伴随着新兴技术应运而生的是对供电质量的高标准和高要求，尤其体现在电力设备安全运行和保障这一块。在电力系统这个大家庭中，有着举足轻重作用的便是低压断路器，它能够保证这个大家庭有条不紊的运转。断路器在电网中的主要作用是控制和保护电力系统，纵观整个电网系统中各设备的运行情况，当设备出现异常情况时，可以迅速切断该设备，从而保证了电网系统中其余无故障部分的正常运作。因此，假如当线路中的设备发生异常时，断路器不能正常进行动作，那由此带来的后果是无法预估的，小到电网瘫瘓，大到大面积区域断电，这一系列的连锁反应将会对社会经济发展造成重大的影响。断路器的工作状态直接反映在电力系统的运作上。当电力系统的各设备正常运行时，断路器处于合闸状态，当电力系统中的设备出现异常时，断路器需要可靠地进行工作。但是，对投入使用的断路器一直不闻不顾，是不切实际的，需要定期维护，才能增加断路器工作寿命。在这期间，影响断路器正常运行的因素有很多，比如断路器的某些部件由于雨水的侵蚀出现老化甚至失效的情况，还有机械机构的长时间开断出现不同程度的磨损等。断路器的内部结构复杂，无法直接观察出其正处于何种状态，因此无法预判出是否需要对其进行解体维修，在这种情况下，仅凭主观意愿进行检修时，具有较大的盲目性，还可能人为的对装置造成一些破坏，使断路器因为检修而出现故障，导致断路器不能继续运行。随着电子技术和信息处理技术的日趋成熟，这些技术在对设备进行故障诊断和信号提取方面有着重大作用，这些应用使得检测和故障诊断技术由理论过渡到实践。断路器的检测的理论依据是根据发生故障的类型和故障位置进行研究。断路器工作信号提取技术是断路器故障检测的基础。文献[1]对断路器运行声音进行研究采用快速傅里叶(fft)变换颜色映射技术和局部全时间趋势分析断路器工作声的办法，结果发现，闭合和断开操作都可以用fft颜色映射来描述，此方法为故障诊断提出了新的方式，但是对声音的判断会出现偏差，如何更有效的判断声音是进一步需要研究的，文献[2]提出了一种适用于高采样频率长信号分解的实时vmd实现的移动窗口策略。通过模糊函数的软连续边界，利用模糊熵计算重构信号在各段之间的相似度，从而获得较强的相对一致性，减少了对数据长度的依赖。但是，当采用傅里叶变换算法作为信号提取算法，这种方法对信号特征的判断会出现偏差，不利于后续断路器的故障检测。因此如何克服现有技术的不足是目前断路器故障检测
技术领域：
亟需解决的问题。参考文献：[1]杨凌霄,朱亚丽.基于概率神经网络的低压断路器故障诊断[j].电力系统保护与控制，2015,43(10):62-67.[2]叶昱媛,沙浩源,梁君涵,等.基于小波包能量的断路器操作机构缺陷诊断技术研究[j].电力工程技术,2018,37(04):71-77.技术实现要素：本发明的目的是为了解决现有技术的不足，针对低信噪比下识别率低的问题，提供一种用于断路器故障检测的信号识别方法。为实现上述目的，本发明采用的技术方案如下：一种用于断路器故障检测的信号识别方法，包括如下步骤：步骤(1)，通过分数阶傅里叶变换对断路器信号进行chirp基分解；步骤(2)，依据步骤(1)得到的chirp基参数对断路器信号进行分类；步骤(3)，对断路器信号的伪wigner-ville时频分布提取zernike矩作为特征参数；步骤(4)，以步骤(3)获得的特征参数为输入，以对应的信号调制类型为输出，构建残差神经网络；之后采用构建好的残差神经网络进行信号调制类型识别。进一步，优选的是，断路器信号调制类型包括单载频信号、线性调频信号、偶二次调频信号、正弦调频信号、三角波连续调频信号、频率分集信号、二相编码信号、多相编码信号。进一步，优选的是，步骤(1)的具体方法为：一维信号s(t)的p阶fourier变换定义如下：其中，kp(u,t)定义为傅里叶变换算子；kp(u,t)定义如下：其中：p是变换阶数，α＝pπ/2是变换角度，u＝exp(-jnπ/2)、n表示转动次数，t表示时间，δ表示核函数；断路器信号均可归为类线性调频信号，表示如下：其中rn 1是在一定误差阈值下的余项；若对信号x(t)进行分数阶傅里叶变换：变换过程中当变换结果出现尖峰值，通过搜索尖峰值对应的αn,un求解出chirp基函数的初始频率fn与调频率μn，n表示信号的个数。进一步，优选的是，求解chirp基特征参数fn、μn具体过程如下：步骤(1.1)，确定u的取值范围：式中，fs,ts分别为信号的采样频率与采样时间；步骤(1.2)，确定搜索步长δα,δu，对信号进行分数阶傅里叶变换：在二维平面(α,u)进行能量峰值搜索，得到最大能量峰值对应的参数α1,u1，即：并根据式(4)得到f1,u1；步骤(1.3)，构造变换角度为α1时的分数阶域的窄带带通滤波器中心频率为u1，窄带带宽为计算分数阶域滤波后的信号分量：步骤(1.4)，然后将作为s(t)带入到公式(7)中，重复步骤(1.2～(1.3)，获得n个chirp基的初始频率与调频率fn、μn，直至能量峰值d为设定阈值；通过对信号的chirp基分解得到n组表征信号特征的参数{(fn,μn)}，以此作为信号分类的依据。进一步，优选的是，进一步，优选的是，步骤(2)的具体方法为：根据对信号的chirp基分解得到n组表征信号特征的参数{(fn,μn)}进行分类，如下表x所示；表x基于chirp基分解的信号分类分类为第二类～第五类的直接识别出信号调制类型，不进行步骤(3)，分类为第一类或第六类的信号，转步骤(3)。进一步，优选的是，步骤(3)中，对分类为第一类或第六类的断路器信号的伪wigner-ville时频分布提取zernike矩作为特征参数，具体如下：时频分布采用伪wigner-ville分布，定义如下：uu为常数，ω表示角速度，t表示半个周波时长；离散形式pwd(n,k)定义如下：其中，n_sample＝2l 1为采样点数，l为正整数；对矩阵pn_sample×n_sample做二值化处理，二值化处理如下：t表示阈值，p(i,j)表示二值化处理之后的结果；对于一个二维函数f(x,y)，其m重n阶zernike矩定义如下：其中，m,n均为整数，且|m|≤n,vnm(x,y)是定义在单位圆内(x2 y2≤1)的完备正交复函数集；对于二维时频矩阵p(i,j)，其m重n阶zernike矩表示为：p(i,j)表示二维时频矩阵，i和j表示在[-1,1]区间内的样本点。进一步，优选的是，t设置为0.03。进一步，优选的是，步骤(4)构建残差神经网络的具体方法为：对于分类为第一类的信号，以任意1～9阶zernike矩作为输入；对于分类为第六类的信号，用矩z20、z31、z82、z95中的一个或几个作为输入，以对应的信号调制类型为输出，构建残差神经网络。本发明将对断路器故障检测技术进行探讨。通过及时对故障进行监测和诊断，可以提高系统的可靠性，而且还能描绘出重要参数的发展走势，预判出存在故障的概率，为设备的状态维修提供了理论参考，延长了设备的使用期限，大幅缩减在设备维修方面的支出，具有重要的经济意义。本发明与现有技术相比，其有益效果为：本发明提出基于时频特征提取与残差神经网络的识别方法，首先通过分数阶傅里叶变换对信号进行chirp基分解，依据chirp基参数进行分类，然后对信号的伪wigner-ville时频分布提取zernike矩作为特征参数。为解决卷积神经网络存在的网络退化问题，神经网络分类器采用残差神经网络。本发明针对多种典型断路器信号进行实验，实验结果表明在低信噪比环境下能够达到较高识别率，并且鲁棒性良好，算法复杂度满足实际应用的要求。附图说明图1为8种断路器信号伪wigner-ville时频分布；其中，(a)单载频信号，(b)线性调频信号，(c)偶二次调频信号，(d)正弦调频信号，(e)三角波连续调频信号，(f)频率分集信号，(g)二相编码信号，(h)多相编码信号；图2为cw、bpsk和eqfm、sfm信号的1～9阶zernike矩对比直方图；其中，(a)cw与bpsk的1～9阶zernike矩，(b)eqfm与sfm的1～9阶zernike矩；图3为信噪比为-6、-4、-2、0、2db下的信号识别混淆矩阵；其中，(a)-6db混淆矩阵，(b)-4db混淆矩阵，(c)-2db混淆矩阵，(d)0db混淆矩阵，(e)2db混淆矩阵；图4为8种断路器信号识别率曲线；图5为总体识别率曲线。具体实施方式下面结合实施例对本发明作进一步的详细描述。本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。1断路器信号类型本发明研究8种典型断路器信号的识别与分选：单载频信号(cw)、线性调频信号(lfm)、偶二次调频信号(eqfm)、正弦调频信号(sfm)、三角波连续调频信号(fmcw)、频率分集信号(fsk)、二相编码信号(bpsk)、多相编码信号(fpsk)。信号的数学形式如表1所示。表18种断路器信号数学形式其中，a为信号幅度，f0为载频，μ为调频率，k为eqfm信号调制系数，fm为sfm信号调制频率，mf为sfm信号调制系数，t为信号时宽，cn为13位barker码，φi,j为frank码调制相位，s(t)表示断路器信号数学形式，fi表示第i次载频率，θ0为固定角度，一般取为25；t表示时间；图1给出了的8种典型断路器信号的伪wigner-ville时频分布。2基于chirp基分解的特征提取2.1分数阶傅里叶变换的基本理论一维信号x(t)的p阶fourier变换定义如下：变换核函数kp(u,t)定义如下：其中：p是变换阶数，α＝pπ/2是变换角度，u＝exp(-jnπ/2)、n表示转动次数，t表示时间，δ表示核函数；2.2类线性调频信号的chirp基分解表1中所示信号均可归为类线性调频信号，可表示如下：其中rn 1是在一定误差阈值下的余项。若对信号x(t)进行分数阶傅里叶变换：由上式可知，分数阶傅里叶变换实质是信号与chirp基函数的内积，变换过程中当变换结果出现尖峰值，即信号与chirp基函数相关性最强。此时对应的αn,un表示信号经过变换角αn的分数阶傅里叶变换后，在分数阶域un位置处出现尖峰值。因此可以通过搜索尖峰值对应的αn,un求解出chirp基函数的初始频率fn与调频率μn，从而实现信号的chirp基分解。在实际的类线性调频信号chirp基分解过程中，关键是提取chirp基特征参数fn，μn。具体过程如下：步骤1，特征参数fn，μn由αn,un决定，因此首先确定其取值范围：式中，fs,ts分别为信号的采样频率与采样时间。步骤2，确定搜索步长δα,δu，对信号进行分数阶傅里叶变换：并在二维平面(α,u)进行能量峰值搜索，得到最大能量峰值对应的参数α1,u1，即：并根据式(4)得到f1,u1。步骤3，构造变换角度为α1时的分数阶域的窄带带通滤波器中心频率为u1，窄带带宽根据分数阶域能量分布自适应变化，以保证能滤除绝大多数能量。计算分数阶域滤波后的信号分量步骤4，然后将作为s(t)带入到公式(7)中，重复步骤2、3获得n个chirp基的初始频率与调频率fn、μn,直至能量峰值d为设定阈值，本发明取第一次循环搜索得到的能量峰值的40％，即通过对信号的chirp基分解得到n组表征信号特征的参数{(fn,μn)}，以此作为信号分类的依据。2.3基于chirp基分解的信号分类实际的分类过程中，断路器信号具体参数无法准确获得，但不同的信号调制类型，其对应的chirp基特征参数fn,μn有不同组合，据此可将具有类线性调频性质的断路器信号分为6大类，具体如表2所示。表2基于chirp基分解的信号分类3基于zernike矩的特征提取由表2可知，基于chirp基分解的信号分类无法区分cw、bpsk和eqfm、sfm两组信号。本发明通过对信号的时频分布处理提取zernike矩特征，进一步完成信号分类识别。3.1时频分布及其预处理为避免wigner-ville分布交叉项的影响，时频分布采用伪wigner-ville分布，定义如下：离散形式pwd(n,k)定义如下：其中，n_sample＝2l 1为采样点数。为减少矩阵的冗余数据，提取特征前要对矩阵pn_sample×n_sample做预处理，即二值化处理。阈值t一般设置为0.03，二值化处理过程如下：t表示阈值，p(i,j)表示二值化处理之后的结果。3.2基于zernike矩的特征提取zernike矩是提取图像特征的一种重要手段，由于图像的本质是一个二维矩阵，因此这里采用对3.1中的时频矩阵pn×n提取zernike矩作为信号的特征参数。对于一个二维函数f(x,y)，其m重n阶zernike矩定义如下：其中，m,n均为整数，且|m|≤n,vnm(x,y)是定义在单位圆内(x2 y2≤1)的完备正交复函数集。定对于二维时频矩阵p(i,j)，其m重n阶zernike矩可表示为p(i,j)表示二维时频矩阵，i和j表示在[-1,1]区间内的样本点。上述特征提取的重点在于zernike矩的阶数选取。2.3中，cw、bpsk和eqfm、sfm两组信号无法通过基于分数阶傅里叶变换的chirp基分解的方法进行区分，因此zernike矩的阶数选取的重点在于能够较好区分上述两组信号。现通过实验，分别计算两组信号的时频分布所对应的1～9阶zernike矩，结果图2所示。由实验结果得，对于cw与bpsk信号，任意1～9阶zernike矩均能将其较好区分；对于eqfm与sfm信号，低阶矩z20、z31，高阶矩z82、z95能将其较好区分。因此最终选用z20、z31、z82、z95作为特征参数。4残差神经网络分类器设计对信号提取的特征数据最终送到分类器实现识别与分类。神经网络在处理大批量数据、提取深层次特征方面具有优良性能，因此本发明采用神经网络作为信号识别分类器卷积神经网络(cnn)是一种典型的神经网络。传统的卷积神经网络当卷积层数增加时，会出现网络退化问题，因此在传统卷积神经网络基础上提出了残差神经网络(resnet)。残差神经网络的基本组成单元是残差单元(residualblock)。假设残差单元输入为x，残差映射为f(x)，则期望输出为h(x)＝f(x) x。当卷积网络达到一定深度时，网络的效率达到最优状态，再增加网络深度则会出现网络退化问题。残差单元很好的解决了这一问题，此时在饱和的神经网络基础上增加残差单元，并令f(x)＝0，此时下一层网络仍然是最优状态，因为当前的输入x是上层网络输出的最优解。因此随着网络深度增加，系统误差不会增加，并且网络能更深层次挖掘数据特征。实际中，训练目标是使残差映射f(x)逼近于0，这比传统卷积神经网络重新训练一个非线性映射容易得多，因此训练效率大大提高。残差神经网络分类器是一种常见的方法，详情参见文献[1]和[2]，本发明对此不做改进。[1]孙旭日,李延真,彭博,等.基于生成对抗网络和深度残差神经网络的变电站异物检测[j].电网与清洁能源,2020(9):68-75.[2]魏书伟,曾上游,周悦,等.基于并行残差卷积神经网络的多种树叶分类[j].现代电子技术,2020,043(009):96-100.现通过仿真实验，对比两种神经网络分类器的总体识别率。实验信号采用8种典型断路器信号：cw、lfm、eqfm、sfm、fmcw、fsk、bpsk、fpsk。采样频率为250mhz，采样时间4μs，cw信号载频50mhz；lfm信号载频50mhz，调频率10mhzμs-1；eqfm信号载频为50mhz，信号调制系数k＝15；sfm信号载频为50mhz，信号调制系数mf＝15，调制频率为0.25mhz；fmcw信号载频为40mhz，调频率15mhzμs-1；fsk信号两个频率点为25mhz，75mhz；bpsk信号载频50mhz，采用13位barker码；fpsk信号载频50mhz，采用16点frank码信号。对于上述每一类信号，分别附加-4db与2db的高斯白噪声，各自产生1000个信号，其中800个作为训练集，200个作为测试集。神经网络选用卷积神经网络与残差神经网络，卷积层均采用128个维度为(1,1)的卷积核对输入数据进行卷积，残差单元如图4所示。当两种神经网络卷积层的层数分别为4层、8层、12层、16层(深度残差网络对应于残差单元数分别为2、4、6、8个)时，依次在-4db和2db环境下测试信号总体识别率，结果如表3所示。由表3可知，卷积神经网络随着层数增加，总体识别率下降。深度残差网络的总体识别率则基本不随层数增加而变化。并且在相同层数下，深度残差网络识别率均高于卷积神经网络。因此选定残差神经网络作为信号识别分类器。表3不同卷积层数下的识别率对比卷积层层数信噪比(db)cnnrestnet4-466.75％85.8625％8-481.125％86.125％12-444.25％86％16-424.875％86.25％4296.875％98.875％8270.8125％99.1875％12258.625％99.3075％16225％99.3125％5实验验证与分析通过仿真实验验证所提算法的性能，具体从识别准确性验证、识别鲁棒性验证、算法复杂度分析三方面设计实验并进行分析。断路器信号选用8种典型断路器信号，神经网络采用深度残差神经网络，层数共18层，第一层为包含64个维度为(1,1)的卷积核的卷积层，中间16层包含8个残差单元，最后一层为全连接层。5.1识别准确率验证信号参数与第4节相同，对于每一类信号，在信噪比从-6db到12db的范围内，间隔2db产生1000个信号，其中同一信噪比下800个作为训练集，200个作为测试集，进行训练与识别。当信噪比为-6、-4、-2、0、2db时，预测信号类别与真实信号类别的混淆矩阵如图3所示。8种信号的识别率随信噪比变化曲线，以及总体识别率随信噪比变化曲线如图4、图5所示。由图5可看出，本发明提出的方法在-2db的低信噪比环境下能达到93％以上的总体识别率，在2db的信噪比环境下能达到几乎100％的总体识别率。说明此方法在识别率方面有很好的效果。由图4可看出，lfm、fmcw、fsk信号的识别率几乎不受信噪比影响，能一直保持很高识别率；eqfm、fpsk、cw信号在低信噪比环境下识别率出现降低，但能保持75％以上的较高识别率。sfm、bpsk信号在低信噪比环境下识别率下降较快，在信噪比-6db环境下识别率已经下降到50％左右。由混淆矩阵可看出，sfm信号大概率被误识别为eqfm信号，bpsk信号会大概率被误识别为cw信号。这也是下一步需要进行改进的重点。以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。当前第1页1 2 3
技术特征：1.一种用于断路器故障检测的信号识别方法，其特征在于，包括如下步骤：
步骤(1)，通过分数阶傅里叶变换对断路器信号进行chirp基分解；
步骤(2)，依据步骤(1)得到的chirp基参数对断路器信号进行分类；
步骤(3)，对断路器信号的伪wigner-ville时频分布提取zernike矩作为特征参数；
步骤(4)，以步骤(3)获得的特征参数为输入，以对应的信号调制类型为输出，构建残差神经网络；之后采用构建好的残差神经网络进行信号调制类型识别。
2.根据权利要求1所述的用于断路器故障检测的信号识别方法，其特征在于，断路器信号调制类型包括单载频信号、线性调频信号、偶二次调频信号、正弦调频信号、三角波连续调频信号、频率分集信号、二相编码信号、多相编码信号。
3.根据权利要求1所述的用于断路器故障检测的信号识别方法，其特征在于，步骤(1)的具体方法为：
一维信号s(t)的p阶fourier变换定义如下：
其中，kp(u,t)定义为傅里叶变换算子；
kp(u,t)定义如下：
其中：p是变换阶数，α＝pπ/2是变换角度，u＝exp(-jnπ/2)、n表示转动次数，t表示时间，δ表示核函数；
断路器信号均可归为类线性调频信号，表示如下：
其中rn 1是在一定误差阈值下的余项；
若对信号x(t)进行分数阶傅里叶变换：
变换过程中当
变换结果出现尖峰值，通过搜索尖峰值对应的αn,un求解出chirp基函数的初始频率fn与调频率μn，n表示信号的个数。
4.根据权利要求3所述的用于断路器故障检测的信号识别方法，其特征在于，求解chirp基特征参数fn、μn具体过程如下：
步骤(1.1)，确定u的取值范围：
式中，fs,ts分别为信号的采样频率与采样时间；
步骤(1.2)，确定搜索步长δα,δu，对信号进行分数阶傅里叶变换：
在二维平面(α,u)进行能量峰值搜索，得到最大能量峰值对应的参数α1,u1，即：
并根据式(4)得到f1,u1；
步骤(1.3)，构造变换角度为α1时的分数阶域的窄带带通滤波器中心频率为u1，窄带带宽为
计算分数阶域滤波后的信号分量：
步骤(1.4)，然后将作为s(t)带入到公式(7)中，重复步骤(1.2～(1.3)，获得n个chirp基的初始频率与调频率fn、μn，直至能量峰值d为设定阈值；
通过对信号的chirp基分解得到n组表征信号特征的参数{(fn,μn)}，以此作为信号分类的依据。
5.根据权利要求4所述的用于断路器故障检测的信号识别方法，其特征在于，
6.根据权利要求4所述的用于断路器故障检测的信号识别方法，其特征在于，步骤(2)的具体方法为：根据对信号的chirp基分解得到n组表征信号特征的参数{(fn,μn)}进行分类，如下表x所示；
表x基于chirp基分解的信号分类
分类为第二类～第五类的直接识别出信号调制类型，不进行步骤(3)，分类为第一类或第六类的信号，转步骤(3)。
7.根据权利要求6所述的用于断路器故障检测的信号识别方法，其特征在于，步骤(3)中，对分类为第一类或第六类的断路器信号的伪wigner-ville时频分布提取zernike矩作为特征参数，具体如下：
时频分布采用伪wigner-ville分布，定义如下：
uu为常数，ω表示角速度，t表示半个周波时长；
离散形式pwd(n,k)定义如下：
其中，n_sample＝2l 1为采样点数，l为正整数；
对矩阵pn_sample×n_sample做二值化处理，二值化处理如下：
t表示阈值，p(i,j)表示二值化处理之后的结果；
对于一个二维函数f(x,y)，其m重n阶zernike矩定义如下：
其中，m,n均为整数，且|m|≤n,vnm(x,y)是定义在单位圆内(x2 y2≤1)的完备正交复函数集；
对于二维时频矩阵p(i,j)，其m重n阶zernike矩表示为：
p(i,j)表示二维时频矩阵，i和j表示在[-1,1]区间内的样本点。
8.根据权利要求7所述的用于断路器故障检测的信号识别方法，其特征在于，t设置为0.03。
9.根据权利要求6所述的用于断路器故障检测的信号识别方法，其特征在于，步骤(4)构建残差神经网络的具体方法为：
对于分类为第一类的信号，以任意1～9阶zernike矩作为输入；对于分类为第六类的信号，用矩z20、z31、z82、z95中的一个或几个作为输入，以对应的信号调制类型为输出，构建残差神经网络。
技术总结本发明涉及一种用于断路器故障检测的信号识别方法，属于断路器故障检测技术领域。该方法首先通过分数阶傅里叶变换对断路器信号进行chirp基分解；依据得到的chirp基参数对断路器信号进行分类；对断路器信号的伪Wigner‑Ville时频分布提取Zernike矩作为特征参数；以获得的特征参数为输入，以对应的信号调制类型为输出，构建残差神经网络；之后采用构建好的残差神经网络进行信号调制类型识别。实验结果表明，本发明方法在低信噪比环境下能够达到较高识别率，并且鲁棒性良好，满足实际应用的要求，易于推广应用。
技术研发人员：师涛;郑继辉;罗洪宏;李天福;石岩;陈嘉骏;陶伟;王文林;岳斌
受保护的技术使用者：云南电网有限责任公司玉溪供电局
技术研发日：2021.04.19
技术公布日：2021.08.03
