融合配電臺區多元特征的輕量化CenterNet設備識別方法

摘" 要：對配電臺區設備進行識別，不僅為電網升級提供詳細數據，還可以有效地提高配電網低壓運行水平。針對配電臺區負荷設備提出一種識別方法，融合負荷設備的拓撲結構特征、電力時序數據穩態特征、設備精度壽命特征多元特征值進行設計，在邊緣設備處部署CenterNet算法，實現無監督學習的配電臺區設備識別。考慮到嵌入式邊緣設備計算能力不足，對算法采用多種輕量化處理，包括減小輸入數據的尺寸、對網絡及推理結構進行優化、剪枝等操作，使得數據檢測速度從1720ms提高到322ms，達到了實時處理的目標，為后續配電臺區設計及優化提供了一種有效手段。

關鍵詞：CenterNet；配電臺區；非監督學習；輕量化

DOI：10.15938/j.jhust.2024.02.012

中圖分類號： TM73

文獻標志碼： A

文章編號： 1007-2683（2024）02-0094-07

An Equipment Identification Method Based on Lightweight CenterNet

from Multivariate Features Fusion for Distribution Area

WANG Wenbin，" FAN Ruixiang，" DENG Zhixiang，" WAN Junbiao，" PAN Jianbing

（Electric Power Research Institute， State Grid Jiangxi Electric Power Co. Ltd.， Nanchang 330096， China）

Abstract：Identifying the equipment in the distribution station area is necessary. It can not only provide detailed grid connection data for grid upgrading and new energy， but also effectively improve the low-voltage operation level of the distribution network. In this paper， a method of equipment identification in the distribution station area is proposed， which combines the topological structure characteristics of the equipment in the distribution station area， the steady-state characteristics of the power time series data and the lifetime accuracy characteristics of the equipment in the distribution station area. The CenterNet algorithm is deployed at the edge equipment to realize unsupervised learning for equipment identification in the distribution area. Considering the lack of computing power of embedded devices， the CenterNet algorithm adopts a variety of lightweight processing， including reducing the size of input data， optimizing the network structure and reasoning structure， pruning and other operations， so that the data detection speed is increased from 1720 ms to 322 ms， which can achieve the goal of real-time processing on the premise of meeting the accuracy requirements and provides an effective means for the subsequent design and optimization of the distribution station area.

Keywords：CenterNet; distribution area; unsupervised learning; lightweight

收稿日期： 2022-11-15

基金項目： 國家自然科學基金（51977138）.

作者簡介：

范瑞祥（1977—），男，博士，正高級工程師；

鄧志祥（1990—），男，碩士，工程師.

通信作者：

王文彬（1985—），男，碩士，高級工程師，E-mail：wangwenbing_85@126.com.

0" 引" 言

近年來，為了響應國家智能電網發展，采用智能算法進行電網設備識別的技術發展迅猛［1］。在整個配電系統中，配電臺區是最后一個，即配電網末端的“一公里”，直接面向公眾［2］。因此，配電站區域是可靠、安全、智能和經濟的對智能化具有重大的社會、經濟和工程意義電網的發展［3-5］。

目前，對于最后一公里配電網智能化，主要關注的是保護和檢測配電網絡運行狀態，目前手動檢查是主要方式［6-7］。這樣低效的檢測手段無法獲得快速和準確的監測結果，使得電力公司在配電站區域的管理中存在滯后和盲點 ［8-10］。因此，用戶設備識別功能的實現，可以有效地提高配電網低壓運行水平，并使站區與用戶之間的關系更加清晰，從而電網公司可以更準確和精細地對待用戶和臺區。

卷積神經網絡（convolutional neural network，CNN）是深度學習應用于目標檢測的代表性網絡。2014年，R-CNN由Girshick R提出，首次實現深度學習應用于目標檢測［11］。2016年，Liu等借鑒YOLO算法提出SSD算法對不同尺度的特征圖預測，同樣是端到端的訓練過程［12］。而CenterNet借鑒ResNet的思想，通過大量殘差跳躍連接層減少存儲空間的占用同時還能保留多層之間的融合特征，借鑒FPN思想，引入多尺度預測［13-14］。網絡層數的不斷增多、不斷加深，確實有效提高大規模圖像識別和視頻識別的精度，但相應的權重參數也隨之增多，對硬件計算性能、存儲空間、內存帶寬提出了更高要求，個人計算機或服務器能夠在平時環境下勝任目標識別工作［15-16］。因此，在嵌入式系統中部署深度學習算法，需要考慮輕量化處理。

本文提出一種配電臺區設備識別方法，融合配電臺區設備的多元特征，在邊緣設備處部署輕量化CenterNet算法，實現無監督學習的配電臺區設備識別。

1" CenterNet目標檢測模型

1.1" CenterNet網絡結構

CenterNet網絡結構的特點為：將目標視為點，即將目標整個邊界畫出，并找到中心點。CenterNet把目標檢測的問題分解為各個目標屬性的求解，以估計的目標中心為基準實現目標姿態的參數回歸。目標的位置處，可由右上角和左下角的估計求取目標的姿態特征。中心網類似于基于錨的一階方法，其中心點可以視為作為無尺寸的定位點。其重要區別在于：①因為CenterNet放置的位置，不考慮位置的大小，因此前景和背景的閾值不需要進行手動區分；②對于每個目標設置一個正的定位點，根據其局部峰值計算得到特征圖，在計算過程中沒有采用非極大值抑制算法（NMS）。此外，對于CenterNet的要素圖進行分辨率輸出，會大于傳統的目標檢測，在計算過程中不采用多尺度FPN特征圖。

1.2" 損失函數

CenterNet的損失函主要包含三類函數：分類損失函數、中心偏移損失函數和尺寸損失函數。

CenterNet輸入數據為I［0，1］W×H×3，生成的關鍵點為Y［0，1］WR×HR×3，其中，Y的取值范圍為［0，1］。在識別的過程中，如果Y取值為1，即檢測結果為關鍵點，如果Y取值為0，即檢測結果為背景。R指的是輸出范圍，是網絡尺寸進行縮放的比例，在本文實驗中R為4；C是網絡類別的總數。對于每個網絡類別C，其關鍵點P，計算其低分辨率方程并對Y進行高斯處理，如下［12］

Yx，y，c=exp（－（x－px）2+（y－py）22σ2p）（1）

使用焦點損失減少像素級邏輯回歸的損失［12］

Lk=1N∑xyc（1－Y^）αlog（Y^），if Y=1

（1－Y^）βlog（Y^）αlog（1－Y^），otherwise（2）

其中α、β是焦損的超參數，本文實驗中設置為2和4；N是數據中關鍵點的數量。

當數據在卷積下采樣時，背景真實的關鍵點將偏離。因此在本文中，對所有的關鍵點進行預測局部偏移，對于所有類別使用相同的偏移值。而偏移值的訓練，僅在關鍵點的p位置使用L1損耗進行訓練，其他位置被忽略［13］。

Loff=1N∑N|O～p－（pR－p～）|（3）

（xk1，yk1，xk2，yk2）是目標K的邊界框，因此，可以估計目標中心點的位置pk和大小Sk：

pk=（xk1+xk22+yk1+yk22）（4）

Sk=（xk1－xk2，yk1－yk2）（5）

其中尺度未被歸一化，并且直接使用原始像素坐標。為了調整損失的影響，將其乘以系數。整體目標損失函數Lsize為［13］

Lsize=1N∑N|S～pk－Sk|（6）

Ldet=Lk+λsizeLsize+λoffLoff（7）

其中：尺寸偏離lsize=0.2，loff=1。

2" 配電臺區設備多元特征選取

2.1" 配電臺區設備體系結構

如圖1所示為配電臺區設備體系示意圖，其中包括配電臺區集中器、分支控制柜、用戶負荷設備及電壓、電流采集裝置。采集裝置安裝于配電臺區集中器主變壓器二次側，進行時序數據采集。

配電臺區設備識別主要指對分支控制柜及分支控制柜連接的用戶負荷設備進行識別。用戶負荷設備的功率、功率因數等，不僅僅影響其分支控制柜的工作狀態，也會對總體線路上的配電臺區集中器工作狀態造成影響。

配電臺區設計時，需要考慮以下3個方面內容：配電臺區設備的拓撲結構特征、配電臺區設備電力時序數據穩態特征及配電臺區設備的精度壽命特征。

2.2" 配電臺區設備拓撲結構特征

配電臺區負荷設備通常采用如圖1所示的樹狀結構接法。拓撲結構特征決定了設備處于何處，是分支處還是用戶處，根據不同的拓撲位置設計配電臺區，充分考慮能量線損，可以有效提高低壓配電網的經濟運行水平。在配電臺區內，線路正常運行范圍內損耗大約等于用戶在配電臺區內消耗能源的加和，因此，配電臺區能量線損可以描述為線性回歸問題，即：

yc=∑mcj=1βjxj+εc（8）

其中：yc為配電臺區內能源消耗總和；mc為配電臺區內負荷設備總數；xj為第j個負荷設備負載；βj為第j個負荷設備拓撲結構，對于理想均衡配電臺區，對于任何負荷設備βj趨近于1；εc為誤差。

可對上述問題進行最小二乘法線性回歸，得到最優化結果為

β^=argmin||yc－Xβ||2（9）

其中：β^表示優化后的負荷設備拓撲結構最優化結果；X和β分別為配電臺區內負荷設備的負荷結果與拓撲結構結果。

2.3" 配電臺區設備電力時序數據穩態特征

配電臺區設備電力時序數據穩態特征，配電臺區設備的電力時序數據可以反應負荷設備工作水平，基于此設計配電臺區，充分考慮用戶負荷水平。在配電臺區集中器側進行電力時序數據采集，通過時序數據進行數據挖掘，得到用戶負荷設備的拓撲結構及電力穩態數據。根據拓撲結構分析用戶負荷設備工作狀態對配電臺區影響的傳遞規律，再根據實時電力時序數據，可以分析得到用戶負荷設備的當前工況，為配電臺區運行提供依據。

低壓配電區域中的所有設備基于時頻域轉換方法提取電壓電流時序信號的特征，根據歷史數據進行訓練，繪制低壓配電區域的分支拓撲。

需獲取到的歷史數據包含檔案模型、計量數據、業務與報警數據。接口設計時，除檔案模型為靜態數據采用每日全量獲取外，計量數據、業務與報警數據等動態數據均采用增量獲取方式，即系統接口按自定義周期向電能量系統查詢新增及變化的數據后并提取，確保自動補采、自動重算后的數據及時同步到智能研判系統。

需獲取到的歷史數據包含配電臺區檔案模型、電壓、電流計量歷史數據、業務與報警數據。

對時序數據提取特征量，涵蓋時鐘特征量、諧波特征量、三相不平衡特征量、電量差動特征值、接線異常特征量。

時鐘特征值：根據計量裝置時鐘數據，獲取電力時序數據的時刻特征。

諧波特征值：波形畸變取決于諧波和間諧波，諧波和間諧波越大，波形畸變率越大，電能質量越差。通過對電壓電流時序數據進行時頻域轉換，得到頻域內諧波與間諧波幅值數據作為諧波特征值。

電量差動特征值及接線異常特征值：通過對采樣數據，計算最小負荷、平均負荷數據、負荷率等，通過數據情況能反映出設備的負荷變化情況及接線異常變化情況，并與報警數據相對應。

三相不平衡特征值：根據A、B、C三相的電壓、電流的均值，可將三相不平衡影響程度劃分為幾種狀態，三相平衡、一重兩輕、一重一輕一平均、一輕兩重。

2.4" 配電臺區設備的壽命特征

配電臺區設備精度可以反應設備的工作壽命，考慮配電臺區設備壽命進行配電臺區設計，對于提高配電網絡的穩定性有重要作用。可以結合分支控制柜的拓撲結構及用戶負荷設備的歷史電力數據進行分析，建立配電臺區設備的壽命模型，最終實現配電臺區設備壽命預測，為配電臺區優化設計提供依據。

根據配電臺區設備誤差傳遞函數，即電能測量的精度對各變量的敏感程度可得到配電臺區設備的壽命模型。由于這些變量之間相互獨立，互不關聯，所以負荷設備誤差可以表示為：

QQ=UU+II+sinθθθ（10）

從式（10）可以很清晰的看出各參數的相對誤差傳遞系數，只要對各過程參數的精度值進行量化，就可以得到最終測量結果的精度值。

通過對配電臺區電能計量裝置運行數據以及零散的異常告警事件的檢查、分析、關聯，實現對配電臺區電能計量裝置的在線監測與智能診斷，達到準確定位計量裝置異常原因的目的，可及時地發現計量故障、縮短故障持續時間，提高了工作效率，提升了計量裝置運行的準確性、可靠性和穩定性。

利用配電臺區電能計量裝置運行的電壓、電流、功率、相位角、諧波、異常告警等數據以及主副表數據比對，得出電壓、電流及電量的誤差，通過誤差值進一步反映出配電臺區電能表準確度問題，最終實現對現場電能表精度變化情況的監視，便于對異常計量裝置進行及時處理。

3" 配電臺區設備識別方法

3.1" 無監督學習配電臺區設備識別方法

選取上述多元特征為關鍵點，本文結合輕量化的CenterNet網絡結構，提出一種基于無監督深度學習的配電臺區設備識別方法。算法流程如圖2所示。

其流程為：

1）在配電臺區變壓器二次側安裝電壓、電流傳感器，采集預設時間段內配電臺區電壓、電流時序數據。

2）對時序數據按照電壓變化量進行分段劃分，取每段時間序列的電壓差值以及兩個電壓差值中間的電流差值為特征量。

3）采用輕量化CenterNet網絡結構構建配電臺區設備識別模型。利用卷積神經網絡來對電壓、電流時序信號特征進行提取，將提取到的特征信號傳遞給檢測模塊。通過大量的殘差結構塊進行層間跳躍，減少存儲空間占用，實現多層特征融合，并且引入多尺度預測提升準確率。

4）選取評價指標，使用歷史數據對模型進行訓練達到收斂狀態，通過無監督學習的方式來獲取當前配電臺區設備運行情況的重要特征，降低復雜線路狀況對結果的干擾。

5）采用步驟4獲得的模型進行配電臺區設備識別。

3.2" 電力時序數據處理方法

分支控制柜關系識別通常采用以下方法：采用CenterNet卷積神經網絡進行智能分類識別，通過各用戶儀表箱收集用戶電表的各種參數數據，將監控終端代入模型進行計算和求解，實現拓撲關系識別。集中器完成用戶識別后更改關系，儀表箱監控終端接收到指令，它執行家用電表的多參數數據采集工作，并發送數據傳送到集中器的數據處理模塊進行分析和處理。集中器將將輸出儀表箱和家用儀表的成員資格與中的地址信息匹配變壓器區域識別，從而完成拓撲識別。

電力時序數據通過Hilbert-Huang變換以獲得特征頻率、包絡瞬時振幅和電流信號的瞬時相位信號特征，接收和分析其時頻域信號特征。為了進行靜態配電臺區優化，需要從采樣數據集中提取靜態工況數據。機組負荷和電力系數是影響配電臺區工況狀態的主導因素，反映了不同的配電臺區靜態工況，因此，針對機組負荷和電力系數，采用滑動窗口法做靜態檢測，獲取靜態工況數據。判定規則為

σλ=1W-1∑t+W-1τ=t（wvτλ-wvλ）2lt;σthλ（11）

其中，t表示開始時間，單位是s；W表示滑動窗口的寬度，設W = 20；wvτλ表示第λ個工況變量在τ時刻的值，wvλ表示第λ個工況變量從t到t+W-1之間的均值；σthλ表示第λ個工況變量的判別閾值，本文σthλ設為每個工況變量量程范圍的1%。

4" CenterNet模型的輕量化改進

在嵌入式設備Raspberry Pi4上直接部署CenterNet模型，對于每秒數據檢測速度約為1720ms，難以滿足實時性要求，需要采用輕量化措施，如圖3所示。

首先，采用訓練數據進行模型適配。在訓練及測試過程中減小輸入數據的尺寸，并將權重文件由Float64轉換為Uint8，以提升模型的推理速度。在此情況下，模型的平均精度mAP相比原來下降2%，準確性損失不大，將識別速度提升至510 ms，相比原數據處理速度提升4倍，實時性大大提高。

然后，對網絡結構及推理結構進行優化。由于配電臺區設備識別只要求輸出框，對于關鍵點輸出結果沒有直接要求，所以構建結構圖的時候，把關鍵點的通道砍掉，僅減少2%的mAP，對精度影響不大。由于FPN網絡最后的輸出，經過一個卷積后，要輸出多個目標函數，包含多個卷積計算，所以考慮優化為一個卷積輸出，計算的時候分別對應通道計算損失，推理速度有所提升，同時提升了將近1%的mAP。

最后對模型進行剪枝，采用Slimming模型壓縮方法，對模塊中的升維層進行剪枝。訓練的時候，對升維層參數進行L1正則化處理，剪枝的時候，通過設置閾值實行權重排序，按比例設置定位閾值，根據閾值對回歸的權重設置為零，重新計算測試集的mAP。保存模型，根據剪枝出來的參數重構模型結構，復制保留下來的權重到對應修改的層上，再次進行推理，mAP保持不變即可，可能會由于剪枝導致過檢和漏檢的情況在訓練結束后還存在。

5" 實驗與分析

實驗環境Raspberry Pi4。使用命令行調用相關預訓練文件進行訓練，學習率采用先預熱后steps的階段性調整方法，并且考慮到現有數據樣本較多，只選擇通過angle參數少量旋轉進行數據增加，關閉隨機多尺度訓練，避免訓練過程中參數爆炸，顯存不足的情況。最終選用mAP最高并且測試效果最好的作為最終結果保存。訓練結果如圖4所示，經過140次迭代過程，可將mAP提升到96%以上并保持。

此外還對數據中存在的大量負荷設備的情況進行優化。在該數據中存在大量的白噪聲干擾，起初的模型難以在多樣本情況下全部識別。在部分卷積層中增加保留更多的邊緣信息，適當改變路徑層的連接情況，進行特征融合并且在檢測層略微調低閾值。在不損失精度的情況下，能夠正確識別更多的負荷設備。

通過對錯誤樣例的分析，發現該模型在特殊場景下識別錯誤率高。例如對于存在多次諧波會存在重復識別，不能正確分辨。對于復雜的相似負荷設備，存在大量干擾，識別率較低。

因此，對電力時序數據進行處理，分別提取負荷設備拓撲結構特征、電力時序穩態特征、精度壽命特征，并采用無監督學習模型進行訓練，多元特征的損失函數結果如圖5所示。根據結果可知，電力數據穩態特征能夠最快收斂，在計算次數40次以后，損失函數即下降到0.2以下，即通過電力數據穩態特征進行負荷設備識別最為快速。負荷設備精度壽命特征為一片概率性區域，且損失函數減少最為慢速。可將負荷設備精度壽命特征為配電臺區負荷設備識別后，臺區設計提供參考，而不將其作為負荷設備識別的特征選取。配電臺區拓撲結構特征其損失函數下降明顯，且在迭代步數為100步內下降到最夠的低位，也可以作為配電臺區設備識別的特征點。

通過訓練模型后，對配電臺區的負荷設備進行識別測試，分別在不同模型階次下進行實驗，測試結果如圖6所示。

由圖6可見，隨著模型階次的上升，識別錯誤率在下降，說明模型訓練更加成熟。在模型階次低于8時，電力穩態特征比拓撲結構特征收斂更快。在模型階次大于8以后，模型錯誤率低于3%，繼續增大模型階次，模型錯誤率降低不明顯，因此可以認為8次模型可以達到配電臺區負荷識別。

6" 結" 論

本文提出了一種配電臺區設備識別方法，融合配電臺區設備的拓撲結構特征、電力時序數據穩態特征，在邊緣設備處部署CenterNet算法，實現無監督學習的配電臺區設備識別。考慮到嵌入式設備計算能力不足，對CenterNet算法采用多種輕量化處理，包括減小輸入數據的尺寸、對網絡結構及推理結構進行優化、剪枝等操作，使得嵌入式系統部署的CenterNet算法在滿足精度要求的前提下，達到了實時處理的目標。配電臺區設備識別方法為后續配電臺區設計及優化提供了一種有效手段。

參 考 文 獻：

［1］" BHATTA D， MASHAYEKHY L. A Bifactor Approximation Algorithm for Cloudlet Placement in Edge Computing［J］. IEEE Transactions on Parallel and Distributed Systems， 2022，33（8）： 15.

［2］" 王繁， 王果， 周子軒， 等. LSTM對配電臺區短期負荷預測的適用性研究［J］. 電力系統及其自動化學報， 2021（2）：11.

WANG Fan， WANG Guo， ZHOU Zixuan， et al. Study on Applicability of LSTM to Short-term Load Forecasting in Distribution Station Area［J］. Journal of Electric Power System and Automation， 2021（2）：11.

［3］" 連子寬. 基于數據驅動的低壓臺區拓撲關系辨識［D］. 杭州：浙江大學， 2020.

［4］" 劉凱， 李鎮海， 呂利， 等. 基于聚類分析的配電臺區拓撲識別方法［J］. 電力系統保護與控制， 2022， 50（6）：7.

LIU Kai， LI Zhenhai， L Li， et al. Topological Identification Method of Distribution Station Area Based on Clustering Analysis［J］. Power System Protection and Control， 2022， 50 （6）： 7.

［5］" 劉東奇， 曾祥君， 王耀南. 邊緣計算架構下配電臺區虛擬電站控制策略［J］. 電工技術學報， 2021， 36（13）：10.

LIU Dongqi， ZENG Xiangjun， WANG Yaonan. Control Strategy of Virtual Power Station in Distribution Station Area under Edge Computing Architecture ［J］. Journal of Electrical Technology， 2021， 36 （13）： 10.

［6］" 劉浩， 趙偉， 溫克歡， 等. 低壓配電臺區模組化智能融合終端構建方案與實現［J］. 電測與儀表， 2022， 59（1）：168.

LIU Hao， ZHAO Wei， WEN Kehuan， et al. Construction Scheme and Realization of Modular Intelligent Fusion Terminal in Low-voltage Distribution Station Area［J］. Electric Measurement and Instrument， 2022， 59 （1）： 168.

［7］" 李新家， 嚴永輝， 陳霄， 等. 基于負荷特征傳導的配電臺區全狀態精準感知與數字化應用［J］. 電力需求側管理， 2021， 23（4）：6.

LI Xinjia， YAN Yonghui， CHEN Xiao， et al. Full State Accurate Sensing and Digital Application of Distribution Station Area Based on Load Characteristic Conduction［J］. Demand Side Management， 2021， 23 （4）： 6.

［8］" 張曦， 柯德平， 徐箭， 等. 配電臺區等值負荷動態模型辨識研究［J］. 南方電網技術， 2020， 14（10）：9.

ZHANG Xi， KE Deping， XU Jian， et al. Research on Dynamic Model Identification of Equivalent Load in Distribution Station Area［J］. China Southern Power Grid Technology， 2020， 14 （10）： 9.

［9］" 盧虹宇， 蔡月明， 劉明祥， 等. 低壓配電臺區拓撲辨識及校核方法［J］. 電氣自動化， 2020， 42（3）：4.

LU Hongyu， CAI Yueming， LIU Mingxiang， et al. Topology Identification and Verification Method of Low-voltage Distribution Station Area［J］. Electrical Automation， 2020， 42 （3）： 4.

［10］AN Fengping， LIU Jieyu， BAI Lan. Object Recognition Algorithm Based on Optimized Nonlinear Activation Function-global Convolutional Neural Network［J］. The Visual Computer， 2022（2）：38.

［11］WEISS K， KHOSHGOFTAAR T M， WANG D D. A Survey of Transfer Learning［J］. Journal of Big Data， 2016， 3（1）： 1.

［12］AHMED T S， ZARBEGA， YASEMIN Gultepe. Detection and Semantic Segmentation of Nucleus Cells in Histological Images with Deep Neural Networks［J］. IOSR Journal of Computer Engineering， 2021（2）：23.

［13］黃思遠， 樊紹勝， 王子揚. 基于CenterNet和DeepLabv3+的變電站指針式儀表讀數識別方法［J］. 電力學報， 2022， 37（3）：12.

HUANG Siyuan， FAN Shaosheng， WANG Ziyang. Reading Recognition Method of Substation Pointer Instrument Based on CenterNet and DeepLabv3+［J］. Journal of Electric Power， 2022， 37 （3）： 12.

［14］WANG Ruoxin， CHEUNG Chifai. CenterNet-based Defect Detection for Additive Manufacturing［J］. Expert Systems with Application， 2022（2）：188.

［15］殷展， 杜仁平， 姜黎明， 等. 基于電能路由器的交直流混合配電網潮流優化控制［J］. 哈爾濱理工大學學報， 2021， 26（4）：20.

YIN Zhan， DU Renping， JIANG Liming， et al. Power Flow Optimization Control of AC/DC Hybrid Distribution Network Based on Power Router［J］. Journal of Harbin University of Science and Technology， 2021， 26 （4）： 20.

［16］高郭冰， 王蕾， 劉洋， 等. 利用電網拓撲優化提高含風電系統的靜態電壓穩定性［J］. 哈爾濱理工大學學報， 2022， 27（4）：63.

GAO Guobing， WANG Lei， LIU Yang， et al. Improvement of Static Voltage Stability of Wind Power System by Power Grid Topology Optimization［J］. Journal of Harbin University of Science and Technology， 2022， 27 （4）： 63.

（編輯：溫澤宇）