田鵬飛，于 游，董 明，姜志筠，包鵬宇，吳國鼎，張?zhí)鞏|，胡 釙

基于CNN-SVM的高壓輸電線路故障識別方法

田鵬飛1，于 游1，董 明2，姜志筠3，包鵬宇3，吳國鼎3，張?zhí)鞏|3，胡 釙3

(1.國網(wǎng)遼寧省電力有限公司，遼寧 沈陽 110006；2.國網(wǎng)大連供電公司，遼寧 大連 160033；3.武漢大學(xué)，湖北 武漢 430072)

高壓輸電線路故障識別對保證電網(wǎng)安全穩(wěn)定運(yùn)行具有重要意義。提出了一種基于CNN-SVM的高壓輸電線路故障分段識別方法。針對傳統(tǒng)故障識別方法數(shù)據(jù)特征提取過程復(fù)雜的問題，通過深度學(xué)習(xí)的CNN模型，將故障特征以時序矩陣形式輸入其卷積層與池化層，從而簡化特征提取與計算過程。此外，針對高壓輸電線路故障特征不明顯導(dǎo)致相間故障識別率較低的問題，提出將故障相間電流差及非故障相負(fù)序與零序分量作為特征，輸入到SVM模型，進(jìn)而判斷相間故障接地類型。仿真結(jié)果表明，所提方法準(zhǔn)確率高，與其他深度學(xué)習(xí)方法相比，在相間故障識別的準(zhǔn)確率上提升尤為顯著。

故障識別；序分量特征提??；CNN；SVM

0 引言

輸電線路故障嚴(yán)重影響電網(wǎng)的安全穩(wěn)定運(yùn)行，因此，諸多學(xué)者對如何準(zhǔn)確進(jìn)行線路故障識別開展了多方面的研究。傳統(tǒng)方法通過提取序分量特征，采用選相元件識別故障類型[1-2]，文獻(xiàn)[3]通過負(fù)序差和正序差電流之間的相位關(guān)系判斷故障類型；文獻(xiàn)[4]利用S變換提取各模量特征，據(jù)此確定故障類型。傳統(tǒng)方法具有計算簡單、辨識速度快等優(yōu)點(diǎn)，但由于數(shù)據(jù)提取能力較差，導(dǎo)致容易受到故障電流、過渡電阻、故障位置等因素干擾，因而準(zhǔn)確性較差。

近年來，深度學(xué)習(xí)方法也廣泛應(yīng)用于故障識別，傳統(tǒng)深度學(xué)習(xí)方法，如支持向量機(jī)(Support Vector Machines, SVM)[5-8]、人工神經(jīng)網(wǎng)絡(luò)[9-11]、隨機(jī)森林[12]等，能夠有效處理特征數(shù)據(jù)，擬合非線性映射。文獻(xiàn)[13]以希爾伯特黃變換處理數(shù)據(jù)，通過SVM進(jìn)行高壓輸電線路的故障識別；文獻(xiàn)[14]通過變分經(jīng)驗?zāi)B(tài)分解處理電流信號，采用極限學(xué)習(xí)機(jī)進(jìn)行高壓輸電線路故障識別；文獻(xiàn)[15]通過隨機(jī)森林算法對電流故障分量特征進(jìn)行識別。但這些傳統(tǒng)深度學(xué)習(xí)方法的特征提取能力較弱，故而故障量的特征提取過程較為復(fù)雜，并且過度依賴于人為參數(shù)設(shè)定，通常還需要對分類器進(jìn)行初始參數(shù)尋優(yōu)，增加了計算的復(fù)雜度。因此，人們提出了一些新的深度學(xué)習(xí)方法，如卷積神經(jīng)網(wǎng)絡(luò)(CNN)[16-20]、深度置信網(wǎng)絡(luò)[21-23]等，它們在含圖像在內(nèi)的信號特征提取、非線性擬合等方面具有較大優(yōu)勢，對于故障識別中的多維時序信號，可以依據(jù)其特征將其等效為二維圖像進(jìn)行特征提取。文獻(xiàn)[24]利用希爾伯特變換和CNN進(jìn)行故障識別，將時序信號以二維矩陣形式輸入模型，文獻(xiàn)[25]提出了利用小波變換和CNN的故障識別方法，但是，這些方法和傳統(tǒng)深度學(xué)習(xí)方法用于識別高壓輸電線路是否發(fā)生相間短路接地故障的準(zhǔn)確率較低。因此，本文提出一種基于CNN-SVM的高壓輸電線路故障分段識別方法。利用CNN的特征提取優(yōu)勢對故障類型作初步識別，再通過提取故障相間電流差和非故障相負(fù)序、零序電流，利用SVM模型進(jìn)一步確定相間故障是否接地，準(zhǔn)確識別高壓輸電線路故障。對比目前常用的輸電線路故障識別方法，本文方法準(zhǔn)確率高，尤其是在相間故障識別準(zhǔn)確率上提升顯著。

1 故障識別原理

輸電線路故障示意圖如圖1所示。由于高壓線路置于大電網(wǎng)中，發(fā)生故障時其端電壓變化極小，故而僅能從變化的電流中提取故障特征來識別故障類型。當(dāng)線路發(fā)生單相接地故障、三相接地故障時，反映這類故障的電流特征明顯；但是當(dāng)線路發(fā)生相間故障時，卻難以判別其為接地或不接地故障，尤其是當(dāng)過渡電阻較高時，易出現(xiàn)誤判情況。

圖1 輸電線路故障示意圖

但實(shí)際中考慮到雜散電流、分布電容等因素的影響，上述電流之和不會嚴(yán)格等于零而近似為零。

由于零序和負(fù)序電流受線路分布電容電流的影響較小，因此為進(jìn)一步反映電流的故障特征，本文考慮非故障相電流的序分量，利用它來提高判別的準(zhǔn)確性，具體步驟如下述。

當(dāng)AB發(fā)生相間故障時，故障點(diǎn)處C相的正序電流與負(fù)序電流方向相反，而零序電流應(yīng)為零，即

當(dāng)AB發(fā)生相間接地故障時，故障點(diǎn)處C相的電流序分量關(guān)系應(yīng)滿足：

序分量計算式為

2 故障識別方法

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種特殊的前饋深度學(xué)習(xí)算法，具有強(qiáng)大的特征提取能力和非線性運(yùn)算能力，可以從原始數(shù)據(jù)中直接提取其明顯特征，從而能夠有效避免傳統(tǒng)深度學(xué)習(xí)方法需要采取復(fù)雜數(shù)學(xué)方法進(jìn)行數(shù)據(jù)特征提取的問題，其網(wǎng)絡(luò)結(jié)構(gòu)主要包含輸入層、卷積層、池化層、全連接層和輸出層，計算步驟如下所述。

(1) 輸入層傳播至卷積層

卷積層又稱過濾器，能夠通過過濾器對輸入數(shù)據(jù)分塊提取特征，其計算式為

(2) 池化層

池化層的主要作用為對卷積層的輸出作進(jìn)一步特征降維，再次壓縮特征量，可以有效避免過擬合，計算式為

(3) 全連接層

全連接層由多個隱藏層組成，負(fù)責(zé)對所提取的特征進(jìn)行抽象組合，并將其映射為固定長度的特征向量，即

(4) 輸出層

輸出層又稱分類層，CNN所使用的softmax分類器的分類計算式為

(5) 損失函數(shù)

2.2 支持向量機(jī)

3 故障建模與分析

高壓線路故障識別具有兩個難點(diǎn)，即電壓特征變化不明顯以及接地故障與不接地故障容易誤識別，對此，本文基于故障相間電流差和CNN-SVM提出了建立高壓線路故障識別模型的方法，如圖3所示，其步驟如下所述。

(1) 數(shù)據(jù)獲取與歸一化

建立線路模型，模擬不同故障類型、故障位置、過渡電阻、故障相角時線路故障，采集故障發(fā)生后一個周期內(nèi)的三相雙端電流故障信號，而后對各類數(shù)據(jù)均進(jìn)行歸一化，即

式中：表示歸一化后的數(shù)據(jù)；表示原始數(shù)據(jù)；表示原始數(shù)據(jù)的最大值；表示原始數(shù)據(jù)的最小值。

(2) CNN識別

從歸一化后的雙端三相故障電流數(shù)據(jù)中隨機(jī)抽取70%，并截取故障發(fā)生后一個周期的數(shù)據(jù)，將其代入CNN模型作為輸入，以10種故障類型作為訓(xùn)練輸出進(jìn)行訓(xùn)練。

(3) 采用SVM判斷故障是否接地

對上述相間故障類型，依據(jù)式(1)—式(5)計算其相間電流差并提取非故障相的負(fù)序電流與零序電流，將相間電流差及非故障相負(fù)序、零序電流作為SVM模型的輸入，并將接地和不接地作為SVM模型的分類輸出來進(jìn)行訓(xùn)練。

(4) 模型測試與對比分析

通過測試剩余30%的數(shù)據(jù)，并與目前常用的希爾伯特黃變換-支持向量機(jī)(HHT-SVM)、變分模態(tài)分解-極限學(xué)習(xí)機(jī)(VMD-ELM)、希爾伯特黃變換-卷積神經(jīng)網(wǎng)絡(luò)(HHT-CNN)、離散小波變換-卷積神經(jīng)網(wǎng)絡(luò)(DWT-CNN)等識別方法進(jìn)行對比分析，驗證模型的準(zhǔn)確性。

4 仿真結(jié)果

圖4 故障模型

(1) 訓(xùn)練數(shù)據(jù)獲取

表1 故障參數(shù)設(shè)置

(2) CNN初步識別

表2 CNN初步故障識別準(zhǔn)確率

圖5 輸入數(shù)據(jù)波形圖

圖6 CNN初步識別結(jié)果

由圖6和表2可知，單相故障與三相接地故障識別的準(zhǔn)確率很高，A、B、C相接地故障識別準(zhǔn)確率均為100%，但相間故障與相間接地故障出現(xiàn)了混淆，這表明初步識別對于相間故障與相間接地故障的識別率較低，需要通過步驟(3)和步驟(4)作進(jìn)一步判別。

(3) 計算相間電流差并提取負(fù)序、零序電流

基于由CNN所得的發(fā)生相間故障的故障相，根據(jù)式(1)、式(2)計算相間電流差，再通過式(3)—式(9)計算非故障相負(fù)序與零序電流。

(4) 利用SVM判別相間故障是否接地

以相間電流差和非故障相負(fù)序、零序電流作為故障特征，利用SVM判別相間故障是否接地，各相間接地與不接地故障識別準(zhǔn)確率如表3所示。

表3 各相間接地與不接地故障識別準(zhǔn)確率

將利用SVM后判別相間接地與不接地故障的準(zhǔn)確率與之前的結(jié)果進(jìn)行對比，如圖7所示。

圖7 相間故障識別準(zhǔn)確率對比

本文所提方法與目前較常用于高壓輸電線路故障識別的深度學(xué)習(xí)方法HHT-SVM、VMD-ELM以及用于故障識別、新近的深度學(xué)習(xí)方法HHT-CNN、DWT-CNN的對比結(jié)果如表4所示，可以看出，本文所提方法準(zhǔn)確率較高，特別是對于相間故障的識別準(zhǔn)確率更高。例如對于AB相間故障，本文方法準(zhǔn)確率為99.88%，HHT-SVM準(zhǔn)確率為87.71%，VMD-ELM準(zhǔn)確率為81.20%，HHT-CNN準(zhǔn)確率為94.53%，DWT-CNN準(zhǔn)確率為95.68%。

表4 本文方法與HHT-SVM、VMD-ELM故障識別準(zhǔn)確率對比

5 結(jié)論

針對傳統(tǒng)故障識別方法提取故障特征方法復(fù)雜而準(zhǔn)確率不高的問題，本文提出了一種基于相間電流差和CNN-SVM的高壓輸電線路故障識別方法。

(1) 采用CNN模型針對二維時序數(shù)據(jù)進(jìn)行學(xué)習(xí)，利用CNN模型強(qiáng)大的特征提取能力，從而避免了特征提取方法過于復(fù)雜的問題；

(2) 提出了一種分段識別法，即針對高壓線路相間故障識別準(zhǔn)確率較低，難以區(qū)分的問題，在采用CNN初步判別故障類型的基礎(chǔ)上，再通過相間電流差及非故障相的負(fù)序、零序分量并利用SVM判別相間故障是否接地來有效識別高壓輸電線路故障；

(3) 對比目前常用的識別方法，本文方法故障識別準(zhǔn)確率較高，尤其是在相間故障識別準(zhǔn)確率上提升顯著。

[1] 陳朝暉, 黃少鋒, 陶惠良, 等. 新型阻抗選相方法[J].電力系統(tǒng)自動化, 2005, 29(3): 51-56.

CHEN Zhaohui, HUANG Shaofeng, TAO Huiliang, et al. Research on the new phase selector based on impedance measurement[J]. Automation of Electric Power Systems, 2005, 29(3): 51-56.

[2] 程志友, 李小靜, 湯明金, 等. 一種故障分量選相元件接地短路判據(jù)的修正[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(16): 19-24.

CHENG Zhiyou, LI Xiaojing, TANG Mingjin, et al. A correction of ground short-circuit criterion of phase selection element based on faulty components[J]. Power System Protection and Control, 2018, 46(16): 19-24.

[3] 劉凱, 索南加樂. 基于故障支路電流序分量相位關(guān)系的選相元件[J]. 電力自動化設(shè)備, 2013, 33(3): 77-83.

LIU Kai, SUONAN Jiale. Phase selection element based on phase relationship between sequence components of faulty branch current[J]. Electric Power Automation Equipment, 2013, 33(3): 77-83.

[4] 劉棟, 鄒貴彬, 王昕, 等. 基于S變換的輸電線路故障快速選相方法[J]. 電網(wǎng)技術(shù), 2015, 39(12): 3603-3608.

LIU Dong, ZOU Guibin, WANG Xin, et al. A fast faulty phase selection method based on S-Transform[J]. Power System Technology, 2015, 39(12): 3603-3608.

[5] 張鑫, 徐遵義, 何慧茹, 等. 基于RBM和SVM的風(fēng)電機(jī)組葉片開裂故障預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(15): 134-140.

ZHANG Xin, XU Zunyi, HE Huiru, et al. Wind turbine blade cracking fault prediction based on RBM and SVM[J]. Power System Protection and Control, 2020, 48(15): 134-140.

[6] 謝國民, 倪樂水. 基于IABC優(yōu)化SVM的變壓器故障診斷[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(15): 156-163.

XIE Guomin, NI Leshui. Transformer fault diagnosis based on an artificial bee colony-support vector machine optimization algorithm[J]. Power System Protection and Control, 2020, 48(15): 156-163.

[7] 賈志成, 張智晟, 劉遠(yuǎn)龍, 等. 基于RS-SVM算法的配電網(wǎng)故障診斷方法[J]. 廣東電力, 2019, 32(9): 107-114.

JIA Zhicheng, ZHANG Zhisheng, LIU Yuanlong, et al. Fault diagnosis method based on RS-SVM algorithm for power distribution network[J]. Guangdong Electric Power, 2019, 32(9): 107-114.

[8] EL-SAADAWI M, HATATA A. A novel protection scheme for synchronous generator stator windings based on SVM[J]. Protection and Control of Modern Power Systems, 2017, 2(3): 257-268.

[9] 阮羚, 謝齊家, 高勝友, 等. 人工神經(jīng)網(wǎng)絡(luò)和信息融合技術(shù)在變壓器狀態(tài)評估中的應(yīng)用[J]. 高電壓技術(shù), 2014, 40(3): 822-828.

RUAN Ling, XIE Qijia, GAO Shengyou, et al. Application of artificial neural network and information fusion technology in power transformer condition assessment[J]. High Voltage Engineering, 2014, 40(3): 822-828.

[10] 李龍, 魏靖, 黎燦兵, 等. 基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)荷模型預(yù)測[J]. 電工技術(shù)學(xué)報, 2015, 30(8): 225-230.

LI Long, WEI Jing, LI Canbing, et al. Prediction of load model based on artificial neural network[J]. Transactions of China Electrotechnical Society, 2015, 30(8): 225-230.

[11] 鄒京希, 曹敏, 董立軍, 等. 基于總體測辨和人工神經(jīng)網(wǎng)絡(luò)的負(fù)荷建模及預(yù)測方法[J]. 電力系統(tǒng)及其自動化學(xué)報, 2018, 30(8): 108-112.

ZOU Jingxi, CAO Min, DONG Lijun, et al. Load modeling and forecasting method considering measurement-based method and artificial neural network[J]. Proceedings of the CSU-EPSA, 2018, 30(8): 108-112.

[12] 王毅, 陳進(jìn), 李松濃, 等. 基于時頻域分析和隨機(jī)森林的故障電弧檢測[J]. 電子測量與儀器學(xué)報, 2021, 35(5): 62-68.

WANG Yi, CHEN Jin, LI Songnong, et al. Arc fault detection based on time and frequency analysis and random forest[J]. Journal of Electronic Measurement and Instrumentation, 2021, 35(5): 62-68.

[13] 李力欣. 高壓輸電線路的故障識別與測距方法研究[D]. 天津: 天津理工大學(xué), 2021.

LI Lixin. Research on fault recognition and location method of high voltage transmission line[D]. Tianjin: Tianjin University of Technology, 2021.

[14] 肖賢, 周步祥, 林楠, 等. 結(jié)合H-S變換和BSVM的高壓輸電線路故障識別[J]. 電力系統(tǒng)及其自動化學(xué)報, 2015, 27(2): 70-76.

XIAO Xian, ZHOU Buxiang, LIN Nan, et al. High-voltage transmission line fault identification based on the hyperbolic S-transform and multiple BSVM[J]. Proceedings of the CSU-EPSA, 2015, 27(2): 70-76.

[15] 楊杰, 吳浩, 董星星, 等. 基于電流故障分量特征和隨機(jī)森林的輸電線路故障類型識別[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(13): 53-63.

YANG Jie, WU Hao, DONG Xingxing, et al. Transmission line fault type identification based on the characteristics of current fault components and random forest[J]. Power System Protection and Control, 2021, 49(13): 53-63.

[16] 魏東, 龔慶武, 來文青, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路區(qū)內(nèi)外故障判斷及故障選相方法研究[J]. 中國電機(jī)工程學(xué)報, 2016, 36(增刊1): 21-28.

WEI Dong, GONG Qingwu, LAI Wenqing, et al. Research on internal and external fault diagnosis and fault-selection of transmission line based on convolutional neural network[J]. Proceedings of the CSEE, 2016, 36(S1): 21-28.

[17] 汪穎, 孫建風(fēng), 肖先勇, 等. 基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的電纜早期故障分類識別[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(7): 10-18.

WANG Ying, SUN Jianfeng, XIAO Xianyong, et al. Cable incipient fault classification and identification based on optimized convolution neural network[J]. Power System Protection and Control, 2020, 48(7): 10-18.

[18] 張大海, 張曉煒, 孫浩, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的交直流輸電系統(tǒng)故障診斷[J/OL]. 電力系統(tǒng)自動化: 1-14 [2021-11-29].http://kns.cnki.net/kcms/detail/32.1180.TP.20211027.1549.004.html.

ZHANG Dahai, ZHANG Xiaowei, SUN Hao, et al. Fault diagnosis method for AC-DC hybrid transmission system based on convolutional neural network[J/OL]. Automation of Electric Power Systems: 1-14[2021-11-29]. http://kns. cnki.net/kcms/detail/32.1180.TP.20211027.1549.004.html.

[19] 徐浩, 劉利強(qiáng), 呂超. 基于遷移學(xué)習(xí)的配電網(wǎng)內(nèi)部過電壓識別方法[J]. 中國電力, 2021, 54(8): 52-59.

XU Hao, LIU Liqiang, Lü Chao. An internal overvoltage identification method for distribution network based on transfer learning[J]. Electric Power, 2021, 54(8): 52-59.

[20] 楊為, 朱太云, 張國寶, 等. 電力物聯(lián)網(wǎng)下基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的GIS局部放電模式識別分類方法研究[J]. 高壓電器, 2020, 56(9): 20-25, 32.

YANG Wei, ZHU Taiyun, ZHANG Guobao, et al. Research on partial discharge pattern recognition and classification in GIS based on convolutional neural network and transfer learning in power internet of things[J]. High Voltage Apparatus, 2020, 56(9): 20-25, 32.

[21] 趙光權(quán), 葛強(qiáng)強(qiáng), 劉小勇, 等. 基于DBN的故障特征提取及診斷方法研究[J]. 儀器儀表學(xué)報, 2016, 37(9): 1946-1953.

ZHAO Guangquan, GE Qiangqiang, LIU Xiaoyong, et al. Fault feature extraction and diagnosis method based on deep belief network[J]. Chinese Journal of Scientific Instrument, 2016, 37(9): 1946-1953.

[22] 孔祥玉, 鄭鋒, 鄂志君, 等. 基于深度信念網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法[J]. 電力系統(tǒng)自動化, 2018, 42(5): 133-139.

KONG Xiangyu, ZHENG Feng, E Zhijun, et al. Short- term load forecasting based on deep belief network[J]. Automation of Electric Power Systems, 2018, 42(5): 133-139.

[23] 張然, 郭俊宏, 藍(lán)新斌, 等. 基于深度置信網(wǎng)絡(luò)的電能質(zhì)量擾動檢測與分類[J]. 廣東電力, 2020, 33(6): 92-98.

ZHANG Ran, GUO Junhong, LAN Xinbin, et al. Power quality disturbance detection and classification based on deep belief network[J]. Guangdong Electric Power, 2020, 33(6): 92-98.

[24] GUO M, YANG N, CHEN W. Deep-learning-based fault classification using Hilbert-Huang transform and convolutional neural network in power distribution systems[J]. IEEE Sensors Journal, 2019, 19(16): 6905-6913.

[25] 陳仁祥, 黃鑫, 楊黎霞, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)和離散小波變換的滾動軸承故障診斷[J]. 振動工程學(xué)報, 2018, 31(5): 883-891.

CHEN Renxiang, HUANG Xin, YANG Lixia, et al. Rolling bearing fault identification based on convolution neural network and discrete wavelet transform[J]. Journal of Vibration Engineering, 2018, 31(5): 883-891.

A CNN-SVM-based fault identification method for high-voltage transmission lines

TIAN Pengfei1, YU You1, DONG Ming2, JIANG Zhijun3, BAO Pengyu3, WU Guoding3, ZHANG Tiandong3, HU Po3

(1. State Grid Liaoning Electric Power Co., Ltd., Shenyang 110006, China; 2. State Grid Dalian Power Supply Company,Dalian 160033, China; 3. Wuhan University, Wuhan 430072, China)

High-voltage transmission line fault identification is of great significance in ensuring the safe and stable operation of a power grid. This paper proposes a high-voltage transmission line fault segmentation method based on CNN-SVM. Given the complex problem of the data feature extraction process of traditional fault recognition methods, the fault features are input into convolutional and pooling layers in the form of a time series matrix through a deep learning CNN model, thereby simplifying the feature extraction and calculation process. In addition, given the problem that the fault characteristics of high-voltage transmission lines are not obvious (leading to a low recognition rate of phase-to-phase faults), it is proposed to take the current difference between the fault phases and the negative and zero sequence components of the non-fault phase as features and input them into the SVM model to determine the type of fault grounding between phases. The simulation results show that the method has a high accuracy rate. Compared with other deep learning methods, the accuracy of phase-to-phase fault recognition is improved significantly.

fault identification; sequence component feature extraction; CNN; SVM

10.19783/j.cnki.pspc.211196

國家自然科學(xué)基金項目資助(51477121)

This work is supported by the National Natural Science Foundation of China (No. 51477121).

2021-08-30；

2021-11-30

田鵬飛(1979—)，男，碩士，高級工程師，從事繼電保護(hù)相關(guān)工作；E-mail: tian_pengfei@126.com

于 游(1975—)，男，碩士，高級工程師，從事繼電保護(hù)相關(guān)工作；E-mail: yuyou999@163.com

董 明(1987—)，男，碩士，高級工程師，從事繼電保護(hù)相關(guān)工作。E-mail: dongming.ee@gmail.com

(編輯 魏小麗)