覃星福，龔仁喜

?

基于廣義S變換與PSO-PNN的電能質(zhì)量擾動識別

覃星福，龔仁喜

(廣西大學(xué)電氣工程學(xué)院，廣西 南寧 530004)

為了克服從電網(wǎng)電能質(zhì)量監(jiān)測系統(tǒng)的大數(shù)據(jù)中自動識別出電能質(zhì)量擾動的困難，提出了一種基于廣義S變換與PSO-PNN的電能質(zhì)量擾動識別新方法。該方法利用了廣義S變換能兼顧時頻分辨率的特點，首先使用廣義S變換分析擾動信號的時頻特性，接著從廣義S變換模矩陣中提取出擾動信號的時頻特征量，然后用PSO-PNN分類器對擾動信號進(jìn)行分類識別。PSO算法的使用克服了PNN的平滑因子沒有確定選取方法的缺陷，使分類器性能大大提升。仿真實驗結(jié)果表明，該方法能夠?qū)ΤＲ姷?種電能質(zhì)量擾動進(jìn)行高效的分類識別，分類正確率高，對噪聲不敏感，具有良好的應(yīng)用價值。

電力系統(tǒng)；電能質(zhì)量；廣義S變換；PSO-PNN；分類識別

0 引言

隨著電力電子技術(shù)的大規(guī)模應(yīng)用和分布式電源應(yīng)用范圍的拓廣普及[1-2]，產(chǎn)生了大量的電壓暫降、電壓中斷、電壓暫升、諧波、振蕩暫態(tài)等電能質(zhì)量擾動，這些擾動對大電網(wǎng)的供電電能質(zhì)量造成了很大的負(fù)面影響，同時也給社會帶來了巨大的經(jīng)濟(jì)損失[3-5]。為了提高供電電能質(zhì)量，關(guān)鍵在于找出電能質(zhì)量擾動產(chǎn)生的源頭以及找到合適的方法去消除或減少這些電能質(zhì)量擾動。在電能質(zhì)量監(jiān)測系統(tǒng)中實現(xiàn)對電能質(zhì)量擾動事件的正確分類識別，是電網(wǎng)提高供電電能質(zhì)量與安全經(jīng)濟(jì)可靠運(yùn)行的前提[6-8]。

電能質(zhì)量擾動的分類識別研究主要側(cè)重于特征量的提取和分類器的選擇問題[9]。針對特征量的提取，近幾年來國內(nèi)外專家學(xué)者大多都使用短時傅里葉變換、小波變換、S變換等時頻分析方法[10-11]。其中短時傅里葉變換使用前需要選擇時頻窗，選擇之后時頻窗的寬度是固定的，不利于分析非平穩(wěn)信號[12]。小波變換具有多分辨率分析的特點，但其易受噪聲影響，對于含噪聲的擾動信號不能準(zhǔn)確提取其幅值特征，而且小波基的選擇也一直是個學(xué)術(shù)界的難題[13]。S變換是短時傅里葉變換與小波變換的新的改進(jìn)形式，它可以看作是一種不嚴(yán)格的小波變換。它采用窗寬與頻率成反比的高斯窗，窗口的形狀隨著頻率的變化而變化，不僅具有多分辨率分析的能力，還能夠在時間軸上進(jìn)行平移[14-17]。但是S變換的高斯窗隨頻率改變的方向是相同的，這妨礙了其在分析不同信號時的適應(yīng)性。廣義S變換在S變換的基礎(chǔ)上，引入了能調(diào)節(jié)時頻分辨率的兩個參數(shù)，使時間分辨率與頻率分辨率的關(guān)系不再相對固定，其時頻特性更為優(yōu)良，提取的特征量也能更好地刻畫不同擾動信號的特征，因此用來作為擾動信號特征提取的工具是非常適合的。在近些年國內(nèi)外的文獻(xiàn)資料中，人工神經(jīng)網(wǎng)絡(luò)因為其求解問題的能力強(qiáng)，適用領(lǐng)域廣泛而成為用得最多的模式分類方法。而概率神經(jīng)網(wǎng)絡(luò)(PNN)作為人工神經(jīng)網(wǎng)絡(luò)中的一種，建立簡單、訓(xùn)練快捷，具有強(qiáng)大的非線性分類性能，因此在解決分類方面的問題中應(yīng)用得相當(dāng)廣泛。在PNN中，選擇合適的平滑因子是個難題，迄今為止，平滑因子大多是根據(jù)經(jīng)驗選取的[18]，沒有確定的選取方法。本文采用廣義S變換作為特征提取的工具，將特征量輸入到PSO-PNN中，對電能質(zhì)量擾動進(jìn)行分類識別。仿真實驗結(jié)果表明，該方法成功實現(xiàn)了對常見6種電能質(zhì)量擾動的自動分類識別，識別正確率高，對噪聲不敏感，在不同噪聲干擾下均體現(xiàn)出了優(yōu)越的分類性能，在電能質(zhì)量監(jiān)測領(lǐng)域有良好的應(yīng)用前景。

1 算法介紹

1.1 S變換算法

1.2 廣義S變換

(4)

1.3 廣義S變換中參數(shù)的選取

廣義S變換的高斯窗函數(shù)的形狀是可以通過改變參數(shù)值來調(diào)節(jié)的，在分析具體信號時，它能根據(jù)信號時頻分析的需要以及頻率分布的特點靈活調(diào)節(jié)高斯窗函數(shù)來達(dá)到分析的目的。

圖1 不同k、p值對應(yīng)的高斯窗

2 基于廣義S變換的特征量提取

2.1 擾動信號模型

本文考慮6種常見的暫態(tài)電能質(zhì)量擾動信號，分別是電壓暫升、電壓暫降、電壓中斷、諧波、脈沖暫態(tài)、振蕩暫態(tài)。各擾動信號的數(shù)學(xué)模型如表1所示[20]。表中：表示階躍函數(shù)；表示信號周期；表示50 Hz對應(yīng)的角頻率。

表1 擾動信號類型

2.2 擾動信號的廣義S變換分析

對電能質(zhì)量擾動信號進(jìn)行廣義S變換后，變換結(jié)果的二維矩陣中包含著豐富的時頻信息，對這些信息進(jìn)行分析，可以找出能作為識別特征量的特征值。下面分別為6種電能質(zhì)量擾動信號隨機(jī)取一個樣本的波形圖以及對其進(jìn)行廣義S變換后得到的信息曲線。

圖2為電壓暫升的廣義S變換(GST)相關(guān)曲線。圖2中，圖2(a)為電壓暫升波形圖；圖2(b)為廣義S變換模矩陣中的列向量最大值包絡(luò)線圖；圖2(c)為行向量最大值包絡(luò)線圖；圖2(d)為50 Hz時間幅值圖；圖2(e)為150 Hz時間幅值圖；圖2(f)為250 Hz時間幅值圖；圖2(g)為800 Hz時間幅值圖。圖3~圖7分別為電壓暫降、電壓中斷、振蕩暫態(tài)、諧波、脈沖暫態(tài)的廣義S變換相關(guān)曲線，圖中各小圖含義均與圖2相同。

由圖2~圖7可知，列向量最大值包絡(luò)線圖與50 Hz時間幅值圖很相似，它們均與原來擾動波形相對應(yīng)，在50 Hz時間幅值圖中，電壓暫升圖形為先上升后下降，電壓暫降為先下降后上升，電壓中斷為先大幅度下降后上升，因此，50 Hz時間幅值圖可以作為特征量用來區(qū)分電壓暫升、電壓暫降、電壓中斷；但是50 Hz時間幅值圖并不能明確區(qū)分出電壓暫降與電壓中斷，這時可以取50 Hz時間幅值圖上的最小值作為區(qū)分電壓暫降與電壓中斷的特征量。

圖2 電壓暫升及其GST信息曲線

圖3 電壓暫降及其GST信息曲線

圖4 電壓中斷及其GST信息曲線

圖5 振蕩暫態(tài)及其GST信息曲線

圖6 諧波及其GST信息曲線

圖7 脈沖暫態(tài)及其GST信息曲線

當(dāng)擾動信號含有諧波分量時，不管是三次、五次、七次諧波，還是含有高頻分量的振蕩暫態(tài)，行向量最大值包絡(luò)線圖都能把這些高于基頻的頻率分量檢測出來，因此也可以從行向量最大值包絡(luò)線圖中尋找特征量。

各頻率的能量是不同的，擾動信號的能量與頻率和幅值的改變是緊密相連的，因此擾動信號在不同頻率時的不同能量值也可以作為特征值。

2.3 特征提取

本設(shè)計對各暫態(tài)電能質(zhì)量擾動信號進(jìn)行廣義S變換以后，從廣義S變換模矩陣中選定以下6個特征量作為區(qū)分不同擾動的特征量。記廣義S變換模矩陣為，代表采樣時間，代表采樣頻率點。

(1)?50 Hz時間幅值曲線均值1。

(2)?50 Hz時間幅值曲線的最小值2。

(3)?信號在150 Hz、250 Hz、350 Hz處能量之和的根值3，之所以取根值是為了減小噪聲的影響。

(7)

(4)?信號高頻分量能量之和4。

(9)

3 基于PSO-PNN的電能質(zhì)量擾動識別

本文利用Matlab生成參數(shù)隨機(jī)變化的電能質(zhì)量擾動樣本，對每個擾動樣本進(jìn)行廣義S變換，從廣義S變換模矩陣中提取出6種擾動特征量，將特征量輸入到PSO-PNN分類器中，從而實現(xiàn)擾動的分類識別，分類識別過程如圖8所示。

圖8 電能質(zhì)量擾動分類識別流程

概率神經(jīng)網(wǎng)絡(luò)的構(gòu)成如圖9，它由輸入層、模式層、求和層和輸出層構(gòu)成[18]。

圖9 PNN的基本結(jié)構(gòu)

本設(shè)計中，PNN的輸入層有6個神經(jīng)元，接收擾動信號的6維特征值，模式層共有600個神經(jīng)元，計算輸入的6維特征值與訓(xùn)練樣本中全部擾動的歐式距離，然后將距離值送入高斯激活函數(shù)，得模式層輸出為

本設(shè)計中，求和層有6個神經(jīng)元，將模式層輸出的分別屬于6種擾動的概率值累計，從而得到對應(yīng)6種擾動的概率值。輸出層共有6個競爭神經(jīng)元，接收從求和層傳來的對應(yīng)6種擾動的不同概率值，概率值最大的競爭神經(jīng)元勝出，其值為1，表示此神經(jīng)元所對應(yīng)的擾動類別為待識別的擾動信號類別，其余競爭神經(jīng)元值為0，這樣就實現(xiàn)了分類識別。

平滑因子參數(shù)選取的不同對PNN分類正確率有很大影響，本設(shè)計采用粒子群優(yōu)化算法(PSO)來對PNN平滑因子進(jìn)行參數(shù)自動尋優(yōu)，這樣PSO-PNN就能夠根據(jù)不同的訓(xùn)練樣本數(shù)據(jù)自動選擇最優(yōu)平滑參數(shù)值，從而提高擾動識別正確率，如圖10所示。PSO算法需要一個適應(yīng)度函數(shù)來作為優(yōu)化的最終目標(biāo)[21]，本文選取訓(xùn)練樣本分類的正確率作為適應(yīng)度函數(shù)。圖10中，粒子數(shù)目選擇為50，最大迭代次數(shù)設(shè)為10，PSO算法[22]中慣性權(quán)重取值0.5，兩個學(xué)習(xí)因子取值均為2。

4 實驗與分析

電能質(zhì)量擾動信號基頻定為50 Hz，擾動信號采樣頻率為3 200 Hz，每個信號周期采樣為64個點，采樣長度為10個信號周期。為了便于表示，將電壓暫升、電壓暫降、電壓中斷、諧波、脈沖暫態(tài)、振蕩暫態(tài)依次用~表示。

圖10 PSO對PNN的平滑因子尋優(yōu)框圖

首先通過實驗確定PSO-PNN的最佳訓(xùn)練樣本數(shù)，每種類別分別用30、50、80、100、120、150個擾動樣本作為訓(xùn)練樣本進(jìn)行訓(xùn)練，然后對1800個帶有50 dB高斯白噪聲的測試樣本進(jìn)行測試(其中電壓暫升、電壓暫降、電壓中斷、諧波、脈沖暫態(tài)、振蕩暫態(tài)各300個)，之所以選擇帶有噪聲的測試樣本是為了更接近實際情況。仿真結(jié)果見表2。

表2 訓(xùn)練樣本數(shù)對分類測試結(jié)果的影響

從表2可以看出，隨著訓(xùn)練樣本數(shù)的增加，測試樣本分類正確率也相應(yīng)有所提高。由于分類正確率在訓(xùn)練樣本數(shù)較小時就取得了較好的效果，故以增加訓(xùn)練樣本數(shù)來提高分類正確率的效果不是很明顯。當(dāng)訓(xùn)練樣本數(shù)為100時，擾動信號的分類識別取得比較理想的結(jié)果，達(dá)到了平衡分類正確率與訓(xùn)練樣本數(shù)的目的，本文選取訓(xùn)練樣本數(shù)為100。

現(xiàn)實中對電能質(zhì)量擾動進(jìn)行監(jiān)測時，總是會有噪聲的干擾，而且不同時段噪聲干擾的強(qiáng)度也可能不同。為了最大限度的貼近實際情況，在仿真信號樣本中分別添加噪聲為20 dB、30 dB、40 dB、50 dB、60 dB的高斯白噪聲進(jìn)行仿真分析。

產(chǎn)生各類擾動樣本每種400個，總共2 400個。每種擾動隨機(jī)采用其中的100個作為訓(xùn)練樣本，其余的300個作為測試樣本。首先，將訓(xùn)練樣本的特征值和類別輸入PSO-PNN中進(jìn)行訓(xùn)練，訓(xùn)練完成后輸入測試樣本的特征值，然后由PSO-PNN分類器識別出擾動的類型。分類結(jié)果詳情如表3和表4所示。其中表3示出的是噪聲為20 dB時的分類結(jié)果，表4為不同噪聲干擾下分類結(jié)果的比較。

表3 20 dB時的分類結(jié)果

從表3、表4可以看出，PSO-PNN對常見的6種電能質(zhì)量擾動的識別分類正確率都很高，其中電壓暫升、諧波、脈沖暫態(tài)、振蕩暫態(tài)的分類正確率達(dá)到了99%以上，而電壓暫降和電壓中斷由于其波形的相似性，所以識別正確率略低于其他4種電能質(zhì)量擾動。由此表明PSO-PNN的分類識別方法不僅在無噪聲的理想狀態(tài)下取得了較高的分類正確率，而且在強(qiáng)噪聲干擾存在時，依然能維持分類識別的高正確率。

表4 不同噪聲等級下的分類測試結(jié)果

5 結(jié)論

本文提出并實現(xiàn)了一種基于廣義S變換與PSO-PNN的電能質(zhì)量擾動分類識別方法。該方法采用時頻分辨率效果較好的廣義S變換進(jìn)行特征提取，采用PSO來選取PNN的平滑參數(shù)，克服了平滑參數(shù)要靠經(jīng)驗選取的不足。首先對6種擾動信號進(jìn)行廣義S變換，接著對不同擾動信號的廣義S變換模矩陣中的信息進(jìn)行了分析和比較，從而提出了6種能作為有效區(qū)分不同擾動的時頻特征量，最后將提取到的特征量送入PSO-PNN分類器中進(jìn)行訓(xùn)練、測試。大量仿真實驗結(jié)果表明，采用本文的方法能夠準(zhǔn)確、可靠地實現(xiàn)對電能質(zhì)量擾動信號的分類識別，識別正確率高，抗噪聲能力強(qiáng)，值得推廣應(yīng)用。

[1] 姚致清, 張茜, 劉喜梅. 基于PSCAD/EMTDC的三相光伏并網(wǎng)發(fā)電系統(tǒng)仿真研究[J]. 電力系統(tǒng)保護(hù)與控制, 2010, 38(17): 76-81.

YAO Zhiqing, ZHANG Qian, LIU Ximei.Research on simulation of a three-phase grid-connected photovoltaic generation system based on PSCAD/EMTDC[J].Power System Protection and Control, 2010, 38(17): 76-81.

[2] 姚致清, 趙倩, 劉喜梅. 基于準(zhǔn)同步原理的逆變器并網(wǎng)技術(shù)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2011, 39(24): 123-126.

YAO Zhiqing, ZHAO Qian, LIU Ximei.Research on grid-connected technology of inverter based on quasi synchronous principle[J].Power System Protection and Control, 2011, 39(24): 123-126.

[3] CHILUKURI M V, DASH P K. Multiresolution S- transform-based fuzzy recognition system for power quality events[J]. IEEE Transactions on Power Delivery, 2004, 19(1): 323-330.

[4] 和萍, 文福拴, 薛禹勝,等. 風(fēng)力發(fā)電對電力系統(tǒng)小干擾穩(wěn)定性影響述評[J]. 電力系統(tǒng)及其自動化學(xué)報, 2014, 26(1): 1-7.

HE Ping, WEN Fushuan, XUE Yusheng,et al.Survey on impact of wind power on small signal stability in power system[J].Proceedings of the CSU-EPSA, 2014, 26(1): 1-7.

[5] 姚致清, 于飛, 趙倩, 等. 基于模塊化多電平換流器的大型光伏并網(wǎng)系統(tǒng)仿真研究[J]. 中國電機(jī)工程學(xué)報, 2013, 33(36): 27-33.

YAO Zhiqing, YU Fei, ZHAO Qian, et al.Simulation research on large-scale PV grid-connected systems based on MMC[J]. Proceedings of the CSEE, 2013, 33(36): 27-33.

[6] 占勇, 程浩忠, 丁屹峰, 等. 基于S變換的電能質(zhì)量擾動支持向量機(jī)分類識別[J]. 中國電機(jī)工程學(xué)報, 2005, 25(4): 51-56.

ZHAN Yong, CHENG Haozhong, DING Yifeng, et a1. S-transform-based classification of power quality disturbance signals by support vector machines[J]. Proceedings of the CSEE, 2005, 25(4): 51-56.

[7] 谷金宏, 劉琪, 程超會.電能質(zhì)量的S 變換仿真[J]. 電測與儀表, 2009, 46(6): 51-55.

GU Jinhong, LIU Qi, CHENG Chaohui.Simulation of power quality using S-transform[J].Electrical Measurement & Instrumentation, 2009, 46(6): 51-55.

[8] 張逸, 林焱, 吳丹岳. 電能質(zhì)量監(jiān)測系統(tǒng)研究現(xiàn)狀及發(fā)展趨勢[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(2): 138-147.

ZHANG Yi, LIN Yan, WU Danyue.Current status and development trend of power quality monitoring system[J].Power System Protection and Control, 2015, 43(2): 138-147.

[9] RODRIGUEZ A, MERINO E, AGUADO J,et al.A decision tree and S-transform based approach for power quality disturbances classification[C] // 4th International Conference on Power Engineering. Istanbul, Turkey, 2013:13-17.

[10]徐方維,楊洪耕, 葉茂清, 等.基于改進(jìn)S變換的電能質(zhì)量擾動分類[J].中國電機(jī)工程學(xué)報, 2012, 32(4): 77-84.

XU Fangwei, YANG Honggeng, YE Maoqing,et al.Classification for power quality short duration disturbances based on generalized S-transform[J].Proceedings of the CSEE, 2012, 32(4): 77-84.

[11] 王玉龍, 崔玉, 李鵬,等. 基于小波分析改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型電力系統(tǒng)負(fù)荷預(yù)測[J]. 電網(wǎng)與清潔能源, 2015, 31(2): 16-20.

WANG Yulong, CUI Yu, LI Peng, et al.Load forecasting of power system based on wavelet analysis improved neural network model[J]. Power System and Clean Energy, 2015, 31(2): 16-20.

[12] LEE I W C, DASH P K.S-transform-based intelligent system for classification of power quality disturbance signals[J]. IEEE Transactions on Industrial Electronics, 2003, 50(4): 800-805.

[13] 易吉良, 彭建春, 譚會生. S變換在電能質(zhì)量擾動分析中的應(yīng)用綜述[J]. 電力系統(tǒng)保護(hù)與控制, 2011, 39(3): 141-147.

YI Jiliang, PENG Jianchun, TAN Huisheng. A summary of S-transform applied to power quality disturbances analysis[J]. Power System Protection and Control, 2011, 39(3): 141-147.

[14] STOCKWELL R G, MANSINHA L, LOWE R P. Localization of the complex spectrum: the S-transform[J]. IEEE Transactions on Signal Processing, 1996, 44(4): 998-1001.

[15] 肖助力, 龔仁喜, 陳雙. 一種改進(jìn)不完全S變換的電壓暫降檢測方法[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(9): 62-68.

XIAO Zhuli, GONG Renxi, CHEN Shuang. Detection of voltage sag by a modified incomplete S-transform[J].Power System Protection and Control, 2015, 43(9): 62-68.

[16]肖助力, 龔仁喜, 陳雙, 等. 基于改進(jìn)S變換的電力系統(tǒng)諧波檢測方法[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(3): 84-90.

XIAO Zhuli, GONG Renxi, CHEN Shuang, et al.Detection of harmonics in power system based on modified S-transform[J]. Power System Protection and Control, 2015, 43(3): 84-90.

[17]楊洪耕, 劉守亮, 肖先勇, 等. 基于S 變換的電壓凹陷分類專家系統(tǒng)[J]. 中國電機(jī)工程學(xué)報, 2007, 27(1): 98-104.

YANG Honggeng, LIU Shouliang, XIAO Xianyong, et al. S-transform-based expert system for classification of voltage dips[J]. Proceedings of the CSEE, 2007, 27(1): 98-104.

CHEN Bo, GUO Zhuangzhi.Fault diagnosis method research of transformer based on optimized smooth factor of probability neural network[J].Modern Electric Power, 2007, 24(2): 44-47.

[19] 陳學(xué)華, 賀振華, 黃德濟(jì). 廣義S變換及其時頻濾波[J]. 信號處理, 2008, 24(1): 28-31.

CHEN Xuehua, HE Zhenhua, HUANG Deji. Generalized S transform and its time-frequency filtering[J].Journal of Signal Processing, 2008, 24(1): 28-31.

[20] KUMAR R, SINGH B, SHAHANI D T, et al. Recognition of power quality events using S-transform based ANN classifier and rule based decision tree[J]. IEEE Transactions on Industry Applications, 2015, 51(2): 1249-1257.

[21] 胡殿剛, 秦睿, 黃亭, 等. 基于免疫記憶粒子群優(yōu)化算法的風(fēng)火聯(lián)合系統(tǒng)的多目標(biāo)優(yōu)化調(diào)度[J]. 高壓電器, 2015, 51(6): 20-26.

HU Diangang, QIN Rui, HUANG Ting, et al.Wind power integrated with thermal system multi-objective optimal dispatch basedon immune memory particle swarm optimization algorithm[J].High Voltage Apparatus, 2015, 51(6): 20-26.

[22] 孫斌, 姚海濤. 基于PSO優(yōu)化LSSVM的短期風(fēng)速預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(5): 85-89.

SUN Bin, YAO Haitao.The short-term wind speed forecast analysis based on the PSO-LSSVM predict model[J]. Power System Protection and Control, 2012, 40(5): 85-89.

(編輯 葛艷娜)

Power quality disturbances classification based on generalized S-transform and PSO-PNN

QIN Xingfu, GONG Renxi

(School of Electrical Engineering, Guangxi University, Nanning 530004, China)

To overcome the difficulty of automatic identification of power quality disturbances from the large data of power quality monitoring system, a new method for power quality disturbances identification is proposed based on generalized S-transform and PSO-PNN. It makes full use of generalized S-transform’s ability of giving attention to both time and frequency resolution. Initially, the time-frequency analysis of power quality disturbances is carried out by using generalized S-transform, from whose results the time-frequency features of disturbances are extracted. Finally, PSO-PNN, as a classifier, is used to identify power quality disturbances. The PSO algorithm solves the problem of choosing the smoothing factor for PNN which is usually hard to determine, and thus the performance of the classifier is greatly improved. The simulation results show that the proposed method can identify six kinds of power quality disturbances correctly and effectively, and it is characterized by high recognition correctness rate and low sensitivity to noises, and it will find extensive application. This work is supported by National Natural Science Foundation of China (No. 61561007).

power system; power quality; generalized S-transform; PSO-PNN; classification and identification

10.7667/PSPC151524

國家自然科學(xué)基金項目(61561007)

2015-08-28；

2015-10-19

覃星福( 1990-)，男，碩士研究生，研究方向為電力電子在電力系統(tǒng)中的應(yīng)用；E-mail: qxf_forever@163.com 龔仁喜(1962-)，男，教授，博士生導(dǎo)師，主要研究領(lǐng)域為電力電子技術(shù)及應(yīng)用、智能檢測技術(shù)。E-mail: rxgong@ gxu.edu.cn