AI驱动的主配变智能监控与预警技术及系统

AI

驱动的主配变智能监测与预警技术及系统新型电力系统概率安全评估与智慧决策科学问题：新能源为电源主体的电力供需平衡与调控机理科学研究重大需求促进新能源高效消纳，提高新型电力系统安全运行水平贡献一概率安全供需分析与智慧决策贡献四综合能源基地EMS

系统研发源荷概率预测

安全边界刻画

供需失衡治理

沙盘时序推演

智能韧性评估

一体化提升策略低碳安全运行域

跨时空调配

全链条规划

新能源场站EMS

能源接地调控

能源基地EMS贡献二电网韧性评估与提升贡献三电氢综合能源系统学术

贡献研

究目

标研发新型电力系统供需平衡智慧分析与决策系统、配电网-氢能系统运行与规划仿真分析、主配变负载智能监控与预警系统、新能源智能预测系统等四款商业软件，应用于20余省市电网工程应用以风光为代表的新能源已成为我国电力系统电力电量供应的关键主体之一。截至2023年

底，我国风光装机容量占比为36%,发电量占比突破15%。部分省份的风光装机容量和发电

量占比已分别突破60%和30%,随着风光占比的持续提高，源、网、荷各环节的强不确定性

耦合交织，电力安全运行边界由确定性演变为概率性，电力电量平衡与调控机理发生根本性

变革，并呈现电力电量供需失衡风险时变性、多时间尺度运行边界强相依性、调度决策高维

复杂性等特征，现有平衡分析与调控技术面临极大挑战。科研范式是指某一特定时期、某一学科的科研人员群体所认可且遵循的科研行为方式。从电力系统百余年的发展历程来看，先后经历了以实验与理论推导为核心的理论科研范式和

以计算机模拟仿真为标志的计算科研范式，有力地促进了电力系统的发展和进步。在高级量

测、大规模数据存储等技术的持续驱动下，电力数据呈现密集化、多元化、实时化等特征，电力系统研究正迈向以数据驱动为关键特征的数据密集型科研范式。这一转变深化了对电力

供需中因果关系的理解、拓宽了电力供需相关关系的探索边界，为新型电力系统平衡分析与

调控技术开辟了新的研究思路。将电力数据研究对象化，以深度学习、强化学习等人工智能

为技术载体，开展基于数据密集型科研范式下的电力供需平衡知识发现研究，探究新型电力

系统调控机理，已成为国内外学者关注的焦点问题。基于上述背景，《中国电机工程学报》编辑部特邀重庆大学任洲洋副教授、华中科技大

学晏鸣字教授、北京大学孙铭阳研究员、清华大学康重庆教授作为特约主编，共同主持“

数

据密集型科研范式下的新型电力系统供需平衡分析与调控技术”专题，《中国电机工程学

报》拟以专题形式于2025年下半年出版(正刊)。TowardsZeroCarbon

EmissionSmartCities

Drivenby

Hydrogen

EnergySubmissiondeadline:31May2025Efficient,ciean,and

pollutian-free

energy

supply

lepresentsacrilical

challenge

in

the

construction

ofsmort

cities.Hydrogen

energy.with

its

odvontnges

ofzero

corbonemissions,fiexible

noture,and

ease

ofcanversion

with

otherenergyformssuchaselectricityandheat,isconsideredos

one

ofthe

most

promisingsecondoryenergies

inthe

21stcentury.Many

countries,including

Chino,theUnitedKingdomandthe

UnitedStates,have

proposed

nationoldevelopmentstrategiesforhydrogenenergy.Thelorge-scolepromotionand

utillzation

of

hydrogen

energy,clongwiththecontinuousimprovementofhydrogenfocilities,havestrengthenedthecoupling

relationship

between

multipleenergysystemssuchaselectricity.hydrogen,transportatlon,noturaldheatsupplysystems.Thisprovidesa

new

tolutionpathtobuildzero-carbon

energy

supply

systems

for

snartcities.However,the

existing

feseurch

on

hydrogen

drivenzero-carbonsmartcitiesisrelativelylimited.Thisspeciai

issue

isestoblishedto

invite

experts

and

scholars

fromacodemicandindustryto

jointlyexploretheimplementationpaths,key

technoiogies,and

criticcl

challenges

oferiticalenergyinfrastructureforsmartcitiesdrivenby

hydrogenenergyGuesteditors:Prof.ZhouyangRen,PhDSchool

ofElectricalEngineering.Chongqing

University,Chongqing,ChinaProf.SaraWalker,PhDSchoolofChemical

Engineering,UniversityofBirmingham,Birmingham,UKProf.DavidFlynn,PhDJomesWottSchoolofEngineering,UniversityofGlosgow,Glasgow,UKProf.JjianzhongWu,PhDSchoolof

Engineering.Cardiff

University.Cardiff,UKProf.Jin

Lin,PhDDepartmentofElectrical

Engineering.Tsinghua

University,Beljing.Chin.AppliedEnerISgupyportsopenoccessSubArticles&IssuesAbout

√PublishOrder

journal

dSearchin

this

joumolGu中国电机工程学报AI专题、Applied

Energy电氢专刊正在征稿中，欢迎投稿!

学术专刊“数据密集型科研范式下的新型电力系统供需平衡分析与调控技术”专题征稿启事1

研发背景2

AI

驱动的主配变智能预警技术3

主配变智能监控与预警系统4

应用案例与用户反馈5

总结与展望目

录PART

01研发背景随着新能源、充电桩等新型源荷海量接入，电力负荷波动特性发生深刻改变，主配变压器重过载事件频发，并引发设备损毁、停电等，社会影响较大。>

2022年春节期间，

A

省配变重过载达3800余台，因变压器重过载导致的停电投诉占同期投诉的50%以上；B

省每年因重过载导致的10kV

线路和配变停运超过13000次，引发大量配变损毁。主配变重过载问题已成为生产运维面临的关键痛点之一，严重制约可靠供电图1.1充电桩等新型负荷海量接入

图1.2主变重过载引发设备损毁

图1.3配变重过载引发设备损毁1.1研发背景主配变重过载事件呈现偶然性、突发性、时空分散性、危害性等特征，迫切需要预警早、预警准的核心技术，亟需研发的主配变负载智能监控与预警技术及系统。主配变负载变化呈现强随机性、弱规律性、时空差异性，早预警、准预警极为困难。受环境温度、运行工况和设备状态等因素影响，变压器载荷能力呈现动态变化特征。1.2关键挑战主配变负载的强随机-弱规律-差异化波动特征导致精准预警极为困难图1.4居民区与商业区配变典型日曲线

图1.5春节期间发生的时序分布漂移现象春节前一周存节期间

春节后一周变压器负

荷曲线概率分布图商业区乱交负戴率居民区形变血族率时亥115mins时划/15mins负

线

事

/

1

0

0

%类别现有方法优势不足变压器载荷能力

评估方法静态额定容量使用方便在实验室恒定温度下测定，难以真实反映变压器在复杂环

境中的真实载荷能力动态载荷能力评估方法充分挖掘不同情况下的

变压器载荷能力以变压器热点温度作为主要限制条件，但忽略了变压器老

化情况的差异性负荷预测方法基于统计学的传统预测方法具有较好的可解释性可利用的数据类型偏少，主要适用于变化模式和规律性较为

显著的负荷预测场景深度学习等Al技术强大的特征学习和非线

性拟合能力模型参数优化严重依赖海量的历史负荷数据主配变负荷预测方法：为提高对春节等小概率事件的预警精度以及模型的适应性，提出基于改进Informer和小样本驱动的主配变周前负荷预测技术。主配变载荷能力评估方法：针对现有方法未考虑冷却模式和设备老化对主配变载荷能力影响的不足，提

出考虑热老化的变压器动态载荷能力评估方法。

1.3研究现状表1.1研究现状多头概率稀疏自注意力机制自注意力蒸馏机制基于小样本数据的数据增强方法支撑支撑MAML

算法辅助的模型优化方法基于Informer

模型的预测模型考虑时序分布漂移现象的负荷预测修正模型小样本数据驱动的主配变负荷预测技术考虑热老化的变压器动态载荷能力评估方法主配变智能监测与预警技术及系统

1.4研究思路AI

驱动的主配变智能监测与预警技术及系统与广西电网合作研发主配变负载智能监控与预警系统，支撑迎峰度夏/度冬1.5系统研发AI

驱动的主配变智能预警技术PART

02数据驱动的一阶段预测模型度夏度冬期间的二阶段预测修正模型负荷预测曲线时序分布漂移现象发生后的真实数据与预测数据剖析度夏度冬期间时序分布漂移现象的影响，基于泛化误差特征构建变压器负荷预测模型，提升主配变重过载预警

模型的适应性；充分考虑气象环境等因素，提出考虑动态载荷能力的主配

变重过载预警模型。现有预警模型采用“离线训练，在线预测”的方式，缺乏动态自适应的调整能力；主配变重过载事件集中发生于度夏度冬期间，如何有效应对这一时期显著的时序分布漂移现象，适时更

新模型参数，是亟需解决的关键问题。图2.1考虑时序分布漂移现象的主配变预警模型技术思路关键问题2.1研究思路基于高斯

过程的修

正模型历史负荷数据变压器负荷数据容易受用户行为的影响，规律性差异较大，惯性较弱，预测难度远高于系统级负荷；变压器负荷时

序数据中存在复杂的长距离依赖关系，大大提高了负荷预测

的难度。Informer

模型由编码器和解码器构成。在编码器中，原始序列每当经过一次注意力层、卷积层和最大池化层，原

始序列的长度减半；在解码器中，采用生成式解码的方式，

避免动态解码方式耗时长、误差累积的缺点。2.1.1考虑时序分布漂移现象的主配变预警模型自注意力蒸馏多头自注意力

多头概率稀疏自注意力解码器Informer

模型结构编码器图2.3编码器结构输出融合特征图

全连接层注意力层最大池化层一

维

卷

积

层注意力层注意力层最大池化层一

维

卷

积

层多头概率稀疏自注意力多头概率稀疏自注意力编码器图2.2多头概率稀疏自注意力机制自注意力蒸馏机制嵌入位置信息的输

入向量■

在度夏度冬期间，变压器负荷存在明显的时序分布漂移现象，即当前时段负荷数据的统计特性

与历史负荷数据的统计特性存在明显差异；■良好的预测模型应当同时具备低偏差、低方差的预测效果。为此，基于泛化误差特征，建立基

于迁移学习的负荷预测修正模型，充分考虑“近大远小”的预测原则，建立修正模型的在线更新策略，持续提升预测模型对当前负荷数据的适应性。Informer

模型泛化误差特征E(f;D)=E,[(f(x;D)-yn)²]=(f(x)-y)²+E₂[(f(x;D)-f(x))²]+E,[(yn-y)²]

=bias²(x)+var(x)+ε²偏差bias²=[f(x)-y]²方差var(x)=E,[(f(x;D)-f(x))²]2.1.1考虑时序分布漂移现象的主配变预警模型低偏差高偏差图2.4偏差与方差分布情况低方差

高方差2.1.1考虑时序分布漂移现象的主配变预警模型

利用高斯过程捕捉残差在各时刻的波动特征，弥补Informer

模型预测结果与真实结果之间的偏

离程度，利用残差的概率分布表征Informer

模型预测结果在真实结果附近的波动情况。将Informer

模型的预测结果与修正模型结果累加，通过建立边界权重矩阵，对不同预测区间的上下边界加权求和，大幅提升未来不同时间尺度变压器负荷预测精度。□

基于高斯过程模型的修正模型

口在线更新策略基于边界权重矩阵的加权求和函数y=0φ(x)+₂₂(x')+…+②φ(x")模型更新的一般形式复合核函数K,=kim+kweuniey+kmobito+kou样本权重矩阵与更新函数均值函数与核函数上边界与下边界径向基核函数1

1

i

1

l

l

1

1------本文模型12070144时间(单位：小时)负载率(

单

位:

%

)真实负荷

方法

方法二

本文模型时间(单位：小时)时间(单位：小时)图2.51号变压器负荷预测结果图2.62号变压器负荷预测结果图2.73号变压器负荷预测结果方法二

100120时间(单位：小时)时间(单位：小时)时间(单位：小时)图2.84号变压器负荷预测结果

图2.95号变压器负荷预测结果

图2.106号变压器负荷预测结果将训练数据分为两部分，第一部分数据集训练Informer

模型，使用Informer

模型在第二

部分数据集上的预测结果与真实结果之间的残差构建修正模型，以度夏期间的样本作为测

试数据。选择基于LSTM构建的方法一、基于Reformer模型构建的方法二作为对比。

仿真结果2.1.2算例分析真实负荷本文模型真实负荷负载率负载率120144■

所提预测模型输出的预测曲线能够紧密跟随真实负荷曲线的波动行为；■由于发生了时序分布漂移现象，当前负荷数据的统计特征与历史数据之间存在一定差异，

因此，方法一和二的预测结果与真实结果之间存在较大的偏差。评估指标■为直观显示不同方法的预测精度，采用平均绝对百分误差

(Mean

Absolute

Percentage

Error,

MAPE)和均方根误差

(RootMeanSquare

Error,RMSE)

作为主要的评价指标。表2.1预测误差预测模型第1号变压器第2号变压器第3号变压器第4号变压器第5号变压器第6号变压器RMSEMAPE/%RMSEMAPE/%RMSEMAPE/%RMSEMAPE/%RMSEMAPE/%RMSEMAPE/%方法126.4125.7915.3228.8822.9725.7132.5243.5222.1027.1715.3625.80方法29.127.9311.0118.9919.7319.7030.1039.5216.1423.2613.6424.82所提方法4.654.444.769.243.093.675.5410.976.9912.368.2413.60

2.1.2算例分析特殊时期1号变压器2号变压器3号变压器4号变压器5号变压器6号变压器方法三所提方法方法三所提方法方法三所提方法方法三所提方法方法三所提方法方法三所提方法度夏期间重载次数222223323321过载次数221121001133度冬期间重载次数423121423111过载次数111033002131■

方法三：将变压器静态额定容量作为重载、过载的判断标准。■

迎峰度冬期间，所提方法对4号变压器的重载预警结果比方法三的重载预警结果少2次，在迎峰度夏期间，所提方法对6号变压

器上的重载预警结果比方法三的重载预警结果多1次。■

度冬期间环境温度较低，即使负载率达到静态额定容量的0.8倍并维持2小时及以上，变压器内部温度仍低于预警水平，所提预警模型可有效降低虚警次数。■

在度夏期间，变压器内部热量长期积累难以释放，负载率未达到方法三的预警标准，也即出现漏警情况。实际上，此时变压器内部运行状态已开始逐步恶化，而所提预警模型可有效降低漏警次数。表2.2变压器重过载预警结果

2.1.2算例分析19在春节等节假日期间，由于大量外出务工人员返乡，部分区域主配变重过载事件频发；春节等事件的发生日期不固定、样本稀缺，该时期负荷曲线与相邻负荷曲线呈现出迥异的变化特征；如何充分利用小样本数据量化春节等事件对负荷波动特性的影响，提高预警模型的适应性，是实现精准

预警的关键。剖析小样本数据的经典波动特征，构建数据增强方法；利用MAML

算法捕捉共性规律，提升预

警模型泛化能力；充分考虑设备状态，提出考虑热老化的变压器动态载荷能力评估方法，提高预警精度。

2.2研究思路

θ任务2:帮础学习器

VC₃VC₂VCθ参数初始值损失两数梯度值提取更新参数初始值損失的数梯度值关键问题技术思路图2.11

MAML

算法优化过程参数初始值的记忆模块6θ₂任务1:基

础学习器任务》:基

础学习器元学习器特殊事件时期的负荷曲线样本可理解为是在不同初始条件下叠加特殊事件影响而形成；N-BEATS

模型是仅有前向和后向残差连接构建的深度学习模型，在模型内部对时序数据进行分解，具有较高的特征表达能力，能够量化不同任务中的时间序列数据具有的波动特征，挖掘不同基础学习

器中的共性规律。

2.2.1小样本数据驱动的主配变预警模型模型输入模型输出第1个Stack第2个Stack第N个Stack姆栈验入块区1块区2块区N下一层维枝基础学习器模型参数更新方程图2.13

N-BEATS

模型中堆栈之间的关系元学习器模型参数更新方程基础学习器优化目标图2.12N-BEATS

模型结构元学习器优化目标堆栈输出误差指标7号变压器8号变压器9号变压器方法1方法2本方法方法1方法2本方法方法1方法2本方法RMSE42.5331.2111.7116.0315.719.2229.5620.678.83MAPE/%45.1533.017.3252.658.6421.5482.3761.795.94方法一、方法二无法考虑春节等特殊事件对变压器负荷波动规律的影响，预测结果明显偏离实际的负荷曲线。所提方法充分考虑春节等特殊事件对负荷曲线的影响，预测精度显著提高。时间(单位：小时)图2.14第10号变压器负荷预测结果

图2.15第11号变压器负荷预测结果

图2.16第12号变压器负荷预测结果

22

2.2.2算例分析表2.3各方法预测误差负载率现有主配变重过载预警方法忽略了不同工况下变压器动态载荷能力的差异性，导致虚警、漏警等情况频发；如何准确评估不同工况、不同运行状态下变压器的动态载荷能力，是实现精准预警的关键。构建考虑冷却模式变化的变压器热点温度计算模型，评估变压器热老化状态，充分考虑不同工况、不同设备状态对

变压器的影响，提出考虑热老化的变压器动态载荷能力评估方法，精准量化变压器的差异化动态载荷能力。关键问题技术思路2.3研究思路图2.17变压器冷却模式切换过程冷却模式1

冷却模式2素

，

国

标

《

油

浸

式

电

力

变

压

器

负

载

导

则

》

指

出

：

当

变

压

器

超当

程

度

，

小

型

变

压

器

应

考

虑

热

点

温

度

与

热

老

化

，中

型

变

压

器功

率

，

以

强

迫

导

向

油

循

环

风

冷

冷

却

方

式

为

例

，

其

时

常

进

行

动用

范

围

广

。

该

模

型

中

，

往

往

将

反

映

变

压

器

冷

却

效

率

的

热

阻

视基于冷却效率因子与油黏度因子的热阻修正方法>修正后的热阻计算公式Rth-oil(t)=Rth-i.,rated(1)·βm(1)·β1)

热

点

温

度

是

影

响

变

压

器

动

态

载

荷

能

力

的

关

键

因过

静

态

额

定

容

量

运

行

，

为

将

运

行

风

险

控

制

在

适

应

着

重

考

虑

冷

却

方

式

；部

分

变

压

器

冷

却

系

统

并

不

总

是

工

作

在

最

大

冷

却

态

调

节

；热

电

类

比

模

型

常

用

于

不

同

时

间

尺

度

的

场

景，

适为

常

数

，

无

法

保

障

热

点

温

度

的

计

算

精

度

。2.3.1考虑热老化的变压器动态载荷能力评估方法>冷却效率因子公式>油黏度因子公式冷却模式2冷却模式1图2.18变压器冷却模式切换过程老化加速因子等效老化因子寿命损失百分数剩余时间内的等效老化因子老化加速因子图2.19热点温度阈值确定方法●变压器在长期运行的过程中，内部绝缘纸和矿物油会逐渐发生老化，导致变压器绝缘性能下降。两

台服役时间相同的变压器，若一台变压器长期处于重载、过载状态，则该变压器的绝缘寿命损耗要

远高于长期轻载的变压器。●若变压器长期处于重载、过载状态，绝缘寿命低于预期服役时间。因此，在评估变压器动态载荷能

力时，需合理调整热点温度阈值，使变压器剩余绝缘寿命与剩余计划运行时间相等，满足对计划运

行时间的要求。2.3.1考虑热老化的变压器动态载荷能力评估方法(单位：摄氏度)热点温度阈值热点温度计算公式fi顶层油温计算公式f相对寿命损失函数L变压器动态载荷能力评估模型max

K,充分考虑变压器老化状态以及运行中冷却模式的差异性，构建变压器动态载荷能力优化评估模型，为精准实现重过载预警奠定基础。2.3.1考虑热老化的变压器动态载荷能力评估方法以周时间尺度作为主要的时间尺度，变压器负荷、环境温度等数据集的时间颗粒度为1小时，共168个点；基于变压器设备参数，计算热点温度曲线，评估老化加速因子，算例结果表明：随着变压器负荷增加，热点温

度逐步升高，老化加速因子也随之升高。当热点温度处于较高水平时，变压器老化速度会出现不同程度的加快。

变压器老化速度受到热点温度影响，在相同服役时间内，长期处于重载、过载状态的变压器寿命损失明显高于

长期处于轻载状态的变压器。120

144时间(单位：小时)老化加速因子时间(单位：小时)—长期重过载变压器

长期轻载变压器图2.21相同环境温度下不同变压器的老化加速因子

2.3.2算例分析一

热点温度

一

老化加速因子图2.20热点温度与老化加速因子波动规律变压器热点温度(单位：摄氏度)老化加速因子环境温度是影响变压器动态载荷能力的重要因素，在部分环境温度和运行状态下，变压器动态载荷能力可能会高于静态额定容量；但夏季环境温度较高，进一步加速变压器绝缘老化速度；本系统方法的预警结果比方法三少2次，这是因为预警期间部分时段内，变压器载荷能力高于静态额定容量。一变压器负载率

一本文方法重载标准一方法三重载标准一

本文模型预测曲线

一本文方法重载标准一方法三重载标准138120168时闰《单位：小蚓)

时闻(单位：小时)图2.22不同预警标准下的变压器重过载预警结果

图2.23基于负荷预测曲线的变压器重过载预警结果2.3.2算例分析负权率(单位:畅主配变智能监控与预警系统PART033.1主要功能■

采

用网页模式，输入账号、密码后即可登陆进入系统首页；首页滚动播放当前主配变负载的整体

情况，包括主变重过载预测信息、重过载地理分布等情况。■主要有主配变负载数据管理、主配变重过载管控、主配变负载预测三个核心功能，实现变压器重过载事件“监测-预警-治理-评价”全过程管控。图3.1系统登录页面■功能一：主配变台账及运行状态数据展示主

要展示各主配变的台账信息、断面数据、负载状态、油温等数据，并增加搜索、排序、导出数据等功能，便于查找、存储相关资料。+30vii十来m-1ta盟mitn*8i0*东ex3.2主配变负载数据管理图3.5设备负载状态中绑示：7

配

：

,两

，N图3.6设备断面信息图3.3设备台账信息图3.8重过载状况图3.4负载率曲线图3.7油温曲线期M第%世

1

N请地au平双主起安弹地m

AT

算+

u

1修em31m+9

功能二：主配变台账及运行状态数据展示增设重载主配变清单页以及设备断面异常列表页，便于从整体上查看各厂站主配变情况。其中，负

荷

特

征统计页采用表格和柱状图等方式展示，预警结果更加清晰直观。贴中1主变、虚站-*1主变勿路生就西伏站-1主变谁都站*主变，描用中自菇新地=1主变话，过死奥站*2土查菏站-42主变西伏站：收主亚，进士正掘主JI站来扫生犯虚站-主变，葡站-*3主变西伏站阳生彭淮都站3主变，锦州站-3主变n55姥质站期主密，常乐究恶伏站-4主变，非菇，聊州-4交川站012变黎刑站1主变案中

主韭家荆站-73主变默站叫车变3.2主配变负载数据管理供电厕名称

电压等级kV)主配要数重

详情W19tG第法临

致

配

投

起，西路

3

买温

类

影二Jm

叫

)

世

2

*

1

9

分

w

1

t

.

ame先

地t

s

A

+

2

i显4

1

8

科

1

9青用供电局青山供电局图3.10过载主配变清单图3.9重载主配变清单103511022010.3511022076661111.1.过载主配变清单23478965功能三：主配变管理清单展示为提升工作效率，本系统提供重点关注主配变清单、自定义关注管理、月报管理和设备风险评价等功

能，通过这些功能，可实现对异常主配变的便捷监视和管理。规

:0ar46en1n肿:ltmrim

i*a43.2主配变负载数据管理图3.11统计清单&自定义关注主配变清单图3.13自定义关注管理图3.14设备风险评估图3.12月报自动生成功能一：管控措施管理本系统该板块主要包含管控措施审批、编制和查询功能，可以对各类重过载主配变制定相应的管控措|施，并可便捷查看、管理已制定的管控措施。图3.15管控措施审批

图3.16管控措施编制

图3.17管控措施查询3.3主配变重过载管控功能二：管控措施结果审查该板块主要包含管控措施评价和统计功能，便于更加直观、清晰地查看自定义管控措施的整体状态。在管控措施统计层面，采用柱状图展示调度策略、运维策略、规则策略和基建策略。千康大季百

3.3主配变重过载管控调E

P四

55

广a20

R99W

性

请

热IE

=

c

x

a

r

部

聘三

R

第8

r

她

九9A24

来3

i

0

m

C

0

3

博

地

6+7

21

*

-新津Cil0

出

M十☆9

z21+t共

*图3.18管控措施评价

图3.19管控措施统计千唐大季画面

变负烈燃

受出整箔控k实

源adtnn供吧

F

D

入

厂站的消工条件供电

广站

主配地压蛛设

毅定游世：都功动功率。无咖功车；

预澳电始

流

027171412

R2结血线供电籍

疑

Q

主

35

画积第483

结期曲线3

原

电

加站

注

菜

19

t31,34574

配结律血线4西川中局

阳新

主交

229

1205

电兵

城

41354457

6结渠续A16

湿

结

果6

青强电码两

局站虞站主

和密

字43B27629

5影弹曲线

01

B

出

体9

两(供电培