1.本发明属于雷电临近预警领域，更具体的，涉及一种基于图神经网络的雷电预警方法与系统。
背景技术：2.雷电灾害作为一种自然灾害，极大地威胁着人类的日常生活，造成了大量人员伤亡和经济损失。为了有效地降低雷电灾害对经济社会发展的影响，避免重大人员伤亡和经济损失事故的发生，雷电预警技术的研究和应用显得越来越重要。
3.雷电临近预警，气象预报一般把0-2小时的预报称为临近预警。目前雷电临近预警的主流技术，是通过对雷达资料、闪电定位资料的变化趋势进行判断、外推，得到未来时刻雷达、闪电数据的可能位置和数值，再结合雷达、闪电的预测数值大小与雷电发生的阈值关系，或根据历史过程回归得到雷达、闪电与雷电发生的线性或多元多次方程，进而得到雷电预警结果的方法。比如在基于电场仪对闪电活动预警中，通过检查一固定地点电场的变化特征，而决定是否发布闪电来临的警告，其时效通常是在30min以内，并且主要针对特定目标(比如高尔夫球场、化工区)的小范围区域的预警。更大范围、更长时间时效的临近预警需要借助其他观测资料。
4.这些方法准确率高，但是在针对不同地区、不同季节需要人工进行阈值、权重等参数调整。且由于雷电的生成机理复杂，具有一定的非线性特征，定量分析预测因子的过程十分繁琐且不具备泛用性，应用性较局限。
5.为了解决非线性问题并建立具有适应性和容错性的模型，也有人尝试采用机器学习的方法进行气象特征对时间的映射而预警雷电。吕伟涛等[吕伟涛，张义军，孟青，姚雯，马颖，马明，郑栋，王飞，2009：雷电临近预警方法和系统研发[j].气象，35(5):10 17]集成了决策树和区域识别的方法，建立了雷电临近预测系统。周明薇等[周明薇，肖稳安，张其林，等基于支持向量机的雷暴潜势预报初探日]大气科学学报，2018,41(4):569-576]采用了支持向量机对ncep资料建立了雷电潜势预警模型，应用相关系数大于0.3的特征，并与其他分类模型进行了比较。陈勇伟等[陈勇伟，郑涛，王汉堃，等，2013.基于bp神经网络模型的雷电潜势预报[j].干旱气象，31(3):595-601]提取了对流参数作为神经网络的输入因子，预测了雷电活动的潜势。田浩等[田浩，章涵，冯万兴等.基于bp神经网络和大气电场特征的地闪雷电预测方法[j].电瓷避雷器，2018(6):27-33]运用bp神经网络，提取以30分钟为时间片的大气电场特征，预警未来的雷电发生事件。
[0006]
传统的基于大气电场的地闪雷电预警方法有阈值预警、电场分级预警和动态设定阈值方法等。但是这些阈值需要人为设定，如何优化地选择这些阈值本身是一个难点，而且对于不同地区，阈值的取值范围也存在差异。
[0007]
另外，传感器采集到的气象信号是分规则分布的，比如，温度传感器在海洋或陆地上不均匀分布，不是固定结构的网格位置。相比传统的卷积神经网络只能模拟标准的网格数据，图神经网络可以处理非欧几里得域的数据，直接在图结构上进行特征学习和预测。
技术实现要素：[0008]
为解决现有技术中存在的不足，本发明的目的在于，解决上述问题，进而提出一种基于图神经网络的雷电预警方法与系统。
[0009]
本发明采用如下的技术方案。
[0010]
一种基于图神经网络的雷电预警方法，包括如下步骤：
[0011]
步骤s1，选定多个观测点，对任一观测点确定一个待预测时刻，获取该待预测时刻的一组雷电活动信息，以及待预测时刻前的相应时段的一组气象数据以及一组雷电数据；
[0012]
步骤s2，将多个观测点在多个待预测时刻构成的多组雷电活动信息、多组气象数据、多组雷电数据进行样本训练，构建相应的雷电活动预测的图神经网络模型；
[0013]
步骤s3，获取当前时刻的一组气象数据以及一组雷电数据，输入图神经网络模型，得到当前时刻对应的雷电活动信息。
[0014]
进一步的，步骤s1中，一组雷电活动信息，一组气象数据以及一组雷电数据为其中，y代表雷电活动信息中的雷电等级，{0,1,2,3}分别表示无雷电、小型雷电、中级雷电、特大雷电；t1,
…
,t
t
表示待预测时刻前的相应时段，变量集合m包含了气象数据和雷电数据的所有数据类型；根据s建立异构图，其中，异构图中的一个节点即为变量其中，k＝1,2,
…
,t，m＝α,β,γ
…
；将节点重新定义表示为
[0015]
进一步的，气象数据包括温度、湿度、风速风向、压力、降水数据；雷电数据包括电场强度、卫星观测云顶亮温、雷达回波物理量。
[0016]
进一步的，步骤s2具体包括：
[0017]
步骤s21，通过预设的转换矩阵，按照节点的类型，将节点映射到同一个特征空间；其中，节点的类型即为m；
[0018]
步骤s22，根据映射后的节点，计算各个类型的变量嵌入表示z
α
；
[0019]
步骤s23，对所有变量嵌入表示z
α
进行加权融合得到最终的图嵌入表示r；
[0020]
步骤s24，根据图嵌入表示r，通过mlp层预测雷电活动信息步骤s24，根据图嵌入表示r，通过mlp层预测雷电活动信息其中，p0,p1,p2,p3分别代表无雷电、小型雷电、中级雷电、特大雷电发生的概率；
[0021]
步骤s25，构建损失函数，基于梯度下降法最小化损失函数，从而训练学习图神经网络模型中的参数。
[0022]
进一步的，步骤s21具体包括：
[0023]
根据预设的转换矩阵u
α
，从而将不同类型节点映射到同一个特征空间：
[0024][0025]
其中，是节点的映射后的特征表示，m，n
α
均代表维度；是随机初始化的权重学习矩阵。
[0026]
进一步的，步骤s22具体包括：
[0027]
步骤s221，对于任一节点vi，计算其关于任一类型β的邻域嵌入表示
[0028][0029]
其中，为异构图中节点vi的邻域中类型为β的节点集合，表示加入自连接后的邻接矩阵，hj表示节点vj映射后的特征表示，i,j＝1,2,
…
,nv。
[0030]
步骤s222，根据邻域嵌入表示，计算节点vi关于类型β的注意力分数
[0031][0032]
其中，||表示连接操作，是β类型的注意力向量，所有β类型节点共享σ(
·
)表示激活函数；
[0033]
步骤s223，根据注意力分数，计算时间相差k个标准时间尺度的类型β的节点vj对节点vi的重要程度
[0034][0035][0036]
其中，是注意力向量，t是节点vi的时间，表示类型为α时间为t的节点vi映射后的特征表示；
[0037]
步骤s224，通过计算变量嵌入表示z
α
；
[0038][0039][0040]
||表示拼接操作，z
α
∈r
tm
×1，tm表示维度。
[0041]
进一步的，步骤s23具体包括：
[0042]
根据自注意力模型self-attention model，对于各个类型的变量嵌入表示，将其映射到三个不同的空间，得到三个向量：和dk,dv都是预先设定的超参数，q
α
,k
α
,v
α
分别代表自注意力模型中的query，key，value。
[0043]qα
＝wq·zα
[0044]kα
＝wk·zα
[0045]vα
＝wv·zα
[0046][0047]
[0048]
wq，wk，wv是三个可学习参数矩阵，将学习到的各输入的重要性分数w
α
作为加权系数，加权聚合得到最终的图嵌入r；其中，dv表示维度。
[0049]
进一步的，步骤s24具体包括：
[0050][0051]
其中，是可学习参数，b∈r4×1表示偏置，σ(
·
)表示sigmod函数；y∈r4×1＝{p0,p1,p2,p3}，分别表示无雷电、小型雷电、中级雷电、特大雷电的概率估计。
[0052]
进一步的，步骤s25具体包括：
[0053]
模型参数包括：步骤s221中的“u
α”，步骤s222中的步骤s223中的步骤s23中的“wq，wk，w
v”，步骤s24中的“w，b”。
[0054]
通过计算最小化损失函数，来优化模型参数：
[0055][0056]
其中，其中，c＝0,1,2,3。
[0057]
一种基于图神经网络的雷电预警系统，包括：样本获取模块与图神经网络模块；
[0058]
样本获取模块用于获取该待预测时刻的一组雷电活动信息，以及待预测时刻前的相应时段的一组气象数据以及一组雷电数据，以及获取当前时刻的一组气象数据以及一组雷电数据；
[0059]
图神经网络模块用于构建相应的雷电活动预测的图神经网络模型，并根据当前时刻的一组气象数据以及一组雷电数据，得到当前时刻对应的雷电活动信息。
[0060]
本发明的有益效果在于，与现有技术相比，本发明具有以下优点：
[0061]
本发明提出一种基于图神经网络的雷电预警预报方法，基于观测点的多元时间序列数据构建图结构，其中，所有变量在不同时刻的观测量作为图结构的节点，图结构的边用以表征观测量之间的信息交互。然后，基于所述图结构确定对应的图神经网络，将样本数据，即观测点的多变量时间序列输入图神经网络，从而预测样本对应的雷电活动情况。
[0062]
与现有技术相比，该模型从两个维度考虑了神经网络的结合，
①
从变量的角度，对不同数据类型间的关系进行建模，挖掘变量间的潜在关系。
②
从时间的角度，对不同时刻的数据向量进行建模，挖掘了不同时刻数据向量间的相互影响。而且，该模型能够端到端地进行训练学习，而无需人为设定参数阈值，提高了模型的泛用性。
[0063]
另外，本发明的工作为如何将图神经网络应用到雷电活动预测提供了新的研究思路。
附图说明
[0064]
图1是一种基于图神经网络的雷电预警方法的流程图。
[0065]
图2是基于图神经网络的雷电预警模型的示意图。
具体实施方式
[0066]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明
的技术方案，而不能以此来限制本技术的保护范围。
[0067]
如图1所示，为本发明基于图神经网络的雷电预警方法的流程图，该方法包括：
[0068]
步骤s1，选定多个观测点，对任一观测点确定一个待预测时刻，获取该待预测时刻的一组雷电活动信息，以及待预测时刻前的相应时段的一组气象数据以及一组雷电数据；
[0069]
在本实施方案中，气象数据包括温度、湿度、风速风向、压力、降水数据等数据类型；雷电数据包括电场强度、卫星观测云顶亮温、雷达回波物理量等数据类型；雷电活动信息则主要指雷电等级。
[0070]
本技术通过对多变量时间序列数据(即气象数据和雷电数据)进行建模，利用样本集进行模型训练，从而实现多变量时间序列样本数据与雷电活动之间的关系预测。
[0071]
为了描述方便，将多个观测点构成的多组雷电活动信息、多组气象数据、多组雷电数据分别称作雷电活动信息样本集、气象数据样本集、雷电数据样本集；雷电活动信息样本集、气象数据样本集、雷电数据样本集可以统一表示为样本集s。
[0072]
一组雷电活动信息，一组气象数据以及一组雷电数据可以统一表示为一组雷电活动信息，一组气象数据以及一组雷电数据可以统一表示为y∈{0,1,2,3}。显然，样本s是样本集s中的一个元素。其中，y代表雷电等级，{0,1,2,3}将雷电活动由弱到强划分为4个等级，分别表示无雷电、小型雷电、中级雷电、特大雷电；t1,
…
,t
t
表示待预测时刻前的相应时段，变量集合m包含了气象数据和雷电数据的所有数据类型，α,β表示具体的数据类型。例如：α可以表示温度，β可以表示为湿度，γ可以表示雷达回波物理量；进而，为待预测时刻前的相应时段的温度数据，为待预测时刻前的相应时段的的湿度数据，为待预测时刻前的相应时段的的湿度数据。
[0073]
步骤s2，通过雷电活动信息样本集、气象数据样本集、雷电数据样本集进行样本训练，构建相应的雷电活动预测的图神经网络模型；
[0074]
步骤s2中雷电活动预测的图神经网络模型的示意图如图2所示，具体还包括步骤s21-s25：
[0075]
步骤s21，首先通过类型特定的转换矩阵，将不同类型的节点特征映射到同一个特征空间；
[0076]
在执行步骤s2之前，为了更好地捕获多变量时间序列数据中变量之间的交互关系，以及考虑不同时刻变量观测值的影响。将所有变量在不同时刻的观测量作为图结构的节点，观测量之间的联系代表网络的边。由此确定有向加权异构图g＝(v,e)。包括一个节点集合v和一个边集合e以及对应的邻接矩阵a。另外，m＝{α,β,γ,
…
}表示节点类型集合。
[0077]
可以理解的是，异构图g中包含的节点数量为nv＝nm×
t。其中，nm为变量集合m中元素的数量。
[0078]
可以理解的是，节点集合v中的每一个节点表示为vi，其中，i＝1,2,
…
,nv。为了方便表示，可以将每一个节点的观测量表示为同时，在一些场景下，将简化记录为因此，可以将α称为节点vi的类型，将tk(或者t)叫做节点vi的时间。
[0079]
因此，在一些实施例中，步骤s21可以具体包括：
[0080]
由于异构图中包含不同类型的节点，不同类型的节点有不同维度的特征空间，因此，针对每一种类型的节点(如类型为α的节点)，根据预设的转换矩阵u
α
，从而将不同类型节点映射到同一个特征空间。
[0081][0082]
其中，是节点vi的映射后的特征表示，其维度n
α
是随节点类型α变化的。其维度m是所有节点统一预先设定的。是权重学习矩阵，随机初始化。
[0083]
步骤s22，接着进入分级注意力模块，得到变量嵌入表示z
α
。
[0084]
步骤s22具体包括：
[0085]
步骤s221，对于任一节点vi，计算其关于任一类型β的邻域嵌入表示
[0086][0087]
其中，为异构图中节点vi的邻域中类型为β的节点集合，表示加入自连接后的邻接矩阵，hj表示节点vj映射后的特征表示。
[0088]
步骤s222，根据邻域嵌入表示，计算节点vi关于类型β的注意力分数
[0089][0090]
其中，||表示连接操作，是β类型的注意力向量(可学习参数，随机初始化)，所有β类型节点共享σ(
·
)表示激活函数，σ(
·
)可以是leaky relu。
[0091]
步骤s223，根据注意力分数，计算时间相差k个标准时间尺度的类型β的节点vj对节点vi的重要程度
[0092][0093][0094]
其中，是注意力向量(可学习参数)，t是节点vi的时间，表示类型为α时间为t的节点vi映射后的特征表示。
[0095]
需要说明的是，“时间相差k个标准时间尺度”指的是：假设vj可以表示为并且vi可以表示为(假设vi是α类型的)，ki,kj＝1,2,
…
,t。那么，|ki-kj|＝k。
[0096]
需要说明的是，是不对称的，即节点vi对节点vj的重要性和节点vj对节点vi的重要性是不同的。
[0097]
步骤s224，通过计算变量嵌入表示z
α
；
[0098]
通过来对节点vi的所有类型、所有历史时间刻度的邻居节点进行加权聚合操
作，得到每个节点新的嵌入表示(类型为α时间为t的节点vi，它的嵌入表示可以记为zi或)。再将同类型不同时间的节点嵌入进行拼接，从而得到变量嵌入表示，计算公式如下：
[0099][0100][0101]
||表示拼接操作，z
α
∈r
tm
×1。
[0102]
步骤s23，对所有变量嵌入表示z
α
进行加权融合得到最终的图嵌入表示r；
[0103]
考虑到不同类型的变量有不同的嵌入表示，对最终的预测结果有不同的影响。这里考虑使用自注意力机制将他们进行聚合。根据自注意力模型self-attention model，对于每种类型的变量嵌入表示，将其映射到三个不同的空间，得到三个向量：和dk,dv都是预先设定的超参数，q
α
,k
α
,v
α
分别代表自注意力模型中的query，key，value。
[0104]qα
＝wq·zα
[0105]kα
＝wk·zα
[0106]vα
＝wv·zα
[0107][0108][0109]
wq，wk，wv是三个可学习参数矩阵，随机初始化。将学习到的各输入的重要性分数w
α
作为加权系数，加权聚合得到最终的图嵌入r。其中，
[0110]
步骤s24，通过mlp层预测雷电活动信息
[0111]
对雷电活动信息进行预测训练，一般而言，可以使用多层感知机mlp或者是softmax函数对样本标签进行预测。
[0112][0113]
其中，是可学习参数，b∈r4×1表示偏置，σ(
·
)表示sigmod函数。y∈r4×1＝{p0,p1,p2,p3}，分别表示无雷电、小型雷电、中级雷电、特大雷电的概率估计。需要说明的是，和y均为向量{p0,p1,p2,p3}，并且满足p0+p1+p2+p3＝1
[0114]
可以理解的是，步骤s21～步骤s24对输入任意一个样本s进行了建模，从数据类型与时间的角度，挖掘了不同数据类型、时间的节点之间的关系，输出最终的图嵌入r。
[0115]
步骤s25，构建损失函数，基于梯度下降法最小化损失函数，从而训练学习模型参数。模型可学习训练参数包括：步骤s221中的“u
α”，步骤s222中的步骤s223中的步骤s23中的“wq，wk，w
v”，步骤s24中的“w，b”。对于这些参数的初始化，一般有标准正态分布
初始化、均匀分布初始化、xavier初始化等。在本实施方案中，使用kaiming初始化来随机初始化模型的所有训练参数。
[0116]
对于损失函数的设计，我们采用预测标签和真实标签之间的交叉熵进行计算，通过最小化损失函数，来训练模型：
[0117][0118]
其中，其中，c＝0,1,2,3。在标记数据的引导下，我们可以通过反向传播算法和学得的节点嵌入优化我们的模型参数。
[0119]
步骤s3，获取当前时刻的一组气象数据以及一组雷电数据，输入图神经网络模型，得到当前时刻对应的雷电活动信息。根据雷电活动信息中的雷电等级，完成雷电的预警。
[0120]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
技术特征：1.一种基于图神经网络的雷电预警方法，其特征在于，包括如下步骤：步骤s1，选定多个观测点，对任一观测点确定一个待预测时刻，获取该待预测时刻的一组雷电活动信息，以及待预测时刻前的相应时段的一组气象数据以及一组雷电数据；步骤s2，将多个观测点在多个待预测时刻构成的多组雷电活动信息、多组气象数据、多组雷电数据进行样本训练，构建相应的雷电活动预测的图神经网络模型；步骤s3，获取当前时刻的一组气象数据以及一组雷电数据，输入图神经网络模型，得到当前时刻对应的雷电活动信息。2.根据权利要求1所述的一种基于图神经网络的雷电预警方法，其特征在于，步骤s1中，一组雷电活动信息，一组气象数据以及一组雷电数据为中，一组雷电活动信息，一组气象数据以及一组雷电数据为其中，y代表雷电活动信息中的雷电等级，{0,1,2,3}分别表示无雷电、小型雷电、中级雷电、特大雷电；t1,
…
,t
t
表示待预测时刻前的相应时段，变量集合m包含了气象数据和雷电数据的所有数据类型；根据s建立异构图，其中，异构图中的一个节点即为变量其中，k＝1,2,
…
,t，m＝α,β,γ
…
；将节点重新定义表示为3.根据权利要求2所述的一种基于图神经网络的雷电预警方法，其特征在于，气象数据包括温度、湿度、风速风向、压力、降水数据；雷电数据包括电场强度、卫星观测云顶亮温、雷达回波物理量。4.根据权利要求2所述的一种基于图神经网络的雷电预警方法，其特征在于，步骤s2具体包括：步骤s21，通过预设的转换矩阵，按照节点的类型，将节点映射到同一个特征空间；其中，节点的类型即为m；步骤s22，根据映射后的节点，计算各个类型的变量嵌入表示z
α
；步骤s23，对所有变量嵌入表示z
α
进行加权融合得到最终的图嵌入表示r；步骤s24，根据图嵌入表示r，通过mlp层预测雷电活动信息步骤s24，根据图嵌入表示r，通过mlp层预测雷电活动信息其中，p0,p1,p2,p3分别代表无雷电、小型雷电、中级雷电、特大雷电发生的概率；步骤s25，构建损失函数，基于梯度下降法最小化损失函数，从而训练学习图神经网络模型中的参数。5.根据权利要求4所述的一种基于图神经网络的雷电预警方法，其特征在于，步骤s21具体包括：根据预设的转换矩阵u
α
，从而将不同类型节点映射到同一个特征空间：其中，是类型为α时间为t的节点v
i
映射后的特征表示，映射后的特征表示，m，n
α
均代表维度；是随机初始化的权重学习矩阵。6.根据权利要求4所述的一种基于图神经网络的雷电预警方法，其特征在于，步骤s22具体包括：步骤s221，对于任一节点v
i
，计算其关于任一类型β的邻域嵌入表示
其中，为异构图中节点v
i
的邻域中类型为β的节点集合，表示加入自连接后的邻接矩阵，h
j
表示节点v
j
映射后的特征表示，i,j＝1,2,
…
,n
v
；步骤s222，根据邻域嵌入表示，计算节点v
i
关于类型β的注意力分数关于类型β的注意力分数其中，||表示拼接操作，是β类型的注意力向量，所有β类型节点共享σ(
·
)表示激活函数；步骤s223，根据注意力分数，计算时间相差k个标准时间尺度的类型β的节点v
j
对节点v
i
的重要程度的重要程度的重要程度其中，是注意力向量，t是节点v
i
的时间，表示类型为α时间为t的节点v
i
映射后的特征表示；步骤s224，通过计算变量嵌入表示z
α
；；||表示拼接操作，z
α
∈r
tm
×1，tm表示维度。7.根据权利要求4所述的一种基于图神经网络的雷电预警方法，其特征在于，步骤s23具体包括：根据自注意力模型self-attention model，对于各个类型的变量嵌入表示，将其映射到三个不同的空间，得到三个向量：和d
k
,d
v
都是预先设定的超参数，q
α
,k
α
,v
α
分别代表自注意力模型中的query，key，value。q
α
＝w
q
·
z
α
k
α
＝w
k
·
z
α
v
α
＝wv·
z
α
w
q
，w
k
，wv是三个可学习参数矩阵，将学习到的各输入的重要性分数w
α
作为加权系数，加权聚合得到最终的图嵌入r；其中，d
v
表示维度。8.根据权利要求4所述的一种基于图神经网络的雷电预警方法，其特征在于，步骤s24具体包括：其中，是可学习参数，b∈r4×1表示偏置，σ(
·
)表示sigmod函数；y∈r4×1＝{p0,p1,p2,p3}，分别表示无雷电、小型雷电、中级雷电、特大雷电的概率估计。9.根据权利要求4所述的一种基于图神经网络的雷电预警方法，其特征在于，步骤s25具体包括：模型参数包括：步骤s221中的“u
α”，步骤s222中的步骤s223中的步骤s23中的“w
q
，w
k
，w
v”，步骤s24中的“w，b”；通过计算最小化损失函数，来优化模型参数：其中，其中，c＝0,1,2,3。10.一种基于图神经网络的雷电预警系统，其特征在于，包括：样本获取模块与图神经网络模块；样本获取模块用于获取该待预测时刻的一组雷电活动信息，以及待预测时刻前的相应时段的一组气象数据以及一组雷电数据，以及获取当前时刻的一组气象数据以及一组雷电数据；图神经网络模块用于构建相应的雷电活动预测的图神经网络模型，并根据当前时刻的一组气象数据以及一组雷电数据，得到当前时刻对应的雷电活动信息。
技术总结一种基于图神经网络的雷电预警方法，包括：选定多个观测点，对任一观测点确定一个待预测时刻，获取该待预测时刻的一组雷电活动信息，以及待预测时刻前的相应时段的一组气象数据以及一组雷电数据；将多个观测点构成的多组雷电活动信息、多组气象数据、多组雷电数据进行样本训练，构建相应的雷电活动预测的图神经网络模型；获取当前时刻的一组气象数据以及一组雷电数据，输入图神经网络模型，得到当前时刻对应的雷电活动信息。与现有技术相比，该模型从两个维度考虑了神经网络的结合，从变量的角度，对不同数据类型间的关系进行建模，挖掘变量间的潜在关系。从时间的角度，对不同时刻的数据向量进行建模，挖掘了不同时刻数据向量间的相互影响。间的相互影响。间的相互影响。
技术研发人员：包雅孟 童充 徐建波 洪晨威 陈海文 周海阔 陈振伟 袁婧 苏俊霖
受保护的技术使用者：国网江苏省电力有限公司苏州供电分公司
技术研发日：2022.06.29
技术公布日：2022/11/1
