计及电-热综合需求侧响应的热电联产机组优化配置研究

计及电-热综合需求侧响应的热电联产机组优化配置研究

周晓鸣1,丁一1,邵常政1,徐晓帅2


(1.浙江大学电气工程学院,浙江省 杭州市 310027;2.国网宁波供电公司,浙江省 宁波市 315000)

摘要

为提高总体用能效率,构建综合能源系统是能源领域的重要发展趋势之一。在能源互联网中,综合需求响应利用电、热等不同形式能源间的耦合互补关系,在需求侧进行能源转换设备的协同优化,激发综合能源网络的灵活性,有利于提升能源利用效率,降低供能和用能成本。为此,提出一种计及电-热综合需求侧响应的热电联产(combined heat and power,CHP)机组优化配置方案,以电压幅值、综合网损及经济成本作为综合优化目标,运用次序配置策略,采用电-热直接潮流法、加权求和法和改进遗传算法求解上述问题。最后,通过对澳大利亚真实中压配电网进行仿真,验证了模型的合理性与有效性。

关键词 : CHP机组;需求侧响应;能源配置;遗传算法

0 引言

近年来,随着气候的变化和人们环境意识的增强,传统能源系统逐步往低碳系统与可持续能源系统方向转变[1]。其中,作为一种提高能源效益的有效措施,综合能源系统(the integrated energy systems,IES)近年来发展迅速[2]。基于热电联产机组的热-电综合能源系统是其中最重要的形式之一[3-4]。世界各国都在对CHP机组进行研究与应用。在丹麦,CHP为40%的地区供暖[5]。在中国北方,CHP已在300多个城市安装,并为中国40%的人口供暖[6]

虽然CHP机组正在迅速发展,但是也面临许多问题[7-8]。CHP机组受热网硬件限制,多处于配网侧。首先,在国际电力市场的大背景下,CHP机组的产能利润受分布式新能源的出力波动而显著波动[9]。其次,CHP机组的电能与热能的输出功率呈正相关。在用户热需求高峰,CHP机组的大幅出力与分布式新能源的出力会导致局部电压提升,不合理的调度将导致弃风弃光现象,降低了综合能源系统的优势[6]

对此,各国专家提出了很多建议与方法。控制方面:考虑燃料电池的热电联产特性,缓解了热电联产机组“以热定电”的机组特性限制,降低了系统弃风,提高了能源网整体的运行经济性[10]。文献[11]提出了考虑风电出力不确定性的联合系统优化调度模型。该模型通过协调上网收益和惩罚费用,获得收益最高的风电场和热电联产联合优化运行的调度策略。上述研究虽然可以一定程度增加CHP机组的收益,但是不合理的CHP机组配置带来的成本远高于此收益。配置方面:文献[12-13]通过将CHP机组与电储能或热储能耦合进行研究。但是这些措施更适用于区域供热的、相对较小的热电联产装置,大容量的热电联产机组则很难做到集中安装相应容量的热存储器。文献[14]考虑电/热负荷需求响应和供需双侧热/电耦合,平滑供能侧热/电负荷曲线,修正配置容量。然而,其在电热耦合元件的处理上与优化目标上过于单一,没有充分考虑分布式电源带来的影响。

为了解决上述问题,本研究计及电-热综合需求侧响应,提出了一种基于网损、电压幅值以及经济成本的CHP多目标优化配置模型。运用次序配置策略,通过澳大利亚真实中压配电网进行仿真,证明了本文所提CHP多目标优化配置模型的合理性与有效性。

1 电-热综合需求侧响应模型

1.1 热网模型

热网系统包括温度模型与流量模型,其中,温度模型反映了热网管道中流经热介质的温度变化情况,热网系统流量模型则反映了热网管道流通与交汇的情况。热网系统的热源可分为恒流恒温模型、恒流变温模型、变流恒温模型,以及变流变温模型[15]。本文模型基于区域配网电热系统,因其网络规模小,系统温度损耗由热负荷提供,线路温度损耗极小,故本文热源采用变流恒温模型[7]

1.1.1 温度模型

热源通过水或蒸汽将热能通过热网管道输送给用户,因此热网分为供热网与回热网。经过管道时,水温随热能损耗而降低,与环境温度、管道长度与其内水温度、流速有关[16]

式中:Ls与Lr分别为供热网与回热网的网络管道长度,m,通常Ls=Lr=L;Ts与Tr分别为供热网与回热网的网络供水温度与回水温度,℃;Tin与Tout分别代表热负荷的流入温度与流出温度,℃;Ta为环境温度,℃;mi为管道的热介质流量;λ为管道单位长度的传热系数,W·m-1·℃-1;Cp为水的比热容,J·kg-1·℃-1

1.1.2 流量模型

流经管道交界节点的不同温度的水流相互汇合,与基尔霍夫电流定律类似[16]

式中:Tnode.out与Tnode.in分别表示管道交汇点的各出水口的温度与各进水口的温度,℃;mnode.out与mnode.in分别表示管道交汇点的各出水口的流量与各进水口的流量,kg·s-1

1.2 热网元件模型

热网络中的元件包含热负荷与CHP机组,热负荷的热能损耗可表示为[7]

式中为用热设备的功率,由式(1)与式(3)可知,热负荷的损耗与热介质流量、管道长度及各温度有关。

CHP模型表示为[17]

式中:为CHP的功率;mCHP为流经CHP的热介质的流量;Ts.CHP和Tr.CHP分别为热网中热源流入的蒸汽或热水的温度与流出的蒸汽或热水的温度。

此外,CHP机组在可行域范围内,其电热出力具有耦合性[18]。由于CHP机组的热效率高于分布式电转热设备效率,故本文采用以热定电的CHP出力方式[7],即优先供给热负荷,依据热力产出决定电力产出,如式(5)所示:

式中PCHP为CHP机组的有功出力功率。

1.3 热电平衡模型

用户室内和室外的温差与用户热负荷需求之间存在直接的关系,温差越大,用户热负荷越高。通常,热负荷需求Lh由下式表示[7]

式中:Hj为体积热指数;Vj为房屋外围体积。

用户的热源主要有电加热装置与暖气装置,因此用户总的热能损耗量Hin[7]

式中:He与Hnet分别为用户电加热与暖气装置的热能功率;Le为电加热设备的电功率;ηj为电加热设备的电转热效率。

因此,节点j的温度平衡模型为[7]

式中ρ为热介质密度。

2 多目标优化配置模型

2.1 优化子目标

2.1.1 经济成本

经济成本是CHP机组配置的一个重要因素。通常CHP机组配置成本涉及初始购买和安装成本以及运行和维护成本[14],其定义为:

式中:CPI为初始购买和安装成本;COM为运行和维护成本;Cgas为燃气价格;Ln为天然气的热值;ηMT为微型燃气轮机发电效率;为全网CHP机组总产能。

2.1.2 电压幅值

本文通过各母线电压实际值与其额定值的偏差将目标函数建立如下:

式中:VN为母线各相额定电压;Vi为第i母线实际电压。

2.1.3 网络损耗

为确保合理的网络损耗,本文基于3个典型的负荷等级进行年网络损耗计算:

式中:k为3种典型的负荷等级,k=1,2,3,即高、中、低,相应的Tk为k负荷等级下的年总持续时间;PLk为k负荷等级下的平均网络损耗,如式(12)所示:

式中PLlk为第l支路在k负荷等级下的功率损耗。

2.1.4 电热需求侧响应成本

可中断负荷项目的执行标准为:在配电网系统负荷最高的七、八月(每月按30天计算),项目实施的负荷节点每天中断2 h,中断负荷的比例最高为30%。购电费用是配电网总负荷扣除可中断负荷节约电量的电费,其定义如下:

式中:k、K分别为参与可中断负荷项目用户的节点与节点集合;PILk、TILk分别为第k个用户的中断负荷和中断时间;pc为可中断负荷的单位补偿费用;Pz为配电网的总有功功率;Tmax为配电网年最大负荷利用小时数。

在热负荷最高的十二月与次年一月(每月按30天计算),以接近CHP机组产电、热能之比进行响应,CHP机组利用率将达到最高。故在白天由于分布式电源的出力,房屋热源由电转热元件提供,CHP机组需计算每天额外2 h的热出力损耗。其定义如下:

式中:k、K分别为参与电转热项目用户的节点与节点集合;PHLk、THLk分别为第k个用户的电转热负荷和电转热时间;CH为电转热负荷的单位补偿与额外损耗费用。

2.2 加权求和法

为了合理配置效果,本文采用加权求和法将多目标问题转化为单目标问题进行求解[16]

其中:

如式(15)和(16)所示,在加权求和过程中,wi为目标i对应权重。为了确保准确地反映出权重分配,需对各子目标函数进行标幺化处理,通常将每个目标除以其最大值来实现[20]

2.3 目标函数

计及设备和网络约束后,本研究所提的CHP机组优化配置模型如下:

其中,式(18)为等式约束[19]。式(18)中:PLi与QLi分别为电负荷的有功损耗与无功损耗;PCHPi为CHP机组的有功出力功率;Vi与Vj分别表示节点i与节点j的电压;Gij与Bij分别代表节点i与节点j间的电导和电纳;θij代表线路的电压和电流的相位角。此外,式(1)~(2) 与式( 7) 也属于等式约束。为母线i在第p相的有功和无功功率。式(19) ~ (21)为不等式约束,分别为电压上下限约束、CHP出力约束和管道流量约束。其中,分别为CHP容量的最小值和最大值,分别为管道流量的最小值和最大值,Vmax和Vmin为电压上下限,本文将其设置为额定值的±6%。

3 求解算法与配置策略

CHP多目标优化配置问题(式(1) ~ (21))本质上是一个最优潮流(OPF)问题。本研究采用了电-热直接潮流法和改进遗传算法进行求解。本文所有的仿真都是基于MATLAB编程实现的。

3.1 电-热直接潮流法

为了保证式(1) ~ (21)中定义的潮流问题得以有效解决,本文采用了一种高效潮流算法:电-热直接潮流法[21]。该算法基于直接潮流法[22],利用配电网的特殊拓扑特性,通过两个常数矩阵(节点支路关联矩阵A与支路阻抗矩阵BCBV)来直接求解电网潮流与热网潮流,其迭代方程如式(22)与式(23)所示。

式中:BCBV为支路阻抗矩阵;A为节点支路关联矩阵;V1为电网母线额定电压矩阵;上述矩阵为由网络状态所决定的常数矩阵。I表示电网母线注入电流矩阵;ΔV表示电网母线电压降落矩阵;V表示电网母线的电压矩阵;m表示热网支路的热负荷流量矩阵;mq.Load为热网中的热负荷流量。

3.2 改进遗传算法

上述式(1) ~ (21)所建CHP多目标优化配置模型在数学上属非线性规划问题。目前此类问题的求解算法很多,遗传算法为最有效的之一。为同时保证求解的优化性和效率,本研究采用文献[23]所提自适应遗传算法。如式(24)和(25),该算法依据进化状态动态调整交叉变异概率:

式中:pc、pm分别表示交叉率与变异率;f'、f分别表示进行交叉与变异操作的个体适应度值;fmax表示种群最大适应度; 表示种群平均适应度;k1、k2、k3、k4∈[0,1]分别为交叉变异系数。动态交叉变异概率的引入既可以避免其取值过大带来的收敛性下降,又可以在迭代中后期避免陷入局部最优,增加全局寻优能力。

3.3 次序配置策略

现有的位置配置方法通常只进行一次灵敏度分析,然后选择数条灵敏度较高的母线进行配置。但是,备选母线通常在位置上相互接近,配置时可能导致过度补偿[24]。因此,本文提出了一种CHP次序配置策略[7, 25],如图1所示。

步骤1:在CHP配置之前,对母线进行损耗灵敏度分析。

步骤2:对比各母线灵敏度,选择灵敏度最高的母线作为CHP的配置位置。

步骤3:运用所建CHP多目标优化配置模型式(1) ~ (21),设置改进遗传算法的个体为8位编码,并进行二进制解码使之对应CHP机组容量的上下限,利用改进遗传算法确定CHP配置容量。

步骤4:计算配置后总目标函数(式(17))的值F'与配置前的F做对比。如果F'<F,说明此次配置后网络存在明显优化,且配置成本也控制在合理范围内,此次配置合理可行,于是重复步骤1~3,执行下一个CHP配置;反之,说明此次配置不合理,放弃本次配置,结束程序。

图1 CHP次序配置策略流程图
Fig.1 The flow chart of CHP sequence configuration policy

4 仿真分析

4.1 仿真网络及参数设置

为验证所提CHP多目标优化配置模型,本文基于中压132/22 kV 澳大利亚20节点真实不平衡配电网进行仿真,如图2所示。其中,高、中、低负荷等级配置分布如表1所示。子目标函数参数、权重设置及GA参数如表2所示。

图2 澳大利亚真实132/22 kV配电网络
Fig.2 Actual 132/22 kV distribution network in Australia

表1 高、中、低负荷等级配置分布
Table 1 Load profiles of peak, medium and light conditions

表2 仿真参数设置
Table 2 Parameters setting in simulation

4.2 仿真结果

4.2.1 整体性能

各次序CHP优化配置后的位置和容量如表3所示。具体来说,依据第2章提出的多目标优化配置模型,最合理的配置位置分别在第12和第8节点,其装机容量分别为12 MW和3 MW。

表3 配置位置和相配置容量
Table 3 Selected sites and installed size of each placement

4.2.2 各子目标函数

在CHP次序配置之后,总目标函数减小,各子目标函数值也都相应减小,如图3所示。在第三次配置之后,各网络状态目标虽有减少,但经济成本大大增加,使得总目标函数上升,故不进行第三次配置。

配置前后各负荷等级下的电压情况如图4所示,在第二次配置之后,在高、中、低负荷等级下的全网最低电压分别由配置前的12.348 kV,12.431 kV和12.389 kV增加到配置后的12.436 kV,12.497 kV和12.545 kV。

如表4所示,在CHP配置前,配电网因负荷较重导致网损严重,在高、中、低负荷等级下的网损分别为275.56 kW,158.08 kW和80.12 kW。在两次CHP配置之后,其相应网损减少到258.16 kW,146.44 kW和71.40 kW。对比图3,网损目标虽有优化但效果并不显著,其原因主要是该子目标(f3)权重较小(0.2),如表2所示。为了保证总体目标函数最优效果,加权求和法会对权重较高的子目标进行更多优化而牺牲权重较小的子目标。

图3 各次配置前后的各目标函数值
Fig.3 Objective values before and after sequential placement

图4 配置前后各负荷等级下的电压情况
Fig.4 Voltage profile before and after dispatch

表4 次序配置后的网损情况
Table 4 Power loss after each placement单位:kW

4.2.3 需求侧响应对比

本文设置4个案例。案例一:不计及需求侧响应的CHP机组配置;案例二:计及传统电力需求侧响应的CHP机组配置;案例三:计及热力需求侧响应的CHP机组配置;案例四:本文所提出的计及电-热综合需求侧响应的CHP机组配置。

各案例的配置次数与总配置容量如表5所示。通过对比表4可知,案例一的配置次数最多,为3次。而案例二、三、四的配置次数相同,为2次。但是,在总体配置容量对比上,案例四的配置容量最小。显然,计及电-热综合需求侧响应的CHP机组配置可以节省安装成本,带来更大的经济收益。

表5 需求侧响应对比
Table 5 Different types of flexible demand

5 结论

本文计及电-热需求侧响应,综合考虑网损、电压幅值以及经济成本,建立了一种CHP多目标优化配置模型。为了准确反映各优化目标,本文采用加权求和法将多目标问题转化为单目标问题进行求解。同时,采用电-热直接潮流法和改进的遗传算法高效快速地求解CHP优化配置的最优潮流问题。为了合理有效地进行配置,运用了次序配置策略。最后,对澳大利亚真实中压配电网进行仿真验证,结果表明本文所提出的CHP次序多目标优化配置具有可行性和有效性,是综合能源优化规划的一种新方案。

参考文献

[1]Zeng B, Zhang J, Yang X, et al.Integrated planning for transition to low-carbon distribution system with renewable energy generation and demand response[J].IEEE Transactions on Power Systems, 2014, 29(3):1153-1165.

[2]黄武靖,张宁,董瑞彪,等.构建区域能源互联网:理念与实践[J].全球能源互联网,2018,1(2):5-13.Huang Wujing, Zhang Ning, Dong Ruibiao, et al.Construction of regional energy internet: concept and practice[J].Journal of Global Energy Interconnection, 2018, 1(2):5-13(in Chinese).

[3]Streckiene G, Martinaitis V, Andersen A N, et al.Feasibility of CHP-plants with thermal stores in the German spot market[J].Applied Energy, 2009, 86(11):2308-2316.

[4]梅生伟,李瑞,黄少伟,等.多能互补网络建模及动态演化机理初探[J].全球能源互联网,2018,1(1):10-22.Mei Shengwei, Li Rui, Huang Shaowei, et al.Preliminary investigation on the modeling and evolutionary analytics of multi-carrier energy systems[J].Journal of Global Energy Interconnection, 2018, 1(1):10-22(in Chinese).

[5]Bach, Paul-Frederik.Towards 50% wind electricity in Denmark: dilemmas and challenges[J].The European Physical Journal Plus, 2016, 131(5):161.

[6]Lu X, Mcelroy M B, Peng W, et al.Challenges faced by China compared with the US in developing wind power[J].Nature Energy, 2016, 1(6):16061.

[7]Shao C, Ding Y, Wang J, et al.Modeling and integration of flexible demand in heat and electricity integrated energy system[J].IEEE Transactions on Sustainable Energy, 2018, 9(1): 361-370.

[8]徐筝,孙宏斌,郭庆来.综合需求响应研究综述及展望[J].中国电机工程学报,2018,38(24):7194-7205+7446.Xu Zheng, Sun Hongbing, Guo Qinglai.Review and prospect of integrated demand response[J].Proceedings of the CSEE, 2018, 38(24): 7194-7205+7446 (in Chinese).

[9]Jonsson T, Pinson P, Madsen H.On the market impact of wind energy forecasts[J].Energy Economics, 2010, 32(2):313-320.

[10]随权,马啸,魏繁荣,等.计及燃料电池热-电综合利用的能源网日前调度优化策略[J].中国电机工程学报,2019,39(06):1603-1613+1857.Sui Quan, Ma Xiao, Wei Fanrong, et al.Day-ahead dispatching optimization strategy for energy network considering fuel cell thermal-electric comprehensive utilization[J].Proceedings of the CSEE, 2019, 39(06): 1603-1613+1857 (in Chinese).

[11]戴远航,陈磊,闵勇,等.风电场与含储热的热电联产联合运行的优化调度[J].中国电机工程学报,2017,37(12):3470-3479+3675.Dai Yuanhang, Chen Lei, Min Yong, et al.Optimal dispatch for joint operation of wind farm and combined heat and power plant with thermal energy storage[J].Proceedings of the CSEE, 2017, 37(12): 3470-3479+3675(in Chinese).

[12]Li Z, Wu W, Wang J, et al.Transmission-constrained unit commitment considering combined electricity and district heating networks[J].IEEE Transactions on Sustainable Energy, 2016,7(2): 480-492.

[13]Duquette J, Rowe A, Wild P.Thermal performance of a steady state physical pipe model for simulating district heating grids with variable flow[J].Applied Energy, 2016, 178: 383-393.

[14]宋阳阳,王艳松,衣京波.计及需求侧响应和热/电耦合的微网能源优化规划[J].电网技术,2018,42(11):3469-3476.Song Yangyang, Wang Yansong, Yi Jingbo.Microgrid energy source optimization planning considering demand side response and thermo-electrical coupling[J].Power System Technology, 2018, 42(11): 3469-3476(in Chinese).

[15]Sheikhi A, Rayati M, Bahrami S, et al.Integrated demand side management game in smart energy hubs[J].IEEE Transactions on Smart Grid, 2015, 6(2): 675-683.

[16]谢华宝,胡林献.电热联合系统潮流计算[J].供用电,2017,34(12):21-26+20.Xie Huabao, Hu Linxian.Power flow calculation of combined heat and electricity system[J].Distribution & Utilization, 2017, 34(12): 21-26+20(in Chinese).

[17]Gustafsson J, Delsing J, Deventer J V.Improved district heating substation efficiency with a new control strategy[J].Applied Energy, 2010, 87(6): 1996-2004.

[18]Chen X, Kang C, O'Malley M, et al.Increasing the flexibility of combined heat and power for wind power integration in China: modeling and implications[J].IEEE Transactions on Power Systems, 2015, 30(4): 1848-1857.

[19]符杨,周晓鸣,苏向敬.多电压等级不平衡主动配电网电压无功自适应多目标协调优化[J].电网技术,2018,42(7):2136-2147.Fu Yang, Zhou Xiaoming, Su Xiangjing.Adaptive and coordinated volt/var optimization for integrated and unbalanced radial distribution networks [J].Power System Technology, 2018, 42(7): 2136-2147(in Chinese).

[20]Marler R T, Arora J S.The weighted sum method for multi-objective optimization: new insights[J].Structural & Multidisciplinary Optimization, 2010, 41(6): 853-862.

[21]Yang B, Yang S, Zhou X, et al.A power flow analysis method for the integrated electricity-heat system in distribution network based on forward/backward iterations[C].2018 2nd IEEE Conference on Energy Internet and Energy System Integration (EI2), Beijing, 2018: 1-5.

[22]Fu Y, Zhou X, Su X, et al.A comprehensive three-phase load flow method for integrated MV and LV distribution networks[C].2017 IEEE Innovative Smart Grid Technologies- Asia (ISGT-Asia), Auckland, 2017: 1-5.

[23]卓煜,陈维荣,戴朝华.基于灵敏度分析的主动配电网无功电压控制[J].电力系统及其自动化学报,2017,29(5):21-27.Zhuo Yu, Chen Weirong, Dai Chaohua.Reactive power/voltage control strategy for active distribution network based on sensitivity analysis[J].Proceedings of the CSU-EPSA, 2017, 29(5): 21-27(in Chinese).

[24]刘辉,刘强,张立,等.考虑需求侧协同响应的热电联供微网多目标规划[J].电力系统保护与控制,2019,47(5):43-51.Liu Hui, Liu Qiang, Zhang Li, et al.Multi-objective planning for combined heat and power microgrid considering demand side cooperative response[J].Power System Protection and Control, 2019 ,47(5): 43-51(in Chinese).

[25]Su X, Masoum M A S, Wolfs P J.Optimal PV inverter reactive power control and real power curtailment to improve performance of unbalanced four-wire LV distribution networks[J].IEEE Transactions on Sustainable Energy, 2014, 5(3): 967-977.

Multi-objective Sequential CHP Placement Based on Flexible Demand in Heat and Electricity Integrated Energy System

ZHOU Xiaoming1, DING Yi1, SHAO Changzheng1, XU Xiaoshuai2
(1.College of Electrical Engineering, Zhejiang University, Hangzhou 310027, Zhejiang Province, China;2.State Grid Ningbo Power Supply Company, Ningbo 315000, Zhejiang Province, China)

Abstract: In order to improve the overall energy efficiency, one of the important trends in the field of energy is the construction of integrated energy systems.In the energy internet, the comprehensive demand response makes use of the coupling and complementary relationship between different forms of energy, such as electricity and heat, and carries out the coordinated optimization of energy conversion equipment on the demand side to stimulate the flexibility of the comprehensive energy network, which is conducive to improving energy utilization efficiency and reducing energy supply and consumption cost.In this paper, considering the comprehensive demand side response of electricity and heat, an optimal configuration scheme of combined heat and power (CHP) unit is proposed.The scheme takes voltage amplitude, integrated network loss and economic cost as the comprehensive optimization objective.In order to effectively solve the above problems, this paper applies the sequence configuration strategy, adopts the direct power-thermal power flow method, weighted summation method and improved genetic algorithm to solve the above problems.Finally, the simulation of real medium voltage distribution network in Australia has been carried out, which verifies the rationality and effectiveness of the model.

Keywords: CHP unit; demand response; integrated energy dispatch; genetic algorithm

National Key Research and Development Program of China (2016YFB0901103).

文章编号:2096-5125 (2019) 03-0248-07

中图分类号:TM73

文献标志码:A

DOI:10.19705/j.cnki.issn2096-5125.2019.03.006

基金项目:国家重点研发计划(2016YFB0901103)。

收稿日期:2019-02-28;修回日期:2019-04-15。

周晓鸣

作者简介:

周晓鸣(1993),男,博士研究生,研究方向为主动配电网优化配置与控制、电力市场和电力系统可靠性评估,E-mail:xiaomingzhoucn@163.com。

丁一(1978),男,教授,博士生导师,通信作者,研究方向为智能电网、复杂多状态工程系统可靠性、电力系统规划与可靠性评估和电力经济,E-mail:yiding@zju.edu.cn。

邵常政(1992),男,博士研究生,研究方向为电力系统低碳调度、多能源系统优化运行与可靠性管理。

徐晓帅(1993),女,硕士,研究方向为高电压绝缘技术、继电保护。

(责任编辑 李锡)

  • 目录

    图1