(12)发明专利申请
(10)申请公布号 CN 112016774 A(43)申请公布日 2020.12.01
(21)申请号 201910456118.8(22)申请日 2019.05.29
(71)申请人 中国电力科学研究院有限公司
地址 100192 北京市海淀区清河小营东路
15号
申请人 国家电网有限公司
国网上海市电力公司(72)发明人 宋晓辉 高菲 盛万兴 孟晓丽
陈振宁 刘雯静 李勇汇 李雅洁 张瑜 李建芳 赵珊珊 (74)专利代理机构 北京安博达知识产权代理有
限公司 11271
代理人 徐国文(51)Int.Cl.
G06Q 10/06(2012.01)
权利要求书2页 说明书7页 附图3页
G06Q 50/06(2012.01)G06K 9/62(2006.01)G06N 3/04(2006.01)G06N 3/08(2006.01)
CN 112016774 A(54)发明名称
一种基于数据增强技术的配网运行状态辨识方法及系统(57)摘要
一种基于数据增强技术的配网运行状态辨识方法及系统，本方案利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，并基于所述样本集构建训练集；基于所述训练集，对条件生成对抗网络进行训练，得到增大后的样本集；基于增大后的样本集构建配电网状态辨识模型，并基于样本集对配网运行状态进行辨识。本方案中通过条件生成网络对实际样本进行增强，从而扩大样本数生成足够的训练样本，进一步利用BP神经网络实现准确的状态辨识分类，能够提高配网运行状态辨识的准确率和稳定性，有效克服了实际数据噪声对理想化仿真数据训练模型的干扰，对于配网运行状态的在线监测辨识具有重要意义。
CN 112016774 A
权 利 要 求 书
1/2页
1.一种基于数据增强技术的配网运行状态辨识方法，其特征在于，包括：利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，并基于所述样本集构建训练集；
基于所述训练集，对条件生成对抗网络进行训练，得到增大后的样本集；基于增大后的样本集构建配电网状态辨识模型，并基于样本集对配网运行状态进行辨识。
2.如权利要求1所述的方法，其特征在于，所述利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，并基于所述样本集构建训练集，包括：
利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，提取所述样本集中状态信息的特征变量，并将所述样本集中状态标签通过二进制进行表示；
将所述样本信息的特征变量归一化至设定区间内，得到训练集。3.如权利要求2所述的方法，其特征在于，所述基于所述训练集，对条件生成对抗网络进行训练，得到增大后的样本集，包括：
将条件生成网络的生成器G进行随机初始化，并设置所述生成器G循环次数；所述生成器G根据所述循环次数，以最小损失函数为目标函数，依次生成样本集；基于所述生成样本集，通过评估模型进行评估，筛选出几何平均最大的生成样本融合到原始样本中，得到增大后的样本集。
4.如权利要求3所述的方法，其特征在于，所述基于所述生成样本集，通过评估模型进行评估，筛选出几何平均最大的生成样本融合到原始样本中，得到增大后的样本集，之前还包括：
将所述生成器G每次生成的样本集，通过预先训练的判别器D进行准确率判别。5.如权利要求4所述的方法，其特征在于，所述判别器D的训练，包括：步骤一：将原始数据输入所述判别器D中，得到所述原始数据属于实际数据的概率；步骤二：以损失函数最大化为目标函数，更新所述生成器D参数；步骤三：以设定次数，重复所述步骤一和步骤二，得到训练后的判别器D；所述原始数据，包括：原始样本训练集和样本集。6.如权利要求4所述的方法，其特征在于，所述评估模型，如下式所示：
其中，λ为几何平均值，λλλλλλ123456为配网的运行状态在原始模型下的分类辨识正确率之积。
7.如权利要求1所述的方法，其特征在于，所述基于增大后的样本集构建配网状态辨识模型，包括：
将增大后的样本集的特征值在预设区间内归一化，并初始化BP神经网络；基于归一化的特征值，对神经网络进行预设次数的训练，得到网络误差，若所述网络误差小于目标误差或训练此时达到预设次数，得到配网状态辨识模型；否则，继续训练，直到所述网络误差小于目标误差或训练此时达到预设次数。
8.一种基于数据增强技术的配网运行状态辨识系统，其特征在于，所述系统，包括：训练集构建模块：利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，
2
CN 112016774 A
权 利 要 求 书
2/2页
并基于所述样本集构建训练集；
样本集增大模块：基于所述训练集，对条件生成对抗网络进行训练，得到增大后的样本集；
辨识模块：基于增大后的样本集构建配电网状态辨识模型，并基于样本集对配网运行状态进行辨识。
9.如权利要求8所述的系统，其特征在于，所述训练集构建模块，包括：特征变量提取子模块：利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，提取所述样本集中状态信息的特征变量，并将所述样本集中状态标签通过二进制进行表示；
归一化子模块：将所述样本信息的特征变量归一化至设定区间内，得到训练集。10.如权利要求9所述的系统，其特征在于，所述样本集增大模块，包括：初始化子模块：将条件生成网络的生成器G进行随机初始化，并设置所述生成器G循环次数；
样本集生成子模块：用于将所述生成器G根据所述循环次数，以最小损失函数为目标函数，依次生成样本集；并基于所述生成样本集，通过评估模型进行评估，筛选出几何平均最大的生成样本融合到原始样本中，得到增大后的样本集。
11.如权利要求10所述的系统，其特征在于，所述样本集生成子模块：包括：准确率判别单元：将所述生成器G每次生成的样本集，通过预先训练的判别器D进行准确率判别。
12.如权利要求11所述的系统，其特征在于，所述准确率判别单元，包括：判别器D训练子单元；
所述判别器D训练子单元中对判别器D的训练过程为：步骤一：将原始数据输入所述判别器D中，得到所述原始数据属于实际数据的概率；步骤二：以损失函数最大化为目标函数，更新所述生成器D参数；步骤三：以设定次数，重复所述步骤一和步骤二，得到训练后的判别器D；所述原始数据，包括：原始样本训练集和样本集。
3
CN 112016774 A
说 明 书
1/7页
一种基于数据增强技术的配网运行状态辨识方法及系统
技术领域
[0001]本发明涉及电力系统自动化领域，具体涉及一种基于数据增强技术的配网运行状态辨识方法及系统。
背景技术
[0002]随着社会的发展，电网间的连接越来越紧密、越来越复杂，与此同时用户对电能质量的要求也越来越高，非计划情况下的任何一次故障停电都会造成不可估量的影响。因此，作为电网与用户联系的终端，对配网运行状态进行实时在线监测十分重要。随着智能电网的发展，坚强电网的建设，配网运行的可靠性在不断提高，运行时很大一部分时间都处于正常状态，很少发生故障情况，通过采集实际得到的故障样本较少。对于提高配网可靠性来说，应关注其故障状态的辨识，海量的正常状态样本造成数据可用性不高。因此，小故障样本下能够快速准确的进行配网运行状态在线辨识(尤其是故障状态辨识)是一个极为重要的课题，但实际电网运行情况下，获取的小故障样本的数据单一且故障特征不明显，导致无法根据现有的数据进行配网运行状态的辨识。
[0003]目前的配网运行状态在线辨识方法主要基于仿真数据的机器学习方法，但是这种方法存在如下缺点：(1)机器学习算法需要大量训练样本进行学习来获得较优的学习效果，但实际中的故障样本较少，训练效果可能达不到理想效果；(2)目前，完全通过仿真获取的大量数据样本过于理想化，而实际电网中的数据包含较多噪声，因此仿真数据训练得到的模型应用在实际配网运行状态的在线监测时容易受到噪声干扰达不到理想效果。如何克服这些缺点是基于机器学习方法的配网运行状态在线辨识亟待解决的问题。
发明内容
[0004]为了解决现有技术中所存在的由于配网故障数据量少且过于理想化，导致的无法实现运行状态准确辨识的问题，本发明提供了一种基于数据增强技术的配网运行状态辨识方法及系统。
[0005]本发明提供的技术方案是：
[0006]一种基于数据增强技术的配网运行状态辨识方法，包括：[0007]利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，并基于所述样本集构建训练集；
[0008]基于所述训练集，对条件生成对抗网络进行训练，得到增大后的样本集；[0009]基于增大后的样本集构建配电网状态辨识模型，并基于样本集对配网运行状态进行辨识。
[0010]优选的，所述利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，并基于所述样本集构建训练集，包括：[0011]利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，提取所述样本集中状态信息的特征变量，并将所述样本集中状态标签通过二进制进行表示；
4
CN 112016774 A[0012]
说 明 书
2/7页
将所述样本信息的特征变量归一化至设定区间内，得到训练集。
[0013]优选的，所述基于所述训练集，对条件生成对抗网络进行训练，得到增大后的样本集，包括：
[0014]将条件生成网络的生成器G进行随机初始化，并设置所述生成器G循环次数；[0015]所述生成器G根据所述循环次数，以最小损失函数为目标函数，依次生成样本集；[0016]基于所述生成样本集，通过评估模型进行评估，筛选出几何平均最大的生成样本融合到原始样本中，得到增大后的样本集。[0017]优选的，所述基于所述生成样本集，通过评估模型进行评估，筛选出几何平均最大的生成样本融合到原始样本中，得到增大后的样本集，之前还包括：[0018]将所述生成器G每次生成的样本集，通过预先训练的判别器D进行准确率判别。[0019]优选的，所述判别器D的训练，包括：[0020]步骤一：将原始数据输入所述判别器D中，得到所述原始数据属于实际数据的概率；
[0021]步骤二：以损失函数最大化为目标函数，更新所述生成器D参数；[0022]步骤三：以设定次数，重复所述步骤一和步骤二，得到训练后的判别器D；[0023]所述原始数据，包括：原始样本训练集和样本集。[0024]优选的，所述评估模型，如下式所示：
[0025]
其中，λ为几何平均值，λλλλλλ123456为配网的运行状态在原始模型下的分类辨识正确率之积。
[0027]优选的，所述基于增大后的样本集构建配网状态辨识模型，包括：[0028]将增大后的样本集的特征值在预设区间内归一化，并初始化BP神经网络；[0029]基于归一化的特征值，对神经网络进行预设次数的训练，得到网络误差，若所述网络误差小于目标误差或训练此时达到预设次数，得到配网状态辨识模型；否则，继续训练，直到所述网络误差小于目标误差或训练此时达到预设次数。[0030]一种基于数据增强技术的配网运行状态辨识系统，所述系统，包括：[0031]训练集构建模块：利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，并基于所述样本集构建训练集；[0032]样本集增大模块：基于所述训练集，对条件生成对抗网络进行训练，得到增大后的样本集；
[0033]辨识模块：基于增大后的样本集构建配电网状态辨识模型，并基于样本集对配网运行状态进行辨识。[0034]优选的，所述训练集构建模块，包括：[0035]特征变量提取子模块：利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，提取所述样本集中状态信息的特征变量，并将所述样本集中状态标签通过二进制进行表示；
[0036]归一化子模块：将所述样本信息的特征变量归一化至设定区间内，得到训练集。[0037]优选的，所述样本集增大模块，包括：
5
[0026]
CN 112016774 A[0038]
说 明 书
3/7页
初始化子模块：将条件生成网络的生成器G进行随机初始化，并设置所述生成器G
循环次数；
[0039]样本集生成子模块：用于将所述生成器G根据所述循环次数，以最小损失函数为目标函数，依次生成样本集；并基于所述生成样本集，通过评估模型进行评估，筛选出几何平均最大的生成样本融合到原始样本中，得到增大后的样本集。[0040]优选的，所述样本生成子模块：包括：[0041]准确率判别单元：将所述生成器G每次生成的样本集，通过预先训练的判别器D进行准确率判别。[0042]优选的，所述准确率判别单元，包括：判别器D训练子单元；[0043]所述判别器D训练子单元中对判别器D的训练过程为：[0044]步骤一：将原始数据输入所述判别器D中，得到所述原始数据属于实际数据的概率；
[0045]步骤二：以损失函数最大化为目标函数，更新所述生成器D参数；[0046]步骤三：以设定次数，重复所述步骤一和步骤二，得到训练后的判别器D；[0047]所述原始数据，包括：原始样本训练集和样本集。[0048]与现有技术相比，本发明的有益效果为：[0049]本发明提供的技术方案，包括：利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，并基于所述样本集构建训练集；基于所述训练集，对条件生成对抗网络进行训练，得到增大后的样本集；基于增大后的样本集构建配电网状态辨识模型，并基于样本集对配网运行状态进行辨识。本方案中通过条件生成对抗网络对实际样本或时域仿真数据进行增强，通过非线性插值生成更真实的数据，根据类别信息提取出合成故障样本融入到原始数据中形成足够的训练样本，进而构建出稳定的分类辨识模型，能够提高配网运行状态辨识的准确率，有效克服了实际数据噪声对理想化仿真数据训练模型的干扰，对于配网运行状态的在线监测辨识具有重要意义；本方案中直接通过实际样本或少量时域仿真数据构建训练样本，有效克服了实际数据噪声对理想化仿真数据训练模型的干扰，克服了完全采用大量理想化仿真数据辨识而造成准确低的问题，对于配网运行状态的在线监测辨识具有重要意义。
附图说明
[0050]图1为本发明的一种基于数据增强技术的配网运行状态辨识方法流程图；[0051]图2为本发明中对抗网络训练流程图；
[0052]图3为本发明中配网状态辨识模型的构建流程图。
具体实施方式
[0053]为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
[0054]实施例1：
[0055]本实施例提供了一种基于数据增强技术的配网运行状态辨识方法，方法流程图如图1所示，包括以下步骤：
6
CN 112016774 A[0056]
说 明 书
4/7页
步骤1：利用实际电网运行情况或时域仿真方法生成配网运行状态样本集{x0,y0}，
其中，运行状态包括正常状态和故障状态。样本集中x0包含步骤2所述特征变量向量的所有信息，样本集中y0是配网运行状态的标签：1表示正常状态，2表示单相高阻接地故障，3表示单相低阻接地故障，4表示两相接地故障，5表示两相短路故障，6表示三相故障。[0057]通过时域仿真得到的仿真数据，较传统仿真(例如，不考虑时域变化的线性仿真)得到的仿真数据，更贴近实际电网运行情况。[0058]步骤2：根据样本集提取出特征变量向量得到{x1,y0}，并对特征向量进行归一化至0-1之间得到{x,y0}，将状态标签y0用二进制数表示，形成训练集{x,y}，即特征变量向量集。其中，y是y0的二进制数表示，即：正常状态为000001，单相高阻接地故障为000010，单相低阻接地故障为000100，两相接地故障为001000，两相短路故障为010000，三相故障为100000。
[0059]步骤3：确定训练参数，基于训练集对条件生成对抗网络(CGAN)进行训练，对训练集进行样本增强，扩大样本数生成计算集{X,y}。[0060]本步骤中，将实际样本数据进行样本增强，或者将少量通过时域仿真得到的数据进行样本增强，以此构建得到的辨识模型准确率更高，克服了直接通过大量传统仿真得到的仿真数据来构建辨识模型，辨识结果与现实工况偏差较大的问题。[0061]如图2所示，所述训练参数包括训练轮数m、每轮判别器D训练次数k、学习率η；对CGAN的判别器D和生成器G进行交替迭代训练，并将生成数据输入到原始样本训练得到的原始分类模型中从而获得与实际分布最为相似的生成分布，这个过程包括以下步骤：[0062]步骤3.1：原始训练样本{x1,y}训练BP神经网络，得到原始分类模型。CGAN的生成器G随机初始化为
{x1,y}是根据最初的配网运行状态样本集{x0,y0}得到的，x1是根据x0提取出特征变量向量得到x1，y是y0的二进制数表示。也就是步骤2得到的训练集{x,y}中的x是x1归一化得到的，这里不进行归一化操作，因为BP神经网络的训练本身包括归一化这一步骤。[0064]步骤3.2：执行循环i＝1到i＝m。[0065]i循环m次代表CGAN整体训练m次，其中，每次训练包括了k次的判别器D训练和1次的生成器G训练。[0066]步骤3.3：执行循环j＝1到j＝k(即判别器D先训练k次)。[0067]步骤3.4：输入I为原始样本训练集{x,y}及i-1轮生成数据{Gi-1(z),y}，输出为判别输入I属于实际数据或是生成数据的概率Di,j(I)，对CGAN的判别器D进行第i轮、j次训练得到
[0068][0069][0070][0063]
其中θd为判别器D的参数。
I为输入，包括了原始样本训练集{x,y}及i-1轮生成数据{Gi-1(z),y}。
Di,j(I)为输出，代表判别器D判断输入I属于真实/生成数据的概率。判别器D是神经网络，这个网络可以用
表示，其中
为这个网络此时
(进行第i轮、j次训练时)的参数。
[0071]步骤3.5：判断j循环是否完成，若是，结束j循环，保存第i轮训练得到的判别器D：
7
CN 112016774 A
说 明 书
5/7页
[0072]
步骤3.6：对生成器G进行1次训练。输入为Pz对应的随机变量z及状态标签y的合成
[z,y]，输出为和{x,y}维度一致的生成数据{Gi(z),y}，对CGAN的生成器G进行第i轮训练得
其中θg为生成器G的参数。
到
[0073]
Pz为先验分布(也叫隐空间)，先验分布一般可选高斯分布。[0074]步骤3.7：判断i循环是否完成，若是，结束i循环，保存m轮训练得到的m组生成数据{Gi(z),y},i＝1,2,…,m。[0075]步骤3.8：将m组生成数据作为输入，分别输入到原始分类模型中进行评估。计算分类正确率的几何平均
作为评估值，其中，λλ1到6分别为
配网6种运行状态在原始分类模型下的分类辨识正确率。取出λ值最高的生成数据，将其中的故障样本融合到原始数据中，从而达到对原始训练集进行样本增强的效果。对扩大后的数据反归一化得到步骤3所述的计算集。[0076]另：步骤3.4所述判别器D的训练以及步骤3.6所述生成器G的训练目标如下：[0077](1)判别器D是为了区分实际数据和生成数据，其损失函数可以定义为：
其中，Px为数据集x的实际分布，Pz为先验
分布(也叫隐空间)，z为先验分布的随机变量。因此判别器可通过最大化其损失函数进行训练。[0078](2)生成器G目的是生成尽可能真实的数据，欺骗判别器D，其损失函数可定义为：
因此生成器训练的目标函数为最小化其损失函数。
步骤4：确定训练参数，基于样本增强后的大样本计算集对BP神经网络进行分类模型训练，形成配网状态辨识模型，构建流程图如图3所示。[0080]训练参数包括：学习率ζ、学习目标误差Egoal、最大迭代次数N；基于样本增强后的计算集对BP神经网进行分类模型训练包括以下步骤：[0081]步骤4.1：对样本增强后的计算集特征值X进行-1～1之间的归一化，并初始化网络。
[0082]步骤4.2：将计算集{X,y}中归一化后的特征值作为输入，状态标签y作为输出，对神经网络进行训练。[0083]步骤4.3：判断网络误差e小于神经网络训练的目标误差Egoal或者学习次数大于预设的最大迭代次数N时，结束训练。否则重新进行新一轮训练直到满足上述条件为止。得到步骤4所述的配网状态辨识模型。[0084]步骤5：通过离线的数据增强训练得到配网状态辨识模型后，可以对配网运行状态进行在线识别。[0085]实施例二：
[0086]本实施例提供了一种基于数据增强技术的配网运行状态辨识系统，所述系统，包括：
8
[0079]
CN 112016774 A[0087]
说 明 书
6/7页
训练集构建模块：利用实际电网运行情况或时域仿真方法生成配网运行状态样本
集，并基于所述样本集构建训练集；[0088]样本集增大模块：基于所述训练集，对条件生成对抗网络进行训练，得到增大后的样本集；
[0089]辨识模块：基于增大后的样本集构建配电网状态辨识模型，并基于样本集对配网运行状态进行辨识。
[0090]所述训练集构建模块，包括：[0091]特征变量提取子模块：利用实际电网运行情况或时域仿真方法生成配网运行状态样本集，提取所述样本集中状态信息的特征变量，并将所述样本集中状态标签通过二进制进行表示；
[0092]归一化子模块：将所述样本信息的特征变量归一化至设定区间内，得到训练集。[0093]所述样本集增大模块，包括：[0094]初始化子模块：将条件生成网络的生成器G进行随机初始化，并设置所述生成器G循环次数；
[0095]样本集生成子模块：用于将所述生成器G根据所述循环次数，以最小损失函数为目标函数，依次生成样本集；并基于所述生成样本集，通过评估模型进行评估，筛选出几何平均最大的生成样本融合到原始样本中，得到增大后的样本集。[0096]所述样本集生成子模块：包括：[0097]准确率判别单元：将所述生成器G每次生成的样本集，通过预先训练的判别器D进行准确率判别。
[0098]所述准确率判别单元，包括：判别器D训练子单元；[0099]所述判别器D训练子单元中对判别器D的训练过程为：[0100]步骤一：将原始数据输入所述判别器D中，得到所述原始数据属于实际数据的概率；
[0101]步骤二：以损失函数最大化为目标函数，更新所述生成器D参数；[0102]步骤三：以设定次数，重复所述步骤一和步骤二，得到训练后的判别器D；[0103]所述原始数据，包括：原始样本训练集和样本集。[0104]所述筛选子模块中的评估模型，如下式所示：
[0105]
其中，λ为几何平均值，λλλλλλ123456为配网的运行状态在原始模型下的分类辨识正确率之积。
[0107]所述辨识模块，包括：[0108]归一化子模块：将增大后的样本集的特征值在预设区间内归一化，并初始化BP神经网络；[0109]判断子模块：基于归一化的特征值，对神经网络进行预设次数的训练，得到网络误差，若所述网络误差小于目标误差或训练此时达到预设次数，得到配网状态辨识模型；否则，继续训练，直到所述网络误差小于目标误差或训练此时达到预设次数。[0110]显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明
[0106]
9
CN 112016774 A
说 明 书
7/7页
中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0111]本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
[0112]本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0113]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0114]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0115]以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
10
CN 112016774 A
说 明 书 附 图
1/3页
图1
11
CN 112016774 A
说 明 书 附 图
图2
12
2/3页
CN 112016774 A
说 明 书 附 图
3/3页
图3
13
因篇幅问题不能全部显示，请点此查看更多更全内容