專利名稱：大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及數(shù)據(jù)挖掘的技術(shù)領(lǐng)域，特別是涉及大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法。
背景技術(shù)：
隨著社會經(jīng)濟(jì)與文化生活的不斷發(fā)展和進(jìn)步，城市對電力的依賴就像魚與水的關(guān)系，沒有了電力供應(yīng)，整個城市的交通、生產(chǎn)、生活就會陷入癱瘓，其破壞程度、造成的恐慌與巨大損失難以估計。今年來，國內(nèi)外相繼發(fā)生的大面積停電事故，給社會造成巨大的損失，如2012年的印度的“7. 30大面積停電事故”、2003年的“8. 14美加大停電”等。
由于停電面積大，涉眾廣，電力系統(tǒng)難以對停電區(qū)域做到統(tǒng)一同時復(fù)電，必須分片區(qū)，分時段地對停電區(qū)域進(jìn)行復(fù)電工作。同時，如果停電期間供電量難以快速恢復(fù)到正常的供電水平，將會增加停電造成的損失，難以保證電力用戶的用電滿意度。面對大面積停電事故，復(fù)電工作理應(yīng)按輕重緩急地對電力用戶展開，但現(xiàn)有技術(shù)當(dāng)中對此缺乏科學(xué)依據(jù)，并沒有綜合考慮用戶情況，往往是按照主觀臆斷地對某些重要單位先進(jìn)行復(fù)電，一些用電緊急的電力用戶的復(fù)電工作被逼延后，致使經(jīng)濟(jì)損失的擴(kuò)大化。

發(fā)明內(nèi)容
基于此，有必要針對上述問題，提供一種大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，能夠科學(xué)地量化復(fù)電緊急程度，合理指導(dǎo)復(fù)電工作，挽回經(jīng)濟(jì)損失。一種大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，包括獲取歷史記錄當(dāng)中停電用戶的用戶描述屬性，對總體停電用戶集進(jìn)行隨即抽樣，獲得停電用戶的樣本集，并采集由業(yè)務(wù)人員對所述樣本集標(biāo)記的復(fù)電緊急程度標(biāo)簽，形成帶標(biāo)簽的停電用戶樣本集；根據(jù)用戶描述屬性與所述帶標(biāo)簽的停電用戶樣本集，采用預(yù)設(shè)算法構(gòu)建分類模型，根據(jù)所述分類模型，優(yōu)化并確定分類模型參數(shù)；獲取待分類的停電用戶的用戶描述屬性，采用所述分類模型與其對應(yīng)參數(shù)，對待分類的停電用戶進(jìn)行復(fù)電緊急程度的多類別分類。在其中一個實施例中，根據(jù)用戶描述屬性與所述帶標(biāo)簽的停電用戶樣本集的步驟之后，采用預(yù)設(shè)算法構(gòu)建分類模型的步驟之前，包括對用戶描述屬性存在的缺失值進(jìn)行填補(bǔ)，將該用戶描述屬性中的枚舉型變量進(jìn)行屬性類型轉(zhuǎn)換處理，并將該用戶描述屬性中的連續(xù)型變量作標(biāo)準(zhǔn)化處理，獲得數(shù)值在預(yù)設(shè)范圍內(nèi)的連續(xù)型變量，從而形成轉(zhuǎn)換后的用戶描述屬性。在其中一個實施例中，用戶的描述屬性包括枚舉型變量屬性與連續(xù)型變量屬性；其中，所述枚舉型變量屬性包括，停電地域、售電方式、行業(yè)單位、電壓等級和用電類型；所述連續(xù)型變量屬性包括，總耗電量、峰用電量、平用電量、谷用電量、尖用電量、無功總電量、不平衡電量、不平衡率、平均功率因數(shù)、最大功率。
在其中一個實施例中，所述對總體停電用戶集進(jìn)行抽樣的抽樣方法為分層抽樣。在其中一個實施例中，所述復(fù)電緊急程度標(biāo)簽為從停電開始到恢復(fù)供電的最大復(fù)電耗時要求。在其中一個實施例中，所述預(yù)設(shè)算法為數(shù)據(jù)挖掘方法中的分類算法為支持向量機(jī)算法(Support Vector Machine, SVM)算法；所述的多類別分類方法為“多對多”(All-versus-all，AVA)的分類法。實施本發(fā)明，具有如下有益效果首先，本發(fā)明對停電用戶的用戶描述屬性進(jìn)行數(shù)據(jù)抽樣，通過抽樣的方法在海量
的樣本中抽取代表性樣本，減少樣本空間，提高模型訓(xùn)練效率。結(jié)合采集的復(fù)電緊急程度標(biāo)簽科學(xué)地量化復(fù)電緊急程度，再利用預(yù)設(shè)算法和多類別分類算法合理地預(yù)測待分類的停電用戶的用電需求情況，本發(fā)明能夠指導(dǎo)復(fù)電工作，挽回經(jīng)濟(jì)損失。克服了傳統(tǒng)方法依靠人為主觀判斷的弊端，實現(xiàn)了分類方法的自動化、程序化，以及基于挖掘歷史用電數(shù)據(jù)的人工智能化。在其中一個實施例中，使用支持向量機(jī)(Support Vector Machine, SVM)作為分類模型，利用核函數(shù)對樣本屬性進(jìn)行高維映射，找尋最好的分類超平面，有效提高分類準(zhǔn)確率。采用多類別分類方法中的“多對多”(All-versus-all，AVA)的分類法作為多類別分類結(jié)果的決定策略，幫助提高多類別分類中的分類準(zhǔn)確率。


圖I為本發(fā)明大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法的流程圖；圖2為本發(fā)明大面積停電應(yīng)急處理中的復(fù)電緊急程度分類方法實施例的示意圖。
具體實施例方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖對本發(fā)明作進(jìn)一步地詳細(xì)描述。圖I為本發(fā)明大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法的流程圖，包括SlOl :獲取歷史記錄當(dāng)中停電用戶的用戶描述屬性，對總體停電用戶集進(jìn)行隨即抽樣，獲得停電用戶的樣本集，并采集由業(yè)務(wù)人員對所述樣本集標(biāo)記的復(fù)電緊急程度標(biāo)簽，形成帶標(biāo)簽的停電用戶樣本集；S102:根據(jù)用戶描述屬性與所述帶標(biāo)簽的停電用戶樣本集，采用預(yù)設(shè)算法構(gòu)建分類模型，根據(jù)所述分類模型，優(yōu)化并確定分類模型參數(shù)；S103:獲取待分類的停電用戶的用戶描述屬性，采用所述分類模型與其對應(yīng)參數(shù)，對待分類的停電用戶進(jìn)行復(fù)電緊急程度的多類別分類。首先，本發(fā)明對停電用戶的用戶描述屬性進(jìn)行數(shù)據(jù)抽樣，通過抽樣的方法在海量的樣本中抽取代表性樣本，減少樣本空間，提高模型訓(xùn)練效率。結(jié)合采集的復(fù)電緊急程度標(biāo)簽科學(xué)地量化復(fù)電緊急程度，再利用預(yù)設(shè)算法和多類別分類算法合理地預(yù)測待分類的停電用戶的用電需求情況，本發(fā)明能夠指導(dǎo)復(fù)電工作，挽回經(jīng)濟(jì)損失?？朔藗鹘y(tǒng)方法依靠人為主觀判斷的弊端，實現(xiàn)了分類方法的自動化、程序化，以及基于挖掘歷史用電數(shù)據(jù)的人工智能化。圖2為本發(fā)明大面積停電應(yīng)急處理中的復(fù)電緊急程度分類方法實施例的示意圖。與圖I相比，圖2為本發(fā)明具體實施例的示意圖。S201 :用戶描述屬性構(gòu)造；S202 :使用分層抽樣方法對用戶進(jìn)行抽樣，分層依據(jù)為“行業(yè)單位”;S203 :采集業(yè)務(wù)人員對用戶樣本標(biāo)記的復(fù)電緊急程度標(biāo)簽；S204 以屬性值的眾數(shù)填補(bǔ)枚舉型的缺失屬性，以均值填補(bǔ)連續(xù)性的缺失屬性；S205 :對枚舉型用戶描述屬性進(jìn)行屬性類型轉(zhuǎn)換；S206 :對連續(xù)型用戶描述屬性進(jìn)行標(biāo)準(zhǔn)化處理，轉(zhuǎn)換至
之間；
·
S207 :進(jìn)行模型的構(gòu)建并設(shè)定支持向量機(jī)的核函數(shù)；S208 :利用網(wǎng)絡(luò)搜索的方法進(jìn)行支持向量機(jī)的參數(shù)優(yōu)化；S209 :獲取待分類用戶的用戶描述屬性；S210 :根據(jù)建立好的模型進(jìn)行分類。下面結(jié)合圖2對本發(fā)明各個階段展開說明。第一階段，數(shù)據(jù)準(zhǔn)備階段首先，對停電用戶進(jìn)行屬性提取，構(gòu)造出停電用戶描述屬性，用以刻畫停電用戶。提取的用戶屬性包括枚舉型變量屬性與連續(xù)型變量屬性。枚舉型屬性包括停電地域、售電方式、行業(yè)單位、電壓等級和用電類型等。其中，停電地域可選類型為城市、農(nóng)村、郊區(qū)、中心商業(yè)區(qū)、住宅區(qū)、工業(yè)區(qū)、科技園、大學(xué)城等8個；售點方式可選類型為直供方式、躉售方式等2個；行業(yè)單位可選類型為醫(yī)療服務(wù)、銀行金融、政府機(jī)關(guān)、教育培訓(xùn)、運輸業(yè)、機(jī)械制造、采礦能源、餐飲賓館、電訊業(yè)、互聯(lián)網(wǎng)、公益組織、家庭等12個；電壓等級可選類型為220V、380V、6kV、10kV、35kV、110kV、220kV、330kV、500kV，1000KV 等 10 個；用戶類型可選類型為工業(yè)用電、農(nóng)業(yè)用電、商業(yè)用電、居民生活用電等4個。而用戶描述屬性中的連續(xù)型屬性包括總耗電量、峰用電量、平用電量、谷用電量、尖用電量、無功總電量、不平衡電量、不平衡率、平均功率因數(shù)、最大功率、用戶歷史繳費滯后總天數(shù)、歷史月均用電量、歷史日均用電量、最長連續(xù)用電時間(分鐘)、最長連續(xù)不用電時間(分鐘)、最大月用電量、最大日用電量、停電情況上報次數(shù)、曾遭停電次數(shù)、歷史平均繳納電價、裝接電容量等21個停電用戶的歷史數(shù)據(jù)。其次，對停電用戶進(jìn)行抽樣處理，得到樣本用戶集。本實施例采用分層抽樣方法對停電用戶進(jìn)行抽樣處理，分層依據(jù)為“行業(yè)單位”。由于行業(yè)單位對于復(fù)電的緊急程度更為敏感，所以對“行業(yè)單位”進(jìn)行分層抽樣。即通過抽樣，得到的樣本集內(nèi)的不同“行業(yè)單位”用戶數(shù)之間的比例與所有停電用戶之中的“行業(yè)單位”比例相一致。這樣，通過抽樣的方法將樣本數(shù)量減少，利于采集操作的合理安排，也利于模型的構(gòu)建。本實施例通過分層抽樣的方法，抽取歷史停電用戶數(shù)據(jù)2000例，進(jìn)而進(jìn)行打標(biāo)簽，作為訓(xùn)練樣本。對用戶樣本進(jìn)行打標(biāo)簽。分類算法為機(jī)器學(xué)習(xí)中的有監(jiān)督學(xué)習(xí)，訓(xùn)練樣本必須有標(biāo)簽。通過業(yè)務(wù)人員的業(yè)務(wù)理解與經(jīng)驗，采集對所得樣本進(jìn)行的標(biāo)簽，所得標(biāo)簽用以區(qū)分大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度，本實施例定義的停電用戶復(fù)電緊急程度共分為5個等級“5分鐘內(nèi)”、“30分鐘內(nèi)”、“2小時內(nèi)”、“6小時內(nèi)”與“24小時內(nèi)”,即對于該用戶，電力公司必須在5分鐘、30分鐘、2小時、6小時或24小時內(nèi)實現(xiàn)電力恢復(fù)。這5個等級在模型訓(xùn)練與分類中分別對應(yīng)標(biāo)簽為“ I ”、“ 2 ”、“ 3 ”、“4”和“ 5 ”。第二階段，數(shù)據(jù)預(yù)處理階段由于信息系統(tǒng)中不可能對每一個用戶的每一個描述屬性都有完整的記錄，所以不可避免會出現(xiàn)部分用戶的某些用戶描述屬性出現(xiàn)缺失值，為了提高算法對這些用戶的分類準(zhǔn)確率，有必要對缺失值進(jìn)行填補(bǔ)。如果該缺失值為枚舉型變量，則用該屬性值的眾數(shù)，即所有樣例中(除此值缺失的樣例外)該枚舉屬性出現(xiàn)最 多的值進(jìn)行填補(bǔ)；如果該缺失值為連續(xù)型變量，則用該屬性值的均值，即所有樣例中(除此值缺失的樣例外)該連續(xù)屬性的平均值進(jìn)行填補(bǔ)。將用戶描述屬性中的枚舉型變量進(jìn)行屬性類型轉(zhuǎn)換處理。分類算法無法對枚舉型變量進(jìn)行直接的運算與建模，所以必須將枚舉型變量轉(zhuǎn)化為算法可以識別并運算的0，I 二值型的變量。轉(zhuǎn)換方法如下如果某個屬性可以取K個不同的值，則將其轉(zhuǎn)換為K個取值為0，I的二值型屬性。如屬性“售電類型”可以取“直供方式”與“躉售方式”，則可以將屬性“售電類型”轉(zhuǎn)換為兩個屬性，分別是“直供方式”與“躉售方式”，如果某個用戶的“售電類型”為“直供方式”，則其轉(zhuǎn)換后的用戶描述屬性中，“直供方式”屬性值為“1”，“躉售方式”的屬性值為“O”。將用戶描述屬性中的連續(xù)型變量進(jìn)行標(biāo)準(zhǔn)化處理。由于用戶描述屬性中的不同的連續(xù)型變量之間的大小區(qū)別很大，如“總耗電量”的數(shù)量級是103或以上而“停電情況上報次數(shù)”的數(shù)量級是101的，所以，如果直接將這樣量級相差巨大的不同用戶描述屬性輸入模型進(jìn)行訓(xùn)練的話，會不可避免地對量級大的屬性產(chǎn)生偏倚，影響分類結(jié)果，故對連續(xù)型變量
進(jìn)行標(biāo)準(zhǔn)化處理。處理方法如下屬性X轉(zhuǎn)換為即除以該屬性值的最大值。這樣，
* max
每個連續(xù)型屬性值就轉(zhuǎn)化至
之間的值，避免了不同屬性值之間由于量級不同產(chǎn)生的偏倚，可以有效提聞分類準(zhǔn)確率。第三階段，模型建立階段利用分類算法，對用處理后的戶描述屬性與采集標(biāo)簽結(jié)果組成的數(shù)據(jù)集進(jìn)行訓(xùn)練，得到用戶復(fù)電緊急程度的分類模型。本實施例使用支持向量機(jī)(SupportVectorMachine, SVM)分類算法，對用戶復(fù)電緊急程度進(jìn)行分類。支持向量機(jī)(SupportVector Machine)是 Cortes 和 Vapnik 于 1995 年首先提出的，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。支持向量機(jī)方法是建立在統(tǒng)計學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度，Accuracy)和學(xué)習(xí)能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的泛化能力。支持向量機(jī)本質(zhì)上是用來解決二類分類問題的算法。其基于線性分類思想，通過核函數(shù)，松弛變量，懲罰參數(shù)等途徑，將原本線性不可分的二類分類問題，轉(zhuǎn)換成在不同維度(一般是在更高維度)上接近線性可分的問題，再通過線性分類的方法進(jìn)行求解。該方法對解決于小樣本，非線性及高維的數(shù)據(jù)分類問題有很多特有優(yōu)勢，所以適合本發(fā)明的大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類。在線性可分的二類分類問題中，設(shè)有I個訓(xùn)練樣本{(Xi，Yi), Xi e Rd,Yi e {-1，+1}，1=1，..，1}，輸入樣本11的維數(shù)為(1，每個樣本屬于標(biāo)記為71￡ {-1,+1}的兩類之一，訓(xùn)練SVM就是要在特征空間中，尋找能將兩類樣本正確分開的最優(yōu)分類超平面w · Xi+b=0,并使得離該平面最近的每類點(稱為支持向量，Support Vector) I與該平面的
距離達(dá)到最大值。樣本到超平面的距離(即分類間隔)，可定義為M當(dāng)I |w| I最小時，分類
間隔最大，此時的分離超平面即為最優(yōu)分類面。最大化分類間隔實際上就是對泛化能力的控制，統(tǒng)計學(xué)理論表明最優(yōu)分類面具有最好的泛化能力。當(dāng)訓(xùn)練樣本集為線性近似可分時，需引入非負(fù)松弛變量ξ≤0，i = 1，. . .，1，上述最優(yōu)分類超平面的求解問題變?yōu)?br> 權(quán)利要求
1.一種大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，其特征在于，包括 獲取歷史記錄當(dāng)中停電用戶的用戶描述屬性，對總體停電用戶集進(jìn)行隨即抽樣，獲得停電用戶的樣本集，并采集由業(yè)務(wù)人員對所述樣本集標(biāo)記的復(fù)電緊急程度標(biāo)簽，形成帶標(biāo)簽的停電用戶樣本集； 根據(jù)用戶描述屬性與所述帶標(biāo)簽的停電用戶樣本集，采用預(yù)設(shè)算法構(gòu)建分類模型，根據(jù)所述分類模型，優(yōu)化并確定分類模型參數(shù)； 獲取待分類的停電用戶的用戶描述屬性，采用所述分類模型與其對應(yīng)參數(shù)，對待分類的停電用戶進(jìn)行復(fù)電緊急程度的多類別分類。
2.根據(jù)權(quán)利要求I所述的大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，其特征在于，根據(jù)用戶描述屬性與所述帶標(biāo)簽的停電用戶樣本集的步驟之后，采用預(yù)設(shè)算法構(gòu)建分類模型的步驟之前，包括 對用戶描述屬性存在的缺失值進(jìn)行填補(bǔ)，將該用戶描述屬性中的枚舉型變量進(jìn)行屬性類型轉(zhuǎn)換處理，并將該用戶描述屬性中的連續(xù)型變量作標(biāo)準(zhǔn)化處理，獲得數(shù)值在預(yù)設(shè)范圍內(nèi)的連續(xù)型變量，從而形成轉(zhuǎn)換后的用戶描述屬性。
3.根據(jù)權(quán)利要求2所述的大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，其特征在于，獲取待分類的停電用戶的用戶描述屬性的步驟，包括 對待分類的停電用戶的用戶描述屬性存在的缺失值進(jìn)行填補(bǔ)，將該用戶描述屬性中的枚舉型變量進(jìn)行屬性類型轉(zhuǎn)換處理，并將該用戶描述屬性中的連續(xù)型變量作標(biāo)準(zhǔn)化處理，獲得數(shù)值在預(yù)設(shè)范圍內(nèi)的連續(xù)型變量，從而形成轉(zhuǎn)換后的待分類的停電用戶的用戶描述屬性。
4.根據(jù)權(quán)利要求I至3任一項所述的大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，其特征在于，用戶的描述屬性包括枚舉型變量屬性與連續(xù)型變量屬性；其中，所述枚舉型變量屬性包括，停電地域、售電方式、行業(yè)單位、電壓等級和用電類型；所述連續(xù)型變量屬性包括，總耗電量、峰用電量、平用電量、谷用電量、尖用電量、無功總電量、不平衡電量、不平衡率、平均功率因數(shù)、最大功率。
5.根據(jù)權(quán)利要求I所述的大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，其特征在于，所述對總體停電用戶集進(jìn)行抽樣的抽樣方法為分層抽樣。
6.根據(jù)權(quán)利要求I所述的大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，其特征在于，所述復(fù)電緊急程度標(biāo)簽為從停電開始到恢復(fù)供電的最大復(fù)電耗時要求。
7.根據(jù)權(quán)利要求2或3所述的大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，其特征在于，所述的對用戶描述屬性中的缺失值進(jìn)行填補(bǔ)方法包括當(dāng)該描述屬性缺失值為枚舉型變量，則以該枚舉型屬性的眾數(shù)進(jìn)行填補(bǔ)；當(dāng)該描述屬性缺失值為連續(xù)型變量，則以該連續(xù)型屬性的均值進(jìn)行填補(bǔ)。
8.根據(jù)權(quán)利要求2所述的大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，其特征在于，將該用戶描述屬性中的枚舉型變量進(jìn)行屬性類型轉(zhuǎn)換處理的步驟，包括，將枚舉型屬性轉(zhuǎn)換為取值為O、I的二值型屬性。
9.根據(jù)權(quán)利要求3所述的大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，其特征在于，將該用戶描述屬性中的枚舉型變量進(jìn)行屬性類型轉(zhuǎn)換處理的步驟，包括，將停電用戶的每個連續(xù)型的屬性變量放大或縮小到預(yù)設(shè)的區(qū)間如[O，I]。
10.根據(jù)權(quán)利要求I所述的大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，其特征在于，所述預(yù)設(shè)算法為數(shù)據(jù)挖掘方法中的分類算法為支持向量機(jī)算法(SupportVector Machine，SVM)算法； 所述的多類別分類方法為“多對多”(All-versus-all，AVA)的分類法。
全文摘要
本發(fā)明公開了大面積停電應(yīng)急處理中的用戶復(fù)電緊急程度分類方法，包括獲取歷史記錄當(dāng)中停電用戶的用戶描述屬性，對總體停電用戶集進(jìn)行隨即抽樣，獲得停電用戶的樣本集，并采集由業(yè)務(wù)人員對所述樣本集標(biāo)記的復(fù)電緊急程度標(biāo)簽，形成帶標(biāo)簽的停電用戶樣本集；根據(jù)用戶描述屬性與所述帶標(biāo)簽的停電用戶樣本集，采用預(yù)設(shè)算法構(gòu)建分類模型，根據(jù)所述分類模型，優(yōu)化并確定分類模型參數(shù)；獲取待分類的停電用戶的用戶描述屬性，采用所述分類模型與其對應(yīng)參數(shù)，對待分類的停電用戶進(jìn)行復(fù)電緊急程度的多類別分類。采用本發(fā)明，可以科學(xué)地量化復(fù)電緊急程度，合理指導(dǎo)復(fù)電工作，挽回經(jīng)濟(jì)損失。
文檔編號G06Q50/06GK102930007SQ20121042268
公開日2013年2月13日 申請日期2012年10月30日 優(yōu)先權(quán)日2012年10月30日
發(fā)明者楊晶晶, 齊志剛, 杜旭, 蕭展輝, 金波, 陳森利, 吳福疆, 范晟 申請人:廣東電網(wǎng)公司