CN103336222A - 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 - Google Patents
基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 Download PDFInfo
- Publication number
- CN103336222A CN103336222A CN2013102217653A CN201310221765A CN103336222A CN 103336222 A CN103336222 A CN 103336222A CN 2013102217653 A CN2013102217653 A CN 2013102217653A CN 201310221765 A CN201310221765 A CN 201310221765A CN 103336222 A CN103336222 A CN 103336222A
- Authority
- CN
- China
- Prior art keywords
- fault
- protection
- rule
- fuzzy
- fuzzy reasoning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电网调度与故障分析领域。本发明公开了一种基于模糊推理脉冲神经膜系统的电力系统故障诊断方法,其步骤包括:首先从电网数据采集与监控系统中获取保护与断路器的动作信息,利用断路器跳闸信息确定出断电区域即故障区域,如果故障区域中元件数大于1,则将该故障区域内的所有元件标记为可疑故障元件,然后分别建立其对应的模糊推理脉冲神经膜系统故障诊断模型,运用模糊推理脉冲神经膜系统模糊推理算法对故障诊断模型进行反向模糊推理,获得每个疑似故障元件的模糊真值(也称为故障可信度),最终确定故障元件。本发明诊断过程采用矩阵形式,依据模糊推理算法进行推理,表达清晰,计算简便。在多数情况下都能获得正确的诊断结果。
Description
技术领域
本发明涉及电网调度与故障分析领域,特别涉及一种基于模糊推理脉冲神经膜系统的电力系统故障诊断方法。
背景技术
现代社会生产力水平不断提高的同时也对电力供应水平的要求越来越高,因此保证连续可靠的供电已经成为电力系统一个极为重要的目标。同时由于影响电网安全稳定运行的因素繁多,为最大限度地降低事故影响,需要快速检测出电网中的各种故障,并准确地识别故障类型。随着计算机技术和自动化技术的高速发展,调度系统中接入的远动信息和继电保护信息越来越丰富。丰富的远动和保护信息给集控站的监控人员提供了故障诊断依据的同时也带来了重要的问题,即故障来临时在很短时间内将有大量信息(往往包括正确的报警信息、误传信息、重复信息和不相关信息等)涌入监控后台,而且这些信息往往伴随着严重的不完备性和特征重复性,这往往使得监控人员应接不暇。这种情况下,要求调度运行人员在很短的时间内迅速准确地对故障作出判断是十分困难的,很容易出现误判断、误处理,从而对事故带来更恶劣的影响。
电力系统故障诊断的研究始于上世纪六十年代,但其研究进展缓慢,直到人工智能技术被引入该领域。人工智能技术善于模拟人类处理问题的思维,容易引入人类的经验并具有一定的学习能力,故其在故障诊断领域得到了广泛的应用。目前,国内外应用于电力系统故障诊断问题的人工智能方法主要包括以下几类:基于优化理论的方法,基于专家系统的方法,基于人工神经网络的方法,基于模糊集理论的方法,基于贝叶斯网络的方法,基于Petri网的方法,基于多代理系统的方法等。
这些方法各具一些优点并得到了一定的应用,但在实际应用中也暴露了一些缺点,如优化方法根据元件、保护动作和断路器跳闸之间的逻辑关系建立合理的电网故障诊断数学函数是难点;专家系统知识规则库的建立和维护比较困难;Petri网具有结构表达图形化和推理搜索快速化等优点,但是在对大规模或复杂网络进行建模时容易出现状态组合爆炸的情况等。此外,在实际应用中,能量管理系统(EMS)接收到的大量传输数据和监测信息都具有一定程度的不完整性和不确定性。同时,由于保护继电器到远程终端单元(RTU)距离的增加使得保护继电器和断路器的跳闸也存在一定程度的不确定性。因此,如何更好地利用检测到的不完整和不确定的报警信息来对电网进行故障诊断,对电力系统的安全运行研究具有重要意义。
发明内容
本发明的目的在于克服上述现有技术的不足,提供一种基于模糊推理脉冲神经膜系统的电力系统故障诊断方法。该方法的突出优势是诊断过程采用矩阵形式依据模糊推理算法进行推理,表达清晰,计算简便,且在数据采集与监控系统提供完备故障信息或存在保护断路器误动、拒动等信息不完备的情况下,本方法都能获得正确的诊断结果。
本发明解决其技术问题,采用的技术方案是,基于模糊推理脉冲神经膜系统的电力系统故障诊断方法,包括以下步骤:
A、故障区域识别,确定疑似故障元件
读取来自数据采集与监控系统的保护与断路器的动作信息,并利用网络拓扑分析法完成故障区域的搜索,缩小诊断范围,包括步骤:
(i)建立一个集合Q,在该集合中存放电网中三类主要元件母线、线路和变压器的编号;
(ii)建立一个子网集合M,然后从集合Q中任取一个元件放入子网集合M;
(iii)找出所有与该元件相连的闭合断路器;若未找到任何闭合断路器,转入执行第(vi)步;
(iv)分别找出与所述闭合断路器相连接的元件,并把该元件加入到子网集合M中;
(v)依次搜索与第(iv)步中所得元件相连接的其他闭合断路器,若搜索到其他闭合断路器,则转入执行第(iv)步;否则,进入下面步骤;
(vi)将所有在子网集合M中出现过的元件从集合Q中取出,若集合Q非空,则转入第(ii)步继续执行;否则,列出所有子网集合,从中找出无源子网,对照编号,获得疑似故障元件集合,故障区域识别结束;
B、模糊推理脉冲神经膜系统故障诊断模型建立
若无源子网中只包含一个元件,则该元件为故障元件;若无源子网中元件数大于1,则针对故障区域中的每个疑似故障元件,建立相应的模糊推理脉冲神经膜系统故障诊断模型,详细步骤包括:
(1)任意选取一个疑似故障元件,根据各保护之间的配合关系设定各个命题神经元和规则神经元,并根据故障模糊产生式规则建立完整的模糊推理脉冲神经膜系统故障诊断模型;
根据疑似元件的种类及各类元件的保护类型,分别建立相应的线路故障模糊产生式规则集、母线故障模糊产生式规则集和变压器故障模糊产生式规则集,并作为相应的三类模糊推理脉冲神经膜系统故障诊断模型建立的依据;
(2)根据从数据采集与监控系统获得的保护与断路器的动作信息,确定元件主保护、近后备保护、远后备保护及其对应断路器的可信度并与其对应的输入神经元的脉冲值建立对应关系;
C、模糊推理脉冲神经膜系统故障诊断模型反向模糊推理,获得疑似元件的故障可信度
采用模糊推理脉冲神经膜系统的模糊推理算法对每个模糊推理脉冲神经膜系统故障诊断模型依次进行反向模糊推理,获取每个疑似故障元件的故障可信度;
D、确定故障元件,输出诊断结果
根据模糊推理得到的各疑似故障元件的故障可信度θ确定故障元件,并输出诊断结果。
具体的,所述线路故障模糊产生式规则集包括:
规则1:If送端主保护和受端主保护均动作且对应的断路器跳闸,then线路故障(规则确信度c=绝对高);
规则2:If送端主保护和受端近后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则3:If送端近后备保护和受端主保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则4:If送端近后备保护和受端近后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则5:If送端主保护和受端所有远后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则6:If送端所有远后备保护和受端主保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则7:If送端近后备保护和受端所有远后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则8:If送端所有远后备保护和受端近后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则9:If送端所有远后备保护和受端所有远后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=极高。
具体的,所述母线故障模糊产生式规则集包括:
规则1:If母线主保护动作且对应断路器全部或部分跳闸,then母线故障,规则确信度c=绝对高;
规则2:If母线所有后备保护均动作且对应断路器均跳闸,then母线故障,规则确信度c=极高。
具体的,所述变压器故障模糊产生式规则集包括:
规则1:If变压器主保护动作且对应断路器全部或部分跳闸,then变压器故障,规则确信度c=绝对高;
规则2:If变压器近后备保护动作且对应断路器全部或部分跳闸,then变压器故障,规则确信度c=绝对高;
规则3:If变压器所有远后备保护均动作且对应断路器均跳闸,then变压器故障,规则确信度c=极高。
进一步的,步骤D中,若故障可信度θ≥(0.72,0.78,0.92,0.97),则将该元件确定为故障元件;若故障可信度θ≤(0.17,0.22,0.36,0.42),则将该元件确定为非故障元件;否则,标记为可能故障元件。
本发明的有益效果是:(1)故障诊断正确性高。本发明中依据切除故障的保护配合关系,建立三类故障模糊产生式规则库,并依据各类规则的重要程度对其赋予一定确信度,使得推理过程更合理,更符合实际情况,最终以梯形模糊数的形式给出各个元件可能发生故障的故障可信度,在一定程度上减小了主观性,保证了结果的正确性。(2)方法实现简单,容易维护。本发明中首先通过搜索策略确定故障区域,再对故障区域内的具体元件采用模糊推理脉冲神经膜系统故障诊断模型进行诊断,诊断过程采用矩阵形式依据模糊推理算法进行反向推理,推理过程主要进行矩阵计算,具有较好的并行处理能力,诊断过程清晰简单,易于维护。(3)容错性好。本发明对传统的脉冲神经P系统进行改进,拓展命题神经元和规则神经元的定义,引入梯形模糊数进行元件相关信息描述,从而在数据采集与监控系统提供完备故障信息或存在保护断路器误动拒动、信息丢失等信息不完备的情况下,本方法都能获得正确的诊断结果。
下面结合附图及实施例,详细描述本发明的技术方案。
附图说明
图1为本发明方法的流程图;
图2梯形模糊数示意图;
图3为本发明命题神经元示意图,其中:(a)传统形式、(b)简写形式;
图5为本发明实施例局部电力系统的继电保护示意图
图6为本发明实施例中元件2(母线B1)的模糊推理脉冲神经膜系统故障诊断模型
具体实施方式
本发明基于模糊推理脉冲神经膜系统的电力系统故障诊断方法,其步骤包括:首先从电网数据采集与监控(SCADA)系统中获取保护与断路器的动作信息,利用断路器跳闸信息确定出断电区域即故障区域,如果故障区域中元件数大于1,则将该故障区域内的所有元件标记为可疑故障元件,然后分别建立其对应的模糊推理脉冲神经膜(FRSNP)系统故障诊断模型,运用模糊推理脉冲神经膜系统模糊推理算法对故障诊断模型进行反向模糊推理,获得每个疑似故障元件的模糊真值(也称为故障可信度),最终确定故障元件。如图1所示,主要步骤如下:
1.故障区域识别,确定疑似故障元件
读取来自数据采集与监控系统的保护与断路器的动作信息,并利用网络拓扑分析法完成故障区域的搜索,缩小诊断范围,包括步骤:
(i)建立一个集合Q,在该集合中存放电网中三类主要元件母线、线路和变压器的编号;
(ii)建立一个子网集合M,然后从集合Q中任取一个元件放入子网集合M;
(iii)找出所有与该元件相连的闭合断路器;若未找到任何闭合断路器,转入执行第(vi)步;
(iv)分别找出与所述闭合断路器相连接的元件,并把该元件加入到子网集合M中;
(v)依次搜索与第(iv)步中所得元件相连接的其他闭合断路器{即除第(iv)步中已用到的断路器之外的其余闭合断路器}。若还有闭合断路器,则转入执行第(iv)步;否则,进入下面步骤;
(vi)将所有在子网集合M中出现过的元件从集合Q中取出,若集合Q非空,则转入第(ii)步继续执行;否则,列出所有子网集合,从中找出无源子网,对照各元件的编号,获得疑似故障元件集合,故障区域识别结束。
2.模糊推理脉冲神经膜系统故障诊断模型建立
在此步骤中,若无源子网中只包含一个元件,则该元件为故障元件;若无源子网中元件数大于1,则针对故障区域中的每个疑似故障元件,建立相应的模糊推理脉冲神经膜系统故障诊断模型,详细步骤包括:
(1)任意选取一个疑似故障元件,根据各保护之间的配合关系设定各个命题神经元和规则神经元,并根据故障模糊产生式规则建立完整的模糊推理脉冲神经膜系统故障诊断模型。
根据疑似元件的种类及各类元件的保护类型,分别建立相应的线路故障模糊产生式规则集、母线故障模糊产生式规则集和变压器故障模糊产生式规则集并作为相应的三类模糊推理脉冲神经膜系统故障诊断模型建立的依据,具体如下所示:
线路故障模糊产生式规则集:
规则1:If送端主保护和受端主保护均动作且对应的断路器跳闸,then线路故障(规则确信度c=绝对高);
规则2:If送端主保护和受端近后备保护均动作且对应的断路器跳闸,then线路故障(规则确信度c=绝对高)
规则3:If送端近后备保护和受端主保护均动作且对应的断路器跳闸,then线路故障(规则确信度c=绝对高)
规则4:If送端近后备保护和受端近后备保护均动作且对应的断路器跳闸,then线路故障(规则确信度c=绝对高)
规则5:If送端主保护和受端所有远后备保护均动作且对应的断路器跳闸,then线路故障(规则确信度c=绝对高)
规则6:If送端所有远后备保护和受端主保护均动作且对应的断路器跳闸,then线路故障(规则确信度c=绝对高)
规则7:If送端近后备保护和受端所有远后备保护均动作且对应的断路器跳闸,then线路故障(规则确信度c=绝对高)
规则8:If送端所有远后备保护和受端近后备保护均动作且对应的断路器跳闸,then线路故障(规则确信度c=绝对高)
规则9:If送端所有远后备保护和受端所有远后备保护均动作且对应的断路器跳闸,then线路故障(规则确信度c=极高)
母线故障模糊产生式规则集:
规则1:If母线主保护动作且对应断路器全部或部分跳闸,then母线故障(规则确信度c=绝对高)
规则2:If母线所有后备保护均动作且对应断路器均跳闸,then母线故障(规则确信度c=极高)
变压器故障模糊产生式规则集:
规则1:If变压器主保护动作且对应断路器全部或部分跳闸,then变压器故障(规则确信度c=绝对高)
规则2:If变压器近后备保护动作且对应断路器全部或部分跳闸,then变压器故障(规则确信度c=绝对高)
规则3:If变压器所有远后备保护均动作且对应断路器均跳闸,then变压器故障(规则确信度c=极高)
其中,每条模糊产生式规则后的字母c(也称为语言项)表示该条规则的确信度。有主保护和近后备保护参与的规则确信度设为“绝对高”,仅有远后备保护参与的规则确信度设为“极高”,由梯形模糊数表示。梯形模糊数由一个四元组(a1,b1,c1,d1)表示,如图2所示,其隶属函数如公式(1)所示:
各语言项与梯形模糊数的对应关系如表1所示。
(2)根据从数据采集与监控系统获得的保护和断路器的动作信息,确定元件主保护、近后备保护、远后备保护及其对应断路器的可信度并与其对应的输入神经元的脉冲值建立对应关系。
由于从数据采集与监控系统获得的信息中可能存在误动、拒动及误报等情况,本发明根据现有文献数据记载将母线、线路的各类保护及其对应的断路器动作的可信度设置如表2和表3所示,其中,动作的保护和断路器的可信度设置如表2所示,未动作的保护和断路器的可信度设置如表3所示。
表1
规则确信度c | 梯形模糊数 |
绝对错误 | (0,0,0,0) |
极低 | (0,0,0.02,0.07) |
低 | (0.04,0.1,0.18,0.23) |
中低 | (0.17,0.22,0.36,0.42) |
中 | (0.32,0.41,0.58,0.65) |
中高 | (0.58,0.63,0.80,0.86) |
高 | (0.72,0.78,0.92,0.97) |
极高 | (0.975,0.98,1,1) |
绝对高 | (1,1,1,1) |
表2
表3
3.模糊推理脉冲神经膜系统故障诊断模型反向模糊推理,获得疑似元件的故障可信度
采用模糊推理脉冲神经膜系统的模糊推理算法对每个模糊推理脉冲神经膜系统故障诊断模型依次进行反向模糊推理,获取每个疑似故障元件的故障可信度。模糊推理脉冲神经膜系统模糊推理算法的具体步骤为:
(1)设定初始状态。设定判定依据 依据各神经元中包含的脉冲值设定命题神经元矩阵和规则神经元向量初始值,两个向量初始状态分别表示为θ0=(θ10,θ20,…,θm0),δ0=(δ10,δ20,…,δn0),其中m代表命题神经元的个数,n代表规则神经元的个数;
(2)令推理步骤k=0;
(4)当θk≠01或δk≠02时,令k=k+1,返回执行步骤(3),重新计算并更新δk+1和θk+1;否则,结束推理并输出结果;
其中,各参数向量(矩阵)含义及其乘法算子的定义如下:
θ=(θ1,θ2,…,θm)Τ,其中θi表示第i个命题的模糊真值和第i个命题神经元包含的脉冲值,1≤i≤m,其值由梯形模糊数表示。若一个命题神经元中没有包含任何脉冲,则该命题神经元的脉冲值表示为“不知道”或(0,0,0,0),命题神经元及其脉冲值传递规则如图3所示;
δ=(δ1,δ2,…,δn)Τ,其中δj表示第j个规则神经元包含的脉冲值,其值同样由梯形模糊数表示。若一个规则神经元中没有包含任何脉冲,则该规则神经元的脉冲值表示为“不知道”或者(0,0,0,0);
C=diag(cj)n×n,其中cj表示第j个规则神经元(第j条模糊产生式规则)的确信度,其值由梯形模糊数表示;
D=(dij)m×n。如果(σi,σj')∈syn,则dij=1,否则dij=0,其中表示神经元之间的连接关系,且对每个i≠j有(i,j)∈syn,其中1≤i,j≤m;
D1=(dij)n×m。如果(σi,σj')∈syn,则dij=1,否则dij=0,其中σj'代表一个“一般”类型的规则神经元,该类神经元及其脉冲值传递规则如图4(i)所示;
E=(eji)n×m。如果(σj',σi)∈syn,则eji=1,否则eji=0,其中σj'表示一个规则神经元;
4.故障元件确定,输出诊断结果
根据疑似故障元件的故障可信度确定故障元件,并输出诊断结果,详细过程为:
根据模糊推理得到的各疑似元件的故障可信度进行判定,若故障可信度θ≥(0.72,0.78,0.92,0.97),则将该元件确定为故障元件;若故障可信度θ≤(0.17,0.22,0.36,0.42),则将该元件确定为非故障元件;否则,标记为可能故障元件。
实施例
这里以附图5所示的一个局部电力系统继电保护网络为例对本发明方法进行详细阐述。该系统包含28个元件,依次为母线A1,…,A4,B1,…,B8,变压器T1,…,T8,线路L1,…,L8;40个断路器,依次为CB1,CB2,…,CB40;36个主保护,依次为A1m,…,A4m,T1m,…,T8m,B1m,…,B8m,L1Sm,…,L8Sm,L1Rm,…,L8Rm;48个后备保护,依次为T1p,…,T8p,T1s,…,T8s,L1Sp,…,L8Sp,L1Rp,…,L8Rp,L1Ss,…,L8Ss,L1Rs,…,L8Rs,其中下标S和R分别表示线路的送端和受端,下标m,p和s分别表示主保护、近后备保护和远后备保护。
实施例分为两种情况进行。情况一:数据采集与监控系统获得完整故障信息;情况二:数据采集与监控系统获得不完整故障信息。
情况一:从数据采集与监控系统获得完整故障信息。诊断的具体过程如下:
步骤1:故障区域识别,确定疑似故障元件。读取来自数据采集与监控系统的保护开关的动作信息,收到的信息为保护B1m,L2Rs,L4Rs动作,断路器CB4,CB5,CB7,CB9,CB12,CB27跳闸。然后利用网络拓扑分析法完成故障区域的搜索,缩小诊断范围,具体执行步骤包括:
(1)建立集合Q1,在该集合中存放所有元件的编号,Q1={01,02,03,04,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28},其中01~04代表与算例系统相连的其他局部系统,为有源区域;
(2)建立子网集合M1,然后从集合Q1中任取一个元件放入子网集合M1,这里取元件1;
(3)找出所有与元件1相连的闭合断路器,搜索到CB1,CB2,CB3;
(4)分别找出与所获闭合断路器CB1,CB2,CB3相连接的元件,得到元件01,13,14,并把这三个元件加入到子网集合M1中;
(5)依次搜索与第(4)步中所得元件,即元件01,13,14相连接的闭合断路器(第(4)步已用到的断路器除外),结果未得到任何闭合断路器。因此得到第一个子网集合M1={01,1,13,14};
(6)将子网集合M1中的元件从集合Q1中取出,得到剩余元件集合Q2:{02,03,04,2,3,4,5,6,7,8,9,10,11,12,15,16,17,18,19,20,21,22,23,24,25,26,27,28};
(7)建立子网集合M2,从集合Q2中取出元件2放入子网集合M2中,重复步骤(2)-(4),进行与元件1同样的搜索过程,得到第二个子网集合M2={2,3,16,20},将M2中元件从剩余元件集合Q2中取出,得到新的剩余元件集合Q3:{02,03,04,4,5,6,7,8,9,10,11,12,15,17,18,19,21,22,23,24,25,26,27,28};
(8)建立子网集合M3,从集合Q3中取出元件4放入子网集合M3中,重复步骤(2)-(4),进行与元件1同样的搜索过程,得到第三个子网集合M3={02,03,04,4,5,6,7,8,9,10,11,12,15,17,18,19,21,22,23,24,25,26,27,28};
(9)三个子网集合M1,M2和M3中,故障区域为不包含有源元件(即01,02,03,04)的集合,即M2={2,3,16,20},对照编号,得到疑似故障元件集{B1,B2,L2,L4}。
步骤2:模糊推理脉冲神经膜系统故障诊断模型建立
无源子网M2中元件数大于1,则针对故障区域中的每个疑似故障元件,建立相应的FRSNP系统故障诊断模型。这里以元件2为例进行详细描述,其余元件建模方法的原理和步骤一致,具体步骤为:
(1)根据各保护之间的配合关系设定各个命题神经元和规则神经元,根据线路、母线和变压器故障模糊产生式规则集中规则建立元件2完整的FRSNP系统故障诊断模型,如图6所示。其中空心箭头代表其连接的命题神经元中的脉冲值不参与计算,仅作为其末端规则神经元点火的依据,如果命题神经元包含的脉冲值大于“中”,则其连接的规则神经元能点火;否则,规则神经元不能点火。
(2)根据从数据采集与监控系统获得的保护和断路器的动作信息,确定元件主保护、近后备保护、远后备保护及其对应断路器的可信度并与其对应的输入神经元的脉冲值建立对应关系。
步骤3:模糊推理脉冲神经膜系统故障诊断模型反向模糊推理,获得疑似元件的故障可信度
采用模糊推理脉冲神经膜系统的模糊推理算法对元件的模糊推理脉冲神经膜系统故障诊断模型依次进行反向模糊推理,获取疑似故障元件的故障可信度。这里依然以元件2为例进行详细描述,其余元件诊断模型的模糊推理过程一致。图6种命题神经元的个数为35,规则神经元的个数为19,具体步骤为:
2、令推理步骤k=0;
3、命题神经元和规则神经元依次点火。命题神经元点火后,规则神经元向量中各元素的值将依据公式进行更新,即
4、当θk≠01或δk≠02时,令k=k+1,返回执行第3步,重新计算并更新δk+1和θk+1;否则,结束推理并输出结果,具体为:
判断得出θ1≠01且δ1≠02,则令k=1,返回执行第3步,重新计算得到δ2和θ2如下:
判断得出θ2≠01且δ2≠02,则令k=2,返回执行第3步,重新计算得到δ3和θ3如下:
判断得出θ3≠01且δ3≠02,则令k=3,返回执行第3步,重新计算得到δ4和θ4如下:
判断得出θ4=01且δ4=02,满足结束条件,结束推理并输出结果,即k=2时输出神经元包含的脉冲值(0.975,0.98,1,1)。
步骤4:故障元件确定,输出诊断结果。
根据疑似故障元件的故障可信度确定真正的故障元件,并输出诊断结果,具体为:
根据模糊推理得到的各疑似元件的故障可信度进行判定,若故障可信度θ≥(0.72,0.78,0.92,0.97),则将该元件确定为故障元件;若故障可信度θ≤(0.17,0.22,0.36,0.42),则将该元件确定为非故障元件;否则,标记为可能故障元件。因此判定元件2即母线B1为故障元件。
同理,对元件3(B2),16(L2)和20(L4)执行步骤2~4,可得该三个元件的故障可信度皆为(0.04,0.1,0.18,0.23),依据判定规则,B2,L2和L4皆为非故障元件。
综上,情况一得到元件2为故障元件,并输出诊断结果。
情况二:从数据采集与监控系统获得不完整故障信息。诊断的具体过程如下:
步骤1:故障区域识别,确定疑似故障元件。
读取来自数据采集与监控系统的保护开关的动作信息,假设未提供B1m的动作信息,获取的信息为保护L2Rs,L4Rs动作,断路器CB4,CB5,CB7,CB9,CB12,CB27跳闸。然后利用网络拓扑分析法完成故障区域的搜索,缩小诊断范围。具体步骤同情况一,依然得到疑似故障元件集{2,3,16,20},即{B1,B2,L2,L4}。
步骤2:模糊推理脉冲神经膜系统故障诊断模型建立
依然以元件2为例建立FRSN P故障诊断模型如图6所示。
步骤3:模糊推理脉冲神经膜系统故障诊断模型反向模糊推理,获得疑似元件的故障可信度。
该执行步骤与情况一相同。由于保护信息的改变,其对应命题神经元的脉冲值将发生变化,从而导致计算结果中数据有所不同,模糊推理过程具体为:
2、令推理步骤k=0;
4、当θk≠01或δk≠02时,令k=k+1,返回执行第3步,重新计算并更新δk+1和θk+1;否则,结束推理并输出结果,具体为:
判断得出θ1≠01且δ1≠02,则令k=1,返回执行第3步,重新计算得到δ2和θ2如下:
判断得出θ2≠01且δ2≠02,则令k=2,返回执行第3步,重新计算得到δ3和θ3如下:
判断得出θ3≠01且δ3≠02,则令k=3,返回执行第3步,重新计算得到δ4和θ4如下:
判断得出θ4=01且δ4=02,满足结束条件,结束推理并输出结果,即k=2时输出神经元包含的脉冲值(0.5655,0.6174,0.80,0.86)。
步骤4:故障元件确定,输出诊断结果。
根据疑似故障元件的故障可信度确定真正的故障元件,并输出诊断结果,具体为:
根据模糊推理得到的各疑似元件的故障可信度进行判定,若故障可信度θ≥(0.72,0.78,0.92,0.97),则将该元件确定为故障元件;若故障可信度θ≤(0.17,0.22,0.36,0.42),则将该元件确定为非故障元件;否则,标记为可能故障元件。因此判定元件2即母线B1为故障元件。
同理,对元件3(B2),16(L2)和20(L4)执行步骤2~4,可得该三个元件的故障可信度皆为(0.04,0.1,0.18,0.23),依据判定规则,B2,L2和L4皆为非故障元件。
综上,情况二得到元件2为故障元件,并输出诊断结果。
通过实施例中情况一和情况二的诊断结果可知,本发明方法诊断过程采用矩阵形式依据模糊推理算法进行反向推理,推理过程主要进行矩阵计算,过程清晰简单,易于理解,且在数据采集与监控系统提供完备故障信息或存在保护断路器误动拒动、信息丢失等信息不完备的情况下,本方法都能获得正确的诊断结果。
Claims (5)
1.基于模糊推理脉冲神经膜系统的电力系统故障诊断方法,包括以下步骤:
A、故障区域识别,确定疑似故障元件
读取来自数据采集与监控系统的保护与断路器的动作信息,并利用网络拓扑分析法完成故障区域的搜索,缩小诊断范围,包括步骤:
(i)建立一个集合Q,在该集合中存放电网中三类主要元件母线、线路和变压器的编号;
(ii)建立一个子网集合M,然后从集合Q中任取一个元件放入子网集合M;
(iii)找出所有与该元件相连的闭合断路器;若未找到任何闭合断路器,转入执行第(vi)步;
(iv)分别找出与所述闭合断路器相连接的元件,并把该元件加入到子网集合M中;
(v)依次搜索与第(iv)步中所得元件相连接的其他闭合断路器,若搜索到其他闭合断路器,则转入执行第(iv)步;否则,进入下面步骤;
(vi)将所有在子网集合M中出现过的元件从集合Q中取出,若集合Q非空,则转入第(ii)步继续执行;否则,列出所有子网集合,从中找出无源子网,对照编号,获得疑似故障元件集合,故障区域识别结束;
B、模糊推理脉冲神经膜系统故障诊断模型建立
若无源子网中只包含一个元件,则该元件为故障元件;若无源子网中元件数大于1,则针对故障区域中的每个疑似故障元件,建立相应的模糊推理脉冲神经膜系统故障诊断模型,详细步骤包括:
(1)任意选取一个疑似故障元件,根据各保护之间的配合关系设定各个命题神经元和规则神经元,并根据故障模糊产生式规则建立完整的模糊推理脉冲神经膜系统故障诊断模型;
根据疑似元件的种类及各类元件的保护类型,分别建立相应的线路故障模糊产生式规则集、母线故障模糊产生式规则集和变压器故障模糊产生式规则集,并作为相应的三类模糊推理脉冲神经膜系统故障诊断模型建立的依据;
(2)根据从数据采集与监控系统获得的保护与断路器的动作信息,确定元件主保护、近后备保护、远后备保护及其对应断路器的可信度并与其对应的输入神经元的脉冲值建立对应关系;
C、模糊推理脉冲神经膜系统故障诊断模型反向模糊推理,获得疑似元件的故障可信度
采用模糊推理脉冲神经膜系统的模糊推理算法对每个模糊推理脉冲神经膜系统故障诊断模型依次进行反向模糊推理,获取每个疑似故障元件的故障可信度;
D、确定故障元件,输出诊断结果
根据模糊推理得到的各疑似故障元件的故障可信度θ确定故障元件,并输出诊断结果。
2.根据权利要求1所述的基于模糊推理脉冲神经膜系统的电力系统故障诊断方法,其特征在于,所述线路故障模糊产生式规则集包括:
规则1:If送端主保护和受端主保护均动作且对应的断路器跳闸,then线路故障(规则确信度c=绝对高);
规则2:If送端主保护和受端近后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则3:If送端近后备保护和受端主保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则4:If送端近后备保护和受端近后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则5:If送端主保护和受端所有远后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则6:If送端所有远后备保护和受端主保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则7:If送端近后备保护和受端所有远后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则8:If送端所有远后备保护和受端近后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=绝对高;
规则9:If送端所有远后备保护和受端所有远后备保护均动作且对应的断路器跳闸,then线路故障,规则确信度c=极高。
3.根据权利要求1所述的基于模糊推理脉冲神经膜系统的电力系统故障诊断方法,其特征在于,所述母线故障模糊产生式规则集包括:
规则1:If母线主保护动作且对应断路器全部或部分跳闸,then母线故障,规则确信度c=绝对高;
规则2:If母线所有后备保护均动作且对应断路器均跳闸,then母线故障,规则确信度c=极高。
4.根据权利要求1所述的基于模糊推理脉冲神经膜系统的电力系统故障诊断方法,其特征在于,所述变压器故障模糊产生式规则集包括:
规则1:If变压器主保护动作且对应断路器全部或部分跳闸,then变压器故障,规则确信度c=绝对高;
规则2:If变压器近后备保护动作且对应断路器全部或部分跳闸,then变压器故障,规则确信度c=绝对高;
规则3:If变压器所有远后备保护均动作且对应断路器均跳闸,then变压器故障,规则确信度c=极高。
5.根据权利要求1所述的基于模糊推理脉冲神经膜系统的电力系统故障诊断方法,其特征在于,步骤D中,若故障可信度θ≥(0.72,0.78,0.92,0.97),则将该元件确定为故障元件;若故障可信度θ≤(0.17,0.22,0.36,0.42),则将该元件确定为非故障元件;否则,标记为可能故障元件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310221765.3A CN103336222B (zh) | 2013-06-06 | 2013-06-06 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310221765.3A CN103336222B (zh) | 2013-06-06 | 2013-06-06 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103336222A true CN103336222A (zh) | 2013-10-02 |
CN103336222B CN103336222B (zh) | 2015-07-15 |
Family
ID=49244425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310221765.3A Expired - Fee Related CN103336222B (zh) | 2013-06-06 | 2013-06-06 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103336222B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730421A (zh) * | 2015-03-27 | 2015-06-24 | 广东电网有限责任公司中山供电局 | 电网故障设备的诊断方法和系统 |
CN106226657A (zh) * | 2016-09-07 | 2016-12-14 | 上海市政工程设计研究总院(集团)有限公司 | 一种用于电网故障诊断的停电区域识别方法 |
CN106447031A (zh) * | 2016-09-27 | 2017-02-22 | 西华大学 | 一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置 |
CN106483425A (zh) * | 2016-09-27 | 2017-03-08 | 西华大学 | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 |
CN106771846A (zh) * | 2016-11-08 | 2017-05-31 | 西华大学 | 基于模糊推理脉冲神经膜系统的输电线路故障选相方法 |
CN106841909A (zh) * | 2016-12-20 | 2017-06-13 | 国网辽宁省电力有限公司沈阳供电公司 | 基于方向分层模糊Petri网的多源信息融合配电网故障分析 |
CN108120903A (zh) * | 2018-02-05 | 2018-06-05 | 西南交通大学 | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 |
CN109445411A (zh) * | 2018-10-24 | 2019-03-08 | 西华大学 | 一种变电站故障诊断方法 |
CN109490702A (zh) * | 2018-10-08 | 2019-03-19 | 西南交通大学 | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 |
CN109510201A (zh) * | 2018-12-20 | 2019-03-22 | 烟台东方威思顿电气有限公司 | 一种基于梯形模糊数系统的配电网可靠性评估方法 |
CN109633372A (zh) * | 2018-12-19 | 2019-04-16 | 西南交通大学 | 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法 |
CN110907757A (zh) * | 2019-12-06 | 2020-03-24 | 国网天津市电力公司电力科学研究院 | 基于电突触传递的snp系统含分布式电源配电网故障定位方法 |
CN111413565A (zh) * | 2020-04-16 | 2020-07-14 | 西华大学 | 一种可识别量测篡改攻击的智能电网故障诊断方法 |
CN112613613A (zh) * | 2020-12-01 | 2021-04-06 | 西华大学 | 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 |
CN112710914A (zh) * | 2020-12-16 | 2021-04-27 | 西华大学 | 计及控制中心故障信息篡改的智能变电站故障诊断方法 |
CN112926023A (zh) * | 2021-01-26 | 2021-06-08 | 西华大学 | 一种基于考虑气象因素p系统的输电网故障诊断方法 |
CN113011731A (zh) * | 2021-03-16 | 2021-06-22 | 西华大学 | 基于osnps系统的小型独立电力系统可靠性评估方法 |
CN113159113A (zh) * | 2021-03-09 | 2021-07-23 | 西华大学 | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 |
CN113221325A (zh) * | 2021-04-13 | 2021-08-06 | 西华大学 | 计及电转气的多源储能型区域综合能源低碳运行优化方法 |
CN113537082A (zh) * | 2021-07-20 | 2021-10-22 | 郑州轻工业大学 | 一种基于信息不全的故障辨识方法 |
CN113625088A (zh) * | 2021-08-17 | 2021-11-09 | 国网四川省电力公司电力科学研究院 | 基于学习脉冲神经膜系统的变压器故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661075A (zh) * | 2009-06-08 | 2010-03-03 | 浙江大学 | 一种基于神经网络和模糊积分的电力系统故障诊断方法 |
CN101726688A (zh) * | 2009-09-17 | 2010-06-09 | 浙江大学 | 一种多数据源信息融合的电网故障诊断方法 |
US20100185336A1 (en) * | 2006-07-19 | 2010-07-22 | Rovnyak Steven M | Integrated and optimized distributed generation and interconnect system controller |
CN202676854U (zh) * | 2012-06-13 | 2013-01-16 | 山东电力集团公司德州供电公司 | 模糊综合决策配电网单相接地故障选线系统 |
WO2013059703A1 (en) * | 2011-10-19 | 2013-04-25 | Qualcomm Incorporated | Method and apparatus for neural learning of natural multi-spike trains in spiking neural networks |
-
2013
- 2013-06-06 CN CN201310221765.3A patent/CN103336222B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100185336A1 (en) * | 2006-07-19 | 2010-07-22 | Rovnyak Steven M | Integrated and optimized distributed generation and interconnect system controller |
CN101661075A (zh) * | 2009-06-08 | 2010-03-03 | 浙江大学 | 一种基于神经网络和模糊积分的电力系统故障诊断方法 |
CN101726688A (zh) * | 2009-09-17 | 2010-06-09 | 浙江大学 | 一种多数据源信息融合的电网故障诊断方法 |
WO2013059703A1 (en) * | 2011-10-19 | 2013-04-25 | Qualcomm Incorporated | Method and apparatus for neural learning of natural multi-spike trains in spiking neural networks |
CN202676854U (zh) * | 2012-06-13 | 2013-01-16 | 山东电力集团公司德州供电公司 | 模糊综合决策配电网单相接地故障选线系统 |
Non-Patent Citations (2)
Title |
---|
HONG PENG等: "Fuzzy reasoning spiking neural P system for fault diagnosis", 《INFORMATION SCIENCE》, 1 June 2013 (2013-06-01) * |
张林: "基于模糊Petri网的电力系统故障诊断", 《中国优秀硕士学位论文全文数据库》, 15 December 2007 (2007-12-15), pages 042 - 201 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730421B (zh) * | 2015-03-27 | 2017-10-03 | 广东电网有限责任公司中山供电局 | 电网故障设备的诊断方法和系统 |
CN104730421A (zh) * | 2015-03-27 | 2015-06-24 | 广东电网有限责任公司中山供电局 | 电网故障设备的诊断方法和系统 |
CN106226657A (zh) * | 2016-09-07 | 2016-12-14 | 上海市政工程设计研究总院(集团)有限公司 | 一种用于电网故障诊断的停电区域识别方法 |
CN106226657B (zh) * | 2016-09-07 | 2021-04-23 | 上海市政工程设计研究总院(集团)有限公司 | 一种用于电网故障诊断的停电区域识别方法 |
CN106483425B (zh) * | 2016-09-27 | 2019-09-03 | 西华大学 | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 |
CN106447031A (zh) * | 2016-09-27 | 2017-02-22 | 西华大学 | 一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置 |
CN106483425A (zh) * | 2016-09-27 | 2017-03-08 | 西华大学 | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 |
CN106771846A (zh) * | 2016-11-08 | 2017-05-31 | 西华大学 | 基于模糊推理脉冲神经膜系统的输电线路故障选相方法 |
CN106841909B (zh) * | 2016-12-20 | 2019-07-09 | 国网辽宁省电力有限公司沈阳供电公司 | 基于方向分层模糊Petri网的多源信息融合配电网故障分析 |
CN106841909A (zh) * | 2016-12-20 | 2017-06-13 | 国网辽宁省电力有限公司沈阳供电公司 | 基于方向分层模糊Petri网的多源信息融合配电网故障分析 |
CN108120903A (zh) * | 2018-02-05 | 2018-06-05 | 西南交通大学 | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 |
CN109490702A (zh) * | 2018-10-08 | 2019-03-19 | 西南交通大学 | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 |
CN109490702B (zh) * | 2018-10-08 | 2019-11-05 | 西南交通大学 | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 |
CN109445411B (zh) * | 2018-10-24 | 2021-01-08 | 西华大学 | 一种变电站故障诊断方法 |
CN109445411A (zh) * | 2018-10-24 | 2019-03-08 | 西华大学 | 一种变电站故障诊断方法 |
CN109633372A (zh) * | 2018-12-19 | 2019-04-16 | 西南交通大学 | 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法 |
CN109633372B (zh) * | 2018-12-19 | 2020-01-03 | 西南交通大学 | 一种基于膜系统的电力系统故障自动诊断方法 |
CN109510201A (zh) * | 2018-12-20 | 2019-03-22 | 烟台东方威思顿电气有限公司 | 一种基于梯形模糊数系统的配电网可靠性评估方法 |
CN109510201B (zh) * | 2018-12-20 | 2022-02-22 | 烟台东方威思顿电气有限公司 | 一种基于梯形模糊数系统的配电网可靠性评估方法 |
CN110907757A (zh) * | 2019-12-06 | 2020-03-24 | 国网天津市电力公司电力科学研究院 | 基于电突触传递的snp系统含分布式电源配电网故障定位方法 |
CN111413565A (zh) * | 2020-04-16 | 2020-07-14 | 西华大学 | 一种可识别量测篡改攻击的智能电网故障诊断方法 |
CN111413565B (zh) * | 2020-04-16 | 2020-10-23 | 西华大学 | 一种可识别量测篡改攻击的智能电网故障诊断方法 |
CN112613613A (zh) * | 2020-12-01 | 2021-04-06 | 西华大学 | 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 |
CN112613613B (zh) * | 2020-12-01 | 2024-03-05 | 深圳泓越企业管理咨询有限公司 | 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 |
CN112710914A (zh) * | 2020-12-16 | 2021-04-27 | 西华大学 | 计及控制中心故障信息篡改的智能变电站故障诊断方法 |
CN112926023A (zh) * | 2021-01-26 | 2021-06-08 | 西华大学 | 一种基于考虑气象因素p系统的输电网故障诊断方法 |
CN112926023B (zh) * | 2021-01-26 | 2022-06-28 | 西华大学 | 一种基于考虑气象因素p系统的输电网故障诊断方法 |
CN113159113A (zh) * | 2021-03-09 | 2021-07-23 | 西华大学 | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 |
CN113159113B (zh) * | 2021-03-09 | 2022-07-01 | 西华大学 | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 |
CN113011731A (zh) * | 2021-03-16 | 2021-06-22 | 西华大学 | 基于osnps系统的小型独立电力系统可靠性评估方法 |
CN113221325A (zh) * | 2021-04-13 | 2021-08-06 | 西华大学 | 计及电转气的多源储能型区域综合能源低碳运行优化方法 |
CN113537082A (zh) * | 2021-07-20 | 2021-10-22 | 郑州轻工业大学 | 一种基于信息不全的故障辨识方法 |
CN113537082B (zh) * | 2021-07-20 | 2023-04-07 | 郑州轻工业大学 | 一种基于信息不全的故障辨识方法 |
CN113625088A (zh) * | 2021-08-17 | 2021-11-09 | 国网四川省电力公司电力科学研究院 | 基于学习脉冲神经膜系统的变压器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103336222B (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103336222B (zh) | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 | |
CN103001328B (zh) | 一种智能变电站的故障诊断与评估方法 | |
CN102508076B (zh) | 一种基于多智能体系统和小波分析的故障诊断装置及方法 | |
CN102497024B (zh) | 基于整数规划的智能告警系统 | |
CN101666841B (zh) | 一种数字化变电站电子式互感器的故障诊断方法 | |
CN102035202B (zh) | 一种网络重构系统 | |
CN109557414B (zh) | 综合电力系统故障诊断告警处理系统及方法 | |
CN104504607A (zh) | 一种基于模糊聚类算法的光伏电站故障诊断方法 | |
CN104316801B (zh) | 基于时间序列相似性匹配的电力系统故障诊断方法 | |
CN102638100A (zh) | 地区电网设备异常告警信号关联分析与诊断方法 | |
CN111049266B (zh) | 一种面向调控业务的智能化秒级复电方法和系统 | |
CN104361531B (zh) | 变电站自动化系统的高风险故障设备的识别方法和系统 | |
CN108551401B (zh) | 智能变电站虚实诊断系统虚实回路关联映射及诊断方法 | |
CN106709651A (zh) | 一种基于风险理论的电力系统安全性评估系统 | |
CN105158647A (zh) | 基于电网监控系统的单站端电网故障诊断和辅助决策方法 | |
CN107491876A (zh) | 一种智能变电站保护系统的风险评估方法 | |
CN104778632A (zh) | 一种实现智能转电辅助决策的方法及系统 | |
CN104766246A (zh) | 一种基于时序模糊Petri网的电力系统故障诊断 | |
CN102820706B (zh) | 智能化变电站智能告警及辅助决策的实现方法及装置 | |
CN108090674A (zh) | 地区电网运行方式风险评估与辅助决策方法及系统 | |
CN106933097A (zh) | 一种基于多层优化pcc‑sdg的化工过程故障诊断方法 | |
CN104267294A (zh) | 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 | |
CN104237688A (zh) | 考虑多重保护配置下的电网故障诊断解析模型 | |
CN104156883A (zh) | 基于分块枚举法的风电场集电系统可靠性评估方法 | |
CN106998064A (zh) | 一种连锁故障事故链搜索方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150715 Termination date: 20180606 |
|
CF01 | Termination of patent right due to non-payment of annual fee |