CN106200381B - 一种根据处理水量分阶段控制水厂运行的方法 - Google Patents
一种根据处理水量分阶段控制水厂运行的方法 Download PDFInfo
- Publication number
- CN106200381B CN106200381B CN201610599407.XA CN201610599407A CN106200381B CN 106200381 B CN106200381 B CN 106200381B CN 201610599407 A CN201610599407 A CN 201610599407A CN 106200381 B CN106200381 B CN 106200381B
- Authority
- CN
- China
- Prior art keywords
- data
- water
- inlet
- real
- cod
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Activated Sludge Processes (AREA)
- Flow Control (AREA)
Abstract
本发明公开了一种根据处理水量分阶段控制水厂运行的方法,包括下述步骤:S100:采集污水处理厂的实时进水流量数据,并计算当前进水化学需氧量,将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库;S200:对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标,实时进水流量数据对应的时间点为横坐标建立数据曲线,对所述数据曲线进行平滑削噪;S300:将进行平滑削噪后的数据,采用神经网络技术建立数据预测模型;S400:对选定时刻的数据进行预测,获取预测值;S500:按照获取的预测值对污水处理厂的运行进行控制。通过采用本方法可以保证工艺调整及时,使工艺运行依进水变化而微调,以达到出水稳定,并达标排放的目的。
Description
技术领域
本发明涉及污水处理厂,特别是涉及一种根据处理水量分阶段控制水厂运行的方法。
背景技术
随着经济的快速发展,城市污水生产量是规划污水系统的布局、配套管网和截污系统的建设、城市污水处理厂的规模、污水处理工艺的决定因素。污水处理厂的设计过程中,设计进水水质、水量往往决定着城市污水处理厂的规模、工艺流程的选择和工程的投资、运行费用。现已建成的大部分城市污水处理厂实际进水水质、水量与设计值存在较大出入,严重影响了城市污水处理的稳定、高效运行。因此,有必要对污水水质、水量进行预测,为污水处理厂的运营、决策提供有力的依据。以较先进、可靠的方法对水量及水质进行预测,对于现有污水处理厂的合理调度、以及运营的稳定性、经济性都有很大的决策参考意义。
发明内容
本发明的目的在于,提供一种根据处理水量分阶段控制水厂运行的方法,采用本方法可以预测到污水处理厂下一时间段的进水量和进水化学需氧量,为合理运行污水处理厂提供可参考依据。
为解决上述技术问题,本发明采用如下的技术方案:
一种根据处理水量分阶段控制水厂运行的方法,包括下述步骤:
S100:采集污水处理厂的实时进水流量和进水化学需氧量数据,将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库;
S200:对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标,实时进水流量数据对应的时间点为横坐标建立数据曲线,对所述数据曲线进行平滑削噪;
S300:将进行平滑削噪后的数据,采用神经网络技术建立数据预测模型;
S400:对选定时刻的数据进行预测,获取预测值;
S500:按照获取的预测值对污水处理厂的运行进行控制。
前述的一种根据处理水量分阶段控制水厂运行的方法中,所述步骤S200还包括如下步骤:
S210:对所述数据曲线采用小波分解法进行平滑削噪处理;
S220:重复步骤S210三次,对所述数据曲线进行三次小波分解;
S230:利用无偏风险准则选取阈值进行消噪,并重构小波,得到平滑消噪的数据集。
无偏风险准则是一种选择阈值的方法,可以自动获取阈值,具体方法如下:
具体为无偏似然估计原理的Rigrsure规则W为一向量,其元素为小波系统的平方,并按照由小到大的顺序排列,W=[w1,w2,……,wn],且w1≤w2≤……≤wn,再设一向量R,其元素为:
以R元素中的最小值rb为风险值,由rb的小标变量b求出对应的Wb,则阈值T1为
前述的一种根据处理水量分阶段控制水厂运行的方法中,所述步骤S500还包括如下步骤:
S510:预测t时间后污水处理厂的进水量,根据预测结果调节反应池进水量,控制水处理进程。
前述的一种根据处理水量分阶段控制水厂运行的方法中,步骤S300中所述采用神经网络技术建立数据预测模型包括如下步骤:
建立输入层、隐层和输出层;
输入层包括输入单元,用于输入实时进水流量和进水化学需氧量;
所述输入层将输入参数传给隐层,所述隐层分别连接输入层和输出层;
所述输出层包括输出单元,用于输出预测进水流量和预测进水COD浓度值。COD指的是化学需氧量(Chemical Oxygen Demand)是以化学方法测量水样中需要被氧化的还原性物质的量。
采用神经网络技术建立数据预测模型的方法包括如下步骤:
S310:向前传输:所述隐层的输入值为所有输入层的输入值得加权之和:
λij是输入层和隐层的加权值,yi为输入层进水水量数据和进水COD数据,yj为隐层输入值;
所述隐层的输出值为:
y'j=f(yj)=1/(1+e-yj);
y'j为隐层的输出值,f(yj)=1/(1+e-yj)为第一数值函数;
所述输出层的输出值为:
λjm为输出层和隐层间的加权值,ym是输出层的第m个输出值;
所述输出值包括预测进水水量和预测进水COD浓度;
S320:模型参数优化:所述λjm的学习算法为:
λjm(t+1)=λjm(t)+Δλjm
η为学习系数,表示模型学习的速率,取值范围为(0,1);Δλjm为(t+1)时刻输出层和隐层间的加权值与t时刻输出层和隐层间的加权值之差;
所述λij的学习算法为:
λij(t+1)=λij(t)+Δλij
Δλij为(t+1)时刻输入层和隐层间的加权值与t时刻输入层和隐层间的加权值之差。
S330:模型训练:设定误差精度为E0,λij初始值为0,λjm初始值为0,学习系数η为0.7,训练次数为W次,迭代进行第1)~5)步计算,迭代至误差精度小于E0或迭代次数大于W时,停止迭代,得到模型各参数,确定基准模型。
误差性能指标函数为:
与现有技术相比,本发明可以实现以下有益效果:
1)及时了解当前进水水量、进水COD情况;
2)对下一时间段的进水水量、进水COD进行预测;
3)便于管理者提前了解下一时间段的进水情况,及时作出工艺调整;
4)保证工艺调整及时,使工艺运行依进水变化而微调,以达到出水稳定,并达标排放的目的;
5)保证水厂运营调整的及时性,避免能耗浪费,实现节能运行的目的。
附图说明
图1是神经网络技术的模型图;
图2是本发明的运行方法逻辑图。
下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
实施例1:一种根据处理水量分阶段控制水厂运行的方法,包括下述步骤:
S100:采集污水处理厂的实时进水流量和进水化学需氧量数据,将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库;
S200:对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标,实时进水流量数据对应的时间点为横坐标建立数据曲线,对所述数据曲线进行平滑削噪;
S300:将进行平滑削噪后的数据,采用神经网络技术建立数据预测模型;
S400:对选定时刻的数据进行预测,获取预测值;
S500:按照获取的预测值对污水处理厂的运行进行控制。
实施例2:一种根据处理水量分阶段控制水厂运行的方法,包括下述步骤:
S100:采集污水处理厂的实时进水流量和进水化学需氧量数据,将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库;
S200:对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标,实时进水流量数据对应的时间点为横坐标建立数据曲线,对所述数据曲线进行平滑削噪;
S210:对所述数据曲线采用小波分解法进行平滑削噪处理;
S220:重复步骤S210三次,对所述数据曲线进行三次小波分解;
S230:利用无偏风险准则选取阈值进行消噪,并重构小波,得到平滑消噪的数据集。
S300:将进行平滑削噪后的数据,采用神经网络技术建立数据预测模型;
S400:对选定时刻的数据进行预测,获取预测值;
S500:按照获取的预测值对污水处理厂的运行进行控制。
实施例3:一种根据处理水量分阶段控制水厂运行的方法,包括下述步骤:
S100:采集污水处理厂的实时进水流量和进水化学需氧量数据,将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库;
S200:对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标,实时进水流量数据对应的时间点为横坐标建立数据曲线,对所述数据曲线进行平滑削噪;
S210:对所述数据曲线采用小波分解法进行平滑削噪处理;
S220:重复步骤S210三次,对所述数据曲线进行三次小波分解;
S230:利用无偏风险准则选取阈值进行消噪,并重构小波,得到平滑消噪的数据集。
S300:将进行平滑削噪后的数据,采用神经网络技术建立数据预测模型;
S400:对选定时刻的数据进行预测,获取预测值;
S500:按照获取的预测值对污水处理厂的运行进行控制。
S510:预测t时间后污水处理厂的进水量,根据预测结果调节反应池进水量,控制水处理进程。
实施例4:一种根据处理水量分阶段控制水厂运行的方法,包括下述步骤:
S100:采集污水处理厂的实时进水流量和进水化学需氧量数据,将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库;
S200:对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标,实时进水流量数据对应的时间点为横坐标建立数据曲线,对所述数据曲线进行平滑削噪;
S210:对所述数据曲线采用小波分解法进行平滑削噪处理;
S220:重复步骤S210三次,对所述数据曲线进行三次小波分解;
S230:利用无偏风险准则选取阈值进行消噪,并重构小波,得到平滑消噪的数据集。
S300:将进行平滑削噪后的数据,采用神经网络技术建立数据预测模型,建立输入层、隐层和输出层;
输入层包括输入单元,用于输入实时进水流量和进水化学需氧量;
所述输入层将输入参数传给隐层,所述隐层分别连接输入层和输出层;
所述输出层包括输出单元,用于输出预测进水流量和预测进水COD浓度值。;
S400:对选定时刻的数据进行预测,获取预测值;
S500:按照获取的预测值对污水处理厂的运行进行控制。
S510:预测t时间后污水处理厂的进水量,根据预测结果调节反应池进水量,控制水处理进程。
实施例5:
1、获取数据
通过数据采集端设备,从工艺现场采集生产数据(进水流量、进水COD浓度),并存入数据库。
2、数据预处理
将所采集的原始数据进行数据平滑削噪,本发明优化的采用小波变化对原始数据进行平滑削噪处理。
第一步:采用小波分解对原始数据进行平滑处理。
设原始数据集Xi(x1,x2,……,xc,……,xn),对其进行3次小波分解,得到3个细节信号H1,H2,H3和一个近似信号L1。
第二步:对第一步所得细节信号和进水信号进行削噪处理。
采用无偏风险准则选取阈值进行消噪,并重构小波,得到平滑消噪的数据集Yi(y1,y2,……,yc,……,yn)。
3、确定数据模型
基于平滑削噪后的数据集yi(y1,y2,……,yc,……,yn),建立数据预测模型,对数据进行预测,获取预测值。
对于数据集建立数据预测模型,本发明优化的是采用神经网络技术进行模型建立。
第一步:通过输入层的输入单元,将数据(进水流量、进水COD浓度)输入模型
第二步:计算输入值加权之和
λij是输入层和隐层的加权值,yi为输入层进水水量数据和进水COD数据,yj为隐层输入值;
第三步:计算隐层的输出值
以输入值加权之和作为隐层输入值,计算隐层输出值
y'j=f(yj)=1/(1+e-yj)
y′j为隐层的输出值,f(yj)=1/(1+e-yj)为第一数值函数
第四步:计算输出层的输出值
以隐层输出值作为输出层的输入值,计算输出层的输出值:
λjm为输出层和隐层间的加权值,ym是输出层的第m个输出值
第五步:参数优化
模型使用过程中,对模型参数进行优化;设定理想输出值为
1)λjm初始值为0,λjm学习算法
λjm(t+1)=λjm(t)+Δλjm
η为学习系数,表示模型学习的速率,取值范围为(0,1),优化的学习系统为0.7;Δλjm为(t+1)时刻输出层和隐层间的加权值与t时刻输出层和隐层间的加权值之差;
2)λij初始值为0,λij学习算法
λij(t+1)=λij(t)+Δλij
Δλij为(t+1)时刻输入层和隐层间的加权值与t时刻输入层和隐层间的加权值之差。
第六步:计算误差性能
误差性能函数为
第七步:模型训练
初期模型的输出结果不能满足预期,需要对模型进行训练,以期优化模型,实现所需要的预测准确度,即误差精度。模型训练的结束条件有两种,一种以误差精度作为判断指标;一种以训练次数,即模型迭代次数作为判断指标。
1、设定目标误差精度E0
对比误差性能函数计算结果E与目标误差精度E0,如果E>E0,说明现有模型预测结果误差较大,不能满足要求,需要对模型继续进行训练,即迭代进行第一步至第六步;
如果E≤E0,说明现有模型预测结果误差较小,已满足要求,则输出现有模型各参数,确定基准模型。
2、设定预期迭代次数W0
迭代进行第1~4步计算,并记录迭代次数W,对比迭代次数W与预期迭代次数W0时,如果W<W0,迭代次数不能满足要求,继续迭代计算;
如果W≥W0,迭代次数已满足要求,停止迭代,输出现有模型的各参数,确定基准模型。
3、数据预测
根据上述步骤3确定的基准模型,将实时采集数据(进水流量、进水COD)输入基准模型,模型计算并输出预测值(预测某时刻进水流量、进水COD),在计算过程中,模型持续进行学习优化。
4、优化水厂运营
根据进水流量、进水COD,以及所预测某时刻进水流量、进水COD,及时调整水厂运营。
Claims (2)
1.一种根据处理水量分阶段控制水厂运行的方法,其特征在于,包括下述步骤:
S100:采集污水处理厂的实时进水流量和进水化学需氧量数据,将采集到的实时进水流量、进水化学需氧量数据以及对应的时间点存入数据库;
S200:对采集到的数据以实时进水流量和进水化学需氧量数据为纵坐标,实时进水流量数据对应的时间点为横坐标建立数据曲线,对所述数据曲线进行平滑削噪;
S300:将进行平滑削噪后的数据,采用神经网络技术建立数据预测模型,所述采用神经网络技术建立数据预测模型包括如下步骤:
建立输入层、隐层和输出层;
输入层包括输入单元,用于输入实时进水流量和进水化学需氧量;
所述输入层将输入参数传给隐层,所述隐层分别连接输入层和输出层;
所述输出层包括输出单元,用于输出预测进水流量和预测进水COD浓度值;
S400:对选定时刻的数据进行预测,获取预测值;
S500:按照获取的预测值对污水处理厂的运行进行控制,还包括如下步骤:预测t时间后污水处理厂的进水量,根据预测结果调节反应池进水量,控制水处理进程。
2.根据权利要求1所述的一种根据处理水量分阶段控制水厂运行的方法,其特征在于,所述步骤S200还包括如下步骤:
S210:对所述数据曲线采用小波分解法进行平滑削噪处理;
S220:重复步骤S210三次,对所述数据曲线进行三次小波分解;
S230:利用无偏风险准则选取阈值进行消噪,并重构小波,得到平滑消噪的数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610599407.XA CN106200381B (zh) | 2016-07-27 | 2016-07-27 | 一种根据处理水量分阶段控制水厂运行的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610599407.XA CN106200381B (zh) | 2016-07-27 | 2016-07-27 | 一种根据处理水量分阶段控制水厂运行的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106200381A CN106200381A (zh) | 2016-12-07 |
CN106200381B true CN106200381B (zh) | 2019-09-20 |
Family
ID=57496127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610599407.XA Active CN106200381B (zh) | 2016-07-27 | 2016-07-27 | 一种根据处理水量分阶段控制水厂运行的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106200381B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106872658B (zh) * | 2017-01-22 | 2019-06-18 | 华南理工大学 | 一种基于向量时间序列模型的污水cod负荷预测的方法 |
EP3784627A4 (en) * | 2018-04-24 | 2021-10-20 | Evoqua Water Technologies LLC | SEQUENTIAL BIOLOGICAL REACTOR SYSTEMS AND PROCESSES |
CN111652445B (zh) * | 2020-06-11 | 2024-03-22 | 广东科创智水科技有限公司 | 基于高斯分布的污水设备优化运行控制方法 |
CN113033917B (zh) * | 2021-04-19 | 2022-04-12 | 重庆工商大学 | 一种基于外围数据的污水处理厂预测规划运行管理方法 |
CN116090678B (zh) * | 2023-04-11 | 2023-06-02 | 北京埃睿迪硬科技有限公司 | 一种数据处理方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833314A (zh) * | 2010-03-30 | 2010-09-15 | 深圳达实智能股份有限公司 | 污水处理控制系统及污水处理控制方法 |
CN102902257A (zh) * | 2012-10-30 | 2013-01-30 | 威水星空(北京)环境技术有限公司 | 污水处理工艺优化及节能控制系统和方法 |
CN103809436A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 活性污泥法污水处理过程智能建模方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100510319C (zh) * | 2006-12-26 | 2009-07-08 | 大庆油田有限责任公司 | 预测油井套管损伤的方法以及用于实施该方法的检测仪 |
CN101957458B (zh) * | 2009-07-21 | 2013-08-07 | 北京大学 | 一种处理超低频数据的方法 |
CN103823933A (zh) * | 2014-02-26 | 2014-05-28 | 大连理工大学 | 一种金属切削仿真数据的处理方法 |
CN104573321B (zh) * | 2014-12-11 | 2017-12-08 | 国家电网公司 | 一种变压器油中溶解气体不良数据的识别和处理方法 |
-
2016
- 2016-07-27 CN CN201610599407.XA patent/CN106200381B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833314A (zh) * | 2010-03-30 | 2010-09-15 | 深圳达实智能股份有限公司 | 污水处理控制系统及污水处理控制方法 |
CN102902257A (zh) * | 2012-10-30 | 2013-01-30 | 威水星空(北京)环境技术有限公司 | 污水处理工艺优化及节能控制系统和方法 |
CN103809436A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 活性污泥法污水处理过程智能建模方法 |
Non-Patent Citations (1)
Title |
---|
基于小波分解的信号降噪方法研究;石晓丹等;《可编程控制器与工厂自动化》;20150215;第57-59页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106200381A (zh) | 2016-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106200381B (zh) | 一种根据处理水量分阶段控制水厂运行的方法 | |
CN105512767B (zh) | 一种多预见期的洪水预报方法 | |
CN107358021B (zh) | 一种基于优化bp神经网络的do预测模型建立方法 | |
CN101533000B (zh) | 一种构建水体富营养化风险分析模型的方法 | |
CN104318325B (zh) | 多流域实时智能水质预测方法及系统 | |
KR940005029B1 (ko) | 프로세스 운전지원방법 및 시스템 | |
CN109508811A (zh) | 基于主成分分析和长短期记忆网络的污水处理出水参数预测方法 | |
CN110824915B (zh) | 基于ga-dbn网络的废水处理智能监控方法及系统 | |
CN106056127A (zh) | 一种带模型更新的gpr在线软测量方法 | |
CN108985577B (zh) | 一种基于推理机的水库群实时防洪调度显效水库智能识别方法 | |
CN112799310A (zh) | 基于c语言的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型的方法 | |
CN103454390A (zh) | 一种测量溶解氧浓度的方法及装置 | |
CN108985585A (zh) | 一种考虑预报不确定性影响的水库洪水资源利用风险对冲决策方法 | |
CN113050430B (zh) | 一种基于鲁棒强化学习的排水系统控制方法 | |
CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
Hung et al. | How can learning-by-doing improve decisions in stormwater management? A Bayesian-based optimization model for planning urban green infrastructure investments | |
CN112596386A (zh) | 基于Matlab的机理模型、概念模型与数据模型的城市排水系统仿真控制混合模型 | |
CN113807545A (zh) | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 | |
CN103605859B (zh) | 一种污水处理厂二沉池的优化设计方法 | |
CN116245030A (zh) | 一种参数自动反馈调节的深度学习需水预测方法 | |
CN112113146A (zh) | 供水管网管道粗糙系数和节点需水量同步自适应校核方法 | |
CN109325610B (zh) | 一种面向多水源梯级泵站调水系统的分段线性调度方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN109299853B (zh) | 一种基于联合概率分布的水库调度函数提取方法 | |
CN114936742A (zh) | 一种供水系统调度代理决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190806 Address after: 100160 Beijing Fengtai Auto Museum East Road 6 Courtyard 1 Building Unit 601-1 Applicant after: Huadian Water Technology Co., Ltd. Applicant after: Huadian Water Engineering Co., Ltd. Address before: The 100070 Beijing Seahawks Fengtai District Science City Road No. 9 Building No. 2 room 313 Applicant before: Huadian Water Engineering Co., Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |