CN106228277A - 一种基于数据挖掘的水库调度预报信息有效精度识别方法 - Google Patents
一种基于数据挖掘的水库调度预报信息有效精度识别方法 Download PDFInfo
- Publication number
- CN106228277A CN106228277A CN201610674043.7A CN201610674043A CN106228277A CN 106228277 A CN106228277 A CN 106228277A CN 201610674043 A CN201610674043 A CN 201610674043A CN 106228277 A CN106228277 A CN 106228277A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- forecast information
- decision
- scheduling
- value
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于数据挖掘的水库调度预报信息有效精度识别方法,包括步骤:采用动态规划法得到水库最优调度轨迹;按照给定误差水平对预报信息进行扰动,生成符合给定误差水平的预报信息;采用随机森林法建立水库最优调度轨迹与决策变量、预报信息间的映射关系,即随机森林决策树;根据随机森林决策树,统计相关决策变量;逐步增大误差水平,重复前述步骤,当所得相关决策变量中不存在预报信息时,前一误差水平即有效精度。本发明可有效识别出有利于水库优化调度的有效预报精度,充分挖掘可用预报信息,为水库的科学决策提供更简单且可操作性强的参考依据。
Description
技术领域
本发明属于水库调度技术领域,涉及一种基于数据挖掘的水库调度预报信息有效精度识别方法。
背景技术
水库作为拦洪蓄水和调节水流的水利工程建筑物,通常具有灌溉、发电、防洪等功能,在使水资源更适合人类社会发展以及维护生态环境等方面发挥着重要作用。考虑未来预报信息的优化调度能够有效提高水库系统效益,但预报信息中往往包含不确定性,从而导致调度风险和效益损失,而且不同预报精度的信息对水库调度的影响也不同。如何识别出能够指导水库决策的有效精度,从而帮助决策者在众多调度预报方案中筛选出有用信息,对水库的运行管理具有重要意义。
信息技术的发展提高了水利信息采集、输送、存储和处理的效率,为人们提供了大量的水文数据。数据挖掘能够通过寻找大量数据中隐含的相关关系,并将其归纳整理,转换成有用的信息和知识。随机森林作为一种数据挖掘技术,以其运算量小、预测精度高等特点而被用于分类和回归分析[1]。易尧华等[2]提出了一种基于随机森林的卫星遥感影像云量计算方法,通过样本获取、影像回归分类等步骤计算遥感影像中的云量。
目前,数据挖掘技术也被运用于水库调度及水文预报领域。例如:杨旭和刘宇[3]引入完整率和有效性的概念,并将数据挖掘运用于三峡水库调度自动化系统水位数据质量的衡量中。和吉等[4]利用数据挖掘技术挖掘了实测数据与降水、前期影响雨量和净雨量的关系,从而对陡河水库进行洪水预报。张弛[5]等利用数据挖掘中的决策树技术对多年水库实际水文数据和调度数据进行分析和挖掘,结合预报入流从中挖掘出调度树形式的水库调度规则。然而,现有研究并未采用数据挖掘技术将水库调度与预报信息相结合,识别有效的预报精度。
目前考虑预报信息的水库调度方法主要可从两个方面增加水库综合效益:(1)扩展信息来源:通过不同方法以及不同途径获得若干组预报数据,如TRMM、CMORPH遥感数据、TIGGE数值预报数据等,以提高调度决策的稳健性,但精度较低的预报数据包含大量的噪声,会对决策造成干扰;(2)延长预见期:预见期的延长意味着能提供更多的径流信息,有利于调度决策,但受水文现象准随机特性的影响,预见期的增长会导致预报精度的降低,影响科学决策。一般而言,预报信息来源不是越多越好,而预见期也不是越长越好,两者对水库调度的影响取决于预报精度,故有必要评定各种信息来源的精度。
现有的预报精度评定方法仅仅考虑预报信息与实测值的差异,并未考虑其对水库调度的影响。而目前水库调度方法往往直接利用满足某一精度的预报结果,并未充分利用已有信息,故有必要结合水库调度识别出有效的预报信息。随机森林作为一种数据挖掘方法,能够利用信息论原理对大量的预报数据进行分析和归纳,识别出对水库调度有价值的信息。
本发明涉及的参考文献如下:
[1]李欣海.随机森林模型在分类与回归分析中的应用[J].应用昆虫学报,2013,50(4):1190-1197.
[2]易尧华,袁媛,张宇,等.一种基于随机森林的卫星遥感影像云量计算方法.专利号:CN105260729A.
[3]杨旭,刘宇.基于数据挖掘的三峡水库调度自动化系统水位数据质量研究[J].水利水电技术,2011,42(11):98-101.
[4]和吉,王松林,吴庆林,等.数据挖掘技术在陡河水库洪水预报中的应用[J].人民黄河,2012,34(8):41-43.
[5]张弛,周惠成,王本德.决策树技术在水库兴利调度中的应用研究[J].哈尔滨工业大学学报,2007,39(8):1314-1318.
发明内容
本发明的目的是提供一种可充分利用已有预报信息的、基于数据挖掘的水库调度预报信息有效精度识别方法。
为达到上述目的,本发明提出的基于数据挖掘的水库调度预报信息有效精度识别方法,包括步骤:
一种基于数据挖掘的水库调度预报信息有效精度识别方法,包括:
S1收集水库上游站点观测的流量数据和气象资料,并选出预报信息;
S2以水库的历史入库流量为输入,以调度时段初的水库水位为状态,以调度时段末的水库水位为决策变量,采用动态规划法得到水库最优调度轨迹;
S3令水库各预报信息的误差服从正态分布,按照给定误差水平对预报信息进行扰动,生成符合给定误差水平的预报信息;
S4基于步骤S2所得水库最优调度轨迹和步骤S3所生成的预报信息,采用随机森林法建立水库最优调度轨迹与决策变量、预报信息间的映射关系,即随机森林决策树;
S5根据随机森林决策树,统计所有节点上各属性出现的次数,将出现次数最多的P个属性作为与水库最优调度轨迹相关性较大的决策变量,记为相关决策变量,P值人为设定;
S6逐步增大误差水平,重复步骤S3~S5,当所得相关决策变量中不存在预报信息时,将前一误差水平作为有效精度。
步骤S1中,所述的预报信息包括气象资料和与水库具有水力联系的流量数据。
步骤S2进一步包括子步骤:
2.1以调度时段初的水库水位为水库状态,以调度时段末的水库水位为决策变量,将调度时段初的水库水位离散为m1点,将调度时段末的水库水位离散为m2点,得到m1×m2种决策方案;
2.2计算各决策方案对应的水库目标效益值,所得水库目标效益值和对应决策方案当前调度时段的水库目标效益值之和,即各决策方案下一调度时段的水库目标效益值,水库目标效益值的初始值设为0;
2.3当前调度时段下,将各水库状态下水库目标效益值的最大值作为该状态当前调度时段的水库目标效益值,记录该水库状态下各决策方案及对应的水库目标效益值作为决策过程;
2.4重复子步骤2.2~2.3,直至遍历所有调度时段,获得所有调度时段的决策过程;
2.5根据各调度时段的决策过程,回代计算得到相应的水库调度轨迹,即最优水库最优调度轨迹。
步骤S3中,通过给定确定性系数R2值的方式来给定误差水平。所述的确定性系数R2的取值范围为0.10~0.95。
步骤S4进一步包括子步骤:
4.1将水库最优调度轨迹、水库状态和预报信息构成长度为T的数据集S,其中,水库状态和预报信息构成属性集;
4.2从数据集S中有放回的抽取长度为N的训练集S'作为根节点的样本,从根节点开始训练,其中,N<T;
4.3判断当前节点的样本是否可分割,若可分割,执行子步骤4.4;若不可分割,将当前节点设为叶子节点;所述的当前节点为根节点或子节点;
4.4无放回的随机选取属性,寻找该属性下分类效果最好的属性阈值s*,将当前节点样本中该属性值小于s*的样本划分到左子节点,其余样本划分到右子节点;
4.5重复子步骤4.1~4.4,直至遍历数据集S。
步骤S5中,所述的P值取为属性总数的1/2。
与现有技术相比,本发明具有以下有益效果:
本发明合理利用水库最优调度轨迹和不同精度的预报信息,采用随机森林模型建立两者的相关关系。与现有单独考虑预报精度不同,本发明将预报信息与水库实际优化调度过程紧密结合,识别出有利于水库优化调度的有效预报精度,充分挖掘可用预报信息,大大方便了水库的决策,具有显著效益。
附图说明
图1是本发明方法流程图。
具体实施方式
本发明将水库多目标优化调度模型与随机森林模型相结合,提出了基于数据挖掘的水库调度预报信息有效精度识别方法,具体流程见图1。
下面通过实施例,并结合附图,对本发明技术方案做进一步具体说明。
步骤1,收集水库上游站点观测的流量数据和气象资料,选择气象资料和与水库具有水力联系的流量数据作为预报信息。
步骤2,以水库的历史入库流量为输入,以调度时段初的水库水位为状态,以调度时段末的水库水位为决策变量,采用动态规划法对水库调度过程进行优化,得到水库最优调度轨迹。
具体实施时,可任选一目标效益函数,满足水库的该目标效益值最大的调度轨迹即最优调度轨迹。所述的目标效益函数可以为防洪目标函数、发电目标函数或供水目标函数等。
本步骤采用了本领域的常规技术。为便于理解,下面将对本步骤进行详细说明。
2.1假设水库调度时段总数为T,令初始状态下水库目标效益值为0。除首调度时段和尾调度时段外,将其他各调度时段初的水库水位离散为m1点,将其他各调度时段末的水库水位离散为m2点,即共有m1×m2种决策方案。本发明中,调度时段初的水库水位即状态,调度时段末的水库水位即决策变量。
2.2根据所选的目标效益函数,计算各决策方案对应的水库目标效益值,将所得水库目标效益值和对应决策方案当前调度时段的水库目标效益值相加,即得各决策方案下一调度时段的水库目标效益值。采用本子步骤可获得各决策方案下各调度时段的水库目标效益值。
2.3当前调度时段下,将各状态下水库目标效益值的最大值作为该状态当前调度时段的水库目标效益值,记录该状态下各决策方案及对应的水库目标效益值作为决策过程。
2.4重复子步骤2.2~2.3,直至遍历所有调度时段,获得所有调度时段的决策过程。
2.5根据各调度时段的决策过程,回代计算得到相应的水库调度轨迹,即最优水库最优调度轨迹。
步骤3,令水库各预报信息的误差服从正态分布,按照给定误差水平对预报信息进行扰动,生成符合给定误差水平的预报信息。
以径流预报为例,采用确定性系数R2衡量误差水平,本发明中确定性系数R2的优选取值范围为0.10~0.95。给定误差水平即给定R2值,R2值越大,误差水平越低;预报信息的误差ε服从均值为0的正态分布,即ε:N(0,σ),根据R2计算方差σ:
故预报信息采用下式进行扰动:
式(1)~(2)中,t和T分别表示调度时段和调度时段总数;Qt表示调度时段t的实测流量,即预报信息;表示调度时段t的预报流量,即扰动生成的预报信息;为实测流量期望值,即实测流量的平均值。
步骤4,基于步骤2所得水库最优调度轨迹和步骤3所生成预报信息,采用随机森林法建立水库最优调度轨迹与决策变量、预报信息间的映射关系,即随机森林决策树。
随机森林法为本领域常规技术,以水库最优调度轨迹为输入y,以包含水库状态和预报信息的K个变量为输出a={a1,...,aK},y和a组成长度为T的输入输出数据集S,以输入输出数据集S作为训练集,a为属性集。
为便于理解,下面将对本步骤进行详细说明。
4.1从数据集S中有放回的抽取长度为N(N<T)的训练集S'作为根节点的样本,从根节点开始训练。
4.2判断当前节点的样本是否可分割,若可分割,执行子步骤4.3;若不可分割,将当前节点设为叶子节点,然后,将其他子节点作为当前节点,执行本子步骤;所述的当前节点为根节点或子节点。
4.3无放回的随机选取属性,寻找该属性下分类效果最好的属性阈值s*,根据属性阈值s*对当前节点样本进行划分,即将当前节点样本中该属性值小于s*的样本划分到左子节点,其余样本划分到右子节点,并删除当前节点的原始样本。
寻找分类效果最好的属性阈值s*时,argmax(Var-VarLeft-VarRight)为评判标准。以随机选取的该属性为分类标准,依次令当前节点样本中该属性值为aj,然后执行如下:
将当前节点样本中该属性值大于aj的样本划分到左子节点,其余样本划分到右子节点,计算Var-VarLeft-VarRight值,其中,Var表示当前节点样本的方差,VarLeft表示左子节点样本的方差,VarRight表示右子节点样本的方差。
最大Var-VarLeft-VarRight值对应的属性值即属性阈值s*。
4.4重复子步骤4.1~4.3,直至遍历数据集S。
本步骤中,按照左到右的顺序对各子节点进行训练。
步骤5,根据随机森林决策树,统计所有节点上各属性出现的次数,将出现次数最多的P个属性作为与水库最优调度轨迹相关性较大的决策变量,记为相关决策变量。P值人为设定,一般取为属性总数的1/2。
步骤6,逐步减小R2,即增大误差水平,重复步骤3~5,当所得相关决策变量中不存在预报信息时,认为当前误差水平已不能满足水库优化调度需求,将上一个确定性系数R2作为水库调度预报信息的有效精度。
Claims (7)
1.一种基于数据挖掘的水库调度预报信息有效精度识别方法,其特征是,包括:
S1收集水库上游站点观测的流量数据和气象资料,并选出预报信息;
S2以水库的历史入库流量为输入,以调度时段初的水库水位为状态,以调度时段末的水库水位为决策变量,采用动态规划法得到水库最优调度轨迹;
S3令水库各预报信息的误差服从正态分布,按照给定误差水平对预报信息进行扰动,生成符合给定误差水平的预报信息;
S4基于步骤S2所得水库最优调度轨迹和步骤S3所生成的预报信息,采用随机森林法建立水库最优调度轨迹与决策变量、预报信息间的映射关系,即随机森林决策树;
S5根据随机森林决策树,统计所有节点上各属性出现的次数,将出现次数最多的P个属性作为与水库最优调度轨迹相关性较大的决策变量,记为相关决策变量,P值人为设定;
S6逐步增大误差水平,重复步骤S3~S5,当所得相关决策变量中不存在预报信息时,将前一误差水平作为有效精度。
2.如权利要求1所述的基于数据挖掘的水库调度预报信息有效精度识别方法,其特征是:
步骤S1中,所述的预报信息包括气象资料和与水库具有水力联系的流量数据。
3.如权利要求1所述的基于数据挖掘的水库调度预报信息有效精度识别方法,其特征是:
步骤S2进一步包括子步骤:
2.1以调度时段初的水库水位为水库状态,以调度时段末的水库水位为决策变量,将调度时段初的水库水位离散为m1点,将调度时段末的水库水位离散为m2点,得到m1×m2种决策方案;
2.2计算各决策方案对应的水库目标效益值,所得水库目标效益值和对应决策方案当前调度时段的水库目标效益值之和,即各决策方案下一调度时段的水库目标效益值,水库目标效益值的初始值设为0;
2.3当前调度时段下,将各水库状态下水库目标效益值的最大值作为该状态当前调度时段的水库目标效益值,记录该水库状态下各决策方案及对应的水库目标效益值作为决策过程;
2.4重复子步骤2.2~2.3,直至遍历所有调度时段,获得所有调度时段的决策过程;
2.5根据各调度时段的决策过程,回代计算得到相应的水库调度轨迹,即最优水库最优调度轨迹。
4.如权利要求1所述的基于数据挖掘的水库调度预报信息有效精度识别方法,其特征是:
步骤S3中,通过给定确定性系数R2值的方式来给定误差水平。
5.如权利要求4所述的基于数据挖掘的水库调度预报信息有效精度识别方法,其特征是:
所述的确定性系数R2的取值范围为0.10~0.95。
6.如权利要求1所述的基于数据挖掘的水库调度预报信息有效精度识别方法,其特征是:
步骤S4进一步包括子步骤:
4.1将水库最优调度轨迹、水库状态和预报信息构成长度为T的数据集S,其中,水库状态和预报信息构成属性集;
4.2从数据集S中有放回的抽取长度为N的训练集S'作为根节点的样本,从根节点开始训练,其中,N<T;
4.3判断当前节点的样本是否可分割,若可分割,执行子步骤4.4;若不可分割,将当前节点设为叶子节点;所述的当前节点为根节点或子节点;
4.4无放回的随机选取属性,寻找该属性下分类效果最好的属性阈值s*,将当前节点样本中该属性值小于s*的样本划分到左子节点,其余样本划分到右子节点;
4.5重复子步骤4.1~4.4,直至遍历数据集S。
7.如权利要求1所述的基于数据挖掘的水库调度预报信息有效精度识别方法,其特征是:
步骤S5中,所述的P值取为属性总数的1/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610674043.7A CN106228277B (zh) | 2016-08-16 | 2016-08-16 | 一种基于数据挖掘的水库调度预报信息有效精度识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610674043.7A CN106228277B (zh) | 2016-08-16 | 2016-08-16 | 一种基于数据挖掘的水库调度预报信息有效精度识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106228277A true CN106228277A (zh) | 2016-12-14 |
CN106228277B CN106228277B (zh) | 2020-03-10 |
Family
ID=57552388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610674043.7A Active CN106228277B (zh) | 2016-08-16 | 2016-08-16 | 一种基于数据挖掘的水库调度预报信息有效精度识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228277B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647829A (zh) * | 2018-05-16 | 2018-10-12 | 河海大学 | 一种基于随机森林的梯级水电站群联合调度规则提取方法 |
CN111784051A (zh) * | 2020-07-03 | 2020-10-16 | 中国水利水电科学研究院 | 一种洪水调度方案优选方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599143A (zh) * | 2009-07-20 | 2009-12-09 | 武汉大学 | 一种水库确定性优化调度的调度域确定方法及其设备 |
CN104268653A (zh) * | 2014-09-28 | 2015-01-07 | 武汉大学 | 基于集束径流预报的梯级水库优化调度方法 |
-
2016
- 2016-08-16 CN CN201610674043.7A patent/CN106228277B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599143A (zh) * | 2009-07-20 | 2009-12-09 | 武汉大学 | 一种水库确定性优化调度的调度域确定方法及其设备 |
CN104268653A (zh) * | 2014-09-28 | 2015-01-07 | 武汉大学 | 基于集束径流预报的梯级水库优化调度方法 |
Non-Patent Citations (2)
Title |
---|
唐国磊: "考虑径流预报及其不确定性的水电站水库调度研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
郑峰: "集合预报初值扰动在天气预报中的应用研究进展", 《科技导报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647829A (zh) * | 2018-05-16 | 2018-10-12 | 河海大学 | 一种基于随机森林的梯级水电站群联合调度规则提取方法 |
CN111784051A (zh) * | 2020-07-03 | 2020-10-16 | 中国水利水电科学研究院 | 一种洪水调度方案优选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106228277B (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Parameter uncertainty analysis of reservoir operating rules based on implicit stochastic optimization | |
Liu et al. | Deriving optimal refill rules for multi-purpose reservoir operation | |
Wei et al. | Optimal tree-based release rules for real-time flood control operations on a multipurpose multireservoir system | |
CN102567635B (zh) | 一种定量区分水循环演变过程中不同因素贡献的方法 | |
Wang et al. | An improved operation-based reservoir scheme integrated with Variable Infiltration Capacity model for multiyear and multipurpose reservoirs | |
CN108764515A (zh) | 一种耦合数值气象水文集合预报的水库调度风险决策方法 | |
Saadatpour et al. | Meta-model assisted 2D hydrodynamic and thermal simulation model (CE-QUAL-W2) in deriving optimal reservoir operational strategy in selective withdrawal scheme | |
Brown et al. | Predicting the impact of plantation forestry on water users at local and regional scales: An example for the Murrumbidgee River Basin, Australia | |
CN110852477B (zh) | 一种基于系统动力学的生产需水预测方法 | |
Shi et al. | A novel causal structure-based framework for comparing a basin-wide water-energy-food-ecology nexus applied to the data-limited Amu Darya and Syr Darya river basins | |
Karamouz et al. | Reliability assessment of the water supply systems under uncertain future extreme climate conditions | |
CN102930155A (zh) | 获取电力需求的预警参数的方法及装置 | |
Li et al. | Real-time flood forecast using the coupling support vector machine and data assimilation method | |
CN113255986A (zh) | 一种基于气象信息和深度学习算法的多步日径流预报方法 | |
CN106127333A (zh) | 电影上座率预测方法和系统 | |
CN103870995A (zh) | 一种高寒沙地植被恢复潜力评估方法 | |
CN110119590A (zh) | 一种基于多源观测数据的水质模型粒子滤波同化方法 | |
Cohen Liechti et al. | Hydrological modelling of the Zambezi River Basin taking into account floodplain behaviour by a modified reservoir approach | |
CN106228277A (zh) | 一种基于数据挖掘的水库调度预报信息有效精度识别方法 | |
CN116993030B (zh) | 变化条件下水库压咸补淡调度方法及系统 | |
Suárez-Almiñana et al. | Integrating seasonal forecasts into real-time drought management: Júcar River Basin case study | |
Manikumari et al. | Time series forecasting of daily reference evapotranspiration by neural network ensemble learning for irrigation system | |
CN106875052A (zh) | 一种冰川融水补给区干旱预警方法 | |
CN109948220A (zh) | 闸坝多目标泄流估算方法及系统 | |
Dars et al. | Assessing the impacts of climate change on future precipitation trends based on downscaled CMIP5 simulations data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |