CN106355285A - 一种基于参数修正的用电负荷预测方法 - Google Patents
一种基于参数修正的用电负荷预测方法 Download PDFInfo
- Publication number
- CN106355285A CN106355285A CN201610803779.XA CN201610803779A CN106355285A CN 106355285 A CN106355285 A CN 106355285A CN 201610803779 A CN201610803779 A CN 201610803779A CN 106355285 A CN106355285 A CN 106355285A
- Authority
- CN
- China
- Prior art keywords
- load
- year
- industry
- growth rate
- month
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 6
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种参数修正的用电负荷预测方法。实施步骤如下:1)获取分产业电力用户用电负荷数据,主要完成收集整理分产业单月用电量历史数据;2)计算电力负荷的同比增长率,构建用电负荷预测模型;3)修正预测模型关键参数;4)计算未来电力市场用电负荷预测值。本发明可以提高电力市场中用电负荷的预测方法精度,提高发电侧营销人员对电力市场供需情况的了解。
Description
技术领域
本发明属于电力系统技术领域,具体涉及用电负荷预测优化技术。针对当前电力市场日趋密切的电力交易,结合用电负荷预测方法的特点,通过修正预测参数,提高电力市场中用电负荷的预测方法精度,提高发电侧营销人员对电力市场供需情况的了解,增强电厂对自身生产的整体规划,指导企业营销部门在电力市场博弈中制定竞价策略,实现发电企业资源的优化配置。
背景技术
用电负荷预测是发电企业营销人员在进行电力市场供需分析,掌握电力市场的负荷情况。因为发电企业和电力用户是通过电网进行关联,并且一个电网同时包括多个发电企业,故而,某一发电用户在预测电力市场用户负荷时,所掌握的信息有限,只能根据相关机构发布的整个电网电力市场历史信息进行分析。
针对电网内用电负荷预测,现有已存在的便捷方法大多主要通过用电总量使用一次滑动平均法等方法进行用电负荷预测,其预测精度因为只考虑网内用电总量,故而其准确性难以控制。而使用神经网络分析、系统动力学分析等分析方法进行预测用电负荷,虽然全面的考虑了影响负荷变化的所有因素,但是所建立的模型参数较多,且变量之间的逻辑结构较为复杂,难易将其实现为发电侧营销信息系统。
本发明提出了一种参数修正的用电负荷预测方法,通过对分产业历史用电量的趋势分析,根据使用单耗法对模型参数进行相应设定,优化算出的用电负荷增长率,进而提高用电负荷的预测精度。
发明内容
本发明为解决现有技术中存在的上述问题,提高用户负荷预测分析方法预测精度,提升当前发电侧电力营销人员对电力市场情况的掌握情况,提出了参数修正的用电负荷方法,基于部分公开用电负荷数据,实现了省内用电负荷预测精度的提升。
为实现上述目的,本发明拟采用如下技术方案:
一种基于参数修正的用电负荷预测方法,其特征在于,所述预测方法包括以下步骤:
步骤1:获取电网内分产业电力用户用电负荷数据,收集分产业单月用电量历史数据;
步骤2:构建用电负荷预测模型;
步骤3:计算修正后的用电负荷预测模型关键参数,即修正后的预测负荷增长率权重c’;
步骤4:将修正后的预测负荷增长率权重修代入步骤2中的用电负荷预测模型计算某类产业下一季度预计用电量,然后汇总所有类别产业的预计用电量得到电网内电力市场各类产业总的用电负荷预测值。
本发明进一步包括以下优选方案:
在步骤2中,包含以下子步骤:
2-1.计算电网内某类产业电力负荷的同比增长率ai,j-1,ai,j-2
式中:ai,j-1为第i年j-1季度的用电增长率;ai,j-2为第i年第j-2季度的同比用电增长率;Qi,j-1为第i年第j季度的用电量;Qi,j-2为第i年第j-2季度的用电量;i表示年份,j表示季度;
2-2.利用加权移动平均法,构建某类产业的用电负荷预测模型
Qi,j预计=Qi-1,j*[1+c*ai,j-1,+(1-c)ai,j-2];
式中:Qi,j预计为第i年第j季度某类产业的预计用电量;c为预测负荷增长率权重,0.5<c<1。
在步骤3中,根据离预测期最近一个月以及次近一个月的实际负荷数据计算修正后的负荷增长率权重c’。
所述步骤3包括以下子步骤:
3-1.从步骤1收集的分产业单月用电量历史数据中获取该产业离预测期最近的一月以及前一年同月即s年t月和s-1年t月的电力市场负荷数据Qs,t、Qs-1,t以及这两个月的负荷同比增长率as,t-1、as,t-2,计算获得第一负荷增长率权重c1;
Qs,t=Qs-1,t*[1+c1*as,t-1,+(1-c1)as,t-2]
3-2.从步骤1收集的分产业单月用电量历史数据中获取该产业离预测期次近的一月以及前一年同月即s年t-1月和s-1年t-1月的实际负荷数据Qs,t-1、Qs-1,t-1以及这两个月的负荷同比增长率数据as,t-2、as,t-3,计算获得第二负荷增长率权重c2;
Qs,t-1=Qs-1,t-1*[1+c2*as,t-2,+(1-c2)as,t-3]
3-3.根据第一负荷增长率权重c1和第二负荷增长率权重c2计算得到修正后的负荷增长率权重c’
c’=0.7*c1+0.3c2。
本发明具有以下有益的技术效果:
本发明一种基于参数修正的用电负荷预测方法与已有的传统负荷预测方法相比,将历史用电负荷数据增长率作为模型参数修正数据源,并考虑预测数据“重近轻远”的预测理念,提高了负荷预测的精度,有助于电力市场营销人员有效掌握市场信息,方法预测值可作为电力市场辅助决策参考数据。
附图说明
图1为本发明基于参数修正的用电负荷预测方法流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明的技术方案做进一步详细介绍。
如附图1所示为本发明的参数修正的省内用电负荷预测方法流程示意图,具体步骤如下:
步骤1:通过相关机构发布的数据中获取电力用户用电负荷数据,针对不同产业的单季度用电量及其历史数据收集整理。
步骤2:构建省内用电负荷预测模型
该步骤包含以下子步骤:
1)根据收集整理的历史用电信息,计算电力负荷的同比增长率ai
式中:ai,j-1为第i年j-1季度的用电增长率;ai,j-2为第i年第j-2季度的同比用电增长率;Qi,j-1为第i年第j季度的用电量;Qi,j-2为第i年第j-2季度的用电量。(i表示年份,j表示季度)
2)利用加权移动平均法,构建省内用电负荷预测模型
Qi,j预计=Qi-1,j*[1+c*ai,j-1,+(1-c)ai,j-2]
式中:ai为第i年的某产业用电增长率;ai,j为第i年第j季度某产业的同比用电增长率;Qi,j为第i年第j季度的用电量。
步骤3:修正预测模型关键参数
该步骤包含以下子步骤:
1)预测负荷增长率权重c,由于需要满足“重近轻远”的预测原则,故而0.5<c<1,可以选择c=0.7
2)根据离预测期最近月度、季度的实际负荷及其增长率数据计算负荷增长率权重c1、c2,修正负荷增长率参数c
①带入离预测期最近的s年t月的电力市场负荷数据Qs,t、Qs-1,t以及电力市场负荷同比增长率as,t-1、as,t-2,计算获得第一负荷增长率权重c1;
Qs,t=Qs-1,t*[1+c1*as,t-1,+(1-c1)as,t-2]
②带入离预测期最近的s年s年t-1月的实际负荷数据Qs,t-1、Qs-1,t-1以及电力市场负荷同比增长率数据as,t-2、as,t-3,计算获得第二负荷增长率权重c2;
Qs,t-1=Qs-1,t-1*[1+c2*as,t-2,+(1-c2)as,t-3]
③根据第一负荷增长率权重c1和第二负荷增长率权重c2计算得到修正后的负荷增长率权重c’
c’=0.7*c1+0.3c2。
步骤4:计算未来省内电力市场用电负荷预测值
该步骤包含以下子步骤:
1)修正后的负荷增长率权重c’代替下式中的c,计算第x产业第i年第j季度用电量;
Qx,i,j预计=Qx,i-1,j*[1+c*ai,j-1,+(1-c)ai,j-2]
2)根据计算的分产业用电量,计算电力市场负荷总预测量;
其中,Qx为第x产业的用电量,Q总表示全社会的用电总量。
申请人结合说明书附图对本发明的实施例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (4)
1.一种基于参数修正的用电负荷预测方法,其特征在于,所述预测方法包括以下步骤:
步骤1:获取电网内分产业电力用户用电负荷数据,收集分产业单月用电量历史数据;
步骤2:构建用电负荷预测模型;
步骤3:计算修正后的用电负荷预测模型关键参数,即修正后的预测负荷增长率权重c’;
步骤4:将修正后的预测负荷增长率权重修代入步骤2中的用电负荷预测模型计算某类产业下一季度预计用电量,然后汇总所有类别产业的预计用电量得到电网内电力市场各类产业总的用电负荷预测值。
2.根据权利要求1所述的基于参数修正的用电负荷预测方法,其特征在于:
在步骤2中,包含以下子步骤:
2-1.计算电网内某类产业电力负荷的同比增长率ai,j-1,ai,j-2
式中:ai,j-1为第i年j-1季度的用电增长率;ai,j-2为第i年第j-2季度的同比用电增长率;Qi,j-1为第i年第j季度的用电量;Qi,j-2为第i年第j-2季度的用电量;i表示年份,j表示季度;
2-2.利用加权移动平均法,构建某类产业的用电负荷预测模型
Qi,j预计=Qi-1,j*[1+c*ai,j-1,+(1-c)ai,j-2];
式中:Qi,j预计为第i年第j季度某类产业的预计用电量;c为预测负荷增长率权重,0.5<c<1。
3.根据权利要求2所述的基于参数修正的用电负荷预测方法,其特征在于:
在步骤3中,根据离预测期最近一个月以及次近一个月的实际负荷数据计算修正后的负荷增长率权重c’。
4.根据权利要求2所述的基于参数修正的用电负荷预测方法,其特征在于:
所述步骤3包括以下子步骤:
3-1.从步骤1收集的分产业单月用电量历史数据中获取该产业离预测期最近的一月以及前一年同月即s年t月和s-1年t月的电力市场负荷数据Qs,t、Qs-1,t以及这两个月的负荷同比增长率as,t-1、as,t-2,计算获得第一负荷增长率权重c1;
Qs,t=Qs-1,t*[1+c1*as,t-1,+(1-c1)as,t-2]
3-2.从步骤1收集的分产业单月用电量历史数据中获取该产业离预测期次近的一月以及前一年同月即s年t-1月和s-1年t-1月的实际负荷数据Qs,t-1、Qs-1,t-1以及这两个月的负荷同比增长率数据as,t-2、as,t-3,计算获得第二负荷增长率权重c2;
Qs,t-1=Qs-1,t-1*[1+c2*as,t-2,+(1-c2)as,t-3]
3-3.根据第一负荷增长率权重c1和第二负荷增长率权重c2计算得到修正后的负荷增长率权重c’
c’=0.7*c1+0.3c2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610803779.XA CN106355285B (zh) | 2016-09-06 | 2016-09-06 | 一种基于参数修正的用电负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610803779.XA CN106355285B (zh) | 2016-09-06 | 2016-09-06 | 一种基于参数修正的用电负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106355285A true CN106355285A (zh) | 2017-01-25 |
CN106355285B CN106355285B (zh) | 2023-04-11 |
Family
ID=57858939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610803779.XA Active CN106355285B (zh) | 2016-09-06 | 2016-09-06 | 一种基于参数修正的用电负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355285B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679675A (zh) * | 2017-10-20 | 2018-02-09 | 江苏电力信息技术有限公司 | 一种基于移动加权平均的现金流入预测方法 |
CN108169597A (zh) * | 2017-12-27 | 2018-06-15 | 卢志旭 | 一种评估用电设备损耗状态的方法 |
CN109063926A (zh) * | 2018-08-24 | 2018-12-21 | 国网河北省电力有限公司沧州供电分公司 | 周期内计划发电量确定方法、系统及终端设备 |
CN109783716A (zh) * | 2019-01-21 | 2019-05-21 | 贵州黔源电力股份有限公司 | 一种电力供需数据自动提取和处理系统及方法 |
CN109783894A (zh) * | 2018-12-27 | 2019-05-21 | 国网浙江省电力有限公司台州供电公司 | 一种基于信息再修正的负荷协调预测方法 |
CN111784083A (zh) * | 2020-08-06 | 2020-10-16 | 国网湖南省电力有限公司 | 基于电力大数据的预测模型建立方法及电网负荷调度方法 |
CN113095556A (zh) * | 2021-03-31 | 2021-07-09 | 广西大学 | 一种考虑碳中和趋势的中长期负荷预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145225A (zh) * | 2007-10-16 | 2008-03-19 | 刘吉成 | 中长期电力负荷预测及预警系统 |
US20150039391A1 (en) * | 2011-08-16 | 2015-02-05 | Better Place GmbH | Estimation and management of loads in electric vehicle networks |
CN105096010A (zh) * | 2015-09-07 | 2015-11-25 | 国网天津市电力公司 | 一种考虑需求侧管理的电网规划方法 |
CN105590140A (zh) * | 2015-11-26 | 2016-05-18 | 国网北京市电力公司 | 电力系统短期负荷的预测方法和装置 |
-
2016
- 2016-09-06 CN CN201610803779.XA patent/CN106355285B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145225A (zh) * | 2007-10-16 | 2008-03-19 | 刘吉成 | 中长期电力负荷预测及预警系统 |
US20150039391A1 (en) * | 2011-08-16 | 2015-02-05 | Better Place GmbH | Estimation and management of loads in electric vehicle networks |
CN105096010A (zh) * | 2015-09-07 | 2015-11-25 | 国网天津市电力公司 | 一种考虑需求侧管理的电网规划方法 |
CN105590140A (zh) * | 2015-11-26 | 2016-05-18 | 国网北京市电力公司 | 电力系统短期负荷的预测方法和装置 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679675A (zh) * | 2017-10-20 | 2018-02-09 | 江苏电力信息技术有限公司 | 一种基于移动加权平均的现金流入预测方法 |
CN108169597A (zh) * | 2017-12-27 | 2018-06-15 | 卢志旭 | 一种评估用电设备损耗状态的方法 |
CN108169597B (zh) * | 2017-12-27 | 2020-08-14 | 华北电力大学 | 一种评估用电设备损耗状态的方法 |
CN109063926A (zh) * | 2018-08-24 | 2018-12-21 | 国网河北省电力有限公司沧州供电分公司 | 周期内计划发电量确定方法、系统及终端设备 |
CN109783894A (zh) * | 2018-12-27 | 2019-05-21 | 国网浙江省电力有限公司台州供电公司 | 一种基于信息再修正的负荷协调预测方法 |
CN109783894B (zh) * | 2018-12-27 | 2023-09-01 | 国网浙江省电力有限公司台州供电公司 | 一种基于信息再修正的负荷协调预测方法 |
CN109783716A (zh) * | 2019-01-21 | 2019-05-21 | 贵州黔源电力股份有限公司 | 一种电力供需数据自动提取和处理系统及方法 |
CN109783716B (zh) * | 2019-01-21 | 2020-02-21 | 贵州黔源电力股份有限公司 | 一种电力供需数据自动提取和处理系统及方法 |
CN111784083A (zh) * | 2020-08-06 | 2020-10-16 | 国网湖南省电力有限公司 | 基于电力大数据的预测模型建立方法及电网负荷调度方法 |
CN111784083B (zh) * | 2020-08-06 | 2023-11-21 | 国网湖南省电力有限公司 | 基于电力大数据的预测模型建立方法及电网负荷调度方法 |
CN113095556A (zh) * | 2021-03-31 | 2021-07-09 | 广西大学 | 一种考虑碳中和趋势的中长期负荷预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106355285B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355285A (zh) | 一种基于参数修正的用电负荷预测方法 | |
Dehalwar et al. | Electricity load forecasting for Urban area using weather forecast information | |
Hu et al. | Stochastic programming and market equilibrium analysis of microgrids energy management systems | |
Macedo et al. | Demand side management using artificial neural networks in a smart grid environment | |
Cotrufo et al. | A practical artificial intelligence-based approach for predictive control in commercial and institutional buildings | |
Malatji et al. | A multiple objective optimisation model for building energy efficiency investment decision | |
Hsu et al. | Regional load forecasting in Taiwan––applications of artificial neural networks | |
CN101976841B (zh) | 电力系统各级负荷预测指标的均衡匹配方法 | |
Sharma et al. | A demand side management control strategy using Whale optimization algorithm | |
CN104239968B (zh) | 一种快速模糊粗糙集短期负荷预测方法 | |
Reka et al. | Real time demand response modeling for residential consumers in smart grid considering renewable energy with deep learning approach | |
CN104636822A (zh) | 一种基于elman神经网络的居民负荷预测方法 | |
Xia et al. | Drivers analysis and empirical mode decomposition based forecasting of energy consumption structure | |
Keerthisinghe et al. | Evaluation of a multi-stage stochastic optimisation framework for energy management of residential PV-storage systems | |
Anbazhagan et al. | A neural network approach to day-ahead deregulated electricity market prices classification | |
CN107818386A (zh) | 电网企业经营利润预测方法 | |
Sevlian et al. | Value of aggregation in smart grids | |
Kong et al. | Refined peak shaving potential assessment and differentiated decision-making method for user load in virtual power plants | |
Sathishkumar et al. | An energy consumption prediction model for smart factory using data mining algorithms | |
Mabina et al. | Sustainability matchmaking: Linking renewable sources to electric water heating through machine learning | |
Soman et al. | Peak forecasting for battery-based energy optimizations in campus microgrids | |
Liu et al. | Dynamic bidding strategy for a demand response aggregator in the frequency regulation market | |
Bajatović et al. | Application of predictive models for natural gas needs-current state and future trends review | |
Bharathi et al. | Load Forecasting for Demand Side Management in Smart Grid using Non-Linear Machine Learning Technique | |
CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 618 and 619, 6th floor, building 301, Guodian New Energy Institute, No. 9, Yingcai North 2nd Street, future science and Technology City, Changping District, Beijing 102209 Applicant after: Guoneng xinkong Internet Technology Co.,Ltd. Address before: Building 1, yard 16, West Fourth Ring Middle Road, Haidian District, Beijing 100039 Applicant before: BEIJING HUADIAN TIANREN ELECTRIC POWER CONTROL TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |