CN107180273B - 一种基于大数据统计分析的变电站厂界噪声预测评估方法 - Google Patents
一种基于大数据统计分析的变电站厂界噪声预测评估方法 Download PDFInfo
- Publication number
- CN107180273B CN107180273B CN201710321933.4A CN201710321933A CN107180273B CN 107180273 B CN107180273 B CN 107180273B CN 201710321933 A CN201710321933 A CN 201710321933A CN 107180273 B CN107180273 B CN 107180273B
- Authority
- CN
- China
- Prior art keywords
- transformer substation
- noise
- substation
- transformer
- main
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 33
- 238000007619 statistical method Methods 0.000 title claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 14
- 238000013210 evaluation model Methods 0.000 claims abstract description 5
- 238000001816 cooling Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007654 immersion Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- UONOETXJSWQNOL-UHFFFAOYSA-N tungsten carbide Chemical compound [W+]#[C-] UONOETXJSWQNOL-UHFFFAOYSA-N 0.000 claims description 6
- 101001068052 Homo sapiens Lysine-specific demethylase hairless Proteins 0.000 claims description 3
- 102000053615 human HR Human genes 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims 1
- 239000003990 capacitor Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
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)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种基于大数据统计分析的变电站厂界噪声预测评估方法,通过对变电站主要设备进行信息采集,利用大数据统计分析得出影响变电站厂界噪声的核心影响要素;通过在评估系统中搭建噪声评估模型,将新建/待测变电站数据送入评估系统中,进行分析,采用模糊评判法实现对变电站厂界噪声的预测评估,对变电站建设或改建提供参考建议。
Description
技术领域
本发明属于变电站噪声评估领域,具体涉及一种对变电站厂界噪声评估与预测的方法,主要是针对现在变电站越来越接近居民区,且变电站噪声超标多,严重影响到周边居民的日常生活。通过对变电站设备信息统计及建模评估,实现了对变电站噪声的评估与预测。
背景技术
噪声污染与水、空气、固体废物污染一起被称为“四大污染”,噪声污染不仅影响着人们的生活与工作,而且还会威胁人类的身心健康,我国对噪声污染制定了相应的标准规范,目的便是严格控制噪声污染对人们生活的影响。
变电站作为电力的中转站,是电力系统中非常重要的场所。随着我国城市化建设的加快,人们生活水平的提高,对工业农业电力的需求与日俱增,使得越来越多的变电站出现在居民生活区域中。变电站内各种电气设备运行时产生的噪声常常严重影响到周边居民的日常生活,带来人们的不满与投诉。
随着我国特高压工程的加快建设,在750kV直至更高电压等级的输变电工程建设中,由于国土资源日益紧张,工程选址变得愈加困难,很多投运的变电站不得不选在离居民地较近的地方,并且目前许多变电站工程并未评估工程投运后变电站对周边敏感点村庄、居民区的噪声污染大小,导致日后的拆迁及赔偿纠纷,对电网系统与人们均带来极大不便与经济损失。
考虑到如上问题,为更好的建设资源友好型社会,在最大程度上避免因变电站噪声问题对周边居民产生影响与纠纷,对现有变电站和新建变电站进行噪声评语预测具有极大的工程价值。
发明内容
本发明针对变电站噪声问题,提出了一种基于大数据统计分析的方法对变电站厂界噪声进行预测评估的方法,实现对新建变电站的厂界噪声的预测评估。
为了实现上述目的本发明采用如下技术方案:一种基于大数据统计分析的变电站厂界噪声预测评估方法,包括以下步骤:
S1:采集现有变电站的基本信息和设备信息;
S2:对S1中采集来的变电站的基本信息和设备信息采用相关性建模分析法,分析得出变电站噪声的核心影响因素;
S3:对S2中分析得出的变电站噪声的核心影响因素,采用指标体系搭建与噪声评估模型搭建相结合的方式,使用权重分析方法得出变电站噪声的核心影响因素的权重参数;
S4:采集待测变电站噪声的核心影响因素,将S3中得出的变电站噪声的核心影响因素的权重参数带入到模糊评判法模型中,进行待测变电站的厂界噪声预测评估;
S5:评测待测变电站噪声是否达标。
在上述方案中,所述S2中采用相关性建模分析法对变电站噪声的核心影响因素进行有效筛选的步骤如下:
S21:分析单一特征因素对变电站厂界噪声影响的大小,对两个或多个具备相关性的变量元素进行分析来衡量多个变量的相关密切程度,两组数据的相关系数计算公式为:
Cov(i,j)=E[(i-E(i))(j-E(j))] (2)
式(1)中,Cov(i,j)是变量i、j的协方差;E(i)、E(j)分别为变量i、j的均值;R(i,j)为相关系数,R(i,j)越接近1,则表明相应i、j变量间正相关度越大,相反,若R(i,j)越接近-1,则表明相应i、j变量间负相关度越大;
S22:选取影响变电站厂界噪音的主要因数量,与噪声值作为列向量得到参数矩阵如下:
一行对应一个已有噪声值数据,一行对应一个变量;其中,N1、N2、……、Nn是各变电站测量噪声平均值;TN1、TN2、……、TNn是各变电站中的主变台数;C1、C2、……、Cn是各变电站中的主变冷却方式,油浸自冷式、油浸风冷式、强迫油循环分别对应值1、2、3;HR1、HR2、……、HRn是各变电站中的高压电抗器个数;DE1、DE2、……、DEn是各变电站配电装置类型,GIS/HGIS、AIS分别对应值1、2;IN1、IN2、……、INn是各变电站户内/户外类型,户内、户外分别对应值0、1;TC1、TC2、……、TCn是各变电站中的主变容量;A1、A2、……、An是各变电站面积;X是变电站厂界噪声的参数矩阵。
S23:通过S22的相关性计算分析得出变电站噪声的核心影响因素。核心影响因素为主变因素、冷却方式、电抗器因素、电容器因素4个因素。
本发明的主要优点:1.对于已建设变电站,能够在根据已有的变电站相关设备参数实现对变电站整体厂界噪声的预测评估(区间值);2.对于未建设变电站,本发明能够结合已有变电站的噪声统计情况对新建变电站建设评估提供参考与指导使得变电站建设布局更加合理;3.本发明提供了一种低成本,高效率的变电站厂界噪声评估方式。
附图说明
图1为本发明的系统框图;
图2为本发明中变电站监测点布点分布图;
图3为本发明中变电站模糊评判法原理图。
具体实施方式
参见图1,本发明的系统包括数据统计系统和评估系统两大部分。
数据统计系统通过对大量变电站实测数据的分析,对数据采用相关性建模分析法,准确分析得出变电站噪声的主要因素源,包括了变电站中主变因素,电抗器因素和电容器因素。
评估系统作为变电站设备数据处理系统,采用指标体系搭建与噪声评估模型搭建相结合的方式,使用权重分析方法对变电站厂界噪声的核心影响因素进行了权重分配。
本发明提供的基于大数据统计分析的变电站厂界噪声预测评估方法,包括以下步骤:
S1:采集现有变电站的基本信息和设备信息;基本信息包括变电站面积、变电站海拔、投运年限和电压等级等,设备信息包括主变信息、电抗器信息、电容器信息和线路信息等,(其中主变信息里面包括了冷却方式,主变台数)。
S2:对S1中采集来的变电站的基本信息和设备信息采用相关性建模分析法,分析得出变电站噪声的核心影响因素。
S3:对S2中分析得出的变电站噪声的核心影响因素,采用指标体系搭建与噪声评估模型搭建相结合的方式,使用权重分析方法得出变电站噪声的核心影响因素的权重参数;
权重分析方法步骤如下:
1.首先,将通过相关性分析后得出影响变电站厂界噪声的四大核心因素进行比较,包括:主变台数、冷却方式、电抗器因素、电容器。得出四大因素对影响变电站厂界噪声的重要程度。
2.选取具有代表性,权威性和认真负责态度的专家对4个参数进行仔细衡量,独立选择评选。
3.对所有专家的选取结果采用加权平均的方法进行处理,可得出各个参数的权重参数。
S4:采集待测变电站噪声的核心影响因素,将S3中得出的变电站噪声的核心影响因素的权重参数带入到图3中所阐述的模糊评判法模型中,进行待测变电站的厂界噪声预测评估;
S5:评测待测变电站噪声是否达标。
以上相关性原理分析对变电站所有噪声进行的有效筛选,其中核心影响因素的筛选步骤如下:
步骤S21:首先分析单一特征因素(变电站主变台数,主变冷却方式,电抗器个数等能影响变电站噪声每一项因素)对变电站厂界噪声影响的大小,对两个或多个具备相关性的变量元素进行分析来衡量多个变量的相关密切程度。
两组数据的相关系数计算公式为:
Cov(i,j)=E[(i-E(i))(j-E(j))] (2)
式(1)中,Cov(i,j)是变量i、j的协方差;E(i)、E(j)分别变量i、j的均值;R(i,j)为相关系数,R(i,j)越接近1,则表明相应i、j变量间正相关度越大,相反,若R(i,j)越接近-1,则表明相应i、j变量间负相关度越大;
步骤S22:选取影响变电站厂界噪声的主要因数量,有主变台数、主变冷却方式、高抗个数、高压配电装置类型、户内/户外、主变容量和变电站面积与噪声值作为列向量可得到参数矩阵如下,一行对应一个已有噪声值数据,一行对应一个变量。
一行对应一个已有噪声值数据,一行对应一个变量;其中,N1、N2、……、Nn是各变电站测量噪声平均值;TN1、TN2、……、TNn是各变电站中的主变台数;C1、C2、……、Cn是各变电站中的主变冷却方式,油浸自冷式、油浸风冷式、强迫油循环分别对应值1、2、3;HR1、HR2、……、HRn是各变电站中的高压电抗器个数;DE1、DE2、……、DEn是各变电站配电装置类型,GIS/HGIS、AIS分别对应值1、2;IN1、IN2、……、INn是各变电站户内/户外类型,户内、户外分别对应值0、1;TC1、TC2、……、TCn是各变电站中的主变容量;A1、A2、……、An是各变电站面积;X是变电站厂界噪声的参数矩阵。
步骤S23:最终,通过上述步骤S21相关性计算分析得到影响变电站的核心影响因素为,主变因素、冷却方式、高抗器因素、电容器因素4个因素。
利用上述得出的核心影响因素,对待测变电站进行评估的主要步骤如下:
步骤B1:统计待测变电站的核心影响因素,包括了主变信息,冷却方式,电抗器信息,电容器信息。
步骤B2:根据对大量变电站厂界噪声数据的统计分析,根据对变电站噪声的影响程度大小,得出主变台数、冷却方式、电抗器因素、电容器因素4个核心因素对变电站厂界噪声的影响权重参数分别是3、3、2、2。
步骤B3:将各个影响因素的权重参数带入到模糊评判法模型中,进行计算可得出待测变电站的厂界噪声预测评估。
图2展示了对变电站进行噪声的测量,五角星是噪声测量取点位置。此图展示的是应用于本发明中大量的变电站数据的测量方式。
图3展示了模糊评判法的模型,表明在通过上述的相关性分析得出变电站核心影响因素:主变台数,电抗器,电容器,冷却方式。通过带入模糊评判法模型来得出变电站的评估结果:包括了优秀,良好,合格,不合格。实现对变电站的评估。
Claims (2)
1.一种基于大数据统计分析的变电站厂界噪声预测评估方法,其特征在于,包括以下步骤:
S1:采集现有变电站的基本信息和设备信息;
S2:对S1中采集来的变电站的基本信息和设备信息采用相关性建模分析法,分析得出变电站噪声的核心影响因素,具体步骤如下:
S21:分析单一特征因素对变电站厂界噪声影响的大小,对两个或多个具备相关性的变量元素进行分析来衡量多个变量的相关密切程度,两组数据的相关系数计算公式为:
Cov(i,j)=E[(i-E(i))(j-E(j))] (2)
式(1)中,Cov(i,j)是变量i、j的协方差;E(i)、E(j)分别表示变量i、j的均值;R(i,j)为相关系数,R(i,j)越接近1,则表明相应i、j变量间正相关度越大,相反,若R(i,j)越接近-1,则表明相应i、j变量间负相关度越大;
S22:选取影响变电站厂界噪音的主要因数量,与噪声值作为列向量得到参数矩阵如下:
一行对应一个已有噪声值数据,一行对应一个变量;其中,N1、N2、……、Nn是各变电站测量噪声平均值;TN1、TN2、……、TNn是各变电站中的主变台数;C1、C2、……、Cn是各变电站中的主变冷却方式,油浸自冷式、油浸风冷式、强迫油循环分别对应值1、2、3;HR1、HR2、……、HRn是各变电站中的高压电抗器个数;DE1、DE2、……、DEn是各变电站配电装置类型,GIS/HGIS、AIS分别对应值1、2;IN1、IN2、……、INn是各变电站户内/户外类型,户内、户外分别对应值0、1;TC1、TC2、……、TCn是各变电站中的主变容量;A1、A2、……、An是各变电站面积;X是变电站厂界噪声的参数矩阵;
S23:通过S22的选取影响变电站厂界噪音的主要因数量分析得出变电站厂界噪声的核心影响因素;
S3:对S2中分析得出的变电站噪声的核心影响因素,采用指标体系搭建与噪声评估模型搭建相结合的方式,使用权重分析方法得出变电站噪声的核心影响因素的权重参数;
S4:采集待测变电站噪声的核心影响因素,将S3中得出的变电站噪声的核心影响因素的权重参数带入到模糊评判法模型中,进行待测变电站的厂界噪声预测评估;
S5:评测待测变电站噪声是否达标。
2.根据权利要求1所述的一种基于大数据统计分析的变电站厂界噪声预测评估方法,其特征在于:所述S23中计算分析得出的变电站噪声的核心影响因素为主变台数、主变冷却方式、高压电抗器个数、主变容量4个因素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710321933.4A CN107180273B (zh) | 2017-05-09 | 2017-05-09 | 一种基于大数据统计分析的变电站厂界噪声预测评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710321933.4A CN107180273B (zh) | 2017-05-09 | 2017-05-09 | 一种基于大数据统计分析的变电站厂界噪声预测评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107180273A CN107180273A (zh) | 2017-09-19 |
CN107180273B true CN107180273B (zh) | 2020-05-22 |
Family
ID=59832490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710321933.4A Active CN107180273B (zh) | 2017-05-09 | 2017-05-09 | 一种基于大数据统计分析的变电站厂界噪声预测评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107180273B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107860469B (zh) * | 2017-11-22 | 2019-09-10 | 重庆大学 | 一种基于正交多项式拟合的变电站噪声预测方法 |
CN109443523A (zh) * | 2018-10-23 | 2019-03-08 | 国网天津市电力公司电力科学研究院 | 一种35kV户内或地下变电站结构噪声间接测量方法 |
CN110674996B (zh) * | 2019-09-27 | 2022-06-10 | 河南大学 | 一种城市交通噪声预测方法 |
CN112347705B (zh) * | 2021-01-07 | 2021-04-02 | 中国电力科学研究院有限公司 | 一种建立变电站厂界噪声模型的方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194027A (zh) * | 2011-04-29 | 2011-09-21 | 重庆电力科学试验研究院 | 变电站噪声控制优化分析方法及系统 |
CN104102838A (zh) * | 2014-07-14 | 2014-10-15 | 河海大学 | 一种基于小波神经网络和小波技术的变压器噪声预测方法 |
CN104239742A (zh) * | 2014-09-29 | 2014-12-24 | 国家电网公司 | 一种变压器远场噪声预测方法及系统 |
CN104573047A (zh) * | 2015-01-20 | 2015-04-29 | 国家电网公司 | 变电站厂界噪声统计分析方法 |
CN105224760A (zh) * | 2015-10-19 | 2016-01-06 | 重庆大学 | 一种基于风电场的vsc-hvdc并网系统可靠性计算方法 |
CN106599394A (zh) * | 2016-11-25 | 2017-04-26 | 国网上海市电力公司 | 一种变电站的噪声声场建模计算方法 |
-
2017
- 2017-05-09 CN CN201710321933.4A patent/CN107180273B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194027A (zh) * | 2011-04-29 | 2011-09-21 | 重庆电力科学试验研究院 | 变电站噪声控制优化分析方法及系统 |
CN104102838A (zh) * | 2014-07-14 | 2014-10-15 | 河海大学 | 一种基于小波神经网络和小波技术的变压器噪声预测方法 |
CN104239742A (zh) * | 2014-09-29 | 2014-12-24 | 国家电网公司 | 一种变压器远场噪声预测方法及系统 |
CN104573047A (zh) * | 2015-01-20 | 2015-04-29 | 国家电网公司 | 变电站厂界噪声统计分析方法 |
CN105224760A (zh) * | 2015-10-19 | 2016-01-06 | 重庆大学 | 一种基于风电场的vsc-hvdc并网系统可靠性计算方法 |
CN106599394A (zh) * | 2016-11-25 | 2017-04-26 | 国网上海市电力公司 | 一种变电站的噪声声场建模计算方法 |
Non-Patent Citations (1)
Title |
---|
基于声场仿真技术的变电站站界噪声评价研究;田昊洋;《计算机仿真》;20170131;第34卷(第1期);418-422 * |
Also Published As
Publication number | Publication date |
---|---|
CN107180273A (zh) | 2017-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107180273B (zh) | 一种基于大数据统计分析的变电站厂界噪声预测评估方法 | |
CN103576050B (zh) | 一种电容式电压互感器的运行状态评估方法 | |
CN103871000B (zh) | 基于概率全寿命周期成本的电力变压器效能综合评估方法 | |
CN107909277A (zh) | 一种基于模糊层次分析法的变电站环保水平评估方法 | |
CN106980905A (zh) | 配电网供电可靠性预测方法和系统 | |
CN103489035A (zh) | 基于灰色加权关联分析算法的电网电能质量综合评价方法 | |
CN107886171B (zh) | 一种基于pmu数据的断路器状态在线诊断方法及系统 | |
CN106329516A (zh) | 一种基于典型场景识别的配电网动态重构方法 | |
CN110489783B (zh) | 一种基于qrnn的低压台区线损率合理范围估计方法 | |
CN106921158B (zh) | 一种基于配电变压器时间序列的历史采集数据的需要系数分析方法 | |
CN102044868A (zh) | 一种电网线损监测分析方法及装置 | |
CN106532719A (zh) | 基于电流二次谐波与无功的非变频空调非侵入式辨识方法 | |
CN109490726A (zh) | 基于云理论的电力变压器绝缘状态评估方法 | |
CN116169786B (zh) | 一种核电配电柜的安全智能监控方法及系统 | |
CN109784755A (zh) | 一种基于层次分析法的电网智能化水平评估方法 | |
CN109242158B (zh) | 一种寒冷地区的城市居住建筑系统的能耗预测方法 | |
CN111027886B (zh) | 一种考虑单位成本效用的低电压治理方案的评估方法 | |
CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
CN107767037B (zh) | 一种用户用电构成解析方法 | |
CN102930408B (zh) | 一种基于信息融合的750kV电网二次设备状态评估方法 | |
CN113904322A (zh) | 一种基于电流+电压的低压配网拓扑生成方法 | |
CN115860321A (zh) | 一种配电网供电可靠性评估方法、系统、电子设备及介质 | |
CN109829652B (zh) | 一种长时间尺度动态谐波责任划分方法 | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN103617560A (zh) | 一种应用于企业的电力能效监测与评估系统及其评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |