CN107423847B - 一种分布式智能配电网的电力负荷预测方法 - Google Patents
一种分布式智能配电网的电力负荷预测方法 Download PDFInfo
- Publication number
- CN107423847B CN107423847B CN201710458375.6A CN201710458375A CN107423847B CN 107423847 B CN107423847 B CN 107423847B CN 201710458375 A CN201710458375 A CN 201710458375A CN 107423847 B CN107423847 B CN 107423847B
- Authority
- CN
- China
- Prior art keywords
- power load
- array
- data
- historical
- load array
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011161 development Methods 0.000 claims description 11
- 238000005316 response function Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 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)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种分布式智能配电网的电力负荷预测方法，包括：获取历史电力负荷数组；对所述历史电力负荷数组进行降噪处理；根据所述降噪处理后的历史电力负荷数组采用灰度模型进行电力负荷预测。由此，降低了数据的起伏性和随机性，从而提高了预测的准确性。
Description
技术领域
本发明涉及智能配电网技术领域，具体涉及一种分布式智能配电网的电力负荷预测方法。
背景技术
输电网是通过高压、超高压输电线将发电厂与变电所、变电所与变电所连接起来，完成电能传输的电力网络.又称为电力网中的主网架。配电网是从输电网或地区发电厂接受电能.通过配电设施就地或逐级分配给用户的电力网。配电网按照电压等级可分为高压配电网、中压配电网和低压配电网；按照地域服务对象可分为城市配电网和农村配电网；按照配电线路类型可分为架空配电网和电缆配电网。
智能配电网系统是利用现代电子技术、通讯技术、计算机及网络技术，将配电网在线数据和离线数据、配电网数据和用户数据、电网结构和地理图形进行信息集成，实现配电系统正常运行及事故情况下的监测、保护、控制、用电和配电管理的智能化。
由于配电网数据量巨大、数据流动快，受不同因素的影响，数据存在一定的起伏性与随机性，从而导致分布式智能配电网系统对电力负荷预测的准确度降低。
发明内容
有鉴于此，本发明实施例提供了一种分布式智能配电网的电力负荷预测方法，以解决分布式智能配电网系统对电力负荷预测的准确度降低的问题。
本发明实施例提供了一种分布式智能配电网的电力负荷预测方法，包括：获取历史电力负荷数组；对所述历史电力负荷数组进行降噪处理；根据所述降噪处理后的历史电力负荷数组采用灰度模型进行电力负荷预测。
可选的，所述对所述历史电力负荷数组进行降噪处理，包括：根据当前预测是预测工作日或非工作日，剔除所述历史电力负荷数组中的非工作日电力负荷数据或工作日电力负荷数据；平滑处理所述历史电力负荷数组。
可选的，所述历史电力负荷数组是Y(0)＝(y(0)(1),y(0)(2),…y(0)(i),…y(0)(n))，其中，n是所述数组的长度，i＝1,2,…,n，y(0)(i)是第i个电力负荷数据，所述平滑处理所述历史电力负荷数组，包括：
判断y(0)(i)是否在
范围内；
当y(0)(i)在所述范围内，进行赋值使x(0)(i)＝y(0)(i)；
当y(0)(i)不在所述范围内，进行赋值使
重复所述判断和赋值步骤，直至所述历史电力负荷数组中所有的电力负荷数据都已被处理；
获取第一电力负荷数组X(0)＝(x(0)(1),x(0)(2),…x(0)(i)…,x(0)(n))。
可选的，所述根据所述降噪处理后的历史电力负荷数组采用灰度模型进行电力负荷预测，包括：
通过一次累加法根据所述第一电力负荷数组X(0)生成第二电力负荷数组X(1)，所述X(1)＝(x(1)(1),x(1)(2),…x(1)(k)…x(1)(n))，其中，
根据所述第一电力负荷数组X(0)和第二电力负荷数组X(1)生成参数矩阵B与常数项向量Yn，所述
所述
其中，
通过最小二乘法根据所述参数矩阵B与常数项向量Yn获取灰度参数
所述
根据公式(1)和公式(2)求解发展参数a和协调系数u
根据所述发展参数a和协调系数u获取时间响应函数
其中，k＝0,1,2…；
通过一次累减还原得到离散形式的时间响应函数
其中，当k>n时，
即为预测的第n+1个电力负荷数据y(0)(n+1)。
可选的，所述根据所述降噪处理后的历史电力负荷数组采用灰度模型进行电力负荷预测之后，还包括数据更新，所述数据更新包括：
判断预测的所述电力负荷数据y(0)(n+1)是否在阈值范围C内，所述
其中，i＝1,2,…,n；
当y(0)(n+1)在所述C范围内，将y(0)(n+1)插入到所述历史电力负荷数组Y(0)的末尾；
当y(0)(n+1)不在所述C范围内，将所述历史电力负荷数组的均值
插入到所述历史电力负荷数组Y(0)的末尾，将第一个值y(0)(1)去除，得到新的电力负荷数组Y(0)＝(y(0)(2),y(0)(3),…,y(0)(n),y(0)(n+1))。
可选的，依次重复所述数据更新和电力负荷预测的步骤，直至预测结束。
本发明实施例的分布式智能配电网的电力负荷预测方法，通过对历史电力负荷数组(原始数据)的降噪处理，降低了数据的起伏性和随机性，从而提高了预测的准确性；进一步的，通过对背景值的优化和自适应的数据更新，能进一步的提高预测的准确性。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1是本发明实施例的一种分布式智能配电网的电力负荷预测方法的流程图；
图2是图1所示的电力负荷预测方法的步骤3的具体流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种分布式智能配电网的电力负荷预测方法，适用于例如配电网监控服务器，包括：
S1.获取历史电力负荷数组；
具体地，历史电力负荷数组是由未经处理的原始数据构成的序列，例如，历史电力负荷数组Y(0)＝(y(0)(1),y(0)(2),…y(0)(i),…y(0)(n))，其中，n是所述数组的长度，即有n个单独的数据，i＝1,2,…,n，y(0)(i)是第i个电力负荷数据；例如获取最近20天的电力负荷数据Y(0)：(9117.6,9112.3,9227.6,9022.6,9111.3,9212.3,9022.8,8896.3,8792.3,9110.3,9122.3,8936.2,9177.6,9111.6,8788.6,8778.6,9005.8,9210.7,8997.2,9102.3)。
S2.对所述历史电力负荷数组进行降噪处理；
具体地，降噪处理可以包括以下的至少一个步骤：
(1)根据预测情况，使用工作日与非工作日填充原始数据。
考虑节假日和周末电力负荷数据跟工作日电力负荷存在一定的差异，因此，在预测时分两种情况进行，若预测工作日的电力负荷，则输入时剔除节假日和周末的数据信息，保证连续输入的数据均为工作日的数据，若预测节假日或周末的电力负荷时，则只输入节假日或周末的数据。
(2)平滑处理数据。可选的，可在上述步骤(1)后，再执行本步骤。该平滑处理可具体包括：
判断y(0)(i)是否在
范围内；
当y(0)(i)在所述范围内，则认为其不是噪声，进行赋值使x(0)(i)＝y(0)(i)；
当y(0)(i)不在所述范围内，则认为其是噪声，进行赋值使
重复所述判断和赋值步骤，直至所述历史电力负荷数组中所有的电力负荷数据都已被处理；
把经过预处理后的Y(0)序列赋值给预测训练序列(或称第一电力负荷数组)X(0)，得到X(0)＝(x(0)(1),x(0)(2),…x(0)(i)…,x(0)(n))。
上述预处理可使用滑动平均算法代替。但滑动平均算法无法高效地抑制数据突变的干扰，不能有效解决数据起伏过大的现象，导致预测精度降低，同时也无法避免工作日与节假日之间数据的差别。而经过数据筛选与出噪的数据预处理，能解决数据突变的问题，在降低原始数据的随机性和起伏性的同时，也提高了预测的准确性。
S3.根据所述降噪处理后的历史电力负荷数组采用灰度模型进行电力负荷预测。
具体地，可利用历史电力负荷数组生成灰度模型，即可根据前n个数据，预测第n+1数据，即y(0)(n+1)。
本发明实施例的分布式智能配电网的电力负荷预测方法，通过对历史电力负荷数组(原始数据)的降噪处理，降低了数据的起伏性和随机性，从而提高了预测的准确性。
在一些可选的实施例中，如图2所示，上述步骤S3.根据所述降噪处理后的历史电力负荷数组采用灰度模型进行电力负荷预测，可以具体包括:
S31.通过一次累加法根据上述第一电力负荷数组X(0)生成第二电力负荷数组X(1)；
具体地，X(1)＝(x(1)(1),x(1)(2),…x(1)(k)…x(1)(n))，其中，
k＝1,2,…,n；i＝1,2,…,k；
S32.求解灰度模型的发展参数a和协调参数u；
具体地，包括：
(1)求得背景值Z(1)(k)，用于求得最小二乘法的参数矩阵B，
构建灰度模型所需要的发展参数a反映x(1)以及预测训练序列x(0)的发展趋势,a的大小会直接影响预测结果，如果发展参数较小，会导致拟合和预测效果不佳，如果发展参数过大，导致模型误差较大。而通过优化灰背景值Z(1)(k)，能有效解决发展参数a影响预测精度的问题。
(2)生成参数矩阵B与常数项向量Yn，
(3)用最小二乘法求解灰度参数
(4)求解发展参数a和协调系数u；
具体地，根据下述公式求解出a和u，
S33.通过构建灰度模型预测下一时刻的值；
首先，根据以上已得到的a和u，首先求得灰度模型的时间响应函数
其中，k＝0,1,2…；
然后，一次累减还原得到离散形式的时间响应函数
其中，当k＝0,1,…,n-1时，
为原始数据的拟合值，
当k>n时，
即为预测的第n+1个电力负荷数据y(0)(n+1)。
S34.判断预测是否结束，若未结束则执行步骤S36，否则结束。
S35.自适应数据更新。
在电力负荷预测中，是由历史时刻的数据向未来时刻进行预测的，预测的时间跨度越长，预测模型将随着时间的推移准确度逐渐降低，导致在长期预测中效果不佳。因此使用自适应数据更新可以进一步提高数据序列的光滑度，减弱异常值的影响，保证原始序列的大致趋势，解决长期预测准确度不高的缺点。
为了减少特殊因素带来的噪声影响，对预测值y(0)(n+1)与阈值范围C进行比较判断后再更新数据，能够进一步提高预测的准确度，其中，阈值范围C表示正常情况下电力负荷的波动范围，
若预测值y(0)(n+1)满足在C范围内波动，则直接将预测出的结果值y(0)(n+1)插入到预测训练序列Y(0)的末尾，若y(0)(n+1)不满足在阈值C范围内波动，则将原始数据序列的均值
插入末尾，然后将第一个值y(0)(1)去除，得到新的原始数据序列Y(0)＝(y(0)(2),y(0)(3),…,y(0)(n),y(0)(n+1))。
传统灰度模型在预测时间跨度越大的情况下，预测的效果越差，不适合做长时负荷预测。使用自适应数据更新可以进一步提高数据序列的光滑度，减弱异常值的影响，保证原始序列的大致趋势，解决长期预测准确度不高的缺点。因此，通过动态自适应更新数据，能有效提高准确度。
步骤S35执行后，接下来继续执行步骤S31。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (3)
1.一种分布式智能配电网的电力负荷预测方法，其特征在于，包括：获取历史电力负荷数组；
对所述历史电力负荷数组进行降噪处理；降噪处理包括平滑处理所述历史电力负荷数组Y(0)＝(y(0)(1),y(0)(2),…y(0)(i),…y(0)(n))，其中，n是所述数组的长度，i＝1,2,....,n,y(0)(i)是第i个电力负荷数据；所述平滑处理所述历史电力负荷数组，包括：
判断y(0)(i)是否在
范围内；
当y(0)(i)在所述范围内，进行赋值使x(0)(i)＝y(0)(i)；
当y(0)(i)不在所述范围内，进行赋值使
重复所述判断和赋值步骤，直至所述历史电力负荷数组中所有的电力负荷数据都已被处理；
获取第一电力负荷数组X(0)＝(x(0)(1)，x(0)(2)，…x(0)(i)…，x(0)(n))；
根据所述降噪处理后的历史电力负荷数组采用灰度模型进行电力负荷预测，包括：
通过一次累加法根据所述第一电力负荷数组X(0)生成第二电力荷数组X(1)，所述X(0)＝(x(0)(1)，x(0)(2)，…x(0)(i)…，x(0)(n))，其中，
根据所述第一电力负荷数组X(0)和第二电力负荷数组X(1)生成参数矩阵B与常数项向量Yn，所述
所述
其中，
求得背景值Z(1)(k)，通过最小二乘法根据参数矩阵B与常数项向量获取灰度参数
根据公式(1)和公式(2)求解发展参数a和协调系数u
根据所述发展参数a和协调系数u获取时间响应函数；
在所述根据所述降噪处理后的历史电力负荷数组采用灰度模型进行电力负荷预测之后，还包括数据更新，所述数据更新包括：
判断预测的所述电力负荷数据是否在阈值范围C内，所述
其中，i＝1,2,...,n；；
当y(0)(n+1)在所述C范围内，将y(0)(n+1)插入到所述历史电力负荷数组Y(0)的末尾；
当y(0)(n+1)不在所述C范围内，将所述历史电力负荷数组的均值
插入到所述历史电力负荷数组Y(0)的末尾，将第一个值Y(0)(1)去除，得到新的电力负荷数组
Y(0)＝(y(0)(2)，y(0)(3)，…，y(0)(n)，y(0)(n+1))
依次重复所述数据更新和电力负荷预测的步骤，直至预测结束。
2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述对所述历史电力负荷数组进行降噪处理，包括：
根据当前预测是预测工作日或非工作日，剔除所述历史电力负荷数组中的非工作日电力负荷数据或工作日电力负荷数据。
3.根据权利要求1所述的电力负荷预测方法，其特征在于，
时间响应函数
其中，k＝0，1，2...；
通过一次累减还原得到离散形式的时间响应函数
其中，当k＞n时，
即为预测的第n+1个电力负荷数据y(0)(n+1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710458375.6A CN107423847B (zh) | 2017-06-16 | 2017-06-16 | 一种分布式智能配电网的电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710458375.6A CN107423847B (zh) | 2017-06-16 | 2017-06-16 | 一种分布式智能配电网的电力负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107423847A CN107423847A (zh) | 2017-12-01 |
| CN107423847B true CN107423847B (zh) | 2021-08-20 |
Family
ID=60429756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710458375.6A Active CN107423847B (zh) | 2017-06-16 | 2017-06-16 | 一种分布式智能配电网的电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107423847B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921322A (zh) * | 2018-05-25 | 2018-11-30 | 广东电网有限责任公司电力调度控制中心 | 一种基于实时电价的超短期节点负荷预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117975B (zh) * | 2015-08-06 | 2019-03-19 | 国家电网公司 | 一种光伏输出功率值的分频预测方法 |
-
2017
- 2017-06-16 CN CN201710458375.6A patent/CN107423847B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 灰色预测模型及中长期电力负荷预测应用研究;王大鹏;《中国博士学位论文全文数据库 工程科技II辑》;20140215(第2期);C042-27页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107423847A (zh) | 2017-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
| CN113037531A (zh) | 流量预测方法、装置以及存储介质 | |
| CN112541546A (zh) | 一种基于多场景模型的光伏电站典型场景生成方法 | |
| CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| CN112785042A (zh) | 基于Prophet-LSTM组合算法的配电变压器重过载预测方法及系统 | |
| CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
| CN107423847B (zh) | 一种分布式智能配电网的电力负荷预测方法 | |
| CN113361801A (zh) | 基于gan网络和半监督回归的混合滚动短期负荷预测方法 | |
| CN107563641B (zh) | 一种计及灾害偏好的配电网抗灾多场景差异化规划方法 | |
| CN115186916A (zh) | 负荷预测方法、装置、设备及计算机可读存储介质 | |
| CN113890017B (zh) | 基于关键量测的配电网电压自适应控制方法 | |
| CN109816165B (zh) | 风电超短期功率预测方法及系统 | |
| CN112347663B (zh) | 融合变压器健康状态和役龄的故障概率预测方法 | |
| CN109245182B (zh) | 一种基于参数规划的分布式光伏最大容量评估方法 | |
| CN111130126B (zh) | 电力系统阻尼比在线趋优方法、存储介质和计算设备 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| Grigoras et al. | Energy losses estimation in electrical distribution networks with a decision trees-based algorithm | |
| CN112488404A (zh) | 一种配电网大规模电力负荷多线程高效预测方法及系统 | |
| Cui et al. | SARIMA‐Orthogonal Polynomial Curve Fitting Model for Medium‐Term Load Forecasting | |
| CN114860808B (zh) | 基于大数据的配电网设备异常事件关联分析方法 | |
| CN117114161A (zh) | 一种基于元学习的输电线路风偏闪络风险的预测方法 | |
| CN115940155A (zh) | 一种配电网的电压调节方法、装置、设备及存储介质 | |
| CN113255994A (zh) | 电网cps的优化配置方法、装置、设备和介质 | |
| CN114997470A (zh) | 基于lstm神经网络的短期用电负荷预测方法 | |
| CN114266430A (zh) | 基于变分同化的架空输电线路风险评估方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Shinan District 266003 Shandong city of Qingdao province Liujiaxia Road No. 17 in Qingdao power supply company Applicant after: Qingdao Power Supply Company, State Grid Shandong Electric Power Company Applicant after: State Grid Co., Ltd. Address before: Shinan District 266003 Shandong city of Qingdao province Liujiaxia Road No. 17 in Qingdao power supply company Applicant before: Qingdao Power Supply Company, State Grid Shandong Electric Power Company Applicant before: State Grid Corporation |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |