CN109474333A - 一种基于深度学习的电力光缆实时监测保护系统 - Google Patents
一种基于深度学习的电力光缆实时监测保护系统 Download PDFInfo
- Publication number
- CN109474333A CN109474333A CN201811611609.7A CN201811611609A CN109474333A CN 109474333 A CN109474333 A CN 109474333A CN 201811611609 A CN201811611609 A CN 201811611609A CN 109474333 A CN109474333 A CN 109474333A
- Authority
- CN
- China
- Prior art keywords
- optical cable
- optical
- real
- time monitoring
- unit
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/077—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using a supervisory or additional signal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/077—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using a supervisory or additional signal
- H04B10/0771—Fault location on the transmission path
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0793—Network aspects, e.g. central monitoring of transmission parameters
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Locating Faults (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明提供了一种基于深度学习的电力光缆实时监测保护系统,包括控制单元、实时监测单元、故障检测单元、数据分析管理单元和报警及定位单元;实时监测单元用于实时监测光缆光纤中的光功率,并发送给控制单元,控制单元用于在光缆光纤中的光功率发生变化时,启动故障检测单元,故障检测单元用于测量光纤中的故障数据,并发送至数据分析管理单元,数据分析管理单元用于通过深度学习的方法建立深度信念网络分类器,并通过深度信念网络分类器对数据进行分析管理,得到光缆异常位置,并发送给报警及定位单元。本发明可对光缆进行实时监测并预判事故,具有实时性、在线性、可靠性等方面的优点,非常适合于电力系统通信网络的应用。
Description
技术领域
本发明涉及电力光缆安全检测技术领域,具体为一种基于深度学习的电力光缆实时监测保护系统。
背景技术
智能电网要求电力系统实现电网的信息化、自动化和互动化,因此电力光缆的出现解决了信息的高效传输。电力光缆是指电力系统中兼顾电力传输和信息通信的各类复合缆和特种光缆。其可大致分为1.地线缠绕式光缆GWWOP和捆绑式光缆ADL,2.全介质自承式光缆ADSS和金属自承式光缆MASS,3.光纤复合架空地线OPGW和光纤复合架空相线OPPC,4.接入网用光电混合缆GD,5.光纤复合低压电缆OPLC。电力光缆的运行环境从架空到地埋不等,环境相对复杂,电力光缆内部的光纤更容易受外界因素的影响而产生故障。传统的电力光缆运维工作为定时巡检、发生故障时再采用OTDR(光时域反射仪)等设备进行定位、检修,无法做到事故发生的预判,并且由于受到线路弧垂等影响,其事故距离和实际地理位置存在较大出入,给电力光缆的及时检修带来很大难度。
发明内容
为适应电力光缆领域的实际需求,本发明克服现有技术存在的不足,所要解决的技术问题为提出一种基于深度学习的电力光缆实时监测保护系统,对光缆进行实时监测并预判事故。
为了解决上述技术问题,本发明采用的技术方案为:一种基于深度学习的电力光缆实时监测保护系统,包括控制单元、实时监测单元、故障检测单元、数据分析管理单元和报警及定位单元;所述实时监测单元用于实时监测光缆光纤中的光功率,并发送给所述控制单元,所述控制单元用于在光缆光纤中的光功率发生变化时,启动故障检测单元,所述故障检测单元用于测量光纤中的故障数据,并发送至所述数据分析管理单元,所述数据分析管理单元用于通过深度学习的方法建立深度信念网络分类器,并通过深度信念网络分类器对数据进行分析管理,得到光缆异常位置,并发送给所述报警及定位单元。
所述报警及定位单元包括报警模块和GIS地图定位模块,所述GIS地图定位模块内存储有电力光缆长度与对应实际地理位置的GIS地图数据,用于根据GIS地图数据将光缆异常位置与实际地理位置进行匹配,所述报警模块内设置有声光报警装置和远程报警装置,所述远程报警装置用于将报警信息和匹配结果发送出去。
所述数据分析管理单元建立深度信念网络分类器的具体方法为:
S1、通过小波分析法对数据进行降噪,并提取特征数据,所述特征数据包括光纤的起始点、熔接点、接头、异常弯曲点、断裂点、末端;
S2、选取样本数据和特征变量,对样本数据进行标准化处理后按比例将其分为训练集和测试集;
S3、对光缆状态进行编码,建立基于深度信念网络分类器的光缆故障分类模型,并初始化光缆故障分类的深度信念网络分类器模型参数为服从高斯分布的较小随机数值;
S4、采用训练集中的无标签样本通过CD算法对模型底部RBM层进行预训练;
S5、采用训练集中的标签样本通过BP算法对整个网络进行调优;
S6、保存训练好的网络,并对其进行测试。
所述故障检测单元包括光时域反射模块。
所述实时监测单元包括光源模块和光功率监测模块,光源模块用于为光缆中的备纤提供光信号,光功率监测模块用于实时监测占用光纤或者备纤中的光功率。
本发明与现有技术相比具有以下有益效果:
(1)本发明通过实时监测电力光缆因外界因素(高温、弯折、外破等)、自身材料老化等原因造成的光路信号衰减,可对光缆链路中光功率进行实时监测,若其发生衰减时,即可迅速查找原因并分析,本发明系统可对每次测量值进行分析训练,达到对事故发生的准确预判。
(2)传统的电力光缆运维工作为定时巡检、发生故障时再采用OTDR等设备进行定位、检修,并且由于受到线路弧垂等影响,其事故距离和实际地理位置存在较大出入,本发明可做到无人值守,在系统判断到异常事件时,开始启动报警程序,GIS地图定位模块将光缆长度信息与实际地理位置进行匹配,并将其信息随报警信息发送至运维人员手机中,达到提前预判,提前预防事故发生,针对突发事件,运维人员也可在第一时间赶赴现场抢修,极大节省了查找时间,提高了工作效率。
(3)本发明可对光缆进行实时监测并预判事故,该系统具有实时性、在线性、可靠性等方面的优点,非常适合于电力系统通信网络的应用。
附图说明
图1为本发明实施例提出的一种基于深度学习的电力光缆实时监测保护系统的结构原理框图。
图中,1为控制单元、2为实时监测单元、21为光源模块、22为光功率监测模块、3为故障检测单元、31为光时域反射模块、4为数据分析管理单元、5为报警及定位单元、51为报警模块、52为GIS地图定位模块。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面将结合具体实施例和附图,对本发明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的一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通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基于深度学习的电力光缆实时监测保护系统,包括控制单元1、实时监测单元2、故障检测单元3、数据分析管理单元4和报警及定位单元5。控制单元1的接线端口通过导电线分别与实时监测单元2、故障检测单元3、数据分析管理单元4和报警及定位单元5的接线端口连接,且实时监测单元2通过导电线与故障检测单元3连接,所述故障检测单元3的接线端口通过导电线与数据分析管理单元4的接线端口连接,且数据分析管理单元4的接线端口通过导电线与报警及定位单元5的接线端口连接。
其中,所述实时监测单元用于实时监测光缆光纤中的光功率,并发送给所述控制单元1,所述控制单元1用于在光缆光纤中的光功率发生变化时,启动故障检测单元3,所述故障检测单元3用于测量光纤中的故障数据,并发送至所述数据分析管理单元4,所述数据分析管理单元4用于通过深度学习的方法建立深度信念网络分类器,并通过深度信念网络分类器对数据进行分析管理,得到光缆异常位置,并发送给所述报警及定位单元5。
具体地,所述实时监测单元2包括光源模块21和光功率监测模块22,光源模块21可为光缆中的备纤提供光信号,光功率监测模块22可以实时监测占用光纤或者备纤中的光功率。
具体地,所述故障检测单元3包括光时域反射模块31。光时域反射模块31可以测量光纤中的故障数据。
其中,数据分析管理单元4建立深度信念网络分类器的具体方法为:
S1、通过小波分析法对数据进行降噪,并提取特征数据,所述特征数据包括光纤的起始点、熔接点、接头、异常弯曲点、断裂点、末端;
S2、选取样本数据和特征变量,对样本数据进行标准化处理后按比例将其分为训练集和测试集;
S3、对光缆状态进行编码,建立基于深度信念网络分类器的光缆故障分类模型,并初始化光缆故障分类的深度信念网络分类器模型参数为服从高斯分布的较小随机数值;
S4、采用训练集中的无标签样本通过CD算法对模型底部RBM层进行预训练;
S5、采用训练集中的标签样本通过BP算法对整个网络进行调优;
S6、保存训练好的网络,并对其进行测试。
以从训练集中选取的一个训练样本x0为例,CD算法步骤如下:
步骤1:初始化可见层单元的初始状态v0=x0,初始化W、a、b为服从高斯分布的随机较小数值,设定各层RBM最大训练迭代次数;
步骤2:对所有隐单元计算:
从条件分布P(h0j|v0)中抽取h0~P(h0|v0),其中,σ(x)为sigmoid函数,下同;
步骤3:对所有可见单元,计算:
从条件分布P(v1i|h0)中抽取v1~P(v1|h0);
步骤4:对所有隐单元计算:
步骤5:按下式更新各个参数:
a←a+ρ(v0-v1); (5)
b←b+ρ(P(h0=1|v0)-P(h1=1|v1));(6)
步骤6:重复步骤2至步骤5,直至达到最大迭代次数或重构误差足够小,结束该层RBM的训练。该分类模型不仅能提高对光纤故障类型的迅速准确识别,并且随着测量次数的增多其准确率也会不断提高,达到对事故发生前的预判。
具体地,本实施例中,所述报警及定位单元5包括报警模块51和GIS地图定位模块52。数据分析管理单元4所获取到光缆异常位置时,将数据传输至报警及定位单元5,所述GIS地图定位模块52内存储有电力光缆长度与对应实际地理位置的GIS地图数据,所述GIS地图定位模块52根据GIS地图数据将光缆异常位置与实际地理位置进行匹配,计算得到发生故障的实际地理位置,然后发送给报警模块51,所述报警模块51内设置有声光报警装置和远程报警装置,声光报警装置发出警报信号,远程报警装置将报警信息和匹配得到的故障地理位置通过短信或软件推送等方式发送至运维人员手机中,达到提前预判,提前预防事故发生,针对突发事件,运维人员也可在第一时间赶赴现场抢修,极大节省了查找时间,提高了工作效率。
上面结合附图对本发明的实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种基于深度学习的电力光缆实时监测保护系统,其特征在于,包括控制单元(1)、实时监测单元(2)、故障检测单元(3)、数据分析管理单元(4)和报警及定位单元(5);所述实时监测单元用于实时监测光缆光纤中的光功率,并发送给所述控制单元(1),所述控制单元(1)用于在光缆光纤中的光功率发生变化时,启动故障检测单元(3),所述故障检测单元(3)用于测量光纤中的故障数据,并发送至所述数据分析管理单元(4),所述数据分析管理单元(4)用于通过深度学习的方法建立深度信念网络分类器,并通过深度信念网络分类器对数据进行分析管理,得到光缆异常位置,并发送给所述报警及定位单元(5)。
2.根据权利要求1所述的一种基于深度学习的电力光缆实时监测保护系统,其特征在于,所述报警及定位单元(5)包括报警模块(51)和GIS地图定位模块(52),所述GIS地图定位模块(52)内存储有电力光缆长度与对应实际地理位置的GIS地图数据,用于根据GIS地图数据将光缆异常位置与实际地理位置进行匹配,所述报警模块(51)内设置有声光报警装置和远程报警装置,所述远程报警装置用于将报警信息和匹配结果发送出去。
3.根据权利要求1所述的一种基于深度学习的电力光缆实时监测保护系统,其特征在于,所述数据分析管理单元(4)建立深度信念网络分类器的具体方法为:
S1、通过小波分析法对数据进行降噪,并提取特征数据,所述特征数据包括光纤的起始点、熔接点、接头、异常弯曲点、断裂点、末端;
S2、选取样本数据和特征变量,对样本数据进行标准化处理后按比例将其分为训练集和测试集;
S3、对光缆状态进行编码,建立基于深度信念网络分类器的光缆故障分类模型,并初始化光缆故障分类的深度信念网络分类器模型参数为服从高斯分布的较小随机数值;
S4、采用训练集中的无标签样本通过CD算法对模型底部RBM层进行预训练;
S5、采用训练集中的标签样本通过BP算法对整个网络进行调优;
S6、保存训练好的网络,并对其进行测试。
4.根据权利要求1所述的一种基于深度学习的电力光缆实时监测保护系统,其特征在于,所述故障检测单元(3)包括光时域反射模块(31)。
5.根据权利要求1所述的一种基于深度学习的电力光缆实时监测保护系统,其特征在于,所述实时监测单元(2)包括光源模块(21)和光功率监测模块(22),光源模块(21)用于为光缆中的备纤提供光信号,光功率监测模块(22)用于实时监测占用光纤或者备纤中的光功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811611609.7A CN109474333B (zh) | 2018-12-27 | 2018-12-27 | 一种基于深度学习的电力光缆实时监测保护系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811611609.7A CN109474333B (zh) | 2018-12-27 | 2018-12-27 | 一种基于深度学习的电力光缆实时监测保护系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109474333A true CN109474333A (zh) | 2019-03-15 |
CN109474333B CN109474333B (zh) | 2021-03-23 |
Family
ID=65677981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811611609.7A Active CN109474333B (zh) | 2018-12-27 | 2018-12-27 | 一种基于深度学习的电力光缆实时监测保护系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109474333B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110505009A (zh) * | 2019-09-12 | 2019-11-26 | 国家电网有限公司 | 一种基于相干光时域反射计的电力光缆监控装置及方法 |
CN111130634A (zh) * | 2019-12-13 | 2020-05-08 | 国网西藏电力有限公司 | 一种opgw中损耗事件的识别方法及系统 |
CN113872024A (zh) * | 2021-12-01 | 2021-12-31 | 中国工程物理研究院电子工程研究所 | 面向光纤激光系统多源物理监测量的智能故障诊断方法 |
CN115293508A (zh) * | 2022-07-05 | 2022-11-04 | 国网江苏省电力有限公司南通市通州区供电分公司 | 一种可视化的光缆运行状态监控方法及系统 |
CN116633433A (zh) * | 2023-05-12 | 2023-08-22 | 国网吉林省电力有限公司 | 一种基于模型驱动的opgw光缆故障诊断与定位方法 |
CN117353807A (zh) * | 2023-12-04 | 2024-01-05 | 唐山市艾科特科技有限公司 | 一种基于人工智能的光缆远程监测系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205123742U (zh) * | 2015-10-29 | 2016-03-30 | 天津港信息技术发展有限公司 | 一种增强型光缆在线监测系统 |
CN108196143A (zh) * | 2017-12-11 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力变压器故障深度诊断方法及终端设备 |
CN108593260A (zh) * | 2018-04-24 | 2018-09-28 | 国家电网公司 | 光缆线路故障定位和检测方法及终端设备 |
CN108709633A (zh) * | 2018-08-29 | 2018-10-26 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
-
2018
- 2018-12-27 CN CN201811611609.7A patent/CN109474333B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205123742U (zh) * | 2015-10-29 | 2016-03-30 | 天津港信息技术发展有限公司 | 一种增强型光缆在线监测系统 |
CN108196143A (zh) * | 2017-12-11 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力变压器故障深度诊断方法及终端设备 |
CN108593260A (zh) * | 2018-04-24 | 2018-09-28 | 国家电网公司 | 光缆线路故障定位和检测方法及终端设备 |
CN108709633A (zh) * | 2018-08-29 | 2018-10-26 | 中国科学院上海光学精密机械研究所 | 基于深度学习的分布式光纤振动传感智能安全监测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110505009A (zh) * | 2019-09-12 | 2019-11-26 | 国家电网有限公司 | 一种基于相干光时域反射计的电力光缆监控装置及方法 |
CN111130634A (zh) * | 2019-12-13 | 2020-05-08 | 国网西藏电力有限公司 | 一种opgw中损耗事件的识别方法及系统 |
CN113872024A (zh) * | 2021-12-01 | 2021-12-31 | 中国工程物理研究院电子工程研究所 | 面向光纤激光系统多源物理监测量的智能故障诊断方法 |
CN115293508A (zh) * | 2022-07-05 | 2022-11-04 | 国网江苏省电力有限公司南通市通州区供电分公司 | 一种可视化的光缆运行状态监控方法及系统 |
CN115293508B (zh) * | 2022-07-05 | 2023-06-02 | 国网江苏省电力有限公司南通市通州区供电分公司 | 一种可视化的光缆运行状态监控方法及系统 |
CN116633433A (zh) * | 2023-05-12 | 2023-08-22 | 国网吉林省电力有限公司 | 一种基于模型驱动的opgw光缆故障诊断与定位方法 |
CN116633433B (zh) * | 2023-05-12 | 2024-03-08 | 国网吉林省电力有限公司 | 一种基于模型驱动的opgw光缆故障诊断与定位方法 |
CN117353807A (zh) * | 2023-12-04 | 2024-01-05 | 唐山市艾科特科技有限公司 | 一种基于人工智能的光缆远程监测系统及方法 |
CN117353807B (zh) * | 2023-12-04 | 2024-03-05 | 唐山市艾科特科技有限公司 | 一种基于人工智能的光缆远程监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109474333B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109474333A (zh) | 一种基于深度学习的电力光缆实时监测保护系统 | |
CN106597231B (zh) | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 | |
CN102368634B (zh) | 智能变电站状态监测统一信息平台系统 | |
CN106026393B (zh) | 一种电网线路智能巡线及运行安全风险预测系统及方法 | |
CN106199305B (zh) | 煤矿井下供电系统用干式变压器绝缘健康状态评估方法 | |
CN101553738B (zh) | 闪络分析工具 | |
CN109116126B (zh) | 一种通信电缆屏蔽层屏蔽效能在线监测评估方法及系统 | |
CN112202493A (zh) | 通信线路的故障检测方法、装置及系统 | |
CN103914791A (zh) | 一种电力设备状态检修系统 | |
CN106469356A (zh) | 基于多维数据的输电设备状态评价及风险分析方法及装置 | |
CN110690699B (zh) | 一种基于泛在电力物联网的变电站智慧检测系统 | |
CN109713789B (zh) | 一种基于bim技术的变配电所智能实时分级报警方法 | |
CN110336379A (zh) | 基于物联网的变电站在线监测系统及终端设备 | |
CN104539047A (zh) | 基于多因子比对可视化的智能变电站故障诊断及定位方法 | |
CN114383652A (zh) | 一种配电网潜在故障在线风险辨识方法、系统及装置 | |
CN109974780A (zh) | 一种基于物联网的电气设备状态监测系统 | |
CN110299758A (zh) | 一种变电站综合在线监测及诊断系统 | |
CN104501873B (zh) | 一种环网柜的集成信息监控系统 | |
CN117239926A (zh) | 基于多参量感知的配电台区监测系统及方法 | |
CN103412213A (zh) | 交联聚乙烯高压电缆在线监测预警系统 | |
Ma et al. | Fractal‐based autonomous partial discharge pattern recognition method for MV motors | |
CN213213470U (zh) | 通信线路的故障检测系统 | |
CN113532538A (zh) | 母线槽在线智能环境监测系统 | |
CN116317171B (zh) | 一种电量及非电量物联网监控装置 | |
CN116169778A (zh) | 一种基于配电网异常分析的处理方法及系统 |
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 |