CN110045440B - 一种大气雾霾数值预报的集合预报方法及系统 - Google Patents
一种大气雾霾数值预报的集合预报方法及系统 Download PDFInfo
- Publication number
- CN110045440B CN110045440B CN201910343596.8A CN201910343596A CN110045440B CN 110045440 B CN110045440 B CN 110045440B CN 201910343596 A CN201910343596 A CN 201910343596A CN 110045440 B CN110045440 B CN 110045440B
- Authority
- CN
- China
- Prior art keywords
- data
- forecasting
- numerical
- grid
- boundary condition
- 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 9
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 38
- 231100000719 pollutant Toxicity 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000013277 forecasting method Methods 0.000 claims abstract description 13
- 230000010354 integration Effects 0.000 claims description 14
- 238000010248 power generation Methods 0.000 abstract description 6
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种大气雾霾数值预报的集合预报方法及系统,其中,集合预报方法包括:选择需要开展雾霾数值预报的区域,并将区域划分成等经纬网格;收集多种气候模式的初始场数据和边界条件数据,并分别从每种气候模式的初始场数据和边界条件数据中,选取与当前时刻临近的多个不同起报时刻的数据;将选取的不同起报时刻的数据按照等经纬网格进行插值,得统一格点的网格数据;选择区域数值预报模式,并选择不同的边界层参数化方案,将网格数据分别输入区域数值预报模式,并对网格数据开展数值积分计算,生成多组大气污染物在未来不同时刻的空间分布数据。通过该方法及系统能够科学指导电网企业优化发电调度,进而降低雾霾浓度。
Description
技术领域
本发明涉及大气环境和电网调度技术领域,具体而言,涉及一种大气雾霾数值预报的集合预报方法及系统。
背景技术
随着我国工业体量的不断发展增强,工业排放源不断的增多,导致了大气雾霾的频繁发生,因而给居民健康带来了严重的影响。
火电厂发电时会产生大量的烟气,这些烟气是大气雾霾形成的原因之一。在大气雾霾较严重时,采用火电厂发电会加重雾霾浓度。
若在大气雾霾频繁发生时,电网企业能进行合理的发电调度,增加清洁能源的并网,适当减少火电厂电能的使用,则可在一定程度上降低大气雾霾浓度,提升空气质量。目前,还没有一种科学合理的指导电网企业优化发电调度,以降低雾霾的方法。
发明内容
本发明的主要目的在于提供一种大气雾霾数值预报的集合预报方法及系统,以解决现有技术中无法科学合理的根据大气雾霾程度指导电网企业优化发电调度的问题。
为了实现上述目的,根据本发明的一个方面,提供了一种大气雾霾数值预报的集合预报方法,该集合预报方法包括:
选择需要开展雾霾数值预报的区域,并将所述区域划分成等经纬网格;
收集多种气候模式的初始场数据和边界条件数据,并分别从每种所述气候模式的初始场数据和边界条件数据中,选取与当前时刻临近的多个不同起报时刻的初始场数据和边界条件数据;
将选取的不同起报时刻的初始场数据和边界条件数据按照所述等经纬网格进行插值,得到统一格点的网格数据;
选择一种区域数值预报模式,并选择不同的边界层参数化方案,将所述统一格点的网格数据分别输入区域数值预报模式,并对所述统一格点的网格数据开展数值积分计算,生成多组大气污染物在未来不同时刻的空间分布数据。
进一步地,区域数值预报模式为WRF-Chem数值预报模式,所述边界层参数化方案包括MYJ、YSU、ACM2边界层参数化方案。
进一步地,所述对所述统一格点的网格数据开展数值积分计算,具体是指:将多种所述气候模式的初始场数据和边界条件数据、所述不同起报时刻的初始场数据和边界条件数据分别与所述MYJ、YSU、ACM2边界层参数化方案进行交叉组合,得到多种组合方案,并分别对每一种组合方案开展数值积分计算。
进一步地,在生成多组大气污染物在未来不同时刻的空间分布数据之后,所述集合预报方法还包括:对未来同一时刻的多组大气污染物的空间分布数据进行一段时间的跟踪预报,对预报结果开展评价并将预报结果按照准确性由高到低进行排名,对多组大气污染物的空间分布数据分别设置权重值,所述权重值按照预报结果准确性的排名由高到低逐渐减小,将多组大气污染物的空间分布数据与相应的权重值相乘再求和,得大气雾霾数值预报的集合预报结果。
进一步地,所述气候模式包括中国的全球气候模式、美国的全球气候模式和英国的全球气候模式。
根据本发明的另一方面,提供了一种大气雾霾数值预报的集合预报系统,该集合预报系统包括:
区域选择及划分模块,用于选择需要开展雾霾数值预报的区域,并将所述区域划分成等经纬网格;
数据选取模块,用于收集多种气候模式的初始场数据和边界条件数据,并分别从每种所述气候模式的初始场数据和边界条件数据中,选取与当前时刻临近的多个不同起报时刻的初始场数据和边界条件数据;
数据插值模块,用于将选取的不同起报时刻的初始场数据和边界条件数据按照所述等经纬网格进行插值,得到统一格点的网格数据;
空间分布数据生成模块,用于选择一种区域数值预报模式,并选择不同的边界层参数化方案,将所述统一格点的网格数据分别输入所述区域数值预报模式,并对所述统一格点的网格数据开展数值积分计算,生成多组大气污染物在未来不同时刻的空间分布数据。
进一步地,所述区域数值预报模式为WRF-Chem数值预报模式,所述边界层参数化方案包括MYJ、YSU、ACM2边界层参数化方案。
进一步地,对所述统一格点的网格数据开展数值积分计算,具体是指:将多种所述气候模式的初始场数据和边界条件数据、所述不同起报时刻的初始场数据和边界条件数据分别与所述MYJ、YSU、ACM2边界层参数化方案进行交叉组合,得到多种组合方案,并分别对每一种组合方案开展数值积分计算。
进一步地,所述集合预报系统还包括:集合预报结果计算模块,用于在生成多组大气污染物在未来不同时刻的空间分布数据之后,对未来同一时刻的多组大气污染物的空间分布数据进行一段时间的跟踪预报,对预报结果开展评价并将预报结果按照准确性由高到低进行排名,对多组大气污染物的空间分布数据分别设置权重值,所述权重值按照预报结果准确性的排名由高到低逐渐减小,将多组大气污染物的空间分布数据与相应的权重值相乘再求和,得大气雾霾数值预报的集合预报结果。
应用本发明的技术方案,通过采用多种气候模式的初始场数据与边界条件数据、选取不同起报时刻的初始场数据和边界条件数据,并采用不同的边界层参数化方案,较好地综合了不同全球模式对未来大气预报的特征;同时又采用临近时刻的数据进行预报,降低了小尺度扰动对数值预报的干扰;通过生成多组大气污染物在未来不同时刻的空间分布数据,能够指导电网企业优化发电调度,若大气污染物的空间分布数据较大,则增加清洁能源的并网,减少火电厂电能的使用,以降低雾霾。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例2的集合预报方法的流程图。
图2为本发明实施例3的集合预报系统的框图。
具体实施方式
为了便于理解本发明,下文将结合说明书附图和较佳的实施例对本发明作更全面、细致地描述,但本发明的保护范围并不限于以下具体的实施例。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
一种本发明大气雾霾数值预报的集合预报方法实施例。该大气雾霾数值预报的集合预报方法具体包括以下步骤:
步骤S100:选取开展集合预报的区域为我国中东部地区,具体经纬度范围为东经100°至东经120°,北纬20°至北纬55°,并将该区域分成为9公里×9公里的网格;
步骤S200:收集中国、美国和英国的全球模式的2019年1月1日12时(世界时)的初始场数据和边界条件数据,并选取-6h、0h和+6h的初始场数据和边界条件数据,用作不同起报时刻的初始场数据和边界条件数据;
步骤S300:将步骤S200选取的不同起报时刻的初始场数据和边界条件数据插值到步骤S100的网格上,得到统一格点的网格数据;
步骤S400:采用WRF-Chem作为区域数值预报模式,选择MYJ、YSU和ACM2边界层参数化方案,将统一格点的网格数据分别输入上述的区域数值预报模式,将多种气候模式的初始场数据和边界条件数据、不同起报时刻的初始场数据和边界条件数据分别与MYJ、YSU、ACM2边界层参数化方案进行交叉组合,得到多种组合方案(共计3×3×3,即27种组合方案),并分别对每一种组合方案开展数值积分计算,计算未来7天的各类大气要素及污染物的空间分布,得到未来不同时刻的大气雾霾污染物的空间网格数据,然后将这些空间网格数据进行算术平均,得到集合预报结果。
实施例2
参见图1,一种本发明大气雾霾数值预报的集合预报方法实施例。该大气雾霾数值预报的集合预报方法具体包括以下步骤:
步骤S100:选取开展集合预报的区域为我国中东部地区,具体经纬度范围为东经100°至东经120°,北纬20°至北纬55°,并将该区域分成为9公里×9公里的网格;
步骤S200:收集中国、美国和英国的全球模式的2019年1月1日12时(世界时)的初始场数据和边界条件数据,并选取-6h、0h和+6h的初始场数据和边界条件数据,用作不同起报时刻的初始场数据和边界条件数据;
步骤S300:将步骤S200选取的不同起报时刻的初始场数据和边界条件数据插值到步骤S100的网格上,得到统一格点的网格数据;
步骤S400:采用WRF-Chem作为区域数值预报模式,选择MYJ、YSU和ACM2边界层参数化方案,将统一格点的网格数据分别输入上述的区域数值预报模式,将多种气候模式的初始场数据和边界条件数据、不同起报时刻的初始场数据和边界条件数据分别与MYJ、YSU、ACM2边界层参数化方案进行交叉组合,得到多种组合方案(共计3×3×3,即27种组合方案),并分别对每一种组合方案开展数值积分计算,计算未来7天的各类大气要素及污染物的空间分布,得到未来不同时刻的大气雾霾污染物的空间网格数据;
步骤S500:对步骤S400得到的未来不同时刻的大气雾霾污染物的空间网格数据进行一段时间的跟踪预报,对预报结果开展评价并将预报结果按照准确性由高到低进行排名,对多组大气污染物的空间分布数据分别设置权重值(ω),权重值按照预报结果准确性的排名由高到低逐渐减小,排名靠前的预报结果,其权重值也大(即ω1>ω2>ω3>…>ω27);将多组大气污染物的空间分布数据与相应的权重值相乘再求和(即X为大气污染物的空间分布数据),得大气雾霾数值预报的集合预报结果。
采用权重集合预报的方法,能够适当的提高预报的准确性较高的结果在集合预报结果中的权重,进而能够进一步提升雾霾数值预报结果的准确率。
实施例3
参见图2,一种本发明实施例的大气雾霾数值预报的集合预报系统。该集合预报系统主要包括区域选择及划分模块101、数据选取模块102、数据插值模块103、空间分布数据生成模块104和集合预报结果计算模块105。
其中,区域选择及划分模块101,用于选择需要开展雾霾数值预报的区域,并将区域划分成等经纬网格;
数据选取模块102,用于收集多种气候模式的初始场数据和边界条件数据,并分别从每种气候模式的初始场数据和边界条件数据中,选取与当前时刻临近的多个不同起报时刻的初始场数据和边界条件数据;
数据插值模块103,用于将选取的不同起报时刻的初始场数据和边界条件数据按照等经纬网格进行插值,得到统一格点的网格数据;
空间分布数据生成模块104,用于选择一种区域数值预报模式,并选择不同的边界层参数化方案,将统一格点的网格数据分别输入区域数值预报模式,并对统一格点的网格数据开展数值积分计算,生成多组大气污染物在未来不同时刻的空间分布数据。
集合预报结果计算模块105,用于在生成多组大气污染物在未来不同时刻的空间分布数据之后,对未来同一时刻的多组大气污染物的空间分布数据进行一段时间的跟踪预报,对预报结果开展评价并将预报结果按照准确性由高到低进行排名,对多组大气污染物的空间分布数据分别设置权重值,权重值按照预报结果准确性的排名由高到低逐渐减小,将多组大气污染物的空间分布数据与相应的权重值相乘再求和,得大气雾霾数值预报的集合预报结果。
具体来说,在本实施例中,区域数值预报模式为WRF-Chem数值预报模式,边界层参数化方案包括MYJ、YSU、ACM2边界层参数化方案。对统一格点的网格数据开展数值积分计算,具体是指:将多种气候模式的初始场数据和边界条件数据、不同起报时刻的初始场数据和边界条件数据分别与MYJ、YSU、ACM2边界层参数化方案进行交叉组合,得到多种组合方案,并分别对每一种组合方案开展数值积分计算。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种大气雾霾数值预报的集合预报方法,其特征在于,所述集合预报方法包括:
选择需要开展雾霾数值预报的区域,并将所述区域划分成等经纬网格;
收集多种气候模式的初始场数据和边界条件数据,并分别从每种所述气候模式的初始场数据和边界条件数据中,选取与当前时刻临近的多个不同起报时刻的初始场数据和边界条件数据;
将选取的不同起报时刻的初始场数据和边界条件数据按照所述等经纬网格进行插值,得到统一格点的网格数据;
选择一种区域数值预报模式,并选择不同的边界层参数化方案,将所述统一格点的网格数据分别输入所述区域数值预报模式,并对所述统一格点的网格数据开展数值积分计算,生成多组大气污染物在未来不同时刻的空间分布数据;
所述区域数值预报模式为WRF-Chem数值预报模式,所述边界层参数化方案包括MYJ、YSU、ACM2边界层参数化方案;
所述对所述统一格点的网格数据开展数值积分计算,具体是指:
将多种所述气候模式的初始场数据和边界条件数据、所述不同起报时刻的初始场数据和边界条件数据分别与所述MYJ、YSU、ACM2边界层参数化方案进行交叉组合,得到多种组合方案,并分别对每一种组合方案开展数值积分计算。
2.根据权利要求1所述的大气雾霾数值预报的集合预报方法,其特征在于,在生成多组大气污染物在未来不同时刻的空间分布数据之后,所述集合预报方法还包括:
对未来同一时刻的多组大气污染物的空间分布数据进行一段时间的跟踪预报,对预报结果开展评价并将预报结果按照准确性由高到低进行排名,对多组大气污染物的空间分布数据分别设置权重值,所述权重值按照预报结果准确性的排名由高到低逐渐减小,将多组大气污染物的空间分布数据与相应的权重值相乘再求和,得大气雾霾数值预报的集合预报结果。
3.一种大气雾霾数值预报的集合预报系统,其特征在于,所述集合预报系统包括:
区域选择及划分模块,用于选择需要开展雾霾数值预报的区域,并将所述区域划分成等经纬网格;
数据选取模块,用于收集多种气候模式的初始场数据和边界条件数据,并分别从每种所述气候模式的初始场数据和边界条件数据中,选取与当前时刻临近的多个不同起报时刻的初始场数据和边界条件数据;
数据插值模块,用于将选取的不同起报时刻的初始场数据和边界条件数据按照所述等经纬网格进行插值,得到统一格点的网格数据;
空间分布数据生成模块,用于选择一种区域数值预报模式,并选择不同的边界层参数化方案,将所述统一格点的网格数据分别输入所述区域数值预报模式,并对所述统一格点的网格数据开展数值积分计算,生成多组大气污染物在未来不同时刻的空间分布数据;
所述区域数值预报模式为WRF-Chem数值预报模式,所述边界层参数化方案包括MYJ、YSU、ACM2边界层参数化方案;
对所述统一格点的网格数据开展数值积分计算,具体是指:将多种所述气候模式的初始场数据和边界条件数据、所述不同起报时刻的初始场数据和边界条件数据分别与所述MYJ、YSU、ACM2边界层参数化方案进行交叉组合,得到多种组合方案,并分别对每一种组合方案开展数值积分计算。
4.根据权利要求3所述的大气雾霾数值预报的集合预报系统,其特征在于,所述集合预报系统还包括:
集合预报结果计算模块,用于在生成多组大气污染物在未来不同时刻的空间分布数据之后,对未来同一时刻的多组大气污染物的空间分布数据进行一段时间的跟踪预报,对预报结果开展评价并将预报结果按照准确性由高到低进行排名,对多组大气污染物的空间分布数据分别设置权重值,所述权重值按照预报结果准确性的排名由高到低逐渐减小,将多组大气污染物的空间分布数据与相应的权重值相乘再求和,得大气雾霾数值预报的集合预报结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910343596.8A CN110045440B (zh) | 2019-04-26 | 2019-04-26 | 一种大气雾霾数值预报的集合预报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910343596.8A CN110045440B (zh) | 2019-04-26 | 2019-04-26 | 一种大气雾霾数值预报的集合预报方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110045440A CN110045440A (zh) | 2019-07-23 |
CN110045440B true CN110045440B (zh) | 2021-03-09 |
Family
ID=67279706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910343596.8A Active CN110045440B (zh) | 2019-04-26 | 2019-04-26 | 一种大气雾霾数值预报的集合预报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110045440B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705796A (zh) * | 2019-10-09 | 2020-01-17 | 国网湖南省电力有限公司 | 电网暴雨数值预报的量级频率订正集合预报方法及系统 |
CN111475960A (zh) * | 2020-04-21 | 2020-07-31 | 成都信息工程大学 | 基于meic大气污染源清单的窗口化环境空气质量模式预处理方法 |
CN112069449B (zh) * | 2020-09-04 | 2021-07-16 | 中科三清科技有限公司 | 基于初值集合的天气预报方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
CN107273995A (zh) * | 2016-04-08 | 2017-10-20 | 株式会社日立制作所 | 空气质量预报方法 |
CN107679167A (zh) * | 2017-09-29 | 2018-02-09 | 智慧天气风险管理(深圳)有限公司 | 基于格点化气象数据的气象风险评估方法及分析预警平台 |
CN108919384A (zh) * | 2018-03-26 | 2018-11-30 | 宁波市水利水电规划设计研究院 | 一种基于预估偏差的台风路径集合预报方法 |
CN109214710A (zh) * | 2018-10-12 | 2019-01-15 | 国网湖南省电力有限公司 | 基于三因子的雾霾数值预报结果的评价方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146297B (zh) * | 2018-08-28 | 2020-04-07 | 国网湖南省电力有限公司 | 电网降雾霾的优化调度方法及系统 |
-
2019
- 2019-04-26 CN CN201910343596.8A patent/CN110045440B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514341A (zh) * | 2012-06-14 | 2014-01-15 | 华锐风电科技(集团)股份有限公司 | 基于数值天气预报和计算流体动力学的风资源评估方法 |
CN107273995A (zh) * | 2016-04-08 | 2017-10-20 | 株式会社日立制作所 | 空气质量预报方法 |
CN107679167A (zh) * | 2017-09-29 | 2018-02-09 | 智慧天气风险管理(深圳)有限公司 | 基于格点化气象数据的气象风险评估方法及分析预警平台 |
CN108919384A (zh) * | 2018-03-26 | 2018-11-30 | 宁波市水利水电规划设计研究院 | 一种基于预估偏差的台风路径集合预报方法 |
CN109214710A (zh) * | 2018-10-12 | 2019-01-15 | 国网湖南省电力有限公司 | 基于三因子的雾霾数值预报结果的评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110045440A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045440B (zh) | 一种大气雾霾数值预报的集合预报方法及系统 | |
Jafarzadeh et al. | Solar power prediction using interval type-2 TSK modeling | |
CN112765912B (zh) | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 | |
Heymann et al. | Distribution network planning considering technology diffusion dynamics and spatial net-load behavior | |
Padhi et al. | Solving dynamic economic emission dispatch problem with uncertainty of wind and load using whale optimization algorithm | |
Oka et al. | Climate change impacts on potential solar energy production: A study case in Fukushima, Japan | |
CN110096795A (zh) | 一种大气雾霾数值预报的校正预报方法及系统 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
JP2021531725A (ja) | 太陽光発電を推定および予測するための技法 | |
El Kafazi et al. | Modeling and forecasting energy demand | |
JP5466596B2 (ja) | 太陽光発電設備の発電出力推定方法 | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
Ramon et al. | A perfect prognosis downscaling methodology for seasonal prediction of local-scale wind speeds | |
Singh et al. | Impact of large-scale rooftop solar PV integration: An algorithm for hydrothermal-solar scheduling (HTSS) | |
Bofinger et al. | Solar electricity forecast-approaches and first results | |
CN115358060A (zh) | 一种支持新能源发电功率高精度预测的高效算法框架 | |
Javed et al. | Impact of multi-annual renewable energy variability on the optimal sizing of off-grid systems | |
JP6272254B2 (ja) | 情報処理装置及び情報処理方法及び情報処理プログラム | |
CN117394310A (zh) | 多天气类型影响的区域光伏等效光资源计算方法和系统 | |
JP2022121028A (ja) | 発電量管理システム及び発電量管理方法 | |
Kulkarni et al. | Renewable energy mapping in Maharashtra, India using GIS | |
CN115983478A (zh) | 分布式光伏发电功率预测分析方法、系统、终端及介质 | |
CN112684519B (zh) | 一种天气预报方法、装置、计算机设备及存储介质 | |
Jogunuri et al. | Artificial intelligence methods for solar forecasting for optimum sizing of PV systems: A review | |
Al-Hilfi et al. | Enhancing the estimation of the overall produced power by several adjacent photovoltaic systems using existing correlational factors |
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 |