CN110796159A - 基于k-means算法的电力数据分类方法及系统 - Google Patents

基于k-means算法的电力数据分类方法及系统 Download PDF

Info

Publication number
CN110796159A
CN110796159A CN201910864244.7A CN201910864244A CN110796159A CN 110796159 A CN110796159 A CN 110796159A CN 201910864244 A CN201910864244 A CN 201910864244A CN 110796159 A CN110796159 A CN 110796159A
Authority
CN
China
Prior art keywords
data
cluster
power
classification
means algorithm
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.)
Pending
Application number
CN201910864244.7A
Other languages
English (en)
Inventor
司为国
朱炯
张博
张玉鹏
赵开
郭小茜
张�浩
俞成彪
严志毅
闫宇铎
曹杰人
金仁云
宋惠忠
李骏
柳志军
唐鸣
张益军
施萌
张俊
侯伟宏
钟晓红
何可人
高瑾
吴颖
陈晨
厉律阳
徐国锋
章晨璐
朱小炜
孙远
向新宇
华玫
沈志强
朱坚
孙建军
仲从杰
毛无穷
刘磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Zhejiang Zhongxin Electric Power Engineering Construction Co Ltd
Original Assignee
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN201910864244.7A priority Critical patent/CN110796159A/zh
Publication of CN110796159A publication Critical patent/CN110796159A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及计算机领域，尤其涉及基于朴素贝叶斯算法的电力数据分类方法及系统，包括：S1：从电力公司的电力系统中获取数据并生成数据集；S2：从数据集中取数据子集，并作增量式训练，所述数据子集；S3：计算各类别Ck在数据子集中的频率；S4：将数据子集划分成K个子数据子集，计算出其中第j个特征Xj＝ajl的概率；S5：计算其对于每个类别Ck的后验概率，概率值最大的类别即为待预测样本的预测类别；S6：在数据集中去掉当前数据子集，并判断数据集是否为空，若非空则进入步骤S2，若空则结束分类。本发明针对各种特征采用极大似然估计来表示各种分类的概率，再选取概率值最大的类别即为待预测样本的预测类别，能够迅速准确的实现数据的分类。

Description

基于k-means算法的电力数据分类方法及系统
技术领域
本发明涉及计算机领域，尤其涉及基于k-means算法的电力数据分类方法及系统。
背景技术
为研究供电企业业务的风险现状，规范供电企业业务管理，提升生产经营效率，切实保障电力安全可靠供应和优质服务，国家电网需要对电力系统中的数据进行分析。
在对电力系统中的数据进行分析之前，需要对这些数据进行合理有效的分类，以便于更好的分析。现有的分类方式时根据数据的来源进行人工分类，这种数据分类的方法误差较大，因此会对最终的数据分析造成较大的影响。
发明内容
为解决上述问题，本发明提出基于k-means算法的电力数据分类方法及系统。
基于k-means算法的电力数据分类方法，包括：
S1：从电力公司的电力系统中获取数据并生成数据集；
S2：根据公司经营的实际情况，将数据的待分类类数设定为k；
S3：随机选择k个聚类中心，聚类中心集为Y＝{yt|t＝1,2,…,k}；
S4：获取数据集为X＝{xi|i＝1,2,…,m}，其中m为样本总数，簇为C＝{ct|t＝1,2,…,k}；
S5：计算数据集X中每一个数据xi和各个簇之间的距离dit，选择距离dit对应的值最小的簇ct，并更新簇Ct＝Ct∪{xi}；
S6：对聚类中心yt中所有的数据点进行计算得出新的聚类中心；
S7：判断所有的质心向量的位置是否基本趋于稳定，若是则输出簇划分，实现对数据的分类，若不是则进入步骤S4。
优选的，所述计算样本集X中每一个样本xi和各个簇之间的距离dit包括：
Figure BDA0002200784620000021
优选的，所述对聚类中心yt中所有的数据点进行计算得出新的聚类中心包括：
基于k-means算法的电力数据分类系统，包括：分类模块，所述分类模块用于：从电力公司的电力系统中获取数据并生成数据集；根据公司经营的实际情况，将数据的待分类类数设定为k；随机选择k个聚类中心，聚类中心集为Y＝{yt|t＝1,2,…,k}；获取数据集为X＝{xi|i＝1,2,…,m}，其中m为样本总数，簇为C＝{ct|t＝1,2,…,k}；计算数据集X中每一个数据xi和各个簇之间的距离dit，选择距离dit对应的值最小的簇ct，并更新簇Ct＝Ct∪{xi}；对聚类中心yt中所有的数据点进行计算得出新的聚类中心；判断所有的质心向量的位置是否基本趋于稳定，若是则输出簇划分，实现对数据的分类，若不是则重新进行分类。
优选的，所述计算样本集X中每一个样本xi和各个簇之间的距离dit包括：
Figure BDA0002200784620000023
优选的，所述对聚类中心yt中所有的数据点进行计算得出新的聚类中心包括：
Figure BDA0002200784620000024
优选的，还包括：用户交互模块，用于数据可视化展示、Web界面配置以及应用程序配置。
本发明具备以下有益效果：
1.从电力公司的电力系统中获取需要分类的数据，根据电网工程中的所期望分类人工选择最优的分类数，随机生成聚类中心，开始迭代计算，每次将整个数据集进行分类，判断分类的条件是当前数据点与各聚类中心的距离，选择最近中心作为所属类别，当所有点被分类后计算各类的中心，作为新的聚类中心，判断当聚类中心变动小于某一设定值时结束，最终实现对电力数据进行分类；
2.K-means聚类算法的收敛速度快，模型的可解释性较强，而且聚类效果优，因此可以实现电力数据的快速、准确的分类。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例一种基于k-means算法的电力数据分类方法的流程图；
图2是本发明实施例一种基于k-means算法的电力数据分类系统的结构图。
具体实施方式
以下结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
本发明的基本思想是从电力公司的电力系统中获取需要分类的数据，根据电网工程中的所期望分类人工选择最优的分类数，随机生成聚类中心，开始迭代计算，每次将整个数据集进行分类，判断分类的条件是当前数据点与各聚类中心的距离，选择最近中心作为所属类别，当所有点被分类后计算各类的中心，作为新的聚类中心，判断当聚类中心变动小于某一设定值时结束，最终实现对电力数据进行分类。
基于以上构思，本实施例提出一种基于k-means算法的电力数据分类方法，如图1所示，包括：
S1：从电力公司的电力系统中获取数据并生成数据集。
从营销系统、电力管理系统、招投标系统、财务系统等系统中获取相关业务的数据，获取的数据包括电力的销售数据、电力的销售数据等等。
在获取数据之后，对获取的数据根据获取的顺序进行排列生成数据集。
S2：根据公司经营的实际情况，将数据的待分类类数设定为k。
公司经营的实际情况，如正常，支出异常，收入异常等。根据公司经营实际情况的类别对应的设定数据的待分类类数k。
S3：随机选择k个聚类中心，聚类中心集为Y＝{yt|t＝1,2,…,k}。
聚类中心的选择要求是被选择的聚类中心不重复，且聚类中心间距离适中，以实现更好的分类。
S4：获取数据集为X＝{xi|i＝1,2,…,m}，其中m为样本总数，簇为C＝{ct|t＝1,2,…,k}。
S5：计算数据集X中每一个数据xi和各个簇之间的距离dit，选择距离dit对应的值最小的簇ct，并更新簇Ct＝Ct∪{xi}。
计算样本集X中每一个样本xi和各个簇之间的距离dit包括：
Figure BDA0002200784620000041
S6：对聚类中心yt中所有的数据点进行计算得出新的聚类中心。
对聚类中心yt中所有的数据点进行计算得出新的聚类中心包括：
Figure BDA0002200784620000051
S7：判断所有的质心向量的位置是否基本趋于稳定，若是则输出簇划分，实现对数据的分类，若不是则进入步骤S4。
针对电力数据量大，且不易收敛的情况，在本实施例中决定使用k-means聚类算法。K-means聚类算法是基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。K-means聚类算法的收敛速度快，模型的可解释性较强，而且聚类效果优，因此可以实现电力数据的快速、准确的分类。
基于上述一种基于k-means算法的电力数据分类方法，本实施例还提出一种基于k-means算法的电力数据分类系统，如图2所示，包括：分类模块，所述分类模块用于：从电力公司的电力系统中获取数据并生成数据集；根据公司经营的实际情况，将数据的待分类类数设定为k；随机选择k个聚类中心，聚类中心集为Y＝{yt|t＝1,2,…,k}；获取数据集为X＝{xi|i＝1,2,…,m}，其中m为样本总数，簇为C＝{ct|t＝1,2,…,k}；计算数据集X中每一个数据xi和各个簇之间的距离dit，选择距离dit对应的值最小的簇ct，并更新簇Ct＝Ct∪{xi}；对聚类中心yt中所有的数据点进行计算得出新的聚类中心；判断所有的质心向量的位置是否基本趋于稳定，若是则输出簇划分，实现对数据的分类，若不是则重新进行分类。
具体的，计算样本集X中每一个样本xi和各个簇之间的距离dit包括：
Figure BDA0002200784620000052
具体的，所述对聚类中心yt中所有的数据点进行计算得出新的聚类中心包括：
Figure BDA0002200784620000053
需要说明的是，分类模块所实现对数据的分类已经在实施例一种基于k-means算法的电力数据分类方法中详细描述，因此在系统实施例中不再重复说明。
在本实施例中，一种基于k-means算法的电力数据分类系统还包括：用户交互模块，用于数据可视化展示、Web界面配置以及应用程序配置。
在数据实现获取之后，根据实际的需求进行不同的方式进行可视化展示，例如可以生成曲线图、柱状图、条形图、饼图、地图等形式。通过对数据的可视化展示，便于用于的分析、理解，最终让数据变得更加简单，方便交流。
除了上述数据可视化展示之外，用户还可以根据自己的实际需求对用户交互模块的界面进行设定。同时，用户还可以根据自己的实际需求对用户交互模块的应用程序进行配置。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.基于k-means算法的电力数据分类方法，其特征在于，包括：
S1：从电力公司的电力系统中获取数据并生成数据集；
S2：根据公司经营的实际情况，将数据的待分类类数设定为k；
S3：随机选择k个聚类中心，聚类中心集为Y＝{yt|t＝1，2，...，k}；
S4：获取数据集为X＝{xi|i＝1，2，...，m}，其中m为样本总数，簇为C＝{ct|t＝1，2，...，k}；
S5：计算数据集X中每一个数据xi和各个簇之间的距离dit，选择距离dit对应的值最小的簇ct，并更新簇Ct＝Ct∪{xi}；
S6：对聚类中心yt中所有的数据点进行计算得出新的聚类中心；
S7：判断所有的质心向量的位置是否基本趋于稳定，若是则输出簇划分，实现对数据的分类，若不是则进入步骤S4。
2.根据权利要求1所述的基于k-means算法的电力数据分类方法，其特征在于，所述计算样本集X中每一个样本xi和各个簇之间的距离dit包括：
Figure FDA0002200784610000011
3.根据权利要求1所述的基于k-means算法的电力数据分类方法，其特征在于，所述对聚类中心yt中所有的数据点进行计算得出新的聚类中心包括：
Figure FDA0002200784610000012
4.基于k-means算法的电力数据分类系统，其特征在于，包括：分类模块，所述分类模块用于：从电力公司的电力系统中获取数据并生成数据集；根据公司经营的实际情况，将数据的待分类类数设定为k；随机选择k个聚类中心，聚类中心集为Y＝{yt|t＝1，2，...，k}；获取数据集为X＝{xi|i＝1，2，...，m}，其中m为样本总数，簇为C＝{ct|t＝1，2，...，k}；计算数据集X中每一个数据xi和各个簇之间的距离dit，选择距离dit对应的值最小的簇ct，并更新簇Ct＝Ct∪{xi}；对聚类中心yt中所有的数据点进行计算得出新的聚类中心；判断所有的质心向量的位置是否基本趋于稳定，若是则输出簇划分，实现对数据的分类，若不是则重新进行分类。
5.根据权利要求4所述的基于k-means算法的电力数据分类系统，其特征在于，所述计算样本集X中每一个样本xi和各个簇之间的距离dit包括：
Figure FDA0002200784610000021
6.根据权利要求4所述的基于k-means算法的电力数据分类系统，其特征在于，所述对聚类中心yt中所有的数据点进行计算得出新的聚类中心包括：
Figure FDA0002200784610000022
7.根据权利要求4～6任一项所述的基于k-means算法的电力数据分类系统，其特征在于，还包括：用户交互模块，用于数据可视化展示、Web界面配置以及应用程序配置。
CN201910864244.7A 2019-09-12 2019-09-12 基于k-means算法的电力数据分类方法及系统 Pending CN110796159A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910864244.7A CN110796159A (zh) 2019-09-12 2019-09-12 基于k-means算法的电力数据分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910864244.7A CN110796159A (zh) 2019-09-12 2019-09-12 基于k-means算法的电力数据分类方法及系统

Publications (1)

Publication Number Publication Date
CN110796159A true CN110796159A (zh) 2020-02-14

Family

ID=69427357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910864244.7A Pending CN110796159A (zh) 2019-09-12 2019-09-12 基于k-means算法的电力数据分类方法及系统

Country Status (1)

Country Link
CN (1) CN110796159A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553606A (zh) * 2020-05-06 2020-08-18 上海核工程研究设计院有限公司 一种对核电设备组件设计与设备指标关联性的评估方法
CN112071416A (zh) * 2020-09-01 2020-12-11 新疆维吾尔自治区人民医院 一种血气分析判断模拟系统及方法
CN112231521A (zh) * 2020-09-02 2021-01-15 武汉烽火众智数字技术有限责任公司 一种基于app小程序的快速采集数据的方法及系统
CN113643116A (zh) * 2021-08-23 2021-11-12 中远海运科技(北京)有限公司 基于财务凭证数据的公司分类方法、计算机可读介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049651A (zh) * 2012-12-13 2013-04-17 航天科工深圳（集团）有限公司 一种用于电力负荷聚类的方法及装置
CN104318316A (zh) * 2014-10-09 2015-01-28 中国科学院自动化研究所 一种用户用电实时测量方法
CN106408008A (zh) * 2016-09-08 2017-02-15 国网江西省电力公司赣州供电分公司 一种基于负荷曲线距离和形状的负荷分类方法
CN108681973A (zh) * 2018-05-14 2018-10-19 广州供电局有限公司 电力用户的分类方法、装置、计算机设备和存储介质
CN109492683A (zh) * 2018-10-30 2019-03-19 国网湖南省电力有限公司 一种针对广域量测电力大数据数据质量的快速在线评估方法
CN109871412A (zh) * 2018-12-26 2019-06-11 航天科工广信智能技术有限公司 基于K-Means聚类的车道流量分析方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049651A (zh) * 2012-12-13 2013-04-17 航天科工深圳（集团）有限公司 一种用于电力负荷聚类的方法及装置
CN104318316A (zh) * 2014-10-09 2015-01-28 中国科学院自动化研究所 一种用户用电实时测量方法
CN106408008A (zh) * 2016-09-08 2017-02-15 国网江西省电力公司赣州供电分公司 一种基于负荷曲线距离和形状的负荷分类方法
CN108681973A (zh) * 2018-05-14 2018-10-19 广州供电局有限公司 电力用户的分类方法、装置、计算机设备和存储介质
CN109492683A (zh) * 2018-10-30 2019-03-19 国网湖南省电力有限公司 一种针对广域量测电力大数据数据质量的快速在线评估方法
CN109871412A (zh) * 2018-12-26 2019-06-11 航天科工广信智能技术有限公司 基于K-Means聚类的车道流量分析方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553606A (zh) * 2020-05-06 2020-08-18 上海核工程研究设计院有限公司 一种对核电设备组件设计与设备指标关联性的评估方法
CN112071416A (zh) * 2020-09-01 2020-12-11 新疆维吾尔自治区人民医院 一种血气分析判断模拟系统及方法
CN112231521A (zh) * 2020-09-02 2021-01-15 武汉烽火众智数字技术有限责任公司 一种基于app小程序的快速采集数据的方法及系统
CN113643116A (zh) * 2021-08-23 2021-11-12 中远海运科技(北京)有限公司 基于财务凭证数据的公司分类方法、计算机可读介质
CN113643116B (zh) * 2021-08-23 2023-10-27 中远海运科技(北京)有限公司 基于财务凭证数据的公司分类方法、计算机可读介质

Similar Documents

Publication Publication Date Title
Li et al. Ecod: Unsupervised outlier detection using empirical cumulative distribution functions
CN110796159A (zh) 基于k-means算法的电力数据分类方法及系统
CN111199016A (zh) 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN105378714B (zh) 时间序列的快速分组
US9087306B2 (en) Computer-implemented systems and methods for time series exploration
CN112528025A (zh) 基于密度的文本聚类方法、装置、设备及存储介质
CN108985380B (zh) 一种基于聚类集成的转辙机故障识别方法
CN112800231B (zh) 电力数据校验方法、装置、计算机设备和存储介质
CN109891508A (zh) 单细胞类型检测方法、装置、设备和存储介质
Gao et al. James–Stein shrinkage to improve k-means cluster analysis
CN109189876B (zh) 一种数据处理方法及装置
CN114418035A (zh) 决策树模型生成方法、基于决策树模型的数据推荐方法
CN110909222A (zh) 基于聚类的用户画像建立方法、装置、介质及电子设备
CN111367777A (zh) 告警处理的方法、装置、设备及计算机可读存储介质
CN110348516B (zh) 数据处理方法、装置、存储介质及电子设备
Chen et al. Learning category distance metric for data clustering
Zheng et al. Supervised adaptive incremental clustering for data stream of chunks
Khan et al. CPLP: An algorithm for tracking the changes of power consumption patterns in load profile data over time
Liu et al. Are dropout imputation methods for scRNA-seq effective for scATAC-seq data?
Liu et al. A weight-incorporated similarity-based clustering ensemble method
Parker et al. Nonlinear time series classification using bispectrum‐based deep convolutional neural networks
Gajawada et al. Vinayaka: A semi-supervised projected clustering method using differential evolution
CN110955811B (zh) 基于朴素贝叶斯算法的电力数据分类方法及系统
CN116739649A (zh) 一种用户响应潜力评估方法和装置
CN115841338A (zh) 确定异常用电行为的方法及装置、非易失性存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200929

Address after: 310000, No. 219, Jianguo Middle Road, Shangcheng District, Zhejiang, Hangzhou

Applicant after: HANGZHOU POWER SUPPLY COMPANY, STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd.

Applicant after: ZHEJIANG ZHONGXIN ELECTRIC POWER ENGINEERING CONSTRUCTION Co.,Ltd.

Address before: 310000, No. 219, Jianguo Middle Road, Shangcheng District, Zhejiang, Hangzhou

Applicant before: HANGZHOU POWER SUPPLY COMPANY, STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd.

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200214