CN111476347B - 基于多种因素的调相机的维护方法、系统及存储介质 - Google Patents

基于多种因素的调相机的维护方法、系统及存储介质 Download PDF

Info

Publication number
CN111476347B
CN111476347B CN202010143574.XA CN202010143574A CN111476347B CN 111476347 B CN111476347 B CN 111476347B CN 202010143574 A CN202010143574 A CN 202010143574A CN 111476347 B CN111476347 B CN 111476347B
Authority
CN
China
Prior art keywords
matrix
neural network
phase modulator
fault
maintenance method
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
Application number
CN202010143574.XA
Other languages
English (en)
Other versions
CN111476347A (zh
Inventor
杜鹏
施有安
曾德龙
焦震
罗沙
翁良杰
朱仲贤
张学友
刘鑫
魏南
常文婧
李永熙
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.)
Super High Voltage Branch Of State Grid Anhui Electric Power Co ltd
State Grid Corp of China SGCC
Original Assignee
State Grid Corp of China SGCC
Overhaul Branch of State Grid Anhui 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 State Grid Corp of China SGCC, Overhaul Branch of State Grid Anhui Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010143574.XA priority Critical patent/CN111476347B/zh
Publication of CN111476347A publication Critical patent/CN111476347A/zh
Application granted granted Critical
Publication of CN111476347B publication Critical patent/CN111476347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
    • H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施方式提供一种基于多种因素的调相机的维护方法、系统及存储介质，属于调相机的维护技术领域。所述维护方法包括：获取调相机的部件分布矩阵；获取调相机的历史故障记录；构成故障矩阵；获取历史故障记录对应的多种因素；从预设的权重矩阵集合中随机选取一个未被选取的权重矩阵；采用选取的权重矩阵根据多种因素生成影响矩阵；按照时间的对应关系将故障矩阵和影响矩阵组合以构成用于深度学习的数据集；将数据集划分为训练集和测试集；采用训练集训练神经网络；采用测试集测试神经网络以判断神经网络是否满足精度要求；在判断神经网络满足精度要求的情况下，输出神经网络；采用神经网络对调相机进行预测，根据预测的结果对调相机进行维护。

Description

基于多种因素的调相机的维护方法、系统及存储介质
技术领域
本发明涉及电力的维护技术领域，具体地涉及一种基于多种因素的调相机的维护方法、系统及存储介质。
背景技术
调相机是现代超高压电力技术领域常用的设备之一，主要用于稳定电网电压以及功率。由于调相机的设备体积巨大，在维护时往往需要投入较高的成本。现有技术主要是在调相机发生故障或者按照预定的时间周期来对调相机进行检修维护。但是这种方法存在一定的滞后性，在调相机发生故障后才对调相机进行检修维护，无论如何规划都会对实际调相机的工作效率造成影响。
发明内容
本发明实施方式的目的是提供一种基于多种因素的调相机的维护方法、系统及存储介质。该维护方法、系统及存储介质能够基于调相机的历史故障记录并结合外部的多种因素对未来调相机可能发生的故障点进行精准预测，从而便于维护人员制定维护计划，提高调相机的维护效率。
为了实现上述目的，本发明实施方式提供一种基于多种因素的调相机的维护方法，所述维护方法包括：
对所述调相机的多个部件进行编号以获取所述调相机的部件分布矩阵；
获取所述调相机的历史故障记录；
将所述历史故障记录输入所述部件分布矩阵中以构成故障矩阵；
获取所述历史故障记录对应的多种因素，其中，所述因素包括环境的气温、湿度以及当日的平均无功功率；
从预设的权重矩阵集合中随机选取一个未被选取的权重矩阵；
采用选取的所述权重矩阵根据所述多种因素生成影响矩阵；
按照时间的对应关系将所述故障矩阵和所述影响矩阵组合以构成用于深度学习的数据集；
将所述数据集划分为训练集和测试集；
采用所述训练集训练所述神经网络；
采用所述测试集测试所述神经网络以判断所述神经网络是否满足精度要求；
在判断所述神经网络不满足所述精度要求的情况下，更新迭代次数；
判断所述迭代次数是否大于或等于预设的次数阈值；
在判断所述迭代次数大于或等于所述次数阈值的情况下，再次从预设的权重矩阵集合中随机选取一个未被选取的权重矩阵；
在判断所述迭代次数小于所述次数阈值的情况下，再次采用所述训练集训练所述神经网络；
在判断所述神经网络满足所述精度要求的情况下，输出所述神经网络；
采用所述神经网络对所述调相机进行预测，根据预测的结果对所述调相机进行维护。
可选地，对所述调相机的多个部件进行编号以获取所述调相机的部件分布矩阵具体包括：
将所述调相机中属于同一组部件的器件放入所述部件分布矩阵的同一列；
将所述调相机中属于同一类部件的器件放入所述部件分布矩阵的同一行。
可选地，将所述历史故障记录输入所述部件分布矩阵中以构成故障矩阵具体包括：
按照预设的故障分级规则将所述历史故障记录转换为对应的数字信息；
将所述数字信息填充入所述部件分布矩阵矩阵中以构成所述故障矩阵。
可选地，所述训练集和所述测试集的规模比为4:1。
可选地，采用所述训练集训练所述神经网络具体包括：
初始化神经网络；
从所述训练集中随机选取一个影响矩阵输入所述神经网络中以得到对应的预测结果；
将所述预测结果与所述训练集中与选取的所述影响矩阵对应的故障矩阵进行比对以计算出误差；
判断所述误差是否大于或等于预设的误差精度；
在判断所述误差大于或等于所述误差精度的情况下，采用反向梯度法更新所述神经网络的参数，再次从所述训练集中随机选取一个影响矩阵输入所述神经网络中以得到对应的预测结果，并执行所述维护方法的相应步骤，直到判断所述误差小于所述误差精度；
在判断所述误差小于所述误差精度的情况下，输出所述神经网络。
另一方面，本发明还提供一种基于多种因素的调相机的维护系统，所述维护系统包括处理器，所述处理器用于被机器读取以使得所述机器执行如上述任一所述的维护方法。
再一方面，本发明还提供一种存储介质，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的维护方法。
通过上述技术方案，本发明提供过的基于多种因素的调相机的维护方法、系统及存储介质通过基于调相机的历史故障记录并结合外部的多种因素对未来调相机可能发生的故障点进行精准预测，从而便于维护人员制定维护计划，提高调相机的维护效率。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是根据本发明的一个实施方式的基于多种因素的调相机的维护方法的流程图；
图2是根据本发明的一个实施方式的用于训练神经网络的方法的流程图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并不用于限制本发明实施方式。
在本发明实施方式中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。
另外，若本发明实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的基于多种因素的调相机的维护方法的流程图。在图1中，该方法可以包括：
在步骤S10中，对调相机的多个部件进行编号以获取调相机的部件分布矩阵。具体地，在建立该部件分布矩阵时，可以是将调相机中属于同一组部件的器件放入部件分布矩阵的同一列；将调相机中属于同一类部件的器件放入部件分布矩阵的同一行。那么，该部件分布矩阵则可以是例如公式(1)所示，
Figure BDA0002399934710000051
其中，M为部件分布矩阵，mkn表示组别为k、类别为n的器件。
在步骤S11中，获取调相机的历史故障记录。考虑到初始的历史故障记录为文字信息，那么在该实施方式中，可以按照预设的故障分级规则将历史故障记录转换为对应的数字信息；然后再将数字信息填充入部件分布矩阵矩阵中以构成故障矩阵。其中，考虑到矩阵运算的问题，在该器件未发生故障的情况下，可以将用于指示该器件是否发生故障的指示向量设置为1。
在步骤S12中，将历史故障记录输入部件分布矩阵中以构成故障矩阵。
在步骤S13中，获取历史故障记录对应的多种因素。其中，该因素包括环境的气温、湿度以及当日的平均无功功率。具体地，以该气温为例，所构成的矩阵可以是例如公式(2)所示，
Figure BDA0002399934710000052
其中，F为由气温的信息构成的矩阵，fkn为前k-1年的前n-1天的平均气温。
在步骤S14中，从预设的权重矩阵集合中随机选取一个未被选取的权重矩阵。
在步骤S15中，采用选取的权重矩阵根据多种因素生成影响矩阵。具体地，可以是例如根据公式(3)生成该影响矩阵，
F＝w1Rt+w2Rh+w3Rp， (3)
其中，F为该影响矩阵，Rt为由气温的信息构成的矩阵，Rh为由湿度的信息构成的矩阵，Rp为由平均无功功率构成的矩阵。
在步骤S16中，按照时间的对应关系将故障矩阵和影响矩阵组合以构成用于深度学习的数据集。
在步骤S17中，将数据集划分为训练集和测试集。具体地，该训练集和测试集的比例可以是4:1。
在步骤S18中，采用训练集训练神经网络。具体地，训练神经网络的具体方式可以是如图2所示。在图2中，该具体方式可以包括：
在步骤S30中，初始化神经网络；
在步骤S31中，从训练集中随机选取一个影响矩阵输入神经网络中以得到对应的预测结果；
在步骤S32中，将预测结果与训练集中与选取的影响矩阵对应的故障矩阵进行比对以计算出误差；
在步骤S33中，判断误差是否大于或等于预设的误差精度；
在步骤S34中，在判断误差大于或等于误差精度的情况下，采用反向梯度法更新神经网络的参数，再次从训练集中随机选取一个影响矩阵输入神经网络中以得到对应的预测结果，并执行该维护方法的相应步骤，直到判断误差小于误差精度；
在步骤S35中，在判断误差小于误差精度的情况下，输出该神经网络。
在步骤S19中，采用测试集测试神经网络以判断神经网络是否满足精度要求。
在步骤S20中，在判断神经网络不满足精度要求的情况下，更新迭代次数；
在步骤S21中，判断迭代次数是否大于或等于预设的次数阈值；
在判断迭代次数大于或等于次数阈值的情况下，再次从预设的权重矩阵集合中随机选取一个未被选取的权重矩阵(返回执行步骤S14)；
在判断迭代次数小于次数阈值的情况下，再次采用训练集训练神经网络(返回执行步骤S18)；
在步骤S22中，在判断神经网络满足精度要求的情况下，输出该神经网络；
在步骤S23中，采用该神经网络对调相机进行预测，根据预测的结果对调相机进行维护。
另一方面，本发明还提供一种基于多种因素的调相机的维护系统，该维护系统可以包括处理器，该处理器可以用于被机器读取以使得机器执行如上述任一所述的维护方法。
再一方面，本发明还提供一种存储介质，该存储介质可以存储有指令，该指令可以用于被机器读取以使得机器执行如上述任一所述的维护方法。
通过上述技术方案，本发明提供过的基于多种因素的调相机的维护方法、系统及存储介质通过基于调相机的历史故障记录并结合外部的多种因素对未来调相机可能发生的故障点进行精准预测，从而便于维护人员制定维护计划，提高调相机的维护效率。
以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施方式的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (7)

1.一种基于多种因素的调相机的维护方法，其特征在于，所述维护方法包括：
对所述调相机的多个部件进行编号以获取所述调相机的部件分布矩阵；
获取所述调相机的历史故障记录；
将所述历史故障记录输入所述部件分布矩阵中以构成故障矩阵；
获取所述历史故障记录对应的多种因素，其中，所述因素包括环境的气温、湿度以及当日的平均无功功率；
从预设的权重矩阵集合中随机选取一个未被选取的权重矩阵；
采用选取的所述权重矩阵根据所述多种因素生成影响矩阵；
按照时间的对应关系将所述故障矩阵和所述影响矩阵组合以构成用于深度学习的数据集；
将所述数据集划分为训练集和测试集；
采用所述训练集训练所述神经网络；
采用所述测试集测试所述神经网络以判断所述神经网络是否满足精度要求；
在判断所述神经网络不满足所述精度要求的情况下，更新迭代次数；
判断所述迭代次数是否大于或等于预设的次数阈值；
在判断所述迭代次数大于或等于所述次数阈值的情况下，再次从预设的权重矩阵集合中随机选取一个未被选取的权重矩阵；
在判断所述迭代次数小于所述次数阈值的情况下，再次采用所述训练集训练所述神经网络；
在判断所述神经网络满足所述精度要求的情况下，输出所述神经网络；
采用所述神经网络对所述调相机进行预测，根据预测的结果对所述调相机进行维护。
2.根据权利要求1所述的维护方法，其特征在于，对所述调相机的多个部件进行编号以获取所述调相机的部件分布矩阵具体包括：
将所述调相机中属于同一组部件的器件放入所述部件分布矩阵的同一列；
将所述调相机中属于同一类部件的器件放入所述部件分布矩阵的同一行。
3.根据权利要求1所述的维护方法，其特征在于，将所述历史故障记录输入所述部件分布矩阵中以构成故障矩阵具体包括：
按照预设的故障分级规则将所述历史故障记录转换为对应的数字信息；
将所述数字信息填充入所述部件分布矩阵矩阵中以构成所述故障矩阵。
4.根据权利要求1所述的维护方法，其特征在于，所述训练集和所述测试集的规模比为4:1。
5.根据权利要求1所述的维护方法，其特征在于，采用所述训练集训练所述神经网络具体包括：
初始化神经网络；
从所述训练集中随机选取一个影响矩阵输入所述神经网络中以得到对应的预测结果；
将所述预测结果与所述训练集中与选取的所述影响矩阵对应的故障矩阵进行比对以计算出误差；
判断所述误差是否大于或等于预设的误差精度；
在判断所述误差大于或等于所述误差精度的情况下，采用反向梯度法更新所述神经网络的参数，再次从所述训练集中随机选取一个影响矩阵输入所述神经网络中以得到对应的预测结果，并执行所述维护方法的相应步骤，直到判断所述误差小于所述误差精度；
在判断所述误差小于所述误差精度的情况下，输出所述神经网络。
6.一种基于多种因素的调相机的维护系统，其特征在于，所述维护系统包括处理器，所述处理器用于被机器读取以使得所述机器执行如权利要求1至5任一所述的维护方法。
7.一种存储介质，其特征在于，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至5任一所述的维护方法。
CN202010143574.XA 2020-03-04 2020-03-04 基于多种因素的调相机的维护方法、系统及存储介质 Active CN111476347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010143574.XA CN111476347B (zh) 2020-03-04 2020-03-04 基于多种因素的调相机的维护方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010143574.XA CN111476347B (zh) 2020-03-04 2020-03-04 基于多种因素的调相机的维护方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN111476347A CN111476347A (zh) 2020-07-31
CN111476347B true CN111476347B (zh) 2023-03-24

Family

ID=71748047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010143574.XA Active CN111476347B (zh) 2020-03-04 2020-03-04 基于多种因素的调相机的维护方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN111476347B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650022A (zh) * 2016-11-25 2017-05-10 天津津航计算技术研究所 复杂电子设备故障预测的方法
CN108537327A (zh) * 2018-03-28 2018-09-14 北京航空航天大学 一种基于时间序列bp神经网络预测方法及装置
CN110749810A (zh) * 2019-12-05 2020-02-04 国网山东省电力公司电力科学研究院 一种调相机绝缘故障预测方法及系统
CN110825074A (zh) * 2019-12-04 2020-02-21 江苏方天电力技术有限公司 一种调相机故障诊断系统及其工作方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG10201610116PA (en) * 2016-11-03 2018-06-28 Avanseus Holdings Pte Ltd Method and system for machine failure prediction

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650022A (zh) * 2016-11-25 2017-05-10 天津津航计算技术研究所 复杂电子设备故障预测的方法
CN108537327A (zh) * 2018-03-28 2018-09-14 北京航空航天大学 一种基于时间序列bp神经网络预测方法及装置
CN110825074A (zh) * 2019-12-04 2020-02-21 江苏方天电力技术有限公司 一种调相机故障诊断系统及其工作方法
CN110749810A (zh) * 2019-12-05 2020-02-04 国网山东省电力公司电力科学研究院 一种调相机绝缘故障预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的小电流接地系统故障选线方法;张国栋等;《发电技术》;20191231(第06期);全文 *

Also Published As

Publication number Publication date
CN111476347A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
Liu et al. Selecting thresholds for the prediction of species occurrence with presence‐only data
CN108021931A (zh) 一种数据样本标签处理方法及装置
CN107038484A (zh) 用于处理服务请求的方法和设备
CN107665171A (zh) 自动回归测试方法及装置
CN107622008A (zh) 一种应用页面的遍历方法和装置
CN108829604A (zh) 基于车辆控制器的测试用例生成方法及装置
CN110008743A (zh) 一种块链式账本中的数据属性标识方法、装置及设备
CN110163252A (zh) 数据分类方法及装置、电子设备、存储介质
CN111355246B (zh) 用于调相机的无功补偿的预测方法、系统及存储介质
CN109933754A (zh) 查找合同修改部分的方法、装置、计算机设备和存储介质
CN110287123A (zh) 一种绕过ios系统调试检测的方法及装置
US20070299717A1 (en) Test man-hour estimating apparatus and recording medium recording computer-readable program
CN110990523A (zh) 一种法律文书的确定方法及系统
CN111476347B (zh) 基于多种因素的调相机的维护方法、系统及存储介质
CN110188793B (zh) 数据异常分析方法及装置
CN117318052B (zh) 发电机组进相试验无功功率预测方法、装置和计算机设备
CN104765775A (zh) 一种日志保存方法及装置
CN110852475B (zh) 基于极端梯度提升算法的植被指数预测方法、系统及设备
CN105159826B (zh) 一种定位目标程序中的错误语句的方法和装置
WO2019194128A1 (ja) モデル学習装置、モデル学習方法、プログラム
CN109947466A (zh) 一种逆向获取ue4全局对象表的方法及其装置
Saitta et al. Feature selection using stochastic search: An application to system identification
CN107956731A (zh) 电站空冷风机频率变化对机组背压参数影响的预测方法
CN107783904A (zh) 单元测试桩去重方法、装置、计算机可读存储介质及设备
CN110163470A (zh) 事件评估方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: No. 397, Tongcheng South Road, Baohe District, Hefei City, Anhui Province 230061

Patentee after: Super high voltage branch of State Grid Anhui Electric Power Co.,Ltd.

Patentee after: STATE GRID CORPORATION OF CHINA

Address before: No. 397, Tongcheng South Road, Baohe District, Hefei City, Anhui Province 230061

Patentee before: STATE GRID ANHUI POWER SUPPLY COMPANY OVERHAUL BRANCH

Patentee before: STATE GRID CORPORATION OF CHINA

CP01 Change in the name or title of a patent holder