CN112084933B - 一种变压器局部放电信号的去噪方法 - Google Patents

一种变压器局部放电信号的去噪方法 Download PDF

Info

Publication number
CN112084933B
CN112084933B CN202010933333.5A CN202010933333A CN112084933B CN 112084933 B CN112084933 B CN 112084933B CN 202010933333 A CN202010933333 A CN 202010933333A CN 112084933 B CN112084933 B CN 112084933B
Authority
CN
China
Prior art keywords
partial discharge
data
discharge signal
minpts
points
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
CN202010933333.5A
Other languages
English (en)
Other versions
CN112084933A (zh
Inventor
杨超
李诗勇
张霖
张丽娟
杨俊秋
薛静
靳斌
施艳
申峻
李俊文
刘波
丁健
谢荣斌
王瑞果
陆禹初
郝越峰
刘栖
康倢瀅
陈湫林
高奇思
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202010933333.5A priority Critical patent/CN112084933B/zh
Publication of CN112084933A publication Critical patent/CN112084933A/zh
Application granted granted Critical
Publication of CN112084933B publication Critical patent/CN112084933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种变压器局部放电信号的去噪方法，包括，从数据库中读入局部放电信号数据，获得采样信息；利用所述采样信息选择合适的Eps值和Minpts值并对所述局部放电信号数据进行密度聚类计算；利用密度聚类策略对所述局部放电信号数据分类并将不连续的所述局部放电信号作为噪声点进行剔除。本发明结合局放信号所含白噪声的特点，提出局部放电信号去噪方法，对局部放电信号中的白噪声进行有效的去噪，为进一步对局放信号进行处理分析做好准备；同时，改进密度聚类算法，使其能够适用于局部放电信号的去噪，减少计算时间，迅速发现噪声并进行去噪。

Description

一种变压器局部放电信号的去噪方法
技术领域
本发明涉及电力系统的技术领域，尤其涉及一种变压器局部放电信号的去噪方法。
背景技术
在大型电力设备故障预测中，局部放电监测是一种极为重要的手段。局部放电与电力设备绝缘老化和绝缘击穿之间具有紧密联系，局部放电的监测能够起到发现设备潜伏性故障，提供故障预警，避免故障发生的作用，对保障电力设备运行有着深远意义。实际局部放电信号监测中放电信号较为微弱，并且存在白噪声等干扰，因此首先要对局部放电信号进行去噪。
现如今的去噪方法有卡尔曼滤波器、脉冲分析方法和小波分析等，对局部放电的去噪有着极大的影响。卡尔曼滤波是利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。脉冲分析方法是对噪声进行脉冲分析，脉冲噪声是非连续的，由持续时间短和幅度大的不规则脉冲或噪声尖峰组成，对脉冲的分析可以发现噪声的波形等，以此去除噪声。小波分析基本原理是将扩中的函数f(t)表示为一系列逐次逼近表达式,其中每一个都是f(t)动经过平滑后的形式，它们分别对应不同的分辨率。小波变换是时间(空间)频率的局部化分析，它通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，从而可以应用与信噪分离。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种变压器局部放电信号的去噪方法，能够适用于局部放电信号的去噪，减少计算时间。
为解决上述技术问题，本发明提供如下技术方案：包括，从数据库中读入局部放电信号数据，获得采样信息；利用所述采样信息选择合适的Eps值和Minpts值并对所述局部放电信号数据进行密度聚类计算；利用DBSCAN策略对所述局部放电信号数据分类并将不连续的所述局部放电信号作为噪声点进行剔除。
作为本发明所述的变压器局部放电信号的去噪方法的一种优选方案，其中：所述密度聚类计算包括，从所述局部放电信号数据中选取一个数据点x，检查所述数据点x的Eps邻域；若所述数据点x是核心点且没有被分配至某一类，则找出所有密度可达的点，形成一个包含所述数据点x的类；若所述数据点x不是所述核心点，则所述数据点x标记为所述噪声点；循环迭代，直至所有点处理完成。
作为本发明所述的变压器局部放电信号的去噪方法的一种优选方案，其中：所述Eps是密度聚类半径，所述Minpts是最小满足聚类点数。
作为本发明所述的变压器局部放电信号的去噪方法的一种优选方案，其中：所述密度聚类还包括，以聚类核心点为圆心画圆；若所述数据点在圆中的个数不少于所述最小满足聚类点数，则把所述数据点划分为一类。
作为本发明所述的变压器局部放电信号的去噪方法的一种优选方案，其中：观测所述局部放电信号采用信息选择合适的所述Eps值和所述Minpts值；将采样点划分为N组并根据分组情况选择不同的所述Eps值和所述Minpts值。
作为本发明所述的变压器局部放电信号的去噪方法的一种优选方案，其中：选择所述N组包括，
0.2M≤N≤0.25M
其中，M为采样点个数。
作为本发明所述的变压器局部放电信号的去噪方法的一种优选方案，其中：选择所述Eps包括，
0.02M≤Minpts≤0.04M
作为本发明所述的变压器局部放电信号的去噪方法的一种优选方案，其中：选择所述Minpts包括，
Figure BDA0002671046600000021
其中，d为数据的维度(二维因此d＝2)，
Figure BDA0002671046600000031
在d＝2时为1，VolumeD为数据集合的面积，即数据围成区域的面积。
作为本发明所述的变压器局部放电信号的去噪方法的一种优选方案，其中：去噪包括，利用所述密度聚类策略将所述局部放电信号分类并找出其中其中最大的一个簇；结合为发生局部放电时的数据与未处理之前的数据幅值的差均值确定噪声数据的幅值；结合所述局部放电部分的幅值剔除所述噪声数据幅值，得到所述局部放电部分的去噪幅值。
作为本发明所述的变压器局部放电信号的去噪方法的一种优选方案，其中：所述局部放电信号数据包括，采样点个数、采样频率和幅值。
本发明的有益效果：本发明结合局放信号所含白噪声的特点，提出局部放电信号去噪方法，对局部放电信号中的白噪声进行有效的去噪，为进一步对局放信号进行处理分析做好准备；同时，改进密度聚类算法，使其能够适用于局部放电信号的去噪，减少计算时间，迅速发现噪声并进行去噪。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的变压器局部放电信号的去噪方法的流程示意图；
图2为本发明第一个实施例所述的变压器局部放电信号的去噪方法的方法流程示意图；
图3为本发明第一个实施例所述的变压器局部放电信号的去噪方法的密度聚类原理示意图；
图4为本发明第一个实施例所述的变压器局部放电信号的去噪方法的局部放电信号数据在密度聚类算法中的分类示意图；
图5为本发明第二个实施例所述的变压器局部放电信号的去噪方法的不同条件下数据处理结果示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图4，为本发明的第一个实施例，提供了一种变压器局部放电信号的去噪方法，包括：
S1：从数据库中读入局部放电信号数据，获得采样信息。其中需要说明的是，局部放电信号数据包括：
采样点个数、采样频率和幅值。
S2：利用采样信息选择合适的Eps值和Minpts值并对局部放电信号数据进行密度聚类计算。参照图3，本步骤需要说明的是，密度聚类计算包括：
从局部放电信号数据中选取一个数据点x，检查数据点x的Eps邻域；
若满足该点为圆心Eps为半径的圆内至少有Minpts个点，则将该点标记为核心点；
若数据点x是核心点且没有被分配至某一类，则找出所有密度可达的点，形成一个包含数据点x的类；
若数据点x不是核心点，则数据点x标记为噪声点；
循环迭代，直至所有点都被标记为核心点或者噪声点。
具体的，密度聚类还包括：
Eps是密度聚类半径，Minpts是最小满足聚类点数；
以聚类核心点为圆心画圆；
若数据点在圆中的个数不少于最小满足聚类点数，则把数据点划分为一类。
进一步的，还需要说明的是：
观测局部放电信号采用信息选择合适的Eps值和Minpts值；
将采样点划分为N组(由于采样时间均匀且间隔小、采样点数量大)并根据分组情况选择不同的Eps值和Minpts值；
选择N组、Eps、Minpts包括：
0.2M≤N≤0.25M
0.02M≤Minpts≤0.04M
Figure BDA0002671046600000051
其中，M为采样点个数，d为数据的维度(二维因此d＝2)，
Figure BDA0002671046600000052
在d＝2时为1，VolumeD为数据集合的面积，即数据围成区域的面积。
S3：利用密度聚类策略对局部放电信号数据分类并将不连续的局部放电信号作为噪声点进行剔除。本步骤还需要说明的是，去噪包括：
利用密度聚类策略将局部放电信号分类并找出其中其中最大的一个簇；
结合为发生局部放电时的数据与未处理之前的数据幅值的差均值确定噪声数据的幅值；
结合局部放电部分的幅值剔除噪声数据幅值，得到局部放电部分的去噪幅值。
较佳的是，分组数N必须满足不能将多个局部放电信号分到同一个组内，且不会将同一个局部放电信号分成多个组，Minpts和Eps选择必须根据实际数据集情况进行选择，如数据量非常大则需要适当增大。
参照图4，本实施例还需要说明的是，DBSCAN(密度聚类算法)将数据分成不同的类之后，数据中的噪声点被选出来，根据图4的示意，在本发明中由于白噪声(即图中A类的和B类数据)是连续的，而局放信号(即C类数据)是非连续的，因此使用本发明方法会将不连续的局放信号作为噪声点剔除出来，剩下的数据(即图3中A部分)是没有发生局部放电时的数据去噪的部分，则可以通过该部分数据与未处理之前的数据幅值的差的均值来确定噪声数据的幅值，然后将局部放电部分的幅值去掉噪声数据幅值来获取局部放电部分的去噪幅值。
优选的是，传统的变压器局部放电信号的重构方法利用经验模态分解方法将信号分解成若干固有模态函数，结合归一化自相关函数判断出含白噪声的固有模态函数，利用小波包去噪算法对固有模态函数进行去噪处理，其主要解决的技术问题是如何利用经验模态分解以采用小波包方法对信号进行重构，并在重构后的信号去除噪声部分将分解的信号叠加得到最终的去噪信号，该方法步骤过于繁琐，计算量较大，效率低，且针对白噪声的处理较为宽泛；而本发明方法使用改进的密度聚类方法进行去噪，将点与点之间的距离作为聚类的约束，将噪声点信号从局部放电信号中识别出来进行剔除，为进一步对局放信号进行处理分析做好准备，迅速发现噪声并进行去噪。
实施例2
参照图5，为本发明的第二个实施例，该实施例不同于第一个实施例的是：本实施例中采用一组实验中的局放信号进行展示，共包含500000个点，采样频率为20μs。
根据数据情况选择三组Eps和Minpts值，分别为：Eps＝0.015、Minpts＝150，Eps＝0.02、Minpts＝300，Eps＝0.03、Minpts＝650。
根据图5的示意，本实施例展示了其中三组Eps和Minpts取值情况下的去噪效果，由图可得，图5(c)的效果最佳，即该初始条件Eps为0.02，Minpts为300时效果较好。
本实施例还需要说明的是，实际应用中可根据数据的特点进行初始条件的选择，并在此基础上用其他方法对初始条件的选择进行改进，以达到去噪效果最优的目的。
优选的是，为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的变压器局部放电信号重构方法与本发明方法进行对比测试，以科学论证的手段对比试验结果，验证本发明方法所具有的真实效果。
传统的变压器局部放电信号重构方法计算量大、效率低，为验证本发明方法相对于传统方法具有较高的去噪效率，本实施例中将采用传统方法和本发明方法分别对上述试验的局部放电信号数据进行测试。
测试环境：(1)500000个采样点，采样频率为20μs；
(2)MATLB仿真模拟、时间间隔分别设置为1分钟、10分钟、30分钟和60分钟。
测试结果数据如下：
表1：效率对比测试表。
Figure BDA0002671046600000071
参照表1，能够直观的看出，传统方法随着工作时间的增加，效率逐渐降低，而本发明方法虽然也有所下降，但是基本趋于稳定状态，波动不大，验证了本发明方法所具有的真实效果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种变压器局部放电信号的去噪方法，其特征在于：包括，
从数据库中读入局部放电信号数据，获得采样信息；
利用所述采样信息选择合适的Eps值和Minpts值并对所述局部放电信号数据进行密度聚类计算；
所述Eps是密度聚类半径，所述Minpts是最小满足聚类点数；
所述局部放电信号采样信息选择合适的所述Eps值和所述Minpts值；
将采样点划分为N组并根据分组情况选择不同的所述Eps值和所述Minpts值；
所述选择所述N组包括，
0.2M≤N≤0.25M
其中，M为采样点个数；
所述选择所述Minpts包括，
0.02M≤Minpts≤0.04M
所述选择所述Eps包括，
Figure FDA0003930448760000011
其中，d为数据的维度二维因此d＝2，
Figure FDA0003930448760000012
在d＝2时为1，VolumeD为数据集合的面积，即数据围成区域的面积；
利用密度聚类策略对所述局部放电信号数据分类并将不连续的所述局部放电信号作为噪声点进行剔除。
2.根据权利要求1所述的变压器局部放电信号的去噪方法，其特征在于：所述密度聚类计算包括，
从所述局部放电信号数据中选取一个数据点x，检查所述数据点x的Eps邻域；
若所述数据点x是核心点且没有被分配至某一类，则找出所有密度可达的点，形成一个包含所述数据点x的类；
若所述数据点x不是所述核心点，则所述数据点x标记为所述噪声点；
循环迭代，直至所有点处理完成。
3.根据权利要求2所述的变压器局部放电信号的去噪方法，其特征在于：所述密度聚类还包括，
以聚类核心点为圆心画圆；
若所述数据点在圆中的个数不少于所述最小满足聚类点数，则把所述数据点划分为一类。
4.根据权利要求1所述的变压器局部放电信号的去噪方法，其特征在于：去噪包括，
利用所述密度聚类策略将所述局部放电信号分类并找出其中最大的一个簇；
结合为发生局部放电时的数据与未处理之前的数据幅值的差均值确定噪声数据的幅值；
结合所述局部放电部分的幅值剔除所述噪声数据幅值，得到所述局部放电部分的去噪幅值。
5.根据权利要求4所述的变压器局部放电信号的去噪方法，其特征在于：所述局部放电信号数据包括，采样点个数、采样频率和幅值。
CN202010933333.5A 2020-09-08 2020-09-08 一种变压器局部放电信号的去噪方法 Active CN112084933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010933333.5A CN112084933B (zh) 2020-09-08 2020-09-08 一种变压器局部放电信号的去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010933333.5A CN112084933B (zh) 2020-09-08 2020-09-08 一种变压器局部放电信号的去噪方法

Publications (2)

Publication Number Publication Date
CN112084933A CN112084933A (zh) 2020-12-15
CN112084933B true CN112084933B (zh) 2022-12-23

Family

ID=73732673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010933333.5A Active CN112084933B (zh) 2020-09-08 2020-09-08 一种变压器局部放电信号的去噪方法

Country Status (1)

Country Link
CN (1) CN112084933B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576060B (zh) * 2013-10-11 2016-04-13 华南理工大学 基于小波自适应阈值的局部放电信号去噪方法
CN103675617A (zh) * 2013-11-20 2014-03-26 西安交通大学 一种用于高频局部放电信号检测的抗干扰方法
CN105137297B (zh) * 2015-08-21 2018-07-17 国网浙江省电力公司电力科学研究院 变电设备多源局部放电信号的分离方法及装置
CN108804832B (zh) * 2018-06-14 2020-06-16 东南大学 一种基于vmd的间隔阈值局部放电去噪方法
CN108983058B (zh) * 2018-08-29 2021-03-23 三峡大学 基于改进的变分模态和奇异值分解的变压器局部放电特高频信号去噪方法

Also Published As

Publication number Publication date
CN112084933A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
Raghavendra et al. Computing fractal dimension of signals using multiresolution box-counting method
Peng et al. Random forest based optimal feature selection for partial discharge pattern recognition in HV cables
CN102998706B (zh) 一种衰减地震数据随机噪声的方法及系统
Chang et al. Separation of corona using wavelet packet transform and neural network for detection of partial discharge in gas-insulated substations
Contin et al. Classification and separation of partial discharge signals by means of their auto-correlation function evaluation
CN106709469A (zh) 基于脑电和肌电多特征的自动睡眠分期方法
CN108267784A (zh) 一种地震信号随机噪声压制处理方法
Wang et al. Spectral properties of the temporal evolution of brain network structure
CN104297791A (zh) 一种基于地震优势频率的反演方法及系统
CN113723171A (zh) 基于残差生成对抗网络的脑电信号去噪方法
CN113100786A (zh) 一种稳态视觉诱发电位信号的频率识别方法
Xu et al. An adaptive spectrum segmentation method to optimize empirical wavelet transform for rolling bearings fault diagnosis
KR20230135516A (ko) 음향 방출 파형 신호 기반의 암석 파쇄 전조 식별 방법
Tseng et al. Entropic interpretation of empirical mode decomposition and its applications in signal processing
CN112084933B (zh) 一种变压器局部放电信号的去噪方法
CN114648060A (zh) 基于机器学习的故障信号规范化处理及分类方法
CN112914588B (zh) 一种脑电爆发抑制指数计算方法及系统
CN112595782A (zh) 一种基于eemd算法的超声波横波起跳点识别方法及系统
CN109506761A (zh) 一种变压器表面振动特征提取方法
CN111008590B (zh) 基于多维特征提取无监督eeg信号分类方法
Germán-Salló Empirical Mode Decomposition in Discrete Time Signals Denoising
CN116712091A (zh) 基于脑电复杂网络的分心驾驶状态识别方法及系统
CN114239759B (zh) 电动汽车的故障诊断方法、装置、电子设备及存储介质
Xu et al. A research on maximum symbolic entropy from intrinsic mode function and its application in fault diagnosis
CN112505779B (zh) 基于特征分解的采集脚印去除方法

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