CN112348352A - 基于大数据分析的电力预算建议方案自动生成方法 - Google Patents
基于大数据分析的电力预算建议方案自动生成方法 Download PDFInfo
- Publication number
- CN112348352A CN112348352A CN202011221366.3A CN202011221366A CN112348352A CN 112348352 A CN112348352 A CN 112348352A CN 202011221366 A CN202011221366 A CN 202011221366A CN 112348352 A CN112348352 A CN 112348352A
- Authority
- CN
- China
- Prior art keywords
- data
- budget
- regression
- value
- power budget
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000007405 data analysis Methods 0.000 title claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims 2
- 238000013468 resource allocation Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008376 long-term health Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Algebra (AREA)
Abstract
本发明公开了一种基于大数据分析的电力预算建议方案自动生成方法,其步骤为:首先从一级利润中心及业务域两个维度,分析历年预算分配数据及其影响因素;其次对数据集进行预处理;然后采用梯度提升回归机器学习方法进行训练学习,获得历年预算分配数据与影响因素间的关系;最后基于该预测模型,结合影响因素数据,从一级利润中心及业务域两个维度计算未来年份电力预算预测值。该预测方法解决了电力系统单位及专业部门年度预算与分配过程中缺乏科学性、急需技术支撑等问题,可有效提升资源配置的高效性与科学性。
Description
技术领域
本发明属于电力领域,涉及一种电力系统中基于大数据分析的电力预算建议方案自动生成方法。
背景技术
我国经济高速发展,人们的生活水平显著提高,用电需求也随之增加。为了满足人们的用电需求,电力公司需要长久健康的发展,因此电力公司需要不断完善自身管理。财务预算管理是电力公司管理的核心部分,但电力公司在财务预算管理中仍存在较多的问题。
现有电力公司对一级利润中心及业务域进行预算分配时,存在以经验为主的问题,缺少一套完整的科学体系结构和模型来保证预算分配的合理性和可行性,缺少相关技术支撑。
因此,采用以机器学习算法为主的人工智能相关技术,结合历史预算、城市GDP等社会经济数据,建立预测模型以提高预算分配的科学性,解决现有电力预算分配中存在的不科学、不合理问题显得尤其重要。
发明内容
本发明的目的是提供一种基于大数据分析的电力预算建议方案自动生成方法。该预测方法解决了电力系统单位及专业部门年度预算与分配过程中缺乏科学性、急需技术支撑等问题,可有效提升资源配置的高效性与科学性。
为解决上述问题,本发明采用的技术方案为:
一种基于大数据分析的电力预算建议方案自动生成方法,其特征在于:首先从一级利润中心及业务域两个维度,分析历年预算分配数据及其影响因素,其次对数据集进行预处理,然后利用梯度提升回归算法进行模型构建,进一步优化模型中的相关参数,最终通过输入相关影响因素,实现电力预算建议方案的自动生成。包括如下步骤:
1)从一级利润中心及业务域两个维度,分析历年预算分配数据。挖掘影响历年预算分配数据的影响因素值,包括内网参数及外网参数两部分。
2)对数据集进行预处理,分析影响因素值应取当年数据值或累计值,为各影响因素选择合适取值,并划分训练集及测试集。
3)将步骤2)所得训练集输入到梯度提升回归机器学习方法进行训练学习,获得历年预算分配数据与影响因素值间关系。
4)将步骤3)所得梯度提升回归模型进行参数优化,使测试集的误差更小。
5)根据步骤4)所得优化后的模型,最终通过输入相关影响因素值,实现电力预算建议方案的自动生成。
进一步,所述步骤1)的分析历年预算分配数据及其影响因素的具体方法为:分析电力系统内网数据,找出与历年预算分配数据相关度较高的参数如:各地市公司(直属单位)员工人数、设备数量、各个电压等级变电站数量、输电线路数量、售电量、输电量、资产原值及标准作业成本(单价)等。分析外网数据,找出与历年预算分配相关度较高的参数如:城市GDP、人口及其他经济指标等。
所述步骤2)对数据集进行预处理的具体方法为:从所选影响因素中,选择历年均有数据且合理的参数,并分析其应取当年数据值或累计值,为各影响因素选择合适取值.。按照训练集与测试集4:1的比例对数据集进行划分。
所述步骤3)中利用梯度提升回归机器学习方法进行训练学习的具体方法如下:梯度提升回归算法是以CART回归树为基学习器的Boosting算法,利用加法模型与前向分步算法实现学习的优化过程。每个CART回归树算法生成的回归树为:
其中,Rm为输入空间划分后的区域,cm为相应划分区域的输出值。
为解决一般损失函数的优化问题,梯度提升回归算法利用损失函数的负梯度在当前模型的值作为前一轮基学习器的残差,拟合回归树。在负梯度方向上进行拟合,每轮训练都能让损失函数尽可能减小,加速收敛到局部或全局最优解。最终生成的回归树为:
其中,Rmj为第m个回归树的输入空间划分后的区域,cmj为相应划分区域的输出值。
所述步骤4)中将步骤3)所得梯度提升回归模型参数进行优化的具体方法为:选择合适的树深度,即回归树的数量;选择合适的学习率,代表迭代训练期间的趋紧速度。
所述步骤5)中通过输入相关影响因素值,实现电力预算建议方案的自动生成的具体方法为:统计并计算得到未来某年相关影响因素值,通过优化后的梯度提升回归模型预测该年份预算分配数据。
本发明的有益效果为:本发明从一级利润中心及业务域两个维度,分析历年预算分配数据及其影响因素,采用梯度提升回归机器学习方法构建模型,预测未来年份预算分配数据。
具体地讲,本发明具有如下优点:
1、基于梯度提升回归机器学习方法构建模型,可以预测未来年份预算分配数据,解决了电力系统单位及专业部门年度预算与分配过程中缺乏科学性、急需技术支撑等问题,可有效提升资源配置的高效性与科学性。
2、为各专业资源统筹、培育财务管理新方法与新模式开辟新思路,并能够应用于不同的电力财务预测场景。
附图说明
图1为本发明的样本数据参数图。
图2为本发明的整体系统框架图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等同变换均落于本申请所附权利要求所限定的范围。
参见图1和图2所示,本发明所述的基于大数据分析的电力预算建议方案自动生成方法,包括如下步骤:
步骤1:分析出与电力预算分配数据相关的影响因素,分为电力系统内网数据及外网数据。分析电力系统内网数据,找出与历年预算分配相关度较高的参数如:各地市公司(直属单位)员工人数、设备数量、各个电压等级变电站数量、输电线路数量、售电量、输电量、资产原值及标准作业成本(单价)等。分析外网数据,找出与历年预算分配相关度较高的参数如:城市GDP、人口及其他经济指标等。
步骤2:电力系统内网数据记录不完善,从所选影响因素中,选择历年均有数据且合理的参数。分析该影响因素值应取当年数据值或累计值,并进行相应预处理。按照训练集与测试集4:1的比例对数据集进行划分。
步骤3:利用梯度提升回归机器学习方法进行训练学习。梯度提升回归算法是以CART回归树为基学习器的Boosting算法,利用加法模型与前向分步算法实现学习的优化过程。每个CART回归树生成过程:
1)通过求解式(1),选择最优切分变量j及切分点s,其中j为输入变量x的第j个特征即x(j),s为其取值。
2)用选定的(j,s)划分区域并计算相应的输出值:
R1(j,s)={x|x(j)≤s},R2(j,s)={x|x(j)>s}# (2)
c1=ave(yi|xi∈R1(j,s)),c2=ave(yi|xi∈R2(j,s))# (3)
3)继续在两个子区域选择最优切分变量j及切分点s,直至满足停止条件。
4)将输入空间划分为M个区域:{R1,R2,…,RM},生成的回归树为:
梯度提升回归算法利用损失函数的负梯度在当前模型的值作为前一轮基学习器的残差,拟合回归树。在负梯度方向上进行拟合,每轮训练都能让损失函数尽可能减小,加速收敛到局部或全局最优解。最终生成的回归树过程为:
1)初始化回归树:
2)对m=1,2,…,M
a)对i=1,2,…,N,计算
b)对rmi拟合一个回归树,得到第m棵树的叶结点区域Rmj,j=1,2,…,J
c)对j=1,2,…,J,计算:
d)更新fm(x):
3)最终回归树为:
步骤4:选择合适的树深度,即回归树的数量;选择合适的学习率,代表迭代训练期间的趋紧速度,将步骤3所得梯度提升回归模型参数进行优化。
步骤5:输入相关影响因素值,实现电力预算建议方案的自动生成。
本发明解决了电力系统单位及专业部门年度预算与分配过程中缺乏科学性、急需技术支撑等问题,可有效提升资源配置的高效性与科学性。为各专业资源统筹、培育财务管理新方法与新模式开辟新思路,并能够应用于不同的电力财务预测场景。
Claims (6)
1.一种基于大数据分析的电力预算建议方案自动生成方法,其特征在于:首先从一级利润中心及业务域两个维度,分析历年预算分配数据及其影响因素,其次对数据集进行预处理,然后利用梯度提升回归算法进行模型构建,进一步优化模型中的相关参数,最终通过输入相关影响因素,实现电力预算建议方案的自动生成;包括如下步骤:
1)从一级利润中心及业务域两个维度,分析历年预算分配数据;挖掘影响历年预算分配数据的影响因素值;
2)对数据集进行预处理,取当年数据值或累计值作为分析影响因素值,并划分训练集及测试集;
3)将步骤2)所得训练集输入到梯度提升回归机器学习方法进行训练学习,获得历年预算分配数据与影响因素值间关系;
4)将步骤3)所得梯度提升回归模型进行参数优化,使测试集的误差更小;
5)根据步骤4)所得优化后的模型,最终通过输入相关影响因素值,实现电力预算建议方案的自动生成。
2.根据权利要求1所述的基于大数据分析的电力预算建议方案自动生成方法,其特征在于,所述步骤1)中,影响因素值包括内网参数及外网参数两部分,分析历年预算分配数据及其影响因素的具体方法为:分析电力系统内网数据,找出与历年预算分配数据相关度较高的参数,包括:各地市公司直属单位员工人数、设备数量、各个电压等级变电站数量、输电线路数量、售电量、输电量、资产原值及标准作业成本;分析外网数据,找出与历年预算分配相关度较高的参数,包括:城市GDP、人口及其他经济指标。
3.根据权利要求1所述的基于大数据分析的电力预算建议方案自动生成方法,其特征在于,所述步骤2)中对数据集进行预处理的具体方法为:从所选影响因素中,选择历年均有数据且合理的参数,取当年数据值或累计值作为分析影响因素值,按照训练集与测试集4:1的比例对数据集进行划分。
4.根据权利要求1所述的基于大数据分析的电力预算建议方案自动生成方法,其特征在于,所述步骤3)中利用梯度提升回归机器学习方法进行训练学习的具体方法如下:梯度提升回归算法是以CART回归树为基学习器的Boosting算法,利用加法模型与前向分步算法实现学习的优化过程;每个CART回归树算法生成的回归树为:
其中,Rm为输入空间划分后的区域,cm为相应划分区域的输出值;
梯度提升回归算法利用损失函数的负梯度在当前模型的值作为前一轮基学习器的残差,拟合回归树;在负梯度方向上进行拟合,每轮训练都能让损失函数尽可能减小,加速收敛到局部或全局最优解;最终生成的回归树为:
其中,Rmj为第m个回归树的输入空间划分后的区域,cmj为相应划分区域的输出值。
5.根据权利要求1所述的基于大数据分析的电力预算建议方案自动生成方法,其特征在于,所述步骤4)中将步骤3)所得梯度提升回归模型参数进行优化的具体方法为:选择合适的树深度,即回归树的数量;选择合适的学习率,代表迭代训练期间的趋近速度。
6.根据权利要求1所述的基于大数据分析的电力预算建议方案自动生成方法,其特征在于,所述步骤5)中通过输入相关影响因素值,实现电力预算建议方案的自动生成的具体方法为:统计并计算得到未来某年相关影响因素值,通过优化后的梯度提升回归模型预测该年份预算分配数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011221366.3A CN112348352B (zh) | 2020-11-05 | 2020-11-05 | 基于大数据分析的电力预算建议方案自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011221366.3A CN112348352B (zh) | 2020-11-05 | 2020-11-05 | 基于大数据分析的电力预算建议方案自动生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348352A true CN112348352A (zh) | 2021-02-09 |
CN112348352B CN112348352B (zh) | 2022-08-16 |
Family
ID=74428813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011221366.3A Active CN112348352B (zh) | 2020-11-05 | 2020-11-05 | 基于大数据分析的电力预算建议方案自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348352B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991032A (zh) * | 2021-05-12 | 2021-06-18 | 江苏电力信息技术有限公司 | 一种基于层级注意力网络的电力预算评估方法 |
CN113222722A (zh) * | 2021-05-12 | 2021-08-06 | 江苏电力信息技术有限公司 | 一种基于门结构深度交叉网络的电力预算评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853452A (zh) * | 2010-06-25 | 2010-10-06 | 冀中能源峰峰集团有限公司 | 煤炭企业成本预算编制方法和系统 |
CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
-
2020
- 2020-11-05 CN CN202011221366.3A patent/CN112348352B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853452A (zh) * | 2010-06-25 | 2010-10-06 | 冀中能源峰峰集团有限公司 | 煤炭企业成本预算编制方法和系统 |
CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991032A (zh) * | 2021-05-12 | 2021-06-18 | 江苏电力信息技术有限公司 | 一种基于层级注意力网络的电力预算评估方法 |
CN113222722A (zh) * | 2021-05-12 | 2021-08-06 | 江苏电力信息技术有限公司 | 一种基于门结构深度交叉网络的电力预算评估方法 |
CN113222722B (zh) * | 2021-05-12 | 2024-02-02 | 江苏电力信息技术有限公司 | 一种基于门结构深度交叉网络的电力预算评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112348352B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Renewable energy project performance evaluation using a hybrid multi-criteria decision-making approach: case study in Fujian, China | |
Prayogo et al. | Optimization model for construction project resource leveling using a novel modified symbiotic organisms search | |
CN112348352B (zh) | 基于大数据分析的电力预算建议方案自动生成方法 | |
CN106845777A (zh) | 案件工作量评价方法、法官业绩评价方法、建模方法、计算装置和计算机可读存储介质 | |
Safdarian et al. | Coalitional game theory based value sharing in energy communities | |
Ye et al. | A new environmental governance cost prediction method based on indicator synthesis and different risk coefficients | |
Liu et al. | Development Assessment of Higher Education System Based on TOPSIS‐Entropy, Hopfield Neural Network, and Cobweb Model | |
CN116307940A (zh) | 一种企业经营管理系统及方法 | |
CN110796296A (zh) | 多目标投资优化模型的构建方法、装置和计算设备 | |
CN109711621A (zh) | 基于判别分析和支持向量机结合的工业园区负荷预测方法 | |
CN116862068A (zh) | 一种计及激励型响应不确定性的变电站规划分布鲁棒优化方法及系统 | |
Kronqvist et al. | Alternating mixed-integer programming and neural network training for approximating stochastic two-stage problems | |
CN112991032A (zh) | 一种基于层级注意力网络的电力预算评估方法 | |
Niu et al. | Evaluation method for urban renewable energy utilisation efficiency based on DEA model | |
Chen et al. | A combination weighting method for the risk evaluation of water saving management contract | |
CN113011779A (zh) | 一种基于模糊综合评价的能源消费价格补偿方法及装置 | |
Liang et al. | New technology brings new opportunity for telecommunication carriers: Artificial intelligent applications and practices in telecom operators | |
CN113222722B (zh) | 一种基于门结构深度交叉网络的电力预算评估方法 | |
Bui et al. | An energy security strategic causality model using text mining for world region comparisons | |
Xie et al. | A Multi-Closed-Loop Assessment Mechanism for Development Level of Smart Grids | |
Jie | The Application of K-Means Clustering Algorithm in the Profit of Building Material Rental Customers | |
Miao et al. | Short-term Load Forecasting Based on Echo State Network and LightGBM | |
CN116596279B (zh) | 一种智慧园区能源消耗调度系统 | |
CN108335009A (zh) | 电力需求侧用电管理实施效果分析的方法 | |
Xiaobo et al. | A Predictive Model of Electricity Resident User Payment Based on Transfer Learning |
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 |