CN112465259B - 一种基于深度神经网络的开关故障预测方法 - Google Patents

一种基于深度神经网络的开关故障预测方法 Download PDF

Info

Publication number
CN112465259B
CN112465259B CN202011453592.4A CN202011453592A CN112465259B CN 112465259 B CN112465259 B CN 112465259B CN 202011453592 A CN202011453592 A CN 202011453592A CN 112465259 B CN112465259 B CN 112465259B
Authority
CN
China
Prior art keywords
switch
data
temperature
time
neural network
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
CN202011453592.4A
Other languages
English (en)
Other versions
CN112465259A (zh
Inventor
黄智慧
孙朝霞
李毅
刘建
徐永强
李芳�
冯波
吴忠平
郭靖
刘天慈
罗琪
王江涛
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.)
WUHAN QIXING ELECTRIC CO Ltd
State Grid Corp of China SGCC
Suizhou Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
WUHAN QIXING ELECTRIC 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 WUHAN QIXING ELECTRIC CO Ltd filed Critical WUHAN QIXING ELECTRIC CO Ltd
Priority to CN202011453592.4A priority Critical patent/CN112465259B/zh
Publication of CN112465259A publication Critical patent/CN112465259A/zh
Application granted granted Critical
Publication of CN112465259B publication Critical patent/CN112465259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

一种基于深度神经网络的开关故障预测方法，包括以下步骤：预测模型建模样本的选择定义；数据特征获取；数据预处理；特征工程；数据训练；故障预测；本方法基于深度神经网络的开关故障模型的建模方法利用时间窗口平滑、向量拼接方法将一维的温度数据转换为温度矩阵，提高了开关故障的预测准确性。

Description

一种基于深度神经网络的开关故障预测方法
技术领域
本发明涉及一种预测方法，具体地说是一种基于深度神经网络的开关故障预测方法。
背景技术
电力系统中存在大量的开关，这些开关分布广泛，型号众多。由于开关对电网的稳定起到重要的作用，因此必须时时刻刻关注开关的是否存在故障，并对存在故障隐患的开关进行替换，以保障电网的安全。随着移动互联网的广泛普及以及监测技术的发展，可以通过红外测温的技术实时获取开关的温度数据，但有技术中对电力系统开关的监测只能检测到温度异常但没有预警功能。
发明内容
本发明要解决的问题是现有技术中对电力系统开关的监测只能检测到温度异常但没有预警功能的问题。
本发明采用的技术方案是：一种基于深度神经网络的开关故障预测方法，包括以下步骤：
步骤一：预测模型建模样本的选择定义，首先根据电力系统开关的类型以及业务需要定义开关的状态，0代表开关正常，1代表开关异常；
步骤二：数据特征获取，从步骤一中的建模样本中获取特征数据，所述特征数据包括开关使用时间、安装环境、测温时间及开关的温度，从而得到模型初始数据；
步骤三：数据预处理(温度数据具有饱和度低、数据稀疏等特性，使得模型的预测能力存在较弱的问题。因此必须对建模的数据进行预处理，提高模型的预测能力)，将步骤二中获取的初始数据划分为连续型数据和离散型数据，开关使用时间、安装环境、测温时间利用离散值来表示，对这三个属性建立向量A(a1,a2,a3),其中a1代表开关使用时间，a2代表开关安装环境，a3代表测温的相对时间；
对开关的温度进行平滑，平滑掉数据中受“污染”的数据；
步骤四：特征工程，将当前温度前的n-1个温度数据和当前温度数据形成一个N维的向量；根据电力系统的业务特点，选择M-1个该开关的故障参考开关，生成该开关的M×(N+3)维的特征矩阵；该矩阵对应的结果为一个具有M个元素的向量，第i个元素的值对应第i个开关的状态(0代表正常，1代表故障)；
步骤五：数据训练，将步骤四得到的建模数据按比例随机划分为训练集和测试集，将训练集放到深度神经网络模型当中进行训练，并用测试集来验证训练模型；
步骤六：故障预测，将新的温度矩阵输入深度神经网络，对该开关进行预测。如果该开关的状态为1，系统发出报警，提示工作人员对该开关进行监测。如果存在P个以上的开关存在故障，系统同样报警，提示业务人员对该开关进行监测。
进一步的，所述步骤三中对温度连续值进行平滑的方法为利用平滑矩阵将温度数据进行加权平均。
进一步的，所述步骤三中a1,a2,a3的计算方法如下：a1等于开关使用时间等于当前时间减去开关安装时间(以天为单位)。跟据电力系统的业务特点，将开关安装的环境分成N个类，并用1到N来表示。a2根据具体的安装环境取其中一个值。测温时间减去当天零时的时间，得到测温时间的相对时间长度a3。
进一步的，所述步骤四中生成该开关的M×(N+3)维的特征矩阵的方法具体过程如下；用户根据业务特点，选择该开关的M-1个开关，对每一个开关得到的温度监测历史数据，利用步骤二中的方法得到开关的属性数据，利用步骤三中的平滑过程对开关温度进行平滑。假设开关A为需要预测的开关，生成开关的样本数据集合SA，其正例数据集合为A+,负例数据集合为A-。同样对于其他的M-1个，生成其包含正例和负例的样本数据集合；依次从这M个集合中挑选一个向量，生成一个M行N列的矩阵；
每一行代表一个开关，在每一行向量的后面加上步骤三中三个元素a1,a2,a3，即每一个开关的使用时间、对应的安装环境以及测温的相对时间，这样就得到一个M×(N+3)维的矩阵。
进一步的，所述步骤五中利用反向传播算法对深度神经网络进行训练。
本发明的有益效果和特点是：本发明提出的基于深度神经网络的开关故障模型的建模方法利用时间窗口平滑、向量拼接方法将一维的温度数据转换为温度矩阵，提高了开关故障的预测准确性。
附图说明
图1是本发明较佳实施例的温度平滑示意图示意图；
图2是本发明较佳实施例生成的M×(N+3)维的矩阵示意图；
图3是本发明较佳实施例深度神经网络预测过程示意图；
具体实施方式
下面结合附图对本发明进行进一步说明：
实施例1：
请参照图1～图3，本发明涉及一种基于深度神经网络的开关故障预测方法，包括以下步骤：
(1)预测模型建模样本的选择定义，据开关的历史数据，当一个开关被确定为故障时，定义为1，开关正常时定义为0
(2)对于每一个开关，获取其安装时间，安装环境、测温时间和温度，其中开关使用时间，安装环境、测温时间为离散型数据，对这三个属性建立向量A(a1,a2,a3),其中a1代表开关使用时间，a2代表开关安装环境，a3代表测温的相对时间，计算方法如下。
a1等于开关使用时间等于当前时间减去开关安装时间(以天为单位)。跟据电力系统的业务特点，将开关安装的环境分成N个类，并用1到N来表示。a2根据具体的安装环境取其中一个值。测温时间减去当天零时的时间，得到测温时间的相对时间长度a3。
(3)利用滑动窗口对温度进行加权平均，消除偶发性的温度故障。假设一个开关的温度监测序列为20 78 38 18 20 21 22 23，平滑窗口为(1，1，2)。平滑的计算过程如下。
t8＝(21+22+23*2)/4＝22.25
t7＝(20+21+22*2)/4＝21.25
t6＝(18+20+21*2)/4＝20
t5＝(38+18+20*2)/4＝24
t4＝(78+38+18*2)/4＝38
则平滑结果如图一。
(4)特征工程，该步骤生成的M×(N+3)维的矩阵，具体过程如下。用户根据业务特点，选择该开关的M-1个开关，对每一个开关得到的温度监测历史数据，利用(2)中的方法得到开关的属性数据，利用(3)中的平滑过程对开关温度进行平滑。假设开关A为需要预测的开关，生成开关的样本数据集合SA，其正例数据集合为A+,负例数据集合为A-。同样对于其他的M-1个，生成其包含正例和负例的样本数据集合。依次从这M个集合中挑选一个向量，生成一个M行N列的矩阵，其过程如图2.
每一行代表一个开关，在每一行向量的后面加上(2)中三个元素a1,a2,a3，即每一个开关的使用时间、对应的安装环境以及测温的相对时间，这样就得到一个M×(N+3)维的矩阵。
(5)根据(4)得到的训练数据，利用反向传播算法对深度神经网络进行训练，得到训练好的深度神经网络。
(6)对一个开关的新的温度数据，生成其对应的温度矩阵，并输入到已经训练好的深度神经网络模型中进行预测，预测过程如图三。左边矩形框代表开关的M×(N+3)矩阵，右边的代表预测结果(1，0，1，0)，此时第一个开关预测结果为1，系统立即发出报警信息，提示业务人员进行开关检查。
以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的结构关系及原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.一种基于深度神经网络的开关故障预测方法，其特征在于：包括以下步骤：
步骤一：预测模型建模样本的选择定义，首先根据电力系统开关的类型以及业务需要定义开关的状态，0代表开关正常，1代表开关异常；
步骤二：数据特征获取，从步骤一中的建模样本中获取特征数据，所述特征数据包括开关使用时间、安装环境、测温时间及开关的温度，从而得到模型初始数据；
步骤三：数据预处理，将步骤二中获取的初始数据划分为连续型数据和离散型数据，开关使用时间、安装环境、测温时间利用离散值来表示，对这三个属性建立向量A(a1,a2,a3),其中a1代表开关使用时间，a2代表开关安装环境，a3代表测温的相对时间；
对开关的温度进行平滑，平滑掉数据中受“污染”的数据；
步骤四：特征工程，将当前温度前的n-1个温度数据和当前温度数据形成一个N维的向量；根据电力系统的业务特点，选择M-1个该开关的故障参考开关，生成该开关的M×(N+3)维的特征矩阵；该矩阵对应的结果为一个具有M个元素的向量，第i个元素的值对应第i个开关的状态；生成该开关的M×(N+3)维的特征矩阵的方法具体过程如下；用户根据业务特点，选择该开关的M-1个开关，对每一个开关得到的温度监测历史数据，利用步骤二中的方法得到开关的属性数据，利用步骤三中的平滑过程对开关温度进行平滑；假设开关A为需要预测的开关，生成开关的样本数据集合SA，其正例数据集合为A+,负例数据集合为A-；同样对于其他的M-1个，生成其包含正例和负例的样本数据集合；依次从这M个集合中挑选一个向量，生成一个M行N列的矩阵；
每一行代表一个开关，在每一行向量的后面加上步骤三中三个元素a1,a2,a3，即每一个开关的使用时间、对应的安装环境以及测温的相对时间，这样就得到一个M×(N+3)维的矩阵；
步骤五：数据训练，将步骤四得到的建模数据按比例随机划分为训练集和测试集，将训练集放到深度神经网络模型当中进行训练，并用测试集来验证训练模型；
步骤六：故障预测，将新的温度矩阵输入深度神经网络，对该开关进行预测；如果该开关的状态为1，系统发出报警，提示工作人员对该开关进行监测；如果存在P个以上的开关存在故障，系统同样报警，提示业务人员对该开关进行监测。
2.根据权利要求1所述的基于深度神经网络的开关故障预测方法，其特征在于：所述步骤三中对温度连续值进行平滑的方法为利用平滑矩阵将温度数据进行加权平均。
3.根据权利要求1所述的基于深度神经网络的开关故障预测方法，其特征在于：所述步骤三中a1,a2,a3的计算方法如下：a1等于开关使用时间等于当前时间减去开关安装时间；跟据电力系统的业务特点，将开关安装的环境分成N个类，并用1到N来表示；a2根据具体的安装环境取其中一个值；测温时间减去当天零时的时间，得到测温时间的相对时间长度a3。
4.根据权利要求1所述的基于深度神经网络的开关故障预测方法，其特征在于：所述步骤五中利用反向传播算法对深度神经网络进行训练。
CN202011453592.4A 2020-12-12 2020-12-12 一种基于深度神经网络的开关故障预测方法 Active CN112465259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011453592.4A CN112465259B (zh) 2020-12-12 2020-12-12 一种基于深度神经网络的开关故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011453592.4A CN112465259B (zh) 2020-12-12 2020-12-12 一种基于深度神经网络的开关故障预测方法

Publications (2)

Publication Number Publication Date
CN112465259A CN112465259A (zh) 2021-03-09
CN112465259B true CN112465259B (zh) 2023-01-31

Family

ID=74801447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011453592.4A Active CN112465259B (zh) 2020-12-12 2020-12-12 一种基于深度神经网络的开关故障预测方法

Country Status (1)

Country Link
CN (1) CN112465259B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288123A (zh) * 2018-01-25 2018-07-17 武汉理工大学 基于bp神经网络的配电开关设备可靠性评估方法
CN109146199A (zh) * 2018-09-11 2019-01-04 国网江苏省电力有限公司泰州供电分公司 一种基于花瓣式电网环网配电开关柜状态确定方法
CN109919390A (zh) * 2019-03-15 2019-06-21 西门子电力自动化有限公司 预测电力设备的接触点的温升的方法与装置
CN110378052A (zh) * 2019-07-25 2019-10-25 北京航空航天大学 基于循环神经网络考虑未来工况的设备剩余寿命预测方法
CN111461392A (zh) * 2020-01-23 2020-07-28 华中科技大学 一种基于图神经网络的电力故障预测方法及系统
CN111523710A (zh) * 2020-04-10 2020-08-11 三峡大学 基于pso-lssvm在线学习的电力设备温度预测方法
CN111652393A (zh) * 2020-06-05 2020-09-11 国网信通亿力科技有限责任公司 基于大数据技术的电力设备异常预警方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11487996B2 (en) * 2019-06-03 2022-11-01 Dell Products L.P. Real-time predictive maintenance of hardware components using a stacked deep learning architecture on time-variant parameters combined with a dense neural network supplied with exogeneous static outputs

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108288123A (zh) * 2018-01-25 2018-07-17 武汉理工大学 基于bp神经网络的配电开关设备可靠性评估方法
CN109146199A (zh) * 2018-09-11 2019-01-04 国网江苏省电力有限公司泰州供电分公司 一种基于花瓣式电网环网配电开关柜状态确定方法
CN109919390A (zh) * 2019-03-15 2019-06-21 西门子电力自动化有限公司 预测电力设备的接触点的温升的方法与装置
CN110378052A (zh) * 2019-07-25 2019-10-25 北京航空航天大学 基于循环神经网络考虑未来工况的设备剩余寿命预测方法
CN111461392A (zh) * 2020-01-23 2020-07-28 华中科技大学 一种基于图神经网络的电力故障预测方法及系统
CN111523710A (zh) * 2020-04-10 2020-08-11 三峡大学 基于pso-lssvm在线学习的电力设备温度预测方法
CN111652393A (zh) * 2020-06-05 2020-09-11 国网信通亿力科技有限责任公司 基于大数据技术的电力设备异常预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
深度学习在设备故障预测与健康管理中的应用;陈志强;《仪器仪表学报》;20190930;第40卷(第9期);第206-220页 *
航空燃气涡轮风扇发动机故障识别诊断方法研究;刘义平;《航空维修与工程》;20200320;第19卷(第03期);第65-68页 *

Also Published As

Publication number Publication date
CN112465259A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN112162878B (zh) 数据库故障发现方法、装置、电子设备及存储介质
JP2018170006A (ja) 電力グリッドにおけるサイバー脅威を検出する汎用フレームワーク
US20100049494A1 (en) Method for predicting power usage effectiveness and data center infrastructure efficiency within a real-time monitoring system
CN112835769A (zh) 一种业务数据异常诊断方法、装置、设备及存储介质
CN114168444B (zh) 一种基于监控大数据的动态运维报修方法
CN111368980A (zh) 状态检测方法、装置、设备及存储介质
CN115642706A (zh) 一种电网内配电负荷监控系统
CN110309537A (zh) 一种飞行器的智能健康预测方法及系统
CN111898247A (zh) 滑坡位移预测方法、设备及存储介质
CN115396324A (zh) 一种网络安全态势感知预警处理系统
CN114490249B (zh) 监控报警方法和装置、计算机设备、存储介质
CN112465259B (zh) 一种基于深度神经网络的开关故障预测方法
Schachinger et al. An advanced data analytics framework for energy efficiency in buildings
CN116714469A (zh) 充电桩健康监测方法、装置、终端及存储介质
CN115765182A (zh) 基于时序数据库的数字孪生方法及装置
CN112686330B (zh) Kpi异常数据检测方法及装置、存储介质及电子设备
CN114510469A (zh) 电力系统不良数据辨识方法、装置、设备及介质
CN117791856B (zh) 一种基于巡检机器人的电网故障预警方法及装置
CN114237962B (zh) 告警根因判断方法、模型训练方法、装置、设备和介质
CN115330559B (zh) 一种信息数据时空协同的配电网弹性评估方法和装置
CN115616437B (zh) 一种epc特种电源的智能调测控制方法及系统
CN117494053A (zh) 一种变压器多状态量数据异常检测方法、介质及系统
CN117640342A (zh) 一种电力监控系统主体异常检测方法、装置、设备和介质
CN115456168A (zh) 强化学习模型的训练方法、能耗确定方法和装置
CN114371678A (zh) 一种装备安全生产的预警方法、系统、设备及存储介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230316

Address after: No. 41, Yingbin Avenue, Suizhou City, Hubei Province 441399

Patentee after: SUIZHOU POWER SUPPLY COMPANY, HUBEI PROVINCE ELECTRIC POWER COMPANY, STATE GRID COOPERATION

Patentee after: STATE GRID CORPORATION OF CHINA

Patentee after: WUHAN QIXING ELECTRIC Co.,Ltd.

Address before: 430015 8th floor, block a, building 4, No.6 Shiqiao 1st Road, Houhu street, Jiang'an District, Wuhan City, Hubei Province (Science and technology entrepreneurship center)

Patentee before: WUHAN QIXING ELECTRIC Co.,Ltd.