CN112487185A - 一种电力客户领域的数据分类方法 - Google Patents

一种电力客户领域的数据分类方法 Download PDF

Info

Publication number
CN112487185A
CN112487185A CN202011354080.2A CN202011354080A CN112487185A CN 112487185 A CN112487185 A CN 112487185A CN 202011354080 A CN202011354080 A CN 202011354080A CN 112487185 A CN112487185 A CN 112487185A
Authority
CN
China
Prior art keywords
data
probability
information
steps
document
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
Application number
CN202011354080.2A
Other languages
English (en)
Other versions
CN112487185B (zh
Inventor
杜文勇
马永波
李子乾
刘旭生
孙林檀
王威
赵伟
穆松鹤
邓阳博
徐雨申
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.)
State Grid Co ltd Customer Service Center
Original Assignee
CHINA REALTIME DATABASE CO LTD
State Grid Co ltd Customer Service Center
NARI Group Corp
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 CHINA REALTIME DATABASE CO LTD, State Grid Co ltd Customer Service Center, NARI Group Corp filed Critical CHINA REALTIME DATABASE CO LTD
Priority to CN202011354080.2A priority Critical patent/CN112487185B/zh
Publication of CN112487185A publication Critical patent/CN112487185A/zh
Application granted granted Critical
Publication of CN112487185B publication Critical patent/CN112487185B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • 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
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Probability & Statistics with Applications (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电力客户领域的数据分类方法，基于pLSA主题生成模型，首先使用经过预处理的数据表相关描述信息，字段及注释内容形成分析原始文档，辨识文本主题，并根据各自主题通过语义分析获得数据集之间相似性进行数据分类，根据分类结果划分新主题，使用EM算法学习模型参数进行迭代计算，提高数据分类的准确度以及辨识度，为后期数据建设，数据分析，数据建模等工作，提供更准确的，更便捷的数据样本。

Description

一种电力客户领域的数据分类方法
技术领域
本发明涉及一种数据汇聚方法，尤其涉及一种电力客户领域的数据分类方法。
背景技术
在现行数据分类汇聚的过程中，主要参考相关规范标准通过人工方式进行划分。随着客服中心数字化、智能化建设逐步完善，数据总量日益增长，人工效率远远无法满足工作需求，并且数据涉及多维度，多层次，多业务等领域，因认知程度不同，数据分类过程中会存在分类数据集相交或者跨类关联等问题，在概念上容易存在混淆。特别是在数据模型规范之外的新增数据，在进行分类时无据可依，导致数据分类出错或者出现数据分类滞后影响业务使用的情况，在数据分类过程中只能参考有限的材料，对于划分模糊的数据集无法准确分类，只能通过对话、研讨的方式来确保分类准确性；对于新增的数据集只能通过经验感知进行划分，也无法判断准确性。
发明内容
发明目的：针对上述现有技术的缺点，本发明提供一种能够准确划分数据集类别的数据汇聚方法。
技术方案：本发明的电力客户领域的数据分类方法包括如下步骤：
S1、根据现有数据集，使用脚本，工具等将其处理为算法所需要原始数据内容，形成以编号为标识的原始数据集文件；
S2、使用ETL工具采集原始数据集描述信息，传输至数据中台，整理汇总得到表数据描述信息汇总表，通过脚本处理数据集得到算法所需文本集合，以txt文本格式存储至Hadoop分布式文件系统节点上，以供后续计算使用；
S3、编写文档预处理代码实现读入文本、单词信息后进行停用词信息初始化；
S4、建立pLSA主题模型，创建概率数组并初始化，
S5、用最大期望算法进行迭代计算直到收敛，得到结果后进行收敛检查；
S6、输入测试数据进行算法测试，验证代码及结果集准确性；
S7、加载步骤S2中生成的文本文件进行计算，得到数据分类结果。
步骤S1中的原始数据集文件包括用于记录售电量、用户欠费等营销实时指标数据信息的营销属性表、用于记录用户用电基本信息的客户信息表和用于记录用户基本信息的用户属性表，所述营销实时指标数据信息包括指标值标识、单位编号、指标编码、频度、统计周期等属性和用于识别的字段描述信息。
步骤S4中，通过使用经过预处理的数据表相关描述信息，字段及注释内容形成分析原始文档，辨识文本主题，并根据各自主题通过语义分析获得数据集之间的相似性，根据相似性进行数据分类生成PLSA主题模型，其具体步骤为：
以p(dm)的概率从文档集合D中选择一个文档dm；
以p(zk|dm)的概率从主题集合Z中选择一个主题zk；
以p(wn|zk)的概率从词集W中选择一个词；
建立关联函数：
Figure BDA0002802132420000021
上式中，n(dm,wn)为(dm,wn)组合出现的次数，M′代表数据集文档数量，N′代表词汇数量，对关联函数两边取对数，建立最大化对数似然函数，其表达式如下：
Figure BDA0002802132420000022
步骤S5中，最大期望算法步骤如下：
S5.1：假设已知p(zk|dm)与p(wn|zk)，求潜在变量zk的后验概率p(zk|dm,wn)。
S5.2：求关于参数p(zk|dm)和p(wn|zk)的Complete data对数似然函数期望的极大值，得到参数p(zk|dm)和p(wn|zk)的最优解，代入S4.1进行迭代循环。
步骤S5.1中，潜在变量zk的后验概率p(zk|dm,wn)的求解步骤如下：
由最大化对数
Figure BDA0002802132420000023
上式后部分为常量，令：
Figure BDA0002802132420000024
Figure BDA0002802132420000025
建立以下目标函数与约束条件：
Figure BDA0002802132420000031
s.t.
Figure BDA0002802132420000032
Figure BDA0002802132420000033
由于只有等式约束，使用拉格朗日乘子法求解上述目标函数：
Figure BDA0002802132420000034
对p(zk|dm)与p(wn|zk)求驻点，得：
Figure BDA0002802132420000035
Figure BDA0002802132420000036
令
Figure BDA0002802132420000037
得：
Figure BDA0002802132420000038
故有：
Figure BDA0002802132420000039
同理，有：
Figure BDA00028021324200000310
将p(zk|dm)与p(wn|zk)回代Expectation，得到潜在变量zk的后验概率为：
Figure BDA00028021324200000311
步骤S5中，对数似然函数期望的极大值用拉格朗日乘数法求解，其步骤如下：
建立关于主题在文档中出现概率和单词在主题中出现概率的拉格朗日函数
Figure BDA0002802132420000041
对拉格朗日函数求偏导，得到：
Figure BDA0002802132420000042
Figure BDA0002802132420000043
在解出τk,ρi后将其系数转换，更新后的参数值即为代入步骤S4.1的最优解。
有益效果：与现有技术相比，本发明具有如下显著优点：能够快速准确的对现有海量数据完成分类，并按照规则划分层级，实现数据统一管理，准确把握数据现状和增长状态；能够有效的解决业务、应用等新增数据分类模糊甚至错误的问题，提高数据使用准确性。
附图说明
图1为本发明的pLSA主题模型示例图；
图2为本发明的pLSA主题模型结构图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
首先，根据现有数据集，使用脚本，工具等将其处理为算法所需要原始数据内容，形成以编号为标识的原始数据集文件，原始数据集源自系统的贴源层，根据其记录数据形式，原始数据集文件包括用于记录售电量、用户欠费等营销实时指标数据信息的营销属性表、用于记录用户用电基本信息的客户信息表和用于记录用户基本信息的用户属性表，所述营销实时指标数据信息包括指标值标识、单位编号、指标编码、频度、统计周期等属性和用于识别的字段描述信息。
使用ETL工具采集相关表描述信息，传输至数据中台，整理汇总得到表数据描述信息汇总表，通过脚本处理数据集得到算法所需文本集合，以txt文本格式存储至hdfs节点上，以供后续计算使用。
编写文档预处理代码实现读入文本、单词信息后进行停用词信息初始化；
建立pLSA主题模型，创建概率数组并初始化；PLSA主题模型的生成是通过使用经过预处理的数据表相关描述信息，字段及注释内容形成分析原始文档，辨识文本主题，并根据各自主题通过语义分析获得数据集之间的相似性，根据相似性进行数据分类，其具体步骤为：
以p(dm)的概率从文档集合D中选择一个文档dm；
以p(zk|dm)的概率从主题集合Z中选择一个主题zk；
以p(wn|zk)的概率从词集W中选择一个词；
如图1所示，文档d中包含三个主题Z，每个主题在文档中出现的概率为p(z|d)，每个主题的词集中词出现的概率为p(w|z)；
建立关联函数：
Figure BDA0002802132420000051
上式中，n(dm,wn)为(dm,wn)组合出现的次数，M′代表数据集文档数量，N′代表词汇数量，对关联函数两边取对数，建立最大化对数似然函数，其表达式如下：
Figure BDA0002802132420000052
S5、用最大期望算法进行迭代计算直到收敛，得到结果后进行收敛检查；最大期望算法步骤如下：
S5.1：假设已知p(zk|dm)与p(wn|zk)，求潜在变量zk的后验概率p(zk|dm,wn)。
S5.2：求关于参数p(zk|dm)和p(wn|zk)的Complete data对数似然函数期望的极大值，得到参数p(zk|dm)和p(wn|zk)的最优解，代入S4.1进行迭代循环。
步骤S5.1中，潜在变量zk的后验概率p(zk|dm,wn)的求解步骤如下：
由最大化对数
Figure BDA0002802132420000053
上式后部分为常量，令：
Figure BDA0002802132420000054
Figure BDA0002802132420000061
建立以下目标函数与约束条件：
Figure BDA0002802132420000062
s.t.
Figure BDA0002802132420000063
Figure BDA0002802132420000064
由于只有等式约束，使用拉格朗日乘子法求解上述目标函数：
Figure BDA0002802132420000065
对p(zk|dm)与p(wn|zk)求驻点，得：
Figure BDA0002802132420000066
Figure BDA0002802132420000067
令
Figure BDA0002802132420000068
得：
Figure BDA0002802132420000069
故有：
Figure BDA00028021324200000610
同理，有：
Figure BDA00028021324200000611
将p(zk|dm)与p(wn|zk)回代Expectation，得到潜在变量zk的后验概率为：
Figure BDA0002802132420000071
步骤S5中，对数似然函数期望的极大值用拉格朗日乘数法求解，其步骤如下：
建立关于主题在文档中出现概率和单词在主题中出现概率的拉格朗日函数
Figure BDA0002802132420000072
对拉格朗日函数求偏导，得到：
Figure BDA0002802132420000073
Figure BDA0002802132420000074
在解出τk,ρi后将其系数转换，更新后的参数值即为代入步骤S4.1的最优解。
输入测试数据进行算法测试，验证代码及结果集准确性；
加载前述步骤中对原始数据处理生成的文本文件进行计算，得到数据分类结果，上述计算结果产生的相似数据集文本的集合数据，按照其相似程度划分分类。依据分类结果集合，整理得到溯源文本原始数据文件，使用反向还原成数据表内容，再进行前端规划展示，形成可视化数据目录及数据地图内容。

Claims (6)

1.一种电力客户领域的数据分类方法，其特征在于，所述方法包括如下步骤：
S1、根据现有数据集，使用脚本，工具等将其处理为算法所需要原始数据内容，形成以编号为标识的原始数据集文件；
S2、使用ETL工具采集原始数据集描述信息，传输至数据中台，整理汇总得到表数据描述信息汇总表，通过脚本处理数据集得到算法所需文本集合，以txt文本格式存储至Hadoop分布式文件系统节点上，以供后续计算使用；
S3、编写文档预处理代码实现读入文本、单词信息后进行停用词信息初始化；
S4、建立pLSA主题模型，创建概率数组并初始化，
S5、用最大期望算法进行迭代计算直到收敛，得到结果后进行收敛检查；
S6、输入测试数据进行算法测试，验证代码及结果集准确性；
S7、加载步骤S2中生成的文本文件进行计算，得到数据分类结果。
2.根据权利要求1所述的电力客户领域的数据分类方法，其特征在于，所述步骤S1中的原始数据集文件包括用于记录售电量、用户欠费等营销实时指标数据信息的营销属性表、用于记录用户用电基本信息的客户信息表和用于记录用户基本信息的用户属性表，所述营销实时指标数据信息包括指标值标识、单位编号、指标编码、频度、统计周期等属性和用于识别的字段描述信息。
3.根据权利要求1所述的电力客户领域的数据分类方法，其特征在于，所述步骤S4中，通过使用经过预处理的数据表相关描述信息，字段及注释内容形成分析原始文档，辨识文本主题，并根据各自主题通过语义分析获得数据集之间的相似性，根据相似性进行数据分类生成PLSA主题模型，其具体步骤为：
以p(dm)的概率从文档集合D中选择一个文档dm；
以p(zk|dm)的概率从主题集合Z中选择一个主题zk；
以p(wn|zk)的概率从词集W中选择一个词；
建立关联函数：
Figure FDA0002802132410000011
上式中，n(dm,wn)为(dm,wn)组合出现的次数，M′代表数据集文档数量，N′代表词汇数量，对关联函数两边取对数，建立最大化对数似然函数，其表达式如下：
Figure FDA0002802132410000021
4.根据权利要求1所述的电力客户领域的数据分类方法，其特征在于，所述步骤S5中，最大期望算法步骤如下：
S5.1：假设已知p(zk|dm)与p(wn|zk)，求潜在变量zk的后验概率p(zk|dm,wn)。
S5.2：求关于参数p(zk|dm)和p(wn|zk)的Complete data对数似然函数期望的极大值，得到参数p(zk|dm)和p(wn|zk)的最优解，代入S4.1进行迭代循环。
5.根据权利要求1所述的电力客户领域的数据分类方法，其特征在于，所述步骤S5.1中，潜在变量zk的后验概率p(zk|dm,wn)的求解步骤如下：
由最大化对数
Figure FDA0002802132410000022
上式后部分为常量，令：
Figure FDA0002802132410000023
Figure FDA0002802132410000024
建立以下目标函数与约束条件：
Figure FDA0002802132410000025
Figure FDA0002802132410000026
Figure FDA0002802132410000027
由于只有等式约束，使用拉格朗日乘子法求解上述目标函数：
Figure FDA0002802132410000028
对p(zk|dm)与p(wn|zk)求驻点，得：
Figure FDA0002802132410000031
Figure FDA0002802132410000032
令
Figure FDA0002802132410000033
得：
Figure FDA0002802132410000034
故有：
Figure FDA0002802132410000035
同理，有：
Figure FDA0002802132410000036
将p(zk|dm)与p(wn|zk)回代Expectation，得到潜在变量zk的后验概率为：
Figure FDA0002802132410000037
6.根据权利要求1所述的电力客户领域的数据分类方法，其特征在于，所述步骤S5中，对数似然函数期望的极大值用拉格朗日乘数法求解，其步骤如下：
建立关于主题在文档中出现概率和单词在主题中出现概率的拉格朗日函数
Figure FDA0002802132410000038
对拉格朗日函数求偏导，得到：
Figure FDA0002802132410000039
Figure FDA00028021324100000310
在解出τk,ρi后将其系数转换，更新后的参数值即为代入步骤S4.1的最优解。
CN202011354080.2A 2020-11-27 2020-11-27 一种电力客户领域的数据分类方法 Active CN112487185B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011354080.2A CN112487185B (zh) 2020-11-27 2020-11-27 一种电力客户领域的数据分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011354080.2A CN112487185B (zh) 2020-11-27 2020-11-27 一种电力客户领域的数据分类方法

Publications (2)

Publication Number Publication Date
CN112487185A true CN112487185A (zh) 2021-03-12
CN112487185B CN112487185B (zh) 2022-12-30

Family

ID=74935712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011354080.2A Active CN112487185B (zh) 2020-11-27 2020-11-27 一种电力客户领域的数据分类方法

Country Status (1)

Country Link
CN (1) CN112487185B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914445A (zh) * 2014-03-05 2014-07-09 中国人民解放军装甲兵工程学院 数据语义处理方法
CN105760365A (zh) * 2016-03-14 2016-07-13 云南大学 基于贝叶斯算法对图像语义数据的概率潜在参数估计模型
CN107943824A (zh) * 2017-10-17 2018-04-20 广东广业开元科技有限公司 一种基于lda的大数据新闻分类方法、系统及装置
CN108984726A (zh) * 2018-07-11 2018-12-11 黑龙江大学 一种基于扩展的sLDA模型对图像进行标题注释的方法
CN110134958A (zh) * 2019-05-14 2019-08-16 南京大学 一种基于语义词网络的短文本主题挖掘方法
CN111241288A (zh) * 2020-01-17 2020-06-05 烟台海颐软件股份有限公司 一种大集中电力客户服务中心的突发事件感知系统以及构建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914445A (zh) * 2014-03-05 2014-07-09 中国人民解放军装甲兵工程学院 数据语义处理方法
CN105760365A (zh) * 2016-03-14 2016-07-13 云南大学 基于贝叶斯算法对图像语义数据的概率潜在参数估计模型
CN107943824A (zh) * 2017-10-17 2018-04-20 广东广业开元科技有限公司 一种基于lda的大数据新闻分类方法、系统及装置
CN108984726A (zh) * 2018-07-11 2018-12-11 黑龙江大学 一种基于扩展的sLDA模型对图像进行标题注释的方法
CN110134958A (zh) * 2019-05-14 2019-08-16 南京大学 一种基于语义词网络的短文本主题挖掘方法
CN111241288A (zh) * 2020-01-17 2020-06-05 烟台海颐软件股份有限公司 一种大集中电力客户服务中心的突发事件感知系统以及构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邹跃鹏: "基于主题模型的多标签文本分类及推荐系统若干问题研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *

Also Published As

Publication number Publication date
CN112487185B (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN110188208B (zh) 一种基于知识图谱的信息资源查询推荐方法和系统
US10120930B2 (en) Identifying entity mappings across data assets
Gal Uncertain schema matching
US11714831B2 (en) Data processing and classification
Caicedo et al. Multimodal representation, indexing, automated annotation and retrieval of image collections via non-negative matrix factorization
CN109446341A (zh) 知识图谱的构建方法及装置
Mazumdar et al. Query complexity of clustering with side information
US11106719B2 (en) Heuristic dimension reduction in metadata modeling
CN108665148B (zh) 一种电子资源质量评价方法、装置和存储介质
CN107507028A (zh) 用户偏好确定方法、装置、设备及存储介质
CN105740342A (zh) 一种基于社会关系主题模型的社交网络朋友推荐方法
CN107194672B (zh) 一种融合学术专长与社会网络的评审分配方法
Marie et al. Boosting schema matchers
CN112328798A (zh) 文本分类方法以及装置
CN113806560A (zh) 一种电力数据知识图生成方法及系统
CN103095849B (zh) 基于QoS属性预测和纠错的有监督Web服务发现方法及系统
CN113254507A (zh) 一种数据资产目录智能构建盘点方法
CN116628228B (zh) 一种rpa流程推荐方法以及计算机可读存储介质
Zhao et al. Safe semi-supervised classification algorithm combined with active learning sampling strategy
CN117494760A (zh) 一种基于超大规模语言模型的富语义标签数据增广方法
CN112487185B (zh) 一种电力客户领域的数据分类方法
US20220284023A1 (en) Estimating computational cost for database queries
Dhamal et al. Modeling spread of preferences in social networks for sampling-based preference aggregation
Afra et al. NetDriller-V3: A Powerful Social Network Analysis Tool
CN111125541B (zh) 面向多用户的可持续多云服务组合的获取方法

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
CB03 Change of inventor or designer information

Inventor after: Du Wenyong

Inventor after: Ma Yongbo

Inventor after: Li Ziqian

Inventor after: Liu Xusheng

Inventor after: Sun Lintan

Inventor after: Zhao Wei

Inventor after: Mu Songhe

Inventor before: Du Wenyong

Inventor before: Xu Yushen

Inventor before: Ma Yongbo

Inventor before: Li Ziqian

Inventor before: Liu Xusheng

Inventor before: Sun Lintan

Inventor before: Wang Wei

Inventor before: Zhao Wei

Inventor before: Mu Songhe

Inventor before: Deng Yangbo

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20220616

Address after: No.21, Lihu Ring Road, Dongli District, Tianjin 300309

Applicant after: STATE GRID Co.,Ltd. CUSTOMER SERVICE CENTER

Address before: No.21, Lihu Ring Road, Dongli District, Tianjin 300309

Applicant before: STATE GRID Co.,Ltd. CUSTOMER SERVICE CENTER

Applicant before: CHINA REALTIME DATABASE Co.,Ltd.

Applicant before: NARI Group Corp.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant