CN113344293A - 一种基于nca-融合回归树模型的光伏功率预测方法 - Google Patents

一种基于nca-融合回归树模型的光伏功率预测方法 Download PDF

Info

Publication number
CN113344293A
CN113344293A CN202110728562.8A CN202110728562A CN113344293A CN 113344293 A CN113344293 A CN 113344293A CN 202110728562 A CN202110728562 A CN 202110728562A CN 113344293 A CN113344293 A CN 113344293A
Authority
CN
China
Prior art keywords
model
nca
data
photovoltaic power
prediction 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.)
Granted
Application number
CN202110728562.8A
Other languages
English (en)
Other versions
CN113344293B (zh
Inventor
王彪
赵奇
陈中
庄卫金
王毅
吴海伟
邓海晖
田江
丁宏恩
王若晨
孟雨庭
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.)
Southeast University
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Southeast University
China Electric Power Research Institute Co Ltd CEPRI
State Grid Electric Power Research Institute
Suzhou Power Supply Co of State Grid Jiangsu 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 Southeast University, China Electric Power Research Institute Co Ltd CEPRI, State Grid Electric Power Research Institute, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Southeast University
Priority to CN202110728562.8A priority Critical patent/CN113344293B/zh
Publication of CN113344293A publication Critical patent/CN113344293A/zh
Application granted granted Critical
Publication of CN113344293B publication Critical patent/CN113344293B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Development Economics (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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种基于NCA‑融合回归树模型的光伏功率预测方法，预测方法如下：从光伏电站获取光伏输出功率信息和气象信息，并对采集到的原始数据进行数据预处理；对NCA模型进行参数优化，通过优化后的NCA模型计算处理后的气象数据相对于发电功率的权重；将计算所得的权重大于阈值的特征提取出来，形成新的数据集，通过bag方式利用新的数据集训练集成树，并对集成的树模型进行参数寻优。本发明预测方法通过对原始数据进行预处理，解决不良数据对模型影响，消除了不同特征数量级的差距对目标函数的影响，从而能够更有效的挖掘高相关性特征，通过优化后的NCA模型对特征进行分析，计算每个特征的重要度，提取重要度高的特征作为训练集，降低模型复杂度。

Description

一种基于NCA-融合回归树模型的光伏功率预测方法
技术领域
本发明涉及光伏发电功率预测领域，具体是一种基于NCA-融合回归树模型的光伏功率预测方法。
背景技术
气候变化是人类共同面临的世界性问题，随着生产力的飞速发展，各国排放二氧化碳量激增，温室效应日渐严重，为了应对气候变暖，世界各国以全球协约的方式给出了碳减排目标，我国也提出了碳达峰和碳中和的目标，二氧化碳的产生主要来源于化石能源的燃烧，光伏发电不需要化石燃料的燃烧进行能量转换，是一种绿色清洁能源，光伏发电受到多种因素影响，具有随机性和波动性，随着国家政策的大力倡导，光伏发电在电力生产中的占比不断提高，光伏的渗透率也不断提高，其出力的随机性和波动性对电网的安全稳定运行造成压力，因此光伏发电功率预测的准确性越来越重要。
目前，光伏发电功率预测精确度主要受两个方面的影响，一是用于模型训练的数据集质量，气象监测系统采集的历史气象数据和发电功率数据存在数据偏移和异常。例如，夜间光伏出力为零，受功率测量装置的零点漂移和测量精度的影响，历史记录中会出现负值，因此，数据预处理是关键问题，二是预测模型的性能，包括特征选择和训练方法，气象监测系统采集量众多，有的特征和发电功率相关性高，有的特征对功率预测贡献度低，还有的特征之间相互关联，存在冗余，过多的输入特征会使模型变得复杂，甚至降低模型的精确度，因此，特征筛选尤为重要，此外，很多模型存在过拟合的问题，模型的泛化能力较差。
发明内容
本发明的目的在于提供一种基于NCA-融合回归树模型的光伏功率预测方法，通过对原始数据进行预处理，解决不良数据对模型影响，消除了不同特征数量级的差距对目标函数的影响，从而能够更有效的挖掘高相关性特征，通过优化后的NCA(近邻成分分析)模型对特征进行分析，计算每个特征的重要度，提取重要度高的特征作为训练集，有助于降低模型复杂度，提高模型预测精准度，采用了bag(装袋)方法对多个树模型进行集成并对参数进行优化，提高了模型的泛化性能和准确度。
本发明的目的可以通过以下技术方案实现：
一种基于NCA-融合回归树模型的光伏功率预测方法，所述预测方法包括如下步骤：
S1：原始数据预处理
从光伏电站获取光伏输出功率信息和气象信息，并对采集到的原始数据进行数据预处理。
S2:权重计算
对NCA模型进行参数优化，通过优化后的NCA模型计算所述S1中处理后的气象数据相对于发电功率的权重。
S3：特征筛选
将所述S2计算所得的权重大于阈值的特征提取出来，形成新的数据集。
S4：树模型集成
通过所述S3中新的数据集训练多个回归树模型，通过bag方式对所得树模型进行集成，并对集成的树模型进行参数寻优。
进一步的，所述S1中的原始气象信息包括年、月、日、时、分、直射辐照度(DNI)、漫射水平辐照度(DHI)、总水平辐照度(GHI)、露点温度、环境温度、气压、相对湿度、风向、风速和地表反照度。
所述数据预处理的包括删除空缺数据，根据限值对功率异常的数据进行校正和气象数据归一化。
数据归一化的公式如下：
Figure BDA0003139406890000031
上式中，x为样本原始数据，
Figure BDA0003139406890000032
为样本均值，S为样本标准差，z为归一化的数据。
进一步的，所述S2中参数优化为采用5折交叉验证的方法，对每个正则项系数备选值分别训练NCA模型，计算相应损失，取5折损失的平均值作为对应正则项系数模型的最终损失，选取损失最小的正则项系数为最优NCA模型。
进一步的，S3中的阈值为0.5。
进一步的，所述S4的集成的树模型参数寻优采用网格法，对bag集成树模型的最小叶个数和最优数个数进行优化，最小叶个数的优化范围为1-200，最优树个数范围为1-100。
本发明的有益效果：
1、本发明预测方法通过对原始数据进行预处理，解决不良数据对模型影响，消除了不同特征数量级的差距对目标函数的影响，从而能够更有效的挖掘高相关性特征；
2、本发明预测方法通过优化后的NCA模型对特征进行分析，计算每个特征的重要度，提取重要度高的特征作为训练集，有助于降低模型复杂度，提高模型预测精准度，采用了bag方法对多个树模型进行集成并对参数进行优化，提高了模型的泛化性能和准确度。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明预测方法流程图；
图2是本发明NCA模型优化过程图；
图3优化后的NCA模型计算出的各个特征的权重分布图；
图4是本发明集成树模型的优化过程图；
图5是不同模型在测试数据集上的预测曲线对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
一种基于NCA-融合回归树模型的光伏功率预测方法，如图1所示，预测方法包括如下步骤：
S1：原始数据预处理
从光伏电站获取光伏输出功率信息和气象信息，并对采集到的原始数据进行数据预处理。
S2:权重计算
对NCA模型进行参数优化，通过优化后的NCA模型计算S1中处理后的气象数据相对于发电功率的权重。
S3：特征筛选
将S2计算所得的权重大于0.5的特征提取出来，形成新的数据集。
S4：树模型集成
通过所述S3中新的数据集训练多个回归树模型，通过bag方式对所得树模型进行集成，并对集成的树模型进行参数寻优。
S1中的原始气象信息包括年、月、日、时、分、直射辐照度、漫射水平辐照度、总水平辐照度、露点温度、环境温度、气压、相对湿度、风向、风速和地表反照度。
数据预处理的包括删除空缺数据，根据限值对功率异常的数据进行校正和气象数据归一化。
数据归一化的公式如下：
Figure BDA0003139406890000051
上式中，x为样本原始数据，
Figure BDA0003139406890000053
为样本均值，S为样本标准差，z为归一化的数据。
本发明光伏功率预测方法中的步骤S1的一个示例，示例如下：
在夜间没有光照的情况下光伏发电功率为0，也即下限为零，历史记录中出现夜间功率为-0.0016kW是由功率采集器自身的误差导致，根据发电功率下限，将夜间功率为-0.0016kW更正为夜间功率为0。
S2中参数优化为采用5折交叉验证的方法，对每个正则项系数备选值分别训练NCA模型，计算相应损失，取5折损失的平均值作为对应正则项系数模型的最终损失，选取损失最小的正则项系数为最优NCA模型。
NCA模型寻优的过程，如图2所示，最优正则项系数为0.00047，使用优化后的NCA模型对各个特征值进行分析，各个特征权重分布如图3所示。
S3中新的数据集包含的特征如表1所示。
表1NCA模型筛选出的特征值
Figure BDA0003139406890000052
S4的集成的树模型参数寻优采用网格法，对bag集成树模型的最小叶个数和最优数个数进行优化，最小叶个数的优化范围为1-200，最优树个数范围为1-100，选择在测试集上泛化误差最小的参数最为最终模型，优化的结果最小叶为2，最优树个数为81。
该预测方法、未经特征提取训练的集成树模型和经过特征提取的单棵精细树模型的对比，如图4所示，可以看出该预测方法同未经特征提取训练的集成树模型相比有更高的预测精度，同单棵树相比具有更高的精度和泛化性能，表2对比了该预测方法与其他方法在验证数据集上的MSE误差，根据表2的数据数据显示该预测方法在降低MSE误差上效果显著。
表2三种方法对比的误差统计
Figure BDA0003139406890000061
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。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。

Claims (5)

1.一种基于NCA-融合回归树模型的光伏功率预测方法，其特征在于，所述预测方法包括如下步骤：
S1：原始数据预处理
从光伏电站获取光伏输出功率信息和气象信息，并对采集到的原始数据进行数据预处理；
S2:权重计算
对NCA模型进行参数优化，通过优化后的NCA模型计算所述S1中处理后的气象数据特征相对于发电功率的权重；
S3：特征筛选
将所述S2计算所得的权重大于阈值的特征提取出来，形成新的数据集；
S4：树模型集成
通过所述S3中新的数据集训练多个回归树模型，通过bag方式对所得树模型进行集成，并对集成的树模型进行参数寻优。
2.根据权利要求1所述的一种基于NCA-融合回归树模型的光伏功率预测方法，其特征在于，所述S1中的原始气象信息包括年、月、日、时、分、直射辐照度、漫射水平辐照度、总水平辐照度、露点温度、环境温度、气压、相对湿度、风向、风速和地表反照度；
所述数据预处理的包括删除空缺数据，根据限值对功率异常的数据进行校正和气象数据归一化；
数据归一化的公式如下：
Figure FDA0003139406880000011
上式中，x为样本原始数据，
Figure FDA0003139406880000012
为样本均值，S为样本标准差，z为归一化的数据。
3.根据权利要求1所述的一种基于NCA-融合回归树模型的光伏功率预测方法，其特征在于，所述S2中参数优化为采用5折交叉验证的方法，对每个正则项系数备选值分别训练NCA模型，计算相应损失，取5折损失的平均值作为对应正则项系数模型的最终损失，选取损失最小的正则项系数为最优NCA模型。
4.根据权利要求根据权利要求1-3任意一项所述的一种基于NCA-融合回归树模型的光伏功率预测方法，其特征在于，所述S3中的阈值为0.5。
5.根据权利要求4所述的一种基于NCA-融合回归树模型的光伏功率预测方法，其特征在于，所述S4的集成的树模型参数寻优采用网格法，对bag集成树模型的最小叶个数和最优数个数进行优化，最小叶个数的优化范围为1-200，最优树个数范围为1-100。
CN202110728562.8A 2021-06-29 2021-06-29 一种基于nca-融合回归树模型的光伏功率预测方法 Active CN113344293B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110728562.8A CN113344293B (zh) 2021-06-29 2021-06-29 一种基于nca-融合回归树模型的光伏功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110728562.8A CN113344293B (zh) 2021-06-29 2021-06-29 一种基于nca-融合回归树模型的光伏功率预测方法

Publications (2)

Publication Number Publication Date
CN113344293A true CN113344293A (zh) 2021-09-03
CN113344293B CN113344293B (zh) 2024-04-05

Family

ID=77481294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110728562.8A Active CN113344293B (zh) 2021-06-29 2021-06-29 一种基于nca-融合回归树模型的光伏功率预测方法

Country Status (1)

Country Link
CN (1) CN113344293B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099275A (zh) * 2022-06-29 2022-09-23 西南医科大学 一种基于人工神经网络的心律失常诊断模型的训练方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808914A (zh) * 2014-12-31 2016-07-27 北京航天测控技术有限公司 一种卫星锂离子电池寿命的预测方法及装置
US20190155234A1 (en) * 2017-11-17 2019-05-23 International Business Machines Corporation Modeling and calculating normalized aggregate power of renewable energy source stations
CN112257941A (zh) * 2020-10-28 2021-01-22 福州大学 基于改进型Bi-LSTM的光伏电站短期功率预测方法
CN112561139A (zh) * 2020-12-03 2021-03-26 安徽大学 一种短期光伏发电功率预测方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105808914A (zh) * 2014-12-31 2016-07-27 北京航天测控技术有限公司 一种卫星锂离子电池寿命的预测方法及装置
US20190155234A1 (en) * 2017-11-17 2019-05-23 International Business Machines Corporation Modeling and calculating normalized aggregate power of renewable energy source stations
CN112257941A (zh) * 2020-10-28 2021-01-22 福州大学 基于改进型Bi-LSTM的光伏电站短期功率预测方法
CN112561139A (zh) * 2020-12-03 2021-03-26 安徽大学 一种短期光伏发电功率预测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐先峰;刘阿慧;陈雨露;蔡路路;: "基于气象因素充分挖掘的BiLSTM光伏发电短期功率预测", 计算机系统应用, no. 07, 15 July 2020 (2020-07-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099275A (zh) * 2022-06-29 2022-09-23 西南医科大学 一种基于人工神经网络的心律失常诊断模型的训练方法

Also Published As

Publication number Publication date
CN113344293B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN109873610B (zh) 基于iv特性和深度残差网络的光伏阵列故障诊断方法
CN109660206B (zh) 一种基于Wasserstein GAN的光伏阵列故障诊断方法
CN110414738B (zh) 一种农作物产量预测方法及系统
CN111369057A (zh) 一种基于深度学习的空气质量预测优化方法及系统
CN113496311A (zh) 光伏电站发电功率预测方法及系统
CN111369045A (zh) 一种短期光伏发电功率预测的方法
CN115049163B (zh) 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置
CN113837426A (zh) 一种基于天气分型的光伏功率预测方法
CN114399081A (zh) 一种基于天气分类的光伏发电功率预测方法
CN114492941A (zh) 一种基于集群划分和数据增强的整县光伏预测方法
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN113344293B (zh) 一种基于nca-融合回归树模型的光伏功率预测方法
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN116800172B (zh) 一种光电转换方法及储能系统
CN116363536B (zh) 一种基于无人机巡查数据的电网基建设备缺陷归档方法
CN113052386A (zh) 基于随机森林算法的分布式光伏日发电量预测方法和装置
CN112132344A (zh) 一种基于相似日和frs-svm的短期风电功率预测方法
CN114281846B (zh) 一种基于机器学习的新能源发电预测方法
CN116432032A (zh) 基于多源数据和机器学习的气象数据异常事件识别方法
CN115544895A (zh) 光伏电站年出力保证率模型优化方法
CN114372640A (zh) 一种基于波动序列分类校正的风电功率预测方法
CN112633565A (zh) 一种光伏功率集合区间预测方法
Hossain et al. Prediction of Flood in Bangladesh Using Different Classifier Model
CN114511127A (zh) 基于神经网络的区域光伏出力特征长期预测方法及系统
Ma et al. Anomaly Detection of Mountain Photovoltaic Power Plant Based on Spectral Clustering

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
TA01 Transfer of patent application right

Effective date of registration: 20220119

Address after: 210024 No.2 Sipailou, Xinjiekou Street, Xuanwu District, Nanjing City, Jiangsu Province

Applicant after: SOUTHEAST University

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUZHOU BRANCH

Applicant after: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant after: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Address before: 210024 No.2 Sipailou, Xinjiekou Street, Xuanwu District, Nanjing City, Jiangsu Province

Applicant before: SOUTHEAST University

Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUZHOU BRANCH

Applicant before: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

Applicant before: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd.

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