CN113469408A - 一种用于调相机的运行状态趋势预测方法及系统 - Google Patents
一种用于调相机的运行状态趋势预测方法及系统 Download PDFInfo
- Publication number
- CN113469408A CN113469408A CN202110558813.2A CN202110558813A CN113469408A CN 113469408 A CN113469408 A CN 113469408A CN 202110558813 A CN202110558813 A CN 202110558813A CN 113469408 A CN113469408 A CN 113469408A
- Authority
- CN
- China
- Prior art keywords
- phase modulator
- monitoring
- temperature
- water
- state
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 102
- 239000000498 cooling water Substances 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 20
- 238000004804 winding Methods 0.000 claims description 17
- 239000003607 modifier Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000001360 synchronised effect Effects 0.000 abstract description 7
- 239000010410 layer Substances 0.000 description 59
- 239000003921 oil Substances 0.000 description 27
- 238000010586 diagram Methods 0.000 description 14
- 238000010219 correlation analysis Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 10
- 238000000354 decomposition reaction Methods 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000001419 dependent effect Effects 0.000 description 6
- 239000010687 lubricating oil Substances 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000011229 interlayer Substances 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 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
- G06Q10/04—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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种用于调相机的运行状态趋势预测方法及系统,本发明方法包括:确定调相机指定的监测量数据以及状态量;将各个监测量数据进行归一化、平滑去噪,挖掘出状态量、监测量之间的非线性相关性,针对每一种状态量选择非线性相关性较强的部分监测量加入输入特征,根据所有状态量的输入特征和状态量构建训练样本数据集,并训练机器学习模型得到调相机的运行状态趋势预测模型。本发明在充分考虑现有传感器监测背景下的数据量大、数据质量较差这些问题的基础上,实现了对调相机系统状态量的预测分析,提高了调相机运行状态趋势预测的预测精度,为同步调相机安全稳定运行提供了重要支撑。
Description
技术领域
本发明属于电力工程,具体涉及一种用于调相机的运行状态趋势预测方法及系统。
背景技术
随着我国特高压直流输电工程的迅速发展,同步调相机作为“强无功支撑”的有力设备,能在短时间内为电网迅速提供大规模的动态无功,因此在电网中逐渐广泛应用。而大容量同步调相机结构复杂,体积庞大,现阶段通过在调相机各组成系统中装设多种传感器实时监测其运行状态和异常特征量,缺乏对调相机监测量的有效预测手段,无法满足大容量调相机安全运行的需求。为有利于及时掌握设备状态,为同步调相机检修及故障处理提供依据。为了解决上述问题,亟需研究一种大型同步调相机运行状态的趋势预测方法。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种用于调相机的运行状态趋势预测方法及系统,本发明在充分考虑现有传感器监测背景下的数据量大、数据质量较差这些问题的基础上,实现了对调相机系统状态量的预测分析,提高了调相机运行状态趋势预测的预测精度,为同步调相机安全稳定运行提供了重要支撑。
为了解决上述技术问题,本发明采用的技术方案为:
一种用于调相机的运行状态趋势预测方法,包括:
1)获取调相机指定的监测量数据以及状态量;
2)将各个监测量数据进行归一化处理;
3)对监测量数据进行平滑去噪处理;
4)基于监测量的历史数据挖掘出状态量、监测量之间的非线性相关性,针对每一种状态量选择非线性相关性较强的部分监测量加入输入特征,根据所有状态量的输入特征和状态量构建训练样本数据集;
5)通过训练样本数据集训练机器学习模型,得到调相机的运行状态趋势预测模型,使得所述运行状态趋势预测模型建立了输入特征、状态量之间的映射关系。
可选地,步骤3)中对监测量数据进行平滑去噪处理时采用的方法为小波阈值去噪法,且小波阈值去噪法的去噪系数的计算函数表达式为:
可选地,步骤3)中状态量、监测量之间的非线性相关性是指互信息,且选择非线性相关性较强的部分监测量作为输入特征是指选择互信息大于预设阈值的部分监测量作为输入特征,所述互信息的计算函数表达式为:
上式中,X,Y分别表示状态量、监测量,PX(x)表示运行状态趋势预测模型输出X=x的概率,PY(y)表示运行状态趋势预测模型输出Y=y的概率,PXY(x,y)表示X,Y的联合概率分布。
可选地,步骤1)中指定的监测量数据包括定子绕组温度、定子铁心齿部温度、轴承振动量、轴承座振动烈度、轴瓦温度、定子冷却器循环水回水温度、定子线圈进出水压差、定子线圈冷却水进水流量、转子线圈冷却水进水流量、定子线圈出水温度、转子线圈出水温度、定子冷却水过滤器压差、转子冷却水过滤器差压以及励磁电压;状态量包括调相机本体轴振、水系统定子线圈出水温度、水系统转子线圈出水温度以及油系统供油口温度。
可选地,步骤4)中针对每一种状态量选择非线性相关性较强的部分监测量加入输入特征时,针对调相机本体轴振选择的监测量包括轴承座振动烈度、定子绕组温度、定子线圈进水压差、定子线圈出水温度以及励磁电压;针对水系统定子线圈出水温度选择的监测量包括转子线圈出水温度、定子绕组温度、定子线圈冷却水进水流量、轴承振动量、定子冷却水过滤器压差、定子线圈进出水压差、转子线圈冷却水进水流量以及励磁电压;针对水系统转子线圈出水温度选择的监测量包括定子线圈出水温度、定子绕组温度、轴承振动量、定子线圈进出水压差、定子线圈冷却水进水流量、转子线圈冷却水进水流量以及转子冷却水过滤器差压;针对油系统供油口温度选择的监测量包括定子绕组温度、定子线圈进出水压差、定子线圈冷却水进水流量、定子冷却水过滤器差压以及定子线圈出水温度。
可选地,步骤5)中的机器学习模型为LSTM预测模型,所述LSTM预测模型包括输入层、n个隐藏层和输出层,输入层的每一个输入节点通过位于n个隐藏层的LSTM单元与输出层的输出节点相连。
可选地,步骤5)中通过训练样本数据集训练机器学习模型的步骤包括:首先,将训练样本数据集中的数据样本时间序列经输入层输入,通过隐藏层提取数据特征,将时间序列的预测值经网络的输出层输出;然后,将神经网络预测的时间序列与数据样本真实的时间序列进行比较,利用目标函数对网络进行反向传播,通过反向传播算法使得机器学习模型的损失函数不断向最优化的值靠近直至得到最优的权值和偏置。
可选地,所述损失函数为均方根误差RMSE或者平均绝对误差MAE,函数表达式如下式所示:
此外,本发明还提供一种用于调相机的运行状态趋势预测系统,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行所述用于调相机的运行状态趋势预测方法的步骤。
此外,本发明还提供一种计算机可读存储介质,该计算机可读存储介质中存储有被编程或配置以执行所述用于调相机的运行状态趋势预测方法的计算机程序。
和现有技术相比,本发明具有下述优点:本发明方法包括确定调相机指定的监测量数据以及状态量;将各个监测量数据进行归一化、平滑去噪,挖掘出状态量、监测量之间的非线性相关性,针对每一种状态量选择非线性相关性较强的部分监测量加入输入特征,根据所有状态量的输入特征和状态量构建训练样本数据集,并训练机器学习模型得到调相机的运行状态趋势预测模型。本发明在充分考虑现有传感器监测背景下的数据量大、数据质量较差这些问题的基础上,实现了对调相机系统状态量的预测分析,提高了调相机运行状态趋势预测的预测精度,为同步调相机安全稳定运行提供了重要支撑。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中原始采样数据波形。
图3为本发明实施例中采用小波阈值去噪后的波形曲线。
图4为本发明实施例中大型调相机运行状态趋势预测的流程框图。
图5为本发明实施例中长短期记忆神经网络的结构示意图。
图6为本发明实施例中LSTM预测模型的参数与预测精度的关系,其中(a)为LSTM预测模型的时间步数与预测精度的关系,(b)为LSTM预测模型的隐藏层层数与预测精度的关系。
图7为本发明实施例中的主要监测量的预测结果及对比图。
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,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例用于调相机的运行状态趋势预测方法包括:
1)获取调相机指定的监测量数据以及状态量;
2)将各个监测量数据进行归一化处理;
3)对监测量数据进行平滑去噪处理;
4)基于监测量的历史数据挖掘出状态量、监测量之间的非线性相关性,针对每一种状态量选择非线性相关性较强的部分监测量加入输入特征,根据所有状态量的输入特征和状态量构建训练样本数据集;
5)通过训练样本数据集训练机器学习模型,得到调相机的运行状态趋势预测模型,使得所述运行状态趋势预测模型建立了输入特征、状态量之间的映射关系。
本实施例中,步骤1)中指定的监测量数据包括定子绕组温度、定子铁心齿部温度、轴承振动量、轴承座振动烈度、轴瓦温度、定子冷却器循环水回水温度、定子线圈进出水压差、定子线圈冷却水进水流量、转子线圈冷却水进水流量、定子线圈出水温度、转子线圈出水温度、定子冷却水过滤器压差、转子冷却水过滤器差压以及励磁电压,如表1所示;状态量包括调相机本体轴振、水系统定子线圈出水温度、水系统转子线圈出水温度以及油系统供油口温度。通过双数监测量设置,可监测的运行参数包括振动监测参数,冷却水监测参数,油液监测参数以及电气监测参数。振动监测参数主要来源于调相机本体监测系统中的运行参数,如轴承振动量以及轴承座振动;油液监测参数主要来源于调相机润滑油系统的监测参数,涉及到润滑油系统中的油质、油温与油压;冷却水监测参数来源于调相机冷却水系统的监测参数,涉及到冷却水系统各个子部件的水温、水压;电气监测参数则考虑到电网工况因素对调相机运行的影响选择了机端电压、机端电流等电气参数。
表1:监测量数据表。
步骤1)中获取调相机指定的监测量数据包括从厂局域网实时获取的调相机在线运行数据、就地表计读取或外部录入的调相机在线非实时数据、外部录入的调相机停机时的离线数据。在线实时数据调相机运行时,可以从厂局域网实时获得相关数据,如调相机绕组出水温度、铁芯温度、机内进出口压差等实时监测量。在线非实时数据调相机运行时,可以从就地表计读到或通过检查、试验、分析等手段获得数据,需由运行、检修或试验人员定期录入监测量,如油质等。离线数据调相机停机时,通过检查、试验、分析等手段获得的调相机数据和诊断信息,需由电气检修或试验人员录入,如调相机的轴电压值、槽部电位分布等。其中,现有调相机状态监测系统的检测参数包括振动监测参数,冷却水监测参数,油液监测参数以及电气监测参数。振动监测参数主要来源于调相机本体监测系统中的运行参数,如轴承振动量以及轴承座振动;油液监测参数主要来源于调相机润滑油系统的监测参数,涉及到润滑油系统中的油质、油温与油压;冷却水监测参数。来源于调相机冷却水系统的监测参数,涉及到冷却水系统各个子部件的水温、水压;电气监测参数则考虑到电网工况因素对调相机运行的影响选择了机端电压、机端电流等电气参数。
步骤2)将各个监测量数据进行归一化处理;监测量数据的正常波动范围以及标准限值,划分限值区域,通过分析各监测量的数据类型,如越小越好型,越大越好型等,将监测量进行归一化处理,从而可实现不同监测量数据的规范化处理。调相机运行导则以及相关汽轮机标准规范对调相机的运行限值做出规定。将采集到的当前监测数据与对应的标准限值范围进行比对,当任意一个运行参数超出正常值范围时,可判定此时调相机系统处于异常状态,定位到发生异常的电气设备,生成异常预警信号。
步骤3)中需要对时序数据进行平滑去噪处理,目的在于剔除时序数据中的异常值,并平滑时序数据中的毛刺点,减少噪声的干扰。作为一种可选的实施方式,本实施例步骤3)中对监测量数据进行平滑去噪处理时采用的方法为小波阈值去噪法,且小波阈值去噪法的去噪系数的计算函数表达式为:
小波变换是目前广泛使用的变阈值去噪方法,采用小波变换去除噪声可以避免用傅里叶变换去噪带来的信号折损,因此利用小波变换可以有效去除噪声,还原原始数据中的有用信号。小波阈值去噪的基本思想是将信号通过小波变换后,信号产生的小波系数含有信号的重要信息,信号经小波分解后,小波系数较大,噪声的小波系数较小,并且噪声的小波系数要小于信号的小波系数,通过选取一个合适的阈值λ,大于阈值的小波系数被认为是有信号产生的,应予以保留,小于阈值的则认为是噪声产生的,置为零从而达到去噪的目的。其中,小波去噪的基本步骤主要包括三个方面:(1)信号的小波分解。选择一个小波并确定一个小波分解的层次N,然后对信号进行N层小波分解计算。(2)小波分解高频系数的阈值量化。对第1层到第N层的每一层高频系数,选择一个阈值进行阈值量化处理。(3)信号的小波重构。根据小波分解的第N层的低频系数和经过量化处理后的第1层到第N层的高频系数,进行信号的小波重构。对于每项时序监测量,可视为一维非平稳、含噪信号序列x(t),将其表示为原始信号与高斯白噪声的叠加,定义为:
x(t)=f(t)+ε(t)
上式中,f(t)为原始信号,ε(t)为高斯白噪声。
则对上式两边同时进行离散小波变换后,得到:
∫x(t)ψj,k(t)dt=∫f(t)ψj,k(t)dt+∫ε(t)ψj,k(t)dt
上式中,ψj,k(t)为离散小波基函数,j为小波分解的层数,
经变换后,可表示为:
dj,k=uj,k+ej,k
上式中,dj,k,uj,k,ej,k分别为x(t),f(t),ε(t)经小波变换后的小波系数。
本实施例中首先采用db3小波基函数的3层分解进行阈值去噪,本文采取全局阈值。图2所示为正常运行工况下调相机系统的轴承振动量、定子绕组温度、定子线圈出水温度与转子线圈出水温度4个变量的幅值变化(小波去噪前)。图3所示为进行小波去噪后的图形,通过图2与图3的对比,经过小波去噪后,曲线更加光滑,噪点剔除明显。
考虑到相关性分析是量化不同因素间变动状况一致程度的重要指标,是样本指标降维的重要方式。本实施例步骤3)中状态量、监测量之间的非线性相关性是指互信息,且选择非线性相关性较强的部分监测量作为输入特征是指选择互信息大于预设阈值的部分监测量作为输入特征,所述互信息的计算函数表达式为:
上式中,X,Y分别表示状态量、监测量,PX(x)表示运行状态趋势预测模型输出X=x的概率,PY(y)表示运行状态趋势预测模型输出Y=y的概率,PXY(x,y)表示X,Y的联合概率分布。基于专家经验初步筛选状态量x的相关量,形成初选特征集,再分别计算初选特征集与状态x的互信息。状态量、监测量之间的非线性相关性(互信息)的取值范围为0到1,其值越接近与1,表明随机变量X和Y的相关性越强,当I=1,表明随机变量X和Y完全相关,当X=0时,表明随机变量X和随机变量Y是完全独立的。将计算得到的结果由高到低排序,选取互信息大于0.8的相关量作为参考特征集。
互信息(Mutual Information,MI)度量两个随机变量X、Y之间共享的信息,互信息越大则表明X和Y的相关性越高;也可以表示为由于X的引入而使Y的不确定度减少的量,减少的量越大说明X更有利于对Y的确定。它不仅可以表征两个随机变量之间线性相关性,也表征随机变量彼此之间的非线性相关关系。根据Shannon信息理论,设预测系统输出Y=y的概率为P(y),那么其系统输出的初始不确定度可以用熵H(Y)表示为:
当输入的特征X=x已知时,系统的输出的不确定度为条件熵:
上式中,PY|X(y|x)为给定x时y的条件概率。
一般情况下,条件熵要小于初始熵,即X的存在减小了Y的不确定度。当且仅当X和Y相互独立时,条件熵与初始熵相等,因为此时X与Y不相关,X不能为系统提供可用的信息,即X的存在无法减小Y的不确定度[26]。这种不确定度的减小量被定义为变量X和Y之间的互信息I(X;Y):
I(X;Y)=H(Y)-H(Y|X)
互信息的取值范围为0到1,其值越接近与1,表明随机变量X和Y的相关性越强,当I=1,表明随机变量X和Y完全相关,当X=0时,表明随机变量X和随机变量Y是完全独立的。本实施例中,为研究调相机及其水、油系统运行状态,将各子系统内的某一主要指标作为原始的特征集F=fi,初始的关联特征集为N={n1,n2,…,nj},初始的最优特征子集为空集,经相关性分析最终选取的最优特征子集为Nk={n1,n2,…,nk},并由此构建输入矩阵A:
A=[fi n1 n2 … nk]。
为研究调相机及其水、油系统运行状态,可将各子系统内的主要指标作为原始的特征集F={f1,f2,f3,f4},如调相机本体轴承座x向振动,定子线圈的出水温度,转子线圈出水温度与润滑油供油口温度。初始的最优特征子集为空集。设定最终选取的各系统最优特征数量分别为n,根据换流站状态监测系统的历史数据,计算F中重要衡量指标与调相机系统其余状态量的互信息,并按照互信息的大小由高至低排序,结果如表2~表5所示。
表2调相机本体轴振的相关性分析结果。
相关变量 | 互信息 | 相关变量 | 互信息 |
轴承座振动烈度 | 0.8731 | 定子线圈出水温度 | 0.7998 |
定子线棒层间温度 | 0.8437 | 励磁电压 | 0.7999 |
定子线圈进出水压差 | 0.8234 | — | — |
表3水系统定子线圈出水温度的相关性分析结果。
表4水系统转子线圈出水温度的相关性分析结果。
相关变量 | 互信息 | 相关变量 | 互信息 |
定子线圈出水温度 | 0.8304 | 定子线圈进水流量 | 0.7596 |
定子线棒层间温度 | 0.7928 | 转子线圈进水流量 | 0.7589 |
轴承振动量 | 0.7721 | 转子冷却水过滤器差压 | 0.7346 |
定子线圈进出水压差 | 0.7692 | — | — |
表5油系统供油口温度的相关性分析结果。
相关变量 | 互信息 | 相关变量 | 互信息 |
定子线棒层间温度 | 0.7435 | 定子冷却水过滤器差压 | 0.7115 |
定子线圈进出水压差 | 0.7120 | 定子线圈出水温度 | 0.7015 |
定子线圈进水流量 | 0.7120 | — | — |
从表2~表5可知,调相机本体轴振与轴承座振动烈度、定子冷却水进出水压差、定子线棒层间温度相关性强;油系统的供油口温度与定子冷却水过滤器差压、定子线圈出水温度的相关性程度偏低。表明轴承振动信号对轴承座振动烈度、定子线棒层间温度与定子冷却水系统的进出水压差的影响程度较大;油系统的供油口温度对定子冷却水系统的相关指标影响程度较低。由此认为当互信息大于0.8时,认为该子系统的状态量是主要特征指标的重要相关量。据此本文根据相关性分析结果,来筛选调相机运行状态趋势预测模型中采用的输入变量,针对预测对象时间序列,剔除与其相关程度较低的监测量,保留相关程度较高的监测量。
本实施例步骤4)中针对每一种状态量选择非线性相关性较强的部分监测量加入输入特征时,针对调相机本体轴振选择的监测量包括轴承座振动烈度、定子绕组温度、定子线圈进水压差、定子线圈出水温度以及励磁电压;
针对水系统定子线圈出水温度选择的监测量包括转子线圈出水温度、定子绕组温度、定子线圈冷却水进水流量、轴承振动量、定子冷却水过滤器压差、定子线圈进出水压差、转子线圈冷却水进水流量以及励磁电压;
针对水系统转子线圈出水温度选择的监测量包括定子线圈出水温度、定子绕组温度、轴承振动量、定子线圈进出水压差、定子线圈冷却水进水流量、转子线圈冷却水进水流量以及转子冷却水过滤器差压;
针对油系统供油口温度选择的监测量包括定子绕组温度、定子线圈进出水压差、定子线圈冷却水进水流量、定子冷却水过滤器差压以及定子线圈出水温度。
如图4和图5所示,本实施例步骤5)中的机器学习模型为LSTM预测模型,所述LSTM预测模型包括输入层、n个隐藏层和输出层,输入层的每一个输入节点通过位于n个隐藏层的LSTM单元与输出层的输出节点相连。针对每一项设备参数进行LSTM预测模型训练,获取最优模型参数。包括时间步数,隐藏层数等。基于最优模型参数设置,构建LSTM预测模型。为研究调相机及其水、油系统运行状态,将各子系统内的某一主要指标作为原始的特征集F=fi,初始的关联特征集为N={n1,n2,…,nj},初始的最优特征子集为空集,经相关性分析最终选取的最优特征子集为Nk={n1,n2,…,nk}。由结果构建输入量矩阵A:
A=[fi n1 n2 … nk]
根据获取的历史监测数据,建立调相机运行状态趋势预测的长短期记忆神经网络(Long-Short Term Memory,LSTM)预测模型,并确定各监测量预测模型的5个模型参数,即输入层时间步数、输入层维数、隐藏层的数目、每个隐藏层维数以及输出变量维数。利用LSTM模型对所述分量数据进行预测,得到趋势预测结果。本实施例中LSTM算法的网络工作原理如下:首先,将数据样本时间序列经输入层输入,通过隐藏层提取数据特征,将时间序列的预测值经网络的输出层输出。然后,将神经网络预测的时间序列与数据样本真实的时间序列进行比较,利用目标函数对网络进行反向传播,进而得到网络最优的权值和偏置。最后,利用测试数据样本对网络模型进行评估。
在建立LSTM预测模型时,首先建立用于调相机运行状态趋势预测的LSTM网络主要需要确定模型的5个参数,即输入层时间步数、输入层维数、隐藏层的数目、每个隐藏层维数以及输出变量维数。
输入层时间步数的设置:输入层时间步数是用来进行趋势预测的变量时间序列的长度。该参数的确定既要考虑预测知识的完备性,又要考虑模型训练的有效性,一方面,过短的历史序列长度将带来预测知识的缺失,从而限制预测精度的提高;另一方面,历史序列长度过长将增加模型训练难度,恶化模型预测性能。
隐藏层的设置:LSTM神经网络模型隐藏层个数决定着预测模型性能的好坏,在合理范围内,隐藏层个数越多,数据提取能力越强,LSTM神经网络模型预测性能越好,但过多的隐藏层也会导致预测模型的过拟合。
本实施例中,步骤5)中通过训练样本数据集训练机器学习模型的步骤包括:首先,将训练样本数据集中的数据样本时间序列经输入层输入,通过隐藏层提取数据特征,将时间序列的预测值经网络的输出层输出;然后,将神经网络预测的时间序列与数据样本真实的时间序列进行比较,利用目标函数对网络进行反向传播,通过反向传播算法使得机器学习模型的损失函数不断向最优化的值靠近直至得到最优的权值和偏置。
在建立预测模型的基础上,结合误差分析指标,表现预测模型的预测精度。此处采取主要评价指标全方位评价不同模型的预测结果。在训练数据的过程中,使用均方误差方法MSE获得相应的误差值,紧接着通过反向传播算法,促使均方误差方法MSE的值不断向最优化的值靠近,不断更新预测模型的参数,最终实现对预测模型的训练。针对上述步骤展开仿真计算。对换流站调相机的实时监测数据进行分析作为输入量,以相关性分析结果作为关联输入量,将各运行温度指标的相关性分析结果的当前值作为输出,建立调相机系统运行状态指标的LSTM预测模型。本实施例中,损失函数为均方根误差RMSE或者平均绝对误差MAE,函数表达式如下式所示:
在LSTM神经网络模型训练过程中,通过不断测试,寻找针对每个监测量的最优模型设置。如图6中的子图(a)和(b)所示,以调相机本体轴振为例,LSTM预测模型随着输入层时间步数的增大,测试样本的均方根误差RMSE逐渐减小,当时间步数增加到20时,测试样本的均方根误差达到最低,伴随着时间步的继续增加,均方根误差没有太大的波动,当时间步数增加到25时,均方根误差出现上升趋势。伴随着历史数据信息的积累,网络的预测性能逐渐提高。当时间步数超过20时,均方根误差出现上升趋势,则说明随着时间步的无限增大,LSTM神经网络模型出现过拟合现象,因此,可确定网络模型最佳的时间步数为20。在时间步数确定的情况下,选择1-6个隐藏层,对比分析不同隐藏层数目对LSTM预测模型精度的影响,以选择最恰当的隐藏层数目。隐藏层个数由二层增加到四层时,随着迭代次数的增加,训练误差逐渐下降;隐藏层个数从五层到六层时,随着迭代次数的增加,训练误差相对于五层隐藏层呈上升趋势,由此可得出结论,预测轴承振动量的LSTM预测模型的最优隐藏层个数为5层。由此确定关于调相机本体轴振信号的预测模型参数。将LSTM模型的时间步数设置为20,网络层数为7。同时,为防止过拟合,在训练过程中对某一层网络使用dropout,即在训练过程中随机让其中某些神经元节点以一定的概率停止激活。模型每层神经元的个数以及网络的主要参数设置如表6所示。
表6预测网络模型的主要参数值。
本实施例中以韶山换流站历史数据与实时监测数据为基础,采样频率为1次/小时,共345组,划分为训练样本与测试样本,训练样本用于LSTM神经网络模型的离线训练,测试样本用于测试LSTM神经网络模型的准确性,LSTM神经网络模型的训练和预测均在MatlabR2018a。预测结果统计如表7所示,采用LSTM网络对调相机本体轴承x向振动量、定子冷却水出水温度、转子冷却水出水温度、润滑油供油口温度的预测结果如图7中的子图(a)、(b)、(c)、(d)所示。
表7两种预测方法主要评估样本的误差对比(%)。
由表7和图7中的子图(a)、(b)、(c)、(d)可以看出,在运行状态指标预测的过程中,当调相机系统处于正常运行状态下时,LSTM预测模型能够准确把握数据输入输出的映射关系,得到的运行温度预测值能够较好地拟合调相机系统的运行数据,预测值与真值之间偏差很小。对比传统神经网络预测模型与LSTM预测模型的模型指标,LSTM预测模型优于人工神经网络预测模型,并且LSTM预测模型预测的各系统主要监测量的平均相对误差均不超过10%,因此,本实施例方法采用的LSTM预测模型能够较准确的预测调相机的运行状态趋势。
综上所述,本实施例方法包括获取大型双水内冷调相机系统正常运行时的历史运行数据,确定所有状态监测的正常运行范围。结合监测量正常运行范围,并根据查阅的调相机运行导则,划分限值区域。利用小波阈值去噪方法对非线性非平稳的采集数据进行降噪处理,得到经去噪滤波后的数据集。利用互信息理论计算状态量之间的非线性相关性,选择关联性较强的变量作为参考输入特征集。将归一化后的状态量及其参考特征集构造输入、输出样本矩阵输入到长短期神经网络中进行训练构造预测模型。根据所述监测数据的预测结果,给出监测部件的运维建议。本实施例方法在充分分析历史正常运行数据的基础上,发现监测量相对于历史正常数据的异常波动范围,综合运行已知运行规程以及神经网络算法,按照不同设备参数的特点建立预测模型,最后基于相关性分析对监测数据的预测分析提供辅助处理,提高大型调相机状态量的预测精度为指导电网的运行调度计划提供参考。本实施例以LSTM神经网络为理论基础,构建调相机状态趋势预测模型,模型中包含输入量的分析与处理、模型训练、状态预测过程,进一步实现调相机运行状态趋势预测的精度。针对调相机监测数据多源复杂、非线性的特点,结合小波阈值去噪以及相关性分析,实现对监测量的深入挖掘,有效改善数据质量,减轻预测难度。运用构建的基于LSTM的状态趋势预测模型,针对调相机运行数据开展了状态趋势预测研究。在针对原始信号进行特征提取、模型训练后,运用相应的数据对所得到结果进行对比分析,得出所提方法的性能相较于其他传统方法更具备优势性。
此外,本实施例还提供一种用于调相机的运行状态趋势预测系统,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行前述用于调相机的运行状态趋势预测方法的步骤。此外,本实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有被编程或配置以执行前述用于调相机的运行状态趋势预测方法的计算机程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种用于调相机的运行状态趋势预测方法,其特征在于,包括:
1)获取调相机指定的监测量数据以及状态量;
2)将各个监测量数据进行归一化处理;
3)对监测量数据进行平滑去噪处理;
4)基于监测量的历史数据挖掘出状态量、监测量之间的非线性相关性,针对每一种状态量选择非线性相关性较强的部分监测量加入输入特征,根据所有状态量的输入特征和状态量构建训练样本数据集;
5)通过训练样本数据集训练机器学习模型,得到调相机的运行状态趋势预测模型,使得所述运行状态趋势预测模型建立了输入特征、状态量之间的映射关系。
4.根据权利要求1所述的用于调相机的运行状态趋势预测方法,其特征在于,步骤1)中指定的监测量数据包括定子绕组温度、定子铁心齿部温度、轴承振动量、轴承座振动烈度、轴瓦温度、定子冷却器循环水回水温度、定子线圈进出水压差、定子线圈冷却水进水流量、转子线圈冷却水进水流量、定子线圈出水温度、转子线圈出水温度、定子冷却水过滤器压差、转子冷却水过滤器差压以及励磁电压;状态量包括调相机本体轴振、水系统定子线圈出水温度、水系统转子线圈出水温度以及油系统供油口温度。
5.根据权利要求4所述的用于调相机的运行状态趋势预测方法,其特征在于,步骤4)中针对每一种状态量选择非线性相关性较强的部分监测量加入输入特征时,针对调相机本体轴振选择的监测量包括轴承座振动烈度、定子绕组温度、定子线圈进水压差、定子线圈出水温度以及励磁电压;针对水系统定子线圈出水温度选择的监测量包括转子线圈出水温度、定子绕组温度、定子线圈冷却水进水流量、轴承振动量、定子冷却水过滤器压差、定子线圈进出水压差、转子线圈冷却水进水流量以及励磁电压;针对水系统转子线圈出水温度选择的监测量包括定子线圈出水温度、定子绕组温度、轴承振动量、定子线圈进出水压差、定子线圈冷却水进水流量、转子线圈冷却水进水流量以及转子冷却水过滤器差压;针对油系统供油口温度选择的监测量包括定子绕组温度、定子线圈进出水压差、定子线圈冷却水进水流量、定子冷却水过滤器差压以及定子线圈出水温度。
6.根据权利要求5所述的用于调相机的运行状态趋势预测方法,其特征在于,步骤5)中的机器学习模型为LSTM预测模型,所述LSTM预测模型包括输入层、n个隐藏层和输出层,输入层的每一个输入节点通过位于n个隐藏层的LSTM单元与输出层的输出节点相连。
7.根据权利要求6所述的用于调相机的运行状态趋势预测方法,其特征在于,步骤5)中通过训练样本数据集训练机器学习模型的步骤包括:首先,将训练样本数据集中的数据样本时间序列经输入层输入,通过隐藏层提取数据特征,将时间序列的预测值经网络的输出层输出;然后,将神经网络预测的时间序列与数据样本真实的时间序列进行比较,利用目标函数对网络进行反向传播,通过反向传播算法使得机器学习模型的损失函数不断向最优化的值靠近直至得到最优的权值和偏置。
9.一种用于调相机的运行状态趋势预测系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~8中任意一项所述用于调相机的运行状态趋势预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质中存储有被编程或配置以执行权利要求1~8中任意一项所述用于调相机的运行状态趋势预测方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558813.2A CN113469408A (zh) | 2021-05-21 | 2021-05-21 | 一种用于调相机的运行状态趋势预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558813.2A CN113469408A (zh) | 2021-05-21 | 2021-05-21 | 一种用于调相机的运行状态趋势预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469408A true CN113469408A (zh) | 2021-10-01 |
Family
ID=77870974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110558813.2A Pending CN113469408A (zh) | 2021-05-21 | 2021-05-21 | 一种用于调相机的运行状态趋势预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469408A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637263A (zh) * | 2022-03-15 | 2022-06-17 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948833A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 |
CN112651290A (zh) * | 2020-10-22 | 2021-04-13 | 国家电网有限公司 | 一种水电机组振动趋势预测方法和系统 |
-
2021
- 2021-05-21 CN CN202110558813.2A patent/CN113469408A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109948833A (zh) * | 2019-02-25 | 2019-06-28 | 华中科技大学 | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 |
CN112651290A (zh) * | 2020-10-22 | 2021-04-13 | 国家电网有限公司 | 一种水电机组振动趋势预测方法和系统 |
Non-Patent Citations (1)
Title |
---|
毕扬等: "基于MIC与BiGRU的水电机组振动趋势预测", 《水利学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114637263A (zh) * | 2022-03-15 | 2022-06-17 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
CN114637263B (zh) * | 2022-03-15 | 2024-01-12 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Multireceptive field denoising residual convolutional networks for fault diagnosis | |
CN110595765A (zh) | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 | |
Soualhi et al. | Pattern recognition method of fault diagnostics based on a new health indicator for smart manufacturing | |
Liu et al. | A two-stage approach for predicting the remaining useful life of tools using bidirectional long short-term memory | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
Omoregbee et al. | Fault detection in roller bearing operating at low speed and varying loads using Bayesian robust new hidden Markov model | |
CN112926644A (zh) | 一种滚动轴承剩余使用寿命预测方法及系统 | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
Rathore et al. | Prognostics analysis of rolling bearing based on bi-directional LSTM and attention mechanism | |
Liu et al. | Harmonic reducer fault detection with acoustic emission | |
CN113469408A (zh) | 一种用于调相机的运行状态趋势预测方法及系统 | |
Li et al. | A 2-D long short-term memory fusion networks for bearing remaining useful life prediction | |
CN113742993B (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
CN113627539A (zh) | 滚动轴承复合故障诊断方法、系统、存储介质及计算设备 | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
Verstraeten et al. | Edge computing for advanced vibration signal processing | |
Zhang et al. | A multi-fault modeling approach for fault diagnosis and failure prognosis of engineering systems | |
Jolandan et al. | Fuzzy-rule-based faults classification of gearbox tractor | |
Nistane | Wavelet-based features for prognosis of degradation in rolling element bearing with non-linear autoregressive neural network | |
Liu et al. | Prognostics for rotating machinery using variational mode decomposition and long short-term memory network | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
Lapira et al. | A systematic approach to intelligent maintenance of production systems with a framework for embedded implementation | |
Chan et al. | Explainable health state prediction for social iots through multi-channel attention | |
Behzad et al. | Investigation on the effects of measurement and temporal uncertainties on rolling element bearings prognostics |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211001 |