CN114547907A - 一种基于灰色预测的空气能热水器结霜故障预测方法 - Google Patents

一种基于灰色预测的空气能热水器结霜故障预测方法 Download PDF

Info

Publication number
CN114547907A
CN114547907A CN202210193736.XA CN202210193736A CN114547907A CN 114547907 A CN114547907 A CN 114547907A CN 202210193736 A CN202210193736 A CN 202210193736A CN 114547907 A CN114547907 A CN 114547907A
Authority
CN
China
Prior art keywords
water heater
frosting
prediction model
energy water
air
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
Application number
CN202210193736.XA
Other languages
English (en)
Inventor
赵波
黄友正
宋洋洋
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.)
Beixi Te Zhejiang Technology Co ltd
Original Assignee
Zhejiang Qianfeng Intelligent Technology 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 Zhejiang Qianfeng Intelligent Technology Co ltd filed Critical Zhejiang Qianfeng Intelligent Technology Co ltd
Priority to CN202210193736.XA priority Critical patent/CN114547907A/zh
Publication of CN114547907A publication Critical patent/CN114547907A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
    • Y02B30/12—Hot water central heating systems using heat pumps

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Heat-Pump Type And Storage Water Heaters (AREA)

Abstract

本发明公开了一种基于灰色预测的空气能热水器结霜故障预测方法，在空气能热水器处于结霜运行边界范围内时，获得热水器吸热效能系数与压缩机运行功率之间的灰色预测模型，根据灰色预测模型进而获得预测模型数学表达式，再利用预测模型数学表达式中的参数来表征结霜程度。本发明可以精准判断机组结霜故障及程度，避免单个条件，简单判断方法导致的误判及失效，为空气能热水器除霜运行工况提供可靠参数。

Description

一种基于灰色预测的空气能热水器结霜故障预测方法
技术领域
本发明涉及热水器技术领域，特别涉及一种基于灰色预测的空气能热水器结霜故障预测方法。
背景技术
空气能热水器因其具有高效、节能、环保的优势，广泛应用于家庭、企事业单位及小区楼栋的热水供应及冬季室内取暖。然而，在冬季使用过程中，由于室外温度较低，蒸发器换热装置铜管经常会结霜。一方面，结霜导致蒸发器换热效能急剧下降；另一方面，压缩机在温控调节器的控制下长时间处于满载甚至过载运行，效率、寿命及可靠性大大降低。目前，家用空气源热泵热水系统结霜判定主要是通过采集相对湿度变化和水温发生变化数据进行简单比较判定，导致结霜判定准确度偏低，甚至发生误判。因而，如何在低温、相对湿度高的环境下准确、可靠的判定结霜程度，为空气能热水器除霜操作提供准确数据，成为空气源热泵热水器行业共同的难题，也是关注的重点。发明内容
本发明的目的在于，提供一种基于灰色预测的空气能热水器结霜故障预测方法。本发明可以精准判断机组结霜故障及程度，避免单个条件，简单判断方法导致的误判及失效，为空气能热水器除霜运行工况提供可靠参数。
本发明的技术方案：一种基于灰色预测的空气能热水器结霜故障预测方法，在空气能热水器处于结霜运行边界范围内时，获得热水器吸热效能系数与压缩机运行功率之间的灰色预测模型，根据灰色预测模型进而获得预测模型数学表达式，再利用预测模型数学表达式中的参数来表征结霜程度。
上述的基于灰色预测的空气能热水器结霜故障预测方法，所述预测模型数学表达式的获得过程是在一个采样周期内对压缩机出风口处温度和压缩机功率进行采样多个数据，根据采样数据计算空气热交换功率，由空气热交换功率进而获得吸热效能系数数组；将压缩机功率的采样数据形成功率数组，利用功率数组中的最大值和最小值获得等间隔量，并建立等间隔量数组；以功率数组为自变量离散数值，以吸热效能系数数组为应变量离散数值，使用插值算法获得等间隔量数组对应的序列，将序列用一次累加方式生成新序列；再基于新序列和等间隔量数组建立微分方程，求解后得到灰色预测模型，对灰色预测模型进行还原，获得预测模型数学表达式。
前述的基于灰色预测的空气能热水器结霜故障预测方法，所述预测模型数学表达式的获得过程具体过程如下:
在采样周期为Ts对压缩机出风口处温度
Figure BDA0003526039370000021
和压缩机功率Pcomp采样n个数据，分别记为：
Figure BDA0003526039370000022
和{Pcomp(1),…,Pcomp(n)}；
计算空气热交换功率：
Figure BDA0003526039370000023
式中：C(Tamb,Hamb)为空气比热容，ρ(Tamb,Hamb)为空气密度，nfan和 Sfan分别为蒸发器风扇转速和截面积；
由空气热交换功率得到
Figure BDA0003526039370000031
根据定义式
Figure BDA0003526039370000032
得到吸热效能系数数组{λ(1),…,λ(n)}，λ为空气能热水器吸热效能系数；
获取功率数组{Pcomp(i)}的最小值
Figure BDA0003526039370000033
和最大值
Figure BDA0003526039370000034
利用最大值和最小值求取等间隔量
Figure BDA0003526039370000035
并建立等间隔量数组
Figure BDA0003526039370000036
其中
Figure BDA0003526039370000037
以功率数组{Pcomp(1),…,Pcomp(n)}为自变量离散数值，以吸热效能系数数组{λ(1),…,λ(n)}为应变量离散数值，使用插值算法，获得等间隔量数组
Figure BDA0003526039370000038
对应的序列
Figure BDA0003526039370000039
基于一次累加方式，对序列
Figure BDA00035260393700000310
生成新序列
Figure BDA00035260393700000311
满足
Figure BDA00035260393700000312
基于新序列和等间隔量数组建立微分方程：
Figure BDA00035260393700000313
式中，a为发展系数，μ为灰作用量；
求解待估参数向量
Figure BDA00035260393700000314
和上述微分方程，进而得到灰色预测模型
Figure BDA00035260393700000315
对预测序列
Figure BDA00035260393700000316
进行还原，得到还原序列
Figure BDA0003526039370000041
的预测模型数学表达式：
Figure BDA0003526039370000042
前述的基于灰色预测的空气能热水器结霜故障预测方法，所述利用预测模型数学表达式中的参数来表征结霜程度过程是先定义关联度r：
Figure BDA0003526039370000043
其中：
Figure BDA0003526039370000044
再判断空气能热水器吸热效能系数λ是否大于等于阈值ζ，如果是，则空气能热水器处于结霜故障运行，再求解结霜程度α＝a/amax，进而得出空气能热水器结霜程度α。
与现有技术相比，本发明在空气能热水器处于结霜运行边界范围内时，获得热水器吸热效能系数与压缩机运行功率之间的灰色预测模型，根据灰色预测模型进而获得预测模型数学表达式，再利用预测模型数学表达式中的参数来表征结霜程度。本发明基于空气能热水器蒸发器低温大湿度工况时，其在结霜故障情况下热交换效能相较于正常运行时热交换效能显著下降的特征，运用灰色预测理论，获得结霜运行时，热水器吸热效能系数与压缩机运行功率之间的灰色预测模型，再基于预测吸热效能系数与实测吸热效能系数之间的关联度大小，判断预测模型是否准确可靠，进而获得准确可靠的预测模型数学表达式。在此基础上，由物理知识可知，结霜故障严重时，热交换铜管被冰霜大面积覆盖，空气热交换程度很低。在温度控制器的作用下，压缩机运行功率一直往大调节，其吸热效能系数反而更差。这是因为即便压缩机功率增加很多，空气热交换功率增加很微弱。所以在结霜故障运行时，当压缩机功率大于一定值时，其吸热效能系数是压缩机功率的单调减函数，并且结霜程度越严重，减少的斜率越大。因而在结冰故障情况下，吸热效能系数的减小程度与结霜程度相似特性，通过分析预测模型数学表达式，可以看出参数决定了吸热效能系数预测模型的减小程度，进而可以使用参数表征解结霜程度。本发明运行灰色预测和关联度算法，得到结霜程度参数值，进而准确判定空气能热水器蒸发器结霜程度，避免单个条件，简单判断方法导致的误判及失效，为除霜控制参数提供准确详实的数据。本发明具有可靠性高、实用性好、智能化程度高等优势。
附图说明
图1是空气能热水器蒸发器部分结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例1：一种基于灰色预测的空气能热水器结霜故障预测方法，在空气能热水器处于结霜运行边界范围内时，获得热水器吸热效能系数与压缩机运行功率之间的灰色预测模型，根据灰色预测模型进而获得预测模型数学表达式，再利用预测模型数学表达式中的参数来表征结霜程度。
实施例2：一种基于灰色预测的空气能热水器结霜故障预测方法，在空气能热水器处于结霜运行边界范围内时，获得热水器吸热效能系数与压缩机运行功率之间的灰色预测模型，根据灰色预测模型进而获得预测模型数学表达式，再利用预测模型数学表达式中的参数来表征结霜程度。
其中，所述预测模型数学表达式的获得过程是在一个采样周期内对压缩机出风口处温度和压缩机功率进行采样多个数据，根据采样数据计算空气热交换功率，由空气热交换功率进而获得吸热效能系数数组；将压缩机功率的采样数据形成功率数组，利用功率数组中的最大值和最小值获得等间隔量，并建立等间隔量数组；以功率数组为自变量离散数值，以吸热效能系数数组为应变量离散数值，使用插值算法获得等间隔量数组对应的序列，将序列用一次累加方式生成新序列；再基于新序列和等间隔量数组建立微分方程，求解后得到灰色预测模型，对灰色预测模型进行还原，获得预测模型数学表达式。
实施例3：一种基于灰色预测的空气能热水器结霜故障预测方法，包括空气能热水器，其中空气能热水器蒸发器部分结构图如图1 所示，冷媒循环回路包括：蒸发器、四通阀、气液分离器、压缩机、换热器、储液罐、膨胀阀、过滤器。冷媒循环部分实现能量交换。在制热工作模式时，其冷媒的循环顺序为箭头实线流向；在除霜工作模式时，其冷媒的循环顺序为箭头虚线流向。制热/除霜模式下冷媒流向的切换是通过控制四通阀实现。在制热工作模式，冷媒在蒸发器处吸收空气中的热能，成为低温低压气体。经压缩机压缩后，为高温高压气体，并流经热交换器，进行热交换。释放热能后，经过储液罐、膨胀阀和过滤器后再次回到蒸发器进行下一次热交换。在除霜工作模式，冷媒在热交换器处吸收热能，成为低温低压气体。经压缩机压缩后，为高温高压气体，并流经蒸发器，对铜管加热除霜。释放热能后，经过过滤器、膨胀阀和储液罐后再次回到热交换器进行下一次除霜热交换。
相关变量和参数定义如下：Ts为采样周期，k为采样数序号，Tamb 和Hamb分别为环境温度和环境相对湿度，nfan和Sfan分别为风扇转速和截面积，
Figure BDA0003526039370000071
为出风口处温度传感器T2测量值，ρ(Tamb,Hamb)和 C(Tamb,Hamb)分别为环境温湿度为Tamb和Hamb时空气的密度和比热容， Qair(k)为((k-1)Ts,kTs)时间内空气流量，mair(k)为((k-1)Ts,kTs)时间内空气质量，
Figure BDA0003526039370000072
为((k-1)Ts,kTs)时间内空气热交换量，
Figure BDA0003526039370000073
为 ((k-1)Ts,kTs)时间内空气热交换功率，Pcomp(k)为压缩机运行功率，λ(k) 为空气能热水器吸热效能系数，α为空气能热水器结霜程度。
由物理学知识可知，空气流量Qair(k)满足：
Figure BDA0003526039370000074
对应的空气质量mair(k)为：
mair＝ρ(Tamb,Hamb)nfanSfanTs；
空气热量交换量
Figure BDA0003526039370000075
为：
Figure BDA0003526039370000076
热交换功率
Figure BDA0003526039370000077
为：
Figure BDA0003526039370000078
联立公式可得：
Figure BDA0003526039370000081
所以，热水器吸热效能λ(k)为：
Figure BDA0003526039370000082
通过公式计算，可以得到空气能热水器的吸热效率系数λ(k)与 Pcomp(k)的关系，进而可通过插值方法得到λ与Pcomp数学关系。在此基础上，对λ与Pcomp进行数据处理，并运用灰色预测和关联度算法，得到结霜程度参数值，进而可以准确判定空气能热水器蒸发器结霜程度，为除霜控制参数提供准确详实的数据。
具体步骤如下：
(1)通过天气信息获取当天环境温度Tamb、环境相对湿度Hamb，结合大数据经验知识，判断空气能热水器当前是否处于结霜运行边界范围；如果是，则进入步骤(2)；否则，退出；
(2)以此时刻开始每隔ΔT时间执行一次结霜故障预测算法，并定义每次预测算法执行时均需对每个参数采样n个数据，采样周期为 T s；
(3)对出风口处温度
Figure BDA0003526039370000083
和压缩机功率Pcomp采样n个数据，分别记为：
Figure BDA0003526039370000084
和{Pcomp(1),…,Pcomp(n)}；
(4)计算空气热交换功率：
Figure BDA0003526039370000085
式中：C(Tamb,Hamb)为空气比热容，ρ(Tamb,Hamb)为空气密度，nfan和 Sfan分别为蒸发器风扇转速和截面积，默认为常数；
(5)由空气热交换功率得到
Figure BDA0003526039370000086
根据定义式
Figure BDA0003526039370000091
得到吸热效能系数数组{λ(1),…,λ(n)}，λ为空气能热水器吸热效能系数；
(6)获取功率数组{Pcomp(i)}的最小值和最大值
Figure BDA0003526039370000092
和
Figure BDA0003526039370000093
利用最大值和最小值求取等间隔量
Figure BDA0003526039370000094
并建立等间隔量数组
Figure BDA0003526039370000095
其中：
Figure BDA0003526039370000096
(7)以{Pcomp(1),…,Pcomp(n)}为自变量离散数值，{λ(1),…,λ(n)}为应变量离散数值，使用插值算法，获得
Figure BDA0003526039370000097
对应的序列
Figure BDA0003526039370000098
(8)基于一次累加方式，对序列
Figure BDA0003526039370000099
生成新序列
Figure BDA00035260393700000910
满足：
Figure BDA00035260393700000911
(9)基于新序列和等间隔量数组建立微分方程：
Figure BDA00035260393700000912
其中：a为发展系数，μ为灰作用量；
求解待估参数向量
Figure BDA00035260393700000913
和上述微分方程，进而得到灰色预测模型
Figure BDA00035260393700000914
(10)对预测序列
Figure BDA00035260393700000915
进行还原，得到还原序列
Figure BDA00035260393700000916
的预测模型数学表达式：
Figure BDA00035260393700000917
(11)定义关联度r为：
Figure BDA0003526039370000101
其中：
Figure BDA0003526039370000102
(12)判断r≥ζ是否满足，ζ为阈值，为0.95，如果是，进入步骤(13)；否则，返回步骤(2)；
(13)判断a≥θ是否满足，θ为阈值，为0.5，如果是，则空气能热水器处于结霜故障运行，进入步骤(14)；否则，进入步骤(2)；
(14)求解结霜程度α＝a/amax，进而得出空气能热水器结霜程度α。
综上所述，本发明运行灰色预测和关联度算法，得到结霜程度参数值，进而准确判定空气能热水器蒸发器结霜程度，避免单个条件，简单判断方法导致的误判及失效，为除霜控制参数提供准确详实的数据。本发明具有可靠性高、实用性好、智能化程度高等优势。

Claims (4)

1.一种基于灰色预测的空气能热水器结霜故障预测方法，其特征在于：在空气能热水器处于结霜运行边界范围内时，获得热水器吸热效能系数与压缩机运行功率之间的灰色预测模型，根据灰色预测模型进而获得预测模型数学表达式，再利用预测模型数学表达式中的参数来表征结霜程度。
2.根据权利要求1所述的基于灰色预测的空气能热水器结霜故障预测方法，其特征在于：所述预测模型数学表达式的获得过程是在一个采样周期内对压缩机出风口处温度和压缩机功率进行采样多个数据，根据采样数据计算空气热交换功率，由空气热交换功率进而获得吸热效能系数数组；将压缩机功率的采样数据形成功率数组，利用功率数组中的最大值和最小值获得等间隔量，并建立等间隔量数组；以功率数组为自变量离散数值，以吸热效能系数数组为应变量离散数值，使用插值算法获得等间隔量数组对应的序列，将序列用一次累加方式生成新序列；再基于新序列和等间隔量数组建立微分方程，求解后得到灰色预测模型，对灰色预测模型进行还原，获得预测模型数学表达式。
3.根据权利要求1所述的基于灰色预测的空气能热水器结霜故障预测方法，其特征在于：所述预测模型数学表达式的获得过程具体过程如下:
在采样周期为Ts对压缩机出风口处温度
Figure FDA0003526039360000011
和压缩机功率Pcomp采样n个数据，分别记为：
Figure FDA0003526039360000021
和{Pcomp(1),…,Pcomp(n)}；
计算空气热交换功率：
Figure FDA0003526039360000022
式中：C(Tamb,Hamb)为空气比热容，ρ(Tamb,Hamb)为空气密度，nfan和Sfan分别为蒸发器风扇转速和截面积；
由空气热交换功率得到
Figure FDA0003526039360000023
根据定义式
Figure FDA0003526039360000024
得到吸热效能系数数组{λ(1),…,λ(n)}，λ为空气能热水器吸热效能系数；
获取功率数组{Pcomp(i)}的最小值
Figure FDA0003526039360000025
和最大值
Figure FDA0003526039360000026
利用最大值和最小值求取等间隔量
Figure FDA0003526039360000027
并建立等间隔量数组
Figure FDA0003526039360000028
其中
Figure FDA0003526039360000029
以功率数组{Pcomp(1),…,Pcomp(n)}为自变量离散数值，以吸热效能系数数组{λ(1),…,λ(n)}为应变量离散数值，使用插值算法，获得等间隔量数组
Figure FDA00035260393600000210
对应的序列
Figure FDA00035260393600000211
基于一次累加方式，对序列
Figure FDA00035260393600000212
生成新序列
Figure FDA00035260393600000213
满足
Figure FDA00035260393600000214
基于新序列和等间隔量数组建立微分方程：
Figure FDA00035260393600000215
式中，a为发展系数，μ为灰作用量；
求解待估参数向量
Figure FDA0003526039360000031
和上述微分方程，进而得到灰色预测模型
Figure FDA0003526039360000032
对预测序列
Figure FDA0003526039360000033
进行还原，得到还原序列
Figure FDA0003526039360000037
的预测模型数学表达式：
Figure FDA0003526039360000034
4.根据权利要求3所述的基于灰色预测的空气能热水器结霜故障预测方法，其特征在于：所述利用预测模型数学表达式中的参数来表征结霜程度过程是先定义关联度r：
Figure FDA0003526039360000035
其中：
Figure FDA0003526039360000036
再判断空气能热水器吸热效能系数λ是否大于等于阈值ζ，如果是，则空气能热水器处于结霜故障运行，再求解结霜程度α＝a/amax，进而得出空气能热水器结霜程度α。
CN202210193736.XA 2022-03-01 2022-03-01 一种基于灰色预测的空气能热水器结霜故障预测方法 Pending CN114547907A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210193736.XA CN114547907A (zh) 2022-03-01 2022-03-01 一种基于灰色预测的空气能热水器结霜故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210193736.XA CN114547907A (zh) 2022-03-01 2022-03-01 一种基于灰色预测的空气能热水器结霜故障预测方法

Publications (1)

Publication Number Publication Date
CN114547907A true CN114547907A (zh) 2022-05-27

Family

ID=81662565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210193736.XA Pending CN114547907A (zh) 2022-03-01 2022-03-01 一种基于灰色预测的空气能热水器结霜故障预测方法

Country Status (1)

Country Link
CN (1) CN114547907A (zh)

Similar Documents

Publication Publication Date Title
CN103162385B (zh) 一种调整制冷设备电子膨胀阀的装置及方法
CN109282545A (zh) 低温型直流变频热泵系统的补气增焓控制方法
CN108895719B (zh) 一种热泵机组及其供暖控制方法
CN110895016A (zh) 一种基于模糊自适应的中央空调系统节能群控方法
CN114279110B (zh) 一种空气能热水器智能除霜装置及方法
CN115183400B (zh) 空调器和空调器除霜控制方法
CN112032941A (zh) 空调器的控制方法
CN208254038U (zh) 一种跨临界二氧化碳空气源热泵除霜系统
CN114547907A (zh) 一种基于灰色预测的空气能热水器结霜故障预测方法
CN115218346B (zh) 蓄热化霜控制方法以及空调机组
Yu et al. Advanced control of heat rejection airflow for improving the coefficient of performance of air-cooled chillers
CN110470000B (zh) 用于空调除霜的控制方法、装置及空调
CN114459152B (zh) 一种空气能热水器结霜预测方法
CN114659268B (zh) 一种空气能热水器结霜程度预测方法
CN115031352A (zh) 空调器和空调器除霜控制方法
CN115183401A (zh) 空调器和空调器除霜控制方法
CN114740727A (zh) 室外温度扰动条件下的空气源热泵动态能效优化控制方法
CN114440454B (zh) 基于热膨胀和热能除霜的空气能热水器除霜方法
CN114440452B (zh) 一种空气能热水器结霜判定方法
CN110469998B (zh) 用于空调除霜的控制方法、装置及空调
CN114440453B (zh) 一种基于模糊算法的空气能热水器结霜程度判定方法
CN114061025B (zh) 空调系统的化霜控制方法、控制装置、控制器及空调系统
CN114484866B (zh) 一种空气能热水器高效除霜装置及方法
CN114440450B (zh) 一种空气能热水器的使用方法
CN110398035A (zh) 空调器室内风机故障检测方法、装置及可读存储介质

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221202

Address after: No. 2, Building 19, Huitouwang, Sunshine Community, Chengdong Street, Wenling City, Taizhou City, Zhejiang Province 317500

Applicant after: Wenling Huangge Technology Consulting Co.,Ltd.

Address before: 317500 West, second and third floors of room 101, building 5, Shaan Industrial Park, No. 520, Dongan village, Daxi Town, Wenling City, Taizhou City, Zhejiang Province

Applicant before: Zhejiang Qianfeng Intelligent Technology Co.,Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231012

Address after: 317525, 2nd Floor, Building 1, No. 316 Hangwen Road, Daxi Town, Wenling City, Taizhou City, Zhejiang Province

Applicant after: Beixi Te (Zhejiang) Technology Co.,Ltd.

Address before: No. 2, Building 19, Huitouwang, Sunshine Community, Chengdong Street, Wenling City, Taizhou City, Zhejiang Province 317500

Applicant before: Wenling Huangge Technology Consulting Co.,Ltd.