CN115144647A - 一种过电压智能识别方法及系统 - Google Patents

一种过电压智能识别方法及系统 Download PDF

Info

Publication number
CN115144647A
CN115144647A CN202211051684.9A CN202211051684A CN115144647A CN 115144647 A CN115144647 A CN 115144647A CN 202211051684 A CN202211051684 A CN 202211051684A CN 115144647 A CN115144647 A CN 115144647A
Authority
CN
China
Prior art keywords
voltage signal
overvoltage
zero
frequency
sequence voltage
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
CN202211051684.9A
Other languages
English (en)
Other versions
CN115144647B (zh
Inventor
龙国华
刘衍
郑开心
袁思凡
邹阳
彭诗怡
陈瑛
童超
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 Corp of China SGCC
Nanchang University
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Nanchang University
Electric Power Research Institute of State Grid Jiangxi 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 State Grid Corp of China SGCC, Nanchang University, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211051684.9A priority Critical patent/CN115144647B/zh
Publication of CN115144647A publication Critical patent/CN115144647A/zh
Application granted granted Critical
Publication of CN115144647B publication Critical patent/CN115144647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
    • G01R19/16571—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing AC or DC current with one threshold, e.g. load current, over-current, surge current or fault current
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Emergency Protection Circuit Devices (AREA)
  • Measurement Of Current Or Voltage (AREA)

Abstract

本发明公开一种过电压智能识别方法及系统，方法包括：计算至少一个过电压零序电压信号的时频特征量；对至少一个过电压零序电压信号进行CEEMD分解，得到分解后的各个电压信号分量；基于预设的Pearson相关系数对各个电压信号分量的频带能量进行加权，并计算各个电压信号分量的频域特征量；将时频特征量以及频域特征量分别输入至改进的BP神经网络中，得到时域基本概率以及频域基本概率；基于DS证据融合对时域基本概率以及频域基本概率进行融合，得到至少一个过电压零序电压信号所属类别的目标概率值。提高了基频铁磁谐振、弧光接地和单相接地过电压的识别率，并且大大增强了识别的鲁棒性。

Description

一种过电压智能识别方法及系统
技术领域
本发明属于电力系统分析技术领域，尤其涉及一种过电压智能识别方法及系统。
背景技术
在现代生产生活中，人类社会对电能质量及可靠性的要求日益提高。电力系统过电压的产生会对输电线路和电气设备造成的危害越来越严重，其中单相接地过电压是电力系统中最常见的过电压类型，基频铁磁谐振过电压、弧光接地过电压与单相接地过电压同样表现为零序电压升高，容易被误判成单相接地。正确有效识别此三类过电压对完善电力系统故障处理和灾害防治具有重要的工程意义。现有技术中，更多采用的是阈值判断和单一分类器识别，其识别的鲁棒性不强。
发明内容
本发明提供一种过电压智能识别方法及系统，用于解决过电压初步识别正确率不高的技术问题。
第一方面，本发明提供一种过电压智能识别方法，包括：获取至少一个过电压零序 电压信号，并计算所述至少一个过电压零序电压信号的时频特征量；对所述至少一个过电 压零序电压信号进行CEEMD分解，得到分解后的各个电压信号分量；基于预设的Pearson相 关系数对各个电压信号分量的频带能量进行加权，并根据加权后各个电压信号分量的频带 能量计算各个电压信号分量的频域特征量，其中，计算所述频域特征量的表达式为：
Figure 22051DEST_PATH_IMAGE001
，式中，
Figure 715200DEST_PATH_IMAGE002
为第
Figure 635752DEST_PATH_IMAGE003
个电压信号分量的能量熵，即第
Figure 388944DEST_PATH_IMAGE003
个电 压信号分量的频域特征量，
Figure 896411DEST_PATH_IMAGE004
为第
Figure 862093DEST_PATH_IMAGE003
个电压信号分量的归一化后Pearson相关系数加权频 带能量，
Figure 637151DEST_PATH_IMAGE005
为电压信号分量总数；其中，
Figure 561245DEST_PATH_IMAGE006
，式中，
Figure 54543DEST_PATH_IMAGE007
为第
Figure 89495DEST_PATH_IMAGE003
个电压信号分量的Pearson相关系数加权频带能量，
Figure 391164DEST_PATH_IMAGE008
为第
Figure 610792DEST_PATH_IMAGE003
个电压信号分量 的Pearson相关系数，
Figure 466753DEST_PATH_IMAGE009
为第
Figure 662986DEST_PATH_IMAGE003
个电压信号分量的数据点，
Figure 288002DEST_PATH_IMAGE010
为过电压零序电压信号的 数据点总数；将所述时频特征量以及所述频域特征量分别输入至改进的BP神经网络中，得 到所述至少一个过电压零序电压信号的时域基本概率以及所述至少一个过电压零序电压 信号的频域基本概率；基于DS证据融合对所述时域基本概率以及所述频域基本概率进行融 合，得到所述至少一个过电压零序电压信号所属类别的目标概率值。
第二方面，本发明提供一种过电压智能识别系统，包括：获取模块，配置为获取至 少一个过电压零序电压信号，并计算所述至少一个过电压零序电压信号的时频特征量；分 解模块，配置为对所述至少一个过电压零序电压信号进行CEEMD分解，得到分解后的各个电 压信号分量；计算模块，配置为基于预设的Pearson相关系数对各个电压信号分量的频带能 量进行加权，并根据加权后各个电压信号分量的频带能量计算各个电压信号分量的频域特 征量，其中，计算所述频域特征量的表达式为：
Figure 412953DEST_PATH_IMAGE001
，式中，
Figure 490630DEST_PATH_IMAGE002
为 第
Figure 257598DEST_PATH_IMAGE003
个电压信号分量的能量熵，即第
Figure 737121DEST_PATH_IMAGE003
个电压信号分量的频域特征量，
Figure 298552DEST_PATH_IMAGE004
为第
Figure 660263DEST_PATH_IMAGE003
个电压信 号分量的归一化后Pearson相关系数加权频带能量，
Figure 575130DEST_PATH_IMAGE005
为电压信号分量总数；其中，
Figure 800837DEST_PATH_IMAGE006
，式中，
Figure 408536DEST_PATH_IMAGE007
为第
Figure 319860DEST_PATH_IMAGE003
个电压信号分量的Pearson相 关系数加权频带能量，
Figure 38417DEST_PATH_IMAGE011
为第
Figure 617166DEST_PATH_IMAGE003
个电压信号分量的Pearson相关系数，
Figure 395766DEST_PATH_IMAGE009
为第
Figure 59966DEST_PATH_IMAGE003
个电 压信号分量的数据点，
Figure 378952DEST_PATH_IMAGE010
为过电压零序电压信号的数据点总数；输出模块，配置为将所述时 频特征量以及所述频域特征量分别输入至改进的BP神经网络中，得到所述至少一个过电压 零序电压信号的时域基本概率以及所述至少一个过电压零序电压信号的频域基本概率；融 合模块，配置为基于DS证据融合对所述时域基本概率以及所述频域基本概率进行融合，得 到所述至少一个过电压零序电压信号所属类别的目标概率值。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的过电压智能识别方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的过电压智能识别方法的步骤。
本申请的过电压智能识别方法及系统，通过将时域中三个无量纲作为时域特征量和以CEEMD分解后的频带归一化能量值计算的能量熵作为特征量输入到对应改进PSO优化后的BP神经网络，改进PSO拥有全局和局部的优良搜索能力，解决了BP神经网络陷入局部极小值和收敛性差的问题，有效提高了过电压初步识别正确率，并且使用DS证据融合对两个BP神经网络的过电压概率输出结果进行融合，进一步提高了基频铁磁谐振、弧光接地和单相接地过电压的识别率，并且大大增强了识别的鲁棒性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种过电压智能识别方法的流程图；
图2为本发明一实施例中基频铁磁谐振仿真三相和零序电压图；
图3为本发明一实施例中单相接地仿真三相和零序电压图；
图4为本发明一实施例中实际采集弧光接地三相和零序电压图；
图5为本发明一实施例中加权改进能量熵折线图；
图6为本发明一实施例提供的一种过电压智能识别系统的结构框图；
图7是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种过电压智能识别方法的流程图。
如图1所示，步骤S101，获取至少一个过电压零序电压信号，并计算所述至少一个过电压零序电压信号的时频特征量。
在本实施例中，获取的至少一个过电压零序电压信号可以为基频铁磁谐振过电压零序电压信号、弧光接地过电压零序电压信号和/或单相接地过电压零序电压信号。根据获取的基频铁磁谐振零序过电压波形、弧光接地零序过电压波形和单相接地零序过电压波形计算每类过电压零序电压信号的时域特征量：峰度指标量、冲击指标量和峭度指标量。
需要说明的是，基频铁磁谐振零序过电压波形和单相接地零序过电压波形可以根据仿真得到，而弧光接地零序过电压波形可以直接采用实际测量数据。
具体地，获取的电压信号为发生铁磁谐振、弧光接地和单相接地后四个周期的零序过电压波形。
在一个具体实施方式中，计算每类过电压零序电压信号的时域特征量：峰度指标、冲击指标和峭度指标的表达式如下：
计算所述峰度指标量的表达式为：
Figure 687573DEST_PATH_IMAGE012
，
式中，
Figure 260244DEST_PATH_IMAGE013
为过电压零序电压信号的峰度指标量，
Figure 21526DEST_PATH_IMAGE014
为零序电压峰值，
Figure 472099DEST_PATH_IMAGE015
为第i 个过电压零序电压信号的数据点，
Figure 369648DEST_PATH_IMAGE016
为零序电压有效值，
Figure 614685DEST_PATH_IMAGE017
为采样数据点数；
计算所述冲击指标量的表达式为：
Figure 128843DEST_PATH_IMAGE018
，
式中，
Figure 117527DEST_PATH_IMAGE019
为过电压零序电压信号的冲击指标量，
Figure 931899DEST_PATH_IMAGE020
为零序电压峰值，
Figure 488783DEST_PATH_IMAGE021
为零序 电压绝对平均值；
计算所述峭度指标量的表达式为：
Figure 850756DEST_PATH_IMAGE022
。
步骤S102，对所述至少一个过电压零序电压信号进行CEEMD分解，得到分解后的各个电压信号分量。
在本实施例中，CEEMD分解设定：添加噪声与原始信号标准差为0.2，50组正负白噪声，分解结果为8个高频到低频的IMF分量和残余分量r，其中残余分量不作为有效分量，采用的CEEMD分解克服了EMD分解的模态混叠问题。
步骤S103，基于预设的Pearson相关系数对各个电压信号分量的频带能量进行加权，并根据加权后各个电压信号分量的频带能量计算各个电压信号分量的频域特征量。
在本实施例中，计算所述频域特征量的表达式为：
Figure 252919DEST_PATH_IMAGE001
，
式中，
Figure 249694DEST_PATH_IMAGE002
为第
Figure 977478DEST_PATH_IMAGE003
个电压信号分量的能量熵，即第
Figure 59704DEST_PATH_IMAGE003
个电压信号分量的频域特征 量，
Figure 531136DEST_PATH_IMAGE004
为第
Figure 320101DEST_PATH_IMAGE003
个电压信号分量的归一化后Pearson相关系数加权频带能量，
Figure 77841DEST_PATH_IMAGE005
为电压信号 分量总数；
其中，
Figure 788308DEST_PATH_IMAGE006
，
式中，
Figure 421021DEST_PATH_IMAGE007
为第
Figure 267755DEST_PATH_IMAGE003
个电压信号分量的Pearson相关系数加权频带能量，
Figure 196396DEST_PATH_IMAGE008
为第
Figure 128580DEST_PATH_IMAGE003
个 电压信号分量的Pearson相关系数，
Figure 66449DEST_PATH_IMAGE009
为第
Figure 33268DEST_PATH_IMAGE003
个电压信号分量的数据点，
Figure 132811DEST_PATH_IMAGE010
为过电压零 序电压信号的数据点总数；
计算Pearson相关系数的表达式为：
Figure 614608DEST_PATH_IMAGE023
，
式中，
Figure 965955DEST_PATH_IMAGE024
为第
Figure 413379DEST_PATH_IMAGE003
个电压信号分量的Pearson相关系数，
Figure 293611DEST_PATH_IMAGE015
为第i个过电压零序 电压信号的数据点，
Figure 325021DEST_PATH_IMAGE025
为过电压零序电压信号的样本平均值，
Figure 480058DEST_PATH_IMAGE009
为第
Figure 280524DEST_PATH_IMAGE003
个电压信号分 量的数据点，
Figure 862815DEST_PATH_IMAGE026
为电压信号分量的样本平均值，
Figure 53625DEST_PATH_IMAGE010
为过电压零序电压信号的数据点总数。
本实施例的方法，以Pearson相关系数为权重的频带能量计算的能谱熵有效的防止分解后存在伪分量的干扰，反应了信号中的真实信息。
步骤S104，将所述时频特征量以及所述频域特征量分别输入至改进的BP神经网络中，得到所述至少一个过电压零序电压信号的时域基本概率以及所述至少一个过电压零序电压信号的频域基本概率。
在本实施例中，改进的BP神经网络包括优化后的时域BP神经网络，以及优化后的频域神经网络，将所述时域特征量和频域特征量分别送入改进PSO优化后的时域BP神经网络和频域神经网络进行训练识别，能够得到至少一个过电压零序电压信号的时域基本概率以及至少一个过电压零序电压信号的频域基本概率。
需要说明的是，改进PSO算法通过计算目标适度值，不断迭代更新粒子位置和速度，最终得到优化BP神经网络的初始权值和阈值，初始设置包括：学习因子1为1，学习因子2为2，最大迭代次数为100，群粒子个数为20，位置最大值和最小值分别为1和-1，速度最大值和最小值分别为1和0，惯性权重最大值和最小值为0.9和0.5。其中，计算粒子位置和粒子速度的表达式为：
Figure 871408DEST_PATH_IMAGE027
，
式中，
Figure 667326DEST_PATH_IMAGE028
为第
Figure 43687DEST_PATH_IMAGE029
个粒子第
Figure 659477DEST_PATH_IMAGE030
次迭代时的速度，
Figure 280951DEST_PATH_IMAGE031
为第
Figure 665796DEST_PATH_IMAGE029
个粒子第
Figure 714523DEST_PATH_IMAGE032
次迭代时 的速度，
Figure 83188DEST_PATH_IMAGE033
为粒子惯性权重，
Figure 242774DEST_PATH_IMAGE034
为第
Figure 747704DEST_PATH_IMAGE035
个粒子第
Figure 639437DEST_PATH_IMAGE030
次迭代时的位置，
Figure 855917DEST_PATH_IMAGE036
为第
Figure 694560DEST_PATH_IMAGE035
个粒子第
Figure 178631DEST_PATH_IMAGE032
次迭代时的位置，
Figure 444527DEST_PATH_IMAGE037
和
Figure 646838DEST_PATH_IMAGE038
均为加速度因子，
Figure 23593DEST_PATH_IMAGE039
和
Figure 627750DEST_PATH_IMAGE040
均为[0 1]之间的随机数，
Figure 861285DEST_PATH_IMAGE041
为第
Figure 426258DEST_PATH_IMAGE029
个粒子第
Figure 229873DEST_PATH_IMAGE030
次迭代时的个体极值，
Figure 829482DEST_PATH_IMAGE042
为第
Figure 561814DEST_PATH_IMAGE030
次迭代时的粒子群体极值;
其中，每次迭代的粒子惯性权重计算公式为：
Figure 82925DEST_PATH_IMAGE043
，
式中，
Figure 191696DEST_PATH_IMAGE044
为权值设定最大值，
Figure 645811DEST_PATH_IMAGE045
为权值设定最小值，
Figure 549045DEST_PATH_IMAGE046
为最大迭代次数。
具体地，时域BP神经网络采用3个输入层节点数、5个隐含层节点数和3层输出层节点数，隐含层激活函数为tansig函数，输出层函数为logsig函数，学习率为0.01；频域BP神经网络采用8个输入层节点数、15个隐含层节点数和3层输出层节点数，隐含层激活函数为tansig函数，输出层函数为logsig函数，学习率为0.1。
具体地，在获取的各200份基频铁磁谐振、弧光接地和单相接地后四个周期的零序电压信号随机抽取400份作为训练样本，剩余200份作为测试识别样本，设定弧光接地输出为[1 0 0],单相接地输出为[0 1 0]，基频铁磁谐振输出为[0 0 1]。
步骤S105，基于DS证据融合对所述时域基本概率以及所述频域基本概率进行融合，得到所述至少一个过电压零序电压信号所属类别的目标概率值。
在本实施例中，归一化处理优化后的时域BP神经网络以及优化后的频域神经网络的识别结果作为基本概率赋值，其表达式为：
Figure 823031DEST_PATH_IMAGE047
，
式中，
Figure 142017DEST_PATH_IMAGE048
为第
Figure 76737DEST_PATH_IMAGE049
类时频特征量的BP神经网络输出值，
Figure 26239DEST_PATH_IMAGE050
为第
Figure 177734DEST_PATH_IMAGE051
类频域特征量的BP神 经网络输出值；
进一步地，基于DS证据融合对所述时域基本概率以及所述频域基本概率进行融合，得到所述至少一个过电压零序电压信号所属类别的目标概率值。其表达式为：
Figure 238094DEST_PATH_IMAGE052
，
式中，
Figure 525856DEST_PATH_IMAGE053
为归一化后第
Figure 646259DEST_PATH_IMAGE054
类过电压的时域基本概率赋值，
Figure 19471DEST_PATH_IMAGE055
为归一化后 第
Figure 883522DEST_PATH_IMAGE056
类过电压的频域基本概率赋值，
Figure 963474DEST_PATH_IMAGE057
为经由DS证据融合后的输出概率值，
Figure 877947DEST_PATH_IMAGE058
为空 集，
Figure 613822DEST_PATH_IMAGE059
为过电压类型，
Figure 406197DEST_PATH_IMAGE060
为时域子集中第
Figure 278338DEST_PATH_IMAGE061
类过电压类型，
Figure 865177DEST_PATH_IMAGE062
为频域子集中第
Figure 88348DEST_PATH_IMAGE063
类过电压 类型。
综上，本申请的方法，通过将时域中三个无量纲作为时域特征量和以CEEMD分解后的频带归一化能量值计算的能量熵作为特征量输入到对应改进PSO优化后的BP神经网络，改进PSO拥有全局和局部的优良搜索能力，解决了BP神经网络陷入局部极小值和收敛性差的问题，有效提高了过电压初步识别正确率，并且使用DS证据融合对两个BP神经网络的过电压概率输出结果进行融合，进一步提高了基频铁磁谐振、弧光接地和单相接地过电压的识别率，并且大大增强了识别的鲁棒性。
在一个算例中，辨识结果如下表1所示，改进PSO优化的BP识别率较无优化的BP有一定地提升，经过融合判决后，相比于单一分类器有效地提高了过电压识别率。
Figure 684415DEST_PATH_IMAGE064
。
图2-图4给出了三类过电压时域波形，可以看出三类过电压以基频含量为主，具有一定的相似性。
图5为三类过电压的改进能量熵对比，弧光接地过电压相比另外两类具有较大的熵值，而基频铁磁谐振过电压相较于单相接地过电压具有更为复杂的特性，因此基频铁磁谐振过电压熵值同样也大于单相接地过电压。
请参阅图6，其示出了本申请的一种过电压智能识别系统的结构框图。
如图6所示，过电压智能识别系统200，包括获取模块210、分解模块220、计算模块230、输出模块240以及融合模块250。
其中，获取模块210，配置为获取至少一个过电压零序电压信号，并计算所述至少 一个过电压零序电压信号的时频特征量；分解模块220，配置为对所述至少一个过电压零序 电压信号进行CEEMD分解，得到分解后的各个电压信号分量；计算模块230，配置为基于预设 的Pearson相关系数对各个电压信号分量的频带能量进行加权，并根据加权后各个电压信 号分量的频带能量计算各个电压信号分量的频域特征量，其中，计算所述频域特征量的表 达式为：
Figure 473379DEST_PATH_IMAGE001
，式中，
Figure 106486DEST_PATH_IMAGE002
为第
Figure 443051DEST_PATH_IMAGE003
个电压信号分量的能量熵，即第
Figure 452596DEST_PATH_IMAGE003
个电压信号分量的频域特征量，
Figure 158384DEST_PATH_IMAGE004
为第
Figure 227971DEST_PATH_IMAGE003
个电压信号分量的归一化后Pearson相关系数 加权频带能量，
Figure 284788DEST_PATH_IMAGE005
为电压信号分量总数；其中，
Figure 98024DEST_PATH_IMAGE006
，式 中，
Figure 596001DEST_PATH_IMAGE007
为第
Figure 961123DEST_PATH_IMAGE003
个电压信号分量的Pearson相关系数加权频带能量，
Figure 380603DEST_PATH_IMAGE008
为第
Figure 355119DEST_PATH_IMAGE003
个电压信号分 量的Pearson相关系数，
Figure 910865DEST_PATH_IMAGE009
为第
Figure 446889DEST_PATH_IMAGE003
个电压信号分量的数据点，
Figure 353665DEST_PATH_IMAGE010
为过电压零序电压信号 的数据点总数；输出模块240，配置为将所述时频特征量以及所述频域特征量分别输入至改 进的BP神经网络中，得到所述至少一个过电压零序电压信号的时域基本概率以及所述至少 一个过电压零序电压信号的频域基本概率；融合模块250，配置为基于DS证据融合对所述时 域基本概率以及所述频域基本概率进行融合，得到所述至少一个过电压零序电压信号所属 类别的目标概率值。
应当理解，图6中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图6中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的过电压智能识别方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取至少一个过电压零序电压信号，并计算所述至少一个过电压零序电压信号的时频特征量；
对所述至少一个过电压零序电压信号进行CEEMD分解，得到分解后的各个电压信号分量；
基于预设的Pearson相关系数对各个电压信号分量的频带能量进行加权，并根据加权后各个电压信号分量的频带能量计算各个电压信号分量的频域特征量；
将所述时频特征量以及所述频域特征量分别输入至改进的BP神经网络中，得到所述至少一个过电压零序电压信号的时域基本概率以及所述至少一个过电压零序电压信号的频域基本概率；
基于DS证据融合对所述时域基本概率以及所述频域基本概率进行融合，得到所述至少一个过电压零序电压信号所属类别的目标概率值。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据过电压智能识别系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至过电压智能识别系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图7是本发明实施例提供的电子设备的结构示意图，如图7所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图7中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例过电压智能识别方法。输入装置330可接收输入的数字或字符信息，以及产生与过电压智能识别系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于过电压智能识别系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取至少一个过电压零序电压信号，并计算所述至少一个过电压零序电压信号的时频特征量；
对所述至少一个过电压零序电压信号进行CEEMD分解，得到分解后的各个电压信号分量；
基于预设的Pearson相关系数对各个电压信号分量的频带能量进行加权，并根据加权后各个电压信号分量的频带能量计算各个电压信号分量的频域特征量；
将所述时频特征量以及所述频域特征量分别输入至改进的BP神经网络中，得到所述至少一个过电压零序电压信号的时域基本概率以及所述至少一个过电压零序电压信号的频域基本概率；
基于DS证据融合对所述时域基本概率以及所述频域基本概率进行融合，得到所述至少一个过电压零序电压信号所属类别的目标概率值。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种过电压智能识别方法，其特征在于，包括：
获取至少一个过电压零序电压信号，并计算所述至少一个过电压零序电压信号的时频特征量；
对所述至少一个过电压零序电压信号进行CEEMD分解，得到分解后的各个电压信号分量；
基于预设的Pearson相关系数对各个电压信号分量的频带能量进行加权，并根据加权后各个电压信号分量的频带能量计算各个电压信号分量的频域特征量，其中，计算所述频域特征量的表达式为：
Figure 495739DEST_PATH_IMAGE001
，
式中，
Figure 881721DEST_PATH_IMAGE002
为第
Figure 254934DEST_PATH_IMAGE003
个电压信号分量的能量熵，即第
Figure 118984DEST_PATH_IMAGE003
个电压信号分量的频域特征量，
Figure 198936DEST_PATH_IMAGE004
为第
Figure 614874DEST_PATH_IMAGE003
个电压信号分量的归一化后Pearson相关系数加权频带能量，
Figure 350749DEST_PATH_IMAGE005
为电压信号分量 总数；
其中，
Figure 877545DEST_PATH_IMAGE006
，
式中，
Figure 15265DEST_PATH_IMAGE007
为第
Figure 103569DEST_PATH_IMAGE003
个电压信号分量的Pearson相关系数加权频带能量，
Figure 185795DEST_PATH_IMAGE008
为第
Figure 391648DEST_PATH_IMAGE003
个电压 信号分量的Pearson相关系数，
Figure 508509DEST_PATH_IMAGE009
为第
Figure 407194DEST_PATH_IMAGE003
个电压信号分量的数据点，
Figure 976716DEST_PATH_IMAGE010
为过电压零序电 压信号的数据点总数；
将所述时频特征量以及所述频域特征量分别输入至改进的BP神经网络中，得到所述至少一个过电压零序电压信号的时域基本概率以及所述至少一个过电压零序电压信号的频域基本概率；
基于DS证据融合对所述时域基本概率以及所述频域基本概率进行融合，得到所述至少一个过电压零序电压信号所属类别的目标概率值。
2.根据权利要求1所述的一种过电压智能识别方法，其特征在于，所述时频特征量包括峰度指标量、冲击指标量和峭度指标量，其中，计算所述峰度指标量的表达式为：
Figure 720681DEST_PATH_IMAGE011
，
式中，
Figure 456163DEST_PATH_IMAGE012
为过电压零序电压信号的峰度指标量，
Figure 260171DEST_PATH_IMAGE013
为零序电压峰值，
Figure 254671DEST_PATH_IMAGE014
为第i个 过电压零序电压信号的数据点，
Figure 926961DEST_PATH_IMAGE015
为零序电压有效值，
Figure 893780DEST_PATH_IMAGE016
为采样数据点数；
计算所述冲击指标量的表达式为：
Figure 993323DEST_PATH_IMAGE017
，
式中，
Figure 412803DEST_PATH_IMAGE018
为过电压零序电压信号的冲击指标量，
Figure 888784DEST_PATH_IMAGE019
为零序电压峰值，
Figure 710109DEST_PATH_IMAGE020
为零序电压 绝对平均值；
计算所述峭度指标量的表达式为：
Figure 918237DEST_PATH_IMAGE021
。
3.根据权利要求1所述的一种过电压智能识别方法，其特征在于，其中，计算Pearson相关系数的表达式为：
Figure 451112DEST_PATH_IMAGE022
，
式中，
Figure 74991DEST_PATH_IMAGE023
为第
Figure 141036DEST_PATH_IMAGE003
个电压信号分量的Pearson相关系数，
Figure 723327DEST_PATH_IMAGE014
为第i个过电压零序电压 信号的数据点，
Figure 914137DEST_PATH_IMAGE024
为过电压零序电压信号的样本平均值，
Figure 731920DEST_PATH_IMAGE009
为第
Figure 262259DEST_PATH_IMAGE003
个电压信号分量的 数据点，
Figure 874506DEST_PATH_IMAGE025
为电压信号分量的样本平均值，
Figure 755874DEST_PATH_IMAGE010
为过电压零序电压信号的数据点总数。
4.根据权利要求1所述的一种过电压智能识别方法，其特征在于，其中，改进的BP神经网络由改进后的PSO算法通过初始化粒子位置和速度参数，通过计算目标适度值即预测结果均方差值，不断迭代更新粒子位置和粒子速度得到，其中，计算粒子位置和粒子速度的表达式为：
Figure 875883DEST_PATH_IMAGE026
，
式中，
Figure 526308DEST_PATH_IMAGE027
为第
Figure 309456DEST_PATH_IMAGE028
个粒子第
Figure 474858DEST_PATH_IMAGE029
次迭代时的速度，
Figure 509810DEST_PATH_IMAGE030
为第
Figure 404954DEST_PATH_IMAGE028
个粒子第
Figure 968790DEST_PATH_IMAGE031
次迭代时的速 度，
Figure 949385DEST_PATH_IMAGE032
为粒子惯性权重，
Figure 788028DEST_PATH_IMAGE033
为第
Figure 773563DEST_PATH_IMAGE034
个粒子第
Figure 836197DEST_PATH_IMAGE029
次迭代时的位置，
Figure 913875DEST_PATH_IMAGE035
为第
Figure 680842DEST_PATH_IMAGE034
个粒子第
Figure 160365DEST_PATH_IMAGE031
次 迭代时的位置，
Figure 456217DEST_PATH_IMAGE036
和
Figure 21191DEST_PATH_IMAGE037
均为加速度因子，
Figure 326270DEST_PATH_IMAGE038
和
Figure 660300DEST_PATH_IMAGE039
均为[0 1]之间的随机数，
Figure 64736DEST_PATH_IMAGE040
为第
Figure 740175DEST_PATH_IMAGE028
个粒子 第
Figure 458732DEST_PATH_IMAGE029
次迭代时的个体极值，
Figure 37481DEST_PATH_IMAGE041
为第
Figure 550502DEST_PATH_IMAGE029
次迭代时的粒子群体极值;
其中，每次迭代的粒子惯性权重计算公式为：
Figure 214701DEST_PATH_IMAGE042
，
式中，
Figure 736950DEST_PATH_IMAGE043
为权值设定最大值，
Figure 170205DEST_PATH_IMAGE044
为权值设定最小值，
Figure 119707DEST_PATH_IMAGE045
为最大迭代次数。
5.根据权利要求1所述的一种过电压智能识别方法，其特征在于，所述至少一个过电压零序电压信号为基频铁磁谐振过电压零序电压信号、弧光接地过电压零序电压信号或单相接地过电压零序电压信号。
6.根据权利要求1所述的一种过电压智能识别方法，其特征在于，其中，对所述时域基本概率以及所述频域基本概率进行融合的表达式：
Figure 677727DEST_PATH_IMAGE046
，
式中，
Figure 629765DEST_PATH_IMAGE047
为归一化后第
Figure 792893DEST_PATH_IMAGE048
类过电压的时域基本概率赋值，
Figure 772350DEST_PATH_IMAGE049
为归一化后第
Figure 286508DEST_PATH_IMAGE050
类过电压的频域基本概率赋值，
Figure 275192DEST_PATH_IMAGE051
为经由DS证据融合后的输出概率值，
Figure 89565DEST_PATH_IMAGE052
为空集，
Figure 646448DEST_PATH_IMAGE053
为过电压类型，
Figure 241377DEST_PATH_IMAGE054
为时域子集中第
Figure 909119DEST_PATH_IMAGE055
类过电压类型，
Figure 427867DEST_PATH_IMAGE056
为频域子集中第
Figure 155651DEST_PATH_IMAGE057
类过电压类 型；
其中，
Figure 175560DEST_PATH_IMAGE058
，
式中，
Figure 506047DEST_PATH_IMAGE059
为第
Figure 498274DEST_PATH_IMAGE060
类时频特征量的BP神经网络输出值，
Figure 256014DEST_PATH_IMAGE061
为第
Figure 700902DEST_PATH_IMAGE062
类频域特征量的BP神经网 络输出值。
7.一种过电压智能识别系统，其特征在于，包括：
获取模块，配置为获取至少一个过电压零序电压信号，并计算所述至少一个过电压零序电压信号的时频特征量；
分解模块，配置为对所述至少一个过电压零序电压信号进行CEEMD分解，得到分解后的各个电压信号分量；
计算模块，配置为基于预设的Pearson相关系数对各个电压信号分量的频带能量进行加权，并根据加权后各个电压信号分量的频带能量计算各个电压信号分量的频域特征量，其中，计算所述频域特征量的表达式为：
Figure 835080DEST_PATH_IMAGE001
，
式中，
Figure 744130DEST_PATH_IMAGE002
为第
Figure 548138DEST_PATH_IMAGE003
个电压信号分量的能量熵，即第
Figure 106421DEST_PATH_IMAGE003
个电压信号分量的频域特征量，
Figure 654077DEST_PATH_IMAGE004
为第
Figure 745530DEST_PATH_IMAGE003
个电压信号分量的归一化后Pearson相关系数加权频带能量，
Figure 517177DEST_PATH_IMAGE005
为电压信号分量 总数；
其中，
Figure 202236DEST_PATH_IMAGE006
，
式中，
Figure 678216DEST_PATH_IMAGE007
为第
Figure 233963DEST_PATH_IMAGE003
个电压信号分量的Pearson相关系数加权频带能量，
Figure 769986DEST_PATH_IMAGE008
为第
Figure 473500DEST_PATH_IMAGE003
个电压 信号分量的Pearson相关系数，
Figure 362959DEST_PATH_IMAGE009
为第
Figure 927539DEST_PATH_IMAGE003
个电压信号分量的数据点，
Figure 244251DEST_PATH_IMAGE010
为过电压零序电 压信号的数据点总数；
输出模块，配置为将所述时频特征量以及所述频域特征量分别输入至改进的BP神经网络中，得到所述至少一个过电压零序电压信号的时域基本概率以及所述至少一个过电压零序电压信号的频域基本概率；
融合模块，配置为基于DS证据融合对所述时域基本概率以及所述频域基本概率进行融合，得到所述至少一个过电压零序电压信号所属类别的目标概率值。
8.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至6任一项所述的方法。
CN202211051684.9A 2022-08-30 2022-08-30 一种过电压智能识别方法及系统 Active CN115144647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211051684.9A CN115144647B (zh) 2022-08-30 2022-08-30 一种过电压智能识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211051684.9A CN115144647B (zh) 2022-08-30 2022-08-30 一种过电压智能识别方法及系统

Publications (2)

Publication Number Publication Date
CN115144647A true CN115144647A (zh) 2022-10-04
CN115144647B CN115144647B (zh) 2022-12-30

Family

ID=83415590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211051684.9A Active CN115144647B (zh) 2022-08-30 2022-08-30 一种过电压智能识别方法及系统

Country Status (1)

Country Link
CN (1) CN115144647B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250442A (zh) * 2023-11-17 2023-12-19 昆明理工大学 一种基于光电联合的弧光接地故障检测方法、系统及介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103197124A (zh) * 2013-03-14 2013-07-10 重庆市电力公司电力科学研究院 基于时频矩阵奇异值的过电压识别方法
CN104330676A (zh) * 2014-11-18 2015-02-04 国家电网公司 一种变电站过电压智能监测系统及方法
US20150185262A1 (en) * 2013-12-28 2015-07-02 James Y. Song Electrical load identification during an on event using a support vector machine classifier
CN107102356A (zh) * 2017-06-02 2017-08-29 成都理工大学 基于ceemd的地震信号高分辨率处理方法
CN107153150A (zh) * 2017-06-26 2017-09-12 国网福建晋江市供电有限公司 一种配电网过电压故障类型识别方法及装置
CN107632239A (zh) * 2017-08-25 2018-01-26 南京理工大学 一种基于imf能量熵的光伏送出线路故障选相方法
CN109271975A (zh) * 2018-11-19 2019-01-25 燕山大学 一种基于大数据多特征提取协同分类的电能质量扰动识别方法
CN111123036A (zh) * 2019-12-27 2020-05-08 深圳供电局有限公司 过电压故障的识别系统和方法
CN111723684A (zh) * 2020-05-29 2020-09-29 华南理工大学 一种海上风电场内部暂态过电压类型的识别方法
US20210083468A1 (en) * 2018-01-09 2021-03-18 Rensselaer Polytechnic Institute Temporary overvoltage and ground fault overvoltage protection based on arrester current measurement and analysis
US20210117770A1 (en) * 2019-10-18 2021-04-22 Wuhan University Power electronic circuit troubleshoot method based on beetle antennae optimized deep belief network algorithm
CN113378652A (zh) * 2021-05-21 2021-09-10 南京理工大学 一种基于ewt-mpe-pso-bp的扰动分类方法
CN114818780A (zh) * 2022-03-28 2022-07-29 南京航空航天大学 基于ceemdan和apso-svm的车辆轴承故障诊断方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103197124A (zh) * 2013-03-14 2013-07-10 重庆市电力公司电力科学研究院 基于时频矩阵奇异值的过电压识别方法
US20150185262A1 (en) * 2013-12-28 2015-07-02 James Y. Song Electrical load identification during an on event using a support vector machine classifier
CN104330676A (zh) * 2014-11-18 2015-02-04 国家电网公司 一种变电站过电压智能监测系统及方法
CN107102356A (zh) * 2017-06-02 2017-08-29 成都理工大学 基于ceemd的地震信号高分辨率处理方法
CN107153150A (zh) * 2017-06-26 2017-09-12 国网福建晋江市供电有限公司 一种配电网过电压故障类型识别方法及装置
CN107632239A (zh) * 2017-08-25 2018-01-26 南京理工大学 一种基于imf能量熵的光伏送出线路故障选相方法
US20210083468A1 (en) * 2018-01-09 2021-03-18 Rensselaer Polytechnic Institute Temporary overvoltage and ground fault overvoltage protection based on arrester current measurement and analysis
CN109271975A (zh) * 2018-11-19 2019-01-25 燕山大学 一种基于大数据多特征提取协同分类的电能质量扰动识别方法
US20210117770A1 (en) * 2019-10-18 2021-04-22 Wuhan University Power electronic circuit troubleshoot method based on beetle antennae optimized deep belief network algorithm
CN111123036A (zh) * 2019-12-27 2020-05-08 深圳供电局有限公司 过电压故障的识别系统和方法
CN111723684A (zh) * 2020-05-29 2020-09-29 华南理工大学 一种海上风电场内部暂态过电压类型的识别方法
CN113378652A (zh) * 2021-05-21 2021-09-10 南京理工大学 一种基于ewt-mpe-pso-bp的扰动分类方法
CN114818780A (zh) * 2022-03-28 2022-07-29 南京航空航天大学 基于ceemdan和apso-svm的车辆轴承故障诊断方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
LI QIONG 等: "Ferromagnetic resonance over-voltage identification method based on Gram angle field", 《ENERGY REPORTS》 *
LI, XIN 等: "Application Research on Over-voltage smart Recognition System for 110kV Substation", 《2016 IEEE INTERNATIONAL CONFERENCE ON HIGH VOLTAGE ENGINEERING AND APPLICATION (ICHVE)》 *
唐亮: "基于 CEEMD 能量比重谐振接地系统", 《电气技术》 *
杨庆等: "基于阈值判断和支持向量机的电网实测过电压识别", 《高电压技术》 *
苗琪鹏 等: "电力系统内部过电压识别方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
赵洪彬 等: "融合多级支持向量机的铁磁谐振和雷电过电压识别方法研究", 《湖南电力》 *
金涛等: "一种基于LCD-Hilbert变换和奇异谱熵的配电网暂时过电压类型识别方法", 《电机与控制学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250442A (zh) * 2023-11-17 2023-12-19 昆明理工大学 一种基于光电联合的弧光接地故障检测方法、系统及介质

Also Published As

Publication number Publication date
CN115144647B (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
Ciancetta et al. A new convolutional neural network-based system for NILM applications
James et al. Intelligent time-adaptive transient stability assessment system
Perera et al. Recognition of fault transients using a probabilistic neural-network classifier
WO2021038960A1 (ja) 部分放電判定装置及び方法
CN110969194B (zh) 基于改进型卷积神经网络的电缆早期故障定位方法
CN110543921A (zh) 一种基于波形学习的电缆早期故障识别方法
CN115144647B (zh) 一种过电压智能识别方法及系统
Liu et al. Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements
Fahim et al. An unsupervised protection scheme for overhead transmission line with emphasis on situations during line and source parameter variation
Huang et al. BIT-based intermittent fault diagnosis of analog circuits by improved deep forest classifier
Vahidi et al. Determining arresters best positions in power system for lightning shielding failure protection using simulation optimization approach
CN117471252A (zh) 基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法
Binger et al. Physical renormalization schemes and grand unification
CN116665711A (zh) 气体绝缘开关设备在线监测方法、装置和计算机设备
Hashemian et al. Improved electro‐geometric model for shielding failure analysis of transmission lines
CN115905523A (zh) 一种基于自然语言处理的变压器噪声故障分析与检修方法和系统
CN114325072A (zh) 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置
CN113884805A (zh) 基于d-s证据理论的单相接地故障绝缘劣化识别方法及系统
CN116256592B (zh) 一种中压配电电缆潜伏性故障检测方法及系统
CN109901030B (zh) 一种电抗器匝间绝缘状态监测方法、系统及应用
CN113408702A (zh) 音乐神经网络模型预训练方法及电子设备和存储介质
Murali et al. Forecasting and classification of power quality disturbance in smart grid using hybrid networks
Yang et al. A improved way for fault diagnose based on EEMD and SVM
CN113657623B (zh) 电力设备状态诊断效果确定方法、装置、终端及存储介质
WO2020053277A1 (en) Computer-implemented method and electronic device for detecting influential components in a netlist representing an electrical circuit

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