CN116167010B - 具有智能迁移学习能力的电力系统异常事件快速识别方法 - Google Patents
具有智能迁移学习能力的电力系统异常事件快速识别方法 Download PDFInfo
- Publication number
- CN116167010B CN116167010B CN202310451657.9A CN202310451657A CN116167010B CN 116167010 B CN116167010 B CN 116167010B CN 202310451657 A CN202310451657 A CN 202310451657A CN 116167010 B CN116167010 B CN 116167010B
- Authority
- CN
- China
- Prior art keywords
- abnormal event
- data
- identified
- feature
- target
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 272
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013526 transfer learning Methods 0.000 title claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 36
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及具有智能迁移学习能力的电力系统异常事件快速识别方法。方法包括：获取待识别异常事件数据，并对待识别异常事件数据进行预处理操作，得到待识别目标数据；对待识别目标数据进行特征提取，得到待识别目标特征；将待识别目标特征输入至预先构建的异常事件识别模型中，得到异常事件预分类结果；确定待识别目标特征与异常事件预分类结果的特征相似度向量；将特征相似度向量与预设的相似度阈值向量进行比较，得到异常事件识别结果。采用本方法能够利用对异常事件发生时的正、负、零序电压所提取的特征数据，通过识别模型并基于特征相似度，实现了具有智能迁移学习能力的考虑新型电力系统中未知异常事件的异常事件识别。
Description
技术领域
本申请涉及电力系统技术领域，特别是涉及一种具有智能迁移学习能力的电力系统异常事件快速识别方法。
背景技术
随着现代新型电力系统的不断发展，可再生能源并网容量不断增加、以及大容量电力电子装置越来越得到广泛的应用，新型电力系统的动态行为更加复杂多变，电网安全问题日渐突出；大量的测量手段和多时间尺度数据的积累，亦对电网的运行分析和评估带来新的挑战。
传统技术中，当电力系统异常事件发生时，需要在出现异常事件后能够识别异常事件的具体类型，然后根据识别的具体类型为系统的安全稳定运行和后续决策提供依据。
但是由于异常事件类型随外界因素可能发生变化，且不同的异常事件类型造成的低电能质量会导致不同的敏感设备故障、过热或严重损坏情形等，因此在识别异常事件类型时无法精准识别异常事件的具体类型。
发明内容
基于此，有必要针对上述技术问题，提供一种能够避免未知异常事件类型的误分类的具有智能迁移学习能力的电力系统异常事件快速识别方法。
第一方面，本申请提供了一种具有智能迁移学习能力的电力系统异常事件快速识别方法。所述方法包括：
获取待识别异常事件数据，并对待识别异常事件数据进行预处理操作，得到待识别目标数据；
对待识别目标数据进行特征提取，得到待识别目标特征；
将待识别目标特征输入至预先构建的异常事件识别模型中，得到异常事件预分类结果；
确定待识别目标特征与异常事件预分类结果的特征相似度向量；
将特征相似度向量与预设的相似度阈值向量进行比较，得到异常事件识别结果。
在其中一个实施例中，对待识别异常事件数据进行预处理操作，得到待识别目标数据包括：
检查待识别异常事件数据得到数据缺失情况；
基于数据缺失情况进行数据处理，得到第一处理数据；
对第一处理数据进行滤波处理，得到待识别目标数据。
在其中一个实施例中，数据缺失情况包括第一缺失情况、第二缺失情况和第三缺失情况；该方法还包括：
在待识别异常事件数据出现第一缺失情况时，将待识别异常事件数据作为第一处理数据；
在待识别异常事件数据出现第二缺失情况时，将包含缺失值的待识别异常事件数据删除；
在待识别异常事件数据出现第三缺失情况时，补全待识别异常事件数据的缺失值。
在其中一个实施例中，在获取待识别异常事件数据之前，该方法还包括：
获取异常事件样本数据，并对异常事件样本数据进行预处理，得到第一样本数据；
对第一样本数据进行特征提取，得到第二样本数据并对第二样本数据进行归类处理，得到目标样本集；
根据目标样本集对待训练异常事件识别模型进行训练，生成预先构建的异常事件识别模型。
在其中一个实施例中，对第一样本数据进行特征提取，得到第二样本数据，包括：
基于提取指标进行时序数据特征提取，得到样本提取特征；
基于样本提取特征对第一样本数据进行特征提取，得到第二样本数据。
在其中一个实施例中，对第二样本数据进行归类处理，得到目标样本集，包括：
对第二样本数据进行归类处理，生成对应异常事件类型的特征样本子集；
将所有异常事件类型的特征样本子集均划分为训练集、验证集和测试集。
在其中一个实施例中，根据目标样本集对待训练异常事件识别模型进行训练，生成预先构建的异常事件识别模型，包括：
利用目标样本集对待训练异常事件识别模型进行训练，得到交叉熵损失；
根据交叉熵损失对待训练异常事件识别模型的模型参数进行更新，得到预先构建的异常事件识别模型。
第二方面，本申请还提供了一种具有智能迁移学习能力的电力系统异常事件快速识别装置。所述装置包括：
预处理模块，用于获取待识别异常事件数据，并对待识别异常事件数据进行预处理操作，得到待识别目标数据；
特征提取模块，用于对待识别目标数据进行特征提取，得到待识别目标特征；
分类模块，用于将待识别目标特征输入至预先构建的异常事件识别模型中，得到异常事件预分类结果；
相似度计算模块，用于确定待识别目标特征与异常事件预分类结果的特征相似度向量；
分析模块，用于将特征相似度向量与预设的相似度阈值向量进行比较，得到异常事件识别结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待识别异常事件数据，并对待识别异常事件数据进行预处理操作，得到待识别目标数据；
对待识别目标数据进行特征提取，得到待识别目标特征；
将待识别目标特征输入至预先构建的异常事件识别模型中，得到异常事件预分类结果；
确定待识别目标特征与异常事件预分类结果的特征相似度向量；
将特征相似度向量与预设的相似度阈值向量进行比较，得到异常事件识别结果。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待识别异常事件数据，并对待识别异常事件数据进行预处理操作，得到待识别目标数据；
对待识别目标数据进行特征提取，得到待识别目标特征；
将待识别目标特征输入至预先构建的异常事件识别模型中，得到异常事件预分类结果；
确定待识别目标特征与异常事件预分类结果的特征相似度向量；
将特征相似度向量与预设的相似度阈值向量进行比较，得到异常事件识别结果。
上述一种具有智能迁移学习能力的电力系统异常事件快速识别方法，通过对异常事件数据的预处理，降低了数据对后续模型进行异常事件识别的影响，并利用人工智能技术，即预先构建的异常事件识别模型实现异常事件的分类识别，为电力系统的安全性和决策提供辅助，避免了对未知异常事件类型的误分类。
附图说明
图1为一个实施例中电力系统异常事件识别方法的流程示意图；
图2为一个实施例中数据预处理步骤的流程示意图；
图3为一个实施例中数据缺失的示意图；
图4为一个实施例中模型构建的流程示意图；
图5为一个实施例中获取训练样本的流程示意图；
图6为一个实施例中特征提取与归集流程图；
图7为一个实施例中生成特征样本集步骤的流程示意图；
图8为一个实施例中模型训练步骤的流程示意图；
图9为一个实施例中电力系统异常事件快速识别装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种具有智能迁移学习能力的电力系统异常事件快速识别方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
S102，获取待识别异常事件数据，并对待识别异常事件数据进行预处理操作，得到待识别目标数据。
其中，预处理包括对数据的缺失值的处理和对数据进行滤波，目标数据为预处理后时间序列的量测数据。
具体地，在电力系统运行过程中，系统平台获取量测数据，再对量测数据进行处理前进行数据完整度检测并进行初步处理，得到初步处理结果。然后对初步处理结果进行滤波操作，得到待识别目标数据。
S104，对待识别目标数据进行特征提取，得到待识别目标特征。
具体地，根据预设的提取特征对于待识别目标数据进行相应的特征提取，即可得到所需的待识别目标特征，待识别目标特征的数据为
S106，将待识别目标特征输入至预先构建的异常事件识别模型中，得到异常事件预分类结果。
具体地，异常事件识别模型将接收的待识别目标特征与预设的已知异常事件类型的特征进行比较判断，得到初步分类结果，即预分类结果且/>
S108，确定待识别目标特征与异常事件预分类结果的特征相似度向量。
其中，将待识别异常事件与预分类的异常事件之间的特征相似度向量定义为分别为/> 与/>类异常事件的特征相似度。
具体地，通过待识别目标特征与预分类结果的特征数据进行计算，得到待识别异常事件与预分类的异常事件之间的特征相似度，具体计算如下所示：
其中，和/>为/>类异常事件的特征数据集。
S110，将特征相似度向量与预设的相似度阈值向量进行比较，得到异常事件识别结果。
具体地，通过在S108中计算得到的特征相似度与预设的相似度阈值进行比较，并根据预设的判断标准进行结果得到异常事件识别结果，如下所示：
其中，0表示未知异常事件特征与预分类异常事件特征相似，1表示待分类异常事件特征未知。
在比较结果为1时，通过预先构建的异常事件识别模型的启发式判断层再次进行识别判断，具体识别过程如下所示：
其中，在b1+b2+b0＞1的条件下，认为b2，b1，b0中至少有2个为1，即在正序、负序和零序中至少存在两序的待判断异常事件特征数据与预分类结果对应的异常事件特征数据不相似。
上述具有智能迁移学习能力的电力系统异常事件快速识别方法中，通过对待识别异常事件数据进行预处理得到向异常事件模型输入的待识别目标数据，提高待识别目标数据的数据质量，进而提高了后续异常事件识别精准性，通过利用待识别的异常事件的待识别目标特征，即三序(正序、负序和零序)特征提取数据分别预分类的已知异常事件特征进行判断比较，能够降低将模型训练过程中未覆盖的异常事件类型识别为已知异常事件类型的情况，提高了模型识别精确性，避免了待识别异常事件类型的误分类情况的出现。
在一个实施例中，如图2所示，对待识别异常事件数据进行预处理操作，得到待识别目标数据包括：
S202，检查待识别异常事件数据得到数据缺失情况。
其中，数据缺失是由于实际电力系统运行过程中存在通信阻塞、硬件固定等原因导致的。数据缺失包括随时间随机且独立发生的情况和连续缺失情况，具体如图3所示。在图3所示的O1行表示数据缺失随时间随机且独立发生示意图，O2行表示数据连续缺失示意图。
具体地，数据缺失情况包括第一缺失情况、第二缺失情况和第三缺失情况。
S204，基于数据缺失情况进行数据处理，得到第一处理数据。
具体地，当待识别异常事件数据出现第一缺失情况时，将待识别异常事件数据作为第一处理数据。当待识别异常事件数据出现第二缺失情况时，将包含缺失值的待识别异常事件数据删除，将剩余的待识别异常事件数据作为第一处理数据。当待识别异常事件数据出现第三缺失情况时，补全待识别异常事件数据的缺失值，将补全后的待识别异常事件数据作为第一处理数据。
S206，对第一处理数据进行滤波处理，得到待识别目标数据。
电力系统的量测数据在传输、采集和处理过程中，存在被噪声污染的情况。在进行数据特征提取之前对处理后的第一处理数据进行去噪、滤波处理，其中去噪、滤波的方法包括限幅滤波、中位值平均滤波、滑动平均值滤波、递推中位值平均滤波算法。
由于在电力系统实际运行过程中，大比重的噪声干扰为随机噪声，且随机噪声一般服从正态分布或高斯分布。因此需要根据不同情况选择合适的去噪、滤波方法。
本实施例中，通过对待识别异常事件数据进行数据缺失情况检查、数据处理和滤波处理，降低数据缺失情况以及数据噪声对后续异常事件识别的影响。
在一个实施例中，如图4所示，在获取待识别异常事件数据之前，该方法还包括：
S402，获取异常事件样本数据，并对异常事件样本数据进行预处理，得到第一样本数据。
具体地，在电力系统中调取历史异常事件样本数据，再对异常事件样本数据进行处理前进行数据完整度检测并进行初步处理，得到初步处理结果。然后对初步处理结果进行去噪、滤波操作，得到第一样本数据。
S404，对第一样本数据进行特征提取，得到第二样本数据并对第二样本数据进行归类处理，得到目标样本集。
具体地，需要考虑到第一样本数据具有变化的特点，需要对其进行特征提取，根据预设的提取特征得到第二样本数据。然后根据异常事件类型的不同，将第二样本数据进行分类，生成异常事件特征样本集即目标样本集。
S406，根据目标样本集对待训练异常事件识别模型进行训练，生成预先构建的异常事件识别模型。
具体地，获取待训练异常事件识别模型，通过利用生成的异常事件特征样本集即目标样本集进行待训练异常事件识别模型的训练，在训练过程中不断对待训练异常事件识别模型的模型参数进行调整，以生成避免将待识别异常事件类型判断为已知异常事件类型的预先构建的异常事件识别模型。
在本实施例中，通过对异常事件数据进行预处理得到用于异常事件模型训练的第一样本数据，提高了第一样本数据的数据质量。结合基于特征提取的第二样本数据提高了后续异常事件识别精准性，避免了待识别异常事件类型的误分类情况的出现。
在一个实施例中，如图5所示，对第一样本数据进行特征提取，得到第二样本数据，包括：
S502，基于提取指标进行时序数据特征提取，得到样本提取特征。
其中，提取指标根据时间序列数据特征值确定。时间序列数据特征值可以分为有量纲特征值和无量纲特征值，有量纲特征值包括最大值、最小值、峰峰值、均值、方差、均方值、均方根值、总变化量等，无量纲特征值包括峰值因子、脉冲因子、裕度因子、峭度因子、波形因子、自相关性、近似熵和偏度等。
具体地，在确定提取指标的时候，需要遵循选取原则，如时间序列特征指标的区分度明显及避免时间序列特征指标的区分度效果相似。基于上述原则，确定了6种提取指标，如下表1所示：
表1
| 提取指标 | 所提取的特征 |
| 峭度因子 | 异常事件波形的平缓程度 |
| 时序总变化量 | 异常事件量的变化幅度 |
| c3系数 | 异常事件波形的非线性程度 |
| FFT频谱中心 | 异常事件波形的频域分布 |
| 功率谱密度 | 不同频率下的功率谱密度 |
| 标准差 | 异常事件波形的分布情况 |
上表1中所提取的特征为样本提取特征。
S504，基于样本提取特征对第一样本数据进行特征提取，得到第二样本数据。
具体地，基于样本提取特征分别对异常事件的三序电压时间序列数据进行特征提取，得到三序电压时间序列数据的高维数据，将高维数据降维为6维异常事件特征，6维异常事件特征具体为s＝{K，Cabs，C3，CFFT，Sxx(m)，σ}即目标特征数据。
进一步地，对S504中得到的6维异常事件特征进行归类处理，生成异常事件特征样本集，即目标样本集。
对于特征提取和归类流程，如图6所示，将处理后的目标数据即图5中高维时间序列数据进行特征提取，基于峭度因子、时序总变化量、c3系数、FFT频谱中心、功率谱密度和标准差以及标签将目标数据进行划分。
本实施例中，通过选择合适的提取指标进而提取合适的特征，通过不同区分度的特征可以从不同角度衡量目标数据，不同角度的衡量可以优化特征提取的结果，也为后续的异常事件识别的精确性提供优异的数据。
在一个实施例中，如图7所示，对第二样本数据进行归类处理，得到目标样本集，包括：
S702，对第二样本数据进行归类处理，生成对应异常事件类型的特征样本子集。
具体地，将已知异常事件分成M类，并根据异常数据类型对第二样本数据进行划分，得到M类异常事件的子集即特征样本子集。且特征样本子集由三序异常事件特征数据集构成。其中，三序异常事件特征数据集包括
S704，将所有异常事件类型的特征样本子集均划分为训练集、验证集和测试集。
具体地，将M类特征样本子集划分为训练集、验证集和测试集，训练集、验证集和测试集的划分比例分别为60％、20％和20％。训练集可以表示为其中/>验证集可以表示为/>其中/>测试集可以表示为/>其中/>训练集、验证集和测试集均由M类异常事件数据的子集构成。
本实施例中，将目标样本集进行按比例划分，即将已知异常事件的历史数据划分为训练集、验证集和测试集，为后续对异常事件识别模型的构建提供数据支持。由于训练集、验证集和测试集均为已知异常事件的历史数据，能够让基于训练集、验证集和测试集构建的异常事件识别模型识别结果更加精准。
在一个实施例中，如图8所示，根据目标样本集对待训练异常事件识别模型进行训练，生成预先构建的异常事件识别模型，包括：
S802，利用目标样本集对待训练异常事件识别模型进行训练，得到交叉熵损失。
具体地，在模型构建时采用交叉熵损失函数作为模型的损失函数，真实的概率分布与预测的概率分布的差异程度，可以作为训练后模型调整的依据，具体表达式为：
其中，Dtrain表示用于深度神经网络的训练集，ND表示Dtrain所含的数据总数，M为类别的数量，yi，c表示标签的符号函数。
对于yi，c而言，当样本i的真实标签labeli为类别c时取1，否则为0，其表达式为：
其中，pi，c表示观测样本i属于类别c的概率预测值，即神经网络的输出向量中的第i个元素。
在定义损失函数lossCE之后，模仿学习的训练目标可以表示为：
其中θ为深度神经网络所有可训练的参数。
S804，根据交叉熵损失对待训练异常事件识别模型的模型参数进行更新，得到预先构建的异常事件识别模型。
具体地，在模型训练时，根据S702中模型内参数与交叉熵损失之间的关系，进行模型的更新，直至完成训练，即可得到预先构建的异常时间识别模型。
本实施例中，通过利用已知异常事件的历史数据进行异常事件识别模型的训练以及调整，得到可以对未知异常事件精确识别的预先构建的异常事件识别模型，为电力系统的安全性和决策提供更佳优异的支持。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的具有智能迁移学习能力的电力系统异常事件快速识别方法的具有智能迁移学习能力的电力系统异常事件快速识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电力系统异常事件快速识别装置实施例中的具体限定可以参见上文中对于一种具有智能迁移学习能力的电力系统异常事件快速识别方法的限定，在此不再赘述。
在一个实施例中，如图9所示，提供了一种具有智能迁移学习能力的电力系统异常事件快速识别装置，包括预处理模块902、特征提取模块904、分类模块906、相似度计算模块908和分析模块910：
预处理模块902，用于获取待识别异常事件数据，并对待识别异常事件数据进行预处理操作，得到待识别目标数据。
特征提取模块904，用于对待识别目标数据进行特征提取，得到待识别目标特征。
分类模块906，用于将待识别目标特征输入至预先构建的异常事件识别模型中，得到异常事件预分类结果。
相似度计算模块908，用于确定待识别目标特征与异常事件预分类结果的特征相似度向量。
分析模块910，用于将特征相似度向量与预设的相似度阈值向量进行比较，得到异常事件识别结果。
在一个实施例中，预处理模块902，还包括滤波模块，用于检查待识别异常事件数据得到数据缺失情况；基于数据缺失情况进行数据处理，得到第一处理数据；对第一处理数据进行滤波处理，得到待识别目标数据。
在一个实施例中，数据缺失情况包括第一缺失情况、第二缺失情况和第三缺失情况；该装置还包括：
数据调用模块，用于在待识别异常事件数据出现第一缺失情况时，将待识别异常事件数据作为第一处理数据。
数据删除模块，用于在待识别异常事件数据出现第二缺失情况时，将包含缺失值的待识别异常事件数据删除。
数据补全模块，用于在待识别异常事件数据出现第三缺失情况时，补全待识别异常事件数据的缺失值。
在一个实施例中，该装置还包括：
去噪模块，用于获取异常事件样本数据，并对异常事件样本数据进行预处理，得到第一样本数据。
归集模块，用于对第一样本数据进行特征提取，得到第二样本数据并对第二样本数据进行归类处理，得到目标样本集。
训练模块，用于根据目标样本集对待训练异常事件识别模型进行训练，生成预先构建的异常事件识别模型。
在一个实施例中，归集模块还用于基于提取指标进行时序数据特征提取，得到样本提取特征；基于样本提取特征对第一样本数据进行特征提取，得到第二样本数据。
在一个实施例中，归集模块还用于对第二样本数据进行归类处理，生成对应异常事件类型的特征样本子集；将所有异常事件类型的特征样本子集均划分为训练集、验证集和测试集。
在一个实施例中，训练模块还包括：
模型测试模块，用于利用目标样本集对待训练异常事件识别模型进行训练，得到交叉熵损失。
参数更新模块，用于根据交叉熵损失对待训练异常事件识别模型的模型参数进行更新，得到预先构建的异常事件识别模型。
上述电力系统异常事件快速识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储异常事件数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电力系统异常事件识别方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种具有智能迁移学习能力的电力系统异常事件快速识别方法，其特征在于，所述方法包括：
获取待识别异常事件数据，并对所述待识别异常事件数据进行预处理操作，得到待识别目标数据，包括：检查所述待识别异常事件数据得到数据缺失情况；基于所述数据缺失情况进行数据处理，得到第一处理数据；对所述第一处理数据进行滤波处理，得到待识别目标数据；其中，在所述待识别异常事件数据出现第一缺失情况时，将待识别异常事件数据作为第一处理数据；在所述待识别异常事件数据出现第二缺失情况时，将包含缺失值的所述待识别异常事件数据删除；在所述待识别异常事件数据出现第三缺失情况时，补全所述待识别异常事件数据的缺失值；
根据预设的提取特征对所述待识别目标数据进行特征提取，得到待识别目标特征；其中，预设的提取特征的提取指标根据时间序列数据特征值确定，且所述时间序列数值特征值对应特征指标的区分度明显；
将所述待识别目标特征输入至预先构建的异常事件识别模型中，得到异常事件预分类结果；
确定所述待识别目标特征与所述异常事件预分类结果的特征相似度向量；
将所述特征相似度向量与预设的相似度阈值向量进行比较，得到异常事件识别结果；其中，所述将所述特征相似度向量与预设的相似度阈值向量进行比较，得到异常事件识别结果，包括：将特征相似度与预设的相似度阈值进行比较，得到比较结果；预设的判断标准中根据预设的判断标准对比较结果进行识别判断，得到异常事件识别结果；未知异常事件的判断标准为在正序、负序和零序中至少存在两序的待识别目标特征与异常事件预分类结果的特征不相似；
通过待识别目标特征与预分类结果的特征数据进行计算，得到待识别异常事件与预分类的异常事件之间的特征相似度，具体计算如下所示：
其中，和/>为/>类异常事件的特征数据集，/> 为待识别目标特征的数据，/>分别为/> 与/>类异常事件的特征相似度的特征相似度向量；通过计算得到的特征相似度与预设的相似度阈值进行比较，并根据预设的判断标准进行结果得到异常事件识别结果，如下所示：
其中，0表示未知异常事件特征与预分类异常事件特征相似，1表示待分类异常事件特征未知；
在比较结果为1时，通过预先构建的异常事件识别模型的启发式判断层再次进行识别判断，具体识别过程如下所示：
其中，在b1+b2+b0＞1的条件下，认为b2，b1，b0中至少有2个为1，即在正序、负序和零序中至少存在两序的待判断异常事件特征数据与预分类结果对应的异常事件特征数据不相似。
2.根据权利要求1所述的方法，其特征在于，在所述获取待识别异常事件数据之前，所述方法还包括：
获取异常事件样本数据，并对所述异常事件样本数据进行预处理，得到第一样本数据；
对所述第一样本数据进行特征提取，得到第二样本数据并对所述第二样本数据进行归类处理，得到目标样本集；
根据所述目标样本集对待训练异常事件识别模型进行训练，生成预先构建的异常事件识别模型。
3.根据权利要求2所述的方法，其特征在于，所述对所述第一样本数据进行特征提取，得到第二样本数据，包括：
基于提取指标进行时序数据特征提取，得到样本提取特征；
基于所述样本提取特征对所述第一样本数据进行特征提取，得到第二样本数据。
4.根据权利要求2所述的方法，其特征在于，所述对所述第二样本数据进行归类处理，得到目标样本集，包括：
对所述第二样本数据进行归类处理，生成对应异常事件类型的特征样本子集；
将所有异常事件类型的特征样本子集均划分为训练集、验证集和测试集。
5.根据权利要求2所述的方法，其特征在于，所述根据所述目标样本集对待训练异常事件识别模型进行训练，生成预先构建的异常事件识别模型，包括：
利用目标样本集对待训练异常事件识别模型进行训练，得到交叉熵损失；
根据所述交叉熵损失对所述待训练异常事件识别模型的模型参数进行更新，得到预先构建的异常事件识别模型。
6.一种具有智能迁移学习能力的电力系统异常事件快速识别装置，其特征在于，所述装置包括：
预处理模块，用于获取待识别异常事件数据，并对所述待识别异常事件数据进行预处理操作，得到待识别目标数据，包括：检查所述待识别异常事件数据得到数据缺失情况；基于所述数据缺失情况进行数据处理，得到第一处理数据；对所述第一处理数据进行滤波处理，得到待识别目标数据；其中，在所述待识别异常事件数据出现第一缺失情况时，将待识别异常事件数据作为第一处理数据；在所述待识别异常事件数据出现第二缺失情况时，将包含缺失值的所述待识别异常事件数据删除；在所述待识别异常事件数据出现第三缺失情况时，补全所述待识别异常事件数据的缺失值；
特征提取模块，用于对所述待识别目标数据进行特征提取，得到待识别目标特征；
分类模块，用于将所述待识别目标特征输入至预先构建的异常事件识别模型中，得到异常事件预分类结果；
相似度计算模块，用于确定所述待识别目标特征与异常事件预分类结果的特征相似度向量；
分析模块，用于将所述特征相似度向量与预设的相似度阈值向量进行比较，得到异常事件识别结果；还用于将特征相似度与预设的相似度阈值进行比较，得到比较结果；预设的判断标准中根据预设的判断标准对比较结果进行识别判断，得到异常事件识别结果；未知异常事件的判断标准为在正序、负序和零序中至少存在两序的待识别目标特征与异常事件预分类结果的特征不相似；还用于通过待识别目标特征与预分类结果的特征数据进行计算，得到待识别异常事件与预分类的异常事件之间的特征相似度，具体计算如下所示：
其中，和/>为/>类异常事件的特征数据集，/> 为待识别目标特征的数据，/>分别为/> 与/>类异常事件的特征相似度的特征相似度向量；通过计算得到的特征相似度与预设的相似度阈值进行比较，并根据预设的判断标准进行结果得到异常事件识别结果，如下所示：
其中，0表示未知异常事件特征与预分类异常事件特征相似，1表示待分类异常事件特征未知；
在比较结果为1时，通过预先构建的异常事件识别模型的启发式判断层再次进行识别判断，具体识别过程如下所示：
其中，在b1+b2+b0＞1的条件下，认为b2，b1，b0中至少有2个为1，即在正序、负序和零序中至少存在两序的待判断异常事件特征数据与预分类结果对应的异常事件特征数据不相似。
7.根据权利要求6所述的装置，其特征在于，所述预处理模块还包括滤波模块，用于检查待识别异常事件数据得到数据缺失情况；基于数据缺失情况进行数据处理，得到第一处理数据；对第一处理数据进行滤波处理，得到待识别目标数据。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
数据调用模块，用于在待识别异常事件数据出现第一缺失情况时，将待识别异常事件数据作为第一处理数据；
数据删除模块，用于在待识别异常事件数据出现第二缺失情况时，将包含缺失值的待识别异常事件数据删除；
数据补全模块，用于在待识别异常事件数据出现第三缺失情况时，补全待识别异常事件数据的缺失值。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310451657.9A CN116167010B (zh) | 2023-04-25 | 2023-04-25 | 具有智能迁移学习能力的电力系统异常事件快速识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310451657.9A CN116167010B (zh) | 2023-04-25 | 2023-04-25 | 具有智能迁移学习能力的电力系统异常事件快速识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116167010A CN116167010A (zh) | 2023-05-26 |
| CN116167010B true CN116167010B (zh) | 2023-12-08 |
Family
ID=86416731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310451657.9A Active CN116167010B (zh) | 2023-04-25 | 2023-04-25 | 具有智能迁移学习能力的电力系统异常事件快速识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116167010B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116821898A (zh) * | 2023-06-30 | 2023-09-29 | 北京火山引擎科技有限公司 | 容器环境的入侵检测方法、设备及存储介质 |
| CN116909433A (zh) * | 2023-09-12 | 2023-10-20 | 宁波普瑞均胜汽车电子有限公司 | 触摸事件检测方法、装置、系统及计算机设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304882A (zh) * | 2018-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 一种图像分类方法、装置及服务器、用户终端、存储介质 |
| CN110108980A (zh) * | 2019-04-29 | 2019-08-09 | 国网宁夏电力有限公司电力科学研究院 | 一种电力系统的异常事件的识别方法及装置 |
| CN111291131A (zh) * | 2019-12-25 | 2020-06-16 | 东软集团股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
| CN112926654A (zh) * | 2021-02-25 | 2021-06-08 | 平安银行股份有限公司 | 预标注模型训练、证件预标注方法、装置、设备及介质 |
| CN113627406A (zh) * | 2021-10-12 | 2021-11-09 | 南方电网数字电网研究院有限公司 | 异常行为检测方法、装置、计算机设备和存储介质 |
| CN114862488A (zh) * | 2021-02-04 | 2022-08-05 | 腾讯科技（深圳）有限公司 | 一种资源消耗异常对象的识别方法以及相关装置 |
| CN115277113A (zh) * | 2022-07-06 | 2022-11-01 | 国网山西省电力公司信息通信分公司 | 一种基于集成学习的电网网络入侵事件检测识别方法 |
| CN115545103A (zh) * | 2022-09-30 | 2022-12-30 | 上海浦东发展银行股份有限公司 | 异常数据识别、标签识别方法和异常数据识别装置 |
| CN115792700A (zh) * | 2021-09-08 | 2023-03-14 | 中车株洲电力机车研究所有限公司 | 牵引电机匝间短路故障检测方法以及相关设备 |
| CN115935344A (zh) * | 2022-12-26 | 2023-04-07 | 北京奇艺世纪科技有限公司 | 一种异常设备的识别方法、装置及电子设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11448671B2 (en) * | 2019-09-24 | 2022-09-20 | General Electric Company | Signature identification for power system events |
| CN110780146B (zh) * | 2019-12-10 | 2021-04-27 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
| US11765501B2 (en) * | 2021-03-10 | 2023-09-19 | Honeywell International Inc. | Video surveillance system with audio analytics adapted to a particular environment to aid in identifying abnormal events in the particular environment |
-
2023
- 2023-04-25 CN CN202310451657.9A patent/CN116167010B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304882A (zh) * | 2018-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 一种图像分类方法、装置及服务器、用户终端、存储介质 |
| CN110108980A (zh) * | 2019-04-29 | 2019-08-09 | 国网宁夏电力有限公司电力科学研究院 | 一种电力系统的异常事件的识别方法及装置 |
| CN111291131A (zh) * | 2019-12-25 | 2020-06-16 | 东软集团股份有限公司 | 数据处理方法、装置、存储介质及电子设备 |
| CN114862488A (zh) * | 2021-02-04 | 2022-08-05 | 腾讯科技（深圳）有限公司 | 一种资源消耗异常对象的识别方法以及相关装置 |
| CN112926654A (zh) * | 2021-02-25 | 2021-06-08 | 平安银行股份有限公司 | 预标注模型训练、证件预标注方法、装置、设备及介质 |
| CN115792700A (zh) * | 2021-09-08 | 2023-03-14 | 中车株洲电力机车研究所有限公司 | 牵引电机匝间短路故障检测方法以及相关设备 |
| CN113627406A (zh) * | 2021-10-12 | 2021-11-09 | 南方电网数字电网研究院有限公司 | 异常行为检测方法、装置、计算机设备和存储介质 |
| CN115277113A (zh) * | 2022-07-06 | 2022-11-01 | 国网山西省电力公司信息通信分公司 | 一种基于集成学习的电网网络入侵事件检测识别方法 |
| CN115545103A (zh) * | 2022-09-30 | 2022-12-30 | 上海浦东发展银行股份有限公司 | 异常数据识别、标签识别方法和异常数据识别装置 |
| CN115935344A (zh) * | 2022-12-26 | 2023-04-07 | 北京奇艺世纪科技有限公司 | 一种异常设备的识别方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116167010A (zh) | 2023-05-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
| CN110766059A (zh) | 一种变压器故障的预测方法、装置和设备 | |
| CN110161388B (zh) | 一种高压设备的故障类型识别方法及其系统 | |
| CN109188211B (zh) | 一种高压设备绝缘故障诊断方法和系统 | |
| CN109446804B (zh) | 一种基于多尺度特征连接卷积神经网络的入侵检测方法 | |
| CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
| CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
| CN115580445A (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
| CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
| CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
| CN111786999B (zh) | 一种入侵行为的检测方法、装置、设备和存储介质 | |
| CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
| CN115047262A (zh) | 基于电能质量数据的设备异常状态通用识别方法 | |
| CN111209567B (zh) | 提高检测模型鲁棒性的可知性判断方法及装置 | |
| CN111597934A (zh) | 用于为统计应用处理训练数据的系统和方法 | |
| CN114239750A (zh) | 告警数据处理方法、装置、存储介质和设备 | |
| CN113255927A (zh) | 逻辑回归模型训练方法、装置、计算机设备和存储介质 | |
| CN111625672B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN113435915B (zh) | 用户窃电行为检测方法、装置、设备及存储介质 | |
| CN115186772B (zh) | 一种电力设备的局部放电的检测方法、装置及设备 | |
| CN116912920B (zh) | 表情识别方法及装置 | |
| CN117372161A (zh) | 金融设备评估模型构建方法、金融设备评估方法和装置 | |
| CN117135663A (zh) | 基站节能指标数据的异常识别方法、装置、计算机设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |