CN117034149A - 故障处理策略确定方法、装置、电子设备和存储介质 - Google Patents
故障处理策略确定方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117034149A CN117034149A CN202311030050.XA CN202311030050A CN117034149A CN 117034149 A CN117034149 A CN 117034149A CN 202311030050 A CN202311030050 A CN 202311030050A CN 117034149 A CN117034149 A CN 117034149A
- Authority
- CN
- China
- Prior art keywords
- fault
- information
- determining
- classification
- attribute
- 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 64
- 238000012545 processing Methods 0.000 title claims abstract description 52
- 238000003066 decision tree Methods 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003012 network analysis Methods 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 description 14
- 238000005070 sampling Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 241000272814 Anser sp. Species 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明实施例公开了一种故障处理策略确定方法、装置、电子设备和存储介质，涉及智能电网技术领域。具体实现方案为：获取智能电网的故障信息，并根据预设故障决策树确定故障信息归属的故障分类；按照故障分类内故障信息的属性信息确定故障等级；根据故障等级确定故障处理策略。本发明实施例依据预设故障决策树对故障信息划分故障分类，针对不同故障分类确定处理故障信息的相应故障处理策略，可实现故障信息与故障处理策略的快速匹配，提高故障处理方案确定的准确程度，可减少故障识别时间。
Description
技术领域
本发明涉及智能电网技术领域，尤其涉及一种故障处理策略确定方法、装置、电子设备和存储介质。
背景技术
随着智能变电站的推广普及，站内设备之间的物理回路变成了一种逻辑层面的连接关系，信息传输方式变为隐蔽传输，智能站二次回路故障报警数据主要通过综合自动化系统的报警信息以及网络分析装置的监测信息的获得。
目前二次回路的故障还是依赖工作人员的工作经验以及相应的专业设备，当有故障信息进来时，根据经验大体定位故障位置，再在故障位置上下游具体寻找。
然而，现有的解决方案，严重依赖工作人员，增加了工作量，且难以实现故障的精确分类，使得故障不能与故障处理策略快速匹配，增加了故障处理时间。
发明内容
本发明实施例提供了一种故障处理策略确定方法、装置、电子设备和存储介质，以实现故障信息与故障处理策略的快速匹配，提高故障处理方案确定的准确程度，可减少故障识别时间。
第一方面，本发明实施例提供了一种故障处理策略确定方法，包括：
获取智能电网的故障信息，并根据预设故障决策树确定故障信息归属的故障分类；
按照故障分类内故障信息的属性信息确定故障等级；
根据故障等级确定故障处理策略。
第二方面，本发明实施例还提供了一种智能电网故障处理策略确定装置，包括：
故障分类模块，用于获取智能电网的故障信息，并根据预设故障决策树确定故障信息归属的故障分类；
等级确定模块，用于按照故障分类内故障信息的属性信息确定故障等级；
策略确定模块，用于根据故障等级确定故障处理策略。
第三方面，本发明实施例还提供了一种电子设备，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计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明实施例中任一项的智能电网故障处理策略确定方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明实施例中任一项的智能电网故障处理策略确定方法。
根据本发明实施例的技术方案，依据预设故障决策树对获取的故障信息进行故障分类，根据故障分类中故障信息的属性信息判定该故障信息所属的故障等级，针对不同故障等级确定处理故障信息的相应故障处理策略，实现了故障信息与故障处理策略的快速匹配，提高了故障处理方案确定的准确程度，减少了故障识别时间。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为根据本发明实施例一提供的一种故障处理策略确定方法的流程图；
图2为根据本发明实施例二提供的另一种故障处理策略确定方法的流程图；
图3为根据本发明实施例三提供的另一种故障处理策略确定方法的流程图；
图4为根据本发明实施例四提供的另一种故障处理策略确定方法的流程图；
图5为根据本发明实施例五提供的一种智能电网故障处理策略确定装置的结构示意图；
图6为根据本发明实施例六提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种故障处理策略确定方法的流程图，本实施例可适用于对智能电网的故障信息进行分析、识别的情况，该方法可以由智能电网故障处理策略确定装置来执行，该智能电网故障处理策略确定装置可以采用硬件和/或软件的形式实现，该智能电网故障处理策略确定装置可配置于电子设备中，该电子设备可以包括笔记本、台式计算机、智能平板等，本发明实施例对此不进行限制。
如图1所示，本实施例提供的一种故障处理策略确定方法可以包括：
S110、获取智能电网的故障信息，并根据预设故障决策树确定故障信息归属的故障分类。
本实施例中，故障信息可以理解为智能电网中设备出现问题/错误时产生的故障数据，示例性的，获取综合自动化系统的报警信息：智能装置的异常报警信号、断路器的监测报警信号以及电源系统的报警信号，网络分析装置记录的SV采样报文和GOOSE通信报文，智能装置报警信号：数据采样异常、装置自检异常、电源失电故障等。
预设故障决策树可以理解为，根据实际情况预先设置的一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种故障类别。预设故障决策树可以理解为是用于对故障信息进行具体分类的方法；故障分类可以包括不同的故障类别，示例性的，数据采样异常、装置自检异常、电源失电故障等。
具体的，当智能电网出现故障时，可以采集故障信息，可以包括智能装置的异常报警信号、断路器的监测报警信号以及电源系统的报警信号，网络分析装置记录的SV采样报文和GOOSE通信报文，智能装置报警信号：数据采样异常、装置自检异常、电源失电故障等，采用预设故障决策树对故障信息进行分类，从根节点开始，依次分类，划分到更小的分区，直到到达叶子节点为止，确定采集的故障信息的具体类别。
S120、按照故障分类内故障信息的属性信息确定故障等级。
本实施例中，故障信息的属性信息为故障信息中的属性参数的分布/数量等信息；故障等级为根据实际情况预先设置的，代表了出现的故障的严重程度，示例性的，当故障信息分析后得到结果为会对智能电网产生重大影响，影响智能电网正常的使用、运行，则故障等级高；当故障信息分析后得到结果仅为影响一个装置的功能，但不对正常的使用、运行产生影响，则故障等级较低。
具体的，当出现故障时，可以分析故障分类中属性参数的信息，统计各属性信息内故障装置、故障内容以及故障原因的分布情况，分析故障的严重程度，再根据预先设定的故障等级，确定故障的等级。
S130、根据故障等级确定故障处理策略。
本实施例中，故障处理策略为根据实际情况预先设置的，针对不同的故障等级设定的应对不同等级故障的处理方法。
具体的，当出现故障时，可以通过故障的严重程度，是否需要运维人员立即处理来确定的故障所处的故障等级，找到与故障等级相对应的、预先设定好的故障处理策略。
根据本发明实施例提供的技术方案，通过当智能电网出现故障后，采集故障信息，并根据预设故障决策树确定故障信息的故障分类，分析故障分类中故障信息的属性信息来确定故障等级，根据确定的故障等级来确定故障处理策略，实现了故障信息与故障处理策略的快速匹配，提高了故障处理方案确定的准确程度，减少了故障识别时间。
在上述实施例基础上，获取智能电网的故障信息，包括：
采集智能电网内智能装置、断路器以及电源系统的故障报警信息作为故障信息；
提取智能电网的网络分析装置记录的网络异常报文作为故障信息。
本实施例中，断路器是指能够关合、承载和开断正常回路条件下的电流并能在规定的时间内关合、承载和开断异常回路条件下的电流的开关装置；故障报警信息为出现故障时，发出的报警信号；网络分析装置是一种应用于智能变电站中，具有网络报文记录、网络事件在线、离线分析和信息上传功能的设备，由一台或多台网络记录分析单元和一台装有功能集成的人机界面软件的管理机组成；网络异常报文为包含网络异常信息的，在网络中交换与传输的数据单元，即站点一次性要发送的数据块，包含了将要发送的完整的数据信息，其长短很不一致，长度不限且可变。
具体的，可以采集当电流在回路条件下不能正常关合、承载和开断时发出的报警信息、电源不能正常开关时发出的报警信息以及网络分析装置在不能正常记录、通讯时给出的网络异常报文，可以包括SV采样报文、GOOSE通信报文以及MMS通信报文作为故障信息；故障信息的获取可以以智能设备的一次开启和关闭作为一个周期进行采集。
在上述实施例基础上，确定故障信息缺失至少一项属性参数时，确定其他故障信息内与各属性参数具有相同类别的目标属性参数，并将各目标属性参数的平均值作为故障信息内对应缺失的属性参数。
本实施例中，属性参数为故障信息中包含的各个具体信息，可以包括出现故障的具体设备、故障信息内容和故障产生的原因等信息；目标属性参数为在其他故障信息内与缺失的属性参数是相同类型的目标参数，示例性的，缺失的参数为故障原因，则目标属性参数为其他故障信息中的故障原因这一参数。
具体的，当故障信息中缺失至少一项属性参数时，可以找到其他故障信息中与缺失的属性参数为同一类型的属性参数，作为目标属性参数，可以将找到的所有目标属性参数的平均值作为故障信息内对应缺失的属性参数，计算如下：
式中，n代表缺失值所在序列的长度；x1,x2,…,xn代表除缺失值外序列中所有数值；xi代表缺失数据。
在上述实施例基础上，根据故障等级确定故障处理策略，包括：
在故障等级为第一故障等级时，确定故障处理策略包括生成故障立即通知消息以及传输故障立即通知消息至运维人员；
在故障等级为第二故障等级时，确定故障处理策略包括确定故障处理时限，并在故障处理时限内确定完成故障处理。
本实施例中，第一故障等级为情况最为严重的故障等级，会影响正常运行且造成重大损失，需要立刻对故障进行处理，第二故障等级为情况较为严重的故障等级，不对正常的使用、运行产生影响，需要再规定时间内处理故障。
具体的，当在故障等级为第一故障等级时，可以认为该故障会影响正常运行且造成重大损失，需要运维人员立刻对故障进行处理，找到第一故障等级对应的故障处理策略，将立即生产第一故障等级通知消息，立刻通知运维人员故障产生及传输对应的故障信息；当在故障等级为第二故障等级时，可以理解故障信息影响一个装置的功能，但不对正常的使用、运行产生影响，需要运维人员在规定期限内处理故障，确定故障对应的第二故障等级的故障处理策略，可以规定一个故障处理时限，运维人员且需在时限内完成；当故障为一个设备因老化/损坏出现的问题时，可以将故障信息传输给运维人员，在每次设备使用时提醒运维人员及早更换设备。
实施例二
图2为本发明实施例二提供的另一种故障处理策略确定方法的流程图，本实施例在上述各实施例的基础上，提供了一种根据预设故障决策树确定故障信息归属的故障分类方法的一个实施方式。
如图2所示，本实施例提供的另一种故障处理策略确定方法可以包括：
S210、获取智能电网的故障信息。
S220、判断是否存在故障信息归属的故障分类，其中，各故障分类分别对应一个初始根节点。
本实施例中，初始根节点为预设故障决策树中有且只有一个的组成部分，存放了与预设故障决策树具有相同类别的故障信息。
具体的，当出现故障时，可以分析获取的故障信息是否可以归属到已存在的故障分类，判断故障信息与预设故障决策树的初始根节点是否具有相同的类别。
S230、若存在，则确定故障信息内每个属性参数分别对应的信息增益，并将各信息增益中的最大信息增益的属性参数作为故障信息在故障分类内的分类属性，将故障信息作为树叶节点添加到归属的初始根节点的分类属性对应的子分支。
本实施例中，信息增益为在一个条件下，信息复杂度(不确定性)减少的程度，信息增益最大代表信息复杂度(不确定性)减少的程度最大，计算如下所示：
G(X,A)＝I(X)-I(X∣A)
式中，G(X,A)代表信息增益；I(X)代表信息熵；I(X∣A)代表条件熵；Sk代表集合X中属于第k类样本的样本子集；Xi代表X中属性A取第i个值的样本子集；Xik表示Xi中属于第k类的样本子集。
具体的，可以计算故障信息内每个属性参数分别对应的信息增益，选取信息增益最大的属性参数作为故障信息在故障分类内的分类属性，找到已有的故障信息所对应的故障分类，与信息增益最大的属性参数对应的子分支，并将故障信息作为树叶节点添加上去。
示例性的，一个故障信息属于装置自检异常的故障分类，且装置自检异常的故障分类已存在，且在故障信息中属性参数故障报警信息的信息增益最大，就将该故障信息作为树叶节点添加到装置自检异常的故障分类中故障报警信息对应的分支上。
S240、若不存在，则创建新的故障分类，将故障信息作为新的故障分类的初始根节点，并按照故障信息的每个属性参数分别新建一个子分支。
具体的，如果故障信息的故障分类不是现有故障分类，则可以创建新的故障分类，并针对该故障分类创建对应的新的故障决策树，并将上述故障信息作为新的故障分类的初始根节点，将故障信息的每个属性参数，都分别作为创建的初始根节的子分支。
S250、按照故障分类内故障信息的属性信息确定故障等级。
S260、根据故障等级确定故障处理策略。
根据本发明实施例提供的技术方案，通过对故障信息对应分类是否存在进行判定，当故障分类存在时，确定故障信息内每个属性参数分别对应的信息增益，并将各信息增益中的最大信息增益的属性参数作为故障信息在故障分类内的分类属性，将故障信息作为树叶节点添加到归属的初始根节点的分类属性对应的子分支；当故障分类不存在时，则创建新的故障分类，将故障信息作为新的故障分类的初始根节点，并按照故障信息的每个属性参数分别新建一个子分支，避免了依赖工作人员的工作经验来对故障信息进行分类、识别，提高了故障信息分类识别的准确性，实现了故障信息的快速分类及故障信息与故障处理策略的快速匹配，减少了故障信息识别时间。
在上述实施例基础上，存在故障信息的最大信息增益的取值大于或等于预设阈值时，则创建新的故障分类，将故障信息作为新的故障分类的初始根节点，并按照故障信息的每个属性参数分别新建一个子分支。
本实施例中，预设阈值为根据实际情况预先设置的一个信息增益数值，用于判断故障信息的最大信息增益是否达到创建新的故障分类的条件。
具体的，故障信息中属性参数的最大信息增益大于或等于预先设定的阈值时，可以理解为故障信息与该分类的类别差距较大，可以理解为属于不同的类别，可以创建该类别的故障分类，也就是创建新的故障决策树，并将故障信息作为新的故障分类的初始根节点，将故障信息的每个属性参数都分别作为创建的初始根节的子分支。
实施例三
图3为本发明实施例三提供的另一种故障处理策略确定方法的流程图，本实施例在上述各实施例的基础上，提供了一种按照故障分类内故障信息的属性信息确定故障等级方法的一个实施方式。
如图3所示，本实施例提供的另一种故障处理策略确定方法可以包括：
S310、获取智能电网的故障信息，并根据预设故障决策树确定故障信息归属的故障分类。
S320、在故障分类内提取预设数量的故障信息。
本实施例中，预设数量的故障信息为根据实际情况预先设置的一定数量的故障信息，故障信息可以包括出现故障的具体设备、故障信息内容和故障产生的原因等信息，具体形式如下：
N＝(n1,n2,n3)
式中：n1表示故障的具体装置；n2表示故障报警信息；n3表示故障原因。
具体的，可以根据预先设定的提取故障信息的数量，在故障分类中提取对应数量的故障信息，可以包括智能装置的异常报警信号、断路器的监测报警信号以及电源系统的报警信号，网络分析装置记录的SV采样报文和GOOSE通信报文，智能装置报警信号：数据采样异常、装置自检异常、电源失电故障等。
S330、统计各故障信息的属性信息内故障装置、故障内容以及故障原因的分布情况。
具体的，可以分别统计提取的故障信息中的属性参数信息，可以统计故障装置、故障内容以及故障原因各个属性参数的分布情况。
S340、将预设配置文件内分布情况匹配的故障等级参数作为属性信息的故障等级。
本实施例中，预设配置文件为根据实际情况预先设置的规定不同故障等级如何划分的文件，其中根据故障信息中不同属性参数分布情况，来对故障等级进行匹配。具体的，可以根据故障信息中故障装置、故障内容以及故障原因各个属性参数的分布情况，分析故障的严重程度，找到对应的预设配置文件中与分布情况相对应的故障等级参数作为故障信息的故障等级。
S350、根据故障等级确定故障处理策略。
根据本发明实施例提供的技术方案，通过按照故障分类内故障信息的属性信息确定故障等级，统计故障信息的属性参数信息，也就是统计故障装置、故障内容以及故障原因各个属性参数的分布情况，再根据预设配置文件找到对应的故障等级，实现了故障特征信息与故障等级的快速匹配，减少了故障信息等级的确定时间，提高了故障处理策略确定时间。
实施例四
图4为本发明实施例四提供的另一种故障处理策略确定方法的流程图，本实施例在上述各实施例的基础上，提供了一种验证根据预设故障决策树确定故障信息归属的故障分类正确率的一个实施方式。
如图4所示，本实施例提供的另一种故障处理策略确定方法可以包括：
S410、获取故障信息，构建故障信息数据库。
具体的，可以获取综合自动化系统的主要报警信息、智能站配置网络分析装置记录的报文及智能装置报警信号构建故障信息数据库。
S420、基于决策树进行故障信息分类。
具体的，可以根据决策树的逐步构建，将故障信息数据集递归地分为较小的分区。每次划分得到的各分区中，各元组相较划分前更趋于同一种类。根结点存放了所有故障信息数据，并不断对现有结点进行分类递归，从而将其划分为更多结点，完成故障信息的分类。
S430、D-S证据理论验证故障信息分类的正确率和精确性。
本实施例中，D-S证据理论的原理是在建立原有证据体的可信度分配函数基础上，通过融合规则降低所有证据体的不确定性，再进行判决。其合成规则是采用正交和计算两种或多种判据的信任匹配函数。
具体的，可以了解到上述故障信息分类架构中存在证据E1和E2，对应的信任配比是e1和e2，Mi和Nj是焦元，可得合成规则如下所示：
其中，V为冲击系数，其值越大表明证据间冲击越大。通过分类正确率和精确率指标来判断模型的有效性，计算如下所示：
其中TP为模型正确识别的故障数据；FP为指被模型识别为不可信、但实际可信的故障数据量；FN指模型未识别出的故障数据量。
示例性的，初始化故障信息数据，输入m个训练样本，创建一个初始根节点；判断样本是否为同一类型的故障信息数据，若是，则把节点标记为树叶节点，并标记为类别Pi；利用ID3算法，选择信息增益最大的属性参数作为节点的分类属性；判断信息增益最大值是否小于设定的阈值，若是，回到创建一个初始跟节点的步骤，否则往下一步骤；形成分类决策树；利用D-S证据理论，构造正交和计算两种或多种判据的信任匹配函数对结果进行量化判定；通过分类正确率和精确率指标来判断模型的有效性；得到二次回路故障数据的正确分类。
S440、按照故障分类内故障信息的属性信息确定故障等级。
S450、根据故障等级确定故障处理策略。
根据本发明实施例提供的技术方案，通过当智能电网出现故障后，采集故障信息，构建故障信息数据库，并基于决策树对故障信息进行分类，然后采用D-S证据理论验证故障信息分类的正确率和精确性，按照故障分类内故障信息的属性信息确定故障等级，再根据故障等级确定故障处理策略，提高了故障信息分类的正确率和精确性，实现了故障信息的快速分类及故障信息与故障处理策略的快速匹配，减少了故障信息识别时间。
在上述实施例基础上，获取的故障信息包括：
综合自动化系统中的智能装置的异常报警信号、断路器的监测报警信号以及电源系统的报警信号；网络分析装置记录的SV采样报文和GOOSE通信报文；智能装置的数据采样异常、装置自检异常、电源失电故障等报警信号。
在上述实施例基础上，对获取到的故障信息进行预处理，包括：
识别故障信息样本集内异常故障信息；
将识别出的异常故障信息进行填充、修改和删除，形成新的故障信息样本集；
将故障信息进行归一化转换。
本实施例中，归一化是将状态量数值由绝对值变化为相对值，是一种无量纲处理方法，由于一些电网设备状态数据间的单位差异较大，这样的处理能解决不同的数据在性质和测量单位上存在的差异，减少量纲对数据的影响，示例性的，对告警内容和故障信息类型之间的关系进行挖掘，寻找报警信息与故障原因之间的关联可以帮助运行人员更加方便的做出诊断。
具体的，获取到的故障信息，有的信息不完整，存在缺失；有的信息不正确，属于干扰量；还有的是出现信息重复，一模一样的数据反复出现，可以针对这些异常数据进行填充、修改和删除，形成新的故障信息样本集，然后进行归一化处理，将故障信息处理成如下集合形式：
N＝(n1,n2,n3)
式中：n1表示故障的具体装置；n2表示故障报警信息；n3表示故障原因。
针对故障信息中缺失部分进行填补，以保证故障信息数据完整，计算缺失值所在序列的数据平均值，让平均值填补上缺失位置，计算如下：
式中，n代表缺失值所在序列的长度；x1,x2,…,xn代表除缺失值外序列中所有数值；xi代表缺失数据。
在上述实施例基础上，基于ID3算法以信息增益作为属性选择度量构建决策树。
本实施例中ID3算法可以理解为一种贪心算法，用来构造决策树，以信息熵的下降速度为选取测试属性的标准，即在每个节点选取还尚未被用来划分的具有最高信息增益的属性作为划分标准，然后继续这个过程，直到生成的决策树能完美分类训练样例。
具体的，可以计算故障信息中属性参数的信息增益，并选择最大信息增益对应的属性参数构建分裂规则，实现故障信息分类计算如下所示：
G(X,A)＝I(X)-I(X∣A)
式中，G(X,A)代表信息增益；I(X)代表信息熵；I(X∣A)代表条件熵；Sk代表集合X中属于第k类样本的样本子集；Xi代表X中属性A取第i个值的样本子集；Xik表示Xi中属于第k类的样本子集。
在上述实施例基础上，存在故障信息的最大信息增益的取值大于或等于预设阈值时，则创建新的故障分类，将故障信息作为新的故障分类的初始根节点，并按照故障信息的每个属性参数分别新建一个子分支。
具体的，故障信息中属性参数的最大信息增益大于或等于预先设定的阈值时，可以理解为故障信息与该分类的类别差距较大，可以理解为属于不同的类别，可以创建该类别的故障分类，也就是创建新的故障决策树，并将故障信息作为新的故障分类的初始根节点，将故障信息的每个属性参数都分别作为创建的初始根节的子分支。
示例性的，输入m个训练样本；创建一个初始根节点；判断样本是否为同一类型的故障信息数据，若是，则把节点标记为树叶节点，并标记为类别Pi；计算所有属性参数，选择信息增益最大的属性参数作为节点的分类属性；判断信息增益最大值是否大于或等于设定的阈值，若是，回到创建一个初始根节点的步骤，否则往下一步骤；分裂属性参数中的每一个值都延伸出一个相应的分支，并依据属性值划分样本，从而得到对应的决策树，达到二次回路故障信息数据分类的效果。
实施例五
图5为本发明实施例五提供的一种智能电网故障处理策略确定装置的结构示意图，本实施例可以执行上述实施方式。该实施例可适用于当智能电网出现故障时，不依赖工作人员的经验，对智能电网的故障信息进行分析、识别的情况，该装置可以采用硬件/软件的方式来实现，并可配置在电子设备中。
如图5所示，本实施例中提供的故障分类模块501、等级确定模块502及策略确定模块503，其中：
故障分类模块501，用于获取智能电网的故障信息，并根据预设故障决策树确定故障信息归属的故障分类；
等级确定模块502，用于按照故障分类内故障信息的属性信息确定故障等级；
策略确定模块503，用于根据故障等级确定故障处理策略。
根据本发明实施例提供的技术方案，当智能电网出现故障时，采集故障信息，并根据预设故障决策树对获取到的故障信息进行分类，找到所属的故障分类，按照对故障分类中故障信息的属性信息进行分析，来确定故障信息的故障等级，找到故障等级所对应的故障处理策略，实现了故障信息与故障处理策略的快速匹配，提高了故障处理方案确定的准确程度，减少了故障识别时间。
在上述实施例基础上，故障分类模块501，包括:
报警收集单元，用于采集智能电网内智能装置、断路器以及电源系统的故障报警信息作为故障信息。
报文收集单元，用于提取智能电网的网络分析装置记录的网络异常报文作为故障信息。
在上述实施例基础上，故障分类模块501，还包括：
属性参数补充单元，用于确定故障信息缺失至少一项属性参数时，确定其他故障信息内与各属性参数具有相同类型的目标属性参数，并将各目标属性参数的平均值作为故障信息内对应缺失的属性参数。
在上述实施例基础上，故障分类模块501，根据预设故障决策树确定故障信息归属的故障分类，包括：
故障分类判断单元，用于判断是否存在故障信息归属的故障分类，其中，各故障分类分别对应一个初始根节点。
分类存在单元，用于若存在，则确定故障信息内每个属性参数分别对应的信息增益，并将各信息增益中的最大信息增益的属性参数作为故障信息在故障分类内的分类属性，将故障信息作为树叶节点添加到归属的初始根节点的分类属性对应的子分支。
分类不存在单元，用于若不存在，则创建新的故障分类，将故障信息作为新的故障分类的初始根节点，并按照故障信息的每个属性参数分别新建一个子分支。
在上述实施例基础上，故障分类模块501，还包括：
故障分类新建单元，用于存在故障信息的最大信息增益的取值大于或等于预设阈值时，则创建新的故障分类，将故障信息作为新的故障分类的初始根节点，并按照故障信息的每个属性参数分别新建一个子分支。
在上述实施例基础上，等级确定模块502，按照故障分类内故障信息的属性信息确定故障等级，包括：
故障信息提取单元，用于在故障分类内提取预设数量的故障信息。
属性信息统计单元，用于统计各故障信息的属性信息内故障装置、故障内容以及故障原因的分布情况。
故障等级匹配单元，用于将预设配置文件内分布情况匹配的故障等级参数作为属性信息的故障等级。
在上述实施例基础上，策略确定模块503，根据故障等级确定故障处理策略，包括：
第一故障等级单元，用于在故障等级为第一故障等级时，确定故障处理策略包括生成故障立即通知消息以及传输故障立即通知消息至运维人员。
第二故障等级单元，用于在故障等级为第二故障等级时，确定故障处理策略包括确定故障处理时限，并在故障处理时限内确定完成故障处理。
本发明实施例五所提供的一种智能电网故障处理策略确定装置可执行本发明实施例所提供的任意的故障处理策略确定方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。
实施例六
图6为本发明实施例六提供的一种电子设备的结构示意图。可以用来实施本发明的实施例的电子设备60，电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备60包括至少一个处理器61，以及与至少一个处理器61通信连接的存储器，如只读存储器(ROM)62、随机访问存储器(RAM)63等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器61可以根据存储在只读存储器(ROM)62中的计算机程序或者从存储单元68加载到随机访问存储器(RAM)63中的计算机程序，来执行各种适当的动作和处理。在RAM 63中，还可存储电子设备60操作所需的各种程序和数据。处理器61、RAM 62以及RAM 63通过总线64彼此相连。输入/输出(I/O)接口66也连接至总线64。
电子设备60中的多个部件连接至I/O接口66，包括：输入单元66，例如键盘、鼠标等；输出单元67，例如各种类型的显示器、扬声器等；存储单元68，例如磁盘、光盘等；以及通信单元69，例如网卡、调制解调器、无线通信收发机等。通信单元69允许电子设备60通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器61可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器61的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器61执行上文所描述的各个方法和处理，例如故障处理策略确定方法。
在一些实施例中，故障处理策略确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元68。在一些实施例中，计算机程序的部分或者全部可以经由ROM 62和/或通信单元69而被载入和/或安装到电子设备60上。当计算机程序加载到RAM 63并由处理器61执行时，可以执行上文描述的故障处理策略确定方法的一个或多个步骤。备选地，在其他实施例中，处理器61可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行故障处理策略确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种故障处理策略确定方法，其特征在于，所述方法包括：
获取智能电网的故障信息，并根据预设故障决策树确定所述故障信息归属的故障分类；
按照所述故障分类内所述故障信息的属性信息确定故障等级；
根据所述故障等级确定故障处理策略。
2.根据权利要求1所述方法，其特征在于，所述获取智能电网的故障信息，包括：
采集所述智能电网内智能装置、断路器以及电源系统的故障报警信息作为所述故障信息；
提取所述智能电网的网络分析装置记录的网络异常报文作为所述故障信息。
3.根据权利要求1所述方法，其特征在于，还包括：
确定所述故障信息缺失至少一项属性参数时，确定其他故障信息内与各所述属性参数具有相同类型的目标属性参数，并将各所述目标属性参数的平均值作为所述故障信息内对应缺失的所述属性参数。
4.根据权利要求1所述方法，其特征在于，所述根据预设故障决策树确定所述故障信息归属的故障分类，包括：
判断是否存在所述故障信息归属的所述故障分类，其中，各所述故障分类分别对应一个初始根节点；
若存在，则确定所述故障信息内每个属性参数分别对应的信息增益，并将各所述信息增益中的最大信息增益的所述属性参数作为所述故障信息在所述故障分类内的分类属性，将所述故障信息作为树叶节点添加到归属的所述初始根节点的所述分类属性对应的子分支；
若不存在，则创建新的故障分类，将所述故障信息作为所述新的故障分类的初始根节点，并按照所述故障信息的每个属性参数分别新建一个子分支。
5.根据权利要求4所述方法，其特征在于，还包括：
存在所述故障信息的所述最大信息增益的取值大于或等于预设阈值时，则创建新的故障分类，将所述故障信息作为所述新的故障分类的初始根节点，并按照所述故障信息的每个属性参数分别新建一个子分支。
6.根据权利要求1所述方法，其特征在于，所述按照所述故障分类内所述故障信息的属性信息确定故障等级，包括：
在所述故障分类内提取预设数量的故障信息；
统计各所述故障信息的所述属性信息内故障装置、故障内容以及故障原因的分布情况；
将预设配置文件内所述分布情况匹配的故障等级参数作为所述属性信息的故障等级。
7.根据权利要求1所述方法，其特征在于，所述根据所述故障等级确定故障处理策略，包括：
在所述故障等级为第一故障等级时，确定所述故障处理策略包括生成故障立即通知消息以及传输所述故障立即通知消息至运维人员；
在所述故障等级为第二故障等级时，确定所述故障处理策略包括确定故障处理时限，并在所述故障处理时限内确定完成故障处理。
8.一种智能电网故障处理策略确定装置，其特征在于，所述装置包括：
故障分类模块，用于获取智能电网的故障信息，并根据预设故障决策树确定所述故障信息归属的故障分类；
等级确定模块，用于按照所述故障分类内所述故障信息的属性信息确定故障等级；
策略确定模块，用于根据所述故障等级确定故障处理策略。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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1-7中任一项所述的智能电网故障处理策略确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的智能电网故障处理策略确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311030050.XA CN117034149A (zh) | 2023-08-15 | 2023-08-15 | 故障处理策略确定方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311030050.XA CN117034149A (zh) | 2023-08-15 | 2023-08-15 | 故障处理策略确定方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117034149A true CN117034149A (zh) | 2023-11-10 |
Family
ID=88644523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311030050.XA Pending CN117034149A (zh) | 2023-08-15 | 2023-08-15 | 故障处理策略确定方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117034149A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117609894A (zh) * | 2024-01-23 | 2024-02-27 | 中国人民解放军国防科技大学 | 一种基于分区策略的高性能报文分类方法、设备及介质 |
-
2023
- 2023-08-15 CN CN202311030050.XA patent/CN117034149A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117609894A (zh) * | 2024-01-23 | 2024-02-27 | 中国人民解放军国防科技大学 | 一种基于分区策略的高性能报文分类方法、设备及介质 |
| CN117609894B (zh) * | 2024-01-23 | 2024-04-09 | 中国人民解放军国防科技大学 | 一种基于分区策略的高性能报文分类方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| CN106021062B (zh) | 关联故障的预测方法和系统 | |
| CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
| CN112910859B (zh) | 基于c5.0决策树和时序分析的物联网设备监测预警方法 | |
| CN112415331B (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
| CN110297207A (zh) | 智能电表的故障诊断方法、系统及电子装置 | |
| CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
| CN111176953A (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
| CN116225769B (zh) | 一种系统故障根因的确定方法、装置、设备及介质 | |
| CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
| CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
| CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
| CN117035563B (zh) | 产品质量安全风险监测方法、设备、监测系统及介质 | |
| CN114881112A (zh) | 一种系统异常检测方法、装置、设备及介质 | |
| CN114896418A (zh) | 知识图谱构建方法、装置、电子设备及存储介质 | |
| Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
| CN115829160B (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
| CN113591393B (zh) | 智能变电站的故障诊断方法、装置、设备和存储介质 | |
| CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
| CN116627695B (zh) | 一种告警事件根因推荐方法、装置、设备及存储介质 | |
| CN116961229A (zh) | 一种变电站故障定位方法、装置、电子设备和存储介质 | |
| He et al. | Method of Equipment Fault Diagnosis Based on Frequent Itemsets Mining | |
| CN117493060A (zh) | 数据库组件异常检测方法、装置、设备及介质 | |
| CN115269869A (zh) | 一种隐患数据信息检索方法、装置、计算机设备及介质 | |
| CN117934152A (zh) | 一种系统变更后的风险评估方法、装置、设备及存储介质 |
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 |