CN117907754A - 基于故障分析的配电网维护方法及系统 - Google Patents
基于故障分析的配电网维护方法及系统 Download PDFInfo
- Publication number
- CN117907754A CN117907754A CN202410312156.7A CN202410312156A CN117907754A CN 117907754 A CN117907754 A CN 117907754A CN 202410312156 A CN202410312156 A CN 202410312156A CN 117907754 A CN117907754 A CN 117907754A
- Authority
- CN
- China
- Prior art keywords
- fault
- power distribution
- distribution network
- scheme
- maintenance
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 202
- 238000012423 maintenance Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 144
- 238000011156 evaluation Methods 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000013210 evaluation model Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及配电网维护的技术领域,特别是涉及一种基于故障分析的配电网维护方法及系统,其为配电网故障维护提供了一种全面、高效、自动化的解决方案,提高配电网的可靠性和稳定性;方法包括:预先根据历史故障运维记录生成配电网故障处理方案库,在配电网故障处理方案库中每种历史故障类型均对应若干种故障处理方案;实时获取发生故障时配电网运行数据,并对其进行关键要素提取,获得配电网运维敏感要素集合;将配电网运维敏感要素集合输入至预先构建的配电网故障分析模型,获得配电网故障类型;根据配电网故障类型,在配电网故障处理方案库中进行遍历,提取与配电网故障类型对应的若干种故障处理方案。
Description
技术领域
本发明涉及配电网维护的技术领域,特别是涉及一种基于故障分析的配电网维护方法及系统。
背景技术
随着电力系统的发展和扩张,配电网作为电力系统的重要组成部分,负责将电能从输电网传输到终端用户。在配电网的运行过程中,故障是不可避免的现象,可能由于设备老化、外部因素、人为操作等原因而发生。为了保障配电网的可靠性和稳定性,故障的及时诊断和维护变得至关重要。
现有的配电网故障维护方式往往依赖于人工经验判断及现场勘查,不仅响应速度慢,而且在面对复杂多变的故障情况时容易出现决策滞后和方案选择不当的问题。此外,资源配置不合理,如备件不足、维修工具不匹配、维修人员调度不合理等因素也会进一步阻碍故障的有效解决。因此,亟需一种基于故障分析的配电网维护方法。
发明内容
为解决上述技术问题,本发明为配电网故障维护提供了一种全面、高效、自动化的解决方案,提高配电网的可靠性和稳定性的基于故障分析的配电网维护方法及系统。
第一方面,本发明提供了基于故障分析的配电网维护方法,所述方法包括:
预先根据历史故障运维记录生成配电网故障处理方案库,在所述配电网故障处理方案库中每种历史故障类型均对应若干种故障处理方案;
实时获取发生故障时配电网运行数据,并对其进行关键要素提取,获得配电网运维敏感要素集合;
将配电网运维敏感要素集合输入至预先构建的配电网故障分析模型,获得配电网故障类型;
根据配电网故障类型,在配电网故障处理方案库中进行遍历,提取与配电网故障类型对应的若干种故障处理方案;
对提取到的若干种故障处理方案分别进行关键要素提取,获得每种故障处理方案的方案实施决策要素集合;
将若干个方案实施决策要素集合分别输入至预先构建的故障处理方案评估模型中,获得每种故障处理方案的可实施评价指数;
选择最大可实施评价指数对应的故障处理方案,作为本次配电网故障的最优故障处理方案。
进一步地,所述配电网故障处理方案库的生成方法包括:
收集过去一段时间内配电网发生的各类故障的详细信息;
将收集到的历史故障记录按照不同的故障类型和设备类别进行分类整理,建立清晰的数据库;
针对每一种历史故障类型,制定若干种故障处理方案;
为每个故障处理方案提供详细的描述,包括具体步骤、所需材料和风险信息;
定期更新方案库以反映最新的技术和设备信息。
进一步地,所述配电网运维敏感要素集合获取方法包括:
在故障发生时,通过传感器和监测设备,实时获取配电网的运行数据;
通过对实时获取的运行数据进行分析,识别与故障相关的关键要素;
将从运行数据中提取的关键要素组成一个集合,即运维敏感要素集合。
进一步地,所述配电网故障分析模型构建方法包括:
收集历史配电网故障数据,用于训练和验证故障分析模型;
对数据进行特征工程,从数据中提取关键要素;
选择支持向量机作为模型的基础;
使用历史配电网故障数据对选定的模型进行训练,使模型能够准确地分类不同类型的故障;
利用独立验证数据集对模型进行验证,评估其在未见数据上的性能;
根据验证结果对模型进行优化,优化方法包括调整模型超参数和增加更多的训练数据;
部署训练好的模型,使其能够在实时获取的运行数据上进行故障类型的诊断。
进一步地,所述方案实施决策要素集合的获取方法包括:
针对每种故障处理方案,分析其具体步骤和要素;
识别在每种故障处理方案中,对实施决策具有重要影响的因素;
确定每种故障处理方案所需的资源,保证资源能够支持方案的实施;
评估每种故障处理方案的成本与效益,包括维修成本、停机时间和维修人员培训成本的分析;
考虑每种故障处理方案的潜在风险,包括安全风险和环境风险;
整合从实时获取的配电网运行数据中提取的信息,与历史故障处理方案库中的数据相结合,获得方案实施决策要素集合。
进一步地,所述故障处理方案评估模型的构建方法包括:
收集实际运行数据和历史故障处理数据,建立模型所需的训练集和验证集;
通过数据分析方法为每个评价指标分配相应的权重,反映其在决策中的重要性;
基于收集的数据和权重分配,构建一个线性数学模型,将实施决策要素映射到可实施评价指数;
通过使用训练集和验证集进行模型训练,根据模型的性能进行参数调整;
使用独立的测试数据集对模型进行验证,并评估其在实际情境中的性能;
将构建好的模型应用于实际的故障处理方案中,以获得每种故障处理方案的可实施评价指数。
进一步地,所述最优故障处理方案的实施方法包括:
获取每种故障处理方案的可实施评价指数,对于所有可实施评价指数的故障处理方案,从中选择具有最大可实施评价指数的方案;
将选择的最大评价指数对应的故障处理方案标识为当前配电网故障的最优方案;
实施被选定的最优方案,包括执行方案中定义的维修、更换备件、维修工具使用和维修人员调度的操作;
在实施过程中对配电网的运行状态进行实时监控,收集实施后的数据;
将实施后的数据反馈到配电网故障处理方案库,不断优化和更新方案库中的故障处理方案。
另一方面,本申请还提供了基于故障分析的配电网维护系统,所述系统包括:
故障处理方案库生成模块,用于根据历史故障运维记录生成配电网故障处理方案库,并发送;在所述配电网故障处理方案库中每种历史故障类型均对应若干种故障处理方案;
数据获取模块,用于实时获取发生故障时配电网运行数据,并对其进行关键要素提取,获得配电网运维敏感要素集合,并发送;
故障类型分析模块,用于接收配电网运维敏感要素集合,将配电网运维敏感要素集合输入至预先构建的配电网故障分析模型,获得配电网故障类型,并发送;
故障处理方案提取模块,用于接收配电网故障处理方案库和配电网故障类型,将配电网故障类型,在配电网故障处理方案库中进行遍历,提取与配电网故障类型对应的若干种故障处理方案,并发送;
要素提取模块,用于接收与配电网故障类型对应的若干种故障处理方案,对提取到的若干种故障处理方案分别进行关键要素提取,获得每种故障处理方案的方案实施决策要素集合,并发送;
方案评估模块,用于接收方案实施决策要素集合,将若干个方案实施决策要素集合分别输入至预先构建的故障处理方案评估模型中,获得每种故障处理方案的可实施评价指数,并发送;
最优方案选择模块,用于接收每种故障处理方案的可实施评价指数,根据可实施评价指数,选择最大可实施评价指数对应的故障处理方案,作为本次配电网故障的最优故障处理方案。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请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,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:通过预先构建的故障处理方案库和模型,实现了从故障发生到处理的自动化决策流程,减少了对人工经验的过度依赖;利用历史故障运维记录生成的配电网故障处理方案库,使系统能够从经验中学习,对各种历史故障类型提供多样性的处理方案;
实时获取发生故障时的配电网运行数据,通过关键要素提取形成运维敏感要素集合,实现对故障的即时响应和分析;通过对故障处理方案库的遍历,提取多种处理方案,为系统提供了灵活性和多样性,以应对不同的故障情况;
故障处理方案评估模型考虑了配电网维修库内的可用备件、维修工具、维修人员、施工环境以及施工时间等因素,有助于优化资源配置,提高维护效率;由于系统能够快速分析实时数据和历史记录,并自动选择最优方案,能够在故障发生时迅速做出决策和执行维护,降低了停电时间和系统不稳定性的风险;
综上所述,该方法通过结合历史数据、实时数据和智能分析,为配电网故障维护提供了一种全面、高效、自动化的解决方案,提高配电网的可靠性和稳定性。
附图说明
图1是本发明优选实施例中基于故障分析的配电网维护方法的流程图;
图2是配电网故障分析模型构建方法的流程图;
图3是故障处理方案评估模型的构建方法的流程图;
图4是本发明实施例中基于故障分析的配电网维护系统的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令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,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一:如图1至图3所示,本发明的基于故障分析的配电网维护方法,具体包括以下步骤:
S1、预先根据历史故障运维记录生成配电网故障处理方案库,在所述配电网故障处理方案库中每种历史故障类型均对应若干种故障处理方案;
S1步骤生成的故障处理方案库是整个维护流程的基础,在实际故障发生时,能够迅速查阅历史经验,提高对问题的快速反应能力,减少人工判断的时间和不确定性,从而提高配电网维护的效率和可靠性;
所述配电网故障处理方案库的生成方法包括:
S11、通过电力系统运维日志、维护报告和其他记录,收集过去一段时间内配电网发生的各类故障的详细信息;
S12、将收集到的历史故障记录按照不同的故障类型和设备类别进行分类整理,建立清晰的数据库;
S13、针对每一种历史故障类型,制定若干种故障处理方案,所述方案包括紧急措施、设备更换建议和维修步骤;
S14、为每个故障处理方案提供详细的描述,包括具体步骤、所需材料和风险信息,确保方案的可操作性;
S15、定期更新方案库以反映最新的技术和设备信息。
在本步骤中,通过历史故障运维记录的收集和整理,形成了一个包含多种故障处理方案的库,在实际故障发生时,运维人员能够迅速查阅库中的方案,提高了对问题的快速反应能力,缩短了故障处理时间;配电网故障处理方案库中包含了经过梳理和验证的历史故障处理经验,减少了对人工判断的依赖;运维人员能够直接参考库中的方案,减轻了判断时的不确定性和主观性;故障处理方案库的建立使得维护过程更为规范和有序;通过定期更新,库中的信息保持与最新技术和设备信息同步,确保了维护的高效性和可靠性;
每种历史故障类型都对应若干种故障处理方案,有助于标准化故障处理流程;标准化能够提高工作效率,降低处理过程中的错误率;通过详细描述每个故障处理方案中的风险信息,有助于运维人员充分了解潜在风险,并采取相应措施进行风险管理,提高了维护的安全性;
综上所述,S1步骤建立了一个有力的基础,为后续故障处理提供了可靠的参考和支持,使得配电网维护更加高效、可靠。
S2、实时获取发生故障时配电网运行数据,并对其进行关键要素提取,获得配电网运维敏感要素集合;
S2步骤通过实时监测和数据分析,将配电网运行数据转化为具有实际意义的运维敏感要素,为后续的故障分析和处理提供了必要的基础;所述配电网运维敏感要素集合获取方法包括:
S21、在故障发生时,通过各种传感器和监测设备,实时获取配电网的运行数据,所述传感器广泛分布在配电网的各个节点和设备上;
S22、通过对实时获取的运行数据进行分析,识别与故障相关的关键要素;
S23、将从运行数据中提取的关键要素组成一个集合,即运维敏感要素集合。
在本步骤中,通过将传感器广泛分布在配电网各个节点和设备上,实时获取运行数据,使系统能够在故障发生的瞬间察觉异常情况,迅速响应故障事件,传感器的广泛分布确保了对整个配电网的全面监测,提高了故障感知的灵敏度;通过对实时获取的运行数据进行分析,识别与故障相关的关键要素,能够自动、精准地诊断故障类型,有助于快速而准确地定位问题,减少了人为判断的主观性,提高了故障诊断的可靠性;
将从运行数据中提取的关键要素组成运维敏感要素集合,为后续的故障分析和处理提供了有力的基础,为维护人员提供了重要的信息,使其能够更有针对性地采取措施;配电网在发生故障时能够迅速获取关键的运行数据并转化为运维敏感要素集合,有助于缩短故障诊断的时间,提高维护响应速度,从而减少了系统停机时间,提高了维护的效率和可靠性;
综上所述,S2步骤提供了实时而智能的数据支持,有益于故障的及时诊断和快速处理,从而提高了配电网的可靠性、稳定性和运行效率。
S3、将配电网运维敏感要素集合输入至预先构建的配电网故障分析模型,获得配电网故障类型;
S3步骤是通过故障分析模型将运维敏感要素集合映射到具体的故障类型,为后续的故障处理提供方向,该模型的性能和准确性直接关系到整个维护方法的有效性和可行性;
所述配电网故障分析模型构建方法包括:
S31、收集历史配电网故障数据,用于训练和验证故障分析模型;
S32、对数据进行特征工程,从数据中提取关键要素;需要说明的是,特征工程为机器学习模型训练中的处理步骤,特征工程是指在机器学习模型训练之前,通过对原始数据进行处理和转换,提取或构造更具信息量的特征,以改善模型性能的过程;特征工程的目标是使数据更适合用于模型训练,减少噪声和冗余,提高模型的泛化能力;在进行机器模型训练时,原始数据通常包含各种各样的特征,有些特征可能对模型的性能贡献较小,甚至可能引入噪声;而有些特征可能对模型的学习和泛化能力有很大的帮助;因此,通过特征工程,可以选择、转换、组合和创建新的特征,以使模型更好地理解和捕捉数据的模式;
S33、选择支持向量机作为模型的基础,用于从运维敏感要素集合映射到故障类型;
S34、使用历史配电网故障数据对选定的模型进行训练,使模型能够准确地分类不同类型的故障,以便在实时情况下进行预测;
S35、利用独立验证数据集对模型进行验证,评估其在未见数据上的性能,确保模型对不同故障情况的泛化能力;需要说明的是,在机器学习中,独立验证数据集指的是将原始数据集分割成两个独立的子集之一,用于模型的评估和验证;这两个子集一般是独立训练数据集和独立验证数据集;独立训练数据集用于训练机器学习模型;模型通过训练集中的样本进行学习,调整参数以最小化训练误差;独立验证数据集用于模型的调优和选择;
S36、根据验证结果对模型进行优化,优化方法包括调整模型超参数和增加更多的训练数据;需要说明的是,超参数是指在模型训练之前需要设置的参数,不能通过训练过程学习得到,需要手动指定的参数;与之相对应的是模型的参数,模型的参数是模型在训练过程中学习得到的,用于表示模型的内部结构和特征权重;超参数对模型的行为和性能有重要影响,它们通常用于控制模型的复杂度、学习速率、正则化程度等;一般来说,超参数需要在训练模型之前进行调优,以使模型达到最佳性能;
S37、部署训练好的模型,使其能够在实时获取的运行数据上进行故障类型的诊断。
在本步骤中,模型通过学习历史配电网故障数据,能够高效地将运维敏感要素映射到具体的故障类型,在实际运行中,系统能够迅速、准确地诊断发生的故障,为后续的故障处理提供了方向;通过收集和分析历史配电网故障数据,模型能够学习复杂的故障模式和关联,使得模型成为一个数据驱动的决策支持工具,能够帮助运维人员更好地理解和处理各种故障情况;
模型的建立有助于提高配电网的整体可维护性,通过快速准确地识别故障类型,能够更迅速地采取相应的维护措施,降低维护响应时间,减小故障对系统稳定性的影响;通过对模型进行独立验证,确保模型在未见数据上的性能,增加了模型的泛化能力,使其在不同条件下都能够有效地进行故障类型的分类;
部署训练好的模型后,系统具备了实时故障诊断的能力,在配电网运行时,模型能够即时响应并提供故障类型的诊断结果,有助于迅速采取行动;通过模型优化步骤,系统能够不断优化自身,适应配电网运行状态的变化,确保了模型的持续性能提升;
综上所述,配电网故障分析模型的建立使得整个维护方法更具智能化和高效性,为电力系统的可靠性和稳定性提供了有力的支持。
S4、根据配电网故障类型,在配电网故障处理方案库中进行遍历,提取与配电网故障类型对应的若干种故障处理方案;
S4中的故障处理方案提取方法需要结合数据库查询、文本处理和信息抽取等技术,确保从历史故障记录中提取到的方案与实际故障情况相匹配,为后续的决策和评估提供可操作的基础;以下是步骤S4的详细介绍:
S41、根据配电网故障类型,对配电网故障处理方案库进行遍历,找到与当前故障类型相匹配的历史故障记录;
S42、通过信息检索方法,系统检索配电网故障处理方案库,提取出所有与当前故障类型相关的方案;
S43、从查询结果中提取出与当前故障类型对应的若干种故障处理方案;
S44、将提取到的故障处理方案的关键信息汇总,用于后续的方案评估。
在本步骤中,通过根据配电网故障类型进行遍历和匹配,能够快速定位与当前故障类型相关的历史故障记录,有助于缩短故障处理的响应时间;利用信息检索方法,能够全面检索配电网故障处理方案库,确保涵盖了所有与当前故障类型相关的方案,提高故障处理方案的全面性和多样性;
从查询结果中提取多种与当前故障类型对应的故障处理方案,为维护人员提供更多的选择,有助于灵活应对不同情况下的故障处理需求;将提取到的故障处理方案的关键信息汇总,为后续的方案评估提供有用的数据,有助于更全面地理解和比较各方案;
通过自动化的信息检索和提取,减少了对人工经验的依赖,降低了人为判断误差的可能性,提高决策的准确性和一致性;提取的关键信息为后续的方案评估提供了基础,使得维护人员能够更好地理解每种方案的特点,从而更好地进行维护决策;
综上所述,S4步骤通过结合多种技术,提高了配电网维护的响应速度、决策效率,并为后续评估提供了必要的信息支持,保障配电网的可靠性和稳定性。
S5、对提取到的若干种故障处理方案分别进行关键要素提取,获得每种故障处理方案的方案实施决策要素集合;
S5步骤提取的关键要素形成了方案实施决策的依据,确保决策过程基于全面和准确的信息,针对不同的故障处理方案,明确其特有的关键要素,以实现个性化的维护决策,通过风险评估,对方案的可行性进行全面考虑,帮助决策者更好地了解方案的风险和潜在问题;
所述方案实施决策要素集合的获取方法包括:
S51、针对每种故障处理方案,分析其具体步骤和要素;
S52、识别在每种故障处理方案中,哪些因素对实施决策具有重要影响;
S53、确定每种故障处理方案所需的资源,包括备件、工具和人力,评估资源是否足够支持方案的实施;
S54、评估每种故障处理方案的成本与效益,包括维修成本、停机时间和维修人员培训成本的分析;
S55、考虑每种故障处理方案的潜在风险,包括安全风险和环境风险;
S56、整合从实时获取的配电网运行数据中提取的信息,与历史故障处理方案库中的数据相结合,获得方案实施决策要素集合。
在本步骤中,通过对每种故障处理方案进行详细的分析和要素提取,形成了全面的方案实施决策要素集合,帮助决策者充分了解每个方案的要素,从而做出更为理性和科学的决策;针对不同的故障处理方案,明确了其特有的关键要素,有助于实现个性化的维护决策;
通过综合考虑每种故障处理方案的潜在风险,通过风险评估确保了对方案可行性的全面考虑,这有助于决策者更好地了解方案可能面临的风险和潜在问题,为决策提供更为全面的信息;确定了每种故障处理方案所需的资源,并评估了资源是否足够支持方案的实施,有助于合理配置资源,优化维护计划,避免由于资源不足而导致的实施问题;通过对每种故障处理方案的成本与效益进行评估,有助于选择在资源有限的情况下最经济和有效的方案,从而降低维护成本并提高效益;
综上所述,S5步骤为配电网维护决策提供了科学、全面、个性化的基础,有助于提高维护效率、降低成本,并确保配电网的可靠性和稳定性。
S6、将若干个方案实施决策要素集合分别输入至预先构建的故障处理方案评估模型中,获得每种故障处理方案的可实施评价指数;所述故障处理方案评估模型在对故障处理方案进行处理计算时,对可实施评价指数的影响特征包括配电网维修库内的可用备件、可用维修工具、可用维修人员、施工环境以及施工时间的;
确定影响故障处理方案可实施性的关键评价指标,包括备件可用性、工具匹配度、人力资源评估、施工环境和施工时间;
所述故障处理方案评估模型的构建方法包括:
S61、收集实际运行数据和历史故障处理数据,建立模型所需的训练集和验证集;
S62、通过数据分析方法为每个评价指标分配相应的权重,反映其在决策中的重要性;
S63、基于收集的数据和权重分配,构建一个线性数学模型,将实施决策要素映射到可实施评价指数;
S64、通过使用训练集和验证集进行模型训练,根据模型的性能进行参数调整,提高模型的准确性和可靠性;
S65、使用独立的测试数据集对模型进行验证,并评估其在实际情境中的性能;
S66、将构建好的模型应用于实际的故障处理方案中,以获得每种故障处理方案的可实施评价指数。
在本步骤中,通过将不同方案的实施决策要素输入故障处理方案评估模型,能够综合评估每种方案的可实施性,这有助于决策者在多个因素的影响下全面了解每种方案的优劣,为做出更明智的决策提供支持;通过确定影响可实施性的关键评价指标,能够使决策者更清晰地了解方案的主要影响因素,有助于集中精力解决关键问题,提高方案的实施效率;
通过实际运行数据和历史故障处理数据的收集,建立了一个数据驱动的模型,使得决策不再依赖于主观判断,而是基于实际数据和统计分析,提高了决策的科学性和可靠性;通过数据分析方法,为每个评价指标分配权重,合理反映其在决策中的相对重要性,确保模型在考虑不同因素时能够更准确地反映实际情况,提高了决策的准确性;
通过独立测试数据集验证模型,评估其在实际情境中的性能,有助于确认模型的实用性和泛化能力,确保其在实际应用中的有效性;构建好的模型能够快速而准确地评估每种故障处理方案的可实施评价指数,为决策者提供了快速决策的支持;
综上所述,本步骤能够优化故障处理方案的选择,提高配电网的维护效率和可靠性,通过数据驱动的方法,决策变得更为科学和可靠。
S7、选择最大可实施评价指数对应的故障处理方案,作为本次配电网故障的最优故障处理方案;
S7步骤能够在复杂多变的故障情况下迅速而准确地选择最优方案,提高配电网维护的响应速度和决策准确性;所述最优故障处理方案的实施方法包括:
S71、获取每种故障处理方案的可实施评价指数,对于所有可实施评价指数的故障处理方案,从中选择具有最大可实施评价指数的方案;
S72、将选择的最大评价指数对应的故障处理方案标识为当前配电网故障的最优方案;
S73、实施被选定的最优方案,包括执行方案中定义的维修、更换备件、维修工具使用和维修人员调度的操作;
S74、在实施过程中对配电网的运行状态进行实时监控,收集实施后的数据;
S75、将实施后的数据反馈到配电网故障处理方案库,不断优化和更新方案库中的故障处理方案。
在本步骤中,通过选择最大可实施评价指数对应的故障处理方案,使系统在复杂多变的故障情况下能够快速而准确地作出决策,有助于缩短配电网维护的响应时间,提高应对故障的效率;基于可实施评价指数的考量选择最优故障处理方案,具有更高的可行性和实施效果,有助于在维护过程中更有效地解决问题,减少维护时间和成本,从而提高维护的整体效能;
实施过程中对配电网运行状态的实时监控和实施后数据的收集,能够及时发现实施过程中的异常情况,提供实时反馈,同时收集的数据可用于后续的系统优化和学习;数据反馈到配电网故障处理方案库,通过不断更新和优化方案库中的故障处理方案,系统能够积累经验,逐渐提高对各种故障情况的处理能力,使得系统具备自我学习和持续改进的能力;
选择最大可实施评价指数对应的故障处理方案意味着更合理地配置了备件、维修工具、维修人员等资源,提高了系统资源利用效率,减少了不必要的资源浪费;
综上所述,S7步骤通过综合考虑可实施评价指数,实现了在配电网维护中迅速、准确地选择最优方案的目标,从而在实践中提高了维护响应速度、决策准确性,以及整体维护效能。
实施例二:如图4所示,本发明的基于故障分析的配电网维护系统,具体包括以下模块;
故障处理方案库生成模块,用于根据历史故障运维记录生成配电网故障处理方案库,并发送;在所述配电网故障处理方案库中每种历史故障类型均对应若干种故障处理方案;
数据获取模块,用于实时获取发生故障时配电网运行数据,并对其进行关键要素提取,获得配电网运维敏感要素集合,并发送;
故障类型分析模块,用于接收配电网运维敏感要素集合,将配电网运维敏感要素集合输入至预先构建的配电网故障分析模型,获得配电网故障类型,并发送;
故障处理方案提取模块,用于接收配电网故障处理方案库和配电网故障类型,将配电网故障类型,在配电网故障处理方案库中进行遍历,提取与配电网故障类型对应的若干种故障处理方案,并发送;
要素提取模块,用于接收与配电网故障类型对应的若干种故障处理方案,对提取到的若干种故障处理方案分别进行关键要素提取,获得每种故障处理方案的方案实施决策要素集合,并发送;
方案评估模块,用于接收方案实施决策要素集合,将若干个方案实施决策要素集合分别输入至预先构建的故障处理方案评估模型中,获得每种故障处理方案的可实施评价指数,并发送;
最优方案选择模块,用于接收每种故障处理方案的可实施评价指数,根据可实施评价指数,选择最大可实施评价指数对应的故障处理方案,作为本次配电网故障的最优故障处理方案。
该系统通过模块设计,实现了从故障发生到处理的全自动化决策流程,减少了对人工经验的过度依赖;自动决策流程提高了响应速度,有助于在故障发生时快速采取适当的维护措施;
故障处理方案库生成模块基于历史故障运维记录生成配电网故障处理方案库,能够利用丰富的历史数据进行智能分析,进而使系统更好地理解不同类型的故障,并提供相应的处理方案;
故障类型分析模块利用实时数据进行故障类型分析,使系统能够更灵活地适应不同时期和条件下的故障情况;故障处理方案提取模块从方案库中提取多种处理方案,为系统提供了灵活性和多样性;方案评估模块通过可实施评价指数对不同方案进行评估,进而选择最优方案,确保了在多种可能的维护方案中选择最适合当前情况的一种;
系统考虑到资源配置不合理的问题,通过评估模块综合考虑了这些因素,从而实现了资源的优化配置;由于系统能够快速分析实时数据和历史故障记录,并自动选择最优方案,因此能够在故障发生时迅速做出决策和执行维护,降低了停电时间和系统不稳定性的风险;
综上所述,该系统通过整合历史数据、实时数据和智能分析,实现了高效、智能、自动化的配电网故障维护,提高了可靠性和稳定性,并优化了资源利用。
前述实施例一中的基于故障分析的配电网维护方法的各种变化方式和具体实施例同样适用于本实施例的基于故障分析的配电网维护系统,通过前述对基于故障分析的配电网维护方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于故障分析的配电网维护系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于故障分析的配电网维护方法,其特征在于,所述方法包括:
预先根据历史故障运维记录生成配电网故障处理方案库,在所述配电网故障处理方案库中每种历史故障类型均对应若干种故障处理方案;
实时获取发生故障时配电网运行数据,并对其进行关键要素提取,获得配电网运维敏感要素集合;
将配电网运维敏感要素集合输入至预先构建的配电网故障分析模型,获得配电网故障类型;
根据配电网故障类型,在配电网故障处理方案库中进行遍历,提取与配电网故障类型对应的若干种故障处理方案;
对提取到的若干种故障处理方案分别进行关键要素提取,获得每种故障处理方案的方案实施决策要素集合;
将若干个方案实施决策要素集合分别输入至预先构建的故障处理方案评估模型中,获得每种故障处理方案的可实施评价指数;
选择最大可实施评价指数对应的故障处理方案,作为本次配电网故障的最优故障处理方案。
2.如权利要求1所述的基于故障分析的配电网维护方法,其特征在于,所述配电网故障处理方案库的生成方法包括:
收集过去一段时间内配电网发生的各类故障的详细信息;
将收集到的历史故障记录按照不同的故障类型和设备类别进行分类整理,建立清晰的数据库;
针对每一种历史故障类型,制定若干种故障处理方案;
为每个故障处理方案提供详细的描述,包括具体步骤、所需材料和风险信息;
定期更新方案库以反映最新的技术和设备信息。
3.如权利要求1所述的基于故障分析的配电网维护方法,其特征在于,所述配电网运维敏感要素集合获取方法包括:
在故障发生时,通过传感器和监测设备,实时获取配电网的运行数据;
通过对实时获取的运行数据进行分析,识别与故障相关的关键要素;
将从运行数据中提取的关键要素组成一个集合,构成所述运维敏感要素集合。
4.如权利要求1所述的基于故障分析的配电网维护方法,其特征在于,所述配电网故障分析模型构建方法包括:
收集历史配电网故障数据,用于训练和验证故障分析模型;
对数据进行特征工程,从数据中提取关键要素;
选择支持向量机作为模型的基础;
使用历史配电网故障数据对选定的模型进行训练,使模型能够准确地分类不同类型的故障;
利用独立验证数据集对模型进行验证,评估其在未见数据上的性能;
根据验证结果对模型进行优化,优化方法包括调整模型超参数和增加更多的训练数据;
部署训练好的模型,使其能够在实时获取的运行数据上进行故障类型的诊断。
5.如权利要求1所述的基于故障分析的配电网维护方法,其特征在于,所述方案实施决策要素集合的获取方法包括:
针对每种故障处理方案,分析其具体步骤和要素;
识别在每种故障处理方案中,对实施决策具有重要影响的因素;
确定每种故障处理方案所需的资源,保证资源能够支持方案的实施;
评估每种故障处理方案的成本与效益,包括维修成本、停机时间和维修人员培训成本的分析;
考虑每种故障处理方案的潜在风险,包括安全风险和环境风险;
整合从实时获取的配电网运行数据中提取的信息,与历史故障处理方案库中的数据相结合,获得方案实施决策要素集合。
6.如权利要求1所述的基于故障分析的配电网维护方法,其特征在于,所述故障处理方案评估模型的构建方法包括:
收集实际运行数据和历史故障处理数据,建立模型所需的训练集和验证集;
通过数据分析方法为每个评价指标分配相应的权重,反映其在决策中的重要性;
基于收集的数据和权重分配,构建线性数学模型,将实施决策要素映射到可实施评价指数;
通过使用训练集和验证集进行模型训练,根据模型的性能进行参数调整;
使用独立的测试数据集对模型进行验证,并评估其在实际场景中的性能;
将构建好的模型应用于实际的故障处理方案中,以获得每种故障处理方案的可实施评价指数。
7.如权利要求1所述的基于故障分析的配电网维护方法,其特征在于,所述最优故障处理方案的实施方法包括:
获取每种故障处理方案的可实施评价指数,对于所有可实施评价指数的故障处理方案,从中选择具有最大可实施评价指数的方案;
将选择的最大评价指数对应的故障处理方案标识为当前配电网故障的最优方案;
实施被选定的最优方案,包括执行方案中定义的维修、更换备件、维修工具使用和维修人员调度的操作;
在实施过程中对配电网的运行状态进行实时监控,收集实施后的数据;
将实施后的数据反馈到配电网故障处理方案库,不断优化和更新方案库中的故障处理方案。
8.一种基于故障分析的配电网维护系统,其特征在于,所述系统包括:
故障处理方案库生成模块,用于根据历史故障运维记录生成配电网故障处理方案库,并发送;在所述配电网故障处理方案库中每种历史故障类型均对应若干种故障处理方案;
数据获取模块,用于实时获取发生故障时配电网运行数据,并对其进行关键要素提取,获得配电网运维敏感要素集合,并发送;
故障类型分析模块,用于接收配电网运维敏感要素集合,将配电网运维敏感要素集合输入至预先构建的配电网故障分析模型,获得配电网故障类型,并发送;
故障处理方案提取模块,用于接收配电网故障处理方案库和配电网故障类型,将配电网故障类型,在配电网故障处理方案库中进行遍历,提取与配电网故障类型对应的若干种故障处理方案,并发送;
要素提取模块,用于接收与配电网故障类型对应的若干种故障处理方案,对提取到的若干种故障处理方案分别进行关键要素提取,获得每种故障处理方案的方案实施决策要素集合,并发送;
方案评估模块,用于接收方案实施决策要素集合,将若干个方案实施决策要素集合分别输入至预先构建的故障处理方案评估模型中,获得每种故障处理方案的可实施评价指数,并发送;
最优方案选择模块,用于接收每种故障处理方案的可实施评价指数,根据可实施评价指数,选择最大可实施评价指数对应的故障处理方案,作为本次配电网故障的最优故障处理方案。
9.一种基于故障分析的配电网维护电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
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如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410312156.7A CN117907754B (zh) | 2024-03-19 | 2024-03-19 | 基于故障分析的配电网维护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410312156.7A CN117907754B (zh) | 2024-03-19 | 2024-03-19 | 基于故障分析的配电网维护方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117907754A true CN117907754A (zh) | 2024-04-19 |
CN117907754B CN117907754B (zh) | 2024-05-24 |
Family
ID=90689450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410312156.7A Active CN117907754B (zh) | 2024-03-19 | 2024-03-19 | 基于故障分析的配电网维护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117907754B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616187A (zh) * | 2013-10-15 | 2014-03-05 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
CN106786546A (zh) * | 2017-01-11 | 2017-05-31 | 南京工业大学 | 基于风险评估的配电网故障恢复策略优化方法 |
CN108123439A (zh) * | 2018-01-03 | 2018-06-05 | 燕山大学 | 一种基于多代理系统的主动配电网多故障抢修与恢复方法 |
CN110672951A (zh) * | 2019-10-10 | 2020-01-10 | 国网电力科学研究院(武汉)能效测评有限公司 | 一种配电网电压脆弱区域辨识方法及装置 |
CN112491050A (zh) * | 2020-12-04 | 2021-03-12 | 国网浙江省电力有限公司金华供电公司 | 基于指标集权重的主配网事故恢复处理方法 |
CN112712205A (zh) * | 2020-12-29 | 2021-04-27 | 南京后生远达科技有限公司 | 一种基于长短期记忆神经网络的配电网故障预防方法 |
US20220115867A1 (en) * | 2019-02-01 | 2022-04-14 | Duke Energy Corporation | Advanced power distribution platform |
CN114519450A (zh) * | 2021-12-17 | 2022-05-20 | 贵州电网有限责任公司 | 一种适用于新型电力系统的配电网态势感知方法及系统 |
CN114722248A (zh) * | 2022-04-19 | 2022-07-08 | 内蒙古电力(集团)有限责任公司包头供电分公司 | 一种配电网多模式诊断推理方法 |
CN114744616A (zh) * | 2022-04-19 | 2022-07-12 | 内蒙古电力(集团)有限责任公司包头供电分公司 | 一种配电网恢复供电辅助决策方法 |
CN114825334A (zh) * | 2022-04-24 | 2022-07-29 | 国家电网有限公司 | 一种配电网开放容量优化辅助方法 |
CN115800216A (zh) * | 2022-12-09 | 2023-03-14 | 国网新疆电力有限公司阿克苏供电公司 | 一种数字化配电网故障处理系统 |
-
2024
- 2024-03-19 CN CN202410312156.7A patent/CN117907754B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616187A (zh) * | 2013-10-15 | 2014-03-05 | 北京化工大学 | 一种基于多维度信息融合的故障诊断方法 |
CN106786546A (zh) * | 2017-01-11 | 2017-05-31 | 南京工业大学 | 基于风险评估的配电网故障恢复策略优化方法 |
CN108123439A (zh) * | 2018-01-03 | 2018-06-05 | 燕山大学 | 一种基于多代理系统的主动配电网多故障抢修与恢复方法 |
US20220115867A1 (en) * | 2019-02-01 | 2022-04-14 | Duke Energy Corporation | Advanced power distribution platform |
CN110672951A (zh) * | 2019-10-10 | 2020-01-10 | 国网电力科学研究院(武汉)能效测评有限公司 | 一种配电网电压脆弱区域辨识方法及装置 |
CN112491050A (zh) * | 2020-12-04 | 2021-03-12 | 国网浙江省电力有限公司金华供电公司 | 基于指标集权重的主配网事故恢复处理方法 |
CN112712205A (zh) * | 2020-12-29 | 2021-04-27 | 南京后生远达科技有限公司 | 一种基于长短期记忆神经网络的配电网故障预防方法 |
CN114519450A (zh) * | 2021-12-17 | 2022-05-20 | 贵州电网有限责任公司 | 一种适用于新型电力系统的配电网态势感知方法及系统 |
CN114722248A (zh) * | 2022-04-19 | 2022-07-08 | 内蒙古电力(集团)有限责任公司包头供电分公司 | 一种配电网多模式诊断推理方法 |
CN114744616A (zh) * | 2022-04-19 | 2022-07-12 | 内蒙古电力(集团)有限责任公司包头供电分公司 | 一种配电网恢复供电辅助决策方法 |
CN114825334A (zh) * | 2022-04-24 | 2022-07-29 | 国家电网有限公司 | 一种配电网开放容量优化辅助方法 |
CN115800216A (zh) * | 2022-12-09 | 2023-03-14 | 国网新疆电力有限公司阿克苏供电公司 | 一种数字化配电网故障处理系统 |
Non-Patent Citations (2)
Title |
---|
DAWEN HUANG 等: "Design of Distribution Network Pre-planning System Based on GIS", 《 COMMUNICATIONS IN COMPUTER AND INFORMATION SCIENCE》, vol. 1228, 25 June 2020 (2020-06-25), pages 68 * |
侯祖锋 等: "考虑光伏出力时变性的配电网短时供电恢复策略", 《电测与仪表》, 23 August 2021 (2021-08-23), pages 1 - 8 * |
Also Published As
Publication number | Publication date |
---|---|
CN117907754B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
CN107077132B (zh) | 使用分布式控制系统来管理加工厂的子系统的方法 | |
CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
CN117196066A (zh) | 智慧运维信息分析模型 | |
CN113888353A (zh) | 分布式光伏发电设备的能效诊断方法、系统及介质 | |
CN117289085A (zh) | 一种多线路故障分析诊断方法及系统 | |
CN117055502A (zh) | 基于物联网和大数据分析的智能控制系统 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
CN117235524A (zh) | 自动估值模型的学习训练平台 | |
CN117474357A (zh) | 基于深度学习的配电房运维管理方法及系统 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN117907754B (zh) | 基于故障分析的配电网维护方法及系统 | |
KR102272296B1 (ko) | 2차 전지의 성능 평가 지원 장치, 성능 평가 데이터 저장 및 분석 시스템 및 그의 이용 방법 | |
CN116595353A (zh) | 一种调相机远程故障诊断及智能决策系统 | |
CN113656323B (zh) | 一种自动化测试、定位及修复故障的方法及存储介质 | |
CN114416415A (zh) | 鸿蒙操作系统用远程在线故障检测方法及系统、存储介质 | |
CN113825162B (zh) | 电信网络故障原因定位方法及装置 | |
CN117076454B (zh) | 一种工程质量验收表单数据结构化存储方法及系统 | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
CN117200449B (zh) | 一种基于多维算法分析的电网监测管理方法及系统 | |
CN117786372B (zh) | 基于机器学习的分布式光伏发电数据处理方法及系统 | |
CN116502156B (zh) | 一种换流站光ct异常状态智能辨识方法及系统 | |
CN117971337A (zh) | 一种基于lstm模型的混合云自动配置方法 | |
CN118094199A (zh) | 电力系统监测诊断方法及系统 | |
CN118313812A (zh) | 一种基于机器学习的电力大数据采集处理方法 |
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 |