CN103530818A - 一种基于brb***的供水管网建模方法 - Google Patents
一种基于brb***的供水管网建模方法 Download PDFInfo
- Publication number
- CN103530818A CN103530818A CN201310477641.1A CN201310477641A CN103530818A CN 103530818 A CN103530818 A CN 103530818A CN 201310477641 A CN201310477641 A CN 201310477641A CN 103530818 A CN103530818 A CN 103530818A
- Authority
- CN
- China
- Prior art keywords
- water supply
- beta
- rule
- brb
- output
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BRB***的供水管网建模方法。本发明首先收集管网运行的历史数据,其次确定供水管网模型的输入变量和输出变量,然后建立基于BRB的供水管网模型,最后建立基于BRB的供水管网MIMO模型。本发明可以很好的描述供水管网***工况,用于供水管网的实时优化调度时,可与供水管网的神经网络模型相媲美。而且,通过分析由管网历史运行数据训练得到的规则库,可以进一步挖掘供水管网的未知特性。
Description
技术领域
本发明属于城市供水领域,具体是一种基于BRB(Belief-Rule-Base)***的供水管网建模方法。
背景技术
城市供水管网***是一个拓扑结构复杂、规模庞大、用水变化随机性强、大量参数不确定、运行控制多目标的网络结构。建立与管网***特征相吻合的工况模型是实现供水管网优化运行的先决条件,建立能够同时处理管网参数不确定性、定量和定性信息的供水管网模型是分析和评估管网安全性及可靠性的前提。国内外学者在供水管网建模方面进行了大量研究,最具代表性的管网模型为仿真模型和神经网络模型。这些模型采用确定的方法来描述管网***的行为,对于不确定性信息输入无能为力。所以,急需建立既能描述供水管网***工况,又能处理管网***不确定性信息的供水管网模型。
基于BRB***的建模,以Dempster-Shafer证据理论,决策理论和模糊集合理论为基础,能同时处理定量信息和定性信息,确定性信息和不确定性信息。基于BRB***的供水管网模型,可以很好的描述供水管网***工况,可用于供水管网的实时优化调度和预测控制。且该模型允许不确定信息的输入,如不确定参数,外部干扰等,而模型输出为量化的区间,可用于评估和分析供水管网***的安全性和可靠性。
发明内容
本发明针对现有技术的不足,提供了一种基于BRB(Belief-Rule-Base)***的供水管网建模方法。
本发明方法具体如下:
1.收集管网运行的历史数据
从供水管网的SCADA***和数据库***中获取管网运行的历史数据。供水管网运行的历史数据一般包括:水厂出厂压力,水厂供水量,管网中增压泵站压力和流量,管道上可控阀门的开启程度,压力监测点的压力,流量监测点的流量,蓄水池水位,用户用水量等。
2.确定供水管网模型的输入变量和输出变量
(1)从实际获得的管网运行的历史数据出发,选取供水管网模型输入输出变量。
输入变量一般包括:水厂出厂压力,水厂供水量,管网中增压泵站压力和流量,管道上可控阀门的开启程度等。另外,可将可测扰动(用户用水量)及不可测扰动(***输入噪声),也作为***的输入变量。
输出变量一般包括:压力监测点的压力,流量检测点的流量,蓄水池水位等。
(2)根据选取的输入输出变量,对管网运行的历史数据进行筛选,得到仅含输入输出变量的历史数据,作为样本数据。同时,将样本数据分成两部分,前一部分作为训练数据集,后一部分作为检验数据集。
3.建立基于BRB的供水管网模型
基于BRB(Belief-Rule-Base)***的模型为MISO模型,供水管网为MIMO模型。因此,基于BRB的供水管网MIMO模型为多个基于BRB的供水管网MISO模型的合成。基于BRB的供水管网MISO模型的建立步骤如下:
(1)确定规则库中输入向量和输出向量
规则库中输入向量即为(2)中选择的输入变量构成的向量,规则库中输出向量为(2)中选择的输出变量的某一个。并设输入向量U=(Ui,i=1,...,T),输出变量为O。
(2)建立初始规则库
BRB***中规则库中的规则为:
其中,L为规则的总数,为输入向量,为第k条规则中第i输入变量的参考值(参考值为训练数据集中输入变量的一些典型数值,如参考值为3个时,可选最大值,平均值,最小值),D=(D1,D2,...,DN)为推理输出向量,βik(i=1,...,Tk)为推理输出Di的信任度。如果则称第k条规则是完整的,如果则第k条规则被完全忽略。θk(k=1,...,L)为第k规则在规则库中的相对权重,δ1,δ2,...,为第k规则中各输入变量的相对权重。
规则库中可变参数为P=(βik,θk,δj;i=1,...,N;k=1,...,L;j=1,...,T)。为建立初始化规则库,随机初始βik,而θk,δj初始设定为1。
(3)训练规则库
初始规则库通过学习训练数据集中的输入数据集和输出数据集的映射关系,自动调整可变参数P=(βik,θk,δj;i=1,...,N;k=1,...,L;j=1,...,T),最终获得描述输入向量U=(Ui,i=1,...,T)和输出变量O关系的规则库。
规则库中的推理过程如下:
Step1:将输入向量U=(Ui,i=1,...,T)转换成信任分布:
S(Ui)={(Ai,j,αi,j),j=1,...,Ji}
其中Ji为参考值的个数,αi,j为输入Ui与参考值Ai,j的相似度。αi,j计算如下:
Step2:计算第k规则被激活的权重wk:
Step3:计算输出变量O:
先计算输出变量的信任分布O(U)={(Dn,βn(U)),n=1,...,N},其中
如果信任规则不完整,即有βD(U)>0,则最终的数值输出具有上下界O(U)∈[Omin(U),Omax(U)],其中
对于信任规则不完整情形,规则库的训练就是求解如下优化问题
(4)检验规则库
至此,基于BRB的供水管网MISO模型已建立。
4.建立基于BRB的供水管网MIMO模型
基于BRB的供水管网MIMO模型为多个基于BRB的供水管网MISO模型的合成。所以,根据输出变量的个数,为每个输出变量重复MISO模型的建模过程。
本发明的有益效果:基于BRB***的供水管网模型,可以很好的描述供水管网***工况,用于供水管网的实时优化调度时,可与供水管网的神经网络模型相媲美。而且,通过分析由管网历史运行数据训练得到的规则库,可以进一步挖掘供水管网的未知特性,这是神经网络模型不具备的特点。另外,基于BRB***的供水管网模型允许不确定信息的输入,如不确定参数,外部干扰等,此时模型输出为量化的区间。这有利于评估和分析供水管网***的安全性和可靠性。如当用户需水量随机波动时,模型能预测出监测点的压力变化范围,此时工作人员或智能优化调度***可据此采取合理的调度措施。
附图说明
图1规则库训练过程示意图;
图2实施例供水管网拓扑示意图。
具体实施方式
为使本发明实现的技术手段与创作特征易于明白,下面结合附图和实施例,对本发明的实施方式作进一步详述。
本实施例考虑一个单水源供水管网如图2,建立基于BRB的水厂出厂压力,出厂流量与压力监测点55,90,170压力的关系模型。
1.收集管网运行的历史数据
从供水管网的SCADA***和数据库***中获取管网运行的历史数据。供水管网运行的历史数据包括:水厂出厂压力,水厂供水量,压力监测点55,90,170的压力,监测点55,90,170用户用水量。同时,将历史数据分成两部分,前一部分作为训练数据集,后一部分作为检验数据集。
2.确定供水管网模型输入变量和输出变量
因为,基于BRB的供水管网MIMO模型为多个基于BRB的供水管网MISO模型的合成。所以,这里,先建立水厂出厂压力,出厂流量与监测点55压力的关系模型。同时,将监测点55用户用水量作为可测量扰动输入变量。所以输入输出分别如下:
输入变量:U=(Ui,i=1,2,3),其中U1,U2,U3分别为水厂出厂压力,出厂流量和监测点55用户用水量。输出变量:P55,为监测点55压力。
3.建立基于BRB的供水管网模型
(1)确定规则库中输入向量和输出变量
规则库中输入向量为U=(Ui,i=1,2,3),输出变量为P55。本实施例的输入和输出均采用3个参考值,分别取各个变量的最小值,平均值和最大值,这些参考值由管网运行的历史数据计算得到。故有
出厂压力U1:
出厂流量U2:
监测点55压力P55:D={sp55,mp55,lp55};
且满足Ai={Ai,j;j=1,...,3},D={D1,D2,D3}。其中,sp,mp,lp分别为出厂压力最小值,平均值和最大值,sf,mf,lf分别为出厂流量最小值,平均值和最大值,sd,md,ld分别为监测点55用户用水量最小值,平均值和最大值,sp55,mp55,lp55分别为监测点55压力最小值,平均值和最大值。
(2)建立初始规则库
输入向量和输出变量的参考点的选择是为了建立规则库,输入参考点有27个组合,故规则库有27条规则。
其中第k规则形式如下:
规则库中可变参数为P=(βik,θk,δj;i=1,...,N;k=1,...,L;j=1,...,T),其中N=3,L=27,T=3。为建立初始化规则库,随机初始βik,而θk,δj初始设定为1。
(3)训练规则库
初始规则库通过学习训练数据集中的输入数据集和输出数据集映射关系,调整可变参数P=(βik,θk,δj;i=1,2,3;k=1,...,27;j=1,2,3),最终获得描述输入向量U=(Ui,i=1,2,3)和输出变量p55关系的规则库,参见图1。具体步骤如下:
Step1:将输入向量转换成信任分布:
基于输入向量参考点Ai={Ai,j;j=1,...,3},将输入向量U={Ui,i=1,2,3},转换成如下的输入向量的信任分布
S(Ui)={(Ai,j,αi,j),j=1,2,3}
其中αi,j为输入Ui与参考值Ai,j的相似度。αi,j计算如下:
当j’=1,...,Ji,j’≠j,j+1,有αi,j’=0
Step2:计算第k规则被激活的权重wk:
Step3:综合K条规则,推理得到监测点55压力的信任分布:
本实施例采用IDS Multicriteria Assessor(多属性决策分析软件)来计算输出变量的信任分布。可得到:
p55(U)={(Dn,βn(U)),n=1,2,3}
Step4:由监测点55压力分布计算得到检测的压力p55:
p55=U1β1+U2β2+U3β3
其中P=(βik,θk,δj;i=1,2,3;k=1,...,27;j=1,2,3)。
Step6:检验规则库
4.建立基于BRB的水厂出厂压力,出厂流量与压力监测点55,90,170压力的关系模型
按照建立基于BRB的水厂出厂压力,出厂流量与压力监测点55压力的关系模型方法步骤,分别建立水厂出厂压力,出厂流量与压力监测点90和170压力的关系模型。然后将3个模型合并成1个模型。
上述实施例和说明书中描述的只是本发明的原理,本发明的保护范围不受上述实施例的限制,在不脱离本发明精神和范围前提下本发明还有各种变化和改进。比如:本领域技术人员可以采用EPANET搭建供水管网微观模型,由该模型模拟产生用于训练规则库的数据,而用于***建模;又如:可采用不同的学习算法来训练规则库,可在线学习也可离线学习等。这些变化和改进都落入本发明要求保护的范围内。
Claims (2)
1.一种基于BRB***的供水管网建模方法,其特征在于该方法包括以下步骤:
步骤1.收集管网运行的历史数据,具体是:
从供水管网的SCADA***和数据库***中获取管网运行的历史数据,所述的历史数据包括水厂出厂压力、水厂供水量、管网中增压泵站压力、管网中增压泵站流量,管道上可控阀门的开启程度、压力监测点的压力、流量监测点的流量、蓄水池水位和用户用水量;
步骤2.确定供水管网模型的输入变量和输出变量,具体是:
(2-1)从实际获得的管网运行的历史数据出发,选取供水管网模型输入输出变量,输入变量包括:水厂出厂压力、水厂供水量、管网中增压泵站压力、管网中增压泵站流量,管道上可控阀门的开启程度;输出变量包括:压力监测点的压力、流量检测点的流量和蓄水池水位;
(2-2)根据选取的输入变量和输出变量,对管网运行的历史数据进行筛选,得到仅含输入变量和输出变量的历史数据,作为样本数据;同时,将样本数据分成两部分,前一部分作为训练数据集,后一部分作为检验数据集;
步骤3.建立基于BRB的供水管网模型,具体是:
基于BRB***的模型为MISO模型,供水管网为MIMO模型;因此,基于BRB的供水管网MIMO模型为多个基于BRB的供水管网MISO模型的合成;基于BRB的供水管网MISO模型的建立步骤如下:
(3-1)确定规则库中输入向量和输出向量
规则库中输入向量即为步骤2中选择的输入变量构成的向量,规则库中输出向量为步骤2中选择的输出变量的某一个;并设输入向量U=(Ui,i=1,...,T),输出变量为O;
(3-2)建立初始规则库
BRB***中规则库中的规则为:
其中,L为规则的总数,为输入向量,为第k条规则中第i输入变量的参考值,D=(D1,D2,...,DN)为推理输出向量,βik(i=1,...,Tk)为推理输出Di的信任度;如果则称第k条规则是完整的,如果则第k条规则被完全忽略;θk(k=1,...,L)为第k规则在规则库中的相对权重,δ1,δ2,...,为第k规则中各输入变量的相对权重;
规则库中可变参数为P=(βik,θk,δj;i=1,...,N;k=1,...,L;j=1,...,T);为建立初始化规则库,随机初始βik,而θk,δj初始设定为1;
(3-3)训练规则库
初始规则库通过学习训练数据集中的输入数据集和输出数据集的映射关系,自动调整可变参数P=(βik,θk,δj;i=1,...,N;k=1,...,L;j=1,...,T),最终获得描述输入向量U=(Ui,i=1,...,T)和输出变量O关系的规则库;
规则库中的推理过程如下:
Step1:将输入向量U=(Ui,i=1,...,T)转换成信任分布:
S(Ui)={(Ai,j,αi,j),j=1,...,Ji}
其中Ji为参考值的个数,αi,j为输入Ui与参考值Ai,j的相似度;αi,j计算如下:
如果Ai,j≤Ui≤Ai,j+1,则αi,j+1=1-αi,j且对于j’=1,...,Ji,j’≠j,j+1,有αi,j’=0
Step2:计算第k规则被激活的权重wk:
Step3:计算输出变量O:
先计算输出变量的信任分布O(U)={(Dn,βn(U)),n=1,...,N},其中
如果信任规则不完整,即有βD(U)>0,则最终的数值输出具有上下界O(U)∈[Omin(U),Omax(U)],其中
对于信任规则不完整情形,规则库的训练就是求解如下优化问题
(3-4)检验规则库
至此,基于BRB的供水管网MISO模型已建立;
步骤4.建立基于BRB的供水管网MIMO模型
基于BRB的供水管网MIMO模型为多个基于BRB的供水管网MISO模型的合成;所以,根据输出变量的个数,为每个输出变量重复MISO模型的建模过程。
2.根据权利要求1所述的一种基于BRB***的供水管网建模方法,其特征在于:所述的供水管网模型输入还包括用户用水量及***输入噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310477641.1A CN103530818B (zh) | 2013-10-12 | 2013-10-12 | 一种基于brb***的供水管网建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310477641.1A CN103530818B (zh) | 2013-10-12 | 2013-10-12 | 一种基于brb***的供水管网建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530818A true CN103530818A (zh) | 2014-01-22 |
CN103530818B CN103530818B (zh) | 2016-06-01 |
Family
ID=49932802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310477641.1A Active CN103530818B (zh) | 2013-10-12 | 2013-10-12 | 一种基于brb***的供水管网建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530818B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106090626A (zh) * | 2016-06-03 | 2016-11-09 | 杭州电子科技大学 | 一种供水管网异常侦测方法 |
CN106202765A (zh) * | 2016-07-15 | 2016-12-07 | 杭州电子科技大学 | 一种城市供水管网dma实时建模方法 |
CN106368163A (zh) * | 2016-09-29 | 2017-02-01 | 浙江大学滨海产业技术研究院 | 供水***流向监测模型及其使用方法 |
CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
CN109242265A (zh) * | 2018-08-15 | 2019-01-18 | 杭州电子科技大学 | 基于误差平方和最小的城市需水量组合预测方法 |
CN109376925A (zh) * | 2018-10-23 | 2019-02-22 | 青岛理工大学 | 供水管网节点流量动态自适应优化方法 |
CN109930658A (zh) * | 2019-03-27 | 2019-06-25 | 杭州电子科技大学 | 一种基于***能观性的供水管网监测点布置方法 |
CN111460689A (zh) * | 2020-04-24 | 2020-07-28 | 中国水利水电科学研究院 | 一种面向未来期的供水管网水力可靠性测算方法 |
CN112418682A (zh) * | 2020-11-26 | 2021-02-26 | 中国人民解放***箭军工程大学 | 一种融合多源信息的安全性评估方法 |
CN113033070A (zh) * | 2020-12-23 | 2021-06-25 | 桂林电子科技大学 | 一种lng接收站码头管道泄露监测评估方法 |
CN113283059A (zh) * | 2021-04-29 | 2021-08-20 | 汪洋 | 分布式串行计算的链式架构、模型单元和配置方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243672A (zh) * | 2011-06-22 | 2011-11-16 | 浙江大学 | 基于混合多模型的盾构掘进过程中喷涌工况软测量建模方法 |
CN103294847A (zh) * | 2013-04-12 | 2013-09-11 | 杭州电子科技大学 | 基于水力平差的供水管网模型模糊辨识方法 |
-
2013
- 2013-10-12 CN CN201310477641.1A patent/CN103530818B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243672A (zh) * | 2011-06-22 | 2011-11-16 | 浙江大学 | 基于混合多模型的盾构掘进过程中喷涌工况软测量建模方法 |
CN103294847A (zh) * | 2013-04-12 | 2013-09-11 | 杭州电子科技大学 | 基于水力平差的供水管网模型模糊辨识方法 |
Non-Patent Citations (1)
Title |
---|
陈晨 等: "一种基于置信规则的模糊推理算法", 《电子科技》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106090626B (zh) * | 2016-06-03 | 2018-03-30 | 杭州电子科技大学 | 一种供水管网异常侦测方法 |
CN106090626A (zh) * | 2016-06-03 | 2016-11-09 | 杭州电子科技大学 | 一种供水管网异常侦测方法 |
CN106202765A (zh) * | 2016-07-15 | 2016-12-07 | 杭州电子科技大学 | 一种城市供水管网dma实时建模方法 |
CN106202765B (zh) * | 2016-07-15 | 2019-05-03 | 杭州电子科技大学 | 一种城市供水管网dma实时建模方法 |
CN106368163A (zh) * | 2016-09-29 | 2017-02-01 | 浙江大学滨海产业技术研究院 | 供水***流向监测模型及其使用方法 |
CN106368163B (zh) * | 2016-09-29 | 2019-10-22 | 浙江大学滨海产业技术研究院 | 供水***流向监测模型及其使用方法 |
CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
CN109242265B (zh) * | 2018-08-15 | 2022-03-01 | 杭州电子科技大学 | 基于误差平方和最小的城市需水量组合预测方法 |
CN109242265A (zh) * | 2018-08-15 | 2019-01-18 | 杭州电子科技大学 | 基于误差平方和最小的城市需水量组合预测方法 |
CN109376925A (zh) * | 2018-10-23 | 2019-02-22 | 青岛理工大学 | 供水管网节点流量动态自适应优化方法 |
CN109930658A (zh) * | 2019-03-27 | 2019-06-25 | 杭州电子科技大学 | 一种基于***能观性的供水管网监测点布置方法 |
CN111460689B (zh) * | 2020-04-24 | 2020-11-27 | 中国水利水电科学研究院 | 一种面向未来期的供水管网水力可靠性测算方法 |
CN111460689A (zh) * | 2020-04-24 | 2020-07-28 | 中国水利水电科学研究院 | 一种面向未来期的供水管网水力可靠性测算方法 |
CN112418682A (zh) * | 2020-11-26 | 2021-02-26 | 中国人民解放***箭军工程大学 | 一种融合多源信息的安全性评估方法 |
CN112418682B (zh) * | 2020-11-26 | 2023-09-29 | 中国人民解放***箭军工程大学 | 一种融合多源信息的安全性评估方法 |
CN113033070A (zh) * | 2020-12-23 | 2021-06-25 | 桂林电子科技大学 | 一种lng接收站码头管道泄露监测评估方法 |
CN113033070B (zh) * | 2020-12-23 | 2022-11-04 | 桂林电子科技大学 | 一种lng接收站码头管道泄露监测评估方法 |
CN113283059A (zh) * | 2021-04-29 | 2021-08-20 | 汪洋 | 分布式串行计算的链式架构、模型单元和配置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103530818B (zh) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530818B (zh) | 一种基于brb***的供水管网建模方法 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN104794361B (zh) | 一种水驱油藏开发效果综合评价方法 | |
CN106407493B (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
CN104061445B (zh) | 一种基于神经网络的管道泄漏检测方法 | |
CN102194056B (zh) | 煤层顶底板突水危险评价预测的bn-gis方法 | |
CN102411729B (zh) | 基于自适应线性逻辑网络的风电功率预测方法 | |
CN105139585A (zh) | 一种土质边坡险情智能预警预报方法 | |
CN103606006B (zh) | 基于自组织t‑s模糊神经网络的污泥沉降指数软测量方法 | |
CN104732303A (zh) | 一种基于动态径向基函数神经网络的油田产量预测方法 | |
Li et al. | Sensitivity analysis of groundwater level in Jinci Spring Basin (China) based on artificial neural network modeling | |
CN102222313B (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN104778378A (zh) | 一种油气田产量递减影响因素分析方法 | |
CN105243393A (zh) | 一种基于特征的复杂机电***故障预报方法 | |
CN103177289B (zh) | 一种噪声不确定复杂非线性动态***的建模方法 | |
CN106355540A (zh) | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN105842607A (zh) | 一种测试性设计中测试点定量选择方法及装置 | |
CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
CN109886506A (zh) | 一种供水管网爆管风险分析方法 | |
CN103353295B (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
CN104835073A (zh) | 基于直觉模糊熵权的无人飞行器控制***运行绩效评价方法 | |
CN108615098A (zh) | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 | |
CN117390381B (zh) | 基于深度学习的地下连续墙接头缝渗漏预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20140122 Assignee: HANGZHOU ZHONGZI FENGTAI ENVIRONMENT TECHNOLOGY Co.,Ltd. Assignor: HANGZHOU DIANZI University Contract record no.: X2020330000109 Denomination of invention: A modeling method of water supply network based on BRB system Granted publication date: 20160601 License type: Common License Record date: 20201129 |
|
EE01 | Entry into force of recordation of patent licensing contract |