CN104636999B - 一种建筑异常用能数据检测方法 - Google Patents
一种建筑异常用能数据检测方法 Download PDFInfo
- Publication number
- CN104636999B CN104636999B CN201510001544.4A CN201510001544A CN104636999B CN 104636999 B CN104636999 B CN 104636999B CN 201510001544 A CN201510001544 A CN 201510001544A CN 104636999 B CN104636999 B CN 104636999B
- Authority
- CN
- China
- Prior art keywords
- data
- building
- subsequence
- abnormal
- energy
- 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 40
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000005265 energy consumption Methods 0.000 claims description 27
- 230000005611 electricity Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000007418 data mining Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 241000638935 Senecio crassissimus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种建筑异常用能数据检测方法,首先按照时间序列整理出原始数据;再参照行业指标进行判断,找出特定时间段的异常数据;然后采用数据挖掘中的偏差检测技术,过滤出用能数据中的异常值;最后采用基于离散傅立叶变换的时间序列相似性查找出数据中的异常点。本发明提供的对建筑用能数据中的异常数据精准定位的方法,可取代目前能源行业内普遍使用的经验阈值判断法,借助数据挖掘中人工智能的分析方法、以及离散傅立叶变换原理的应用,防止对异常用能数据的误判、误报与漏报,为用能单位及人员提供有效的异常用能监测信息。
Description
技术领域
本发明涉及建筑能耗监控领域,具体是一种建筑异常用能数据检测方法。
背景技术
建筑能耗监测***中,异常用能探测是保证***安全、高效运行的重要一环,借助该功能,运维人员可实时获知用能异常、精确定位故障位置、及时排除或修复***故障。当前,判断异常用能数据基本是依赖于专家或用户经验,参考行业指标、设定好固定的限额或阈值,一旦监控数据超出限额或达到阈值即触发报警。而实际运行中,用能情况受气候、人员、季节等条件影响,用能数据波动情况较为复杂,依靠设置单一的静态数据判断异常显然有失精准。通过对多家***的运行跟踪发现,异常发生时***捕获不到,而误判误报现象又时有发生,不仅无法帮助用户精确用能,某些情况下还会对用户工作产生干扰。
发明内容
本发明将数据挖掘中的偏差检测技术与实践经验判断相结合,准确筛选异常数据,在最大范围内实现对建筑异常用能数据的有效判断,以克服现有技术中存在的缺陷。
本发明的目的通过以下技术方案实现:
一种建筑异常用能数据检测方法:
步骤(1):以固定时间段为采集频率采集建筑能耗数据,建立用能数据的时间序列D:
D={dt|t=t0,t1,t2,...,tn-1};
式中,dt为元素,表示在t时刻的采集数据;
步骤(2):依据建筑实际情况并基于行业指标设定阈值,与该阈值做比对,提取时间序列中的异常元素,即异常采集数据,将异常元素作为D的子序列D1;在时间序列D中去除所述异常元素作为D的子序列D2:D2={d1,d2,...,dp};
步骤(3):采用基于偏差的异常数据挖掘方法,以固定长度m将D2拆分为s个子序列,D2的子序列D2s表示为:
D2s={ds,ds+1,...,ds+m-1},2≤m≤p
式中,m为子序列的元素个数,p表示D2的元素个数;
用相异度函数计算各子序列的光滑因子,将光滑因子与界定阈值比对,判断是否超出:超出的子序列记为D21;未超出的子序列记为正常数据序列;
步骤(4):基于离散傅里叶变换的时间序列相似性分别查找D1和D21中的异常元素,将D1和D21分别以固定长度拆分为多个子序列,用离散傅里叶变换将子序列时序数据从时域空间变换到频域空间,得到傅里叶系数序列,傅里叶系数Df:
式中,n为子序列的元素个数,dt为子序列中的元素,f=0,...,n-1;
给定标准能耗序列,设定阈值,将D1和D21中拆分出的子序列分别与标准能耗序列间计算欧式距离,大于给定阈值的序列为异常数据序列,小于等于阈值的则为正常数据序列。
建筑实际情况及行业指标包括:春、秋季时间段,空调用电应小于待机耗电量;夜间休息时段,公共建筑室内照明用电及用水应维持在极低能耗;办公楼节假日用电量应小于工作日用电量;商用建筑非营业时间段能耗应低于营业时间段能耗;办公楼、教学楼等建筑在正常使用过程中能耗值波动范围应相对平稳。
优选的,步骤(3)中相异度函数定义为:
步骤(4)中,两个序列的欧式距离表示为:式中xf和yf分别为序列X和序列Y经离散傅里叶变换后的系数。
本发明的有益效果:
本发明提供了一种对建筑用能数据中的异常数据精准定位的方法,可取代目前能源行业内普遍使用的经验阈值判断法,借助数据挖掘中人工智能的分析方法、以及离散傅立叶变换原理的应用,防止对异常用能数据的误判、误报与漏报,为用能单位及人员提供有效的异常用能监测信息。
附图说明
图1是本发明方法的步骤流程图。
具体实施方式
以下结合具体实施例对本发明作进一步描述。
实施例1
一种建筑异常用能数据检测方法:
步骤(1):以固定时间段为采集频率采集建筑能耗数据,建立用能数据的时间序列D:
D={dt|t=t0,t1,t2,...,tn-1};
式中,dt为元素,表示在t时刻的采集数据;
步骤(2):依据建筑实际情况并基于行业指标设定阈值,与该阈值做比对,提取时间序列中的异常元素,即异常采集数据,将异常元素作为D的子序列D1;在时间序列D中去除所述异常元素作为D的子序列D2:D2={d1,d2,...,dp};
步骤(3):采用基于偏差的异常数据挖掘方法,以固定长度m将D2拆分为s个子序列,D2的子序列D2s表示为:
D2s={ds,ds+1,...,ds+m-1},2≤m≤p
式中,m为子序列的元素个数,p表示D2的元素个数;
用相异度函数计算各子序列的光滑因子,将光滑因子与界定阈值比对,判断是否超出:超出的子序列记为D21;未超出的子序列记为正常数据序列;
步骤(4):基于离散傅里叶变换的时间序列相似性分别查找D1和D21中的异常元素,将D1和D21分别以固定长度拆分为多个子序列,用离散傅里叶变换将子序列时序数据从时域空间变换到频域空间,得到傅里叶系数序列,傅里叶系数Df:
式中,n为子序列的元素个数,dt为子序列中的元素,f=0,...,n-1;
给定标准能耗序列,设定阈值,将D1和D21中拆分出的子序列分别与标准能耗序列间计算欧式距离,大于给定阈值的序列为异常数据序列,小于等于阈值的则为正常数据序列。
实施例2:
如实施例1中一种建筑异常用能数据检测方法,春、秋季时间段,空调用电应小于待机耗电量;夜间休息时段,公共建筑室内照明用电及用水应维持在极低能耗;办公楼节假日用电量应小于工作日用电量;商用建筑非营业时间段能耗应低于营业时间段能耗;办公楼、教学楼等建筑在正常使用过程中能耗值波动范围应相对平稳。
实施例3:
如实施例1或2中一种建筑异常用能数据检测方法,相异度函数定义为:
在以上实施例中,步骤(4)基于离散傅立叶转换的时间序列相似性再次查找步骤(2)、(3)中过滤出的子序列D1和D21中的异常元素。
建筑的能耗数据,其时间序列存在一些规律性的变化,例如季节变化产生的空调用电数据变化、校园建筑能耗在寒暑假期间规律性降低、商业建筑能耗在节假日期间规律性升高等等。可基于上述能耗数据规律变化制作各类标准能耗序列。
采用离散傅立叶变化原理,基于时间序列相似度分析的方法将多个数据点通过时间轴连接成曲线,由点扩展到线,对线与线之间的相似度或差异度进行分析,由此可将孤立的能耗数据串联成有规律的用能行为曲线,从中找出离群点,定位异常数据。
将D1和D21分别以固定长度拆分为多个子序列,用离散傅立叶变换将子序列时序数据从时域空间变换到频域空间,得到如下傅立叶系数:
其中,n为子序列的元素个数,dt为子序列中的元素,f=0,...,n-1;
使用欧氏距离衡量两个序列是否相似,如果两个序列的欧氏距离小于给定阈值ε,则认为这两个序列相似,即满足如下公式:
根据Parserval理论,如下等式也成立:
将D1和D21中拆分出的子序列与标准能耗序列间计算欧氏距离,大于给定阈值的序列为异常数据序列,小于等于阈值的则为正常数据序列。
本发明中所述阈值均可通过有限次实验或经验给出。
以上实施例仅用于说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的实质和范围。
Claims (3)
1.一种建筑异常用能数据检测方法,其特征在于:方法为
步骤(1):以固定时间段为采集频率采集建筑能耗数据,建立用能数据的时间序列D:
D={dt|t=t0,t1,t2,...,tn-1};
式中,dt为元素,表示在t时刻的采集数据;
步骤(2):依据建筑实际情况并基于行业指标设定阈值,与该阈值做比对,提取时间序列中的异常元素,将异常元素作为D的子序列D1;在时间序列D中去除所述异常元素作为D的子序列D2:D2={d1,d2,...,dp};
步骤(3):采用基于偏差的异常数据挖掘方法,以固定长度m将D2拆分为s个子序列,D2的子序列D2s表示为:
D2s={ds,ds+1,...,ds+m-1},2≤m≤p
式中,m为子序列的元素个数,p表示D2的元素个数;
用相异度函数计算各子序列的光滑因子,将光滑因子与界定阈值比对,判断是否超出:超出的子序列记为D21;未超出的子序列记为正常数据序列;相异度函数定义为:
式中,A是相邻两数值dq-1,dq间的差值,B是后续相邻两数dq,dq+1间的差值,m是集合对象的长度,是异或运算符,定义为
步骤(4):基于离散傅里叶变换的时间序列相似性分别查找D1和D21中的异常元素,将D1和D21分别以固定长度拆分为多个子序列,用离散傅里叶变换将子序列时序数据从时域空间变换到频域空间,得到傅里叶系数序列,傅里叶系数Df:
式中,n为子序列的元素个数,dt为子序列中的元素,f=0,...,n-1;
给定标准能耗序列,设定阈值,将D1和D21中拆分出的子序列分别计算与标准能耗序列之间的欧式距离,欧式距离大于给定阈值的序列为异常数据序列,小于等于阈值的则为正常数据序列。
2.根据权利要求1所述的一种建筑异常用能数据检测方法,其特征在于:建筑实际情况及行业指标包括:春、秋季时间段,空调用电应小于待机耗电量;夜间休息时段,办公楼、教学楼室内照明用电及用水应维持在极低能耗;办公楼节假日用电量应小于工作日用电量;商用建筑非营业时间段能耗应低于营业时间段能耗;办公楼、教学楼在正常使用过程中能耗值波动范围应相对平稳。
3.根据权利要求1所述的一种建筑异常用能数据检测方法,其特征在于:两个序列的欧式距离表示为:式中xf和yf分别为序列X和序列Y经离散傅里叶变换后的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510001544.4A CN104636999B (zh) | 2015-01-04 | 2015-01-04 | 一种建筑异常用能数据检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510001544.4A CN104636999B (zh) | 2015-01-04 | 2015-01-04 | 一种建筑异常用能数据检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636999A CN104636999A (zh) | 2015-05-20 |
CN104636999B true CN104636999B (zh) | 2018-06-22 |
Family
ID=53215709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510001544.4A Active CN104636999B (zh) | 2015-01-04 | 2015-01-04 | 一种建筑异常用能数据检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636999B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021120829A1 (zh) * | 2019-12-20 | 2021-06-24 | 上海市建筑科学研究院有限公司 | 一种非运行时段建筑照明插座支路用能诊断方法 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915562B (zh) * | 2015-06-11 | 2019-03-22 | 上海腾天节能技术有限公司 | 建筑能效诊断方法和*** |
CN106155867A (zh) * | 2016-08-23 | 2016-11-23 | 珠海金智维信息科技有限公司 | 监控性能数据相似性度量的告警方法和*** |
CN106371939B (zh) * | 2016-09-12 | 2019-03-22 | 山东大学 | 一种时序数据异常检测方法及其*** |
CN106384300B (zh) * | 2016-09-27 | 2019-08-16 | 山东建筑大学 | 基于大数据和模糊模型的建筑异常用能检测方法及*** |
CN109508846A (zh) * | 2017-09-15 | 2019-03-22 | 新奥(中国)燃气投资有限公司 | 一种机组数据异常波动的检测方法及装置 |
CN108319568B (zh) * | 2018-03-06 | 2021-08-06 | 江苏中科瀚星数据科技有限公司 | 一种设备状态异常问题定位的方法 |
CN108536741B (zh) * | 2018-03-09 | 2021-10-15 | 国网江苏省电力公司无锡供电公司 | 一种用能异常监测方法 |
CN109359134B (zh) * | 2018-08-30 | 2021-07-06 | 大连理工大学 | 一种基于数据挖掘的照明插座能耗隐性异常数据的识别方法 |
CN109409661A (zh) * | 2018-09-19 | 2019-03-01 | 平安科技(深圳)有限公司 | 电子装置、基于cusum算法的建筑物用电安全识别方法及存储介质 |
CN109685362B (zh) * | 2018-12-21 | 2021-04-23 | 吉林建筑大学 | 基于智能网络构建建筑遗产保护评估***及评估方法 |
CN110362612B (zh) * | 2019-07-19 | 2022-02-22 | 中国工商银行股份有限公司 | 由电子设备执行的异常数据检测方法、装置和电子设备 |
CN113742387A (zh) * | 2020-05-29 | 2021-12-03 | 中兴通讯股份有限公司 | 数据处理方法、设备及计算机可读存储介质 |
CN112237433B (zh) * | 2020-11-05 | 2021-07-23 | 山东大学 | 一种脑电信号异常监测***及方法 |
CN113917263B (zh) * | 2021-10-09 | 2022-05-24 | 乐创达投资(广东)有限公司 | 一种基于预测数据的异常能耗二次监测的方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
CN104199961A (zh) * | 2014-09-19 | 2014-12-10 | 北京建筑技术发展有限责任公司 | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 |
-
2015
- 2015-01-04 CN CN201510001544.4A patent/CN104636999B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289585A (zh) * | 2011-08-15 | 2011-12-21 | 重庆大学 | 基于数据挖掘的公共建筑能耗实时监测方法 |
CN104199961A (zh) * | 2014-09-19 | 2014-12-10 | 北京建筑技术发展有限责任公司 | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 |
Non-Patent Citations (2)
Title |
---|
基于相似性的时间序列异常检测研究;陈然;《中国优秀硕士学位论文全文数据库·信息科技辑》;20120615(第06期);第4-27页 * |
建筑能效当量能耗方法研究;李峥嵘;《同济大学学报(自然科学版)》;20100331;第38卷(第3期);第353-357页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021120829A1 (zh) * | 2019-12-20 | 2021-06-24 | 上海市建筑科学研究院有限公司 | 一种非运行时段建筑照明插座支路用能诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104636999A (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636999B (zh) | 一种建筑异常用能数据检测方法 | |
CN106022592B (zh) | 一种用电行为异常检测与治安风险预警方法及装置 | |
EP2729891B1 (en) | Automatic identification of operating parameters for power plants | |
CN102355381B (zh) | 自适应的差分自回归移动平均模型的流量预测方法和*** | |
CN104221475B (zh) | 用于照明控制的光传感器的故障检测、定位及性能监控 | |
WO2016112209A1 (en) | Machine learning-based fault detection system | |
CN104200288A (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
CN104091070A (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和*** | |
US20160154038A1 (en) | Monitoring apparatus, monitoring method, and storage medium | |
CN110322371A (zh) | 基于多元线性回归分析的高损台区用电异常用户检测定位方法 | |
JP2014096050A (ja) | プロセス監視診断装置、プロセス監視診断プログラム | |
Qiu et al. | Data mining based framework to identify rule based operation strategies for buildings with power metering system | |
US11222520B2 (en) | Precise predictive maintenance method of driver | |
CN114061050B (zh) | 用于控制空调的方法、装置及空调 | |
KR20160022540A (ko) | 데이터마이닝 기법을 이용하여 고객기준부하를 추정하는 방법 및 그에 따른 장치 | |
Zucker et al. | Improving energy efficiency of buildings using data mining technologies | |
CN106228280A (zh) | 电网运行监控信息辨识分类*** | |
Jeyasheeli et al. | An IOT design for smart lighting in green buildings based on environmental factors | |
Kiluk | Algorithmic acquisition of diagnostic patterns in district heating billing system | |
CN110426996A (zh) | 基于大数据及人工智能的环境污染监测方法 | |
KR101997580B1 (ko) | 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체 | |
US11507861B2 (en) | Machine learning techniques for improved water conservation and management | |
Chen et al. | Whole building system fault detection based on weather pattern matching and PCA method | |
Bariya et al. | k-shapestream: Probabilistic streaming clustering for electric grid events | |
Alghanmi et al. | A comparative study of faults detection techniques on HVAC systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210046 6 building, 01 building 108, Gan Jia Bian, Qixia District, Nanjing, Jiangsu. Applicant after: Jiangsu alliance wisdom energy Limited by Share Ltd Address before: 210046 6 building, 01 building 108, Gan Jia Bian, Qixia District, Nanjing, Jiangsu. Applicant before: Nanjing Lianhong Automatization System Engineering Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |