CN110490409B - 一种基于dnn的低压台区线损率标杆值设定方法 - Google Patents
一种基于dnn的低压台区线损率标杆值设定方法 Download PDFInfo
- Publication number
- CN110490409B CN110490409B CN201910603337.4A CN201910603337A CN110490409B CN 110490409 B CN110490409 B CN 110490409B CN 201910603337 A CN201910603337 A CN 201910603337A CN 110490409 B CN110490409 B CN 110490409B
- Authority
- CN
- China
- Prior art keywords
- line loss
- loss rate
- transformer area
- layer
- dnn
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 108010014173 Factor X Proteins 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了线损率技术领域的一种基于DNN的低压台区线损率标杆值设定方法,旨在解决现有技术中缺少台区线损率标杆值指标的技术问题,基于现有的用电管理***采集台区运行数据,筛选出台区线损率的影响因子;对台区线损率进行相关性分析,提取出影响线损率的线损率关键因子;基于深度神经网络算法对关键因子和台区线损率进行建模,计算出台区线损率的标杆值;根据计算出的台区线损率标杆值对线损异常台区进行调整。本发明所述方法以实际运行数据为依据,提取出影响线损率的关键因子,利用DNN建立低压台区线损率标杆值计算模型。该方法能够给出低压台区线损率的标杆值,为各类台区线损提供一把“标尺”,明确降损方向。
Description
技术领域
本发明属于线损率技术领域,具体涉及一种基于DNN的低压台区线损率标杆值设定方法。
背景技术
电力***中发电厂生产的电能是通过电力网的输电、变电和供电环节供给用户的。在输送和分配电能的过程中,电力网中各元件(如变压器,输电线路,补偿和调整设备以及测量和保护装置等)都要消耗一定的电能。
一个低压台区是指一台配电变压器的供电范围或区域。低压台区线损计算的范围是从台区配电变压器出口装设的电度表处开始,到各用户电能表为止。在该范围内,所有元件中各种形式的电能损耗均应计入电力网线损中。线损率为线损电量占配变供电量的百分率,是衡量线损高低的指标,也是衡量电力***经济性的一项重要指标,同时也是表征电力***规划设计水平、生产技术水平和经营管理水平的一项综合性技术指标。
线损率在评价电力***的经济运行中扮演着重要的角色,线损管理是电力公司的重点管理内容之一。目前我国线损管理采用《线损四分管理标准》,根据“分压、分区、分线、分台区”的原则对线损进行全面管理。根据国家电网的测算,380V低压电网的损耗量占总损耗量的1/5,其是一个重损层。而低压电网线损管理普遍采用分台区的管理手段,所以研究台区线损情况、分析影响台区线损的重要因素对提高配电网的经济运行水平具有重要的意义。
发明内容
本发明的目的在于提供一种基于DNN的低压台区线损率标杆值设定方法,以解决现有技术中缺少台区线损率标杆值指标的技术问题。
为达到上述目的,本发明所采用的技术方案是:一种基于DNN的低压台区线损率标杆值设定方法,包括以下步骤:
a、基于现有的用电管理***采集台区运行数据,筛选出台区线损率的影响因子;
b、对台区线损率进行相关性分析,提取出影响线损率的线损率关键因子;
c、基于深度神经网络算法对关键因子和台区线损率进行建模,计算出台区线损率的标杆值;
d、根据计算出的台区线损率标杆值对线损异常台区进行调整。
所述步骤c包括以下步骤:
ca、对深度神经网络各层加激活函数:
yi=σ(xi)=σ(Wiyi-1+bi) (2)
其中,yi表示第i层的输出,yi-1表示第i-1层的输出,xi表示第i层的输入,Wi表示第i层和第i-1层之间的权重,bi表示第i层和第i-1层之间的偏差,σ表示激活函数;
cb、对深度神经网络进行逐层初始化,再利用BP算法对深度神经网络进行训练,即误差反向传播过程。这个过程中采用随机梯度下降(SGD)更新权重Wi和偏差bi,达到参数逐层学习从而不断提高模型预测精度。其中,常用的损失函数有均方根误差(MSE),公式如下:
cc、采用丢弃法(Dropout)对模型进行正则化,防止过拟合,提高其泛化能力;
cd、将线损率关键因子X作为输入特征,对应线损率Y为输出,建立深度神经网络模型,如下:
Y=f(X) (4)
其中,f(·)表示模型的数学表达;
ce、将采集到的数据分为训练样本和测试样本,用训练样本对深度神经网络模型进行训练,用测试样本进行测试,构建最佳拟合模型;
cf、利用训练好的模型对台区进行线损率标杆值计算。
所述步骤a包括以下步骤:
aa、从现有的用电管理***中提取线损相关特征;
ab、根据提取的线损相关特征,筛选出低压台区线损率的影响因子。
所述步骤b包括以下步骤:
ba、计算线损率影响因子与线损率的互信息值,对于两个离散型随机变量M、N,它们之间的互信息值I(M,N)可通过下式进行计算:
式中,ma表示离散变量M的第a个数据,nb表示离散变量N的第b个数据,k表示离散变量M的数据总个数,r表示离散变量N的数据总个数,p(·)表示概率;
bb、根据计算出的各线损率影响因子与线损率的互信息值,提取出影响线损率的关键因子。
所述用电管理***包括用电信息采集***、营销业务应用***、PMS***。
所述线损率关键因子包括居民容量占比、用户数、户均变压器配置容量和负载率。
与现有技术相比,本发明所达到的有益效果:本发明所述方法以现有的用电信息***、营销***、PMS***等的实际运行数据为依据,提取出影响线损率的关键因子,利用DNN建立低压台区线损率标杆值计算模型。该方法能够给出低压台区线损率的标杆值,为各类台区线损提供一把“标尺”,明确降损方向。
附图说明
图1是本发明实施例提供的一种基于DNN的低压台区线损率标杆值设定方法的深度神经网络基本结构示意图;
图2是本发明实施例提供的一种基于DNN的低压台区线损率标杆值设定方法的深度神经网络测试结果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明所述基于深度神经网络模型(DNN)的低压台区线损率标杆值设定方法,首先从现有的用电管理***包括用电信息采集***、营销业务应用***、PMS***等采集台区运行数据,筛选出台区线损率影响因子,具体做法是提取出用电信息采集***、营销业务应用***、PMS***中所有线损相关字段;根据提取出的线损相关字段,筛选出低压台区线损率的影响因子。
对台区线损率进行相关性分析,提取出影响线损率的关键因子,具体做法是计算筛选出的影响因子与线损率的互信息,对于两个离散型随机变量M、N,它们之间的互信息值I(M,N)可通过下式进行计算:
式中,ma表示离散变量M的第a个数据,nb表示离散变量N的第b个数据,k表示离散变量M的数据总个数,r表示离散变量N的数据总个数,p(·)表示概率。
根据计算出的各影响因子与线损率的互信息大小,提取出影响线损率的关键因子,作为建模的输入特征。
以连云港地区的部分低压台区为例,从用电信息采集***、营销业务***、PMS***中提取出线损相关字段,通过计算互信息得到影响线损率的关键因子,分别为居民容量占比、用户数、户均变压器配置容量和负载率,相关互信息计算结果如下:
表1关键因子与台区线损率互信息
深度神经网络的基本结构如图1所示,将线损率关键因子作为深度神经网络的输入,为使模型从简单线性映射到对高度非线性问题进行有效建模,对深度神经网络(DNN)各层加激活函数:
yi=σ(xi)=σ(Wiyi-1+bi) (2)
其中,yi表示第i层的输出,yi-1表示第i-1层的输出,xi表示第i层的输入,Wi表示第i层和第i-1层之间的权重,bi表示第i层和第i-1层之间的偏差,σ表示激活函数。
对深度神经网络进行逐层初始化,再利用BP算法对深度神经网络进行训练,即误差反向传播过程。这个过程中采用随机梯度下降(SGD)更新权重Wi和偏差bi,达到参数逐层学习从而不断提高模型预测精度。其中,常用的损失函数有均方根误差(MSE),公式如下:
其中,t表示样本的个数,表示第j个样本的预测值,Dj表示第j个样本的真实值。为了防止过拟合,提高其泛化能力,采用丢弃法(Dropout)对模型进行正则化。将线损率关键因子作为输入特征,对应线损率为输出,建立深度神经网络(DNN)模型,如下:
Y=f(X) (4)
其中,f(·)表示模型的数学表达;将采集到的数据分为训练样本和测试样本,用训练样本对深度神经网络模型进行训练,用测试样本进行测试,构建最佳拟合模型;输入需要计算的台区的线损率关键因子,利用训练好的模型对台区进行线损率标杆值计算。将计算出的台区线损率标杆值与台区真实线损率对比,对线损异常台区进行降损调整。
将居民容量占比、用户数、户均变压器配置容量和负载率作为DNN输入特征,台区线损率为输出,进行低压台区线损率标杆值建模。选取500个台区一个月的数据为训练样本,1个台区为测试样本,测试结果如图2所示。
从图2可以看出,基于DNN建模给出的线损率标杆值基本符合实际情况,并且能找出线损异常的台区,本发明所述方法以现有的用电信息***、营销***、PMS***等的实际运行数据为依据,提取出影响线损率的关键因子,利用DNN建立低压台区线损率标杆值计算模型。该方法能够给出低压台区线损率的标杆值,为各类台区线损提供一把“标尺”,明确降损方向。
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形,这些改进和变形也应视为本发明的保护范围。
Claims (4)
1.一种基于DNN的低压台区线损率标杆值设定方法,其特征是,包括以下步骤:
a、基于现有的用电管理***采集台区运行数据,筛选出台区线损率的影响因子;
b、对台区线损率进行相关性分析,提取出影响线损率的线损率关键因子;
c、基于深度神经网络算法对关键因子和台区线损率进行建模,计算出台区线损率的标杆值;
d、根据计算出的台区线损率标杆值对线损异常台区进行调整;
其中,所述步骤b包括以下步骤:
ba、计算线损率影响因子与线损率的互信息值,对于两个离散型随机变量M、N,它们之间的互信息值I(M,N)通过下式进行计算:
式中,ma表示离散变量M的第a个数据,nb表示离散变量N的第b个数据,k表示离散变量M的数据总个数,r表示离散变量N的数据总个数,p(·)表示概率;
bb、根据计算出的各线损率影响因子与线损率的互信息值,提取出影响线损率的关键因子;
所述步骤c包括以下步骤:
ca、对深度神经网络各层加激活函数:
yi=σ(xi)=σ(Wiyi-1+bi) (2)
其中,yi表示第i层的输出,yi-1表示第i-1层的输出,xi表示第i层的输入,Wi表示第i层和第i-1层之间的权重,bi表示第i层和第i-1层之间的偏差,σ表示激活函数;
cb、对深度神经网络进行逐层初始化,再利用BP算法对深度神经网络进行训练,即误差反向传播过程;这个过程中采用随机梯度下降SGD更新权重Wi和偏差bi,达到参数逐层学习从而不断提高模型预测精度;其中,常用的损失函数有均方根误差MSE,公式如下:
cc、采用丢弃法对模型进行正则化,防止过拟合,提高其泛化能力;
cd、将线损率关键因子X作为输入特征,对应线损率Y为输出,建立深度神经网络模型,如下:
Y=f(X) (4)
其中,f(·)表示模型的数学表达;
ce、将采集到的数据分为训练样本和测试样本,用训练样本对深度神经网络模型进行训练,用测试样本进行测试,构建最佳拟合模型;
cf、利用训练好的模型对台区进行线损率标杆值计算。
2.根据权利要求1所述的基于DNN的低压台区线损率标杆值设定方法,其特征是,所述步骤a包括以下步骤:
aa、从现有的用电管理***中提取线损相关特征;
ab、根据提取的线损相关特征,筛选出低压台区线损率的影响因子。
3.根据权利要求1所述的基于DNN的低压台区线损率标杆值设定方法,其特征是,现有的用电管理***包括用电信息采集***、营销业务应用***、PMS***。
4.根据权利要求1所述的基于DNN的低压台区线损率标杆值设定方法,其特征是,所述线损率关键因子包括居民容量占比、用户数、户均变压器配置容量和负载率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603337.4A CN110490409B (zh) | 2019-07-05 | 2019-07-05 | 一种基于dnn的低压台区线损率标杆值设定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910603337.4A CN110490409B (zh) | 2019-07-05 | 2019-07-05 | 一种基于dnn的低压台区线损率标杆值设定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490409A CN110490409A (zh) | 2019-11-22 |
CN110490409B true CN110490409B (zh) | 2022-09-09 |
Family
ID=68546779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910603337.4A Active CN110490409B (zh) | 2019-07-05 | 2019-07-05 | 一种基于dnn的低压台区线损率标杆值设定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490409B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160404B (zh) * | 2019-12-09 | 2024-01-23 | 国网北京市电力公司 | 配电网线损标杆合理值的分析方法及装置 |
CN111582630A (zh) * | 2020-03-25 | 2020-08-25 | 中国电力科学研究院有限公司 | 一种用于确定低压台区线损率评估值的方法及*** |
CN112149873B (zh) * | 2020-08-25 | 2023-07-21 | 北京合众伟奇科技股份有限公司 | 一种基于深度学习的低压台区线损合理区间预测方法 |
CN113281697B (zh) * | 2021-05-20 | 2023-04-18 | 国网河南省电力公司营销服务中心 | 一种运行误差在线分析方法及*** |
CN114118855B (zh) * | 2021-12-06 | 2022-09-30 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于cnn的台区线损率标杆值计算方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871622A (zh) * | 2019-02-25 | 2019-06-11 | 燕山大学 | 一种基于深度学习的低压台区线损计算方法及*** |
-
2019
- 2019-07-05 CN CN201910603337.4A patent/CN110490409B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871622A (zh) * | 2019-02-25 | 2019-06-11 | 燕山大学 | 一种基于深度学习的低压台区线损计算方法及*** |
Non-Patent Citations (1)
Title |
---|
基于改进K-Means聚类和BP神经网络的台区线损率计算方法;李亚等;《中国电机工程学报》;20160905(第17期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110490409A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
CN105389636A (zh) | 一种低压台区kfcm-svr合理线损预测方法 | |
CN103903094B (zh) | 一种电网企业承载力评估***及方法 | |
CN110489783B (zh) | 一种基于qrnn的低压台区线损率合理范围估计方法 | |
CN103761690A (zh) | 基于电网***中电压无功控制***的评估方法 | |
CN106991524A (zh) | 一种台区线损率预估方法 | |
CN109377034A (zh) | 基于智能电网信息通信***的风险态势评估方法 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏***发电效率综合评估方法 | |
CN104037943A (zh) | 一种提高电网电压质量的电压监测方法及*** | |
CN108631295A (zh) | 实测数据的理论线损在线精准计算*** | |
CN104331773A (zh) | 一种电网规划方案综合评估方法 | |
CN111191966B (zh) | 一种基于时空特性的配电网电压不合格时段识别方法 | |
CN109272140B (zh) | 一种基于大数据分析的变电设备运行期成本预测方法 | |
CN107358332A (zh) | 一种电网调度运行精益化评价方法 | |
CN106599417A (zh) | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 | |
CN106530139A (zh) | 电网投资分析模型指标参数计算方法 | |
CN106600131A (zh) | 电网投资分析模型评价方法 | |
CN108876114A (zh) | 考虑新能源接入的电网效率效益评估方法 | |
CN104638636A (zh) | 一种电力日负荷特性指标预测方法 | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN104036434A (zh) | 一种配电网负荷供应能力评价方法 | |
CN107769268A (zh) | 一种含小水电的地调范围日前预测省供负荷方法 | |
CN111027886A (zh) | 一种考虑单位成本效用的低电压治理方案的评估方法 | |
CN106951993A (zh) | 一种电能量数据预估方法 |
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 |