CN112131780B - 一种基于数据挖掘的火电厂循环水***控制方法 - Google Patents

一种基于数据挖掘的火电厂循环水***控制方法 Download PDF

Info

Publication number
CN112131780B
CN112131780B CN202010839690.5A CN202010839690A CN112131780B CN 112131780 B CN112131780 B CN 112131780B CN 202010839690 A CN202010839690 A CN 202010839690A CN 112131780 B CN112131780 B CN 112131780B
Authority
CN
China
Prior art keywords
circulating water
unit
data
water pump
vacuum
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
Application number
CN202010839690.5A
Other languages
English (en)
Other versions
CN112131780A (zh
Inventor
陈俊彦
蔡峰
吴锐
王浩
陈辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Nanjing Jinling Power Generation Co Ltd
Original Assignee
Huaneng Nanjing Jinling Power Generation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaneng Nanjing Jinling Power Generation Co Ltd filed Critical Huaneng Nanjing Jinling Power Generation Co Ltd
Priority to CN202010839690.5A priority Critical patent/CN112131780B/zh
Publication of CN112131780A publication Critical patent/CN112131780A/zh
Application granted granted Critical
Publication of CN112131780B publication Critical patent/CN112131780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

本发明提出了一种基于数据挖掘的火电厂循环水***控制方法，对运行操作进行先期预测。利用数据挖掘技术和大量历史数据，对凝汽器真空***进行神经网络建模，从而更加准确的预测运行操作后，真空***的变化情况，定量计算准确性高，利用计算机编写焓值查表函数，配合相应算法，能够快速准确定量计算出厂际经济效益，为启动/停止循环水泵做先期预测，同时利用算法规则，综合负荷的影响，精确定量计算机组经济性的变化。

Description

一种基于数据挖掘的火电厂循环水***控制方法
技术领域
本发明涉及一种基于数据挖掘的火电厂循环水***控制方法。
背景技术
凝汽式火电机组的经济性与凝汽器真空密切相关。凝汽器真空度高，则蒸汽做功能力高，经济性高，反之，则经济性低。夏季，环境温度升高，循环水温升高，冷却汽机排汽的效果降低，导致真空度降低。此时，为了提高真空度，提高机组效率，火电厂一般采取多台循环水泵运行。启动循环水泵后，发电煤耗降低，燃料成本减少，但上网电量较启动前，减少了循环水泵的有功功率P，总体电量营收减少。如何评估启动/停止循环水泵后机组整体经济性的变化，是决定启动/停止循环水泵的关键。
现有技术均是在启动/停止循环水泵后，通过实地测量凝汽器真空的变化幅值来评估启动/停止循环水泵的经济效益，缺乏对运行操作的先期预测。在评估真空变化对煤耗的影响时，使用的仍然是经验值，如每1kPa真空的变化，对应多少g/kWh的煤耗变化。使用经验值，脱离了当前负荷对发电煤耗的影响，误差随着负荷而变化，不能达到精确计算，而且如果要通过实验建立一整套发电煤耗与真空的关系，则投资过大。
发明内容
发明目的：本发明的目的是针对目前技术中的不足，提供了一种基于数据挖掘的火电厂循环水***控制方法，为启动/停止循环水泵做先期预测，同时利用算法规则，综合负荷的影响，精确定量计算机组经济性的变化。
技术方案：为实现上述目的，本发明提供了一种基于数据挖掘的火电厂循环水***控制方法，其特征在于：包括有如下步骤：
(1)数据采集：
以一年为窗口，每间隔一小时采集凝汽器的运行数据，采集的运行数据包括循环水温T、循环水流量F、机组负荷L、凝汽器真空V，并将数据存储在服务器内；
(2)采集数据的筛选：
对采集的循环水温T、循环水流量F、机组负荷L、凝汽器真空V进行筛选，剔除其中的停机值、启机值和异常值；
(3)采集数据的标准化：
通过如下公式1对采集数据进行标准化，消除量纲的影响；
(4)机组凝汽器真空***BP神经网络建模：
将采集数据分为训练集、检验集、测试集，利用训练集训练模型，经反复测试，选择BP神经网络模型为3个变量的输入层，节点数均为6的两个隐藏层，1个输出节点的输出层，隐藏层激活函数选择Relu，梯度算法选择Adam,评价函数选择MSE，建立并保存模型；
(5)机组凝汽器真空的预测：
利用模型对启动/停运的循环水泵后机组真空进行预测。在双机组运行之时，启动/停运循环水泵后，循环水压力P将变化为3/2倍或2/3倍原循环水压力。将启动/停运循环水后的压力代入模型，得到启动/停运循环水泵后的预测真空x′，利用如下公式2，得到预测真空值；x′＝x′×std(x)+mean(x)；
(6)机组发电煤耗变化；
建立蒸汽饱和焓值查表函数f。则机组总体节约/增加发电煤量Δb发如下公式3和公式4计算所示(负值为煤耗增加)；
E＝f(x)
(7)机组经济性测算：
在双机运行时，启动/停止循环水泵后，设当时标煤煤价为P标，上网电价P电，启动1号机备用循环水泵，1号机的经济性测算用如下公式5计算；
ΔC1＝Δb发1×P标1-ΔP上网×P电；
厂际经济性则由如下公式6计算：
ΔC＝ΔC1+ΔC2＝(Δb发1+Δb发2)×P标-ΔP上网×P电
当1号机和2号机运行情况完全相同时，则可简化为。
ΔC＝2×Δb发1×P标-ΔP上网×P电。
作为本方案的一种改进，所述公式3中进入凝汽器的蒸汽量等于凝结水流量F凝水，分子为真空变化后，进入凝汽器的蒸汽做功的变化量，分母中η热效为机组整体热效率。
作为本方案的一种改进，机组上网电量减少/增加为循环水泵的有功功率P。
作为本方案的一种改进，当ΔC大于零时表示此时启动/停止循环水泵的厂际经济效益是提高的，反之则降低。
与现有技术相比本发明具有的有益效果：
1、对运行操作进行先期预测。利用数据挖掘技术和大量历史数据，对凝汽器真空***进行神经网络建模，从而更加准确的预测运行操作后，真空***的变化情况。
2、定量计算准确性高。利用计算机编写焓值查表函数，配合相应算法，能够快速准确定量计算出厂际经济效益。
3、投资小。充分调动电厂内部大量已存在数据，综合分析，编制相应算法即可达到预测的效果，不需要额外投资。
附图说明
图1为本发明中应用步骤示意图；
图2为本发明中标煤单价和上网电价的趋势图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
一种基于数据挖掘的火电厂循环水***控制方法，通过机组循环水***一年运行参数的采集，以一年为窗口，每小时采集一组数据。在凝汽式汽轮机中，影响凝汽器真空的因素为循环水温、水循环水量、排入凝汽器的蒸汽量和真空***的运行方式(常量)。因此，数据采集变量包括，循环水温T、循环水流量F(在管路条件不变的情况下可用循环水压力P替代)、机组负荷L、凝汽器真空V。
机组采集数据的筛选。对一年的采集数据进行筛选，剔除停机值、启机值、异常值。
机组采集数据的标准化。为消除量纲的影响，利用公式1对采集数据进行标准化。
机组凝汽器真空***BP神经网络建模。将采集数据分为训练集、检验集、测试集。利用训练集训练模型。经反复测试，选择BP神经网络模型为3个变量的输入层，节点数均为6的两个隐藏层，1个输出节点的输出层，隐藏层激活函数选择Relu，梯度算法选择Adam,评价函数选择MSE。建立并保存模型。
机组凝汽器真空的预测。利用模型对启动/停运的循环水泵后机组真空进行预测。在双机组运行之时，启动/停运循环水泵后，循环水压力P将变化为3/2倍或2/3倍原循环水压力。将启动/停运循环水后的压力代入模型，得到启动/停运循环水泵后的预测真空x′。利用公式2，得到预测真空值。
x′＝x′×std(x)+mean(x)
机组发电煤耗变化。建立蒸汽饱和焓值查表函数f。则机组总体节约/增加发电煤量Δb发如下公式3和公式4计算所示(负值为煤耗增加)。
E＝f(x)
公式3和公式4中，进入凝汽器的蒸汽量等于凝结水流量F凝水。分子为真空变化后，进入凝汽器的蒸汽做功的变化量。分母中，η热效为机组整体热效率。
机组上网电量减少/增加为循环水泵的有功功率P。
机组经济性测算。双机运行，启动/停止循环水泵后。设当时标煤煤价为P标，上网电价P电，启动1号机备用循环水泵，1号机的经济性测算用公式5计算
ΔC1＝Δb发1×P标1-ΔP上网×P电厂际经济性则由公式6计算。
ΔC＝ΔC1+ΔC2＝(Δb发1+Δb发2)×P标-ΔP上网×P电
当1号机和2号机运行情况完全相同时，则可简化为。
ΔC＝2×Δb发1×P标-ΔP上网×P电
ΔC大于零表示此时启动/停止循环水泵的厂际经济效益是提高的，反之则降低。此则可作为在不考虑故障情况下启动/停止循环水泵的最重要条件。
如图1所示，本发明的应用过程，包括：一年机组运行数据的采集，其中应包括备用循环水泵启停状态；对启机值、停机值、异常值的筛选；对采集的数据标准化，消除量纲影响；对采集的数据进行BP神经网络建模，建立真空***的预测模型；焓值查表，计算当前值与预测值做功量的变化；折合做功量的变化到标煤耗量的变化上；以当前标煤单价和上网电价为统计标准，计算燃料成本的较少和营收减少之差。
如图2所示，针对不同的标煤单价和上网电价，Δb发临界值不同。从图上体现的趋势随着煤价的上升，临界值减小；随着上网电价的上升，临界值增大。当预测出的Δb发落于右上方区域时，可考虑启动/停止循环水泵以获得正的机组收益。相反，落于左下方区域时，则不启动/停止循环水泵。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

Claims (2)

1.一种基于数据挖掘的火电厂循环水***控制方法，其特征在于：包括有如下步骤：
(1)数据采集：
以一年为窗口，每间隔一小时采集凝汽器的运行数据，采集的运行数据包括循环水温T、循环水压力P、机组负荷L、凝汽器真空V，并将数据存储在服务器内；
(2)采集数据的筛选：
对采集的循环水温T、循环水压力P、机组负荷L、凝汽器真空V进行筛选，剔除其中的停机值、启机值和异常值；
(3)采集数据的标准化：
通过如下公式(1)对采集数据进行标准化，消除量纲的影响；
(4)机组凝汽器真空***BP神经网络建模：
将采集数据分为训练集、检验集、测试集，利用训练集训练模型，经反复测试，选择BP神经网络模型为3个变量的输入层，节点数均为6的两个隐藏层，1个输出节点的输出层，隐藏层激活函数选择Relu，梯度算法选择Adam,评价函数选择MSE，建立并保存模型；
(5)机组凝汽器真空的预测：
利用模型对启动/停运的循环水泵后机组真空进行预测，在双机组运行之时，启动/停运循环水泵后，循环水压力P将变化为3/2倍或2/3倍原循环水压力，将启动/停运循环水后的压力代入模型，得到启动/停运循环水泵后的预测真空v′，利用如下公式(2)，得到预测真空值；v＝v′×std(v)+mean(v) (2)，mean()表示平均值函数，std()表示标准差函数；
(6)机组发电煤耗变化；
建立蒸汽饱和焓值查表函数f，则机组总体节约/增加发电煤量Δb发利用如下公式3和公式4计算所示；
E＝f(v) (3)
式中，机组总体节约/增加发电煤量若为负值表示煤耗增加；
(7)机组经济性测算：
在双机运行时，启动/停止循环水泵后，设当时标煤煤价为P标，上网电价P电，启动1号机备用循环水泵，1号机的经济性测算用如下公式(5)计算；
ΔC1＝Δb发1×P标-ΔP上网×P电 (5)；
厂际经济性则由如下公式(6)计算：
ΔC＝ΔC1+ΔC2＝(Δb发1+Δb发2)×P标-ΔP上网×P电 (6)；
当1号机和2号机运行情况完全相同时，则可简化为；
ΔC＝2×Δb发1×P标-ΔP上网×P电 (7)；
其中E当前表示当前蒸汽饱和焓值、E预测表示预测蒸汽饱和焓值、F凝水表示凝结水流量、η热效表示机组整体热效率、Δb发1表示1号机组总体节约/增加发电煤量、Δb发2表示2号机组总体节约/增加发电煤量、ΔP上网表示上网电量变化值，ΔC表示厂际经济性，ΔC1表示1号机组的经济性，ΔC2表示2号机组的经济性。
2.根据权利要求1所述的一种基于数据挖掘的火电厂循环水***控制方法，其特征在于：当ΔC大于零时表示此时启动/停止循环水泵的厂际经济效益是提高的，反之则降低。
CN202010839690.5A 2020-08-19 2020-08-19 一种基于数据挖掘的火电厂循环水***控制方法 Active CN112131780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010839690.5A CN112131780B (zh) 2020-08-19 2020-08-19 一种基于数据挖掘的火电厂循环水***控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010839690.5A CN112131780B (zh) 2020-08-19 2020-08-19 一种基于数据挖掘的火电厂循环水***控制方法

Publications (2)

Publication Number Publication Date
CN112131780A CN112131780A (zh) 2020-12-25
CN112131780B true CN112131780B (zh) 2024-05-14

Family

ID=73850539

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010839690.5A Active CN112131780B (zh) 2020-08-19 2020-08-19 一种基于数据挖掘的火电厂循环水***控制方法

Country Status (1)

Country Link
CN (1) CN112131780B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114198978B (zh) * 2021-04-22 2023-06-20 安徽新力电业高技术有限责任公司 循环水***自控控制试验方案优化设计方法
CN113671830B (zh) * 2021-08-10 2024-04-02 浙江浙能数字科技有限公司 一种基于智能打分的火电机组冷端优化闭环控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002048305A (ja) * 2000-08-07 2002-02-15 Hokuriku Electric Power Co Inc:The 蒸気原動設備
CN106885228A (zh) * 2017-02-10 2017-06-23 青岛高校信息产业股份有限公司 一种锅炉风煤比优化方法和***
CN111353631A (zh) * 2019-11-26 2020-06-30 国网山东省电力公司电力科学研究院 基于多层lstm的火电厂凝汽器真空度预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9316122B2 (en) * 2010-12-20 2016-04-19 Invensys Systems, Inc. Feedwater heater control system for improved Rankine cycle power plant efficiency

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002048305A (ja) * 2000-08-07 2002-02-15 Hokuriku Electric Power Co Inc:The 蒸気原動設備
CN106885228A (zh) * 2017-02-10 2017-06-23 青岛高校信息产业股份有限公司 一种锅炉风煤比优化方法和***
CN111353631A (zh) * 2019-11-26 2020-06-30 国网山东省电力公司电力科学研究院 基于多层lstm的火电厂凝汽器真空度预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
330MW亚临界空冷火电机组实时热耗率和冷端损失模型;赵俊杰;王金浩;兰俊生;周健;沈跃军;任晓敏;谢国峰;;汽轮机技术(04);全文 *
基于神经网络的凝汽器真空应达值计算;王建国;王国杰;;化工自动化及仪表(06);全文 *
火电机组在线热力性能分析与计算程序实现;马洁;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第10期);全文 *
电站循环水***经济运行探讨;邓润亚, 赵忠峰;山东电力技术(06);全文 *
自动除垢强化换热装置在凝汽器中的节能应用;王木忠，等;《节能》;20120215(第2期);全文 *

Also Published As

Publication number Publication date
CN112131780A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN111275288B (zh) 基于XGBoost的多维数据异常检测方法与装置
Xie et al. An advanced PLS approach for key performance indicator-related prediction and diagnosis in case of outliers
CN112131780B (zh) 一种基于数据挖掘的火电厂循环水***控制方法
US8135568B2 (en) Turbomachine airfoil life management system and method
CN111159844B (zh) 一种电站燃气轮机排气温度的异常检测方法
JP2001263006A (ja) コンバインド発電プラントの熱効率診断方法および装置
Ma et al. Fault detection for dynamic processes based on recursive innovational component statistical analysis
CN109861310B (zh) 超临界火电机组一次调频***辨识变量选择方法
US20230152786A1 (en) Industrial equipment operation, maintenance and optimization method and system based on complex network model
CN109471420B (zh) 基于cva-sfa的智能电厂大型燃煤发电机组空气预热器控制性能监测方法
CN109538311B (zh) 面向高端发电装备中汽轮机的控制性能实时监测方法
CN108490908B (zh) 一种面向百万千瓦超超临界机组变工况运行的动态分布式监测方法
CN109188905B (zh) 一种面向百万千瓦超超临界机组的动静特征协同分析的在线监测方法
CN117970856B (zh) 无人值守水洗模块的自动化控制***及方法
CN112069457A (zh) 一种基于动态平稳子空间分析的非平稳动态过程异常监测方法
CN114169718A (zh) 一种基于风电机组状态评估提高机组可靠性的方法
Fu et al. Regression forecast of main steam flow based on mean impact value and support vector regression
Chen et al. Application of deep learning modelling of the optimal operation conditions of auxiliary equipment of combined cycle gas turbine power station
CN116029433A (zh) 基于灰色预测的能效基准值判定方法、***、设备和介质
CN112734158B (zh) 发电机组的热电负荷分配方法、装置及电子设备
CN114818127A (zh) 一种汽轮机劣化程度的量化方法
Souza et al. Evaluation of data based normal behavior models for fault detection in wind turbines
Qiao et al. Research on SCADA data preprocessing method of Wind Turbine
Yu et al. Intrinsic Causality Embedded Concurrent Quality and Process Monitoring Strategy
Dolce Comprehensive experimental validation and performance analysis of a data-driven model for two brine-to-water heat pumps

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