CN113624998A - 基于电力大数据的电锅炉补热储热成本优化方法和装置 - Google Patents
基于电力大数据的电锅炉补热储热成本优化方法和装置 Download PDFInfo
- Publication number
- CN113624998A CN113624998A CN202111092993.6A CN202111092993A CN113624998A CN 113624998 A CN113624998 A CN 113624998A CN 202111092993 A CN202111092993 A CN 202111092993A CN 113624998 A CN113624998 A CN 113624998A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- missing
- layer
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001502 supplementing effect Effects 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims description 9
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 230000009467 reduction Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 55
- 238000012937 correction Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000000513 principal component analysis Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 1
- 238000013486 operation strategy Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000000638 stimulation Effects 0.000 description 5
- 238000005338 heat storage Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
- G01Q10/00—Scanning or positioning arrangements, i.e. arrangements for actively controlling the movement or position of the probe
- G01Q10/04—Fine scanning or positioning
-
- 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
- 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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于电力大数据的电锅炉补热储热成本优化方法和装置。所述方法包括获取气象预报数据、设备运行数据以及电力用采数据，对获取到的数据进行预处理；提取成本特征和运行效率特征，对提取到的特征进行降维处理，并划分为训练集数据和测试集数据；建立BP神经网络模型，将训练集数据输入所述BP神经网络模型进行训练，将训练后的神经网络模型作为补热储热策略模型；将所述测试集数据输入到所述补热储热策略模型中，输出用能成本。以此方式，可以拟合换热站运行策略和节能降耗效果，拟合效率明显提高，并且提高换热站用能效率。
Description
技术领域
本发明一般涉及电力大数据领域，并且更具体地，涉及一种基于电力大数据的电锅炉补热储热成本优化方法和装置。
背景技术
北方地区冬天采暖方式以集中供热为主，由于供暖面积不断扩大，热网传输过程中损耗不断加大，导致供热末端换热站普遍存在供热能力不足的问题。为了解决此问题，很多换热站增加了电能补热装置，在换热站内部利用电能补充加热，起到改善供热末端换热站供热能力不足的问题。例如，以回水温度自动调节流速，当回水温度高时，降低水阀的流速；当回水温度低时，提高水阀的流速。这样当流速高时，一次网热水高速流过板式换热器，把较多的热能交换到二次网中，能够保证二次网的供水温度。
但是由于***复杂，需要控制的设备数量较多，全部采用人工控制效果差，缺乏算法模型进行辅助，导致补热***运行效率低下，过高的流速会带来热量的流失。并且由于需要感知到回水温度下降后再调节，导致调节时间存在滞后性，无法根据实时天气情况预判调节策略。
发明内容
根据本发明的实施例，提供了一种基于电力大数据的电锅炉补热储热成本优化方案。本方案为换热站提供电锅炉补热储热成本优化的运行策略，提高换热站用能效率。
在本发明的第一方面，提供了一种基于电力大数据的电锅炉补热储热成本优化方法。该方法包括：
获取气象预报数据、设备运行数据以及电力用采数据，对获取到的数据进行预处理；
对预处理后的数据进行成本特征提取和运行效率特征提取，使用PCA算法对提取到的特征进行降维处理，将降维处理后的数据划分为训练集数据和测试集数据；
建立BP神经网络模型，将所述训练集数据输入所述BP神经网络模型进行训练，将训练后的神经网络模型作为补热储热策略模型；
将所述测试集数据输入到所述补热储热策略模型中，输出用能成本。
进一步地，所述对获取到的数据进行预处理，包括：
从获取到的数据中识别出缺失数据，对所述缺失数据进行补缺；
将补缺后的数据进行归一化处理，得到预处理后的数据。
进一步地，所述从获取到的数据中识别出缺失数据，对所述缺失数据进行补缺，包括：
识别出缺失数据对应的缺失数据组对象，得到缺失数据组对象集；
从完整数据组对象集中计算所述缺失数据组对象集中各个缺失数据组对象的相似类；
若所述完整数据组对象集中不存在所述缺失数据组对象的相似类，则从所述缺失数据组对象集中删除所述缺失数据组对象；
若所述缺失数据组对象的相似类中只有一个数据组对象，则按照所述相似类中的数值对所述缺失数据组对象的缺失数据进行补缺；
若所述缺失数据组对象的相似类中有多个数据组对象，则计算缺失数据对应的相似类中数值的众数，按照所述众数对所述缺失数据组对象的缺失数据进行补缺。
进一步地，所述使用PCA算法对提取到的特征进行降维处理，包括：
将所述预处理后的数据按照气象预报数据、设备运行数据、电力用采数据的顺序转化为一维数组；
计算方差矩阵，对所述成本特征和运行效率特征的特征值进行分解；将所述成本特征和运行效率特征的特征向量按对应的特征值的大小进行降序排列；
将最大特征值对应的特征向量组成投影矩阵，将所述一维数组向所述投影矩阵投影，得到所述一维数组的降维表示。
进一步地，所述BP神经网络模型采用M-P神经元结构，激活函数为Logistic函数，优化器为lbfgs。
进一步地，将所述训练集数据输入所述BP神经网络模型进行训练，包括：
将所述训练集数据输入到所述BP神经网络模型的输入层，经过信号的前向传播，分别计算隐含层和输出层的输入和输出，由所述输出层输出用能成本；
从所述输出层开始反向计算所述BP神经网络模型各层神经元的输出误差，通过误差梯度下降法对所述隐含层和输出层的权值和阈值进行一次修正；
对一次调节后的所述隐含层和输出层的权值和阈值进行二次修正，得到修正后的BP神经网络模型。
进一步地，所述对一次调节后的所述隐含层和输出层的权值和阈值进行二次修正，包括：
Δwij(k+1)＝(1-mc)ηδipj+mcΔwij(k)
Δθi(k+1)＝(1-mc)ηδi+mcΔθi(k)
其中，k为训练次数；mc为动量因子，取0.95；pj是前一层节点j的输出；Δθi(k)为隐含层阈值的一次修正结果；Δwij(k)为隐含层权值的一次修正结果；Δwij(k+1)为隐含层权值的二次修正结果；Δθi(k+1)为隐含层阈值的二次修正结果；η为学习速率；δi为系数，计算公式如下：
δi＝yi(1-yi)(di-yi)
其中，di为神经元节点i的目标输出，yi是神经元节点i的实际输出。
进一步地，所述方法还包括：
将所述补热储热策略模型通过模型图数据结构和模型变量值数据结构进行保存；其中，所述模型图数据结构，包括：
第一部分，用于保存模型的层信息，每层的信息占用一个数据块，所述数据块中依次记录层序号、当前层的神经元个数以及神经元描述信息；
第二部分，用于保存模型的参数传播方向数据；所述模型的参数传播方向数据通过前层神经元、目标神经元以及神经元的连通关系进行描述；
所述模型变量值数据结构，包括：
对每个神经元，通过神经元编号、偏置以及权重数组进行描述；其中，所述权重数组为对象数组，所述对象数组中包括每个信号传导方向的前置神经元和权重。
在本发明的第二方面，提供了一种基于电力大数据的电锅炉补热储热成本优化装置。该装置包括：
获取模块，用于获取气象预报数据、设备运行数据以及电力用采数据，对获取到的数据进行预处理；
降维模块，用于对预处理后的数据进行成本特征提取和运行效率特征提取，使用PCA算法对提取到的特征进行降维处理，将降维处理后的数据划分为训练集数据和测试集数据；
训练模块，用于建立BP神经网络模型，将所述训练集数据输入所述BP神经网络模型进行训练，将训练后的神经网络模型作为补热储热策略模型；
输出模块，用于将所述测试集数据输入到所述补热储热策略模型中，输出用能成本。
在本发明的第三方面，提供了一种电子设备。该电子设备至少一个处理器；以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了根据本发明的实施例的基于电力大数据的电锅炉补热储热成本优化方法的流程图；
图2示出了根据本发明的实施例的对缺失数据进行补缺的流程图；
图3示出了根据本发明的实施例的降维处理过程流程图；
图4示出了根据本发明的实施例的M-P神经元结构示意图；
图5示出了根据本发明的实施例的BP神经网络结构示意图；
图6示出了根据本发明的实施例的训练BP神经网络模型的流程图；
图7示出了根据本发明的实施例的基于电力大数据的电锅炉补热储热成本优化装置的方框图；
图8示出了能够实施本发明的实施例的示例性电子设备的方框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本发明通过深度神经网络算法，拟合换热站运行策略和节能降耗效果，采用了优化的BP神经网络，拟合效率明显提高，能够快速为换热站导出运行策略模型，提高换热站用能效率。
图1示出了本发明实施例的基于电力大数据的电锅炉补热储热成本优化方法的流程图。
该方法包括：
S101、获取气象预报数据、设备运行数据以及电力用采数据，对获取到的数据进行预处理。
作为本发明的一种实施例，所述气象预报数据可以是当地的气象预报数据。例如，获取的气象预报数据的数据结构如表1所示。
表1
作为本发明的一种实施例，所述设备运行数据的数据结构如表2所示。
表2
作为本发明的一种实施例，所述电力用采数据的数据结构如表3所示。
表3
通过规范输入数据的数据格式，使采用的数据更能够准确反映换热站运行策略和能耗。
在获取到上述气象预报数据、设备运行数据以及电力用采数据后，需要对获取到的数据进行预处理。
作为本发明的一种实施例，对获取到的数据进行预处理，包括：
从获取到的数据中识别出缺失数据，对所述缺失数据进行补缺；
将补缺后的数据进行归一化处理，得到预处理后的数据。
在本实施例中，所述从获取到的数据S中识别出缺失数据，对所述缺失数据进行补缺，包括：
S201、识别出缺失数据对应的缺失数据组对象xi，得到缺失数据组对象集MOS；其中，xi表示第个i缺失数据组对象，即表示一组缺失数据。
作为本发明的一种实施例，缺失数据以null值作为缺失标记，通过识别null值对缺失数据进行识别。数据缺失包括多种情况，例如：
1)当在数据转换过程中遇到行转列问题时，发生数据监测频率不同造成数据缺失的情况，该数据取null值作为缺失标记；
2)当在数据转换过程中遇到数据汇聚计算时，发生汇聚样本数不足的情况，该数据取null值作为缺失标记；
3)当数据本身有缺失，且缺失数据量不超过全部数据量的20％时，缺失数据取null值作为缺失标记；当数据本身缺失数据量超过20％时，该组数据应被删除，不作为模型训练数据。
S202、从完整数据组对象集中计算所述缺失数据组对象集中各个缺失数据组对象的相似类。所述相似类从已知完整数据组对象集中选取抽取。
所述相似类即相似矩阵，设A,B都是n阶矩阵，若存在可逆矩阵P，使P-1AP＝B，则称B是A的相似矩阵,并称矩阵A与B相似，记为A～B。
S203-1、若所述完整数据组对象集中不存在所述缺失数据组对象的相似类，则从所述缺失数据组对象集中删除所述缺失数据组对象。
在本实施例中，如果xi的相似类SR(x)为空，即在已有完整数据组对象集中没有找到相似矩阵，则从获取到的数据集S中直接删除xi。
S203-2、若所述缺失数据组对象的相似类中只有一个数据组对象，则按照所述相似类中的数值对所述缺失数据组对象的缺失数据进行补缺。
在本实施例中，如果xi的相似类SR(x)中只有一个对象，则对xi的缺失数据按照相似类数值进行补遗。
S203-3、若所述缺失数据组对象的相似类中有多个数据组对象，则计算缺失数据对应的相似类中数值的众数，按照所述众数对所述缺失数据组对象的缺失数据进行补缺。
所述众数是指在统计分布上具有明显集中趋势点的数值，代表数据的一般水平，即一组数据中出现次数最多的数值。
作为本发明的一种实施例，将补缺后的数据进行归一化处理，得到预处理后的数据，包括：
采用Min-max标准化方法对原始数据进行线性变换，设minA和maxA分别为属性集合A的最小值和最大值，将属性集合A中的一个原始值x通过Min-max标准化映射成在区间[0,1]中的值x′，其公式为：
其中，A为属性集合；minA为集合A的最小值；maxA为集合A的最大值；A′为归一化后的属性集合。
S102、对预处理后的数据进行成本特征提取和运行效率特征提取，使用PCA(Principal Component Analysis，主成分分析)算法对提取到的特征进行降维处理，将降维处理后的数据划分为训练集数据和测试集数据。
在机器学习领域中，不同评价指标(即特征向量中的不同特征就是所述的不同评价指标)往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，即数据补缺以及归一化处理，以解决数据指标之间的可比性，使得机器学习的效率更高。
作为本发明的一种实施例，所述使用PCA算法对提取到的特征进行降维处理，包括：
S301、将所述预处理后的数据按照气象预报数据、设备运行数据、电力用采数据的顺序转化为一维数组。
S302、计算方差矩阵，对所述成本特征和运行效率特征的特征值进行分解；将所述成本特征和运行效率特征的特征向量按对应的特征值的大小进行降序排列。
在本实施例中，计算方差矩阵，包括：
其中，ST为方差矩阵，方差矩阵为(m*n)×(m*n)矩阵；μ为均值向量；T为矩阵的转置；N为矩阵参量个数；xi为参量值；XX为一维化矩阵方差数组。S303、将最大特征值对应的特征向量组成投影矩阵，将所述一维数组向所述投影矩阵投影，得到所述一维数组的降维表示。
作为本发明的一种实施例，所得的k≤N-1个最大特征值对应的特征向量组成投影矩阵A，将转化后的一维数组(x1，...，xn)向矩阵A投影，得到一维数组的降维表示(y1,…,yn),映射公式如下：
y＝(X-μ)Ak
其中，y为降维后一维数组向量；X为原始一维数组向量；μ为均值向量；Ak为前k个最大特征值对应的特征向量(k≤N-1)。
降维处理能够使得数据便于计算和可视化，其更深层次的意义在于有效信息的提取综合及无用信息的摈弃，避免特征矩阵过大，导致计算量比较大，训练时间长的问题。
S103、建立BP神经网络模型，将所述训练集数据输入所述BP神经网络模型进行训练，将训练后的神经网络模型作为补热储热策略模型。
作为本发明的一种实施例，所述BP神经网络模型采用M-P神经元结构，激活函数为Logistic函数，优化器为lbfgs。
如图4所示，在M-P神经元结构中，神经元接收来自n个其他神经元传递过来的输入信号，再将接收到的输入信号按照某种权重叠加起来，叠加起来的刺激强度S可用以下公式表述：
其中，S为叠加后的刺激强度；n为神经元个数；wi为第i个神经元的连接权重；xi为第i个神经元的输入。
得到叠加后的刺激强度S后，与当前神经元的阈值进行比较，然后通过激活函数向外表达输出。M-P神经元模型可用以下公式表示：
其中，θ是神经元阈值(偏置)；f是激活函数；y为M-P神经元模型的输出。
在本实施例中，所述BP神经网络的结构如图5所示。其中，xj表示输入层的j个节点的输入，j＝1,2,……,M；wij表示隐含层第i个节点到输入层第j个节点之间的权值；θi表示隐含层第i个节点的阈值；
表示隐含层的激励函数；wkj表示输出层第k个节点到隐含层第i个节点之间的权值，i＝1,2,……,q；ak表示输出层第k个节点的阈值，k＝1,2,……,L；Ψ(x)表示输出层的激励函数；Ok表示输出层第k个节点的输出。
在本实施例中，如图6所示，将所述训练集数据输入所述BP神经网络模型进行训练，包括：
S601、将所述训练集数据输入到所述BP神经网络模型的输入层，经过信号的前向传播，分别计算隐含层和输出层的输入和输出，由所述输出层输出用能成本。
在本实施例中，BP神经网络中信号的前向传播过程，包括：
隐含层第i个节点的输入neti：
隐含层第i个节点的输出yi：
输出层第k个节点的输入netk：
输出层第k个节点的输出Ok：
S602、从所述输出层开始反向计算所述BP神经网络模型各层神经元的输出误差，通过误差梯度下降法对所述隐含层和输出层的权值和阈值进行一次修正。
在本实施例中，通过BP神经网络中误差的反向传播过程，利用误差梯度下降法对所述隐含层和输出层的权值和阈值进行一次修正，包括：
误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。
对于每一个样本p的二次型误差准则函数为Ep：
***对P个训练样本的总误差准则函数为：
其中，Tk表示第k个节点的目标输出；
表示第k个节点第p个样本数据的实际输出；
表示第k个节点第p个样本数据的目标输出。
根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量Δθi。
其中，η为学习速率。
输出层权值修正公式：
输出层阈值修正公式：
隐含层权值修正公式：
隐含层阈值修正公式：
S603、对一次调节后的所述隐含层和输出层的权值和阈值进行二次修正，得到修正后的BP神经网络模型。
在本实施例中，为了提高拟合效率，引入带有附加动量因子的权值和阈值二次修正公式。所述对一次调节后的所述隐含层和输出层的权值和阈值进行二次修正，包括：
Δwij(k+1)＝(1-mc)ηδipj+mcΔwij(k)
Δθi(k+1)＝(1-mc)ηδi+mcΔθi(k)
其中，k为训练次数；mc为动量因子，取0.95；pj是前一层节点j的输出；Δθi(k)为隐含层阈值的一次修正结果；Δwij(k)为隐含层权值的一次修正结果；Δwij(k+1)为隐含层权值的二次修正结果；Δθi(k+1)为隐含层阈值的二次修正结果；η为学习速率；δi为系数，计算公式如下：
δi＝yi(1-yi)(di-yi)
其中，di为神经元节点i的目标输出，yi是神经元节点i的实际输出。
通过引入带有附加动量因子的权值和阈值二次修正公式，对隐含层和输出层的权值和阈值进行了二次修正，将最后一次权值(或阈值)变化的影响，通过一个动量因子来传递，有助于使网络从误差曲面的局部极小值中跳出，如果不使用附加动量法，有一定概率会产生模型参数停留在局部极小值的情况。
S104、将所述测试集数据输入到所述补热储热策略模型中，输出用能成本。所述用能成本包括用电量和用热量成本。
在本发明的一些实施例中，还包括：
将所述补热储热策略模型通过模型图数据结构和模型变量值数据结构进行保存；其中，所述模型图数据结构，包括：
第一部分，用于保存模型的层信息，每层的信息占用一个数据块，所述数据块中依次记录层序号、当前层的神经元个数以及神经元描述信息。
第二部分，用于保存模型的参数传播方向数据；所述模型的参数传播方向数据通过前层神经元、目标神经元以及神经元的连通关系进行描述；例如，将第二部分表示为{前层神经元，目标神经元，是否连通}，其中前层神经元，目标神经元均采用唯一编号表示，是否连通信息采用逻辑值表示。
所述模型变量值数据结构，包括：
对每个神经元，通过神经元编号、偏置以及权重数组进行描述，例如，{神经元编号，偏置，权重数组}；其中，所述权重数组为对象数组，所述对象数组中包括每个信号传导方向的前置神经元和权重。其数据结构例如：[{第1个前置神经元编号，权重w1j}，{第2个前置神经元编号，权重w2j}，……]。
通过将补热储热策略模型通过模型图数据结构和模型变量值数据结构进行保存，模型图数据和模型变量值数据分别保存有利于将模型信息和训练结果数据分离，便于不同的训练数据在模型上拟合，灵活使用原有训练结果，便于模型的迁移操作。
根据本发明的实施例，通过深度神经网络算法，拟合换热站运行策略和节能降耗效果，采用了优化的BP神经网络，拟合效率明显提高，能够快速为换热站导出运行策略模型，提高换热站用能效率。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。
如图7所示，装置700包括：
获取模块710，用于获取气象预报数据、设备运行数据以及电力用采数据，对获取到的数据进行预处理；
降维模块720，用于对预处理后的数据进行成本特征提取和运行效率特征提取，使用PCA算法对提取到的特征进行降维处理，将降维处理后的数据划分为训练集数据和测试集数据；
训练模块730，用于建立BP神经网络模型，将所述训练集数据输入所述BP神经网络模型进行训练，将训练后的神经网络模型作为补热储热策略模型；
输出模块740，用于将所述测试集数据输入到所述补热储热策略模型中，输出用能成本。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本发明的实施例，本发明还提供了一种电子设备。
图8示出了可以用来实施本发明的实施例的电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如方法S101～S104。例如，在一些实施例中，方法S101～S104可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的方法S101～S104的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S101～S104。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种基于电力大数据的电锅炉补热储热成本优化方法，其特征在于，包括：
获取气象预报数据、设备运行数据以及电力用采数据，对获取到的数据进行预处理；
对预处理后的数据进行成本特征提取和运行效率特征提取，使用PCA算法对提取到的特征进行降维处理，将降维处理后的数据划分为训练集数据和测试集数据；
建立BP神经网络模型，将所述训练集数据输入所述BP神经网络模型进行训练，将训练后的神经网络模型作为补热储热策略模型；
将所述测试集数据输入到所述补热储热策略模型中，输出用能成本。
2.根据权利要求1所述的方法，其特征在于，所述对获取到的数据进行预处理，包括：
从获取到的数据中识别出缺失数据，对所述缺失数据进行补缺；
将补缺后的数据进行归一化处理，得到预处理后的数据。
3.根据权利要求2所述的方法，其特征在于，所述从获取到的数据中识别出缺失数据，对所述缺失数据进行补缺，包括：
识别出缺失数据对应的缺失数据组对象，得到缺失数据组对象集；
从完整数据组对象集中计算所述缺失数据组对象集中各个缺失数据组对象的相似类；
若所述完整数据组对象集中不存在所述缺失数据组对象的相似类，则从所述缺失数据组对象集中删除所述缺失数据组对象；
若所述缺失数据组对象的相似类中只有一个数据组对象，则按照所述相似类中的数值对所述缺失数据组对象的缺失数据进行补缺；
若所述缺失数据组对象的相似类中有多个数据组对象，则计算缺失数据对应的相似类中数值的众数，按照所述众数对所述缺失数据组对象的缺失数据进行补缺。
4.根据权利要求1所述的方法，其特征在于，所述使用PCA算法对提取到的特征进行降维处理，包括：
将所述预处理后的数据按照气象预报数据、设备运行数据、电力用采数据的顺序转化为一维数组；
计算方差矩阵，对所述成本特征和运行效率特征的特征值进行分解；将所述成本特征和运行效率特征的特征向量按对应的特征值的大小进行降序排列；
将最大特征值对应的特征向量组成投影矩阵，将所述一维数组向所述投影矩阵投影，得到所述一维数组的降维表示。
5.根据权利要求1所述的方法，其特征在于，所述BP神经网络模型采用M-P神经元结构，激活函数为Logistic函数，优化器为lbfgs。
6.根据权利要求1所述的方法，其特征在于，将所述训练集数据输入所述BP神经网络模型进行训练，包括：
将所述训练集数据输入到所述BP神经网络模型的输入层，经过信号的前向传播，分别计算隐含层和输出层的输入和输出，由所述输出层输出用能成本；
从所述输出层开始反向计算所述BP神经网络模型各层神经元的输出误差，通过误差梯度下降法对所述隐含层和输出层的权值和阈值进行一次修正；
对一次调节后的所述隐含层和输出层的权值和阈值进行二次修正，得到修正后的BP神经网络模型。
7.根据权利要求6所述的方法，其特征在于，所述对一次调节后的所述隐含层和输出层的权值和阈值进行二次修正，包括：
Δwij(k+1)＝(1-mc)ηδipj+mcΔwij(k)
Δθi(k+1)＝(1-mc)ηδi+mcΔθi(k)
其中，k为训练次数；mc为动量因子，取0.95；pj是前一层节点j的输出；Δθi(k)为隐含层阈值的一次修正结果；Δwij(k)为隐含层权值的一次修正结果；Δwij(k+1)为隐含层权值的二次修正结果；Δθi(k+1)为隐含层阈值的二次修正结果；η为学习速率；δi为系数，计算公式如下：
δi＝yi(1-yi)(di-yi)
其中，di为神经元节点i的目标输出，yi是神经元节点i的实际输出。
8.根据权利要求1所述的方法，其特征在于，还包括：
将所述补热储热策略模型通过模型图数据结构和模型变量值数据结构进行保存；其中，所述模型图数据结构，包括：
第一部分，用于保存模型的层信息，每层的信息占用一个数据块，所述数据块中依次记录层序号、当前层的神经元个数以及神经元描述信息；
第二部分，用于保存模型的参数传播方向数据；所述模型的参数传播方向数据通过前层神经元、目标神经元以及神经元的连通关系进行描述；
所述模型变量值数据结构，包括：
对每个神经元，通过神经元编号、偏置以及权重数组进行描述；其中，所述权重数组为对象数组，所述对象数组中包括每个信号传导方向的前置神经元和权重。
9.一种基于电力大数据的电锅炉补热储热成本优化装置，其特征在于，包括：
获取模块，用于获取气象预报数据、设备运行数据以及电力用采数据，对获取到的数据进行预处理；
降维模块，用于对预处理后的数据进行成本特征提取和运行效率特征提取，使用PCA算法对提取到的特征进行降维处理，将降维处理后的数据划分为训练集数据和测试集数据；
训练模块，用于建立BP神经网络模型，将所述训练集数据输入所述BP神经网络模型进行训练，将训练后的神经网络模型作为补热储热策略模型；
输出模块，用于将所述测试集数据输入到所述补热储热策略模型中，输出用能成本。
10.一种电子设备，至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其特征在于，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111092993.6A CN113624998A (zh) | 2021-09-17 | 2021-09-17 | 基于电力大数据的电锅炉补热储热成本优化方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111092993.6A CN113624998A (zh) | 2021-09-17 | 2021-09-17 | 基于电力大数据的电锅炉补热储热成本优化方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113624998A true CN113624998A (zh) | 2021-11-09 |
Family
ID=78390348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111092993.6A Pending CN113624998A (zh) | 2021-09-17 | 2021-09-17 | 基于电力大数据的电锅炉补热储热成本优化方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113624998A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841201A (zh) * | 2022-09-16 | 2023-03-24 | 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 | 一种考虑高寒地区热网特性的热网损耗预测方法和*** |
| CN117237034A (zh) * | 2023-11-10 | 2023-12-15 | 宁德时代新能源科技股份有限公司 | 度电成本确定方法、装置、计算机设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102705303A (zh) * | 2012-05-16 | 2012-10-03 | 北京航空航天大学 | 一种基于残差与双级Elman神经网络的液压伺服***故障定位方法 |
| CN109994179A (zh) * | 2019-04-02 | 2019-07-09 | 上海交通大学医学院附属新华医院 | 万古霉素的给药方法及装置 |
| CN110297269A (zh) * | 2018-03-23 | 2019-10-01 | 中国石油化工股份有限公司 | 一种基于改进型bp神经网络的地震数据双向预测插值方法 |
| CN112268312A (zh) * | 2020-10-23 | 2021-01-26 | 哈尔滨派立仪器仪表有限公司 | 一种基于深度学习的智慧供热管理*** |
| CN112700324A (zh) * | 2021-01-08 | 2021-04-23 | 北京工业大学 | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 |
| CN112784967A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 信息处理方法、装置以及电子设备 |
| CN112836370A (zh) * | 2021-02-03 | 2021-05-25 | 北京百度网讯科技有限公司 | 供热***调度方法、装置、设备、存储介质以及程序产品 |
-
2021
- 2021-09-17 CN CN202111092993.6A patent/CN113624998A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102705303A (zh) * | 2012-05-16 | 2012-10-03 | 北京航空航天大学 | 一种基于残差与双级Elman神经网络的液压伺服***故障定位方法 |
| CN110297269A (zh) * | 2018-03-23 | 2019-10-01 | 中国石油化工股份有限公司 | 一种基于改进型bp神经网络的地震数据双向预测插值方法 |
| CN109994179A (zh) * | 2019-04-02 | 2019-07-09 | 上海交通大学医学院附属新华医院 | 万古霉素的给药方法及装置 |
| CN112268312A (zh) * | 2020-10-23 | 2021-01-26 | 哈尔滨派立仪器仪表有限公司 | 一种基于深度学习的智慧供热管理*** |
| CN112700324A (zh) * | 2021-01-08 | 2021-04-23 | 北京工业大学 | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 |
| CN112784967A (zh) * | 2021-01-29 | 2021-05-11 | 北京百度网讯科技有限公司 | 信息处理方法、装置以及电子设备 |
| CN112836370A (zh) * | 2021-02-03 | 2021-05-25 | 北京百度网讯科技有限公司 | 供热***调度方法、装置、设备、存储介质以及程序产品 |
Non-Patent Citations (1)
| Title |
|---|
| AURELIEN GERON等: "《深度学习 工程师认证初级教程》", 31 October 2020, 北京航空航天大学出版社, pages: 278 - 279 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841201A (zh) * | 2022-09-16 | 2023-03-24 | 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 | 一种考虑高寒地区热网特性的热网损耗预测方法和*** |
| CN115841201B (zh) * | 2022-09-16 | 2023-10-31 | 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 | 一种考虑高寒地区热网特性的热网损耗预测方法和*** |
| CN117237034A (zh) * | 2023-11-10 | 2023-12-15 | 宁德时代新能源科技股份有限公司 | 度电成本确定方法、装置、计算机设备及存储介质 |
| CN117237034B (zh) * | 2023-11-10 | 2024-02-09 | 宁德时代新能源科技股份有限公司 | 度电成本确定方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111537945B (zh) | 基于联邦学习的智能电表故障诊断方法及设备 | |
| US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
| WO2023123941A1 (zh) | 一种数据异常检测方法及装置 | |
| CN113624998A (zh) | 基于电力大数据的电锅炉补热储热成本优化方法和装置 | |
| CN104239964A (zh) | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 | |
| Lv et al. | Very short-term probabilistic wind power prediction using sparse machine learning and nonparametric density estimation algorithms | |
| CN111460001A (zh) | 一种配电网理论线损率评估方法及*** | |
| CN110781970A (zh) | 分类器的生成方法、装置、设备及存储介质 | |
| CN108520310A (zh) | 基于G-L混合噪声特性v-支持向量回归机的风速预报方法 | |
| CN104361365A (zh) | 一种抽油泵运行状态识别方法及装置 | |
| Chen et al. | PR-KELM: Icing level prediction for transmission lines in smart grid | |
| CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
| CN116910573B (zh) | 异常诊断模型的训练方法及装置、电子设备和存储介质 | |
| Wei et al. | Energy financial risk early warning model based on Bayesian network | |
| CN114118370A (zh) | 模型训练方法、电子设备和计算机可读存储介质 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN116404212B (zh) | 锌铁液流电池***容量均衡控制方法及*** | |
| CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、***、设备及介质 | |
| Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
| CN109784748B (zh) | 一种市场竞争机制下用户用电行为辨识方法及装置 | |
| CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
| CN116010875A (zh) | 电表故障的分类方法、装置、电子设备及计算机存储介质 | |
| CN113595242B (zh) | 一种基于深度cnn-hmm的非侵入式负荷辨识方法 | |
| CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和*** | |
| CN115130924A (zh) | 一种源网荷储背景下微电网电力设备资产评估方法及*** |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220505 Address after: 110006 No. 18, Ningbo Road, Heping District, Liaoning, Shenyang Applicant after: STATE GRID LIAONING ELECTRIC POWER SUPPLY Co.,Ltd. Applicant after: Liaoning xuneng Technology Co., Ltd Address before: 110000 room 315, No. 7-4, Jinke street, Hunnan New District, Shenyang, Liaoning Applicant before: Liaoning xuneng Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |