CN103473476B - 基于区域内数座测风塔测风数据的风能资源推算方法 - Google Patents

基于区域内数座测风塔测风数据的风能资源推算方法 Download PDF

Info

Publication number
CN103473476B
CN103473476B CN201310450661.XA CN201310450661A CN103473476B CN 103473476 B CN103473476 B CN 103473476B CN 201310450661 A CN201310450661 A CN 201310450661A CN 103473476 B CN103473476 B CN 103473476B
Authority
CN
China
Prior art keywords
wind
state
energy resources
region
wind 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.)
Expired - Fee Related
Application number
CN201310450661.XA
Other languages
English (en)
Other versions
CN103473476A (zh
Inventor
曹银利
陈震寰
王玮
付嘉渝
陈志宝
程序
周海
谭志萍
陈颖
贾怀森
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.)
Yinchuan Power Supply Co Of State Grid Ningxia Electric Power Co
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Gansu Electric Power Co Ltd
Original Assignee
Yinchuan Power Supply Co Of State Grid Ningxia Electric Power Co
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Gansu Electric Power 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 Yinchuan Power Supply Co Of State Grid Ningxia Electric Power Co, State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Gansu Electric Power Co Ltd filed Critical Yinchuan Power Supply Co Of State Grid Ningxia Electric Power Co
Priority to CN201310450661.XA priority Critical patent/CN103473476B/zh
Publication of CN103473476A publication Critical patent/CN103473476A/zh
Application granted granted Critical
Publication of CN103473476B publication Critical patent/CN103473476B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)

Abstract

本发明公开了一种基于区域内数座测风塔测风数据的风能资源推算方法，包括以下步骤：对各站点风速数据进行相关性分析，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度；根据相关性分析的结果，建立相关站点间风速关系式，即选出相关系数大于设定数字的站点并对其作曲线拟合，对函数表达式进行基于马尔科夫模型的风能资源推算。达到了在复杂地形以及气候条件下特定区域内多个高风能密度分布区的共性、特异性的量化分析的目的。

Description

基于区域内数座测风塔测风数据的风能资源推算方法
技术领域
本发明涉及风力发电领域，具体地，涉及一种基于区域内数座测风塔测风数据的风能资源推算方法。
背景技术
风能资源具有很强的局地性和随机性,对区域风能资源进行评估和推算不仅有利于风能资源的开发利用而且为风力发电功率预测和并网调度提供参考。
现阶段的风电场风能资源评估技术一般局限于某特定风电场的年风况和月风况两大类，且由于风电场装机规模限制而带有显著的局地特征,从属于同一地理区域的风电场群所使用的历史测风塔数据大多无法实现时间同步，因而现有的风能资源评估结果的简单性汇总难以有效服务于区域风能资源分布的分析与整体把握。研究不同地形(尤其是复杂地形)和气候条件下的区域风能资源分布的计算和评估技术主要是针对较大范围的资源空间分布特性进行分析，依据自然条件差异和风流变化的局地强迫，形成特定范围内多个高风能密度分布区的共性、特异性的量化指标，而现有的技术无法实现复杂区域风能资源的判定。
发明内容
本发明的目的在于，针对上述问题，提出一种基于区域内数座测风塔测风数据的风能资源推算方法，实现在复杂地形以及气候条件下特定区域内多个高风能密度分布区的共性、特异性的量化分析。
为实现上述目的，本发明采用的技术方案是：
一种基于区域内数座测风塔测风数据的风能资源推算方法，包括以下步骤：
步骤1：对各站点风速数据进行相关性分析，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度；
步骤2：根据上述步骤1相关性分析的结果，建立相关站点间风速关系式，即选出相关系数大于设定数字的站点并对其作曲线拟合，曲线拟合包括以下步骤：
1）通过所读取的数据Ti(t)和Tj(t)绘制散点图，并根据散点图中散点的大体走势确定曲线类型和曲线拟合方程式中的项数m；拟合方程式为：
Ti(t)=amTj m(t)+am-1Tj m-1(t)+…+a0
式中，Ti(t)和Tj(t)分别t时刻i号测风塔和第j号测风塔的风速数据，a0、……、am-1、am为待确定的系数，m为项数；
2）建立目标函数：
3）通过最小二乘法确定目标函数中的a0……am，并代入曲线拟合方程式得出相关站点间风速关系式；
步骤3：对上述步骤2建立的相关站点间风速关系式进行基于马尔科夫模型的风能资源推算。
根据本发明的优选实施例，上述相关性分析具体如下，判定研究变量x和变量y的相关系数，该相关系数的计算公式：
其中表示均值，Sx，Sy为方差，Sxy为协方差，相关系数r是衡量两个变量相关性的重要指标。
根据本发明的优选实施例，当|r|≤0.3为不存在线性相关；当0.3<|r|≤0.5，为低度线性相关；当0.5＜|r|≤0.8，为显著线性相关；当|r|＞0.8为高度线性相关。
根据本发明的优选实施例，步骤2中相关系数大于设定数字中设定数的数字为0.8，即选出|r|＞0.8的站点并对其作曲线拟合。
根据本发明的优选实施例，所述马尔科夫模型的研究对象是一个动态系统的状态及其状态转移；状态转移是指事物从一种状态到另一种状态的变化,如客观事物的状态有E1，E2，...,En共n个状态，当把事物状态变化过程作为事件离散和状态离散的过程，每一状态都有n个转移方向包括转向自身，即E1→E1，E1→E2，...,Ei-1→Ei-1，...,En-1→En；
由于一种状态转移到另一种状态的随机性，就决定必须要用概率描述状态转移的可能性，用概率描述状态转移的可能性称为状态转移概率；
一个动态系统的运动过程由状态Em→Em+1的概率常称为一步状态转移概率，简单记为Pij,其数学表达式为：
Pij=P(Xn+1=j|Xn=i)
将风速按大小划分为不同的状态，并设定大于等于i(m/s)小于j(m/s)风速的的风均是“i米风”，从而把原始风速时间序列数据化为“风速状态序列”如平均最大风速是N(m/s),其中0≤i＜N,0≤j＜N，便得到一个N行N列的矩阵P，称之为状态转移概率矩阵，如下：
至此，矩阵P将作为决策矩阵。
本发明的技术方案具有以下有益效果：
本发明的技术方案，通过对区域内各测风塔历史数据两两进行相关性分析，得出总体相关关系网，并采用曲线拟合方法分别得出相关关系式。根据相关关系网，找出“中心测风塔”与“孤立测风塔”。接下来针对“中心测风塔”与“孤立测风塔”，采用马尔科夫模型推算其未来时刻风速，然后依据相关关系网和相关关系式计算出其他测风塔未来时刻的风速，从而完成区域风能资源推算。达到了在复杂地形以及气候条件下特定区域内多个高风能密度分布区的共性、特异性进行量化分析的目的。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例所述的基于区域内数座测风塔测风数据的风能资源推算方法的流程图；
图2为本发明实施例所述的采用相关性分析后得出测风塔相关性的结果示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
如图1所示，一种基于区域内数座测风塔测风数据的风能资源推算方法，包括以下步骤：
步骤101：对各站点风速数据进行相关性分析，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度；
步骤102：根据上述步骤101相关性分析的结果，建立相关站点间风速关系式，即选出相关系数大于设定数字的站点并对其作曲线拟合，曲线拟合包括以下步骤：
1）通过所读取的数据Ti(t)和Tj(t)绘制散点图，并根据散点图中散点的大体走势确定曲线类型和曲线拟合方程式中的项数m；拟合方程式为：
Ti(t)=amTj m(t)+am-1Tj m-1(t)+…+a0
式中，Ti(t)和Tj(t)分别t时刻i号测风塔和第j号测风塔的风速数据，a0、……、am-1、am为待确定的系数，m为项数；
2）建立目标函数：
3）通过最小二乘法确定目标函数中的a0……am，并代入曲线拟合方程式得出相关站点间风速关系式；
步骤103：对上述步骤2建立的相关站点间风速关系式进行基于马尔科夫模型的风能资源推算。
其中，相关性分析具体如下，判定研究变量x和变量y的相关系数，该相关系数的计算公式：
其中表示均值，Sx，Sy为方差，Sxy为协方差，相关系数r是衡量两个变量相关性的重要指标。
根据本发明的优选实施例，当|r|≤0.3为不存在线性相关；当0.3<|r|≤0.5，为低度线性相关；当0.5＜|r|≤0.8，为显著线性相关；当|r|＞0.8为高度线性相关。
根据本发明的优选实施例，步骤2中相关系数大于设定数字中设定数的数字为0.8，即选出|r|＞0.8的站点并对其作曲线拟合。
根据本发明的优选实施例，所述马尔科夫模型的研究对象是一个动态系统的状态及其状态转移；状态转移是指事物从一种状态到另一种状态的变化,如客观事物的状态有E1，E2，…,En共n个状态，当把事物状态变化过程作为事件离散和状态离散的过程，每一状态都有n个转移方向包括转向自身，即E1→E1，E1→E2，...,Ei-1→Ei-1，...,En-1→En；
由于一种状态转移到另一种状态的随机性，就决定必须要用概率描述状态转移的可能性，用概率描述状态转移的可能性称为状态转移概率；
一个动态系统的运动过程由状态Em→Em+1的概率常称为一步状态转移概率，简单记为Pij,其数学表达式为：
Pij=P(Xn+1=j|Xn=i)（2）
将风速按大小划分为不同的状态，并设定大于等于i(m/s)小于j(m/s)风速的的风均是“i米风”，从而把原始风速时间序列数据化为“风速状态序列”如平均最大风速是N(m/s),其中0≤i＜N,0≤j＜N，便得到一个N行N列的矩阵P，称之为状态转移概率矩阵，如下：
至此，矩阵P将作为决策矩阵。
其具体共组过程如下：
对各站点风速数据进行相关性分析，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。首先要对研究对象做定性分析，依据背景知识和实践经验，对研究对象之间是否存在相关关系，以及何种关系做出判断。然后在定性分析的基础上，通过编制相关表、绘制相关图、计算相关系数与判定系数等方法，来判断现象之间相关的方向、形态及密切程度。根据公式（1）假研究变量x和变量y的相关性，当|r|≤0.3为不存在线性相关；当0.3<|r|≤0.5为低度线性相关；当0.5＜|r|≤0.8为显著线性相关；当|r|＞0.8为高度线性相关。
建立相关关系网，选择高度线性相关的测风塔两两做相关性连接，对于与其他测风塔没有相关性的测风塔定义为“孤立测风塔”。如图2所示，假设区域内有12座测风塔（T1,T2,...T12），经过相关性分析得出相关关系网，其中T7测风塔为“中心测风塔”，T4,T6为“孤立测风塔”。
然后建立相关站点间风速关系式：选出相关系数大于0.8的站点并对其作曲线拟合，曲线拟合步骤如下：
1）通过所读取的数据Ti(t)和Tj(t)绘制散点图，并根据散点图中散点的大体走势确定曲线类型和曲线拟合方程式中的项数m；拟合方程式为：
Ti(t)=amTj m(t)+am-1Tj m-1(t)+…+a0
式中，Ti(t)和Tj(t)分别t时刻i号测风塔和第j号测风塔的风速数据，a0、……、am-1、am为待确定的系数，m为项数；
2）建立目标函数：
3）通过最小二乘法确定目标函数中的a0……am，并代入曲线拟合方程式得出相关站点间风速关系式。
假设第i号站点与第j号站点的关系式为：Tj=fij(Ti)，逆函数为Ti=fij -1(Tj)。这样从理论上说，其他站点在知道其中任一个站点数据的情况下均可根据站点间的回归关系式推算出其余站点的数据。
最后基于马尔科夫模型的风能资源推算，马尔科夫的研究对象是一个动态系统的状态及其状态转移；状态转移是指事物从一种状态到另一种状态的变化,客观事物的状态如有E1，E2，...,En共n个状态，当把事物状态变化过程作为事件离散和状态离散的过程，每一状态都有n个转移方向（包括转向自身），即E1→E1，E1→E2，...,Ei-1→Ei-1，…,En-1→En。由于一种状态转移到另一种状态的随机性，就决定必须要用概率描述。状态转移的可能性用概率描述就称为状态转移概率。
一般情况下，一个动态系统的运动过程由状态Em→Em+1的概率常称为一步状态转移概率，简单记为Pij,其数学表达式为公式（2）：
将风速按大小划分为不同的状态，假设大于等于i(m/s)小于j(m/s)风速的风均认为是“i米风”，这样就可以把原始风速时间序列数据化为“风速状态序列”如果当地平均最大风速是N(m/s),其中0≤i＜N,0≤j＜N。于是便可以得到一个N行N列的矩阵P，称之为状态转移概率矩阵，如公式（3）：
矩阵P将作为决策矩阵，其确定对于风资源的推算至关重要。选取一风速时间序列，首先将序列划分成“风速状态序列”，假设风速时间序列间隔点有M个，相当于风速状态转移M-1次。在这段时间区间内，Pij的确定是根据：Pij=风速由i(m/s)转为j(m/s)的频度/(M-1);
知道了决策矩阵，推算规则为：如果t时刻的风速为i(m/s),t+1时刻的风速根据决策矩阵，如果Pij>Pik(k=1,2...,n,k≠j),则可以推算t+1时刻的风速为j(m/s),以此类推，最终完成推算。
综上所述，本发明技术方案还具有以下特点：
（1）流程化的模型，操作简单，方便。
（2）运用灵活，所需数据源不太复杂。当知道区域内数座测风塔历史测风数据即可通过本模型实现未来时刻区域风能资源的推算。
（3）推算时间分辨率可调。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于区域内数座测风塔测风数据的风能资源推算方法，其特征在，包括以下步骤：
步骤1：对各站点风速数据进行相关性分析，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度；
步骤2：根据上述步骤1相关性分析的结果，建立相关站点间风速关系式，即选出相关系数大于设定数字的站点并对其作曲线拟合，曲线拟合包括以下步骤：
1)通过所读取的数据Ti(t)和Tj(t)绘制散点图，并根据散点图中散点的大体走势确定曲线类型和曲线拟合方程式中的项数m；拟合方程式为：
式中，Ti(t)和Tj(t)分别t时刻i号测风塔和第j号测风塔的风速数据，a0、……、am-1、am为待确定的系数，m为项数；
2)建立目标函数：
3)通过最小二乘法确定目标函数中的a0……am，并代入曲线拟合方程式得出相关站点间风速关系式；
步骤3：对上述步骤2建立的相关站点间风速关系式进行基于马尔科夫模型的风能资源推算；
通过对区域内各测风塔历史数据两两进行相关性分析，得出总体相关关系网，并采用曲线拟合方法分别得出相关关系式，根据相关关系网，找出“中心测风塔”与“孤立测风塔”，针对“中心测风塔”与“孤立测风塔”，采用马尔科夫模型推算其未来时刻风速，然后依据相关关系网和相关关系式计算出其他测风塔未来时刻的风速，从而完成区域风能资源推算。
2.根据权利要求1所述的基于区域内数座测风塔测风数据的风能资源推算方法，其特征在于，上述相关性分析具体如下，判定研究变量x和变量y的相关系数，该相关系数的计算公式：
其中表示均值，Sx，Sy为方差，Sxy为协方差，相关系数r是衡量两个变量相关性的重要指标。
3.根据权利要求2所述的基于区域内数座测风塔测风数据的风能资源推算方法，其特征在于，当|r|≤0.3为不存在线性相关；当0.3<|r|≤0.5，为低度线性相关；当0.5＜|r|≤0.8，为显著线性相关；当|r|＞0.8为高度线性相关。
4.根据权利要求3所述的基于区域内数座测风塔测风数据的风能资源推算方法，其特征在于，步骤2中相关系数大于设定数字中设定数的数字为0.8，即选出|r|＞0.8的站点并对其作曲线拟合。
5.根据权利要求1至4任一所述的基于区域内数座测风塔测风数据的风能资源推算方法，其特征在于，所述马尔科夫模型的研究对象是一个动态系统的状态及其状态转移；状态转移是指事物从一种状态到另一种状态的变化,如客观事物的状态有E1，E2，…,En共n个状态，当把事物状态变化过程作为事件离散和状态离散的过程，每一状态都有n个转移方向包括转向自身，即E1→E1，E1→E2，…,Ei-1→Ei-1，…,En-1→En；
由于一种状态转移到另一种状态的随机性，必须要用概率描述状态转移的可能性，用概率描述状态转移的可能性称为状态转移概率；
一个动态系统的运动过程由状态Em→Em+1的概率常称为一步状态转移概率，简单记为Pij,其数学表达式为：
Pij＝P(Xn+1＝j|Xn＝i)
将风速按大小划分为不同的状态，并设定大于等于i小于j风速的风均是“i米风”，如果当地平均最大风速是N，把原始风速时间序列数据化为“风速状态序列”,其中，风速的单位为m/s，0≤i＜N,0≤j＜N，便得到一个N行N列的矩阵P，称之为状态转移概率矩阵，如下：
至此，矩阵P将作为决策矩阵。
CN201310450661.XA 2013-09-25 2013-09-25 基于区域内数座测风塔测风数据的风能资源推算方法 Expired - Fee Related CN103473476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310450661.XA CN103473476B (zh) 2013-09-25 2013-09-25 基于区域内数座测风塔测风数据的风能资源推算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310450661.XA CN103473476B (zh) 2013-09-25 2013-09-25 基于区域内数座测风塔测风数据的风能资源推算方法

Publications (2)

Publication Number Publication Date
CN103473476A CN103473476A (zh) 2013-12-25
CN103473476B true CN103473476B (zh) 2018-07-31

Family

ID=49798323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310450661.XA Expired - Fee Related CN103473476B (zh) 2013-09-25 2013-09-25 基于区域内数座测风塔测风数据的风能资源推算方法

Country Status (1)

Country Link
CN (1) CN103473476B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886133B (zh) * 2014-02-25 2017-10-31 国家电网公司 一种测风塔覆盖范围统计分析方法
CN104112062B (zh) * 2014-06-05 2018-02-16 清华大学 基于插值方法的风资源分布的获取方法
CN104112167B (zh) * 2014-06-06 2017-06-23 国家电网公司 可发电风资源分布的获取方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1569153A2 (en) * 2004-02-27 2005-08-31 Deere & Company Method and system of establishing a wind-powered electrical generation facility
CN101684774A (zh) * 2008-09-28 2010-03-31 通用电气公司 一种风力发电系统及风力发电机的测风方法
CN102570449A (zh) * 2011-12-21 2012-07-11 西安交通大学 一种基于时空分布特性的区域风电功率预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1569153A2 (en) * 2004-02-27 2005-08-31 Deere & Company Method and system of establishing a wind-powered electrical generation facility
CN101684774A (zh) * 2008-09-28 2010-03-31 通用电气公司 一种风力发电系统及风力发电机的测风方法
CN102570449A (zh) * 2011-12-21 2012-07-11 西安交通大学 一种基于时空分布特性的区域风电功率预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
删除离散点对风资源相关分析的影响;仲天明;《上海电力》;20081225(第6期);第516-518页摘要,第1-2小节,图1 *
结构状态的马尔科夫链模型及其统计推断;姚继涛 等;《西安建筑科技大学学报(自然科学版)》;20000930;第32卷(第3期);第242-244,259页 *
马尔科夫模型预测方法的研究及其应用;何成刚;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120515(第5期);正文第7-10页第2.1小节,第27-28页第3.5小节,第33-34页第3.7小节 *

Also Published As

Publication number Publication date
CN103473476A (zh) 2013-12-25

Similar Documents

Publication Publication Date Title
Kumari et al. Extreme gradient boosting and deep neural network based ensemble learning approach to forecast hourly solar irradiance
Ezzat et al. Spatio-temporal asymmetry of local wind fields and its impact on short-term wind forecasting
Alessandrini et al. A novel application of an analog ensemble for short-term wind power forecasting
Shorabeh et al. A decision model based on decision tree and particle swarm optimization algorithms to identify optimal locations for solar power plants construction in Iran
CN110070226A (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
Borgogno Mondino et al. Site selection of large ground-mounted photovoltaic plants: a GIS decision support system and an application to Italy
CN107292098A (zh) 基于前期气象因子与数据挖掘技术的中长期径流预报方法
CN109740286A (zh) 一种混合优化bp神经网络的湖泊水质预测模型构建方法
CN110598352B (zh) 一种流域来水的预报方法
CN104463358A (zh) 一种耦合偏互信息和cfs集合预报的小水电发电能力预测方法
Elbeltagi et al. Optimizing hyperparameters of deep hybrid learning for rainfall prediction: a case study of a Mediterranean basin
Yildirim et al. One-hour-ahead solar radiation forecasting by MLP, LSTM, and ANFIS approaches
Manor et al. Bayesian Inference aided analog downscaling for near-surface winds in complex terrain
CN103473476B (zh) 基于区域内数座测风塔测风数据的风能资源推算方法
Li et al. Spiral-based chaotic chicken swarm optimization algorithm for parameters identification of photovoltaic models
Golkhatmi et al. Extended modified inverse distance method for interpolation rainfall
Ren et al. Stepwise‐clustered heatwave downscaling and projection for Guangdong Province
CN113537569B (zh) 一种基于权重堆叠决策树的短时公交客流预测方法及系统
Omar et al. Seasonal clustering forecasting technique for intelligent hourly solar irradiance systems
Koolagudi Long-range prediction of Indian summer monsoon rainfall using data mining and statistical approaches
Kou et al. Prediction intervals for wind power forecasting: using sparse warped Gaussian process
Dumedah et al. Integration of an evolutionary algorithm into the ensemble Kalman filter and the particle filter for hydrologic data assimilation
Hatamian et al. Location-aware green energy availability forecasting for multiple time frames in smart buildings: The case of Estonia
Branković et al. Downscaling of ECMWF ensemble forecasts for cases of severe weather: Ensemble statistics and cluster analysis
CN103268416A (zh) 基于stcp-bp的风速预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180731

Termination date: 20180925