CN103839197A - 一种基于eemd方法的用户用电行为异常的判定方法 - Google Patents
一种基于eemd方法的用户用电行为异常的判定方法 Download PDFInfo
- Publication number
- CN103839197A CN103839197A CN201410102773.0A CN201410102773A CN103839197A CN 103839197 A CN103839197 A CN 103839197A CN 201410102773 A CN201410102773 A CN 201410102773A CN 103839197 A CN103839197 A CN 103839197A
- Authority
- CN
- China
- Prior art keywords
- imf
- sigma
- eemd
- signal
- user
- 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
Images
Abstract
本发明涉及一种基于EEMD方法的用户用电行为异常的判定方法,包括以下步骤:S1:采用自组织映射神经网络的方法对用户用电负荷进行聚类;S2:在所述步骤S1的聚类结果中任选一类并选择其中的任一用户,得到在任意两个相同的时间段上的负荷数据;S3:采用经验模态分解方法将所述步骤S2中的数据分解为IMF分量和剩余趋势项;S4:分别对两个时间段上的负荷剩余项进行线性相关性分析,得到;S5:分析。本发明能够使供电企业能够尽快检测到用户用电中的异常,并采取相应的措施,为用户提供更好地服务。
Description
技术领域
本发明涉及用户用电行为异常的判定方法,特别是一种基于EEMD方法的用户用电行为异常的判定方法。
背景技术
近年来,随着智能电网的发展,国家电网公司开始大力建设智能电网双向互动服务体系。该体系实现了供电企业同客户间信息和电能的双向互动,鼓励用户改变传统的用电方式,积极参与电网运行,根据实时电价调整用电模式,满足用户对用电多样、多元的需求,有效提高电网的利用效率,提高客户服务水平。
然而,目前的智能电网双向互动服务体系还不健全,供电企业对用户用电行为的了解仅仅是通过电表提供的数据,然而电表显示的电流、电压以及电能量都会在一定程度上收到外界波动因素的干扰,以致供电企业很难获得用户用电的真实情况,难以对用户用电进行有效地监督与指导。而且,供电企业对用户用电行为缺乏足够的了解,不能及时发现用户用电中的异常情况,也给用户带来了一定的困扰。为了解决上述问题,本发明提出了一种基于集合经验模态分解的用户用电行为异常判定方法,以便供电企业能够尽快检测到用户用电中的异常,并采取相应的措施,为用户提供更好地服务。
发明内容
有鉴于此,本发明的目的是提供一种基于EEMD方法的用户用电行为异常的判定方法。
本发明采用以下方案实现:一种基于EEMD方法的用户用电行为异常的判定方法,其特征在于,包括以下步骤:
S1:采用自组织映射神经网络的方法对用户用电负荷进行聚类;
S2:在所述步骤S1的聚类结果中任选一类并选择其中的任一用户,得到在任意两个相同的时间段上的负荷数据;
S3:采用经验模态分解方法将所述步骤S2中的数据分解为IMF分量和剩余趋势项,为了保证分解的准确性,采用集合经验模态分解方法,在原来的负荷曲线信号上加入高斯白噪声,对EMD解析出的IMF分量及剩余趋势项进行重构,最终得到两个时间段上剔除波动因素后的负荷剩余项;
S4:分别对两个时间段上的负荷剩余项进行线性相关性分析,得到ρ1,ρ2,其中ρ1是第一个时间段上该类与所选用户的负荷相关系数,ρ2第二个时间段上该类与所选用户的负荷相关系数;所述相关系数的计算采用如下公式:
S5:分析ρ1,ρ2,分为三种情况:①若ρ1与ρ2都小于0.8,则聚类过程中出现错误,采用所述步骤S1对该用户重新聚类;②若ρ1与ρ2都大于等于0.8,则该用户用电情况正常;③若ρ1与ρ2中只有一个大于等于0.8,则该用户在ρ<0.8时段用电异常。
在本发明一实施例中,所述经验模态分解方法,包括如下步骤:
S13:重复上述过程,假设经过k次,满足IMF的定义,则原信号x(t)的1阶IMF分量为:在具体操作过程中,通常利用限制标准差SD的值来判断筛选结果是否为IMF分量,当SD≤0.3时,筛选结果是IMF分量;其中:
S14:用原信号x(t)减去c1(t),得到一个去掉高频成分的新信号r1(t),则r1(t)=x(t)-c1(t);
S15:将r1(t)作为下1个原始信号,重复上述过程,得到第n阶IMF分量cn(t)或余量rn(t)小于预设值;当残余分量rn(t)为单调函数或者常量时,EMD分解过程停止;
S16:x(t)经过EMD分解后得到式中rn(t)为非振荡剩余趋势项,代表信号的总体趋势。
在本发明一实施例中,所述集合经验模态分解(EEMD)方法,包括如下步骤:
S21:在原始信号x(t)中多次加入幅值具有均值为0且标准差为常数的白噪声ni(t),得到:
xi(t)=x(t)+ni(t);
式中:xi(t)为第i次加入高斯白噪声的信号;加入高斯白噪声的大小会直接影响信号EEMD避免模态混叠的分解效果;
S22:对xi(t)分别进行EMD分解,得到的IMF分量cij(t)与1个余项ri(t);其中cij(t)为第i次加入高斯白噪声后,分解所得到的第j个IMF;
S23:重复步骤S21和步骤S22N次,利用不相关的随机序列的统计均值为0的原理,将上述对应的IMF进行总体平均运算,消除多次加入高斯白噪声对真实IMF的影响,最终得到EEMD分解后的IMF为:
式中:cj(t)是对原始信号进行EEMD分解得到的第j个IMF分量;当N越大,对应的白噪声的IMF的和将趋向于零;此时EEMD分解的结果为:
式中:r(t)为最终的残余分量,代表信号的平均趋势。
本发明提出了一种基于集合经验模态分解(EEMD)的用户用电行为异常判定方法,通过EEMD方法将用电负荷信号分别分解成若干个平稳的本征模函数(IMF)和剩余趋势项,不同的IMF分量代表不同周期的用电扰动因素,而剩余趋势项代表剔除波动因素后的用电总趋势;在已有的关于电力负荷聚类的基础上,通过对某类负荷特性曲线和某用户用电负荷曲线的剩余趋势项的相关性研究,判断该用户用电是否具有异常情况。本发明能够使供电企业能够尽快检测到用户用电中的异常,并采取相应的措施,为用户提供更好地服务。
为使本发明的目的、技术方案及优点更加清楚明白,以下将通过具体实施例和相关附图,对本发明作进一步详细说明。
附图说明
图1是本发明中用户用电行为异常判定方法的流程图。
图2是本发明中EMD算法的流程图。
图3是本发明中EEMD算法的流程图。
具体实施方式
如图1所示,本发明提供一种基于EEMD方法的用户用电行为异常的判定方法,包括以下步骤:
S1:采用自组织映射(SOM)神经网络的方法对用户用电负荷进行聚类;
S2:在所述步骤S1的聚类结果中任选一类并选择其中的任一用户,得到它们在任意两个相同的时间段上的负荷数据;
S3:采用经验模态分解(EMD)方法将所述步骤S2中的数据分解为IMF分量和剩余趋势项,为了保证分解的准确性,采用集合经验模态分解(EEMD)方法,在原来的负荷曲线信号上加入高斯白噪声,对EMD解析出的IMF分量及剩余趋势项进行重构,最终得到两个时间段上剔除波动因素后的负荷剩余项;
S4:分别对两个时间段上的负荷剩余项进行线性相关性分析,得到ρ1,ρ2,其中ρ1是第一个时间段上该类与所选用户的负荷相关系数,ρ2第二个时间段上该类与所选用户的负荷相关系数;所述相关系数的计算采用如下公式:
S5:分析ρ1,ρ2,分为三种情况:①若ρ1与ρ2都小于0.8,则聚类过程中出现错误,采用所述步骤S1对该用户重新聚类;②若ρ1与ρ2都大于等于0.8,则该用户用电情况正常;③若ρ1与ρ2中只有一个大于等于0.8,则该用户在ρ<0.8时段用电异常。
如图2所示,所述经验模态分解(EMD)方法,包括如下步骤:
S13:重复上述过程,假设经过k次,满足IMF(固有模态分量)的定义,则原信号x(t)的1阶IMF分量为:在具体操作过程中,通常利用限制标准差SD的值来判断筛选结果是否为IMF分量,当SD≤0.3时,筛选结果是IMF分量;其中:
S14:用原信号x(t)减去c1(t),得到一个去掉高频成分的新信号r1(t),则r1(t)=x(t)-c1(t);
S15:将r1(t)作为下1个原始信号,重复上述过程,得到第n阶IMF分量cn(t)或余量rn(t)小于预设值;当残余分量rn(t)为单调函数或者常量时,EMD分解过程停止;
如图3所示,所述集合经验模态分解(EEMD)方法,包括如下步骤:
S21:在原始信号x(t)中多次加入幅值具有均值为0且标准差为常数的白噪声ni(t)(白噪声标准差取原始信号标准差的0.1~0.4倍),得到:
xi(t)=x(t)+ni(t);
式中:xi(t)为第i次加入高斯白噪声的信号;加入高斯白噪声的大小会直接影响信号EEMD避免模态混叠的分解效果;
S22:对xi(t)分别进行EMD分解,得到的IMF分量cij(t)与1个余项ri(t);其中cij(t)为第i次加入高斯白噪声后,分解所得到的第j个IMF;
S23:重复步骤S21和步骤S22N次,利用不相关的随机序列的统计均值为0的原理,将上述对应的IMF进行总体平均运算,消除多次加入高斯白噪声对真实IMF的影响,最终得到EEMD分解后的IMF为:
式中:cj(t)是对原始信号进行EEMD分解得到的第j个IMF分量;当N越大,对应的白噪声的IMF的和将趋向于零;此时EEMD分解的结果为:
式中:r(t)为最终的残余分量,代表信号的平均趋势。
上列较佳实施例,对本发明的目的、技术方案和优点进行了进一步详细说明,所应理解的是,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (3)
1.一种基于EEMD方法的用户用电行为异常的判定方法,其特征在于,包括以下步骤:
S1:采用自组织映射神经网络的方法对用户用电负荷进行聚类;
S2:在所述步骤S1的聚类结果中任选一类并选择其中的任一用户,得到在任意两个相同的时间段上的负荷数据;
S3:采用经验模态分解方法将所述步骤S2中的数据分解为IMF分量和剩余趋势项,为了保证分解的准确性,采用集合经验模态分解方法,在原来的负荷曲线信号上加入高斯白噪声,对EMD解析出的IMF分量及剩余趋势项进行重构,最终得到两个时间段上剔除波动因素后的负荷剩余项;
S4:分别对两个时间段上的负荷剩余项进行线性相关性分析,得到ρ1,ρ2,其中ρ1是第一个时间段上该类与所选用户的负荷相关系数,ρ2第二个时间段上该类与所选用户的负荷相关系数;所述相关系数的计算采用如下公式:
S5:分析ρ1,ρ2,分为三种情况:①若ρ1与ρ2都小于0.8,则聚类过程中出现错误,采用所述步骤S1对该用户重新聚类;②若ρ1与ρ2都大于等于0.8,则该用户用电情况正常;③若ρ1与ρ2中只有一个大于等于0.8,则该用户在ρ<0.8时段用电异常。
2.根据权利要求1所述的一种基于EEMD方法的用户用电行为异常的判定方法,其特征在于,所述经验模态分解方法,包括如下步骤:
S13:重复上述过程,假设经过k次,满足IMF的定义,则原信号x(t)的1阶IMF分量为:在具体操作过程中,通常利用限制标准差SD的值来判断筛选结果是否为IMF分量,当SD≤0.3时,筛选结果是IMF分量;其中:
S14:用原信号x(t)减去c1(t),得到一个去掉高频成分的新信号r1(t),则r1(t)=x(t)-c1(t);
S15:将r1(t)作为下1个原始信号,重复上述过程,得到第n阶IMF分量cn(t)或余量rn(t)小于预设值;当残余分量rn(t)为单调函数或者常量时,EMD分解过程停止;
S16:x(t)经过EMD分解后得到式中rn(t)为非振荡剩余趋势项,代表信号的总体趋势。
3.根据权利要求1所述的一种基于EEMD方法的用户用电行为异常的判定方法,其特征在于:所述集合经验模态分解方法,包括如下步骤:
S21:在原始信号x(t)中多次加入幅值具有均值为0且标准差为常数的白噪声ni(t),得到:
xi(t)=x(t)+ni(t);
式中:xi(t)为第i次加入高斯白噪声的信号;加入高斯白噪声的大小会直接影响信号EEMD避免模态混叠的分解效果;
S22:对xi(t)分别进行EMD分解,得到的IMF分量cij(t)与1个余项ri(t);其中cij(t)为第i次加入高斯白噪声后,分解所得到的第j个IMF;
S23:重复步骤S21和步骤S22N次,利用不相关的随机序列的统计均值为0的原理,将上述对应的IMF进行总体平均运算,消除多次加入高斯白噪声对真实IMF的影响,最终得到EEMD分解后的IMF为:
式中:cj(t)是对原始信号进行EEMD分解得到的第j个IMF分量;当N越大,对应的白噪声的IMF的和将趋向于零;此时EEMD分解的结果为:
式中:r(t)为最终的残余分量,代表信号的平均趋势。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102773.0A CN103839197A (zh) | 2014-03-19 | 2014-03-19 | 一种基于eemd方法的用户用电行为异常的判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102773.0A CN103839197A (zh) | 2014-03-19 | 2014-03-19 | 一种基于eemd方法的用户用电行为异常的判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103839197A true CN103839197A (zh) | 2014-06-04 |
Family
ID=50802669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410102773.0A Pending CN103839197A (zh) | 2014-03-19 | 2014-03-19 | 一种基于eemd方法的用户用电行为异常的判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103839197A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205736A (zh) * | 2015-10-14 | 2015-12-30 | 国家电网公司 | 基于经验模态分解的电力负荷异常数据的快速检测方法 |
CN107256439A (zh) * | 2017-06-01 | 2017-10-17 | 常州英集动力科技有限公司 | 联合eemd与神经网络的短期负荷预测方法及系统 |
CN108776276A (zh) * | 2018-06-29 | 2018-11-09 | 合肥工业大学 | 用电异常检测方法及系统 |
CN109242321A (zh) * | 2018-09-17 | 2019-01-18 | 国网河北省电力有限公司电力科学研究院 | 用户电力负荷在线分析方法及终端设备 |
CN109784661A (zh) * | 2018-12-19 | 2019-05-21 | 华北电力大学(保定) | 一种热工过程稳态检测方法和系统 |
CN109816552A (zh) * | 2019-01-22 | 2019-05-28 | 上海燃气工程设计研究有限公司 | 一种计算居民燃气灶具的同时工作系数的方法 |
CN110579690A (zh) * | 2019-10-29 | 2019-12-17 | 厦门理工学院 | 一种配电网小电流接地故障区段定位方法 |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN110659442A (zh) * | 2019-09-23 | 2020-01-07 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
CN111222768A (zh) * | 2019-12-29 | 2020-06-02 | 杭州拓深科技有限公司 | 非侵入式负荷识别-用电行为分析用电判断方法及系统 |
CN111327118A (zh) * | 2020-03-31 | 2020-06-23 | 西安理工大学 | 一种非侵入式电力负荷识别方法 |
CN111612074A (zh) * | 2020-05-22 | 2020-09-01 | 王彬 | 非侵入式负荷监测用电设备的辨识方法、装置及相关设备 |
CN111738364A (zh) * | 2020-08-05 | 2020-10-02 | 国网江西省电力有限公司供电服务管理中心 | 一种基于用户负荷与用电参量相结合的窃电检测方法 |
CN111898857A (zh) * | 2020-04-07 | 2020-11-06 | 沈阳工业大学 | 基于BEMD和kmeans电力用户特征分析方法及系统 |
CN112308462A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电力用户分类方法及装置 |
CN112861128A (zh) * | 2021-01-21 | 2021-05-28 | 微梦创科网络科技(中国)有限公司 | 一种批量识别机器账号的方法及系统 |
CN112948456A (zh) * | 2021-01-19 | 2021-06-11 | 宁夏大学 | 一种基于EMD和Pearson互相关系数的异常用电行为检测方法 |
CN113192489A (zh) * | 2021-05-16 | 2021-07-30 | 金陵科技学院 | 一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法 |
CN115051363A (zh) * | 2022-08-17 | 2022-09-13 | 广东电网有限责任公司佛山供电局 | 一种配网台区户变关系辨识方法、装置及计算机存储介质 |
-
2014
- 2014-03-19 CN CN201410102773.0A patent/CN103839197A/zh active Pending
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205736A (zh) * | 2015-10-14 | 2015-12-30 | 国家电网公司 | 基于经验模态分解的电力负荷异常数据的快速检测方法 |
CN107256439A (zh) * | 2017-06-01 | 2017-10-17 | 常州英集动力科技有限公司 | 联合eemd与神经网络的短期负荷预测方法及系统 |
WO2019237492A1 (zh) * | 2018-06-13 | 2019-12-19 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
CN108776276A (zh) * | 2018-06-29 | 2018-11-09 | 合肥工业大学 | 用电异常检测方法及系统 |
CN108776276B (zh) * | 2018-06-29 | 2020-11-13 | 合肥工业大学 | 用电异常检测方法及系统 |
CN109242321A (zh) * | 2018-09-17 | 2019-01-18 | 国网河北省电力有限公司电力科学研究院 | 用户电力负荷在线分析方法及终端设备 |
CN109784661A (zh) * | 2018-12-19 | 2019-05-21 | 华北电力大学(保定) | 一种热工过程稳态检测方法和系统 |
CN109816552A (zh) * | 2019-01-22 | 2019-05-28 | 上海燃气工程设计研究有限公司 | 一种计算居民燃气灶具的同时工作系数的方法 |
CN110659442A (zh) * | 2019-09-23 | 2020-01-07 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
CN110659442B (zh) * | 2019-09-23 | 2023-09-08 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
CN110579690A (zh) * | 2019-10-29 | 2019-12-17 | 厦门理工学院 | 一种配电网小电流接地故障区段定位方法 |
CN110579690B (zh) * | 2019-10-29 | 2021-11-23 | 厦门理工学院 | 一种配电网小电流接地故障区段定位方法 |
CN111222768A (zh) * | 2019-12-29 | 2020-06-02 | 杭州拓深科技有限公司 | 非侵入式负荷识别-用电行为分析用电判断方法及系统 |
CN111327118A (zh) * | 2020-03-31 | 2020-06-23 | 西安理工大学 | 一种非侵入式电力负荷识别方法 |
CN111327118B (zh) * | 2020-03-31 | 2023-07-07 | 西安理工大学 | 一种非侵入式电力负荷识别方法 |
CN111898857A (zh) * | 2020-04-07 | 2020-11-06 | 沈阳工业大学 | 基于BEMD和kmeans电力用户特征分析方法及系统 |
CN111612074A (zh) * | 2020-05-22 | 2020-09-01 | 王彬 | 非侵入式负荷监测用电设备的辨识方法、装置及相关设备 |
CN111612074B (zh) * | 2020-05-22 | 2024-02-02 | 王彬 | 非侵入式负荷监测用电设备的辨识方法、装置及相关设备 |
CN111738364A (zh) * | 2020-08-05 | 2020-10-02 | 国网江西省电力有限公司供电服务管理中心 | 一种基于用户负荷与用电参量相结合的窃电检测方法 |
CN112308462A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电力用户分类方法及装置 |
CN112948456B (zh) * | 2021-01-19 | 2022-03-11 | 宁夏大学 | 一种基于EMD和Pearson互相关系数的异常用电行为检测方法 |
CN112948456A (zh) * | 2021-01-19 | 2021-06-11 | 宁夏大学 | 一种基于EMD和Pearson互相关系数的异常用电行为检测方法 |
CN112861128A (zh) * | 2021-01-21 | 2021-05-28 | 微梦创科网络科技(中国)有限公司 | 一种批量识别机器账号的方法及系统 |
CN113192489A (zh) * | 2021-05-16 | 2021-07-30 | 金陵科技学院 | 一种基于多尺度增强BiLSTM模型的喷漆机器人语音识别方法 |
CN115051363A (zh) * | 2022-08-17 | 2022-09-13 | 广东电网有限责任公司佛山供电局 | 一种配网台区户变关系辨识方法、装置及计算机存储介质 |
CN115051363B (zh) * | 2022-08-17 | 2023-01-13 | 广东电网有限责任公司佛山供电局 | 一种配网台区户变关系辨识方法、装置及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103839197A (zh) | 一种基于eemd方法的用户用电行为异常的判定方法 | |
Kwac et al. | Household energy consumption segmentation using hourly data | |
CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
CN102338834A (zh) | 居家电器检测的方法及系统 | |
Piao et al. | Development of a stochastic simulation–optimization model for planning electric power systems–A case study of Shanghai, China | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
CN105447082A (zh) | 一种海量负荷曲线的分布式聚类方法 | |
CN106656662A (zh) | 异常带宽确定方法、系统及电子设备 | |
CN108335010A (zh) | 一种风电出力时间序列建模方法及系统 | |
CN108519989A (zh) | 一种日电量缺失数据的还原追溯方法及装置 | |
CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN102147816A (zh) | 一种案件统计及趋势分析系统 | |
CN104537434A (zh) | 基于业扩报装稳定周期的用电生长曲线提取系统和方法 | |
CN101206727B (zh) | 数据处理装置和数据处理方法 | |
Egarter et al. | EvoNILM: Evolutionary appliance detection for miscellaneous household appliances | |
CN109471871A (zh) | 公车管理方法及装置 | |
CN102542335A (zh) | 一种混合数据挖掘方法 | |
Fantazzini et al. | Proposed coal power plants and coal-to-liquids plants in the US: Which ones survive and why? | |
Dedić et al. | Fuzzy C-means clustering applied to load profiling of industrial customers | |
Bekhet et al. | Highlighting the factors of energy intensity change in Malaysia: Input-Output Approach | |
CN113269478A (zh) | 一种基于多模型的集中器异常数据提醒方法及系统 | |
CN105868849A (zh) | 基于家庭结构变化的生活能源消费量预测方法及装置 | |
Crownshaw | A modelling framework for evaluating the dynamic metabolic feasibility of energy transition scenarios | |
CN114372835A (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140604 |