CN104715148B - 一种基于Markov过程的可再生能源电力建模方法 - Google Patents
一种基于Markov过程的可再生能源电力建模方法 Download PDFInfo
- Publication number
- CN104715148B CN104715148B CN201510109512.6A CN201510109512A CN104715148B CN 104715148 B CN104715148 B CN 104715148B CN 201510109512 A CN201510109512 A CN 201510109512A CN 104715148 B CN104715148 B CN 104715148B
- Authority
- CN
- China
- Prior art keywords
- state
- regenerative resource
- oneself
- renewable energy
- exerted oneself
- 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 53
- 230000008569 process Effects 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000012546 transfer Methods 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 230000001172 regenerating effect Effects 0.000 claims description 72
- 206010027476 Metastases Diseases 0.000 claims description 12
- 230000009401 metastasis Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000009194 climbing Effects 0.000 abstract description 4
- 230000007704 transition Effects 0.000 abstract description 4
- 230000005611 electricity Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开一种基于Markov过程的可再生能源电力建模方法，包括：步骤一，对可再生能源出力统计的原始数据进行处理，划分出力状态，形成可再生能源出力状态序列；步骤二，以得到状态序列为原始数据，统计可再生能源出力在各个状态间的转移频次，转移频次矩阵；步骤三，根据转移频次矩阵，形成状态转移矩阵；步骤四，根据Markov过程理论和状态转移矩阵，计算得到各个时刻可再生能源电力在各个出力状态上的概率分布，得到可再生能源电力的时序多状态机组模型。本发明利用随机过程的建模思想和建模方法，全面描述可再生能源电力的随机性、波动性以及爬坡特性特征，为含可再生能源的电力系统优化规划、优化运行问题的解决奠定基础。
Description
【技术领域】
本发明属于电力系统领域，涉及一种可再生能源电力的建模方法。
【背景技术】
近年来，随着能源危机和环境恶化问题的加剧，以风力发电和光伏发电为代表的可再生能源电力获得了持续、迅速的发展，电力系统中可再生能源渗透率不断提高。风电、光伏等可再生能源电力具有与火电、水电等常规电源显著不同的特点、特性。这给电力系统运行与规划带来了极大挑战，也给电力系统分析，特别是优化规划和优化运行问题的解决造成了困难。
建立可再生能源电力的数学模型是将可再生能源电力纳入电力系统分析、计算框架的基础，也是进行含可再生能源电力系统的优化规划和优化运行的关键，具有重要意义。
受风能、光能等一次能源特性的影响，风电、光伏等可再生能源出力具有显著的随机性、波动性，甚至间歇性。同时，考虑到与其他类型电源的配合运行，可再生能源出力的爬坡特性也会对电力系统运行产生巨大影响。如何全面描述上述特征是可再生能源电力建模的关键。
目前，常见可再生能源出力建模方法可以分为以下两类：等效负荷模型和等效多状态机组模型。前者将可再生能源出力视为负的负荷，利用一条或数条典型的出力曲线对可再生能源出力建模；而后者将可再生能源电力等效为一台具有多个不同出力状态的机组，各个出力状态具有一定的出现概率。一条或数条出力曲线能够保留可再生能源出力的波动特征，但无法充分描述其随机性；多个不同出力状态和相应的概率能够描述可再生能源出力的随机性特征，但难以刻画其波动性。同时，在上述两类建模方法中，爬坡速率、爬坡速率概率分布的爬坡特征，作为可再生能源出力特性的重要方面，也未得到充分关注或描述。
综上，可再生能源电力的建模问题是电力系统规划、运行领域的关键问题，在众多研究和应用中发挥基础性作用，但现有的建模方法仅能片面描述可再生能源电力的部分特点，无法全面描述可再生能源电力的特性。
【发明内容】
本发明的目的在于提供一种基于Markov过程的可再生能源电力建模方法，以解决现有可再生能源电力建模方法的不足；从“可再生能源出力本质上是一种随机过程出发”，利用随机过程的建模思想和建模方法，全面描述可再生能源电力的随机性、波动性以及爬坡特性特征，为含可再生能源的电力系统优化规划、优化运行问题的解决奠定基础。
为了实现上述目的，本发明采用如下技术方案：
一种基于Markov过程的可再生能源电力建模方法，包括以下步骤：
步骤一，对可再生能源出力统计的原始数据进行处理，划分出力状态，形成可再生能源出力状态序列；
步骤二，以得到状态序列为原始数据，统计可再生能源出力在各个状态间的转移频次，转移频次矩阵；
步骤三，根据转移频次矩阵，形成状态转移矩阵；
步骤四，根据Markov过程理论和状态转移矩阵，计算得到各个时刻可再生能源电力在各个出力状态上的概率分布，得到可再生能源电力的时序多状态机组模型。
一种基于Markov过程的可再生能源电力建模方法，具体包括以下步骤：
步骤一：对可再生能源出力统计的原始数据进行处理，划分出力状态，形成出力状态序列；划分状态的过程中采用等步长的状态划分、不等步长的状态划分或者借助聚类工具通过聚类分析确定状态划分依据；根据选定的状态划分依据，判定各个时刻可再生能源出力所属的出力状态，从而形成出力状态序列；
步骤二：根据出力状态序列，统计得到可再生能源出力的在各个状态间的转移频次，形成转移频次矩阵，具体为：t时刻，可再生能源出力状态处于i而t+1时刻可再生能源出力处于j状态，计可再生能源出力由状态i向状态j转移一次；将各元素初值为0的转移频次矩阵A中第i行第j列元素aij的取值加1；完成整个出力状态扫描，得到状态转移频次矩阵A；
步骤三：根据转移频次矩阵A形成状态转移矩阵P；对于状态转移矩阵P中的任意元素pij，其计算公式如下所示：
pij即状态i向状态j转移频次占状态i总转移频次的比例；当样本数据足够多(大于或等于3年)时，该比值趋近于状态i向状态j转移的概率，以该比值作为状态i向状态j转移的概率；当样本数据较少(少于3年)时，根据非参数统计理论选取合适的核函数进行修正；
步骤四：根据Markov过程理论和状态转移矩阵P，计算得到各个时刻可再生能源电力在各个出力状态上的概率分布，得到可再生能源电力的时序多状态机组模型；时序多状态机组模型包含以下两个要素：1)多状态机组，即可再生能源出力在各个出力状态上的概率分布；2)时序性，上述概率分布具有时序性，不同时刻具有不同的概率分布。
优选的，步骤四中，记t时刻可再生能源出力在各个状态上的概率分布为πt，根据Markov理论：
πt+1＝πtP (5)
可以递推得到各个时刻可再生能源出力的概率分布，建立可再生能源出力的时序多状态机组模型{πt}。
优选的，步骤四中，针对一天不同的时刻t，分别建立转移矩阵Pt，刻画不同时刻不同的转移特征：
πt+1＝πtPt (6)
可以递推得到各个时刻可再生能源出力的概率分布，建立可再生能源出力的时序多状态机组模型。
优选的，步骤一在划分出力状态前进行数据预处理，提取可再生能源出力的季节特征。
当所述可再生能源为间歇性显著的可再生能源，间歇性显著的可再生能源每天仅在[tstart,tend]时段范围内有出力，其余时刻出力均为0；其中tstart和tend分别对应歇性显著的可再生能源的处出力开始时刻和出力结束的时刻；抽取tstart时刻的功率形成每日初始时刻可再生能源出力序列，建立初始时刻转移模型；在建模过程中配合使用初始时刻转移模型和底层转移模型，形成时序多状态机组，具体地说：通过初始时刻转移模型，计算获得各日初始时刻可再生能源的时序多状态机组模型；根据每日初始时刻出力的概率分布，结合底层模型，计算得到每日[tstart,tend]区间内各个时刻功率的概率分布。
相对于现有可再生能源电力建模方法相比，本发明具有以下有益效果：
本方法从“可再生能源出力本质上是一种随机过程”这一基本认识出发，根据Markov过程理论，建立了时序多状态的可再生能源出力模型，能全面反映了可再生能源随机、波动以及爬坡的特性。具体地说，多状态机组模型反映了可再生能源出力的随机性，时序变化的多状态模型则进一步蕴含了可再生能源出力的时序波动特征，Markov转移矩阵则直观地反映了可再生能源出力由某状态向上、向下爬坡，转移进入另一状态的可能性。相比于已有方法，本发明能更加全面的描述、刻画可再生能源出力特征，优势显著。
【附图说明】
图1为本发明的整体流程；
图2为算例中原始风电功率示意图；
图3为算例中风电功率状态序列示意图。
【具体实施方式】
本发明一种基于Markov过程的可再生能源电力建模方法，包括以下步骤：
首先，对可再生能源出力统计的原始数据进行处理，划分出力状态，形成可再生能源出力状态序列；
其次，以得到状态序列为原始数据，统计可再生能源出力在各个状态间的转移频次，转移频次矩阵；
然后，根据转移频次矩阵，形成状态转移矩阵；
最后，根据Markov过程理论和状态转移矩阵，计算得到各个时刻可再生能源电力在各个出力状态上的概率分布，得到可再生能源电力的时序多状态机组模型。
请参阅图1所示，本发明一种基于Markov过程的可再生能源电力建模方法，具体包括如下步骤：
步骤一：对可再生能源出力统计的原始数据进行处理，划分出力状态，形成出力状态序列。本步核心在于划分可再生能源电力的出力状态。在划分状态的过程中可以采用等步长的状态划分，也可以采用不等步长的状态划分，还可以借助聚类工具通过聚类分析确定状态划分依据。根据选定的状态划分依据，判定各个时刻可再生能源出力所属的出力状态，从而形成出力状态序列。此外，在划分出力状态前可进行特定的数据预处理，如提取可再生能源出力的季节特征。
步骤二：根据出力状态序列，统计得到可再生能源出力的在各个状态间的转移频次，形成转移频次矩阵。如t时刻，可再生能源出力状态处于i而t+1时刻可再生能源出力处于j状态，则计可再生能源出力由状态i向状态j转移一次。将转移频次矩阵A(各元素初值为0)中第i行第j列元素aij的取值加1。完成整个出力状态扫描，得到状态转移频次矩阵A。
步骤三：根据转移频次矩阵A形成状态转移矩阵P。对于状态转移矩阵P中的任意元素pij，其计算公式如下所示：
即状态i向状态j转移频次占状态i总转移频次的比例。当样本数据足够多(如统计数据大于或等于3年)时，该比值趋近于状态i向状态j转移的概率，以该比值作为状态i向状态j转移的概率。当样本数据较少(少于3年)时，根据非参数统计理论选取合适的核函数进行修正。
步骤四：根据Markov过程理论和状态转移矩阵P，计算得到各个时刻可再生能源电力在各个出力状态上的概率分布，得到可再生能源电力的时序多状态机组模型。时序多状态机组模型包含以下两个要素：1)多状态机组，即可再生能源出力在各个出力状态上的概率分布；2)时序性，上述概率分布具有时序性，不同时刻具有不同的概率分布。记t时刻可再生能源出力在各个状态上的概率分布为πt，根据Markov理论：
πt+1＝πtP (8)
可以递推得到各个时刻可再生能源出力的概率分布，建立可再生能源出力的时序多状态机组模型{πt}。当可供建模的原始数据足够多时，可针对一天不同的时刻t，分别建立转移矩阵Pt，刻画不同时刻不同的转移特征。相应地有：
πt+1＝πtPt (9)
此外，针对光伏发电等间歇性显著的可再生能源电力提出如下多层Markov过程建模影响。受日照影响，每天光伏电站仅在[tstart,tend]时段范围内有出力，其余时刻出力均为0；其中tstart和tend分别对应黎明和傍晚时日照开始和结束的时刻。针对每日[tstart,tend]区间内的功率状态转移问题，采用前文所述建模方法，建立底层转移模型；同时，抽取tstart时刻的功率形成每日初始时刻可再生能源出力序列，建立初始时刻转移模型。在建模过程中配合使用初始时刻转移模型和底层转移模型，形成时序多状态机组。具体地说：通过初始时刻转移模型，计算获得各日初始时刻可再生能源的时序多状态机组模型；根据每日初始时刻出力的概率分布，结合底层模型，计算得到每日[tstart,tend]区间内各个时刻功率的概率分布。
下面以一个简单的算例说明本方法实施流程。
该实施例以某个装机容量为50MW的风电场720h的出力统计为原始数据，如图2所示。
首先，以10MW步长，将风电出力划分为5个状态，形成风电功率状态序列：
进而，统计得到状态转移频次矩阵A，计算得到转移矩阵P:
最后，依据状态转移矩阵P，得到该风电场出力的时序多状态机组模型。由于数据量较大，表1中仅给出前5个小时的结果作为示例。如表所示，t＝1h时，风电出力处于第一个状态(0-10MW)的概率为0.2003。
表1 算例的生产模拟结果
最后应当说明的是：以上实施例仅用以说明本发明的技术方案，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都属于本发明的保护范围。
Claims (3)
1.一种基于Markov过程的可再生能源电力建模方法，其特征在于，包括以下步骤：
步骤一，对可再生能源出力统计的原始数据进行处理，划分出力状态，形成可再生能源出力状态序列；
步骤二，以得到状态序列为原始数据，统计可再生能源出力在各个状态间的转移频次，转移频次矩阵；
步骤三，根据转移频次矩阵，形成状态转移矩阵；
步骤四，根据Markov过程理论和状态转移矩阵，计算得到各个时刻可再生能源电力在各个出力状态上的概率分布，得到可再生能源电力的时序多状态机组模型；
步骤一至步骤四具体包括：
步骤一：对可再生能源出力统计的原始数据进行处理，划分出力状态，形成出力状态序列；划分状态的过程中采用等步长的状态划分、不等步长的状态划分或者借助聚类工具通过聚类分析确定状态划分依据；根据选定的状态划分依据，判定各个时刻可再生能源出力所属的出力状态，从而形成出力状态序列；
步骤二：根据出力状态序列，统计得到可再生能源出力的在各个状态间的转移频次，形成转移频次矩阵，具体为：t时刻，可再生能源出力状态处于i而t+1时刻可再生能源出力处于j状态，计可再生能源出力由状态i向状态j转移一次；将各元素初值为0的转移频次矩阵A中第i行第j列元素aij的取值加1；完成整个出力状态扫描，得到状态转移频次矩阵A；
步骤三：根据转移频次矩阵A形成状态转移矩阵P；对于状态转移矩阵P中的任意元素pij，其计算公式如下所示：
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msub>
<mi>a</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
pij即状态i向状态j转移频次占状态i总转移频次的比例；当样本数据大于或等于3年时，该比值趋近于状态i向状态j转移的概率；当样本数据少于3年时，根据非参数统计理论选取合适的核函数进行修正；
步骤四：根据Markov过程理论和状态转移矩阵P，计算得到各个时刻可再生能源电力在各个出力状态上的概率分布，得到可再生能源电力的时序多状态机组模型；时序多状态机组模型包含以下两个要素：1)多状态机组，即可再生能源出力在各个出力状态上的概率分布；2)时序性，上述概率分布具有时序性，不同时刻具有不同的概率分布；
步骤四中，记t时刻可再生能源出力在各个状态上的概率分布为πt，根据Markov理论：
πt+1＝πtP (2)
递推得到各个时刻可再生能源出力的概率分布，建立可再生能源出力的时序多状态机组模型{πt}；
步骤四中，针对一天不同的时刻t，分别建立转移矩阵Pt，刻画不同时刻不同的转移特征：
πt+1＝πtPt (3)
可以递推得到各个时刻可再生能源出力的概率分布，建立可再生能源出力的时序多状态机组模型。
2.根据权利要求1所述的一种基于Markov过程的可再生能源电力建模方法，其特征在于，步骤一在划分出力状态前进行数据预处理，提取可再生能源出力的季节特征。
3.一种基于Markov过程的可再生能源电力建模方法，其特征在于，采用权利要求1至2中任一项所述的一种基于Markov过程的可再生能源电力建模方法建立底层转移模型；所述可再生能源为间歇性显著的可再生能源，每天间歇性显著的可再生能源仅在[tstart,tend]时段范围内有出力，其余时刻出力均为0；其中tstart和tend分别对应歇性显著的可再生能源的处出力开始时刻和出力结束的时刻；抽取tstart时刻的功率形成每日初始时刻可再生能源出力序列，建立初始时刻转移模型；在建模过程中配合使用初始时刻转移模型和底层转移模型，形成时序多状态机组，具体地说：通过初始时刻转移模型，计算获得各日初始时刻可再生能源的时序多状态机组模型；根据每日初始时刻出力的概率分布，结合底层模型，计算得到每日[tstart,tend]区间内各个时刻功率的概率分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510109512.6A CN104715148B (zh) | 2015-03-12 | 2015-03-12 | 一种基于Markov过程的可再生能源电力建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510109512.6A CN104715148B (zh) | 2015-03-12 | 2015-03-12 | 一种基于Markov过程的可再生能源电力建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104715148A CN104715148A (zh) | 2015-06-17 |
| CN104715148B true CN104715148B (zh) | 2017-11-03 |
Family
ID=53414471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510109512.6A Active CN104715148B (zh) | 2015-03-12 | 2015-03-12 | 一种基于Markov过程的可再生能源电力建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104715148B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106383921A (zh) * | 2015-07-28 | 2017-02-08 | 中国电力科学研究院 | 一种基于概率统计的新能源出力离散概率序列生成方法 |
| CN106845858A (zh) * | 2017-02-17 | 2017-06-13 | 云南电网有限责任公司 | 基于转移概率矩阵的新能源出力水平评估方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217113A (zh) * | 2014-09-03 | 2014-12-17 | 广西电网有限责任公司 | 基于储能概率模型的独立风光储系统可靠性评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8566266B2 (en) * | 2010-08-27 | 2013-10-22 | Mitsubishi Electric Research Laboratories, Inc. | Method for scheduling the operation of power generators using factored Markov decision process |
-
2015
- 2015-03-12 CN CN201510109512.6A patent/CN104715148B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217113A (zh) * | 2014-09-03 | 2014-12-17 | 广西电网有限责任公司 | 基于储能概率模型的独立风光储系统可靠性评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于马尔可夫链的光伏发电系统输出功率短期预测方法;丁明，等;《电网技术》;20110131;第35卷(第1期);第1.1节，第2-3章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104715148A (zh) | 2015-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
| CN103944175B (zh) | 风光储联合发电系统出力特性优化方法 | |
| CN107276122B (zh) | 适应大规模可再生能源并网的调峰资源调用决策方法 | |
| CN110599006B (zh) | 基于场景分析的配电网运行风险评估方法 | |
| Capizzi et al. | Recurrent neural network-based control strategy for battery energy storage in generation systems with intermittent renewable energy sources | |
| CN112467807A (zh) | 一种多能源电力系统日前优化调度方法及系统 | |
| CN106532764A (zh) | 一种就地消纳光伏发电的电动汽车充电负荷调控方法 | |
| CN103400204A (zh) | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 | |
| CN107947166B (zh) | 一种基于动态矩阵控制的多能微网变时调度方法及装置 | |
| CN106992541A (zh) | 一种减小风电弃风的方法和装置 | |
| CN103455729A (zh) | 一种光储并网联合发电调度值的计算方法 | |
| CN105741027A (zh) | 一种含电动汽车的虚拟电厂优化调度方法 | |
| CN105896578A (zh) | 一种用于风光储联合发电系统的随机生产模拟方法 | |
| CN111092451A (zh) | 一种基于配电网网格的光伏消纳预警方法 | |
| CN104715148B (zh) | 一种基于Markov过程的可再生能源电力建模方法 | |
| CN105305485A (zh) | 一种消纳大规模间歇性能源的安全约束经济调度方法 | |
| CN106961125A (zh) | 风水火电力系统动态经济调度的等式约束处理方法 | |
| CN103366225B (zh) | 风功率预测误差识别方法 | |
| Hong-Tao et al. | Local Consumption model of wind and photovoltaic power based on demand side response | |
| CN103679284A (zh) | 一种消纳风电接入的定区间滚动调度方法 | |
| CN105098839A (zh) | 一种基于风电不确定出力的风电并网协调优化方法 | |
| Liu et al. | Reliability assessment of micro-grid based on Markov model | |
| CN109617100B (zh) | 一种数据驱动的风电场储能容量规划方法 | |
| CN109726855B (zh) | 一种基于峰谷电价经济运行模型的梯级泵站优化调度方法 | |
| CN114662922B (zh) | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |