CN104751241B - 一种风电功率区间预测的方法 - Google Patents
一种风电功率区间预测的方法 Download PDFInfo
- Publication number
- CN104751241B CN104751241B CN201510133926.2A CN201510133926A CN104751241B CN 104751241 B CN104751241 B CN 104751241B CN 201510133926 A CN201510133926 A CN 201510133926A CN 104751241 B CN104751241 B CN 104751241B
- Authority
- CN
- China
- Prior art keywords
- wind power
- sample
- interval
- samples
- class
- 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 29
- 238000005315 distribution function Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Wind Motors (AREA)
Abstract
本发明公开了一种风电功率区间预测的方法，该方法利用相邻时段风电功率之间的相关关系，提高预测精度，具体地，通过历史的风电功率观测数据，构造离散条件联合分布函数进行风电功率区间预测，条件联合分布函数可全面反映相邻时段之间的风电功率的相关特性，有利于提高风电功率预测区间的准确性。从而为电力系统调度和运行提供准确的预测数据，使电力系统运行部门所制定出的调度计划与实际运行工况接近，减少实际运行过程中的修正量和调节量，保证电力系统的安全稳定运行。
Description
技术领域
本发明属于电力系统风电功率预测的技术领域，更具体地，涉及一种采用条件联合分布函数进行风电功率区间预测的方法。
背景技术
准确地预测风电功率即将发生的区间范围，有利于电力系统制定出高质量的调度和控制策略，从而保障电力系统的安全稳定运行。概率统计方法是普遍采用的风电功率区间预测的一类方法，此类方法主要是利用相邻时间风电功率之间的相关特性，从已经发生的风电功率，预测即将发生的风电功率所在的区间范围。然而，现有的方法主要侧重于考虑相邻时间之间风电功率线性相关性，不能反映非线性相关性，从而导致预测区间不够准确。
发明内容
针对现有技术的缺陷，本发明的目的在于利用相邻时段风电功率之间的相关关系，提高预测精度，从而提出了一种风电功率区间预测的方法，旨在解决现有的预测方法不够准确的问题。
本发明提供了一种风电功率区间预测的方法，包括下述步骤：
(1)从历史的风电功率观测样本数据中，提取N个连续T时段的风电功率序列样本，并构成第一矩阵其中，wn,t为第n个样本在第t时段的风电功率，n＝1，…，N，N为样本的总数，t＝1，…，T，T为时段的总数；
(2)将所述第一矩阵W中的风电功率样本和已知的前T-1个时段的风电功率映射到[0，1]区间，具体步骤如下：
(2.1)对第一矩阵W中的每一列样本按照从小到大的顺序进行排序，排序后形成第二矩阵w(n),t为排在第(n)位的风电功率值，(n)表示序位，(n)＝1，…，N
(2.2)根据映射规则将所述第一矩阵W中的样本映射到[0，1]后获得第一样本
其中，所述映射规则为Ft(xwt)表示第t时段的映射函数，xwt表示第t时段待转换的样本；Ft(xwt)的取值在[0，1]之间；i为历史样本w(1),t，……，w(N),t中小于xwt的样本的个数；
(2.3)根据所述映射规则将前T-1个时段的风电功率进行转换后获得待预测的样本
(3)构建条件联合分布函数，具体步骤如下：
(3.1)将区间[0，1]等分为K个子区间S1,…,Sk,…,SK；其中第一个个子区间S1＝[0,1/K]，……，第k个子区间Sk＝[(k-1)/K,k/K]；k为子区间的序号；k＝1,2，……K；
(3.2)在所述第一样本F1，…，FT中查找前T-1个元素与待预测的样本对应落在相同子区间的第二样本，并将所述第二样本构成集合J；
(3.3)根据分类规则将集合J中的样本分成S类，并获得一个离散的条件联合分布函数
其中，
所述分类规则为将集合J中第T个元素所在的子区间相同的样本归为一类；m表示类别；第m类中有Nm个样本，表示条件联合分布函数的第m类第二样本的取值，其数值等于第m类所有样本第T个时段取值的均值；表示第m类中第j个样本第T时段的取值；pm表示第m类第二样本的概率；
(4)根据已知的前T-1个时段的风电功率对满足给定置信度水平β下第T时段的风电功率所在区间进行预测；具体步骤如下：
(4.1)按照第二样本所有类别的概率从大到小对所述条件联合分布函数进行排序，获得次序调制后的条件联合分布函数
(4.2)从m＝1开始，对排序后的所述第m类第二样本的概率p(m)进行累加，直至累加之和大于或等于给定的置信度水平β时，获得对应的前q类第二样本
其中，q为累加结束时的个数，
(4.3)将区间[0，1]平均分为K等份，每1份称为1个子区间，分别记为S1,L,Sk,L,SK；基于此，寻找待预测的风电功率所在的区间
为待预测风电功率所在区间的上界，为待预测风电功率所在子区间的下界，为第(1)类第二样本所在子区间的上界，为第(1)类第二样本所在子区间的下界，为第(2)类第二样本所在子区间的上界，为第(2)类第二样本所在子区间的下界，为第(q)类第二样本所在子区间的上界，为第(q)类第二样本所在子区间的下界；
(4.4)根据所述映射规则的逆规则，将落在区间内的待预测的风电区间转换为所需的实际风电功率区间
其中，在步骤(3.2)中，当第1个元素与落在相同的子区间，…，第t个元素与落在相同的子区间，…，第T-1个元素与落在相同的子区间时，获得满足条件的第二样本。
其中，所述置信度水平β的取值范围为0.9≤β≤1。
其中，步骤(4.4)中所述映射规则的逆规则具体为：将乘以样本总数N，并取整数，记为将乘以样本总数N，并取整数，记为令第二矩阵的第T列样本w(1),T，…，w(N),T中序号等于的样本等于令第二矩阵的第T列样本w(1),T，…，w(N),T中序号等于的样本等于
本发明通过历史的风电功率观测数据，构造离散条件联合分布函数进行风电功率区间预测，条件联合分布函数可全面反映相邻时段之间的风电功率的相关特性，有利于提高风电功率预测区间的准确性。从而为电力系统调度和运行提供准确的预测数据，使电力系统运行部门所制定出的调度计划与实际运行工况接近，减少实际运行过程中的修正量和调节量，保证电力系统的安全稳定运行。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了更全面地利用相邻时段风电功率之间的相关关系，提高预测精度，本发明提出一种基于条件联合概率分布函数的方法进行风电功率区间预测，条件联合概率分布函数包含了相邻时段风电功率之间的全部关联信息，可以达到较高的预测精度。
已知前T-1个时段的风电功率，记为对满足给定置信度水平β下第T时段的风电功率所在区间进行预测的方法步骤如下：
(1)从历史的风电功率观测样本中，提取N个连续T时段的风电功率序列样本，组成如公式(1)所示的矩阵。
(2)将公式(1)中的风电功率样本和已知的前T-1个时段的风电功率映射到[0，1]区间，具体步骤如下：
(2.1)对公式(1)中的每一列样本按照从小到大的顺序进行排序，排序后的结果如公式(2)。
(2.2)按如公式(3)将公式(1)的样本映射到[0，1]，变换后的样本如公式(4)所示。
公式(3)中，Ft(xwt)表示第t时段的映射函数，xwt表示第t时段待转换的样本。从公式(3)可以看出Ft(xwt)的取值在[0，1]之间。
(2.3)将前T-1个时段的风电功率代入公式(3)进行转换，得到
(3)构建条件联合分布函数，具体步骤如下：
(3.1)将区间[0，1]等分为K个子区间，所得的子区间分别记为S1,…,Sk,…,SK，S1＝[0,1/K]，Sk＝[(k-1)/K,k/K]。
(3.2)在公式(4)的N个样本中，查找前T-1个元素与 对应落在相同子区间的样本，也就是第1个元素与落在相同的子区间，…，第t个元素与落在相同的子区间，…，第T-1个元素与落在相同的子区间。称这些样本为满足条件 的样本，这些样本所组成的集合记为J。
(3.3)构建条件联合分布函数。将集合J中的样本进行分类，把集合J中第T个元素所在的子区间相同的样本归为一类。假设一共有S类，第m类中有Nm个样本，则可得到一个离散的条件联合分布函数。
式(5)中，表示条件联合分布函数的第m类的取值，其数值等于第m类所有样本第T个时段取值的均值。表示第m类中第j个样本第T时段的取值。pm表示第m类的概率。
(4)已知前T-1个时段的风电功率对满足给定置信度水平β下第T时段的风电功率所在区间的预测。具体步骤如下：
(4.1)根据第3步得到的条件联合分布函数按照类别的概率从大到小进行排序。假设排序后条件联合分布函数的次序记为
(4.2)从m＝1开始，对p(m)进行累加直至累加之和大于或等于给定的置信度水平β，假设累加到第q个元素，对应的前q类的取值为
(4.3)按照第3步对[0，1]区间的划分，假设 那么待预测的风电区间必然落在区间内。
(4.4)区间为按公式(3)转换后的区间，按照所述的逆规则将转换为所需的实际风电功率区间
至此，即为待预测的风电功率区间。
本发明通过历史的风电功率观测数据，构造离散条件联合分布函数进行风电功率区间预测，条件联合分布函数可全面反映相邻时段之间的风电功率的相关特性，有利于提高风电功率预测区间的准确性。从而为电力系统调度和运行提供准确的预测数据，使电力系统运行部门所制定出的调度计划与实际运行工况接近，减少实际运行过程中的修正量和调节量，保证电力系统的安全稳定运行。
为了便于说明本发明原理和步骤，实施例假设T＝2，也就是已知前一个时刻的风电功率，预测下一个时刻的风电功率所在区间，β＝0.97，K＝150。
以50Hertz风电场为例，该风电场的额定功率为12200MW，已知2012年12月1日0:00的风电功率，对2012年12月1日0:15的风电功率区间预测为例进行说明：
实施步骤1：从历史的风电功率观测数据中采集32256个风电功率，将风电功率历史数值代入公式(4)，得到映射到[0，1]区间后风电功率的数值，由于T＝2，N＝32256，则形成的矩阵如下：
0:00时刻的风电功率的映射后的值为0.413。
实施步骤2：由于K＝150，将[0，1]矩阵划分为150个子区间，在公式(6)所示的矩阵包含的样本中，寻找第1个数值与0.413落在同样子区间的样本。例如，中第3个样本(第3行)的第1个数0.406与0.413均落在相同的区间[0.406，0.434]内。将这些样本组成矩阵J。结果如式子(7)所示。
实施步骤3：将矩阵J进行分类，把J中第2个元素的值落在同一个子区间的样本归为一类，最终得到21类，S＝21。更进一步，按照公式(5)计算得到离散的条件联合分布函数为，矩阵中第1列为类别的取值，第2列为等于该类别对应的概率：
实施步骤4：根据条件联合分布函数，实现0:15时刻的风电功率区间预测。由于置信度水平设置为0.97，将公式(8)的离散概率分布按照概率从大到小进行排序，从排序后的第1个值开始累加，累加到第16个概率时，累加的概率之和为0.973，由于0.973大于0.97，此时停止累加，合并前16个概率分布点所在的区间，并将其转换为风电功率的实际区间，最终结果为[901.91，1 291.33]MW。也就是说，风电功率有97％的概率落在这个区间。
此外，按照本发明阐述的方法，以欧洲能源交易所，包含50Hertz、Amprion、TenneT和TransnetBW四家输电运营商的风电场数据样本为例。以2012年1月1日至2012年11月30日间隔15分钟记录一次的风电功率32256数据为建模样本，以2012年12月1日至2012年12月31日间隔15分钟的风电功率共2975个数据为测试样本。假设T＝2，K＝150，β＝0.97，得到如表1所示的预测结果：
表1区间预测统计结果
从表1可以看出，四家输电运营商风电功率越界的个数分别占验证样本共数的0.018，0.0303，0.034和0.022。从上面统计结果可以看出，除了Amprion、TenneT输电运营商越界的概率值稍微大于设定的0.03外，其它两家输电运营商均满足设定显著水平0.97。
可见，本发明所提的方法区间预测的准确程度较高。
本领域的技术人员容易理解，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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种风电功率区间预测的方法，其特征在于，包括下述步骤：
(1)从历史的风电功率观测样本数据中，提取N个连续T时段的风电功率序列样本，并构成第一矩阵其中，wn,t为第n个样本在第t时段的风电功率，n＝1，…，N，N为样本的总数，t＝1，…，T，T为时段的总数；
(2)将所述第一矩阵W中的风电功率样本和已知的前T-1个时段的风电功率映射到[0，1]区间，具体步骤如下：
(2.1)对第一矩阵W中的每一列样本按照从小到大的顺序进行排序，排序后形成第二矩阵w(n),t为排在第(n)位的风电功率值，(n)表示序位，(n)＝1，…，N
(2.2)根据映射规则将所述第一矩阵W中的样本映射到[0，1]后获得第一样本
其中，所述映射规则为Ft(xwt)表示第t时段的映射函数，xwt表示第t时段待转换的样本；Ft(xwt)的取值在[0，1]之间；i为历史样本w(1),t，……，w(N),t中小于xwt的样本的个数；
(2.3)根据所述映射规则将前T-1个时段的风电功率进行转换后获得待预测的样本
(3)构建条件联合分布函数，具体步骤如下：
(3.1)将区间[0，1]等分为K个子区间S1,…,Sk,…,SK；其中第一个个子区间S1＝[0,1/K]，……，第k个子区间Sk＝[(k-1)/K,k/K]；k为子区间的序号；k＝1,2，……K；
(3.2)在所述第一样本F1，…，FT中查找前T-1个元素与待预测的样本对应落在相同子区间的第二样本，并将所述第二样本构成集合J；
(3.3)根据分类规则将集合J中的样本分成S类，并获得一个离散的条件联合分布函数(pm)；
其中，
所述分类规则为将集合J中第T个元素所在的子区间相同的样本归为一类；m表示类别；第m类中有Nm个样本，表示条件联合分布函数的第m类第二样本的取值，其数值等于第m类所有样本第T个时段取值的均值；表示第m类中第j个样本第T时段的取值；pm表示第m类第二样本的概率；
(4)根据已知的前T-1个时段的风电功率对满足给定置信度水平β下第T时段的风电功率所在区间进行预测；具体步骤如下：
(4.1)按照第二样本所有类别的概率从大到小对所述条件联合分布函数(pm)进行排序，获得次序调制后的条件联合分布函数(p(m))；
(4.2)从m＝1开始，对排序后的所述第m类第二样本的概率p(m)进行累加，直至累加之和大于或等于给定的置信度水平β时，获得对应的前q类第二样本
其中，q为累加结束时的个数，
(4.3)将区间[0，1]平均分为K等份，每1份称为1个子区间，分别记为S1,…,Sk,…,SK；基于此，寻找待预测的风电功率所在的区间
为待预测风电功率所在区间的上界，为待预测风电功率所在子区间的下界，为第(1)类第二样本所在子区间的上界，为第(1)类第二样本所在子区间的下界，为第(2)类第二样本所在子区间的上界，为第(2)类第二样本所在子区间的下界，为第(q)类第二样本所在子区间的上界，为第(q)类第二样本所在子区间的下界；
(4.4)根据所述映射规则的逆规则，将落在区间内的待预测的风电区间转换为所需的实际风电功率区间
2.如权利要求1所述的方法，其特征在于，在步骤(3.2)中，当第1个元素与落在相同的子区间，…，第t个元素与落在相同的子区间，…，第T-1个元素与落在相同的子区间时，获得满足条件的第二样本。
3.如权利要求1所述的方法，其特征在于，所述置信度水平β的取值范围为0.9≤β≤1。
4.如权利要求1所述的方法，其特征在于，步骤(4.4)中所述映射规则的逆规则具体为：将乘以样本总数N，并取整数，记为将乘以样本总数N，并取整数，记为令第二矩阵的第T列样本w(1),T，…，w(N),T中序号等于的样本等于令第二矩阵的第T列样本w(1),T，…，w(N),T中序号等于的样本等于
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510133926.2A CN104751241B (zh) | 2015-03-25 | 2015-03-25 | 一种风电功率区间预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510133926.2A CN104751241B (zh) | 2015-03-25 | 2015-03-25 | 一种风电功率区间预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104751241A CN104751241A (zh) | 2015-07-01 |
| CN104751241B true CN104751241B (zh) | 2017-10-31 |
Family
ID=53590885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510133926.2A Active CN104751241B (zh) | 2015-03-25 | 2015-03-25 | 一种风电功率区间预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104751241B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426998B (zh) * | 2015-11-19 | 2020-05-12 | 广西大学 | 一种基于多条件下的风电功率区间预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012044739A (ja) * | 2010-08-16 | 2012-03-01 | Tokyo Electric Power Co Inc:The | 配電区間の負荷予測方法および配電系統制御システム |
| CN102945223A (zh) * | 2012-11-21 | 2013-02-27 | 华中科技大学 | 一种构建多个风电场出力联合概率分布函数的方法 |
| CN103577890A (zh) * | 2013-09-25 | 2014-02-12 | 国家电网公司 | 基于元组匹配的集群点风电功率预测方法 |
| CN103902837A (zh) * | 2014-04-16 | 2014-07-02 | 广西大学 | 一种基于经验Copula函数进行风速预测的方法 |
| CN104102832A (zh) * | 2014-07-09 | 2014-10-15 | 东北电力大学 | 一种基于混沌时间序列的风电功率超短期预测方法 |
-
2015
- 2015-03-25 CN CN201510133926.2A patent/CN104751241B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012044739A (ja) * | 2010-08-16 | 2012-03-01 | Tokyo Electric Power Co Inc:The | 配電区間の負荷予測方法および配電系統制御システム |
| CN102945223A (zh) * | 2012-11-21 | 2013-02-27 | 华中科技大学 | 一种构建多个风电场出力联合概率分布函数的方法 |
| CN103577890A (zh) * | 2013-09-25 | 2014-02-12 | 国家电网公司 | 基于元组匹配的集群点风电功率预测方法 |
| CN103902837A (zh) * | 2014-04-16 | 2014-07-02 | 广西大学 | 一种基于经验Copula函数进行风速预测的方法 |
| CN104102832A (zh) * | 2014-07-09 | 2014-10-15 | 东北电力大学 | 一种基于混沌时间序列的风电功率超短期预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "考虑多风电场出力Copula 相关关系的场景生成方法";黎静华等;《中国电机工程学报》;20130605;第33卷(第16期);30-36 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104751241A (zh) | 2015-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Analysis of conservation voltage reduction effects based on multistage SVR and stochastic process | |
| Carpinone et al. | Very short-term probabilistic wind power forecasting based on Markov chain models | |
| JP5537304B2 (ja) | 情報処理装置およびそのプログラム | |
| CN107590567A (zh) | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 | |
| CN110232483B (zh) | 深度学习负荷预测方法、装置及终端设备 | |
| CN112001556B (zh) | 一种基于深度学习模型的水库下游水位预测方法 | |
| KR102468316B1 (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
| Heng et al. | Probabilistic and deterministic wind speed forecasting based on non-parametric approaches and wind characteristics information | |
| CN113592165B (zh) | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 | |
| CN109063939A (zh) | 一种基于邻域门长短期记忆网络的风速预测方法及系统 | |
| CN105426998B (zh) | 一种基于多条件下的风电功率区间预测方法 | |
| CN116739383B (zh) | 基于大数据的充电桩电力负荷预测评估方法 | |
| CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| CN112819238A (zh) | 基于混沌鸡群优化算法的短期风电功率预测方法 | |
| CN105809349A (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
| CN116845868A (zh) | 分布式光伏功率预测方法、装置、电子设备及存储介质 | |
| CN104751241B (zh) | 一种风电功率区间预测的方法 | |
| CN103345480B (zh) | 一种基于规则合并的数据流预测方法 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN113505927A (zh) | 太阳能驱鸟设备电池容量选型方法、装置、设备和介质 | |
| Lin et al. | Using Computing Intelligence Techniques to Estimate Software Effort | |
| CN116663709A (zh) | 一种基于强化解码器的电力负荷多步预测方法和装置 | |
| CN115545319A (zh) | 一种基于气象相似日集的电网短期负荷预测方法 | |
| CN115662192A (zh) | 一种用于航班时刻分配场景的机场时隙防火墙设置方法 |
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 |