CN105931134A - 一种含并网光伏电站的系统可靠性评估方法 - Google Patents
一种含并网光伏电站的系统可靠性评估方法 Download PDFInfo
- Publication number
- CN105931134A CN105931134A CN201610262718.7A CN201610262718A CN105931134A CN 105931134 A CN105931134 A CN 105931134A CN 201610262718 A CN201610262718 A CN 201610262718A CN 105931134 A CN105931134 A CN 105931134A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- power station
- photovoltaic power
- photovoltaic plant
- reliability
- 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 40
- 230000007704 transition Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 241001123248 Arma Species 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000012546 transfer Methods 0.000 claims description 12
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 9
- 230000007812 deficiency Effects 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010248 power generation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了属于电力系统控制技术领域的一种含并网光伏电站的系统可靠性评估方法。主要考虑多状态转移与时序信息相结合的光伏电站出力建模以及计算光伏接入系统对可靠性指标的影响限值;包括应用模糊C均值聚类、按四种不同天气类型对光伏电站历史数据做聚类分析,在聚类结果的基础上创建光伏电站发电状态的转移概率矩阵,将光伏电站的转移状态分为16种基本类型,并对转移状态做ARMA时间序列建模,最终创建完整的考虑光伏电站状态转移与时序特征的出力模型。此模型能更加真实的模拟光伏电站的出力情况。利用该出力模型测试光伏接入系统后对系统可靠性的影响,该方法简单实用,对评估光伏接入对系统的影响具有积极作用。
Description
技术领域
本发明涉及电力系统控制技术领域,特别涉及一种含并网光伏电站的系统可靠性评估方法。
背景技术
太阳能光伏发电作为重要的可再生能源发电方式之一,越来越受到各个国家的重视,并得到了快速的开发和应用。我国发布的《可再生能源中长期发展规划》中提出,到2020年光伏发电装机容量将达到2000MWp,计划年增长15%以上。
随着光伏电站在电力系统中装机容量所占比例的不断增大,其随机性、间歇性和周期性的特点对电力系统的运行规划、调度控制、可靠性等方面带来极大影响。光伏电站接入系统后对电力系统可靠性的影响分析是指导光伏电站接入、制定光伏出力计划、制定调度方案的重要依据。
现有的含光伏电站系统可靠性评估分为两个主要步骤:1)建立能够反映电站实际出力特性的光伏发电模型。其主要方法有基于太阳跟踪的基本辐照度模型法、晴空指数法、分时段模型法、随机模型法、考虑辐照波动的状态转移法、设备停运率方法等。但现有研究中对光伏电站出力建模中缺少同时考虑多状态转移模型与时序模型相结合的建模方法,而状态转移信息与时序信息是光伏发电中不可忽略的两大要素。2)可靠性计算。主要有解析法和模拟法两种,其中蒙特卡罗方法是计算系统可靠性的重要方法。
发明内容
本发明的目的是提出一种含并网光伏电站的系统可靠性评估方法,其特征在于,主要考虑多状态转移与时序信息相结合的光伏电站出力建模以及计算光伏接入系统对可靠性指标的影响限值;包括以下步骤:
步骤1:运用模糊C均值聚类方法(Fuzzy‐c‐means,FCM)对所选光伏电站历史出力数据做聚类分析;
步骤2:根据聚类结果,统计光伏电站历史出力数据的状态转移信息,创建状态转移概率矩阵PW;
步骤3:根据步骤2中的结果,将光伏电站的全部状态转移可能分为16种,即晴天、少云、多云、阴雨四种天气类型之间的互相转移;对每一种转移状态根据历史数据做自回归滑动平均(Auto‐Regressive and Moving Average,ARMA)时间序列建模;
步骤4:根据步骤1、2、3的结果生成全年光伏电站出力序列,模型评价准确性指标选取均值、标准差、概率密度函数(Probability Density Function,PDF);
步骤5:应用序贯蒙特卡罗方法计算光伏电站介入系统后可靠性指标,指标选取失负荷概率(Loss of Load Probability,LOLP),无量纲;电力不足频率(Loss ofLoad Frequency LOLF),单位次/年;电力不足期望(Expected Power Not Supply,EPNS);
步骤6:根据步骤5计算结果,计算光伏接入影响系统可靠性指标的限值,包括该光伏电站接入系统后可靠性指标的上、下限。
所述光伏电站历史出力数据的状态转移概率矩阵PW为
式中P(A|A)等为光伏电站的16种转移状态,如式中P(B|A)表示本日天气类型为A、次日天气类型为B的条件概率,其他项含义类似。
本发明相比现有技术具有以下有益效果:
1.在光伏发电出力建模中同时考虑了电站的状态转移信息和日出力时序信息,使建模结果在统计特性上与实际情况更相符;
2.提供了光伏电站出力建模与序贯蒙特卡洛仿真详细流程与步骤,为光伏接入影响电力系统可靠性分析方面提供参考,有利于该领域的发展;
3.提出一种光伏接入对电力系统可靠性影响的限值计算方法,该方法简单有效,为制定光伏电站处理计划、指导电力调度提供了重要的参考依据,保证电网安全可靠运行。
附图说明
图1为含并网光伏电站的系统可靠性评估流程图。
图2为电站出力状态转移判断方法图。
图3为光伏建模方法流程图。
图4为序贯蒙特卡罗仿真流程图。
具体实施方式
本发明的目的是提出一种含并网光伏电站的系统可靠性评估方法,下面结合附图和实施例对本发明做进一步说明。
所述含并网光伏电站的系统可靠性评估方法主要考虑多状态转移与时序信息相结合的光伏电站出力建模以及计算光伏接入系统对可靠性指标的影响限值,包括以下步骤:(如图1所示)
步骤1:运用模糊C均值聚类方法(Fuzzy‐c‐means,FCM)对所选光伏电站历史出力数据,包括发电功率信息、天气状况做聚类分析;
步骤2:根据聚类结果,统计光伏电站历史出力数据的状态转移信息,创建状态转移概率矩阵PW
步骤3:根据步骤2中的结果,将光伏电站的全部状态转移可能分为16种,即晴天、少云、多云、阴雨四种天气类型之间的互相转移;对每一种转移状态根据历史数据做自回归滑动平均(Auto‐Regressive and Moving Average,ARMA)时间序列建模;
步骤4:根据步骤1、2、3的结果生成全年光伏电站出力序列,模型评价准确性指标选取均值、标准差、概率密度函数(Probability Density Function,PDF);
步骤5:应用序贯蒙特卡罗方法计算光伏电站接入系统后可靠性指标,指标选取失负荷概率(Loss of Load Probability,LOLP),无量纲;电力不足频率(Loss ofLoad Frequency LOLF),单位次/年;电力不足期望(Expected Power Not Supply,EPNS);
步骤6:根据步骤5计算结果,计算光伏接入影响系统可靠性指标的影响限值。
图2所示为电站出力状态转移判断方法图,包含以下步骤:
步骤1、将光伏电站状态转移的所有可能按条件概率大小依次累加在数轴[0,1]之间;
步骤2、生成0~1之间服从均匀分布的随机数R,并判断R在数轴上的位置;
步骤3、若R在数轴上的位置为Pij=P(j|i),则表示光伏电站在下一日运行于状态j。
图3所示为光伏建模方法流程图,包含以下步骤:
步骤1.根据光伏电站历史数据的发电功率信息、天气状况,应用模糊C聚类均值方法对历史数据进行聚类分析,模糊C均值聚类方法是无监督机器学习的主要技术之一,具体过程如下:
1)将天气情况分为4种基本类型:晴天、少云、多云、阴雨,即取聚类中心数为4。聚类特征选择辐照度波动量VI、最大辐照比例Kr、温度T。其中最大辐照比例是太阳能电池板接受到的实际太阳辐照度与同时段地外水平面最大辐照度的比值,计算公式为
每日辐照度波动量能够体现太阳能电池板实际接受辐照度的波动情况,计算公式为
Ik为第k日地表水平面实际辐照度;
为第k日地外水平面最大辐照度;
Δt为数据点辐照度时间间隔;
VI为日辐照度波动量。
2)初始化各数据点隶属度矩阵
U(k)=[μc(i)(k)]∈RC×N (3)
k为迭代次数,初始化为k=0。
3)计算第k+1次迭代的聚类中心位置向量VC
其中,1≤c≤C。
4)在3)中得到的中心位置向量的基础上,更新各数据点Xi的隶属度
5)判断迭代终止条件
||μc(i)(k)-μc(i)(k-1)||<ε (6)
其中ε>0为给定聚类终止条件。
步骤2.根据步骤1中得到的光伏电站历史数据的聚类分析结果,统计光伏电站在四中天气状况下的持续时间与状态转移情况,创建光伏电站出力的状态转移矩阵PW,具体过程为:
式中,λij为状态i到j的转移率;
nij为状态i到j的转移次数;
Ni为处于状态i的总次数.
式中,P(j|i)为状态i到j的条件概率;
状态转移概率矩阵PW为
根据公式(9)中的转移概率矩阵和说明书附图2中所示的电站出力状态转移判断方法,可以由当前日电站工作状态预测下一日工作状态。
步骤3.光伏发电的ARMA时间序列建模,选择AIC(Akaike informationcriterion)准则确定ARMA模型阶数,消除模型定阶中的人为因素干扰;
步骤4,根据步骤1‐3中的建模结果,创建考虑天气因素影响的光伏发电系统状态转移时序模型,生成光伏电站全年出力数据,(如图3所示)。
图4所示为序贯蒙特卡罗仿真流程图,包含以下步骤:
步骤1、创建可靠性测试系统IEEE‐RTS79;
步骤2选择可靠性指标失负荷概率(Loss of Load Probability,LOLP),无量纲;电力不足频率(Loss of Load Frequency LOLF),单位次/年;电力不足期望(Expected Power Not Supply,EPNS);
步骤3、利用序贯蒙特卡洛仿真方法计算步骤2中的IEEE‐RTS79系统可靠性指标;
步骤4、选择光伏电站接入系统方案,即光伏电站额定功率及接入系统节点位置;
步骤5、计算光伏电站按步骤4接入系统后的步骤2中的可靠性指标,并记录结果;
步骤6、选择不同类型天气下光伏典型出力曲线,并利用序贯蒙特卡罗方法计算其影响系统可靠性上限、下限值。具体过程为:
1)在对光伏电站出力准确建模的基础上,提取四种天气类型下的典型出力曲线;
2)考虑极限状况,用四种典型天气出力数据替代全年电站出力;
3)将四种典型电站出力状态分别接入测试系统中,应用序贯蒙特卡罗法计算系统可靠性指标;
4)记晴天出力情况下对系统可靠性指标影响为上限值,阴雨条件下出力为下限值。此上下限值即为该光伏接入方案下对系统影响程度区间。
Claims (4)
1.一种含并网光伏电站的系统可靠性评估方法,其特征在于,主要考虑多状态转移与时序信息相结合的光伏电站出力建模以及计算光伏接入系统对可靠性指标的影响限值;包括以下步骤:
步骤1:运用模糊C均值聚类方法FCM(Fuzzy-c-means,FCM)对所选光伏电站历史出力数据,包括发电功率信息、天气状况做聚类分析;
步骤2:根据聚类结果,统计光伏电站历史出力数据的状态转移信息,创建状态转移概率矩阵PW
步骤3:根据步骤2中的结果,将光伏电站的全部状态转移分为16种,即晴天、少云、多云、阴雨四种天气类型之间的互相转移;根据历史数据转移状态做自回归滑动平均ARMA(Auto-Regressive and Moving Average,ARMA)时间序列建模;
步骤4:根据步骤1、2、3的结果生成全年光伏电站出力序列,模型评价准确性指标选取均值、标准差、概率密度函数PDF(Probability Density Function,PDF);
步骤5:应用序贯蒙特卡罗方法计算光伏电站介入系统后可靠性指标,指标选取失负荷概率LOLP(Loss of Load Probability,LOLP),无量纲;电力不足频率(Loss of Load Frequency LOLF),单位次/年;电力不足期望EPNS(ExpectedPower Not Supply,EPNS);
步骤6:根据步骤5计算结果,计算光伏接入影响系统可靠性指标的限值,包括光伏电站可靠性指标LOLP,LOLF,EPNS的上、下限。
2.根据权利要求1所述含并网光伏电站的系统可靠性评估方法,其特征在于,所述步骤1中模糊C均值聚类的聚类特征选取辐照度波动量、日最大辐照比例、日平均气温。
3.根据权利要求1所述含并网光伏电站的系统可靠性评估方法,其特征在于,根据所述光伏电站历史出力数据的状态转移概率矩阵PW为
式中P(A|A)……P(D|D)为光伏电站的16种转移状态;每种转移状态“P(B|A)”表示本日天气类型为A、次日天气类型为B的条件概率,其他项含义类似。
4.根据权利要求1所述含并网光伏电站的系统可靠性评估方法,其特征在于,所述步骤6的光伏接入提高电力系统可靠性限值计算,具体过程为:
1)在对光伏电站出力准确建模的基础上,提取四种天气类型下的典型出力曲线;
2)考虑极限状况,用四种典型天气出力数据替代全年电站出力;
3)将四种典型电站出力状态分别接入测试系统中,应用序贯蒙特卡罗法计算系统可靠性指标LOLP,LOLF,EPNS;
4)记晴天出力情况下对系统可靠性指标影响为上限值,阴雨条件下出力为下限值;此上下限值即为该光伏接入方案下对系统影响程度区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610262718.7A CN105931134A (zh) | 2016-04-25 | 2016-04-25 | 一种含并网光伏电站的系统可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610262718.7A CN105931134A (zh) | 2016-04-25 | 2016-04-25 | 一种含并网光伏电站的系统可靠性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105931134A true CN105931134A (zh) | 2016-09-07 |
Family
ID=56837223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610262718.7A Pending CN105931134A (zh) | 2016-04-25 | 2016-04-25 | 一种含并网光伏电站的系统可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105931134A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815655A (zh) * | 2016-12-26 | 2017-06-09 | 浙江工业大学 | 基于模糊规则的光伏出力2d区间预测方法 |
CN107591840A (zh) * | 2017-09-25 | 2018-01-16 | 国网山东省电力公司电力科学研究院 | 一种考虑随机相关性的区域多微网系统可靠性评估方法 |
CN107679687A (zh) * | 2017-08-29 | 2018-02-09 | 国网江苏省电力公司经济技术研究院 | 一种光伏出力建模方法以及发电系统可靠性评估方法 |
CN108053149A (zh) * | 2018-01-05 | 2018-05-18 | 东南大学 | 一种考虑气象因素的光伏电站并网风险评估方法 |
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
CN111275238A (zh) * | 2019-12-15 | 2020-06-12 | 东北电力大学 | 基于每时晴空指数的大规模电站光伏出力序列生成方法 |
CN111814901A (zh) * | 2020-07-21 | 2020-10-23 | 西北工业大学 | 基于数据挖掘与状态学习的医师操作手法模拟方法 |
CN118367553A (zh) * | 2024-06-20 | 2024-07-19 | 国网山西省电力公司营销服务中心 | 一种基于出力预测的光伏系统可靠性分析方法 |
-
2016
- 2016-04-25 CN CN201610262718.7A patent/CN105931134A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815655A (zh) * | 2016-12-26 | 2017-06-09 | 浙江工业大学 | 基于模糊规则的光伏出力2d区间预测方法 |
CN107679687A (zh) * | 2017-08-29 | 2018-02-09 | 国网江苏省电力公司经济技术研究院 | 一种光伏出力建模方法以及发电系统可靠性评估方法 |
CN107591840A (zh) * | 2017-09-25 | 2018-01-16 | 国网山东省电力公司电力科学研究院 | 一种考虑随机相关性的区域多微网系统可靠性评估方法 |
CN107591840B (zh) * | 2017-09-25 | 2020-02-11 | 国网山东省电力公司电力科学研究院 | 一种考虑随机相关性的区域多微网系统可靠性评估方法 |
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
CN108053149A (zh) * | 2018-01-05 | 2018-05-18 | 东南大学 | 一种考虑气象因素的光伏电站并网风险评估方法 |
CN111275238A (zh) * | 2019-12-15 | 2020-06-12 | 东北电力大学 | 基于每时晴空指数的大规模电站光伏出力序列生成方法 |
CN111814901A (zh) * | 2020-07-21 | 2020-10-23 | 西北工业大学 | 基于数据挖掘与状态学习的医师操作手法模拟方法 |
CN118367553A (zh) * | 2024-06-20 | 2024-07-19 | 国网山西省电力公司营销服务中心 | 一种基于出力预测的光伏系统可靠性分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105931134A (zh) | 一种含并网光伏电站的系统可靠性评估方法 | |
US11070056B1 (en) | Short-term interval prediction method for photovoltaic power output | |
WO2016026355A1 (zh) | 一种有源配电网电压跌落仿真与评估方法 | |
CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
US20230037193A1 (en) | Wind power output interval prediction method | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN106532688A (zh) | 一种用于评估微电网运行可靠性的方法及系统 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
CN105574615A (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
CN105260952A (zh) | 基于马尔科夫链蒙特卡洛方法的光伏电站可靠性评估方法 | |
Yang et al. | Monitoring data factorization of high renewable energy penetrated grids for probabilistic static voltage stability assessment | |
CN106295857A (zh) | 一种风电功率超短期预测方法 | |
Colak et al. | Multi-time series and-time scale modeling for wind speed and wind power forecasting part I: Statistical methods, very short-term and short-term applications | |
Gu et al. | Short-term wind power forecasting and uncertainty analysis based on FCM–WOA–ELM–GMM | |
CN103473393A (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
CN110429637A (zh) | 一种概率静态电压稳定域的可视化方法 | |
Yang et al. | Deep learning-based distributed optimal control for wide area energy Internet | |
Jin et al. | Wind and photovoltaic power time series data aggregation method based on an ensemble clustering and Markov chain | |
Kaplan et al. | Fault diagnosis of smart grids based on deep learning approach | |
CN116050504A (zh) | 一种基于深度学习的风电功率短期预测模型 | |
CN104951654A (zh) | 基于控制变量抽样的大规模风电场可靠性评估方法 | |
Xu et al. | Short-term wind speed prediction based on GRU | |
Chen et al. | Probabilistic Prediction of Photovoltaic Power Using Bayesian Neural Network-LSTM Model | |
Tifidat et al. | An efficient method for predicting PV modules performance based on the two-diode model and adaptable to the single-diode model | |
Ravi et al. | Comparative analysis of recent metaheuristic algorithms for maximum power point tracking of solar photovoltaic systems under partial shading conditions |
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: 20160907 |