CN106022546B - 一种基于居民小区负荷成长周期的负荷预测方法 - Google Patents
一种基于居民小区负荷成长周期的负荷预测方法 Download PDFInfo
- Publication number
- CN106022546B CN106022546B CN201610513388.4A CN201610513388A CN106022546B CN 106022546 B CN106022546 B CN 106022546B CN 201610513388 A CN201610513388 A CN 201610513388A CN 106022546 B CN106022546 B CN 106022546B
- Authority
- CN
- China
- Prior art keywords
- load
- residential
- residential area
- determining
- predicting
- 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 28
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000002093 peripheral effect Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于居民小区负荷成长周期的负荷预测方法,通过采集居民小区的基础数据;预测居民小区的饱和负荷值;建立居民小区负荷成长周期的影响因素体系;根据神经网络算法确定居民小区负荷成长周期的影响因素与负荷成长曲线的形状参数之间的关系;预测形状参数的值,确定居民小区的负荷成长曲线;根据居民小区的负荷成长曲线及饱和负荷值,预测得到居民小区的分年度负荷值。本发明提出的方法实现了对未来居民小区的分年度负荷的精细化预测,能够大幅提高居民小区的负荷预测精度,为电网规划方案及建设时序安排提供充足的参考依据。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,具体涉及一种基于居民小区负荷成长周期的负荷预测方法。
背景技术
居民住小区是由城市道路以及自然支线(如河流)划分,并不为交通干道所穿越的完整居住地段。居民小区一般设置一整套可满足居民日常生活需要的基层专业服务设施和管理机构。供电容量是居民小区在供用电过程中一个非常重要的特征量。而按照现行规范要求,居民小区供电容量一般根据饱和负荷计算确定,然而受入住率影响,小区负荷一般具有显著的成长周期,因此依据饱和负荷确定的规划方案往往导致居民小区供电容量较高、实际负荷较低的情况,造成设备利用率较低,形成电网资源的浪费。
因此,为避免居民小区负荷造成电网资源的浪费,亟需一种基于居民小区负荷成长周期的负荷预测方法。
发明内容
有鉴于此,本发明提供的一种基于居民小区负荷成长周期的负荷预测方法,该方法实现了对未来居民小区的分年度负荷的精细化预测,能够大幅提高居民小区的负荷预测精度,为电网规划方案及建设时序安排提供充足的参考依据。
本发明的目的是通过以下技术方案实现的:
一种基于居民小区负荷成长周期的负荷预测方法,所述方法包括如下步骤:
步骤1.采集居民小区的基础数据;
步骤2.预测所述居民小区的饱和负荷值;
步骤3.建立所述居民小区负荷成长周期的影响因素体系;
步骤4.根据神经网络算法确定所述居民小区负荷成长周期的影响因素与负荷成长曲线的形状参数之间的关系;
步骤5.预测所述形状参数的值,确定所述居民小区的负荷成长曲线;根据所述居民小区的负荷成长曲线及饱和负荷值,预测得到所述居民小区的分年度负荷值。
优选的,所述步骤1中的所述基础数据包括:
所述居民小区的居民用户基础数据、居民用户点负荷、电能量数据、居民用户档案信息、用地性质、住宅需求类型及居民小区周边配套设施情况。
优选的,所述步骤2包括:
根据所述基础数据,采用空间负荷预测法预测所述居民小区的饱和年负荷值。
优选的,所述步骤3包括:
3-1.确定所述居民小区负荷成长周期的影响因素中的一级变量,所述一级变量包括:住宅需求类型x、周边配套设施y;
3-2.确定所述住宅需求类型x、周边配套设施y的二级变量;
3-3.确定各所述一级变量及二级变量的取值,完成所述影响因素体系的建立。
优选的,所述步骤3-2中的所述周边配套设施y的二级变量包括:教育y1、交通y2、生活设施y3、文化娱乐y4及医疗卫生y5。
优选的,所述步骤4包括:
4-1.确定所述居民小区的负荷成长曲线y(t):
式(1)中,a、b、c分别为三个待估的形状参数,t为所述居民小区的负荷成长时间,e为自然常数。
4-2.构建所述形状参数a、b、c与所述影响因素x、y1、y2、y3、y4、y5之间的关系模型:
4-3.收集同类居民小区负荷历史数据,对每个居民小区的负荷历史数据根据其饱和负荷值进行标幺处理,得到完整的历史数据集;
其中每个居民小区的所述历史数据集{a、b、c、x、y1、y2、y3、y4、y5}中均包括3个所述形状参数与6个所述影响因素;
4-4.对所述历史数据集进行标准化处理,采用神经网络算法对历史数据集进行训练学习,得到所述形状参数a,b,c与影响因素x,y之间的关系。
优选的,所述步骤5包括:
将所述影响因素按照各所述一级变量及二级变量的取值进行赋值,计算得到所述形状参数,结合所述居民小区的饱和年负荷值,预测得到所述居民小区的分年度负荷值。
从上述的技术方案可以看出,本发明提供了一种基于居民小区负荷成长周期的负荷预测方法,通过采集居民小区的基础数据;预测居民小区的饱和负荷值;建立居民小区负荷成长周期的影响因素体系;根据神经网络算法确定居民小区负荷成长周期的影响因素与负荷成长曲线的形状参数之间的关系;预测形状参数的值,确定居民小区的负荷成长曲线;根据居民小区的负荷成长曲线及饱和负荷值,预测得到居民小区的分年度负荷值。本发明提出的方法实现了对未来居民小区的分年度负荷的精细化预测,能够大幅提高居民小区的负荷预测精度,为电网规划方案及建设时序安排提供充足的参考依据。
与最接近的现有技术比,本发明提供的技术方案具有以下优异效果:
1、本发明所提供的技术方案,综合多种影响因素构建居民小区负荷成长周期模型,预测小区未来分年度负荷,能够大幅提高居民小区的负荷预测精度。
2、本发明所提供的技术方案,提出基于居民小区负荷成长周期的负荷预测方法,可以得到小区的分年度负荷预测结果,为电网规划方案及建设时序安排提供参考依据。
3、本发明提供的技术方案,应用广泛,具有显著的社会效益和经济效益。
附图说明
图1是本发明的一种基于居民小区负荷成长周期的负荷预测方法的流程图;
图2是本发明的方法中的居民小区典型负荷成长曲线示意图;
图3是本发明的具体应用例中的典型中型小区负荷成长曲线示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供一种基于居民小区负荷成长周期的负荷预测方法,包括如下步骤:
步骤1.采集居民小区的基础数据;
步骤2.预测居民小区的饱和负荷值;
步骤3.建立居民小区负荷成长周期的影响因素体系;
步骤4.根据神经网络算法确定居民小区负荷成长周期的影响因素与负荷成长曲线的形状参数之间的关系;
步骤5.预测形状参数的值,确定居民小区的负荷成长曲线;根据居民小区的负荷成长曲线及饱和负荷值,预测得到居民小区的分年度负荷值。
其中,步骤1中的基础数据包括:
居民小区的居民用户基础数据、居民用户点负荷、电能量数据、居民用户档案信息、用地性质、住宅需求类型及居民小区周边配套设施情况。
其中,步骤2包括:
根据基础数据,采用空间负荷预测法预测居民小区的饱和年负荷值。
其中,步骤3包括:
3-1.确定居民小区负荷成长周期的影响因素中的一级变量,一级变量包括:住宅需求类型x、周边配套设施y;
3-2.确定住宅需求类型x、周边配套设施y的二级变量;
3-3.确定各一级变量及二级变量的取值,完成影响因素体系的建立。
其中,步骤3-2中的周边配套设施y的二级变量包括:教育y1、交通y2、生活设施y3、文化娱乐y4及医疗卫生y5;
其中。居民小区负荷成长周期的影响因素体系如表1所示:
表1居民小区负荷成长周期的影响因素体系
其中,步骤4包括:
4-1.确定居民小区的负荷成长曲线y(t):
式(1)中,a、b、c分别为三个待估的形状参数,t为居民小区的负荷成长时间;,e为自然常数;其中,居民小区负荷成长周期一般具有图2所示的典型特征,成长周期可分为初建期、增长期、成熟期3个阶段。
4-2.构建形状参数a、b、c与影响因素x、y1、y2、y3、y4、y5之间的关系模型:
4-3.首先收集大量的居民小区负荷历史数据,对每个小区的负荷历史数据根据饱和负荷进行标幺处理,得到完整的历史数据集,根据饱和负荷值,对每个居民小区的负荷历史数据根据饱和负荷值进行标幺处理,得到完整的历史数据集;
其中每个居民小区的历史数据集{a、b、c、x、y1、y2、y3、y4、y5}中均包括3个形状参数与6个影响因素;
4-4.对历史数据集进行标准化处理,利用历史数据对网络进行训练学习,得到形状参数a,b,c与影响因素x,y之间的关系。
本模型采用基于大量历史数据的神经网络预测方法。该方法在预测之前需要通过网络初始化、隐含层输出计算、误差计算等一系列迭代步骤来更新网络权值和阈值,达到训练网络的目的。通过对历史数据进行标准化处理后,利用历史数据对网络进行训练学习,得到关系模型中形状参数a,b,c与影响因素x,y之间的关系。
其中,步骤5包括:
将影响因素按照各一级变量及二级变量的取值进行赋值,计算得到负荷成长曲线的形状参数,结合居民小区的饱和年负荷值,预测得到居民小区的分年度负荷值。
即根据步骤1采集的小区基础数据,得到该小区的影响指标集{x、y1、y2、y3、y4、y5};将其引入步骤3得到的关系模型,即可得到该小区负荷成长周期曲线的形状参数a、b、c,从而确定小区负荷成长曲线;最后结合步骤2预测得到的饱和负荷,即可回推得到小区的分年度负荷预测结果。
本发明提供一种基于居民小区负荷成长周期的负荷预测方法的具体应用例,如下:
以某小区作为算例进行分析:
步骤1:收集预测小区的基础数据
采集历史数据以及用户基础数据及获取居民用户点负荷、电能量数据和用户档案信息、用地性质、住宅需求类型、周边配套设施情况等。小区基本信息必须包含但不限于以上数据。
步骤2:预测居民小区的饱和负荷
根据步骤1得到的小区基础数据,采用空间负荷预测法预测小区的饱和年负荷。
步骤3:建立居民负荷成长的影响因素体系
该新建中型小区的负荷影响因素主要是刚性需求小区、且周边配套设施有省重点学区(y1)、已有轨道交通(y2)、生活设施配套距离小区3千米(y3),文化娱乐设施到小区距离12千米(y4),医疗卫生设施到小区距离8千米(y5),根据表1,影响因素取值如表2:
表2 影响因素取值
步骤4:构建基于成长曲线的形状参数与影响因素之间的关系
首先收集大量的历史数据,并对小区负荷数据按照饱和负荷进行标幺处理,然后通过神经网络算法得到相应的影响指标x、y1、y2、y3、y4、y5,与形状参数a、b、c之间的关系。
步骤5:影响因素按照给出的标准进行取值,计算出形状参数,预测居民小区的分年度负荷
将影响因素按步骤3中的影响因素取值参照表进行取值后代入步骤4,得到a=0.9863,b=6.3365,c=0.0505。
即:
新建小区负荷成长曲线如图3所示,在小区建成后的第1年内负荷增长缓慢,负荷处于初建期,之后进入增长期(1~4年),负荷呈快速增长趋势,4年后负荷进入饱和阶段。
结合饱和负荷与负荷成长曲线,预测新建中型小区历年负荷数据如下表3所示:
表3 新建中型小区分年度负荷预测结果
年份 | 2016年 | 2017年 | 2018年 | 2019年 | 2020年 | 2021年 | 2022年 |
负荷(kW) | 158.2 | 228.4 | 386.6 | 633.7 | 772.1 | 1020 | 1020 |
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,而这些未脱离本发明精神和范围的任何修改或者等同替换,其均在申请待批的本发明的权利要求保护范围之内。
Claims (3)
1.一种基于居民小区负荷成长周期的负荷预测方法,其特征在于,所述方法包括如下步骤:
步骤1.采集居民小区的基础数据;
步骤2.预测所述居民小区的饱和负荷值;
步骤3.建立所述居民小区负荷成长周期的影响因素体系;
步骤4.根据神经网络算法确定所述居民小区负荷成长周期的影响因素与负荷成长曲线的形状参数之间的关系;
步骤5.预测所述形状参数的值,确定所述居民小区的负荷成长曲线;根据所述居民小区的负荷成长曲线及饱和负荷值,预测得到所述居民小区的分年度负荷值;
所述步骤2包括:
根据所述基础数据,采用空间负荷预测法预测所述居民小区的饱和年负荷值;
所述步骤3包括:
3-1.确定所述居民小区负荷成长周期的影响因素中的一级变量,所述一级变量包括:住宅需求类型x、周边配套设施y;
3-2.确定所述住宅需求类型x、周边配套设施y的二级变量;
3-3.确定各所述一级变量及二级变量的取值,完成所述影响因素体系的建立;
所述步骤3-2中的所述周边配套设施y的二级变量包括:教育y1、交通y2、生活设施y3、文化娱乐y4、及医疗卫生y5;
所述步骤4包括:
4-1.确定所述居民小区的负荷成长曲线y(t):
式(1)中,a、b、c分别为三个待估的形状参数,t为所述居民小区的负荷成长时间,e为自然常数;
4-2.构建所述形状参数a、b、c与所述影响因素x、y1、y2、y3、y4、y5之间的关系模型:
4-3.收集同类居民小区负荷历史数据,对每个居民小区的负荷历史数据根据其饱和负荷值进行标幺处理,得到完整的历史数据集;
其中每个居民小区的所述历史数据集{a、b、c、x、y1、y2、y3、y4、y5}中均包括3个所述形状参数与6个所述影响因素;
4-4.对所述历史数据集进行标准化处理,采用神经网络算法对历史数据集进行训练学习,得到所述形状参数a,b,c与影响因素x,y之间的关系。
2.如权利要求1所述的方法,其特征在于,所述步骤1中的所述基础数据包括:
所述居民小区的居民用户基础数据、居民用户点负荷、电能量数据、居民用户档案信息、用地性质、住宅需求类型及居民小区周边配套设施情况。
3.如权利要求1所述的方法,其特征在于,所述步骤5包括:
将所述影响因素按照各所述一级变量及二级变量的取值进行赋值,计算得到所述形状参数,结合所述居民小区的饱和年负荷值,预测得到所述居民小区的分年度负荷值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610513388.4A CN106022546B (zh) | 2016-06-30 | 2016-06-30 | 一种基于居民小区负荷成长周期的负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610513388.4A CN106022546B (zh) | 2016-06-30 | 2016-06-30 | 一种基于居民小区负荷成长周期的负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106022546A CN106022546A (zh) | 2016-10-12 |
CN106022546B true CN106022546B (zh) | 2022-03-08 |
Family
ID=57106151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610513388.4A Active CN106022546B (zh) | 2016-06-30 | 2016-06-30 | 一种基于居民小区负荷成长周期的负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022546B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103387B (zh) * | 2017-04-25 | 2021-06-25 | 国网江苏省电力公司泰州供电公司 | 一种基于户均设备总功率及入住系数的负荷预测方法 |
CN109063922B (zh) * | 2018-08-21 | 2021-04-09 | 国网湖北省电力有限公司鄂州供电公司 | 一种基于小区入住率的配电变压器重过载预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880917A (zh) * | 2012-09-20 | 2013-01-16 | 湖北省电力公司电力科学研究院 | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 |
CN103514491A (zh) * | 2013-10-18 | 2014-01-15 | 国网四川省电力公司自贡供电公司 | 一种电力负荷预测方法 |
CN105184455A (zh) * | 2015-08-20 | 2015-12-23 | 国家电网公司 | 一种面向城市电力数据分析的高维可视化分析方法 |
CN105574325A (zh) * | 2015-12-10 | 2016-05-11 | 华南理工大学 | 一种结合人口指标的中长期用电量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8392031B2 (en) * | 2011-02-28 | 2013-03-05 | General Electric Company | System and method for load forecasting |
-
2016
- 2016-06-30 CN CN201610513388.4A patent/CN106022546B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880917A (zh) * | 2012-09-20 | 2013-01-16 | 湖北省电力公司电力科学研究院 | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 |
CN103514491A (zh) * | 2013-10-18 | 2014-01-15 | 国网四川省电力公司自贡供电公司 | 一种电力负荷预测方法 |
CN105184455A (zh) * | 2015-08-20 | 2015-12-23 | 国家电网公司 | 一种面向城市电力数据分析的高维可视化分析方法 |
CN105574325A (zh) * | 2015-12-10 | 2016-05-11 | 华南理工大学 | 一种结合人口指标的中长期用电量预测方法 |
Non-Patent Citations (1)
Title |
---|
生长曲线参数估计的一种新方法一优化回归组合法;王福林等;《生物数学学报》;20070915;第22卷(第3期);第533-538页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106022546A (zh) | 2016-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification | |
He et al. | Forecasting China's total energy demand and its structure using ADL-MIDAS model | |
Ye et al. | Modeling energy-related CO2 emissions from office buildings using general regression neural network | |
Zeng et al. | Development of a web-based decision support system for supporting integrated water resources management in Daegu city, South Korea | |
CN109492950B (zh) | 一种基于gis技术可满足大区域范围空间饱和负荷预测方法 | |
Hong et al. | A decision support model for reducing electric energy consumption in elementary school facilities | |
Hong et al. | A decision support model for improving a multi-family housing complex based on CO2 emission from electricity consumption | |
Wu et al. | Prediction and analysis of water resources demand in Taiyuan City based on principal component analysis and BP neural network | |
CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
CN103778573A (zh) | 一种配电网供电区域的分类方法 | |
CN107145724A (zh) | 一种城市绿道综合服务能力分析评价的空间分析方法 | |
CN106022546B (zh) | 一种基于居民小区负荷成长周期的负荷预测方法 | |
CN109426901A (zh) | 一种中长期用电预测方法及装置 | |
Papadopoulos et al. | Study of electricity load profiles in university campuses: The case study of Democritus University of Thrace | |
CN112348352B (zh) | 基于大数据分析的电力预算建议方案自动生成方法 | |
Heydari Kushalshah et al. | Hybrid modelling for urban water supply system management based on a bi-objective mathematical model and system dynamics: A case study in Guilan province. | |
CN104091227B (zh) | 一种城市用电用户的负荷密度分析方法 | |
CN112952814B (zh) | 一种考虑城镇生长特性的区域能源互联网演化模拟方法 | |
Riva Sanseverino et al. | Urban Energy Hubs and Microgrids: Smart Energy Planning for Cities | |
CN113744525A (zh) | 一种基于特征提取与深度学习的交通分布预测方法 | |
Kuo et al. | An in-depth study of forecasting household electricity demand using realistic datasets | |
Nazari et al. | Sustainable urban water management: a simulation optimization approach | |
Jiang et al. | Comprehensive Evaluation of Runoff Forecast Level Based on Forecasting Difficulty | |
CN117057516B (zh) | 一种基于系统动力学的碳核算参数分析预测方法 | |
CN116596279B (zh) | 一种智慧园区能源消耗调度系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |