CN106447063A - 一种并网型风电场短期风速组合预测方法 - Google Patents
一种并网型风电场短期风速组合预测方法 Download PDFInfo
- Publication number
- CN106447063A CN106447063A CN201510489096.7A CN201510489096A CN106447063A CN 106447063 A CN106447063 A CN 106447063A CN 201510489096 A CN201510489096 A CN 201510489096A CN 106447063 A CN106447063 A CN 106447063A
- Authority
- CN
- China
- Prior art keywords
- wind
- wind speed
- short
- model
- grid
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于环境技术领域公开了一种并网型风电场短期风速组合预测方法,主要基于小波分解和遗传算法优化最小二乘支持向量机的风电场短期风速组合预测方法;在建立了风速预测的预测模型后,利用风电场实测数据进行了一天内的短期风速预测,并与单一预测模型进行比较,在此基础之上,建立了遗传算法优化RBF神经网络模型,拟合得出负荷该风电场特性的实际风速‑功率曲线模型。本发明通过利用WD将原始风速序列分解为一系列具有不同尺度的数据序列,根据各序列的自身特点构建不同的GA_LS_SVM模型进行预测,最后各分量预测值通过重构转化为风电场短期风速的最终预测结。
Description
技术领域
本发明涉及一种风速组合预测方法,具体为一种并网型风电场短期风速组合预测方法,属于新能源技术领域。
背景技术
近年来,随着气候变暖、环境污染及能源短缺问题的日益凸显,加快发展可再生能源已成为应对重重危机的必然选择。目前,风能是可再生能源中除水能以外最具有开发潜力和竞争优势的能源。风能以其清洁环保、技术成熟、开发成本低等优势成为最具有开发潜力的可再生能源之一。但有一些问题的存在,使得风电并网对电网的调度和运行产生很多不利的影响,例如:
1)、风速具有间歇性、随机性等特点,短时间内有可能出现很大的幅值变化。风速序列频率较高很难分析出其所包含的隐藏信息,单纯的风速预测误差大,效果不理想。
2)、风电场所得的风速数据是有限的,且具有很强的不稳定性。在函数估计和逼近中应用非常广泛的最小支持向量机方法,但其存在参数确定具有人为依赖性缺陷。
3)、风电机组标准功率特性输出并不是一成不变的,机组受动态过程的影响,实际的功率曲线与标准功率曲线不会完全相同。为提高功率的预测精度,有必要建立符合该风电场特性的功率特性曲线。
目前我国通过了《可再生能源法》,风能在以后的发展部署中占有很大的地位,目前风电的自主创新需要一个新的战略高度作为目标。而且,我国地域间的经济差异显著,西部、中北部地广人稀且发展相对落后,而风资源相对丰富。非集中型的风电场的发展,对于当地工业的提升、能源构成的优化、电网承受力的减轻,以及国家今后战略部署都具有深远的经济意义和政治意义。
风速预报系统是风电场并网运行的关键也是提高电网经济性和风机可利用率的重要技术手段。目前,常用的短期风速预测方法有:随机时间序列法、人工神经网络法、支持向量机法和组合预测法等。随机时间序列法所需历史数据多、预测精度低、模型参数难估计;人工神经网络法难以科学确定网络结构、收敛速度慢、易陷入局部最小;支持向量机法在个别时刻预测效果不佳。
因此准确的风电功率预测技术是实现风力发电并网运行稳定性和安全性的必要条件。
发明内容
本发明要解决短期风速预测技术问题,提供一种并网型风电场短期风速组合预测方法,可以有效测出短期风速变化。
本发明提供如下技术:一种并网型风电场短期风速组合预测方法,主要基于小波分解和遗传算法优化最小二乘支持向量机的风电场短期风速组合预测方法;在建立了风速预测的预测模型后,利用风电场实测数据进行了一天内的短期风速预测,并与单一预测模型进行比较,在此基础之上,建立了遗传算法优化RBF神经网络模型,拟合得出负荷该风电场特性的实际风速-功率曲线模型;
进一步的,所述具体步骤如下:
1)、首先选取具有某些特性的小波函数对所取得原始风速序列进行一定层数的小波分解,然后分别重新构成与原数据个数相同的单支序列;将原始风速分解为若干个具有不同时间尺度的风速序列,在不同频率下分析风速所隐藏的特性;
2)、对各频率风速序列分别建立LS-SVM模型;对所建立的LS-SVM模型进行基于GA算法的参数寻优;以数据回归拟合后的误差平方和作为目标函数进行寻优,通过反复训练得出最优的正则化参数和核函数参数,预测的得出各部分风速序列;
3)、最后将各序列预测结果重构合成得到提前一天的该风电场短期风速预测结果;
4)、结合该风电场实际特性,在考虑标准风电功率特性曲线的基础之上,以前六天的实测风速、功率数据作为训练样本,建立经遗传算法优化的RBF神经网络模型,以适应度函数作为基准得出最优模型参数,建立完善的功率曲线。以预测所得的风速序列作为测试样本得出提前24小时的功率预测结果。
进一步的,所述小波变换也是对一个函数的变换,但它通过对函数与一个所谓的小波函数作用后,具有平移、伸缩的特点。
进一步的,所述遗传算法优化分为四个阶段:
1)、原始风速序列的小波分解与重构;
2)、对小波分解后的各部分序列分别建立经过遗传算法优化的LS_SVM预测模型;
3)、判断预测结果是否满足要求,如不满足则重新设置GA参数,返回步骤2)重新训练,使初始确定的一组支持向量机参数不断进化,直到训练目标满足条件为止;
4)、子序列的预测结果重构生成风速序列的提前一天的最终预测结果。
本发明的有益效果是:本发明通过利用WD将原始风速序列分解为一系列具有不同尺度的数据序列,根据各序列的自身特点构建不同的GA_LS_SVM模型进行预测,最后各分量预测值通过重构转化为风电场短期风速的最终预测结果。
附图说明
下面结合附图对本发明进行详细的描述,以使得本发明的上述优点更加明确。
图1为本发明实施例中所述一种并网型风电场短期风速组合预测方法WD_GA_LS_SVM短期风速组合预测模型;
图2为本发明实施例中所述一种并网型风电场短期风速组合预测方法原始风速序列曲线;
图3为本发明实施例中所述一种并网型风电场短期风速组合预测方法预测输出曲线;
图4为本发明实施例中所述一种并网型风电场短期风速组合预测方法预测误差曲线;
图5为本发明实施例中所述一种并网型风电场短期风速组合预测方法预测误差分析表。
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,基于本发明中的实施例,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。
请参阅图1,本发明提供一种技术方案:一种并网型风电场短期风速组合预测方法,主要基于小波分解和遗传算法优化最小二乘支持向量机的风电场短期风速组合预测方法;在建立了风速预测的预测模型后,利用风电场实测数据进行了一天内的短期风速预测,并与单一预测模型进行比较,在此基础之上,建立了遗传算法优化RBF神经网络模型,拟合得出负荷该风电场特性的实际风速-功率曲线模型;
所述具体步骤如下:
1)、首先选取具有某些特性的小波函数对所取得原始风速序列进行一定层数的小波分解,然后分别重新构成与原数据个数相同的单支序列;将原始风速分解为若干个具有不同时间尺度的风速序列,在不同频率下分析风速所隐藏的特性;
2)、对各频率风速序列分别建立LS-SVM模型;对所建立的LS-SVM模型进行基于GA算法的参数寻优;以数据回归拟合后的误差平方和作为目标函数进行寻优,通过反复训练得出最优的正则化参数和核函数参数,预测的得出各部分风速序列;
3)、最后将各序列预测结果重构合成得到提前一天的该风电场短期风速预测结果;
4)、结合该风电场实际特性,在考虑标准风电功率特性曲线的基础之上,以前六天的实测风速、功率数据作为训练样本,建立经遗传算法优化的RBF神经网络模型,以适应度函数作为基准得出最优模型参数,建立完善的功率曲线。以预测所得的风速序列作为测试样本得出提前24小时的功率预测结果。
所述小波变换也是对一个函数的变换,但它通过对函数与一个所谓的小波函数作用后,具有平移、伸缩的特点。
所述遗传算法优化分为四个阶段:
1)、原始风速序列的小波分解与重构;
2)、对小波分解后的各部分序列分别建立经过遗传算法优化的LS_SVM预测模型;
3)、判断预测结果是否满足要求,如不满足则重新设置GA参数,返回步骤2)重新训练,使初始确定的一组支持向量机参数不断进化,直到训练目标满足条件为止;
4)、子序列的预测结果重构生成风速序列的提前一天的最终预测结果。
具体原理:
1)、小波多尺度分析的基本原理:
小波变换的多尺度分析(或多分辨率分析)从空间的概念上形象的说明了小波的多尺度特性,随着尺度由大到小变化,在各尺度上可以由粗到细的观察图像的不同特征。1989年Mallat提出了信号的塔式多分辨率分析与重构的快速算法称为马拉特(Mallat)算法。
Mallt分解算法为:
式中:ck和dk为原始信号在分辨率2-k下的低频信号和高频信号;H为低通滤波器;G为高通滤波器;k=0~K;K为最大分解层数。
Mallt重构算法为:
ck=H*ck+1+G*dk+1 (2)
式中:H*、G*为对偶算子;k=K-1,K-2,...,0。离散信号c0经Mallt分解算法被分解为d1,d2,..,dK和cK,对d1,d2,..,dk和ck重构得到D1,D2,...,DK和CK。则:
X=D1+D2+...+DK+CK (3)
式中:D1,D2,...,DK为第1层到第K层重构的高频信号;CK为第K层重构的低频信号。
2)、最小二乘支持向量机的方法原理:
Suykens在1999年首次提出最小二乘支持向量机理论,用于解决分类和函数估计问题。该方法采用最小二乘线性系统为损失函数,代替传统的支持向量机采用二次规划方法。
LS_SVM的基本思想是:用非线性回归函数:
来估计训练样本集D={(xk,yk)|k=1,2,...,N}。根据结构风险最小化原理,LS_SVM的函数估计问题可以转化为求解下面问题:
为求解上述问题,引入拉格朗日函数,将式(5)的求解问题变换到对偶空间,则:
式中:αk≥0为拉格朗日乘子。分别对w,b,ek,αk求偏导数,并令它们等于零,有:
消除变量w和e,可得以下矩阵方程:
如果是可逆的,则参数α和b的求解公式为:
根据Mercer条件,定义核函数可得LS_SVM的回归函数为:
3)、遗传优化算法基本原理:
遗传算法提供了一种求解复杂系统优化问题的通用框架,它不依赖于问题的具体形式,对问题的种类有很强的鲁棒性。该算法以种群中的所有个体为对象,求解步骤为:(1)参数编码;(2)初始种群生成;(3)适应度函数设计;(4)选择、交叉、变异;如此循环往复,不断对新一代种群进行评价,直到最优个体的适应度达到某一界限或不再提高为止。
请参阅图1,WD_GA_LS_SVM短期风速组合预测模型。
(1)利用Db5小波对原始风速序列a0进行4层小波分解,分解后的各层信号经单支重构得到低频序列a4与高频序列d1、d2、d3、d4。
(2)对各序列分别构建LS_SVM模型。以低频序列a4为例,由t时刻前的4个逼近数据预测t时刻的逼近值,即:a4(t)=f[a4(t-1),a4(t-2),a4(t-3),a4(t-4)];所以LS-SVM是个4输入单输出结构。
(3)对LS_SVM模型进行基于GA算法的参数寻优。以数据回归拟合后的均方根误差作为目标函数进行寻优,通过反复训练得出最优的正则化参数和核函数参数。GA的各控制参数设置如下:群体规模为30,最大进化代数为100,交叉概率为0.8,变异率为0.1。
(4)将各序列预测结果重构合成得到最终的风速预测结果。
实施例1:
本发明以中国某风电场在2008年8月每隔1h记录的245个实测风速数据序列为试验样本。按时间顺序分别选用前200个观测点的记录数据为模型训练样本,其后45个观测点为测试样本,实际预测点数为41个。本文所涉及另外两种预测方法为:LS_SVM预测和WD_RBF神经网络预测。原始风速序列a0如图2所示,预测结果如图3所示,误差结果如图4所示。预测误差分析表如图5所述。
由图5可看出LS_SVM法误差范围为3.4945~-1.7985,均方根误差为1.2060,误差跨度大预测效果最差;WD_RBF法误差范围为1.9605~-2.9766,均方根误差为0.8538,预测效果有所提高,但在个别点预测效果不好;本文所用方法误差范围为1.1815~-0.6853,均方根误差为0.3797均小于其他两种方法,预测曲线平滑,与实际风速曲线吻合良好,表明本文方法能够很好地应用于短期风速预测。
本发明将最小二乘支持向量机理论、遗传优化算法和小波分析技术应用到非平稳风速时间序列的预测研究中。对风速序列所固有的非线性、波动性和不确定性,通过小波分解得出具有隐含周期性的低频逼近成分和含噪声的高频细节成分。GA_LS_SVM模型把分解后的各部分输入向量映射到一个高维特征空间中,对均值具有非平稳特性的风速时间序列实现精确预测。实验结果表明,本发明所采用的组合预测模型绝对误差、均方根误差均小于其他两种模型,说明无论是对样本个体预测精度还是整体指标而言该模型是十分精确的。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,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 (4)
1.一种并网型风电场短期风速组合预测方法,其特征在于:主要基于小波分解和遗传算法优化最小二乘支持向量机的风电场短期风速组合预测方法;在建立了风速预测的预测模型后,利用风电场实测数据进行了一天内的短期风速预测,并与单一预测模型进行比较,在此基础之上,建立了遗传算法优化RBF神经网络模型,拟合得出负荷该风电场特性的实际风速-功率曲线模型。
2.根据权利要求1所述的一种并网型风电场短期风速组合预测方法,其特征在于:所述具体步骤如下:
1)、首先选取具有某些特性的小波函数对所取得原始风速序列进行一定层数的小波分解,然后分别重新构成与原数据个数相同的单支序列;将原始风速分解为若干个具有不同时间尺度的风速序列,在不同频率下分析风速所隐藏的特性;
2)、对各频率风速序列分别建立LS-SVM模型;对所建立的LS-SVM模型进行基于GA算法的参数寻优;以数据回归拟合后的误差平方和作为目标函数进行寻优,通过反复训练得出最优的正则化参数和核函数参数,预测的得出各部分风速序列;
3)、最后将各序列预测结果重构合成得到提前一天的该风电场短期风速预测结果;
4)、结合该风电场实际特性,在考虑标准风电功率特性曲线的基础之上,以前六天的实测风速、功率数据作为训练样本,建立经遗传算法优化的RBF神经网络模型,以适应度函数作为基准得出最优模型参数,建立完善的功率曲线。以预测所得的风速序列作为测试样本得出提前24小时的功率预测结果。
3.根据权利要求1所述的一种并网型风电场短期风速组合预测方法,其特征在于:所述小波变换也是对一个函数f(x)的变换,但它通过对函数f(x)与一个所谓的小波函数作用后,具有平移、伸缩的特点。
4.根据权利要求1所述的一种并网型风电场短期风速组合预测方法,其特征在于:所述遗传算法优化分为四个阶段:
1)、原始风速序列的小波分解与重构;
2)、对小波分解后的各部分序列分别建立经过遗传算法优化的LS_SVM预测模型;
3)、判断预测结果是否满足要求,如不满足则重新设置GA参数,返回步骤2)重新训练,使初始确定的一组支持向量机参数不断进化,直到训练目标满足条件为止;
4)、子序列的预测结果重构生成风速序列的提前一天的最终预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510489096.7A CN106447063A (zh) | 2015-08-11 | 2015-08-11 | 一种并网型风电场短期风速组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510489096.7A CN106447063A (zh) | 2015-08-11 | 2015-08-11 | 一种并网型风电场短期风速组合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106447063A true CN106447063A (zh) | 2017-02-22 |
Family
ID=58092782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510489096.7A Pending CN106447063A (zh) | 2015-08-11 | 2015-08-11 | 一种并网型风电场短期风速组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447063A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045574A (zh) * | 2017-04-12 | 2017-08-15 | 浙江大学 | 基于svr的风力发电机组低风速段有效风速估计方法 |
CN107292446A (zh) * | 2017-07-03 | 2017-10-24 | 西南交通大学 | 一种基于考虑分量关联性小波分解的混合风速预测方法 |
CN109165791A (zh) * | 2018-09-11 | 2019-01-08 | 国网河北能源技术服务有限公司 | 一种供热机组热电关系预测方法及装置 |
CN109902882A (zh) * | 2019-03-21 | 2019-06-18 | 北京工业大学 | 原子钟钟差预测模型训练方法及装置 |
CN110276472A (zh) * | 2019-05-21 | 2019-09-24 | 南方电网调峰调频发电有限公司 | 一种基于lstm深度学习网络的海上风电功率超短期预测方法 |
CN110365041A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 基于gan场景模拟的风电多场景鲁棒调度方法 |
CN112748255A (zh) * | 2020-12-29 | 2021-05-04 | 国网河北省电力有限公司保定供电分公司 | 基于台风模型的输电铁塔台风风速风向计算方法 |
CN113162064A (zh) * | 2021-03-03 | 2021-07-23 | 山东大学 | 一种多风场最优调频方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
CN103559563A (zh) * | 2013-11-20 | 2014-02-05 | 国家电网公司 | 一种风电场短期风速预测方法 |
-
2015
- 2015-08-11 CN CN201510489096.7A patent/CN106447063A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
CN103559563A (zh) * | 2013-11-20 | 2014-02-05 | 国家电网公司 | 一种风电场短期风速预测方法 |
Non-Patent Citations (1)
Title |
---|
ZHENG ZHAO等: "short-term wind speed prediction on base of improved least squares support vector machine", 《FRONTIERS OF MANUFACTURING SCIENCE AND MEASURING TECHNOLOGY IV》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045574A (zh) * | 2017-04-12 | 2017-08-15 | 浙江大学 | 基于svr的风力发电机组低风速段有效风速估计方法 |
CN107045574B (zh) * | 2017-04-12 | 2020-02-28 | 浙江大学 | 基于svr的风力发电机组低风速段有效风速估计方法 |
CN107292446A (zh) * | 2017-07-03 | 2017-10-24 | 西南交通大学 | 一种基于考虑分量关联性小波分解的混合风速预测方法 |
CN107292446B (zh) * | 2017-07-03 | 2021-01-29 | 西南交通大学 | 一种基于考虑分量关联性小波分解的混合风速预测方法 |
CN109165791A (zh) * | 2018-09-11 | 2019-01-08 | 国网河北能源技术服务有限公司 | 一种供热机组热电关系预测方法及装置 |
CN109902882A (zh) * | 2019-03-21 | 2019-06-18 | 北京工业大学 | 原子钟钟差预测模型训练方法及装置 |
CN110276472A (zh) * | 2019-05-21 | 2019-09-24 | 南方电网调峰调频发电有限公司 | 一种基于lstm深度学习网络的海上风电功率超短期预测方法 |
CN110365041A (zh) * | 2019-06-05 | 2019-10-22 | 华南理工大学 | 基于gan场景模拟的风电多场景鲁棒调度方法 |
CN110365041B (zh) * | 2019-06-05 | 2021-05-14 | 华南理工大学 | 基于gan场景模拟的风电多场景鲁棒调度方法 |
CN112748255A (zh) * | 2020-12-29 | 2021-05-04 | 国网河北省电力有限公司保定供电分公司 | 基于台风模型的输电铁塔台风风速风向计算方法 |
CN113162064A (zh) * | 2021-03-03 | 2021-07-23 | 山东大学 | 一种多风场最优调频方法及系统 |
CN113162064B (zh) * | 2021-03-03 | 2022-10-18 | 山东大学 | 一种多风场最优调频方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447063A (zh) | 一种并网型风电场短期风速组合预测方法 | |
Wang et al. | Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting | |
Kardakos et al. | Application of time series and artificial neural network models in short-term forecasting of PV power generation | |
Bludszuweit et al. | A probabilistic method for energy storage sizing based on wind power forecast uncertainty | |
CN102102626B (zh) | 风电场短期功率预测方法 | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
CN109242204A (zh) | 基于最优vmd与同步优化的超短期风速预测方法 | |
CN102479339B (zh) | 基于混合神经网络的风电场短期风速预测方法和系统 | |
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
Díaz et al. | Performance assessment of five MCP models proposed for the estimation of long-term wind turbine power outputs at a target site using three machine learning techniques | |
CN105184391A (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
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 | |
CN103839192A (zh) | 基于层次分析法及距离综合评价法的风电场综合评价方法 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN102682207A (zh) | 风电场风速超短期组合预测方法 | |
CN104077632A (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
Lv et al. | Short-term wind speed forecasting based on non-stationary time series analysis and ARCH model | |
Di Piazza et al. | Estimation and forecast of wind power generation by FTDNN and NARX-net based models for energy management purpose in smart grids | |
CN105373856A (zh) | 一种考虑游程检测法重构的风电功率短时组合预测方法 | |
CN104102951A (zh) | 一种基于emd历史数据预处理的短期风电功率预测方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN111612244A (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN105591407A (zh) | 可再生能源电站有功出力预测误差间相关性的研究方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |