CN106485356A - 一种基于业扩报装大数据的电量预测方法 - Google Patents
一种基于业扩报装大数据的电量预测方法 Download PDFInfo
- Publication number
- CN106485356A CN106485356A CN201610889305.1A CN201610889305A CN106485356A CN 106485356 A CN106485356 A CN 106485356A CN 201610889305 A CN201610889305 A CN 201610889305A CN 106485356 A CN106485356 A CN 106485356A
- Authority
- CN
- China
- Prior art keywords
- industry
- expands
- month
- business process
- process system
- 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 64
- 230000005611 electricity Effects 0.000 claims abstract description 47
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000005065 mining Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012800 visualization Methods 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
- G06Q10/04—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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于业扩报装大数据的电量预测方法,针对业扩报装对电量增长的影响关系进行研究,通过对历史业扩报装数据进行大数据分析,研究业扩报装情况、运行容量、用电负荷利用率、用电量之间的关联关系,挖掘数据间的相关关系,量化具体的业扩与电量的影响关系,为业扩导致的电量增长预测提供了依据。
Description
技术领域
本发明涉及一种基于业扩报装大数据的电量预测方法,属于电力营销智能应用技术领域。
背景技术
工业用电量与经济发展的关系紧密,在全社会用电量中的比重较大。通过对工业用电量进行研判、预测,可以在很大程度上了解未来经济的发展趋势,也可以对全社会用电量的发展形势做出判断。在对工业用电量的预测中,业扩报装容量是不可忽视的直接影响因素,而且是具有先行意义的指标。近年来,受国内外经济形势影响,业扩报装容量增长率波动较为明显,对省用电量增长间接造成一定影响。业扩报装与未来的负荷走势存在一定的影响关系,目前已有研究人员利用业扩信息开展负荷预测相关研究。但是目前尚未建立工业用电量与工业业扩报装之间的预测模型,所以不能准确预测出工业用电量。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于业扩报装大数据的电量预测方法,运用先进的大数据思想,构建具备自我学习功能的业扩影响模型,实现基于业扩报装大数据的电量预测。
为解决上述技术问题,本发明提供一种基于业扩报装大数据的电量预测方法,包括以下步骤:
1)构建业扩影响模型,分析不同地区、行业、不同类型业扩情况发生后一段时间内业扩造成的容量变化导致的负荷利用率变化,建立负荷利用率变化值与月用电量变化、月容量变化之间的表达式;
2)通过业扩影响模型进行电量预测,是指把统计分析时间段、预测时间段、地区、行业、业扩类型作为参数传入电量预测公式,利用电量预测公式以及业扩报装数据,业扩影响模型计算出业扩影响电量。
前述的构建业扩影响模型包括以下步骤:
1-1).进行数据清洗,对海量的业扩报装数据进行清洗,确保分析时采用的业扩报装数据在用户后续的电费发票中有体现,剔除因为双路电源、供电线路变更原因申请的业扩报装数据;
1-2).对数据进行预处理,由于用户业扩报装的申请时间不同,分析时需要对数据进行时间归一化处理,把业扩报装申请时间置为起始时间,业扩报装发生的当月设为第0月,之后每个月电量时间设置为1—18个月,同时将1个月内发生多次业扩报装的用户剔除;
1-3).剔除影响因素,利用气象与用电量变化关系以及节日与用电量变化关系来剔除气象与节日对负荷利用率变化值的影响;
1-4).计算业扩负荷利用率变化值,利用已经时间归一化处理后的用户业扩报装数据以及剔除气象、节假日影响后18个月的电量变化值计算业扩负荷利用率变化值,
计算公式如下:
其中:F(·)表示业扩的月负荷利用率变化值,Tind表示行业类型,Mperiod表示业扩申请月份与统计月份之间的间隔,KType表示业扩类型,KType=1时为新装或增容业扩类型,KType=2时为减容或销户业扩类型,S表示该行业下业扩申请的所有用户,Ai为该行业下第i个业扩申请用户的月增加/减少的用电量,Pi表示该行业下第i个业扩申请用户增加/减少的容量。
前述的通过业扩影响模型进行电量预测,包括以下步骤:
2-1)根据分地区、业扩类型、行业参数,统计业扩统计月份的业扩数据;
2-2)循环业扩统计月份,计算业扩统计月份与业扩申请月份的间隔,结合分地区下的行业类型、业扩类型、间隔月份利用公式(1)计算月负荷利用率变化值;
2-3)利用月负荷利用率变化值*业扩申请月份的业扩统计容量计算业扩影响电量;
2-4)累加所有地区、统计月份下业扩对业扩申请月份的业扩影响电量,计算公式如下:
其中,Pexpan为业扩统计月份对业扩申请月份的业扩影响电量,Mstart和Mend分别表示业扩统计的起始月份和结束月份,Meffect表示业扩申请月份,S表示该行业下业扩申请的所有用户,j表示该行业下的第j个业扩申请用户,Pj表示该行业下第j个业扩申请用户增加/减少的容量,F(·)为业扩对应的月负荷利用率变化值计算函数。
本发明所达到的有益效果:
本发明提出了一种业扩–电量影响模型,可视化定义电量公式,将其用于典型行业的电量预测,该电量预测方法简单易行,效果明显,可以作为典型行业电量预测的主要方法和电力系统电量预测的辅助修正方法;同时该方法提高电量预测精确度,为电网调度提供更加准确的数据支持,使调度部门能够提前合理、经济地安排未来的运行方式,从而提高电网的运行经济性,为电力公司带来更高的利润,为电网稳定运行提供更坚实的保障。
附图说明
图1是本发明的业扩影响模型构建流程图;
图2是本发明的电量预测模型图;
图3是实施例中典型行业业扩电量预测曲线;
图4是实施例中居民业扩电量预测曲线。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
业扩报装包含新装、增容、减容和销户四种类型。针对增容、减容类业务,客户在完成报装后并不能完成容量的变更,需要经历一个接电周期,而且客户的用电量也不会在接电以后就达到稳定用电状态,这段时期的电量波动,会影响电量预测的准确度。
由于不同用户的业扩申请时间并不一致,业扩数据呈现出碎片化,在模型的构建过程中需考虑不同地区、业扩类型、行业、容量下的业扩报装从申请到送电阶段具有不同的特性,将数据进行分类处理,同时,考虑考虑气象、节假日、经济因素对电量的影响,才可以构建较为准确的业扩报装与负荷利用率变化值的模型,从而提高电量预测准确度。
本发明的基于业扩报装大数据的电量预测方法包括构建业扩影响模型和通过业扩影响模型进行电量预测两部分内容。
构建业扩影响模型具体过程为:分析不同地区、行业、不同类型业扩情况发生后一段时间内业扩造成的容量变化导致的负荷利用率变化情况。如图1所示,包括以下步骤:
1-1).数据清洗。对海量的业扩报装数据进行清洗,分析的历史业扩报装必须是为了真正生产用电服务,业扩报装完成后用户的电量需要有相应表现,确保采用的业扩报装数据在用户后续的电费发票中有体现,剔除因为双路电源、供电线路变更等原因申请的业扩报装数据。
1-2).数据预处理。由于用户业扩报装的申请时间不同,分析时需要对数据进行时间归一化处理。把业扩报装申请时间置为起始时间,业扩报装发生的当月设为第0月,之后每个月电量时间设置为1—18个月,同时1个月内发生多次业扩报装的用户,由于不能区分电量的变化是由哪次业扩导致的,所以此类用户也需要剔除。
1-3).剔除其他影响因数。业扩发生后的电量变化可能会受到气象、节假日等外部因素的影响,例如一般工商业客户平均负荷利用率在冬、夏两季受空调负荷增长影响会有明显波动,大工业客户在节假日电量波动比较大,所以分析业扩对电量的影响时,需要利用气象与用电量变化关系以及节日与用电量变化关系来剔除其他因素对负荷利用率的影响。
1-4).模型构建计算。利用已经时间归一化处理后的用户业扩报装数据以及剔除气象、节假日等外部因素后18个月的电量变化值构建业扩负荷利用率变化值模型。
负荷利用率变化值=当月电量变化量/(业扩容量*24*月实际天数)
对于新装、增容类型的业扩,电量是逐渐增长的,所以当月电量变化量为正数,负荷利用率变化值也为正数,并随着时间的增长而变大,并最终趋于稳定。相反,减容、销户类型的业扩,由于电量是逐渐减少,当月电量变化量为负数,所以负荷利用率变化值也是一个负数,随着时间的增长而变大,并最终趋于稳定。
业扩负荷利用率变化值的计算公式如下:
其中:F(·)表示业扩的月负荷利用率变化值;Tind表示行业类型;Mperiod表示业扩申请月份与统计月份之间的间隔,以月份为单位;KType表示业扩类型,KType=1时为新装或增容业扩类型,KType=2时为减容或销户业扩类型;S表示该行业下业扩申请的所有用户,Ai为该行业下第i个业扩申请用户的月增加/减少的用电量,Pi表示该行业下第i个业扩申请用户增加/减少的容量(注:KType=1时为正数,KType=2为负值)。
参见图2,通过业扩影响模型进行电量预测是指把需要分析的时间段、预测时间段、地区、行业、业扩类型作为参数传入电量预测公式,利用电量预测公式以及业扩报装数据,业扩影响模型计算出业扩影响电量。
预测步骤如下:
2-1)根据分地区、业扩类型、行业等参数,统计业扩统计月份的业扩数据;
2-2)循环业扩统计月份,计算业扩统计月份与业扩申请月份的间隔,结合分地区下的行业类型、业扩类型、间隔月份计算月负荷利用率变化值;
2-3)利用月负荷利用率变化值*业扩申请月份的业扩统计容量计算业扩影响电量;
2-4)累加所有地区、统计月份下业扩对业扩申请月份的业扩影响电量。
以下是计算Mstart~Mend月份业扩对业扩申请月份Meffect的业扩影响电量计算公式:
其中:Pexpan为业扩统计月份对业扩申请月份的业扩影响电量,Mstart和Mend分别表示业扩统计的起始月份和结束月份,Meffect表示业扩申请月份,S表示该行业下业扩申请的所有用户,j表示该行业下的第j个业扩申请用户,Pj表示该行业下第j个业扩申请用户增加/减少的容量,F(·)为业扩对应的月负荷利用率变化值计算函数。
以江苏省2014年二季度业扩情况分析对四季度的电量影响为例说明,4、5、6月份为业扩统计月份,对应Mstart=4,Mend=6,10、11、12月份为业扩申请月份,即Meffect为10或11或12,电量预测步骤如下:
A、根据分地区、业扩类型、行业等参数,统计4、5、6三个月的业扩数据;
B、循环4、5、6三个月业扩数据,计算业扩统计月份与业扩申请月份的间隔,以4月为例,相对10月份间隔6个月,相对11月份间隔7个月,相对12月份间隔8个月,通过分地区下的行业类型,业扩类型,间隔月份利用公式(1)计算负荷利用率变化值;
C、根据获取的负荷利用率变化值*业扩申请月份的业扩统计容量计算业扩影响电量;
D、累加所有地区、月份下业扩对四季度的业扩影响电量。
如图3所示,为本发明的典型行业业扩影响模型,图中显示的为某一轻工业业扩电量预测曲线,构建了用户在新装,增容,减容后用电量在一段时间内的变化,为电量与负荷预测中对业扩因素的分析提供了数据依据图中,三条曲线从上到下依次为增容,新装,减容。
如图4所示,为本发明的居民业扩电量预测曲线,横坐标表示申请业扩后的月份,纵坐标表明电量增长占业扩容量的百分比,构建了新装用户用电量在一段时间内的变化,可以明显看出在未来的一段时间内电量稳定增长,符合居民用电特性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (3)
1.一种基于业扩报装大数据的电量预测方法,其特征在于,包括以下步骤:
1)构建业扩影响模型,分析不同地区、行业、不同类型业扩情况发生后一段时间内业扩造成的容量变化导致的负荷利用率变化,建立负荷利用率变化值与月用电量变化、月容量变化之间的表达式;
2)通过业扩影响模型进行电量预测,是指把统计分析时间段、预测时间段、地区、行业、业扩类型作为参数传入电量预测公式,利用电量预测公式以及业扩报装数据,业扩影响模型计算出业扩影响电量。
2.根据权利要求1所述的一种基于业扩报装大数据的电量预测方法,其特征在于,所述构建业扩影响模型包括以下步骤:
1-1).进行数据清洗,对海量的业扩报装数据进行清洗,确保分析时采用的业扩报装数据在用户后续的电费发票中有体现,剔除因为双路电源、供电线路变更原因申请的业扩报装数据;
1-2).对数据进行预处理,由于用户业扩报装的申请时间不同,分析时需要对数据进行时间归一化处理,把业扩报装申请时间置为起始时间,业扩报装发生的当月设为第0月,之后每个月电量时间设置为1—18个月,同时将1个月内发生多次业扩报装的用户剔除;
1-3).剔除影响因素,利用气象与用电量变化关系以及节日与用电量变化关系来剔除气象与节日对负荷利用率变化值的影响;
1-4).计算业扩负荷利用率变化值,利用已经时间归一化处理后的用户业扩报装数据以及剔除气象、节假日影响后18个月的电量变化值计算业扩负荷利用率变化值,
计算公式如下:
其中:F(·)表示业扩的月负荷利用率变化值,Tind表示行业类型,Mperiod表示业扩申请月份与统计月份之间的间隔,KType表示业扩类型,KType=1时为新装或增容业扩类型,KType=2时为减容或销户业扩类型,S表示该行业下业扩申请的所有用户,Ai为该行业下第i个业扩申请用户的月增加/减少的用电量,Pi表示该行业下第i个业扩申请用户增加/减少的容量。
3.根据权利要求2所述的一种基于业扩报装大数据的电量预测方法,其特征在于,所述通过业扩影响模型进行电量预测,包括以下步骤:
2-1)根据分地区、业扩类型、行业参数,统计业扩统计月份的业扩数据;
2-2)循环业扩统计月份,计算业扩统计月份与业扩申请月份的间隔,结合分地区下的行业类型、业扩类型、间隔月份利用公式(1)计算月负荷利用率变化值;
2-3)利用月负荷利用率变化值*业扩申请月份的业扩统计容量计算业扩影响电量;
2-4)累加所有地区、统计月份下业扩对业扩申请月份的业扩影响电量,计算公式如下:
其中,Pexpan为业扩统计月份对业扩申请月份的业扩影响电量,Mstart和Mend分别表示业扩统计的起始月份和结束月份,Meffect表示业扩申请月份,S表示该行业下业扩申请的所有用户,j表示该行业下的第j个业扩申请用户,Pj表示该行业下第j个业扩申请用户增加/减少的容量,F(·)为业扩对应的月负荷利用率变化值计算函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610889305.1A CN106485356A (zh) | 2016-10-12 | 2016-10-12 | 一种基于业扩报装大数据的电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610889305.1A CN106485356A (zh) | 2016-10-12 | 2016-10-12 | 一种基于业扩报装大数据的电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106485356A true CN106485356A (zh) | 2017-03-08 |
Family
ID=58270562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610889305.1A Pending CN106485356A (zh) | 2016-10-12 | 2016-10-12 | 一种基于业扩报装大数据的电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485356A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067343A (zh) * | 2017-04-17 | 2017-08-18 | 国网浙江省电力公司经济技术研究院 | 一种基于市场化的售电侧运营服务管理平台 |
CN107122960A (zh) * | 2017-04-28 | 2017-09-01 | 国网山东省电力公司泰安供电公司 | 电力业务扩充处理方法及装置 |
CN110956441A (zh) * | 2019-11-12 | 2020-04-03 | 广州供电局有限公司 | 业扩客户服务系统及方法 |
CN111784083A (zh) * | 2020-08-06 | 2020-10-16 | 国网湖南省电力有限公司 | 基于电力大数据的预测模型建立方法及电网负荷调度方法 |
CN113361750A (zh) * | 2021-05-17 | 2021-09-07 | 国网安徽省电力有限公司淮北供电公司 | 一种基于业扩报装大数据的售电量预测方法 |
-
2016
- 2016-10-12 CN CN201610889305.1A patent/CN106485356A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067343A (zh) * | 2017-04-17 | 2017-08-18 | 国网浙江省电力公司经济技术研究院 | 一种基于市场化的售电侧运营服务管理平台 |
CN107122960A (zh) * | 2017-04-28 | 2017-09-01 | 国网山东省电力公司泰安供电公司 | 电力业务扩充处理方法及装置 |
CN110956441A (zh) * | 2019-11-12 | 2020-04-03 | 广州供电局有限公司 | 业扩客户服务系统及方法 |
CN111784083A (zh) * | 2020-08-06 | 2020-10-16 | 国网湖南省电力有限公司 | 基于电力大数据的预测模型建立方法及电网负荷调度方法 |
CN111784083B (zh) * | 2020-08-06 | 2023-11-21 | 国网湖南省电力有限公司 | 基于电力大数据的预测模型建立方法及电网负荷调度方法 |
CN113361750A (zh) * | 2021-05-17 | 2021-09-07 | 国网安徽省电力有限公司淮北供电公司 | 一种基于业扩报装大数据的售电量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485356A (zh) | 一种基于业扩报装大数据的电量预测方法 | |
CN109858728B (zh) | 基于分行业用电特性分析的负荷预测方法 | |
Yildiz et al. | Household electricity load forecasting using historical smart meter data with clustering and classification techniques | |
CN105069525A (zh) | 全天候96点日负荷曲线预测及优化修正系统 | |
CN104158203B (zh) | 一种微电网电源容量优化配置方法 | |
CN106485417A (zh) | 基于动态自适应任务调度策略的光伏电站移动运维方法 | |
CN104636822A (zh) | 一种基于elman神经网络的居民负荷预测方法 | |
CN104008430A (zh) | 一种构建拟境挖掘动态智能负荷预测模型的方法 | |
CN112184070A (zh) | 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统 | |
CN105160159A (zh) | 一种多能源技术量化筛选方法 | |
CN101976842A (zh) | 基于电气分区的关键断面自动获取方法 | |
CN108711878B (zh) | 考虑出力特性的光伏电站多类型组件容量配置方法 | |
WO2024000930A1 (zh) | 一种电力用户增值服务决策方法 | |
CN111898253B (zh) | 水库调度及其下游河流生态环境保护的合作价值评估方法 | |
CN104913438A (zh) | 冰蓄冷系统控制优化方法与系统 | |
CN111639819B (zh) | 一种综合能源园区多阶段优化控制方法 | |
CN104091293A (zh) | 基于用电结构变动的电网长期负荷特性预测方法 | |
CN102147839A (zh) | 一种光伏发电量预测方法 | |
CN104200289A (zh) | 一种基于投资回报率的分布式光伏装机容量预测方法 | |
CN104268697A (zh) | 计及节能风险概率的省级电网购电决策系统及方法 | |
CN106875058B (zh) | 一种电力业扩可开放容量智能判断方法 | |
CN112132481A (zh) | 一种区域能效综合评价方法 | |
CN116362584A (zh) | 一种基于用户侧储能容量配置的经济性分析方法 | |
CN106503848A (zh) | 多小水电趸售地区电网的负荷预测方法 | |
Yin et al. | Correlational broad learning for optimal scheduling of integrated energy systems considering distributed ground source heat pump heat storage systems |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170308 |
|
RJ01 | Rejection of invention patent application after publication |