CN107292432A - 一种风电场短期负荷预测模型的建立方法 - Google Patents
一种风电场短期负荷预测模型的建立方法 Download PDFInfo
- Publication number
- CN107292432A CN107292432A CN201710433402.4A CN201710433402A CN107292432A CN 107292432 A CN107292432 A CN 107292432A CN 201710433402 A CN201710433402 A CN 201710433402A CN 107292432 A CN107292432 A CN 107292432A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mtr
- parameter
- 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 16
- 238000012549 training Methods 0.000 claims abstract description 8
- 241000257303 Hymenoptera Species 0.000 claims abstract description 3
- 230000007704 transition Effects 0.000 claims abstract description 3
- 238000005457 optimization Methods 0.000 claims description 4
- 239000003016 pheromone Substances 0.000 description 4
- 241001269238 Data Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method 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)
- Wind Motors (AREA)
Abstract
本发明公开了一种风电场短期负荷预测模型的建立方法，分别将参数σ、γ的取值区间进行N等分,将解空间划分成若干个不同的小区域；将M只蚂蚁以一定的分布方式置于各初始区域。初始化蚁群各个参数、蚂蚁的每个位置对应于LSSVM模型的一组参数σ、γ，由参数和样本训练建立LSSVM模型。所有蚂蚁都按照转移概率进行区域间的移动,并引进邻域局部搜索机制,记录当前的最优解及最优函数值。更新第j个区域的邻域吸引强度。若小于预先设定的最大迭代次数,否则输出当前的最优解σ、γ。利用最优参数σ、γ和训练样本建立IACO‑LLSVM预测模型。本发明所建立的模型可以在不同的风电场环境中使用，较强的可应用性。
Description
技术领域
本发明属于风电场技术领域，涉及一种风电场短期负荷预测模型的建立方法。
背景技术
风电场实际上就是风电厂，即风力发电厂，通过将风能转换为机械能，再将机械能转换为电能的发电厂，主流的风力发电机组高度达到100米左右，叶片长度也能达到六七十米，同时由于尾流效应，风机与风机之间不宜摆放过于密集，这就出现了风电场一般占地巨大的现象，一个风电场总面积在几十平方公里也是很常见的，而传统的工厂占地面积只有几平方公里。
数值天气预报预测的是风速、风向、气温、气压等气象数据，是风电场开展风电功率预测的基础和输入，能否得到准确的数值天气预报对风电功率预测准确率有很大影响。由于风的随机性、不确定性，再加上我国很多风电场都建在边远地区，地形差异较大，短时间会有风的快速变化，导致近地面的风速数值预报难度很大。我们都知道风功率与风速的三次方成正比，所以风速数值预报的准确性会直接影响风功率预测的准确率。风电功率预测方法也是影响预测的准确率的关键因素。目前国内风功率预测方法主要有基于统计的方法和基于物理建模的方法。因统计方法和物理方法都对数据都有很高要求，如果数据本身不是很完整，或者经过人为影响，或者得到的数据是错误的，都会影响到风电功率预测结果的准确度。由此可见，风电场输出功率的预测对大规模风电接入电力系统运行有非常重要的意义。本发明针对现有各种预测方法预测精度不高的问题，提出了一种风电场短期负荷预测模型的建立方法。
发明内容
本发明的目的在于提供一种风电场短期负荷预测模型的建立方法。
其具体技术方案为：
一种风电场短期负荷预测模型的建立方法，包括以下步骤：
定义目标函数:
式中，yi为第i个已知样本的输出值，为第i个样本的模型预测输出值。
LSSVM参数优化的思想是通过迭代算法搜索一组参数σ、γ，使目标函数达到最小。本发明利用改进蚁群算法(IACO)来进行优化，具体步骤如下：
Step1分别将参数σ、γ的取值区间进行N等分,将解空间划分成若干个不同的小区域。
Step2将M只蚂蚁以一定的分布方式置于各初始区域。初始化蚁群各个参数、蚂蚁的每个位置对应于LSSVM模型的一组参数σ、γ，由参数和样本训练建立如式(2)所示LSSVM模型。
Step3所有蚂蚁都按照式(3)的转移概率进行区域间的移动,并引进邻域局部搜索机制,记录当前的最优解及最优函数值。
Step4按式(4)、(5)更新第j个区域的邻域吸引强度。
Step5若小于预先设定的最大迭代次数,则重新设置蚂蚁在各区域内的位置并转到步骤3，否则输出当前的最优解σ、γ。
Step6利用最优参数σ、γ和训练样本建立IACO-LLSVM预测模型。
其中，a、b为根据拉格朗日函数求解得到模型系数。K(xi,xj)为核函数，一般根据Mercer条件可以确定。
τ(j)＝(1-ρ(t))*τ(j)+Δτ(j) (3)
其中，ρ(t)是信息素的挥发系数，τ(j)为蚂蚁j处的信息素浓度，Δτ(j)为信息素变化量。
其中，Lmin为最短路径长度，Lmax为最长路径长度，Lij为i与j间的距离，C是信息素浓度。
其中，ρmin是最小信息素系数,θ是约束因子。
与现有技术相比，本发明的有益效果：
本发明所建立的模型在整体风电机组输出功率预测中可以具有比较高的预测精度，达到令人满意的结果，可以在不同的风电场环境中使用，较强的可应用性。
附图说明
图1是本发明风电场短期负荷预测模型的建立方法的流程图；
图2是不同模型的风速预测结果；
图3是不同模型的机组输出功率预测结果。
具体实施方式
下面结合附图和具体实施方案对本发明的技术方案作进一步详细地说明。
MIMO预测模型设计
假设已知m维输入变量X和n维输出变量Y组成的数据点集{Xi,Yi}，(i＝1,2,…q)，多输入多输出最小二乘支持向量机模型可表示为其中i＝1,2,…q，j＝1,2,…n。由此产生n组需优化模型参数σ、γ，确定不同变量的目标函数yij为第j个变量样本输出值，第j个变量样本的LLSVM模型预测输出值。利用训练样本计算，根据改进的蚁群算法迭代更新，找到最优σ、γ参数值，代入LSSVM预测模型，完成风电场参数预测模型构建。
具体的MIMO预测如图1所示，输入主要包括风电场历史风速、风向、风电机组的转子转速和桨距角，及风电场的温度、气压、空气相对湿度等环境数值。
输出即为风电场风速及机组功率的预测输出。这就是多输入多输出，为MIMO
实验仿真
预测仿真结果
本发明采用甘肃酒泉市瓜州县某风电场2015年9月1日到2015年9月29日实测数据，以11_06F样板风机1.5MW双馈异步风力发电机组获为例，风机切入风速2.8m/s，切出风速23m/s，额定风速11m/s，采集风速、机组负荷、风向、风电机组附近的温度、气压、空气相对湿度及风向兆瓦级风电机组发电机转子转速和桨距角数据，间隔10min采集一次，相应有4320组实测数据，剔除显著误差和归一化处理作为训练样本，2011年9月30日的样本数据作为测试样本，利用IACO-LSSVM预测模型来做提前一天的风速、功率预测。
利用IACO算法进行LSSVM参数优化，蚁群规模为M＝20,最大迭代次数为200，优化得到LSSVM正规化参数γ＝[89 496]，核参数σ＝[0.23 7.9]。采用IACO算法时到40代就开始逐渐收敛，且在此之后就一直朝着目标方向优化，用ACO算法到140几代时才趋于平缓。风速、机组输出功率预测结果如图2、图3所示。
通过计算，IACO-LSSVM方法得到的风速、机组输出功率各种误差值均小于ACO-LSSVM预测模型得到的误差，本发明提出的IACO-LSSVM预测模型具比较高的预测精度。
以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (1)
1.一种风电场短期负荷预测模型的建立方法，其特征在于，包括以下步骤：
定义目标函数:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>&gamma;</mi>
<mo>,</mo>
<mi>&sigma;</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&gamma;</mi>
<mo>&Element;</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mi>&gamma;</mi>
<mi>min</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&gamma;</mi>
<mi>max</mi>
</msub>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mi>&sigma;</mi>
<mo>&Element;</mo>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mi>&sigma;</mi>
<mi>min</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&sigma;</mi>
<mi>max</mi>
</msub>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，yi为第i个已知样本的输出值，为第i个样本的模型预测输出值；
LSSVM参数优化的思想是通过迭代算法搜索一组参数σ、γ，使目标函数达到最小；利用改进蚁群算法IACO来进行优化，具体步骤如下：
Step1分别将参数σ、γ的取值区间进行N等分,将解空间划分成若干个不同的小区域；
Step2将M只蚂蚁以一定的分布方式置于各初始区域；初始化蚁群各个参数、蚂蚁的每个位置对应于LSSVM模型的一组参数σ、γ，由参数和样本训练建立如式(2)所示LSSVM模型；
Step3所有蚂蚁都按照式(3)的转移概率进行区域间的移动,并引进邻域局部搜索机制,记录当前的最优解及最优函数值；
Step4按式(4)、(5)更新第j个区域的邻域吸引强度；
Step5若小于预先设定的最大迭代次数,则重新设置蚂蚁在各区域内的位置并转到步骤3，否则输出当前的最优解σ、γ；
Step6利用最优参数σ、γ和训练样本建立IACO-LLSVM预测模型；
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
τ(j)＝(1-ρ(t))*τ(j)+Δτ(j) (3)
<mrow>
<mi>&Delta;</mi>
<mi>&tau;</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>C</mi>
<mo>/</mo>
<msub>
<mi>L</mi>
<mi>min</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&Element;</mo>
<msub>
<mi>L</mi>
<mi>min</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mi>C</mi>
<mo>/</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>L</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&Element;</mo>
<msub>
<mi>L</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&theta;</mi>
<mo>&CenterDot;</mo>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>&theta;</mi>
<mi>&rho;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&rho;</mi>
<mi>min</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&rho;</mi>
<mi>min</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
1
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710433402.4A CN107292432A (zh) | 2017-06-09 | 2017-06-09 | 一种风电场短期负荷预测模型的建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710433402.4A CN107292432A (zh) | 2017-06-09 | 2017-06-09 | 一种风电场短期负荷预测模型的建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107292432A true CN107292432A (zh) | 2017-10-24 |
Family
ID=60097012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710433402.4A Pending CN107292432A (zh) | 2017-06-09 | 2017-06-09 | 一种风电场短期负荷预测模型的建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292432A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070262A (zh) * | 2020-07-09 | 2020-12-11 | 深圳市计量质量检测研究院（国家高新技术计量站、国家数字电子产品质量监督检验中心） | 一种基于支持向量机的空调负荷预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105224738A (zh) * | 2015-09-23 | 2016-01-06 | 上海大学 | Lssvm非高斯脉动风速预测方法 |
| US20160034812A1 (en) * | 2014-07-31 | 2016-02-04 | Qualcomm Incorporated | Long short-term memory using a spiking neural network |
-
2017
- 2017-06-09 CN CN201710433402.4A patent/CN107292432A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160034812A1 (en) * | 2014-07-31 | 2016-02-04 | Qualcomm Incorporated | Long short-term memory using a spiking neural network |
| CN105224738A (zh) * | 2015-09-23 | 2016-01-06 | 上海大学 | Lssvm非高斯脉动风速预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 龙文 等: ""基于改进蚁群算法优化参数的LSSVM 短期负荷预测"", 《中南大学学报(自然科学版)》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070262A (zh) * | 2020-07-09 | 2020-12-11 | 深圳市计量质量检测研究院（国家高新技术计量站、国家数字电子产品质量监督检验中心） | 一种基于支持向量机的空调负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102663251B (zh) | 基于计算流体力学模型的风电场功率物理预测方法 | |
| CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
| CN111260126B (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
| CN103902837B (zh) | 一种基于经验Copula函数进行风速预测的方法 | |
| CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
| CN104077632B (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
| CN103942736B (zh) | 一种风电场多机等值建模方法 | |
| CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
| 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 | |
| CN103699944A (zh) | 一种多预测模式的风电光伏发电功率预测系统 | |
| CN104978608A (zh) | 一种风电功率预测装置及预测方法 | |
| CN106886833A (zh) | 一种适用于复杂约束条件的风力发电机选址选型优化方法 | |
| CN114483485B (zh) | 一种Nudging风电场观测资料改进风速预测的方法 | |
| CN103489046A (zh) | 风电场短期功率预测方法 | |
| CN103904682A (zh) | 一种基于风光混合模型的功率预测方法 | |
| 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 | |
| CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
| CN110796281B (zh) | 基于改进深度信念网络的风电机组状态参数预测方法 | |
| CN105846425A (zh) | 一种基于通用风电预测误差模型的经济调度方法 | |
| Syu et al. | Ultra-short-term wind speed forecasting for wind power based on gated recurrent unit | |
| CN109063388A (zh) | 风环境模拟的微气候建筑选址设计方法 | |
| CN110070223A (zh) | 一种应用于新建风电场的短期功率预测方法 | |
| CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
| CN105138729B (zh) | 基于pso‑grnn风电场风电机缺损风速值填充方法 | |
| CN104504464A (zh) | 基于风区风带风速规律的风功率预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171024 |