CN107506845A - 一种基于多模型融合的售电量预测方法及其系统 - Google Patents
一种基于多模型融合的售电量预测方法及其系统 Download PDFInfo
- Publication number
- CN107506845A CN107506845A CN201710549692.9A CN201710549692A CN107506845A CN 107506845 A CN107506845 A CN 107506845A CN 201710549692 A CN201710549692 A CN 201710549692A CN 107506845 A CN107506845 A CN 107506845A
- Authority
- CN
- China
- Prior art keywords
- forecasting methodology
- electricity
- forecasting
- prediction
- fusion
- 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 117
- 230000005611 electricity Effects 0.000 title claims abstract description 87
- 230000004927 fusion Effects 0.000 title claims abstract description 60
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000013277 forecasting method Methods 0.000 claims description 23
- 238000007726 management method Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000005267 amalgamation Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000005612 types of electricity Effects 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)
- 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
本发明一种基于多模型融合的售电量预测方法及其系统充分利用多种预测方法的融合方式，将包含有Logistics回归分析预测模型、ARIMA预测模型及支持向量机回归预测模型进行有机融合以达成对售电量进行更为合理的预测，其避免了单一预测方法应用的局限性，充分运用了不同预测算法的优势，取长补短，融合形成精确的、稳定的售电量预测方法。
Description
技术领域
本发明涉及售电技术领域，尤其涉及一种基于多模型融合的售电量预测方法。
背景技术
随着我国电力行业的快速发展，电力系统中对售电量预测的要求越来越高，正确预测出地区销售电量的水平，为电力企业提供营销决策支持，对于指导发电厂、输配电网的合理运行，推动电力市场的发展和建设都具有十分重要的意义。
常用的预测方法很多，基本上分为传统预测法及智能预测法两类。传统预测方法主要有经验法、回归分析法、灰色预测法、时间序列法、指数平滑法等。智能预测方法主要包括有小波分析预测法、混沌预测法、模糊理论预测法、人工神经网络预测法、支持向量机预测法等。但是单一方法的应用都有其局限性，传统预测方法对不同类型的售电量预测没有统一而合理的处理方法，在气候条件、节假日等影响下稳定性较差；智能预测算法由于影响售电量变化的众多随机因素很难用数学模型描述，也给预测的准确性带来了一定困难。
因此，有必要设计一种采用多种数学方法融合技术，充分运用不同算法各种的优势，取长补短，融合形成精确的、稳定的售电量预测系统。
发明内容
本发明的目的是针对上述背景技术存在的缺陷，提供一种基于多模型融合的售电量预测方法及其系统。
为实现上述目的，本发明之一的一种基于多模型融合的售电量预测方法，其包括：
步骤S1：预测方法的选择，即根据预测方法的预测效果以及适用条件，选择预存在预测方法库中的N个售电预测方法作为融合预测方法的基本方法；
步骤S2：利用售电预测方法进行预测，即利用步骤S1中选择的每一种售电预测方法对需要预测的指定时段售电量分别进行单独预测，预测后将会得到N个预测值，即其中，N为调用预测方法库中售电预测方法的数量的和，N为自然数；
步骤S3：确定融合预测方法中各售电预测方法的权重系数，即各售电预测方法在融合预测方法中的权重大小w1(t)、w2(t)……wN(t)是根据各售电预测方法在设定的前m个时段内的预测精度来进行确定，权重确定的原则是精度越高，权重越大，其中，m为预测指定时段之前已预测过的时段个数，m为自然数；
步骤S4：对调用的N个预测结果进行融合，即在t时段，将各售电预测方法的预测结果依据权重系数w1(t)、w2(t)……wN(t)进行加权融合，以得到融合预测方法的预测结果预测结果通过计算公式实现
本发明之二的一种基于多模型融合的售电量预测系统，应用于售电技术领域，该预测系统由数据采集与管理单元、单模型预测单元、多模型融合预测单元及预测方法库组成；
预测方法库由若干个基本预测方法模块组成，且每一基本预测方法模块存储一预测方法模型；
数据采集与管理单元用于获取各个待预测区域的历史售电量数据，同时还对来自基于多模型融合学习的售电量预测系统各个功能单元产生的售电量预测数据、预测误差数据及相关参数数据等进行计算、处理和存储的统一管理，并提供信息检索出口和数据调用通信接口，通过数据调用通信接口将数据信息提供给单模型预测单元和多模型融合预测单元；
单模型预测单元用于根据数据采集与管理单元提供的待预测区域的历史售电量数据，调用预测方法库中多个单一预测模型进行初步预测，并整理存储预测结果数据；
多模型融合预测单元用于根据数据采集与管理单元提供的单模型预测数据计算单模型预测单元中各单一预测模型的权重系数，然后根据各种基本预测方法的预测结果依据权重系数进行加权融合，得到融合预测方法的预测结果。
综上所述，本发明一种基于多模型融合学习的预测方法及其系统，避免了使用单一预测方法应用的局限性，充分运用了不同预测算法的优势，取长补短，融合形成精确的、稳定的售电量预测方法。
附图说明
图1为本发明一种基于多模型融合的售电量预测方法流程示意图。
图2为本发明一种基于多模型融合的售电量预测系统的结构示意图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所达成目的及效果，以下兹例举实施例并配合附图详予说明。
请参阅图1，本发明综合考虑各种预测模型的预测结果，以不同预测模型的输出结果为信息源，以提高预测精度为目的，运用数据融合技术对售电量预测方法进行研究。
本发明之一的一种基于多模型融合的售电量预测方法，应用于售电技术领域，该预测方法具体包括：
步骤S1：预测方法的选择，即根据预测方法的预测效果以及适用条件，选择预存在预测方法库中的N个售电预测方法作为融合预测方法的基本方法；
步骤S2：利用售电预测方法进行预测，即利用步骤S1中选择的每一种售电预测方法对需要预测的指定时段售电量分别进行单独预测，预测后将会得到N个预测值，即其中，N为调用预测方法库中售电预测方法的数量的和，N为自然数；
步骤S3：确定融合预测方法中各售电预测方法的权重系数，即各售电预测方法在融合预测方法中的权重大小w1(t)、w2(t)……wN(t)是根据各售电预测方法在设定的前m个时段内的预测精度来进行确定，权重确定的原则是精度越高，权重越大，其中，m为预测指定时段之前已预测过的时段个数，m为自然数；
步骤S4：对调用的N个预测结果进行融合，即在t时段，将各售电预测方法的预测结果依据权重系数w1(t)、w2(t)……wN(t)进行加权融合，以得到融合预测方法的预测结果预测结果通过计算公式实现。
本发明一种基于多模型融合的售电量预测方法中需要对各个基本预测方法的权重系数也应该进行不断调整以达到因季节和天气温度的变化，而造成每一种基本预测方法的预测精度发生不断的变化的情况，本发明特引入动态误差计算各个基本预测方法的权重系数，解决上诉变化因素对售电量预测精度的影响。
具体地，将定义动态误差为ed,i(t)，且
式中：ed,i(t)为i方法在t时段的动态误差，ed,i(t)为在t之前m个时段内i售电预测方法预测误差epre,i(t)的均值；epre,i(t)为t时段内i售电预测方法预测结果的绝对相对误差。
其中，epre,i(t)通过计算获得，式中y(t)为t时刻的实测数据，为i方法在t时刻的预测值。
权重系数wi(t)与动态误差ed,i(t-1)成反比例变化，即动态误差较大的售电预测方法给予一个较小的权重系数，动态误差较小的售电预测方法给予一个较大的权重系数。
通过反比例法得到初始权重系数具体实施例中，权重系数通过计算公式获得。
计算各售电预测方法在融合预测模型中的最终权重系数wi(t)，具体实施例中，最终权重系数wi(t)通过计算公式获得。
较佳具体实施例中，本发明优选采用Logistics回归分析预测、ARIMA模型预测和支持向量机回归预测三种模型进行融合预测。
本发明之二的一种基于多模型融合学习的预测系统，应用于售电技术领域，该预测系统由数据采集与管理单元、单模型预测单元、多模型融合预测单元及预测方法库组成。
预测方法库由若干个基本预测方法模块组成，且每一基本预测方法模块存储一预测方法模型。预测方法库至少预存有Logistics回归分析预测模型、ARIMA预测模型及支持向量机回归预测模型。
数据采集与管理单元用于获取各个待预测区域的历史售电量数据，同时还对来自基于多模型融合学习的售电量预测系统各个功能单元产生的售电量预测数据、预测误差数据及相关参数数据等进行计算、处理和存储的统一管理，并提供信息检索出口和数据调用通信接口，通过数据调用通信接口将数据信息提供给单模型预测单元和多模型融合预测单元。
单模型预测单元用于根据数据采集与管理单元提供的待预测区域的历史售电量数据，调用预测方法库中多个单一预测模型进行初步预测，并整理存储预测结果数据。
多模型融合预测单元用于根据数据采集与管理单元提供的单模型预测数据计算单模型预测单元中各单一预测模型的权重系数，然后根据各种基本预测方法的预测结果依据权重系数进行加权融合，得到融合预测方法的预测结果。
本发明一种基于多模型融合学习的预测方法及其系统，避免了使用单一预测方法应用的局限性，充分运用了不同预测算法的优势，取长补短，融合形成精确的、稳定的售电量预测方法。
以上所述的技术方案仅为本发明的较佳实施例，任何在本发明基础上所作的等效变换或替换都包含在本发明创造的保护范围之内。
Claims (9)
1.一种基于多模型融合的售电量预测方法，应用于售电技术领域，其包括：
步骤S1：预测方法的选择，即根据预测方法的预测效果以及适用条件，选择预存在预测方法库中的N个售电预测方法作为融合预测方法的基本方法；
步骤S2：利用售电预测方法进行预测，即利用步骤S1中选择的每一种售电预测方法对需要预测的指定时段售电量分别进行单独预测，预测后将会得到N个预测值，即其中，N为调用预测方法库中售电预测方法的数量的和，N为自然数；
步骤S3：确定融合预测方法中各售电预测方法的权重系数，即各售电预测方法在融合预测方法中的权重大小w1(t)、w2(t)……wN(t)是根据各售电预测方法在设定的前m个时段内的预测精度来进行确定，权重确定的原则是精度越高，权重越大，其中，m为预测指定时段之前已预测过的时段个数，m为自然数；
步骤S4：对调用的N个预测结果进行融合，即在t时段，将各售电预测方法的预测结果依据权重系数w1(t)、w2(t)……wN(t)进行加权融合，以得到融合预测方法的预测结果预测结果通过计算公式实现。
2.如权利要求1所述的一种基于多模型融合的售电量预测方法，其特征在于：步骤S1中的预测方法库的售电预测方法有Logistics回归分析预测方法、ARIMA模型预测方法及支持向量机回归预测方法。
3.如权利要求2所述的一种基于多模型融合的售电量预测方法，其特征在于：在步骤S4中引入定义动态误差为ed,i(t)，利用权重系数wi(t)与动态误差ed,i(t-1)成反比例变化的方法获取初始权重系数即动态误差较大的售电预测方法给予一个较小的权重系数，动态误差较小的售电预测方法给予一个较大的权重系数；利用获得的初始权重系数计算各售电预测方法在融合预测模型中的最终权重系数wi(t)。
4.如权利要求3所述的一种基于多模型融合的售电量预测方法，其特征在于：动态误差为ed,i(t)通过获取，式中：ed,i(t)为i方法在t时段的动态误差，ed,i(t)为在t之前m个时段内i售电预测方法预测误差epre,i(t)的均值；epre,i(t)为t时段内i售电预测方法预测结果的绝对相对误。
5.如权利要求4所述的一种基于多模型融合的售电量预测方法，其特征在于：epre,i(t)通过计算获得，式中y(t)为t时刻的实测数据，为i方法在t时刻的预测值。
6.如权利要求5所述的一种基于多模型融合的售电量预测方法，其特征在于：权重系数通过计算公式获得。
7.如权利要求6所述的一种基于多模型融合的售电量预测方法，其特征在于：最终权重系数wi(t)通过计算公式获得。
8.一种基于多模型融合的售电量预测系统，应用于售电技术领域，其特征在于：该预测系统由数据采集与管理单元、单模型预测单元、多模型融合预测单元及预测方法库组成；
预测方法库由若干个基本预测方法模块组成，且每一基本预测方法模块存储一预测方法模型；
数据采集与管理单元用于获取各个待预测区域的历史售电量数据，同时还对来自基于多模型融合学习的售电量预测系统各个功能单元产生的售电量预测数据、预测误差数据及相关参数数据等进行计算、处理和存储的统一管理，并提供信息检索出口和数据调用通信接口，通过数据调用通信接口将数据信息提供给单模型预测单元和多模型融合预测单元；
单模型预测单元用于根据数据采集与管理单元提供的待预测区域的历史售电量数据，调用预测方法库中多个单一预测模型进行初步预测，并整理存储预测结果数据；
多模型融合预测单元用于根据数据采集与管理单元提供的单模型预测数据计算单模型预测单元中各单一预测模型的权重系数，然后根据各种基本预测方法的预测结果依据权重系数进行加权融合，得到融合预测方法的预测结果。
9.如权利要求8所述的一种基于多模型融合的售电量预测系统，其特征在于：预测方法库至少预存有Logistics回归分析预测模型、ARIMA预测模型及支持向量机回归预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710549692.9A CN107506845A (zh) | 2017-07-07 | 2017-07-07 | 一种基于多模型融合的售电量预测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710549692.9A CN107506845A (zh) | 2017-07-07 | 2017-07-07 | 一种基于多模型融合的售电量预测方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107506845A true CN107506845A (zh) | 2017-12-22 |
Family
ID=60679562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710549692.9A Pending CN107506845A (zh) | 2017-07-07 | 2017-07-07 | 一种基于多模型融合的售电量预测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107506845A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108492141A (zh) * | 2018-03-28 | 2018-09-04 | 联想(北京)有限公司 | 一种多模型融合的预测方法及装置 |
| CN108508372A (zh) * | 2018-04-24 | 2018-09-07 | 中南大学 | 一种基于环境视觉融合的无人驾驶电量计算和预警方法与系统 |
| CN108805623A (zh) * | 2018-06-11 | 2018-11-13 | 浙江工业大学 | 一种快销产品供给预测方法 |
| CN109002918A (zh) * | 2018-07-16 | 2018-12-14 | 国网浙江省电力有限公司经济技术研究院 | 基于果蝇优化算法-支持向量机的售电量预测方法 |
| CN109214586A (zh) * | 2018-09-27 | 2019-01-15 | 国网河南省电力公司濮阳供电公司 | 基于Holt-Winters模型的地区电网售电量预测方法 |
| CN109472648A (zh) * | 2018-11-20 | 2019-03-15 | 四川长虹电器股份有限公司 | 销量预测方法及服务器 |
| CN109509033A (zh) * | 2018-12-14 | 2019-03-22 | 重庆邮电大学 | 一种消费金融场景下的用户购买行为大数据预测方法 |
| CN110110774A (zh) * | 2019-04-28 | 2019-08-09 | 浙江工业大学 | 一种基于多模型融合的co2在离子液体中溶解度预测方法 |
| WO2020024712A1 (zh) * | 2018-08-02 | 2020-02-06 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
| CN110968628A (zh) * | 2019-11-18 | 2020-04-07 | 广东卓维网络有限公司 | 一种用于给移动终端提供电量数据的后台管理系统 |
-
2017
- 2017-07-07 CN CN201710549692.9A patent/CN107506845A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108492141A (zh) * | 2018-03-28 | 2018-09-04 | 联想(北京)有限公司 | 一种多模型融合的预测方法及装置 |
| CN108508372A (zh) * | 2018-04-24 | 2018-09-07 | 中南大学 | 一种基于环境视觉融合的无人驾驶电量计算和预警方法与系统 |
| CN108805623A (zh) * | 2018-06-11 | 2018-11-13 | 浙江工业大学 | 一种快销产品供给预测方法 |
| CN108805623B (zh) * | 2018-06-11 | 2021-08-24 | 浙江工业大学 | 一种快销产品供给预测方法 |
| CN109002918A (zh) * | 2018-07-16 | 2018-12-14 | 国网浙江省电力有限公司经济技术研究院 | 基于果蝇优化算法-支持向量机的售电量预测方法 |
| WO2020024712A1 (zh) * | 2018-08-02 | 2020-02-06 | 阿里巴巴集团控股有限公司 | 外汇交易量预测方法和装置 |
| CN109214586A (zh) * | 2018-09-27 | 2019-01-15 | 国网河南省电力公司濮阳供电公司 | 基于Holt-Winters模型的地区电网售电量预测方法 |
| CN109472648A (zh) * | 2018-11-20 | 2019-03-15 | 四川长虹电器股份有限公司 | 销量预测方法及服务器 |
| CN109509033A (zh) * | 2018-12-14 | 2019-03-22 | 重庆邮电大学 | 一种消费金融场景下的用户购买行为大数据预测方法 |
| CN109509033B (zh) * | 2018-12-14 | 2023-04-07 | 重庆邮电大学 | 一种消费金融场景下的用户购买行为大数据预测方法 |
| CN110110774A (zh) * | 2019-04-28 | 2019-08-09 | 浙江工业大学 | 一种基于多模型融合的co2在离子液体中溶解度预测方法 |
| CN110968628A (zh) * | 2019-11-18 | 2020-04-07 | 广东卓维网络有限公司 | 一种用于给移动终端提供电量数据的后台管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107506845A (zh) | 一种基于多模型融合的售电量预测方法及其系统 | |
| Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
| Jota et al. | Building load management using cluster and statistical analyses | |
| CN107563841A (zh) | 一种基于用户评分分解的推荐系统 | |
| Islam et al. | Energy demand forecasting | |
| Su et al. | A systematic data-driven Demand Side Management method for smart natural gas supply systems | |
| Lu et al. | Study on construction material allocation policies: A simulation optimization method | |
| CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
| CN107346502A (zh) | 一种基于大数据的迭代产品销售预测方法 | |
| Sadeghieh et al. | A genetic algorithm based grey goal programming (G3) approach for parts supplier evaluation and selection | |
| Lau et al. | A demand forecast model using a combination of surrogate data analysis and optimal neural network approach | |
| Xu et al. | Strategic robust mixed model assembly line balancing based on scenario planning | |
| CN109559163A (zh) | 一种基于机器学习的模型构建方法及销售预测方法 | |
| Batista e Silva et al. | Estimating demand for industrial and commercial land use given economic forecasts | |
| CN109727066A (zh) | 一种基于XGBoost算法的大工业用电用户负荷预测方法 | |
| Lam et al. | An artificial neural network and entropy model for residential property price forecasting in Hong Kong | |
| CN106204162A (zh) | 一种互联网环境下新入网电力用户用电模式预测方法 | |
| Alamsyah et al. | Artificial neural network for Indonesian tourism demand forecasting | |
| Jung et al. | Managing demand uncertainty through fuzzy inference in supply chain planning | |
| CN110751327A (zh) | 基于多元线性回归和灰色Verhulst模型的长期负荷组合预测法 | |
| Marmier et al. | Structuring and integrating human knowledge in demand forecasting: a judgemental adjustment approach | |
| Sun | Analysis of production and organisational management efficiency of Chinese family intelligent manufacturing enterprises based on IoT and machine learning technology | |
| Mahbub et al. | A neural approach to product demand forecasting | |
| CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
| Yeon et al. | Application of artificial intelligence models in water quality forecasting |
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: 20171222 |