CN107679292B - 一种基于数据挖掘的输电线路电磁环境参数预测方法 - Google Patents

一种基于数据挖掘的输电线路电磁环境参数预测方法 Download PDF

Info

Publication number
CN107679292B
CN107679292B CN201710831587.4A CN201710831587A CN107679292B CN 107679292 B CN107679292 B CN 107679292B CN 201710831587 A CN201710831587 A CN 201710831587A CN 107679292 B CN107679292 B CN 107679292B
Authority
CN
China
Prior art keywords
parameters
electromagnetic environment
electric field
nfs
power transmission
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
Application number
CN201710831587.4A
Other languages
English (en)
Other versions
CN107679292A (zh
Inventor
尹立群
郭丽娟
张玉波
张炜
吴秋莉
颜海俊
邬蓉蓉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN201710831587.4A priority Critical patent/CN107679292B/zh
Publication of CN107679292A publication Critical patent/CN107679292A/zh
Application granted granted Critical
Publication of CN107679292B publication Critical patent/CN107679292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/16—Cables, cable trees or wire harnesses

Abstract

一种基于数据挖掘的输电线路电磁环境参数预测方法，包括以下步骤：（1）收集数据；（2）划分数据；（3）分析电磁环境参数之间的关系；（4）分析空间电场以及离子流参数之间的关系；（5）分析影响电磁环境的主因素；（6）对电磁环境参数和空间电场参数进行预测。通过运用本发明的方法，可在线路设计阶段对导线线型、导线分裂间距、极间距等线路参数进一步优化，实现更为环境友好的电网发展方式。同时尽可能减小输电走廊，降低线路征地及建设成本，具有重大工程实用价值。

Description

一种基于数据挖掘的输电线路电磁环境参数预测方法
技术领域
本发明属于电力系统电磁环境防护技术领域，特别涉及一种基于数据挖掘的输电线路电磁环境参数预测方法。
背景技术
电磁环境是输电线路设计的主要考虑因素，输电线路的电磁环境的根源是线路的电晕放电。电晕放电一方面会造成电能损耗，增加输电成本；另一方面影响导线周边电磁环境，进一步干扰人们的正常生活。随着经济的不断发展和民众环境意识的增强，电磁环境问题愈加引人关注，输电线路其电磁环境问题已成为其系统设计和运行的主要制约因素。输电线路的电磁环境参数主要包括有可听噪声、无线电干扰、地面合成场强、地面离子流密度和电晕损耗。若能在线路设计阶段合理预测电磁环境参数，则可对导线线型、导线分裂间距、极间距等线路参数进一步优化，实现更为环境友好的电网发展方式；或在保证合理的电磁环境水平下，尽可能减小输电走廊，降低线路征地及建设成本。这对在建及规划中的输变电工程具有重大工程实用价值。
电磁环境参数影响因素众多，且具有明显的随机特性。当前电磁环境的模型有两个重要的不足：首先，大多数模型都是通过多元线性回归训练的，线性模型不能描述复杂的非线性模型。其次，这些模型都是针对海平面的电磁环境进行设计的，于是包含了一些潜在设定，比如标准大气压等等。
发明内容
本发明的目的是为克服已有技术的不足之处，提出一种基于数据挖掘的输电线路电磁环境参数预测方法，本方法不仅可以考虑非线性关系，还能将不同的环境参数作为模型的参量进行考虑，如海拔等，本模型能更加全面地描述电磁辐射，不仅提高其预测精度，还提高该模型的工程实用价值。为此，本发明采用的技术方案为：
一种基于数据挖掘的输电线路电磁环境参数预测方法，包括以下步骤：
S1：收集数据：所述数据包括线路基本参数、电磁环境参数和空间电场参数以及离子流参数，所述线路基本参数包括分裂导线数、子导线直径、分裂导线间距、导线平均高度和海拔，所述电磁环境参数包括电晕放电CL、无线电干扰RI和可听噪声AN，空间电场以及离子流参数包括最大标称场强NFS、最大复合电场强度MCEFI和最大离子流密度MICD；
S2：划分数据：将步骤S1收集到的数据划分为自变量和因变量两部分，其中自变量包括所述的线路基本参数，因变量包括电磁环境参数、空间电场参数和离子流参数，系统模型为：
Y＝f(X),
在上式中，X为自变量，Y为因变量；
S3：分析所述电磁环境参数之间的关系，验证RI分别与AN、CL线性相关；
S4：分析所述空间电场以及离子流参数之间的关系，验证NFS分别与MCEFI、MICD线性相关；
S5：分析影响电磁环境的主因素；
S6：对所述电磁环境参数和空间电场参数进行预测。
优选的，所述步骤S3具体为：
S31：假设所述无线电干扰RI分别与可听噪声AN、电晕放电CL不存在线性相关；
S32：假设
Figure GDA0002723674230000021
其中
Figure GDA0002723674230000022
为模型线性回归后的斜率，
Figure GDA0002723674230000023
为自变量的标准差；
S33：对t进行统计，并将统计阈值设定为95％，得出步骤S31的假设均不成立；
S34：得出结论，即RI分别与AN、CL线性相关。
优选的，所述步骤S4具体为：
S41：假设所述最大标称场强NFS分别与最大复合电场强度MCEFI、最大离子流密度MICD不存在线性相关；
S42：假设
Figure GDA0002723674230000024
其中
Figure GDA0002723674230000025
为模型线性回归后的斜率，
Figure GDA0002723674230000026
为自变量的标准差；
S43：对t进行统计，并将统计阈值设定为95％，得出步骤S41的假设均不成立；
S44：得出结论，即NFS分别与MCEFI、MICD线性相关。
优选的，所述步骤S5具体为：
S51：定义信息熵的公式为：
Figure GDA0002723674230000031
其中H为信息熵，pi是系统成为状态i的概率；
S52：定义信息增益IG的公式为：
IG(T,a)＝H(T)-H(T|a),
其中T表示一系列的训练样本，而a代表样本的其中一个参数；
S53：以RI和NFS为因变量，根据步骤S52中的式子分别计算RI和NFS所对应的信息增益，其中T表示一系列的训练样本，每一个训练样本代表一组线路基本参数，a代表训练样本的其中一个参数，具体为分裂导线数、子导线直径、分裂导线间距、导线平均高度和海拔中的一个；
S54：统计步骤S53的计算结果，归纳总结出影响无线电干扰RI和最大标称场强NFS的主要因素和次要因素。
优选的，所述步骤S6中的预测采用决策树回归方法。
优选的，所述决策树回归方法具体为：
将整个样本数据分为训练集和测试集两组，训练组占总样本的90％，测试组占总样本的10％，将训练集对决策树模型进行训练后，再利用测试集对决策树模型进行计算，得到均方误差。
优选的，所述决策树模型中每个方框中的百分比表示样本的比例，剩下的数值是相应的预测结果，在每个分割点上，左侧表示条件满足的情况，右侧则表示条件不满足的情况。
本发明的益处在于：
(1)运用本发明的预测方法，可在线路设计阶段对导线线型、导线分裂间距、极间距等线路参数进一步优化，实现更为环境友好的电网发展方式；
(2)运用本发明的预测方法，可在保证合理的电磁环境水平下，尽可能减小输电走廊，降低线路征地及建设成本，具有重大工程实用价值；
(3)本发明的预测方法，不仅可以考虑非线性关系，还能将不同的环境参数作为模型的参量进行考虑，更加全面地描述电磁辐射。从而提高其预测精度以及该模型的工程实用价值。
附图说明
图1为本发明的流程图。
图2为电磁环境参数之间的关系图。
图3为空间电场参数和离子流参数之间的关系图。
图4为无线电干扰RI的决策树模型图。
图5为最大标称场强NFS的决策树模型图。
具体实施方式
一种基于数据挖掘的输电线路电磁环境参数预测方法，如图1所示，包括以下步骤：
S1：收集数据，所述数据包括线路基本参数、电磁环境参数和空间电场参数以及离子流参数。本实施例中，主要收集±800kV直流输电线路的基本参数信息及其所对应的电磁环境参数，空间电场参数以及离子流参数。具体的参数和单位如下所示：
线路基本参数：
分裂导线数、子导线直径(cm)、分裂导线间距(cm)、极间距(m)、导线平均高度(m)、海拔(m)；
电磁环境参数：
电晕放电(CL,kW/km)、无线电干扰(RI,dB)、可听噪声(AN,dB)；
空间电场以及离子流参数：
最大标称场强(NFS,kV/cm)、最大复合电场强度(MCEFI,kV/cm)、最大离子流密度(MICD,nA/m2)。
S2：划分数据：将步骤S1收集到的数据划分为自变量和因变量两部分，其中自变量包括所述的线路基本参数，因变量包括电磁环境参数、空间电场参数和离子流参数，系统模型为
Y＝f(X),
在上式中，X为自变量，Y为因变量；
S3：分析所述电磁环境参数之间的关系，验证RI分别与AN、CL线性相关；
由上述分析可知，尽管有电晕放电CL、无线电干扰RI、可听噪声AN、最大标称场强NFS、最大复合电场强度MCEFI和最大离子流密度MICD等6个不同的因变量需要分析，但它们当中有一些是高度线性相关的。为了分析其线性相关特性，本实施例首先绘制了不同因变量之间的关系，如图2和图3所示。
图2为电磁环境参数之间的关系图。由图2可知，CL，RI和AN都有着明显的线性相关性。为了更加严密地证明这一点，本实施例使用t检测来判断这三个参量间的线性相关。即首先提出两个空假设，即RI和AN没有线性相关性以及RI和CL也没有线性相关性。通过t统计的假设，它的表达式可写为:
Figure GDA0002723674230000051
其中
Figure GDA0002723674230000052
为模型线性回归后的斜率，
Figure GDA0002723674230000053
是自变量的标准差。
最后t统计后就得到线性相关检验假设的结果，如表1所示：
表1
因变量 自变量 p值
RI CL ＜2.2e<sup>-2</sup>
RI AN ＜2.2e<sup>-2</sup>
NFS MCEFI 1.5e<sup>-4</sup>
MCEFI MICD ＜2.2e<sup>-2</sup>
由表1可知，通过设定统计阈值为95％，之前提出的两个空假设都会被否定。因此，可以判断RI与AN，RI与CL都存在线性相关。
图3为空间电场参数和离子流参数之间的关系图。由图3可知，MICD和MCEFI是线性相关的，而MCEFI和NFS之间的关系不明显。同上所述，可以采用了t检测对它们之间的关系进行判断。即假设NFS与MCEFI不存在线性相关以及NFS与MICD也不存在线性相关。t检验的结果可以从表1中得到。因此，两个假设都被否定，即NFS与MCEFI、MICD都存在线性相关。
由于显著线性相关的参量，它们理论上有着相近的模型。因此，本实施例只分析了显著线性相关参量的一部分，即只采用RI和NFS进行分析。
S5：分析影响电磁环境的主因素；
本发明采用信息增益IG作为不同因变量主因素分析的度量方法。信息增益IG是信息从一个状态到另一个状态后信息熵的变化。而信息熵H则是表示系统紊乱程度的度量，其定义为：
Figure GDA0002723674230000054
其中pi是系统成为状态i的概率。比如，一个拥有两个相等概率状态的系统，其信息熵为1，这是两态系统信息熵的最大值，也就是说，这种系统处于完全的无规律状态。
此时，信息增益IG则可以表达为：
IG(T,a)＝H(T)-H(T|a) (1)
其中T表示一系列的训练样本，而a代表训练样本的其中一个参数。更大的信息增益代表因素a可以为系统的判断带来更大的信息量，即知道a参量之后可以大大减小系统的无序程度。
根据上述对信息增益的定义，以RI和NFS为因变量，以线路基本参数值作为训练样本，而以分裂导线数、子导线直径、分裂导线间距、导线平均高度和海拔中的任一个作为这个训练样本的其中一个参数，代入式(1)进行计算统计，其结果如表2所示。
表2
Figure GDA0002723674230000061
由表2可知，分裂导线数量是影响无线电干扰RI和最大标称场强NFS的主要因素，而分裂导线间距则是影响无线电干扰RI的次要因素，导线平均高度是影响最大标称场强NFS的次要因素。
S6：采用决策树回归方法对电磁环境参数和空间电场参数进行预测。
由上述分析可知，RI与AN、CL都存在线性相关，而NFS与MCEFI、MICD也存在线性相关。由于线性相关的参量，它们理论上有着相近的模型。因此，本实施例只采用RI和NFS进行分析。
构建决策树模型时，决策树模型的每个方框中的百分比表示样本的比例，剩下的数值是相应的预测结果，在每个分割点上，左侧表示条件满足的情况，右侧则表示条件不满足的情况。
将整个样本数据分为训练集和测试集两组，训练组占总样本的90％，测试组占总样本的10％，将训练集对决策树模型进行训练后，再利用测试集对决策树模型进行计算，得到均方误差(mse)，均方误差表示了模型的性能。
无线电干扰RI的决策树模型如图4所示。正如信息增益所表明的，分裂导线数量是影响它的主要因素，即分裂导线数量的增加产生更小的无线电干扰。同时，在分裂导线数量相当的范围之内，较小的海拔将导致较少的无线电干扰。通过测试集在模型上的计算可以得出，该模型实现了2.44的均方误差。
最大标称场强NFS的决策树模型如图5所示。由图5可知，其导体的平均高度越高，分裂导线数量越多，显示的NFS强度越低，而较少的分裂导线数量意味着更大的场强。与无线电干扰决策树模型的结构相似，在一定条件下，子导线直径越小，NFS强度越高。最大标称场强的决策树模型在测试数据上实现了5.46的均方误差。

Claims (6)

1.一种基于数据挖掘的输电线路电磁环境参数预测方法，其特征在于，包括以下步骤：
S1：收集数据：所述数据包括线路基本参数、电磁环境参数和空间电场参数以及离子流参数，所述线路基本参数包括分裂导线数、子导线直径、分裂导线间距、导线平均高度和海拔，所述电磁环境参数包括电晕放电CL、无线电干扰RI和可听噪声AN，空间电场以及离子流参数包括最大标称场强NFS、最大复合电场强度MCEFI和最大离子流密度MICD；
S2：划分数据：将步骤S1收集到的数据划分为自变量和因变量两部分，其中自变量包括所述的线路基本参数，因变量包括电磁环境参数、空间电场参数和离子流参数，系统模型为：
Y＝f(X),
在上式中，X为自变量，Y为因变量；
S3：采用t统计的方法来分析所述电磁环境参数之间的关系，验证RI分别与AN、CL线性相关；
S4：采用t统计的方法来分析所述空间电场以及离子流参数之间的关系，验证NFS分别与MCEFI、MICD线性相关；
S5：采用信息增益方法来分析影响电磁环境的主因素；
S6：根据S3、S4及S5的分析结果，对所述电磁环境参数和空间电场参数进行预测；
所述步骤S6中的预测采用决策树回归方法。
2.根据权利要求1所述的一种基于数据挖掘的输电线路电磁环境参数预测方法，其特征在于，所述步骤S3具体为：
S31：假设所述无线电干扰RI分别与可听噪声AN、电晕放电CL不存在线性相关；
S32：假设
Figure FDA0002723674220000011
其中
Figure FDA0002723674220000012
为模型线性回归后的斜率，
Figure FDA0002723674220000013
为自变量的标准差；
S33：对t进行统计，并将统计阈值设定为95％，得出步骤S31的假设均不成立；
S34：得出结论，即RI分别与AN、CL线性相关。
3.根据权利要求1所述的一种基于数据挖掘的输电线路电磁环境参数预测方法，其特征在于，所述步骤S4具体为：
S41：假设所述最大标称场强NFS分别与最大复合电场强度MCEFI、最大离子流密度MICD不存在线性相关；
S42：假设
Figure FDA0002723674220000021
其中
Figure FDA0002723674220000022
为模型线性回归后的斜率，
Figure FDA0002723674220000023
为自变量的标准差；
S43：对t进行统计，并将统计阈值设定为95％，得出步骤S41的假设均不成立；
S44：得出结论，即NFS分别与MCEFI、MICD线性相关。
4.根据权利要求1所述的一种基于数据挖掘的输电线路电磁环境参数预测方法，其特征在于，所述步骤S5具体为：
S51：定义信息熵的公式为：
Figure FDA0002723674220000024
其中H为信息熵，pi是系统成为状态i的概率；
S52：定义信息增益IG的公式为：
IG(T,a)＝H(T)-H(T|a),
其中T表示一系列的训练样本，而a代表样本的其中一个参数；
S53：以RI和NFS为因变量，根据步骤S52中的式子分别计算RI和NFS所对应的信息增益，其中T表示一系列的训练样本，每一个训练样本代表一组线路基本参数，a代表训练样本的其中一个参数，具体为分裂导线数、子导线直径、分裂导线间距、导线平均高度和海拔中的一个；
S54：统计步骤S53的计算结果，归纳总结出影响无线电干扰RI和最大标称场强NFS的主要因素和次要因素。
5.根据权利要求1所述的一种基于数据挖掘的输电线路电磁环境参数预测方法，其特征在于，所述决策树回归方法具体为：
将整个样本数据分为训练集和测试集两组，训练组占总样本的90％，测试组占总样本的10％，将训练集对决策树模型进行训练后，再利用测试集对决策树模型进行计算，得到均方误差。
6.根据权利要求5所述的一种基于数据挖掘的输电线路电磁环境参数预测方法，其特征在于，所述决策树模型中每个方框中的百分比表示样本的比例，剩下的数值是相应的预测结果，在每个分割点上，左侧表示条件满足的情况，右侧则表示条件不满足的情况。
CN201710831587.4A 2017-09-15 2017-09-15 一种基于数据挖掘的输电线路电磁环境参数预测方法 Active CN107679292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710831587.4A CN107679292B (zh) 2017-09-15 2017-09-15 一种基于数据挖掘的输电线路电磁环境参数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710831587.4A CN107679292B (zh) 2017-09-15 2017-09-15 一种基于数据挖掘的输电线路电磁环境参数预测方法

Publications (2)

Publication Number Publication Date
CN107679292A CN107679292A (zh) 2018-02-09
CN107679292B true CN107679292B (zh) 2021-01-05

Family

ID=61136267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710831587.4A Active CN107679292B (zh) 2017-09-15 2017-09-15 一种基于数据挖掘的输电线路电磁环境参数预测方法

Country Status (1)

Country Link
CN (1) CN107679292B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960639B (zh) * 2018-07-09 2021-09-03 武汉瑞莱保能源技术有限公司 一种基于数据挖掘的输电线路电磁环境参数预测方法
CN110472801B (zh) * 2019-08-26 2023-04-07 南方电网科学研究院有限责任公司 直流输电线路电磁环境评估方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006301698A (ja) * 2005-04-15 2006-11-02 Yoshinao Ookawa 建設物構築方法及び建設物構築支援装置
CN102508964A (zh) * 2011-11-03 2012-06-20 国网电力科学研究院 直流输电线路地面合成电场计算方法
CN105184421A (zh) * 2015-09-28 2015-12-23 南方电网科学研究院有限责任公司 基于数据分段及模型校准的电磁环境参数预测方法
CN105740502A (zh) * 2016-01-21 2016-07-06 西安电子科技大学 一种载荷变形下的圆柱共形阵列天线电性能预测方法
CN106096748A (zh) * 2016-04-28 2016-11-09 武汉宝钢华中贸易有限公司 基于聚类分析和决策树算法的装车工时预测模型
CN106844968A (zh) * 2017-01-23 2017-06-13 国网山东省电力公司电力科学研究院 基于环境敏感目标自动识别的输变电工程电磁环境预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006301698A (ja) * 2005-04-15 2006-11-02 Yoshinao Ookawa 建設物構築方法及び建設物構築支援装置
CN102508964A (zh) * 2011-11-03 2012-06-20 国网电力科学研究院 直流输电线路地面合成电场计算方法
CN105184421A (zh) * 2015-09-28 2015-12-23 南方电网科学研究院有限责任公司 基于数据分段及模型校准的电磁环境参数预测方法
CN105740502A (zh) * 2016-01-21 2016-07-06 西安电子科技大学 一种载荷变形下的圆柱共形阵列天线电性能预测方法
CN106096748A (zh) * 2016-04-28 2016-11-09 武汉宝钢华中贸易有限公司 基于聚类分析和决策树算法的装车工时预测模型
CN106844968A (zh) * 2017-01-23 2017-06-13 国网山东省电力公司电力科学研究院 基于环境敏感目标自动识别的输变电工程电磁环境预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
多物理因素影响下的高海拔特高压直流输电线路电磁环境预测;刘磊 等;《南方电网技术》;20160930;第43-48页 *

Also Published As

Publication number Publication date
CN107679292A (zh) 2018-02-09

Similar Documents

Publication Publication Date Title
CN106908674B (zh) 一种基于多状态量预测的变压器状态评估方法
CN109873501B (zh) 一种低压配电网拓扑自动识别方法
CN110598726A (zh) 一种基于随机森林的输电杆塔鸟害风险预测方法
CN109103874B (zh) 考虑负荷特性与分布式电源接入的配电网可靠性评估方法
CN109507535B (zh) 变电站接地网运行阶段及运行寿命预测方法及装置
CN107918830B (zh) 一种基于大数据技术的配电网运行状态评估方法
CN106779171B (zh) 一种输电线路故障强送电智能决策方法
CN103323755A (zh) Gis特高频局部放电信号识别方法及系统
CN110705873A (zh) 一种新型的配电网运行状态画像分析方法
CN107679292B (zh) 一种基于数据挖掘的输电线路电磁环境参数预测方法
CN105205590A (zh) 一种变压器健康状态分析的方法和系统
CN108614192B (zh) 一种配电网雷电监测装置布点决策方法
CN108596514A (zh) 基于模糊遗传算法的电力设备混合威布尔可靠性建模方法
CN107784392A (zh) 一种基于机器学习的输电线路的缺陷预测方法及装置
Li et al. Taxonomic description for western Australian distribution medium‐voltage and low‐voltage feeders
Wang et al. Decision-making model based on conditional risks and conditional costs in power system probabilistic planning
CN111178690A (zh) 基于风控评分卡模型的用电客户窃电风险评估方法
CN105277852A (zh) 配电网线路工况分类识别方法
CN116415724A (zh) 一种光伏电站运维检修时间的预测方法及装置
CN114298188A (zh) 一种电力设备故障智能分析方法及系统
CN113298296A (zh) 一种自下而上的输电变电站日前负荷概率预测方法
CN108761175B (zh) 一种地电位升检测系统及输电线路雷击情况确定方法
CN112101653A (zh) 一种新型电气化铁路牵引负荷预测方法
Hu et al. Guaranteed load prediction for distribution network considering extreme disasters
CN110445128B (zh) 基于灵敏度的地区电网新能源消纳能力实时评估方法

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
GR01 Patent grant
GR01 Patent grant