CN109193641A - 一种基于自动拓展深度学习的三态能源控制方法 - Google Patents

一种基于自动拓展深度学习的三态能源控制方法 Download PDF

Info

Publication number
CN109193641A
CN109193641A CN201811184118.9A CN201811184118A CN109193641A CN 109193641 A CN109193641 A CN 109193641A CN 201811184118 A CN201811184118 A CN 201811184118A CN 109193641 A CN109193641 A CN 109193641A
Authority
CN
China
Prior art keywords
tri
deep learning
automatic
state energy
control method
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
Application number
CN201811184118.9A
Other languages
English (en)
Inventor
殷林飞
李晟源
赵陆林
张斌
王涛
高奇
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.)
Guangxi University
Original Assignee
Guangxi University
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 Guangxi University filed Critical Guangxi University
Priority to CN201811184118.9A priority Critical patent/CN109193641A/zh
Publication of CN109193641A publication Critical patent/CN109193641A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种基于自动拓展深度学习的三态能源控制方法，该方法能解决目前电力系统以“机组组合+经济调度+自动发电控制+机组功率分配”多时间尺度形式的调度与控制方法中难以协调的问题。本发明提出了结合调度与控制“一体化”的实时经济发电调度控制框架，利用自动拓展深度学习算法对系统进行学习，并利用松弛操作对输出结果进行处理以满足发电调度中各机组的约束。本发明提出的基于自动拓展深度学习的三态能源控制方法，能依据三态能源系统的需要对输入和输出变量的个数自动拓展，能替代传统多时间尺度形式的调度与控制算法。

Description

一种基于自动拓展深度学习的三态能源控制方法
技术领域
本发明属于电力系统发电调度与控制领域，涉及一种替代传统多时间尺度的调度与控制方法，适用于电力系统的发电调度与控制。
背景技术
随着可再生能源和分布式发电应用于智能电网，根据“欧盟资助的智能电网综合研究计划”，电力系统在未来智能电网的元胞网络体系中被分解为若干个元胞系统(子系统)。传统的经济调度和自动发电控制算法难以适应具有变化拓扑结构的未来智能电网。
此外，元胞网络体系中的许多元胞可以看成是产消者。每一个产消者都有三种状态：发电机、电力负荷或关闭的发电机。作用于发电机的传统经济调度程序，每十五分钟对系统负荷进行一次预测。由于系统负荷时刻发生扰动，传统的发电调度和控制器难以为产消者提供精确的控制指令。
为了控制元胞网络体系中的产消者，本发明提出了三态能源的概念。为了解决具有三态能源的可扩展未来智能电网的优化与控制问题，本发明提出了一种应用于元胞网络体系的可扩展的深度学习算法。传统的发电调度控制问题分为三个时间尺度：即4秒尺度的自动发电控制及发电指令调度、15分钟的经济调度和一天时间尺度的机组组合。这种多时间尺度的调度与控制方式是解耦的。然而，最终机组出力却只有一个时间尺度。针对传统的发电控制策略存在的不足(多时间尺度的优化调度算法之间存在协同问题，逆调节问题，非最优调度问题)，本发明设计出一种基于自动拓展深度学习的三态能源控制方法。三态能源控制方法采用的实时经济发电调度与控制器是一个统一时间尺度的控制器。该控制器基于可扩展深度学习算法同时为每个元胞的自动发电控制机组提供多个输出，同时将松弛算子应用于深度学习以满足自动发电装置的约束。
目前深度学习算法，特别是深度学习算法与强化学习算法、蒙特卡罗树搜索算法结合的算法在围棋方面的应用受到了诸多学者的关注，深度学习能学习数据的输入和输出关系，并且速度较快，因此能被应用于电力系统的发电调度问题中，来解决控制策略对系统的认知问题。
发明内容
本发明提出一种基于自动拓展深度学习的三态能源控制方法。该方法与传统发电调度与控制框架不同。三态能源控制方法是同时考虑“机组组合+经济调度+自动发电控制+机组功率分配”的统一时间尺度的一体化算法。基于自动拓展深度学习算法设计的控制器以频率偏差Δf和控制误差作为输入，以对机组的发电指令作为输出，无需其他的调度指令。
三态能源控制方法中设计出的神经网络，采用无监督逐层训练，整个网络可视为若干个受限玻尔兹曼机堆叠而成。各层预训练完成后，再利用有监督的学习对整个网络进行训练。网络中的神经元的数据类型均为布尔型
假定所有可见和隐含单元均为二值变量(只能取0或1)，即vm,kn∈{0,1}。系统的能量定义为
式中，Wmn为连接权重；vm和kn分别为可见元和隐含元；和μn分别为可见元m和隐含元n的偏置。此时的(v,k)的联合概率分布为
式中，归一化因子为各个隐含元的激活条件是独立的。其激活概率为
式中，激活函数为
各个可见元的激活概率为
动作的概率转换为
式中，rp为动作概率因子。而概率的状态转换为
式中，rs为概率的状态转换因子。
自动拓展深度学习的三态能源控制方法有着数据依赖的特点，即自动拓展深度学习的三态能源控制方法对系统的表征能力需要被训练。而训练的数据一方面可由传统的发电调度与控制算法产生，但在传统算法产生的数据中，含有较少系统状态非常不理想的数据。从另外一方面，为尽可能地表征系统特征，训练中使用到的数据需特地产生。
本发明提出的基于自动拓展深度学习的三态能源控制方法具有以下优点：
(1)与“机组组合+经济调度+自动发电控制+发电功率分配”传统组合式算法对比，自动拓展深度学习的三态能源控制方法能有效地解决电力系统发电控制中的调度与控制问题；
(2)自动拓展深度学习的三态能源控制方法能不断地对动态系统进行学习，并预测系统的状态，同时输出多个动作值，对系统进行实时控制；
(3)自动拓展深度学习的三态能源控制方法能同时输出多个动作值，且能满足发电调度与控制问题中多种机组约束。
附图说明
图1是本发明方法的可扩展神经网络示意图。
图2是本发明方法的三态能源负荷曲线示意图。
图3是本发明方法的实时经济发电调度与控制框架示意图。
具体实施方式
本发明提出的一种基于自动拓展深度学习的三态能源控制方法，结合附图详细说明如下：
图1是本发明方法的可扩展神经网络示意图。输入层、4个隐含层、输出层的神经元的数量分别为{ni,n1ni,n2ni,n3n0,n4n0,n0}，其中ni、n0分别为输入层和输出层的神经单元数；n1、n2、n3、n4分别为各隐含层的比例系数。当输入层扩展到(n′i+ni)个、输出层扩展到(n0′+n0)个时，各层神经元的数量变为{ni′+ni,n1(ni′+ni),n2(ni′+ni),n3(n0′+n0),n4(n0′+n0),n0′+n0}。
设计的深度学习网络，用来预测系统的频率偏差和发电指令的分配。当前状态的频率偏差Δf和控制误差作为输入，通过神经网络进行预测，输出元胞i的总发电功率指令。
图2是本发明方法的三态能源负荷曲线示意图。在元胞网络中，每个产消者都有三种形式，即发电机、负荷、关闭的发电机，可以通过发电指令对其进行控制。当某个时刻功率为正值时，产消者就为负荷，该三态能源的剩余电能增加；当功率为负值时，产消者就为发电机，该三态能源的剩余电能减少；当功率在某个时间段恒为0时，产消者就为闭合状态的发电机，该三态能源的剩余电能不变。
图3是本发明方法的实时经济发电调度与控制框架示意图。实时经济发电调度与控制器采用统一时间尺度框架，是一个多输出控制器。该控制器的输出有五种模式：
1.自动发电控制机组模式：如果三态能源是自动发电控制机组，则控制器的输出是发电指令；
2.配电模式：如果三态能源为风电或光伏电源，则控制器的输出是可控最大输出功率；
3.柔性负荷模式：如果三态能源是一个柔性负荷，则控制器的输出是可控最小输出功率；
4.非柔性负荷模式：如果三态能源是一个非柔性负荷，则控制器的输出不起作用；
5.产消者模式：如果三态能源是插电式混合动力电动汽车，则控制器的输出是可控输出功率。
此外，一个三态能源的控制模式随着这个三态能源的状态变化而变化。将目标电力系统划分为若干个元胞系统(或称为子系统、元胞网络)，每个实时经济调度与控制器对应一个元胞，对元胞的发电状态进行控制。将元胞的每个三态能源的频率偏差与控制误差作为控制器的输入，控制器的输出为三态能源指令其中ci是第i个元胞的三态能源的数量。随着三态能源数量的增加，深度学习网络将会被扩展，同时扩展的隐含元的参数会被初始化。三态能源的下一个状态(频率偏差和控制误差)将会被深度神经网络预测。动作矩阵A可定义如下
其中，A有ci列，每一列na维动作向量对应一个三态能源。当对应的三态能源频率误差达到最小时，动作向量为最优动作向量。松弛操作的约束条件可以表示为：
式中，ΔPi,j表示第i个元胞的第j个发电机组在t时刻有功功率的改变量。约束函数[ΔPi,ju′j,t]可表示成：
式中，Pj,(t-1)表示第i个元胞的第j个发电机组在t-1时刻有功功率。表示第j个发电机组的最大下调量，表示第j个发电机组的最大上调量，u′j,t的取值如下：
式中，表示第j个发电机组在t-1时刻累计的运行时间，表示第j个发电机组的连续最小运行时间，表示第j个发电机组在t-1时刻累计的停机时间，表示第j个发电机组的连续最小停机时间。
利用经过离线训练的深度神经网络进行计算，能免去长时间尺度的“机组组合”和“经济调度”的调度过程。在统一时间尺度的框架下，通过深度神经网络计算出的发电指令可以满足系统有功平衡的要求。每一个实时经济发电调度与控制器的输出为三态指令，即发电指令、负荷指令、关闭指令。t+1时刻的频率偏差Δfi,(t+1)与控制误差ei,(t+1)可以通过神经网络进行预测。该神经网络的输入为t时刻的频率偏差Δfi,t与控制误差ei,t。实时经济发电调度与控制器的控制周期为4s，每个控制周期的输入和输出可以覆盖所有的状态空间。本发明采用的深度学习各隐含层的系数分别为n1＝2，n2＝3，n3＝3，n4＝2，输入的数量ni＝2，即频率偏差Δfi与控制误差ei。
基于自动拓展深度学习的三态能源控制方法的有功实时经济调度方法的特点有：
1)经过训练之后，三态能源控制方法能对电力系统状态进行较为准确的评估，且运行结果具有较小的频率偏差与控制误差，计算时间远小于控制周期，因此控制器能对电力系统进行有效控制；
2)三态能源控制方法能应用于具有变化拓扑结构的电力系统，通过对系统进行评估，同时发出多台发电机组的发电指令；
3)三态能源控制方法能有效解决“机组组合+经济调度+自动发电控制+发电功率分配”组合式算法带来的难以协调的优化和控制问题。

Claims (5)

1.一种基于自动拓展深度学习的三态能源控制方法，其特征在于，能用一种统一时间尺度的发电调度与控制框架对电力系统进行实时调度与控制；该方法在使用过程中的主要步骤为：
(1)将目标电力系统划分为若干个元胞系统(子系统)；
(2)建立统一时间尺度的能替代传统组合式算法的模型，对于每一个元胞系统，形成一个动作矩阵；
(3)存储多组传统组合式算法“机组组合+经济调度+自动发电控制+发电功率分配”的输入与输出变量的值；
(4)依据步骤(2)的模型从步骤(3)得到的数据中进行提取，采用自动拓展深度学习算法对提取到的数据进行训练；
(5)利用实时数据在自动拓展深度学习算法中进行计算，得到电力系统各个机组(三态能源)的实时发电指令。
2.如权利要求1所述的基于自动拓展深度学习的三态能源控制方法，其特征在于，所述步骤(2)中统一时间尺度的模型能替代传统组合式算法的模型，并且能同时容纳传统“机组组合+经济调度+自动发电控制+发电功率分配”的输入和输出关系；基于深度学习算法所设计的控制器以频率偏差Δf和控制误差作为输入，以对三态能源的发电指令作为输出，无需另外的调度指令。
3.如权利要求1所述的基于自动拓展深度学习的三态能源控制方法，其特征在于，所述步骤(3)中存储多组传统组合式算法的输入与输出变量的值；在一个具体的例子中，可以是某互联电网1年的海量运行数据。
4.如权利要求1所述的基于自动拓展深度学习的三态能源控制方法，其特征在于，所述步骤(4)提取的数据能对深度学习算法进行离线训练；由本发明提出的基于自动拓展深度学习的三态能源控制方法正是用在实际系统之前进行离线的预训练。
5.如权利要求1所述的基于自动拓展深度学习的三态能源控制方法，其特征在于，所述步骤(5)中实时计算能满足各个机组的约束，又能使得整体在频率偏差最小的情况下最经济。
CN201811184118.9A 2018-10-11 2018-10-11 一种基于自动拓展深度学习的三态能源控制方法 Pending CN109193641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811184118.9A CN109193641A (zh) 2018-10-11 2018-10-11 一种基于自动拓展深度学习的三态能源控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811184118.9A CN109193641A (zh) 2018-10-11 2018-10-11 一种基于自动拓展深度学习的三态能源控制方法

Publications (1)

Publication Number Publication Date
CN109193641A true CN109193641A (zh) 2019-01-11

Family

ID=64947771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811184118.9A Pending CN109193641A (zh) 2018-10-11 2018-10-11 一种基于自动拓展深度学习的三态能源控制方法

Country Status (1)

Country Link
CN (1) CN109193641A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110429652A (zh) * 2019-08-28 2019-11-08 广西大学 一种可拓展深宽度自适应动态规划的智能发电控制方法
CN111555368A (zh) * 2020-05-15 2020-08-18 广西大学 一种综合能源系统的深度生成式对抗网络调度与控制方法
CN111555297A (zh) * 2020-05-21 2020-08-18 广西大学 一种具有三态能源单元的统一时间尺度电压控制方法
CN111799820A (zh) * 2020-05-27 2020-10-20 广西大学 一种电力系统双层智能混合零星云储能对抗调控方法
CN112531741A (zh) * 2020-12-04 2021-03-19 广东电网有限责任公司电力调度控制中心 一种柔性负荷参与调频的决策方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318323A (zh) * 2014-10-13 2015-01-28 华南理工大学 一种考虑可靠性约束机组组合问题的快速调度方法
CN104967135A (zh) * 2015-07-08 2015-10-07 上海电力学院 含风电的多域时滞互联电力系统滑模负荷频率控制方法
CN108023367A (zh) * 2017-07-12 2018-05-11 甘肃省电力公司风电技术中心 一种含光热发电的混合电力系统负荷频率控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318323A (zh) * 2014-10-13 2015-01-28 华南理工大学 一种考虑可靠性约束机组组合问题的快速调度方法
CN104967135A (zh) * 2015-07-08 2015-10-07 上海电力学院 含风电的多域时滞互联电力系统滑模负荷频率控制方法
CN108023367A (zh) * 2017-07-12 2018-05-11 甘肃省电力公司风电技术中心 一种含光热发电的混合电力系统负荷频率控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LINFEI YIN等: "Relaxed deep learning for real-time economic generation dispatch and control with unified time scale", 《ENERGY》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110429652A (zh) * 2019-08-28 2019-11-08 广西大学 一种可拓展深宽度自适应动态规划的智能发电控制方法
CN111555368A (zh) * 2020-05-15 2020-08-18 广西大学 一种综合能源系统的深度生成式对抗网络调度与控制方法
CN111555368B (zh) * 2020-05-15 2022-12-06 广西大学 一种综合能源系统的深度生成式对抗网络调度与控制方法
CN111555297A (zh) * 2020-05-21 2020-08-18 广西大学 一种具有三态能源单元的统一时间尺度电压控制方法
CN111799820A (zh) * 2020-05-27 2020-10-20 广西大学 一种电力系统双层智能混合零星云储能对抗调控方法
CN111799820B (zh) * 2020-05-27 2022-07-05 广西大学 一种电力系统双层智能混合零星云储能对抗调控方法
CN112531741A (zh) * 2020-12-04 2021-03-19 广东电网有限责任公司电力调度控制中心 一种柔性负荷参与调频的决策方法及装置

Similar Documents

Publication Publication Date Title
CN109193641A (zh) 一种基于自动拓展深度学习的三态能源控制方法
Zhou et al. Multi-energy net load forecasting for integrated local energy systems with heterogeneous prosumers
Kim A supervised-learning-based strategy for optimal demand response of an HVAC system in a multi-zone office building
Tabanjat et al. Energy management hypothesis for hybrid power system of H2/WT/PV/GMT via AI techniques
Yuan et al. An efficient chaos embedded hybrid approach for hydro-thermal unit commitment problem
CN107730039A (zh) 配电网负荷预测的方法及系统
CN110429652B (zh) 一种可拓展深宽度自适应动态规划的智能发电控制方法
CN110165714A (zh) 基于极限动态规划算法的微电网一体化调度与控制方法、计算机可读存储介质
CN103904641A (zh) 基于相关均衡强化学习的孤岛微电网智能发电控制方法
Atiyha et al. An improved cost estimation for unit commitment using back propagation algorithm
CN104527637B (zh) 混合动力汽车控制方法和系统
CN113872213B (zh) 一种配电网电压自主优化控制方法及装置
Jayawardene et al. Comparison of adaptive neuro-fuzzy inference systems and echo state networks for PV power prediction
Yin et al. Expandable depth and width adaptive dynamic programming for economic smart generation control of smart grids
Yin et al. Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources
Xi et al. Multi-agent deep reinforcement learning strategy for distributed energy
Aburiyana et al. Direct net load forecasting using adaptive neuro fuzzy inference system
El Bourakadi et al. Multi-agent system based on the fuzzy control and extreme learning machine for intelligent management in hybrid energy system
Wang et al. Neural network based weighting factor selection of mpc for optimal battery and load management in mea
Ayanzadeh et al. Fossil fuel consumption prediction using emotional learning in Amygdala
Shehata et al. Particle swarm optimization: Developments and application fields
CN106779248B (zh) 一种基于极限迁移学习的电力系统经济调度分散q方法
CN113471966B (zh) 一种计及中断优先级的大工业负荷柔性调控方法
CN109149659A (zh) 一种统一时间尺度有功实时经济调控松弛深度学习方法
CN110289643B (zh) 一种拒识深度微分动态规划实时发电调度与控制算法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190111

RJ01 Rejection of invention patent application after publication