CN109474069A - 一种分布式发电站状态监测方法 - Google Patents
一种分布式发电站状态监测方法 Download PDFInfo
- Publication number
- CN109474069A CN109474069A CN201811063751.2A CN201811063751A CN109474069A CN 109474069 A CN109474069 A CN 109474069A CN 201811063751 A CN201811063751 A CN 201811063751A CN 109474069 A CN109474069 A CN 109474069A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- distributed power
- value
- carries out
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000010248 power generation Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000005611 electricity Effects 0.000 claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 230000005856 abnormality Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000004744 fabric Substances 0.000 claims abstract description 5
- 238000012550 audit Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H02J13/0017—
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种分布式发电站状态监测方法，包括以下步骤：M1，实时监测分布式发电站的发电数据信息；M2，根据分布式发电站覆盖范围，统计分布式发电站的供电需求数据信息；M3，对步骤M1以及步骤M2中的数据进行数据整理，以时序为主，编号为辅进行数据排序；M4，以步骤M3的数据进行预测计算，计算未来时间段或未来1‑3天的预计供求电量；M5，经过预测时间，对比上时间段预测电量与当前监测电量的数据差，对步骤M4计算进行修正；M6，若步骤M5中数据出现大偏差则进行异常标记，通告值班人员进行异常排除；M7，对异常处理结果进行审核，并记录步骤M4中，方便异常预测。
Description
技术领域
本发明涉及分布式发电站监测管理领域，具体涉及一种布式发电站状态监测方法。
背景技术
太阳能是最易获得的清洁能源。近来年，随着环境问题的日益严重和我国政府的政策支持，分布式光伏发电在电力系统中的比例越来越大。光伏发电可利用戈壁、山区、居民楼屋顶等平面空间铺设光伏太阳能电池板进行发电，方便快捷。大型分布式电源也日益增多。然而随着分布式光伏并网问题也日益突出。首先，分布式光伏设备受表面灰尘、环境温度、直射角度以及风速等因素的影响，受环境影响较大，光伏板故障率较高，传统的监控设备未能获取以上的所有环境参数，因此对光伏设备的监控并不全面。其次，光伏板和逆变器设备会有自然老化，目前尚未有对光伏发电设备进行状态评估和全生命周期管理研究。光伏板和逆变器等设备多数仅进行电参数监控，其他环境状态参数只能依靠人工检修获得，劳动强度大，效率较低。
中国公开专利号CN 107727145 A，公开日2018年2月23日，发明名称一种基于物联网的分布式电源状态监测装明公开一种基于物联网的分布式电源状态监测装置。该发明装置包括前端采集单元和后台监控终端。前端采集单元用于获取分布式电源工作状态和气象环境信息；后台终端实时记录前端采集单元获取的数据，并结合分布式电源电气监测数据和分布式电源设备台账数据，对分布式电源进行状态监测和全生命周期评估；通过对分布式电源故障数据集的学习、训练，评估分布式电源的健康状态和对故障进行预判。本发明通过采用物联网技术可以实现分布式电源实时状态监测和故障预警，对分布式电源友好并网和可靠运行提供了有效的技术支撑手段。
但是其不足之处是没有说明具体预测手段，只有写到大数据收集方法，以及常规的传感器应用办法。
发明内容
本发明是针对现有大数据状态下，对分布式发电站生命周期以及异常发生进行预测而提出了一种分布式发电站状态监测方法。
一种分布式发电站状态监测方法，包括以下步骤：
M1，实时监测分布式发电站的发电数据信息；
M2，根据分布式发电站覆盖范围，统计分布式发电站的供电需求数据信息；
M3，对步骤M1以及步骤M2中的数据进行数据整理，以时序为主，编号为辅进行数据排序；
M4，以步骤M3的数据进行预测计算，计算未来时间段或未来1-3天的预计供求电量；
M5，经过预测时间，对比上时间段预测电量与当前监测电量的数据差，对步骤M4计算进行修正；
M6，若步骤M5中数据出现大偏差则进行异常标记，通告值班人员进行异常排除；
M7，对异常处理结果进行审核，并记录步骤M4中，方便异常预测。
作为优选，所述的步骤M4包括以下子步骤：
A1，检测数据生成时间关系，如果发生时序错误则进行修正；
A2，判断数据时序状态下生成的时序图的平稳性，如果数据平稳则跳转步骤A4；
A3，对时序数据进行对数以及差分运算，并跳转回步骤A2；
A4，判断是否为白噪声序列，是白噪声则结束此次数据预测，否则跳转执行步骤A5；
A5，将时序数据带入预测计算模型内；
A6，对使用参数进行估计，并校验预测计算模型；
A7，检验步骤A6中的验预测计算模型的合理性，不合理则跳转步骤A5重新带入时序数据；
A8，利用校验预测计算模型进行一段及以上数据预测，并结束步骤。
数据挖掘与统计分析的内容应包括但不限于以下几个方面：
a)全区域发用电电力电量统计；
b)全区域发用电功率统计；
c)全区域损失电量统计；
d)所有逆变器发电量统计；
e)所有逆变器损失电量统计；
f)所有逆变器功率、升压变功率统计；
g)所有逆变器等设备运行状态统计：正常运行时间、故障时间等；
h)事件告警信息的次数、频率、持续时间等；
i)对采集冗余数据及区域发电出力关联性，进行状态估计，实现不合理值告警及纠正建议；
j)电压偏差、频率、三相不平衡度，谐波等监测采集结果应该能在终端上进行自定义时段合格率情况统计分析；
k)支持集中式、分区域、分供区及任意节点组合的任意时段的电力电量统计。
系统可在公共连接点、并网点、电源项目、电源项目群等多层面上自动、定期归集汇总统计信息、生成独立的日、周、季、年报；用户能够定义新增数据点，能自动完成数据计算、统计、告警等，具备求和，求平均，取最大值最小值等逻辑判别功能。
作为优选，所述的步骤A5包括以下子步骤：
B1，使用BIC渐进法则来对模型定阶；
B2，设定其中p为自回归阶数，q为互动平均阶数，n为时间序列个数，为模型残差方差的估计值，并且设定模型定阶的最高值为L；
B3，增加(p+q)使得BIC(p，q)达到最小值时，得到模型的阶数；
B4，对模型数据进行相关矩估算法，估算模型参数；
B5，利用barlett定理构造检验统计量Q对模型噪声序列进行验证。
根据负荷、社会、经济、气象、行业特征、消费习惯等历史数据，寻求负荷与各种相关因素之间的内在联系，从而对未来的负荷进行科学预测。在监控系统中可以提供短期负荷预测：日前负荷预测(预测1-7天)和实时负荷预测(预测接下来两小时)。
作为优选，所述的步骤M5包括中大偏差的定义根据预测的数据不同有不同定义，
预测未来1-3个小时为单位的电量时，大偏差定义为实际监测值与预测值差值占预测值31.5％；
预测未来1-3个天为单位的电量时，大偏差定义为实际监测值与预测值差值占预测值3.5％。
可以根据预测值与实际监测值来判断分布式发电站数据异常从而找到异常分布式发电站并对异常进行排除。
作为优选，所述的步骤M6包括以下子步骤：
C1，区分发电量预测值与监测值出现大偏差或用电量与监测值出现大偏差，用电量与监测值出现大偏差则跳转步骤C6；
C2，检索所有上个时间段进行电量预测的分布式发电站预测值与当前监测值的差值；
C3，排列出符合异常条件的分布式发电站，并对监测数据进行分析，如果通过监测数据分析出异常种类，则跳转步骤C4，否则跳转步骤C5；
C4，根据异常种类，安排人员进行异常排除；
C5，对异常分布式发电站进行断网处理，并安排冗余分布式发电站或电网进行补充，安排人员进行异常排除；
C6，根据异常数据值安排分布式发电站冗余情况，并安排人员对异常供电区域进行调查；
C7，对异常调查结果进行数据整理并记录为异常处理办法。
本发明的实质性效果在于通过对比预测值与监测值来寻找异常，方便对分布式发电站发电设备的监管，从而减少人员检修次数，减小维护成本。
附图说明
图1，本发明预测流程图；
具体实施方式
下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体说明。
实施例1
如图1所示，所述的一种分布式发电站状态监测方法，包括以下步骤：
M1，实时监测分布式发电站的发电数据信息；
M2，根据分布式发电站覆盖范围，统计分布式发电站的供电需求数据信息；
M3，对步骤M1以及步骤M2中的数据进行数据整理，以时序为主，编号为辅进行数据排序；
M4，以步骤M3的数据进行预测计算，计算未来时间段或未来1-3天的预计供求电量；
M5，经过预测时间，对比上时间段预测电量与当前监测电量的数据差，对步骤M4计算进行修正；
M6，若步骤M5中数据出现大偏差则进行异常标记，通告值班人员进行异常排除；
M7，对异常处理结果进行审核，并记录步骤M4中，方便异常预测。
所述的步骤M4包括以下子步骤：
A1，检测数据生成时间关系，如果发生时序错误则进行修正；
A2，判断数据时序状态下生成的时序图的平稳性，如果数据平稳则跳转步骤A4；
A3，对时序数据进行对数以及差分运算，并跳转回步骤A2；
A4，判断是否为白噪声序列，是白噪声则结束此次数据预测，否则跳转执行步骤A5；
A5，将时序数据带入预测计算模型内；
A6，对使用参数进行估计，并校验预测计算模型；
A7，检验步骤A6中的验预测计算模型的合理性，不合理则跳转步骤A5重新带入时序数据；
A8，利用校验预测计算模型进行一段及以上数据预测，并结束步骤。
数据挖掘与统计分析的内容应包括但不限于以下几个方面：
a)全区域发用电电力电量统计；
b)全区域发用电功率统计；
c)全区域损失电量统计；
d)所有逆变器发电量统计；
e)所有逆变器损失电量统计；
f)所有逆变器功率、升压变功率统计；
g)所有逆变器等设备运行状态统计：正常运行时间、故障时间等；
h)事件告警信息的次数、频率、持续时间等；
i)对采集冗余数据及区域发电出力关联性，进行状态估计，实现不合理值告警及纠正建议；
j)电压偏差、频率、三相不平衡度，谐波等监测采集结果应该能在终端上进行自定义时段合格率情况统计分析；
k)支持集中式、分区域、分供区及任意节点组合的任意时段的电力电量统计；
系统可在公共连接点、并网点、电源项目、电源项目群等多层面上自动、定期归集汇总统计信息、生成独立的日、周、季、年报；用户能够定义新增数据点，能自动完成数据计算、统计、告警等，具备求和，求平均，取最大值最小值等逻辑判别功能。
所述的步骤A5包括以下子步骤：
B1，使用BIC渐进法则来对模型定阶；
B2，设定其中p为自回归阶数，q为互动平均阶数，n为时间序列个数，为模型残差方差的估计值，并且设定模型定阶的最高值为L；
B3，增加(p+q)使得BIC(p，q)达到最小值时，得到模型的阶数；
B4，对模型数据进行相关矩估算法，估算模型参数；
B5，利用barlett定理构造检验统计量Q对模型噪声序列进行验证。
根据负荷、社会、经济、气象、行业特征、消费习惯等历史数据，寻求负荷与各种相关因素之间的内在联系，从而对未来的负荷进行科学预测；在监控系统中可以提供短期负荷预测：日前负荷预测(预测1-7天)和实时负荷预测(预测接下来两小时)。
所述的步骤M5包括中大偏差的定义根据预测的数据不同有不同定义，预测未来1-3个小时为单位的电量时，大偏差定义为实际监测值与预测值差值占预测值31.5％；
预测未来1-3个天为单位的电量时，大偏差定义为实际监测值与预测值差值占预测值3.5％。
可以根据预测值与实际监测值来判断分布式发电站数据异常从而找到异常分布式发电站并对异常进行排除。
所述的步骤M6包括以下子步骤：
C1，区分发电量预测值与监测值出现大偏差或用电量与监测值出现大偏差，用电量与监测值出现大偏差则跳转步骤C6；
C2，检索所有上个时间段进行电量预测的分布式发电站预测值与当前监测值的差值；
C3，排列出符合异常条件的分布式发电站，并对监测数据进行分析，如果通过监测数据分析出异常种类，则跳转步骤C4，否则跳转步骤C5；
C4，根据异常种类，安排人员进行异常排除；
C5，对异常分布式发电站进行断网处理，并安排冗余分布式发电站或电网进行补充，安排人员进行异常排除；
C6，根据异常数据值安排分布式发电站冗余情况，并安排人员对异常供电区域进行调查；
C7，对异常调查结果进行数据整理并记录为异常处理办法。
Claims (5)
1.一种分布式发电站状态监测方法，其特征在于，包括以下步骤：
M1，实时监测分布式发电站的发电数据信息；
M2，根据分布式发电站覆盖范围，统计分布式发电站的供电需求数据信息；
M3，对步骤M1以及步骤M2中的数据进行数据整理，以时序为主，编号为辅进行数据排序；
M4，以步骤M3的数据进行预测计算，计算未来时间段或未来1-3天的预计供求电量；
M5，经过预测时间，对比上时间段预测电量与当前监测电量的数据差，对步骤M4计算进行修正；
M6，若步骤M5中数据出现大偏差则进行异常标记，通告值班人员进行异常排除；
M7，对异常处理结果进行审核，并记录步骤M4中，方便异常预测。
2.根据权利要求1所述的一种分布式发电站状态监测方法，其特征在于，所述的步骤M4包括以下子步骤：
A1，检测数据生成时间关系，如果发生时序错误则进行修正；
A2，判断数据时序状态下生成的时序图的平稳性，如果数据平稳则跳转步骤A4；
A3，对时序数据进行对数以及差分运算，并跳转回步骤A2；
A4，判断是否为白噪声序列，是白噪声则结束此次数据预测，否则跳转执行步骤A5；
A5，将时序数据带入预测计算模型内；
A6，对使用参数进行估计，并校验预测计算模型；
A7，检验步骤A6中的验预测计算模型的合理性，不合理则跳转步骤A5重新带入时序数据；
A8，利用校验预测计算模型进行一段及以上数据预测，并结束步骤。
3.根据权利要求2所述的一种分布式发电站状态监测方法，其特征在于，所述的步骤A5包括以下子步骤：
B1，使用BIC渐进法则来对模型定阶；
B2，设定其中p为自回归阶数，q为互动平均阶数，n为时间序列个数，为模型残差方差的估计值，并且设定模型定阶的最高值为L；
B3，增加(p+q)使得BIC(p，q)达到最小值时，得到模型的阶数；
B4，对模型数据进行相关矩估算法，估算模型参数；
B5，利用barlett定理构造检验统计量Q对模型噪声序列进行验证。
4.根据权利要求1所述的一种分布式发电站状态监测方法，其特征在于，所述的步骤M5包括中大偏差的定义根据预测的数据不同有不同定义，
预测未来1-3个小时为单位的电量时，大偏差定义为实际监测值与预测值差值占预测值31.5％；
预测未来1-3个天为单位的电量时，大偏差定义为实际监测值与预测值差值占预测值3.5％。
5.根据权利要求1所述的一种分布式发电站状态监测方法，其特征在于，所述的步骤M6包括以下子步骤：
C1，区分发电量预测值与监测值出现大偏差或用电量与监测值出现大偏差，用电量与监测值出现大偏差则跳转步骤C6；
C2，检索所有上个时间段进行电量预测的分布式发电站预测值与当前监测值的差值；
C3，排列出符合异常条件的分布式发电站，并对监测数据进行分析，如果通过监测数据分析出异常种类，则跳转步骤C4，否则跳转步骤C5；
C4，根据异常种类，安排人员进行异常排除；
C5，对异常分布式发电站进行断网处理，并安排冗余分布式发电站或电网进行补充，安排人员进行异常排除；
C6，根据异常数据值安排分布式发电站冗余情况，并安排人员对异常供电区域进行调查；
C7，对异常调查结果进行数据整理并记录为异常处理办法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811063751.2A CN109474069B (zh) | 2018-09-12 | 2018-09-12 | 一种分布式发电站状态监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811063751.2A CN109474069B (zh) | 2018-09-12 | 2018-09-12 | 一种分布式发电站状态监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109474069A true CN109474069A (zh) | 2019-03-15 |
| CN109474069B CN109474069B (zh) | 2022-04-12 |
Family
ID=65664554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811063751.2A Active CN109474069B (zh) | 2018-09-12 | 2018-09-12 | 一种分布式发电站状态监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109474069B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115865992A (zh) * | 2023-03-02 | 2023-03-28 | 中国建材检验认证集团湖南有限公司 | 一种智慧水利在线监测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160224702A1 (en) * | 2015-01-30 | 2016-08-04 | State Grid Corporation Of China | Method of calculating voltage and power of large-scaled photovoltaic power plant |
| CN106374831A (zh) * | 2016-09-26 | 2017-02-01 | 国电南瑞科技股份有限公司 | 一种带有发电预测的分布式光伏监控系统及监控方法 |
| CN106845845A (zh) * | 2017-01-23 | 2017-06-13 | 中国电力科学研究院 | 一种光伏发电多级联合状态评估系统及评估方法 |
| CN108493989A (zh) * | 2018-03-22 | 2018-09-04 | 河海大学 | 一种大规模光伏、风电发电并网系统的发电监控及负荷分配方法 |
-
2018
- 2018-09-12 CN CN201811063751.2A patent/CN109474069B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160224702A1 (en) * | 2015-01-30 | 2016-08-04 | State Grid Corporation Of China | Method of calculating voltage and power of large-scaled photovoltaic power plant |
| CN106374831A (zh) * | 2016-09-26 | 2017-02-01 | 国电南瑞科技股份有限公司 | 一种带有发电预测的分布式光伏监控系统及监控方法 |
| CN106845845A (zh) * | 2017-01-23 | 2017-06-13 | 中国电力科学研究院 | 一种光伏发电多级联合状态评估系统及评估方法 |
| CN108493989A (zh) * | 2018-03-22 | 2018-09-04 | 河海大学 | 一种大规模光伏、风电发电并网系统的发电监控及负荷分配方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115865992A (zh) * | 2023-03-02 | 2023-03-28 | 中国建材检验认证集团湖南有限公司 | 一种智慧水利在线监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109474069B (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109214552A (zh) | 基于集成学习光伏预测的智能运维方法 | |
| Upadhyay et al. | A review on configurations, control and sizing methodologies of hybrid energy systems | |
| Abiri-Jahromi et al. | Optimized midterm preventive maintenance outage scheduling of thermal generating units | |
| CN109462223A (zh) | 一种基于大数据的电能质量与可靠性分析方法 | |
| CN103018611B (zh) | 一种基于电流分解的非侵入式负载监测方法及系统 | |
| Mohan et al. | Solar energy disaggregation using whole-house consumption signals | |
| Refaat et al. | Reliability evaluation of smart grid system with large penetration of distributed energy resources | |
| Sarwat et al. | Reliability assessment of grid connected solar inverters in 1.4 mw pv plant from anomalous classified real field data | |
| Hanna et al. | Reliability evaluation for microgrids using cross-entropy Monte Carlo simulation | |
| CN109474069A (zh) | 一种分布式发电站状态监测方法 | |
| CN109543993B (zh) | 分析光伏电站的方法、计算机存储介质及计算机设备 | |
| Hanna | Optimal investment in microgrids to mitigate power outages from public safety power shutoffs | |
| Khwaja et al. | Short-term individual electric vehicle charging behavior prediction using long short-term memory networks | |
| Ahamed et al. | Optimization of Hybrid Microgrid of Renewable Energy Efficiency Using Homer Software | |
| Ashoornezhad et al. | Optimal Battery Energy Storage Placement in PV-connected Network Considering Uncertainty | |
| KR20180120363A (ko) | 태양광 발전상태에 관한 빅데이터 수집 및 관리를 통해서 통합 ｅｍｓ 서비스를 제공하는 방법 | |
| CN116054736A (zh) | 一种基于大数据的光伏电站故障预警和信息诊断系统 | |
| Das et al. | Techno economic feasibility analysis of hybrid energy system | |
| Elkholy et al. | Impact of time resolution averaging analysis on integrated photovoltaic with office buildings and grid interaction metrics: Case study | |
| Rodway et al. | Prediction of voltage related power quality values from a small renewable energy installation | |
| Roy et al. | Photovoltaic Inverter Failure Mechanism Estimation Using Unsupervised Machine Learning and Reliability Assessment | |
| Afzaal et al. | Weibull distribution model for the characterization of aggregate load patterns | |
| Felgner et al. | Design of distributed energy systems: Role and requirements of modeling and simulation | |
| Pasetti et al. | Impact of the measurement time resolution on energy key performance indicators for distributed energy resources: An experimental analysis | |
| do Nascimento Ricardo et al. | A framework for comparing the economic performance and associated emissions of grid-connected battery storage systems in existing building stock: A NYISO case study |
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 |