CN110263407A - 基于物联网与大数据的地铁环控节能云模型构建方法 - Google Patents

基于物联网与大数据的地铁环控节能云模型构建方法 Download PDF

Info

Publication number
CN110263407A
CN110263407A CN201910510874.4A CN201910510874A CN110263407A CN 110263407 A CN110263407 A CN 110263407A CN 201910510874 A CN201910510874 A CN 201910510874A CN 110263407 A CN110263407 A CN 110263407A
Authority
CN
China
Prior art keywords
subway
energy conservation
layer
data
big data
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.)
Withdrawn
Application number
CN201910510874.4A
Other languages
English (en)
Inventor
张静
郭靖
卢志强
魏建香
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.)
Nanjing Post and Telecommunication University
Original Assignee
Nanjing Post and Telecommunication 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 Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201910510874.4A priority Critical patent/CN110263407A/zh
Publication of CN110263407A publication Critical patent/CN110263407A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Remote Sensing (AREA)

Abstract

本发明公开了一种基于物联网与大数据的地铁环控节能云模型构建方法，包括如下步骤：步骤1：构建地铁节能云平台，所述云平台包括数据采集层、存储层和计算层；步骤2：建立地铁环控节能云模型；步骤3：利用预测结果对地铁环控节能情况进行分析并作出调整。本发明采用云平台下大数据技术与物联网的结合，实现了地铁环控系统的智能管理；提出运用机器学习算法，将人工智能与地铁大数据结合，实现分析与预测；大数据平台的使用，可对数据流进行实时分析处理。

Description

基于物联网与大数据的地铁环控节能云模型构建方法
技术领域
本发明涉及地铁环控节能领域，具体涉及一种基于物联网技术与大数据学习的地铁环控节能模型构建方法。
背景技术
目前优化设计地铁环控系统主要策略有环境整体节能控制策略，通过主机群控、变频调速、恒温室变风量控制、变压差变流量控制、变温差的模糊控制等方法实现环控系统的整体节能控制，节能效果显著；基于逻辑控制、场景控制、时间及事件控制等多种控制方式结合可视化软件集中管理的智能控制方案，实现经济高效的地铁照明控制；运行特性随负荷的变化而变化的排热风机智能控制方式以及利用智能模糊控制方法,从空调风系统、水系统、主机群控三方面对地铁环控进行整体优化控制；但是由于目前技术限制以及已建设地铁的条件，实现方法多以人工控制为主，虽然可一定程度上降低能耗，但是可能会增加人工投入，并且调节方法已经验为主，未必能符合当下实际情况的变化。因此，在信息化与工业化两化融合的时代，在云计算与大数据支持下，我们提出一种基于物联网与大数据的地铁智能云平台，应用人工智能成果建立智能信息化集成系统，解决复杂控制的难题，更好地为乘客人性化服务。
发明内容
发明目的：本发明所要解决的技术问题是克服现有技术的不足，提供一种基于物联网技术与大数据学习的地铁环控节能云模型构建方法，结合物联网技术与大数据学习技术，构建地铁环控节能云模型，解决地铁环控系统的复杂控制问题。利用大数据学习技术定量分析此系统的节能效果，该模型能够较好的实现对地铁环控系统的动态控制，一定程度上达到节能的目的。
技术方案：基于物联网与大数据的地铁环控节能云模型构建方法，包括如下步骤：
步骤1：构建地铁节能云平台，所述云平台包括数据采集层、存储层和计算层；
步骤2：建立地铁环控节能云模型；
步骤3：利用预测结果对地铁环控节能情况进行分析并作出调整。
所述步骤2中，地铁环控节能云模型包括地铁负荷模型、稳态模型、神经网络模型和动态预测模型。
所述地铁负荷模型具体包括如下内容：
地铁环控系统由若干个子系统构成，每个设备每小时平均总功率为
其中，αi为每个影响因素的权重，并且∑αi＝1，Ei(t)为此时系统的功率；
子系统功耗为：
其中，ni为系统设备个数，为该设备每小时平均功耗；则系统总功耗为：
E总＝∑fi(x)Ei总
其中，fi(x)为各个系统与总功耗之间的函数关系。
所述稳态模型为：
Ws＝Wc(t)+Wr(t)
其中，Ws为人体适宜数值；W(t)与Wr(t)是随时间变化的函数，分别代表实时情况下外界因素的影响以及车内设备输出强度。
所述神经网络模型的建立具体包括如下内容：
1)根据地铁负荷模型的特性，建立RBF神经网络模型；所述RBF神经网络包括一个输入层、一个隐含层和一个输出层；
2)设输入层的输入为X＝[x1,x2,…,xn]，实际输出为Y＝[y1,y2,…,yp]；输入层实现从X→Ri(X)的非线性映射，输出层实现从Ri(X)→yk的线性映射，输出层第k个神经元网络输出为
其中：n为输入层节点数；m为隐含层节点数；p为输出层节点数；wik为隐含层第i个神经元与输出层第k个神经元的连接权值；Ri(X)为隐含层第i个神经元的作用函数，即：
Ri(X)＝exp(-||X-Ci||2/2σi 2),i＝1,…,m
其中：X为n维输入向量；Ci为第i个基函数的中心，与X具有相同维数的向量；σi为第i个基函数的宽度；m为感知单元的个数；||X-Ci||为向量X-Ci的范数，表示X与Ci之间的距离；对于给定的输入，只有一小部分靠近X的中心被激活；
3)首先初始化网络及学习参数；其次确定Ci、σi和wik，其中，采用最小均方差误差测度准则对RBF连接权进行修正；最后训练网络，直到满足学习要求；
4)确定Ci、wik后，求出给定某一输入时，网络对应的输出值。
进一步的，所述动态预测模型的建立包括：利用历史监测数据进行在线学习和实时预测，再将预测值代入稳态模型，动态预测未来时刻的线路负载所需数据，具体包括如下内容：
1)将各类已处理的相关数据当作训练集；
2)选出测试集和训练集，对神经网络进行创建、训练和仿真测试，随机自动生成地图上的坐标；
3)再预测此坐标的值作图。
预测算法具体包括如下步骤：
S1：对训练数据进行归一化,使数据的均值为0,方差为1,为归一化后训练集的变化范围之和；
S2：用合理的历史数据集训练神经网络，使之具有优良的特性；
S3：当新样本数据持续输入时，重复S2和S3，并将预测得数据加入历史数据集，完成神经网络的动态训练和动态预测；
S4：通过对预测数据进行反归一化，得到预测结果。
和现有技术相比，本发明具有如下显著进步：(1)云平台下大数据技术与物联网的结合，实现了地铁环控系统的智能管理；(2)提出运用机器学习算法，将人工智能与地铁大数据结合，实现分析与预测；(3)大数据平台的使用对数据流进行实时分析处理。
附图说明
图1为本发明的动态预测算法流程图。
具体实施方式
下面结合附图和具体实施例，对本发明的技术方案做详细说明。
一种基于物联网技术与大数据学习的地铁环控节能云模型的构建方法，包括如下步骤：
S1：构建提出地铁节能云平台，云平台主要包括数据采集层、存储层和计算层；
S2：建立地铁环控节能云模型，具体步骤为：
S21：地铁负荷模型的建立
地铁环控系统由若干个子系统构成，每个设备每小时平均总功率为
其中，αi为每个影响因素的权重，并且∑αi＝1，Ei(t)为此时系统的功率；
子系统功耗为：
其中，ni为系统设备个数，为该设备每小时平均功耗；则系统总功耗为：
E总＝∑fi(x)Ei总
其中fi(x)为各个系统与总功耗之间的函数关系。
S22：稳态模型的建立
为达到人体最舒适的状态，车厢温湿度与光照等条件保持一定的恒量最为合适，由此我们建立稳态模型如下：
Ws＝Wc(t)+Wr(t)
其中，Ws为人体适宜数值；W(t)与Wr(t)是随时间变化的函数，分别代表实时情况下外界因素的影响以及车内设备输出强度。
S23：神经网络模型建立
RBF神经网络具有很强的逼近能力、分类能力和学习速度。其工作原理是把网络看成对未知函数的逼近，任何函数都可以表示成一组基函数的加权和，也即选择各隐层神经元的传输函数，使之构成一组基函数来逼近未知函数。因此根据地铁负荷模型的特性，建立RBF神经网络模型。
RBF神经网络由一个输入层、一个隐含层和一个输出层构成。设输入层的输入为X＝[x1,x2,…,xn]，实际输出为Y＝[y1,y2,…,yp]。输入层实现从X→Ri(X)的非线性映射，输出层实现从Ri(X)→yk的线性映射，输出层第k个神经元网络输出为
其中：n为输入层节点数；m为隐含层节点数；p为输出层节点数；wik为隐含层第i个神经元与输出层第k个神经元的连接权值；Ri(X)为隐含层第i个神经元的作用函数，即：
Ri(X)＝exp(-||X-Ci||2/2σi 2),i＝1,…,m
其中：X为n维输入向量；Ci为第i个基函数的中心，与X具有相同维数的向量；σi为第i个基函数的宽度；m为感知单元的个数(隐含层节点数)；||X-Ci||为向量X-Ci的范数，它通常表示X与Ci之间的距离。对于给定的输入，只有一小部分靠近X的中心被激活。当确定了RBF网络的聚类中心Ci、权值wik后，可求出给定某一输入时，网络对应的输出值。
在RBF网络中，隐层执行的是一种固定不变的非线性变换，Ci、σi、wik需通过学习和训练确定，算法步骤如下：
Step1：初始化网络及学习参数
Step2：确定基函数的中心Ci；
Step3：确定基函数的宽度σi；
Step4：确定从隐含层到输出层的连接权值wik，RBF连接权的修正可以采用最小均方差误差测度准则进行。
Step5：训练网络，直到满足学习要求；
S24：动态预测模型的建立
提出基于神经网络的动态预测模型，利用气温、风速、负荷等历史监测数据来进行在线学习和实时预测，再将气象和负荷的预测值代入稳态模型，动态预测未来时刻的线路负载等需要数据。
首先把各类已处理过相关数据当作训练集，其次选出测试集和训练集，对神经网络进行创建、训练、仿真测试，随机自动生成地图上的坐标，最后再预测此坐标的值作图；流程如图1所示。
算法步骤如下：
Step1：对训练数据进行归一化,使数据的均值为0,方差为1,为归一化后训练集的变化范围之和；
Step2：用合理的历史数据集训练神经网络，使之具有优良的特性。
Step3：当新样本数据持续输入时，重复Step2和Step3，并将预测得数据加入历史数据集，完成神经网络的动态训练和动态预测。
Step4：通过对预测数据进行反归一化,得到预测结果。
S3：利用预测结果对地铁环控节能情况进行分析并作出调整。

Claims (7)

1.基于物联网与大数据的地铁环控节能云模型构建方法，其特征在于，包括如下步骤：
步骤1：构建地铁节能云平台，所述云平台包括数据采集层、存储层和计算层；
步骤2：建立地铁环控节能云模型；
步骤3：利用预测结果对地铁环控节能情况进行分析并作出调整。
2.根据权利要求1所述的基于物联网与大数据的地铁环控节能云模型构建方法，其特征在于：步骤2中，所述地铁环控节能云模型包括地铁负荷模型、稳态模型、神经网络模型和基于神经网络的动态预测模型。
3.根据权利要求2所述的基于物联网与大数据的地铁环控节能云模型构建方法，其特征在于，所述地铁负荷模型具体包括如下内容：
地铁环控系统由若干个子系统构成，每个设备每小时平均总功率为
其中，αi为每个影响因素的权重，并且∑αi＝1，Ei(t)为此时系统的功率；
子系统功耗为：
其中，ni为系统设备个数，为该设备每小时平均功耗；则系统总功耗为：
E总＝∑fi(x)Ei总
其中，fi(x)为各个系统与总功耗之间的函数关系。
4.根据权利要求2所述的基于物联网与大数据的地铁环控节能云模型构建方法，其特征在于，所述稳态模型为：
Ws＝Wc(t)+Wr(t)
其中，Ws为人体适宜数值；W(t)与Wr(t)是随时间变化的函数，分别代表实时情况下外界因素的影响以及车内设备输出强度。
5.根据权利要求2所述的基于物联网与大数据的地铁环控节能云模型构建方法，其特征在于，所述神经网络模型具体包括如下内容：
1)根据地铁负荷模型的特性，建立RBF神经网络模型；所述RBF神经网络包括一个输入层、一个隐含层和一个输出层；
2)设输入层的输入为X＝[x1,x2,…,xn]，实际输出为Y＝[y1,y2,…,yp]；输入层实现从X→Ri(X)的非线性映射，输出层实现从Ri(X)→yk的线性映射，输出层第k个神经元网络输出为
其中：n为输入层节点数；m为隐含层节点数；p为输出层节点数；wik为隐含层第i个神经元与输出层第k个神经元的连接权值；Ri(X)为隐含层第i个神经元的作用函数，即：
Ri(X)＝exp(-||X-Ci||2/2σi 2),i＝1,…,m
其中：X为n维输入向量；Ci为第i个基函数的中心，与X具有相同维数的向量；σi为第i个基函数的宽度；m为感知单元的个数；||X-Ci||为向量X-Ci的范数，表示X与Ci之间的距离；对于给定的输入，只有一小部分靠近X的中心被激活；
3)首先初始化网络及学习参数；其次确定Ci、σi和wik，其中，采用最小均方差误差测度准则对RBF连接权进行修正；最后训练网络，直到满足学习要求；
4)确定Ci、wik后，求出给定某一输入时，网络对应的输出值。
6.根据权利要求2所述的基于物联网与大数据的地铁环控节能云模型构建方法，其特征在于，动态预测模型的建立中，利用历史监测数据进行在线学习和实时预测，再将预测值代入稳态模型，动态预测未来时刻的线路负载所需数据；包括如下步骤：
1)将各类已处理的相关数据当作训练集；
2)选出测试集和训练集，对神经网络进行创建、训练和仿真测试，随机自动生成地图上的坐标；
3)再预测此坐标的值作图。
7.根据权利要求6所述的基于物联网与大数据的地铁环控节能云模型构建方法，其特征在于，动态预测算法的步骤包括：
S1：对训练数据进行归一化,使数据的均值为0,方差为1,为归一化后训练集的变化范围之和；
S2：用合理的历史数据集训练神经网络；
S3：当新样本数据持续输入时，重复S2和S3，并将预测得数据加入历史数据集，完成神经网络的动态训练和动态预测；
S4：通过对预测数据进行反归一化,得到预测结果。
CN201910510874.4A 2019-06-13 2019-06-13 基于物联网与大数据的地铁环控节能云模型构建方法 Withdrawn CN110263407A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910510874.4A CN110263407A (zh) 2019-06-13 2019-06-13 基于物联网与大数据的地铁环控节能云模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910510874.4A CN110263407A (zh) 2019-06-13 2019-06-13 基于物联网与大数据的地铁环控节能云模型构建方法

Publications (1)

Publication Number Publication Date
CN110263407A true CN110263407A (zh) 2019-09-20

Family

ID=67918037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910510874.4A Withdrawn CN110263407A (zh) 2019-06-13 2019-06-13 基于物联网与大数据的地铁环控节能云模型构建方法

Country Status (1)

Country Link
CN (1) CN110263407A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111417178A (zh) * 2020-03-17 2020-07-14 重庆大学 基于机器学习与边缘计算的工业互联网节能系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111417178A (zh) * 2020-03-17 2020-07-14 重庆大学 基于机器学习与边缘计算的工业互联网节能系统及方法
CN111417178B (zh) * 2020-03-17 2021-12-31 重庆大学 基于机器学习与边缘计算的工业互联网节能系统及方法

Similar Documents

Publication Publication Date Title
KR101875488B1 (ko) 인공지능 이용하여 냉방 시스템을 자동으로 제어하는 장치 및 방법
CN108108832B (zh) 一种基于无线传感器网络的油罐车油气泄漏智能监测系统
Liao Hybrid improved differential evolution and wavelet neural network with load forecasting problem of air conditioning
CN108419339B (zh) 基于LoRa技术的多功能LED智能路灯系统
CN106920006A (zh) 一种基于isoa‑lssvm的地铁站空调系统能耗预测方法
CN102129259B (zh) 用于砂尘环境试验风洞的基于神经网络pi的智能温度控制系统和方法
CN106779148B (zh) 一种多模型多特征融合的高速铁路沿线风速预测方法
CN107085732B (zh) 基于无线传感器网络的牛舍环境氨气智能监测系统
CN108053052B (zh) 一种油罐车油气泄漏速度智能监测系统
CN100501608C (zh) 后验控制与多传感器融合方法及中央空调节能控制装置
CN107704875A (zh) 基于改进ihcmac神经网络的建筑负荷预测方法和装置
Han et al. Energy saving of buildings for reducing carbon dioxide emissions using novel dendrite net integrated adaptive mean square gradient
CN109118020A (zh) 一种地铁车站能耗短期预测方法及其预测系统
CN113283156A (zh) 一种基于深度强化学习的地铁站空调系统节能控制方法
CN114200839B (zh) 一种耦合环境行为动态监测的办公建筑能耗智能控制模型
CN105320184A (zh) 建筑室内环境智能监控系统
Song et al. An indoor temperature prediction framework based on hierarchical attention gated recurrent unit model for energy efficient buildings
Alamin et al. An Artificial Neural Network (ANN) model to predict the electric load profile for an HVAC system
Li et al. Model predictive control strategy using encoder-decoder recurrent neural networks for smart control of thermal environment
CN114662201B (zh) 一种自然通风智能调控的寻优方法
CN107818340A (zh) 基于k值小波神经网络的二阶段空调负荷预测方法
CN107976934A (zh) 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统
CN106599495A (zh) 基于萤火虫算法优化bp神经网络的最佳滑移率识别方法
Sung et al. Creating Smart House via IoT and Intelligent Computation
CN110263407A (zh) 基于物联网与大数据的地铁环控节能云模型构建方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190920