CN110492470A - 基于负荷聚类与网络等值的配电网多维典型场景生成方法 - Google Patents
基于负荷聚类与网络等值的配电网多维典型场景生成方法 Download PDFInfo
- Publication number
- CN110492470A CN110492470A CN201910630546.8A CN201910630546A CN110492470A CN 110492470 A CN110492470 A CN 110492470A CN 201910630546 A CN201910630546 A CN 201910630546A CN 110492470 A CN110492470 A CN 110492470A
- Authority
- CN
- China
- Prior art keywords
- power
- load
- distribution network
- generation
- typical scene
- 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
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
Abstract
本发明涉及配电网运行管理技术,具体涉及基于负荷聚类与网络等值的配电网多维典型场景生成方法,包括以下步骤:1、将负荷节点按照功率波动特征划分为n类,并将分布式发电分为光伏发电和风力发电2类;2、对配电网网架结构进行等值处理,简化为n+2条单节点配电网络;3、对负荷/光伏发电、风力发电等值线路压降分别进行n+1维、1维典型场景生成;4、将典型线路压降场景还原至配电网各负荷/分布式发电节点功率典型场景。该方法解决了配电网中电压分布评估困难的问题,使得分布式电源、负荷、电力电子设备等接入位置规划具有更好的效果。多维典型场景生成方法,计算能力不受节点数量的影响,能够实现大规模配电网运行状态的多维典型场景生成。
Description
技术领域
本发明属于配电网运行管理技术领域,尤其涉及基于负荷聚类与网络等值的配电网多维典型场景生成方法。
背景技术
随着现代尖端制造业的发展,用户对供电质量的要求越来越高,于此同时,分布式发电与电动汽车充电桩的大量接入,对电力系统造成较大干扰。为了更好的提高供电质量,减小分布式发电、电动汽车充电桩接入造成的影响,对配电网电压分布特征进行评估,选取最佳接入位置是十分关键且必要的。但考虑到负荷与分布式发电的波动性与随机性,配电网电压分布特征评估是十分困难的。现有的配电网电压分布评估方法大多是通过人工经验选取典型日、典型时刻进行电压特征采集,主观性强、评估结果收敛性差。而通过典型场景生成的方法进行电压分布特征评估,无法同时考虑多个负荷节点的功率波动特征,局部特征不明显,对末端设备的接入规划价值不大。因此,现有技术存在以下问题:
(1)通过典型日、典型时刻选取得到的配电电压分布特征评估结果主观性强、收敛性差、精度有限。
(2)通过典型场景生成得到的配电网电压分布特征评估结果,忽略了不同负荷之间波动规律的差异性,局部特征不明显,局限性大、适用性差。
发明内容
本发明的目的是提供一种综合考虑各节点负荷、分布式发电功率波动特征,结合其在配电网中的位置与各供电线路阻抗大小的客观准确的多维典型场景生成方法。
为实现上述目的,本发明采用的技术方案是:基于负荷聚类与网络等值的配电网多维典型场景生成方法,包括以下步骤:
步骤1、将负荷节点按照功率波动特征划分为n类,并将分布式发电分为光伏发电和风力发电2类;
步骤2、对配电网网架结构进行等值处理,简化为n+2条单节点配电网络;
步骤3、对负荷/光伏发电、风力发电等值线路压降分别进行n+1维、1维典型场景生成;
步骤4、将典型线路压降场景还原至配电网各负荷/分布式发电节点功率典型场景。
在上述的基于负荷聚类与网络等值的配电网多维典型场景生成方法中,步骤1所述负荷节点按照功率波动特征划分方法具体如下:
步骤1.1、对各节点负荷监测数据进行功率增量均值、模长归一化处理,用向量描述各负荷节点特征;
步骤1.2、以各负荷向量之间的矢量积表示相似度,并用K-means聚类方法进行类别划分;
步骤1.3、在K-means聚类外加入负荷类别数目迭代,选用典型负荷与同类负荷之间的矢量夹角均值作为收敛判据。
在上述的基于负荷聚类与网络等值的配电网多维典型场景生成方法中,步骤1所述将分布式发电分为光伏发电和风力发电2类是根据配电网区域范围较小,气象特征接近的特点,认为同类别光伏发电或风力发电输出功率特征一致。
在上述的基于负荷聚类与网络等值的配电网多维典型场景生成方法中,步骤2所述对配电网网架结构进行等值处理的方法具体如下:
步骤2.1、以线路压降不变为原则,对线路阻抗进行折算,实现负荷供电线路解耦;
步骤2.2、对同类别负荷供电线路进行合并,等值为n+2条单节点配电网络。
在上述的基于负荷聚类与网络等值的配电网多维典型场景生成方法中,步骤3所述的负荷/光伏发电节点等值线路压降n+1维典型场景生成方法具体如下:
步骤3.1、对n+2条单节点配电网络中的负荷/光伏节点进行线路压降计算,得到n+1维线路压降基础场景;
步骤3.2、以不同时刻n+1维典型负荷/光伏发电节点功率之间的欧式距离表示不同基础场景之间的距离,并用K-medoids聚类方法进行类别划分;
步骤3.3、在K-medoids聚类外加入典型场景数目迭代,选用典型场景与同类基础场景之间的平均距离作为收敛判据。
在上述的基于负荷聚类与网络等值的配电网多维典型场景生成方法中,步骤4所述的典型场景转化,是进行线路压降计算与网络结构等值的逆处理。
本发明的有益效果是:(1)将各节点的负荷功率波动数据进行K-means矢量聚类的降维处理:考虑全部节点的功率波动数据,能够更加全面具体的反映配电网电压分布实际情况;结合负荷功率波动特征的K-means矢量聚类处理将具有相同变化规律的负荷归类,并用典型负荷代表,极大的降低了计算维度与复杂性,提高了本发明在大规模配电网中的适用性。
(2)以线路压降不变为原则的配电网网络结构等值处理的分析方法:通过线路阻抗大小折算的方式,使得原本相互关联的各负荷节点实现解耦,并使得其在各段线路产生的压降大小不变,能够在保障精度的同时,极大的降低了计算、分析难度,并提高了各节点单独处理的可操作性;根据负荷聚类结果进行二次线路简化,降低了多节点配电网的数据处理难度,提高了本发明在大规模配电网中的适应性。
(3)直接使用各类负荷产生的总线路压降进行K-medoids聚类得到典型电压场景,再还原至各节点功率:直接根据线路压降情况进行典型场景生成,使得结果对于配电网电压分布评估更具典型性,精度更高;还原至各节点功率后,得到的功率典型场景,相比较传统典型场景生成方法,考虑了各节点功率波特特征,精度更高,能够适用于配电网末端设备的接入位置规划;相比较典型日、典型时刻的方法,更加客观,收敛性更好,精度也有较大提升。
附图说明
图1为本发明实施例基于负荷聚类与网络等值的多维典型场景生成方法的流程图;
图2为本发明实施例35负荷节点、1光伏节点、1风电节点配电网网架结构图;
图3为本发明实施例负荷节点类别划分及典型负荷选取方法的流程图;
图4为本发明实施例网络等值方法的流程图;
图5为本发明实施例网络等值后网架结构图;
图6为本发明实施例n+1维线路压降典型场景生成方法的流程图;
图7为本发明实施例5维线路压降典型场景生成结果图;
图8为本发明实施例典型场景转化流程图;
图9为本发明实施例37维功率典型场景生成结果图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例基于负荷聚类与网络等值的多维典型场景生成方法,是综合考虑各节点负荷、分布式发电功率波动特征,结合其在配电网中的位置与各供电线路阻抗大小的客观准确的多维典型场景生成方法。
本实施例是通过以下技术方案实现的:如图1所示,一种基于负荷聚类与网络等值的配电网多维典型场景生成方法,包括以下步骤:
第一步,将负荷节点按照功率波动特征划分为n类,并将分布式发电分为光伏发电和风力发电2类;
第二步,对配电网网架结构进行等值处理,简化为n+2条单节点配电网络;
第三步,对负荷/光伏发电、风力发电等值线路压降分别进行n+1维、1维典型场景生成;
第四步,将典型线路压降场景还原至配电网各负荷/分布式发电节点功率典型场景。
并且,所述的负荷节点类别划分方法具体如下:
①对各节点负荷监测数据进行功率增量均值、模长归一化处理,用向量描述各负荷节点特征;
②以各负荷向量之间的矢量积表示相似度,并用K-means聚类方法进行类别划分;
③在K-means聚类外加入负荷类别数目迭代,选用典型负荷与同类负荷之间的矢量夹角均值作为收敛判据。
并且,将分布式发电分为光伏发电和风力发电2类即是根据配电网区域范围较小,气象特征接近的特点,认为同类别光伏发电或风力发电输出功率特征一致。
并且,所述的配电网网架结构等值处理方法具体如下:
A.以线路压降不变为原则,对线路阻抗进行折算,实现负荷供电线路解耦;
B.对同类别负荷供电线路进行合并,等值为n+2条单节点配电网络。
并且,所述的负荷/光伏发电节点等值线路压降n+1维典型场景生成方法具体如下:
a.对n+2条单节点配电网络中的负荷/光伏节点进行线路压降计算,得到n+1维线路压降基础场景;
b.以不同时刻n+1维典型负荷/光伏发电节点功率之间的欧式距离表示不同基础场景之间的距离,并用K-medoids聚类方法进行类别划分;
c.在K-medoids聚类外加入典型场景数目迭代,选用典型场景与同类基础场景之间的平均距离作为收敛判据。
并且,所述的典型场景转化,即是进行线路压降计算与网络结构等值的逆处理。
具体实施时,图2为本实施例35负荷节点、1光伏节点、1风电节点配电网网架结构图。
如图3所示,本实施例基于负荷聚类与网络等值的多维典型场景生成方法中的负荷节点类别划分方法含有以下步骤:
步骤一,计算35个负荷8760个监测数据一天内24个采样时刻的均值,再对每个时刻数据均值与前一时刻数据相减,得到功率增量,将其看作向量并对其进行模长归一化处理;
步骤二,取初始聚类中心数目为2,并分别选取前、后12个采样时刻功率增量和最大的负荷作为初始聚类中心;
步骤三,对每个负荷按照矢量积值最大选取聚类分组,式中表示负荷功率增量向量,表示聚类中心;
步骤四,对同一聚类分组内,按照值最大,选取新的聚类中心,式中表示m类内负荷功率增量向量,表示m类内负荷功率增量向量和;
步骤五,按照式进行聚类收敛判断,式中表示前后两次聚类中心差值,n表示聚类中心数目,σS表示聚类收敛误差允许上限,实施例取值0.0001,若不满足收敛条件,返回至步骤三重新进行聚类分组,若满足收敛条件,继续步骤六计算;
步骤六,按照式进行聚类误差判断,式中σθ表示聚类结果误差允许上限,实施例取值15°,若不满足收敛条件,则继续步骤七计算,若满足收敛条件,则转至步骤八;
步骤七,聚类组别数量加1,并按照值最小选取为新的聚类中心,并返回至步骤三重新进行聚类分组;
步骤八,取聚类中心负荷当作典型负荷,对各负荷全部监测数据进行均值处理,实施例分组结果如表1所示。
表1
本实施例基于负荷聚类与网络等值的多维典型场景生成方法中的分布式发电分类,考虑到配电网区域范围较小,大气特征一致,应根据发电类型分为光伏发电和风力发电两类,本实施例中光伏发电和风力发电各有一个节点,不需要处理,对于多个同类分布式发电节点的配电网需选取出一个典型节点作为代表。
如图4所示,本实施例基于负荷聚类与网络等值的多维典型场景生成方法中的网络等值方法含有以下步骤:
S1、按照公式从母线节点依次向后续节点计算线路阻抗的折算比例,式中λjh、λij分别表示jh、ij线路段阻抗折算比例,且jh线路段在ij线路段前端,表示节点i后节点功率均值之和的共轭值,Zij表示原始配电网中ij段线路阻抗。另01线路段折算比例λ01取值为1。其折算原则是,忽略线路损耗的情况下,各负荷节点依次单独供电在各段线路上产生的压降和与初始网络相等;
S2、按照公式Z′ij=λijZij得到各供电线路的折算阻抗,并将各个节点到母线之间的线路阻抗求和,得到37条单独供电的配电线路;
S3、按照公式进行同类负荷合并等值,得到6条单节点直接供电配电网络,如图5所示,各段线路阻抗数据如表2所示。
表2
如图6所示,本实施例基于负荷聚类与网络等值的多维典型场景生成方法中的n+1维典型场景生成方法含有以下步骤:
A.按照公式进行负荷/光伏发电等值网络线路压降折算,式中U0表示母线电压,Z″0m表示等值网络线路阻抗,表示典型负荷/光伏发电节点任一采样时刻功率的共轭值;
B.选取初始聚类中心数目为n+1,实施例中即是5,并对各采样时刻数据按照距0点的欧式距离大小排序,选取第730、2190、3650、5110、6570、8030位采样时刻作为初始聚类中心;
C.对每个采样时刻按照值最小选取聚类分组,式中Ut表示等值网络中5条供电线路压降数据矩阵,表示聚类中心的5个线路压降数据矩阵;
D.对同一聚类分组内的线路压降数据取均值,得到新的聚类中心;
E.按照式进行聚类收敛判断,式中表示前后两次聚类中心差值,σU表示聚类收敛误差允许上限,实施例取值0.0001,若不满足收敛条件,返回至步骤C重新进行聚类分组,若满足收敛条件,继续步骤F计算;
F.按照式进行聚类误差判断,式中表示T类别中的线路压降数据矩阵,σΣ表示聚类结果误差允许上限,实施例取值0.05,若不满足收敛条件,则继续步骤G计算,若满足收敛条件,返回至步骤C重新进行聚类分组;
G.聚类组别数量加1,并按照值最大选取为新的聚类中心,并返回至步骤C重新进行聚类分组;
H.按照公式PT=nT/8760计算每个典型场景的发生概率,式中nT表示聚类分组内监测时间点总数。实施例中5维39个线路压降典型场景生成结果如图7所示。
本实施例基于负荷聚类与网络等值的多维典型场景生成方法中的风力发电1维典型场景生成方法与n+1维典型场景生成方法一致,且不需要进行线路压降折算,实施例中聚类收敛误差上限和聚类结果误差上限分别取值0.0001和0.1,风力发电场景生成结果如表3所示。
表3
如图8所示,本实施例基于负荷聚类与网络等值的多维典型场景生成方法中的典型场景转化方法含有以下步骤:
I.按照公式进行线路压降-功率5维典型场景转换;
II.按照公式进行典型节点-全部节点典型场景转换,36维39个典型场景如图9所示;
III.与风力发电典型场景,两两任意组合,得到37维117个典型功率场景。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式,但是本领域普通技术人员应当理解,这些仅是举例说明,可以对这些实施方式做出多种变形或修改,而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
Claims (6)
1.基于负荷聚类与网络等值的配电网多维典型场景生成方法,其特征是,包括以下步骤:
步骤1、将负荷节点按照功率波动特征划分为n类,并将分布式发电分为光伏发电和风力发电2类;
步骤2、对配电网网架结构进行等值处理,简化为n+2条单节点配电网络;
步骤3、对负荷/光伏发电、风力发电等值线路压降分别进行n+1维、1维典型场景生成;
步骤4、将典型线路压降场景还原至配电网各负荷/分布式发电节点功率典型场景。
2.如权利要求1所述的基于负荷聚类与网络等值的配电网多维典型场景生成方法,其特征是,步骤1所述负荷节点按照功率波动特征划分方法具体如下:
步骤1.1、对各节点负荷监测数据进行功率增量均值、模长归一化处理,用向量描述各负荷节点特征;
步骤1.2、以各负荷向量之间的矢量积表示相似度,并用K-means聚类方法进行类别划分;
步骤1.3、在K-means聚类外加入负荷类别数目迭代,选用典型负荷与同类负荷之间的矢量夹角均值作为收敛判据。
3.如权利要求1所述的基于负荷聚类与网络等值的配电网多维典型场景生成方法,其特征是,步骤1所述将分布式发电分为光伏发电和风力发电2类是根据配电网区域范围较小,气象特征接近的特点,认为同类别光伏发电或风力发电输出功率特征一致。
4.如权利要求1所述的基于负荷聚类与网络等值的配电网多维典型场景生成方法,其特征是,步骤2所述对配电网网架结构进行等值处理的方法具体如下:
步骤2.1、以线路压降不变为原则,对线路阻抗进行折算,实现负荷供电线路解耦;
步骤2.2、对同类别负荷供电线路进行合并,等值为n+2条单节点配电网络。
5.如权利要求1所述的基于负荷聚类与网络等值的配电网多维典型场景生成方法,其特征是,步骤3所述的负荷/光伏发电节点等值线路压降n+1维典型场景生成方法具体如下:
步骤3.1、对n+2条单节点配电网络中的负荷/光伏节点进行线路压降计算,得到n+1维线路压降基础场景;
步骤3.2、以不同时刻n+1维典型负荷/光伏发电节点功率之间的欧式距离表示不同基础场景之间的距离,并用K-medoids聚类方法进行类别划分;
步骤3.3、在K-medoids聚类外加入典型场景数目迭代,选用典型场景与同类基础场景之间的平均距离作为收敛判据。
6.如权利要求1所述的基于负荷聚类与网络等值的配电网多维典型场景生成方法,其特征是,步骤4所述的典型场景转化,是进行线路压降计算与网络结构等值的逆处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910630546.8A CN110492470B (zh) | 2019-07-12 | 2019-07-12 | 基于负荷聚类与网络等值的配电网多维典型场景生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910630546.8A CN110492470B (zh) | 2019-07-12 | 2019-07-12 | 基于负荷聚类与网络等值的配电网多维典型场景生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110492470A true CN110492470A (zh) | 2019-11-22 |
CN110492470B CN110492470B (zh) | 2022-12-06 |
Family
ID=68547119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910630546.8A Active CN110492470B (zh) | 2019-07-12 | 2019-07-12 | 基于负荷聚类与网络等值的配电网多维典型场景生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110492470B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523230A (zh) * | 2020-04-22 | 2020-08-11 | 国网能源研究院有限公司 | 一种风光负荷复合典型场景的自适应聚类方法 |
CN111682574A (zh) * | 2020-06-18 | 2020-09-18 | 国网江苏省电力有限公司电力科学研究院 | 一种交直流混联系统运行场景辨识方法、存储介质和设备 |
CN113328466A (zh) * | 2021-05-26 | 2021-08-31 | 上海电力大学 | 一种电动汽车充电场景生成方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301472A (zh) * | 2017-06-07 | 2017-10-27 | 天津大学 | 基于场景分析法和电压调节策略的分布式光伏规划方法 |
WO2018157691A1 (zh) * | 2017-02-28 | 2018-09-07 | 国网江苏省电力公司常州供电公司 | 有源配电网的安全性量化方法 |
CN109508823A (zh) * | 2018-11-06 | 2019-03-22 | 西安理工大学 | 一种基于场景分析法的配电网中分布式电源规划方法 |
-
2019
- 2019-07-12 CN CN201910630546.8A patent/CN110492470B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018157691A1 (zh) * | 2017-02-28 | 2018-09-07 | 国网江苏省电力公司常州供电公司 | 有源配电网的安全性量化方法 |
CN107301472A (zh) * | 2017-06-07 | 2017-10-27 | 天津大学 | 基于场景分析法和电压调节策略的分布式光伏规划方法 |
CN109508823A (zh) * | 2018-11-06 | 2019-03-22 | 西安理工大学 | 一种基于场景分析法的配电网中分布式电源规划方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523230A (zh) * | 2020-04-22 | 2020-08-11 | 国网能源研究院有限公司 | 一种风光负荷复合典型场景的自适应聚类方法 |
CN111523230B (zh) * | 2020-04-22 | 2023-05-26 | 国网能源研究院有限公司 | 一种风光负荷复合典型场景的自适应聚类方法 |
CN111682574A (zh) * | 2020-06-18 | 2020-09-18 | 国网江苏省电力有限公司电力科学研究院 | 一种交直流混联系统运行场景辨识方法、存储介质和设备 |
CN111682574B (zh) * | 2020-06-18 | 2021-10-15 | 国网江苏省电力有限公司电力科学研究院 | 一种交直流混联系统运行场景辨识方法、存储介质和设备 |
CN113328466A (zh) * | 2021-05-26 | 2021-08-31 | 上海电力大学 | 一种电动汽车充电场景生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110492470B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459669B (zh) | 10kV配电网单相接地故障区段定位方法 | |
CN110492470A (zh) | 基于负荷聚类与网络等值的配电网多维典型场景生成方法 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
Purba et al. | Dynamic aggregation of grid-tied three-phase inverters | |
CN107508280B (zh) | 一种配电网重构方法及系统 | |
WO2019056753A1 (zh) | 一种分布式光伏电站集群的动态等值建模方法 | |
CN110429648B (zh) | 考虑风速随机波动的小干扰稳定裕度概率评估方法 | |
CN108336739A (zh) | 一种基于rbf神经网络的概率潮流在线计算方法 | |
Jain et al. | Adaptive wavelet neural network-based fast dynamic available transfer capability determination | |
Zhang et al. | Data-driven sizing planning of renewable distributed generation in distribution networks with optimality guarantee | |
CN112865089A (zh) | 一种改进的主动配电网大规模场景分析方法 | |
CN109409575A (zh) | 基于Gap Statistic的风电场机群划分方法 | |
CN116559590A (zh) | 一种基于粒子群混合灰狼算法的高渗透率分布式光伏配电网分层故障区段定位方法 | |
CN108460177B (zh) | 一种大规模多状态串并联系统的可靠性近似计算方法 | |
Quan et al. | Spatial correlation modeling for optimal power flow with wind power: Feasibility in application of superconductivity | |
CN109742803A (zh) | 一种含分布式电源的配电网网损分摊方法 | |
CN109638892B (zh) | 一种基于改进模糊聚类算法的光伏电站等值建模方法 | |
Nababhushana et al. | Coherency identification using growing self organizing feature maps [power system stability] | |
CN108649596B (zh) | 一种适于负荷建模的电池储能系统动态模型 | |
CN108233373B (zh) | 考虑天气场景的分布式光伏接入配电网的概率谐波分析方法 | |
CN106887844B (zh) | 一种基于稀疏恢复的快速分解配电网三相状态估计方法 | |
CN112288590A (zh) | 一种富余电网资源支持气网调度的决策支持系统及方法 | |
CN109802383A (zh) | 基于聚类算法的分布式发电系统等值建模方法 | |
CN111179110A (zh) | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 | |
CN111460645A (zh) | 一种光伏系统故障建模仿真方法 |
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 |