CN111340293A - 一种基于用能分布模式识别的区域建筑能耗预测方法 - Google Patents
一种基于用能分布模式识别的区域建筑能耗预测方法 Download PDFInfo
- Publication number
- CN111340293A CN111340293A CN202010120861.9A CN202010120861A CN111340293A CN 111340293 A CN111340293 A CN 111340293A CN 202010120861 A CN202010120861 A CN 202010120861A CN 111340293 A CN111340293 A CN 111340293A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- building
- eui
- area
- curve
- 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
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 110
- 238000009826 distribution Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003909 pattern recognition Methods 0.000 title claims abstract description 7
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000009828 non-uniform distribution Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 2
- 230000003068 static effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及区域建筑能源管理的技术领域,特别是涉及一种基于用能分布模式识别的区域建筑能耗预测方法,由建筑能耗实际运行数据来提取类别化建筑能耗强度的分布模式,从而结合规划目标构建适用于规划阶段的区域建筑能耗预测方法;S1区域控制目标的确定;S2区域内建筑用能分布模式的识别;S3基于规划目标导向的控制EUI限值、以及由洛伦兹曲线提取的能耗不均等分布模式,可得某类别建筑j的预测能耗Qreg‑j即为控制EUI范围内参数EUIi在离散化建筑面积上的积分。
Description
技术领域
本发明涉及区域建筑能源管理的技术领域,特别是涉及一种基于用能分布模式识别的区域建筑能耗预测方法。
背景技术
众所周知,规划阶段自下而上的区域建筑能耗预测方法分为静态和动态两类:
静态预测方法根据规划目标、国家及地方建筑能耗定额标准选取定额指标,再结合同时使用系数和规划面积获得类别化建筑能耗,然后根据区域内类别化建筑的混合度确定最终能耗。可以看出,静态方法未考虑建筑类别内的个体能耗差异、以及这种差异分布对区域能耗的影响,其分析基础较为薄弱。
动态预测则利用建筑物理参数建立典型模型来获得某类建筑的动态负荷和能耗特征,再结合各类边界条件获得区域能耗。动态方法能够反映建筑的逐时能耗及负荷动态特征,附加边界条件及模型校验过程可提高预测精度和模型可靠性,其同时使用系数由建筑类别混合程度和动态曲线叠加确定,更有科学依据。目前,动态方法已在各生态园区的前期能源规划中获得应用。但是,由于规划阶段的建筑物理建模工作量大、不确定性强,其预测结果在地块匹配和修正时的误差较大;同时,动态预测方法建立在单一物理模型的基础上,因此在面对不同规划情景及政策变动时的响应不足。
结合调研分析,规划阶段区域层面的建筑能耗特征包括:①地块及建筑信息的不完善和不确定性。②区域能耗预测方法与控规阶段指标相关联的必要性。目前区域能源规划的编制过程限于定性分析而缺乏动态指标,无法实现对控规的指导作用。在实际应用中,表现为现有的能源规划不能为规划师提供科学的信息或有用工具,无法建立能源规划目标与控规指标的直接关系,从而限制了规划目标的落地。③类别化建筑能耗的个体差异。由于受到外因内扰不同程度的影响,中国同类型建筑的能耗水平差异很大。传统能源规划中区域建筑能耗预测采用单一能耗指标的等面积线性拓展,既不能反映能耗强度的个体差异,也无法与规划指标建立动态联系。
因此,如何科学地识别类别化建筑中单体建筑能耗强度的分布规律,并将其与规划目标和规划指标建立关联关系,是区域能耗预测的关键问题。目前已有部分研究取得了相应的成果。例如在典型物理模拟的基础上,利用Bayesian统计回归理论构造的区域能耗预测方法。这一方法建立在样本分布特征以及单一物理模型的基础上,不能满足有针对性的规划目标的实现,方法的灵活性和可移植性不足。类似研究还有基于蒙特卡罗方法的区域建筑能耗预测方法,其机理是在物理模型的参数选择层面考虑参数分布的差异性,通过大量的物理模拟来获得不同的能耗水平。以上区域模型的构建过程决定了其结果很难根据不同的规划目标灵活调整。随着大量建筑能耗监测数据的积累,龙惟定等人提出“基于能耗实测数据挖掘和EUI控制”的城区负荷及能耗预测建模思路,但尚无明确的数据支撑和可靠的预测方法。
发明内容
为解决上述技术问题,本发明提供一种基于用能分布模式识别的区域建筑能耗预测方法,由建筑能耗实际运行数据来提取类别化建筑能耗强度的分布模式,从而结合规划目标构建适用于规划阶段的区域建筑能耗预测方法。
本发明的一种基于用能分布模式识别的区域建筑能耗预测方法,包括以下步骤:
S1区域控制目标的确定:能耗强度EUI限值代表不同规划目标下的节能等级,因此需提供对应于不同建筑节能等级的参考指标,基于建筑样本能耗强度的实际分布特征,采用概率估计法计算不同累计概率下的定额水平值,作为对应于不同节能目标的能耗水平,能够与国家及地方类别化建筑能耗定额指标、统计定额水平及不同规划情景等相适应;
S2区域内建筑用能分布模式的识别:引入经济学领域的洛伦兹曲线,来量化建筑能耗强度在建筑面积上的非均衡分布模式,具体步骤如下:S21建筑能耗分布的洛伦兹曲线绘制:首先,将所有建筑样本按照其EUI大小由低到高排列;然后,按照排列顺序,计算逐个样本建筑面积s占总建筑面积St的百分比以及逐个样本建筑能耗q占总能耗Qt的百分比最后,以建筑面积累计百分比ai为横坐标,以建筑能耗累计百分比Pi为纵坐标,由光滑曲线相连各点可得建筑能耗分布洛伦兹曲线L(a);S22采用几何计算法、曲线拟合(多项式拟合等)与分布函数等方法来构造曲线L(a);S23建筑用能分布模式的提取,即识别能耗强度与建筑面积之间的非线性关系,结合洛伦兹曲线的切线特性,由拟合曲线L(a)可得曲线切线斜率:
S3基于规划目标导向的控制EUI限值、以及由洛伦兹曲线提取的能耗不均等分布模式,可得某类别建筑j的预测能耗Qreg-j即为控制EUI范围内参数EUIi在离散化建筑面积上的积分:
其中,su和sl分别为与控制EUI上限和EUI下限对应的累计建筑面积(m2),Sp-j为j类建筑的规划建筑面积(m2)。
与现有技术相比本发明的有益效果为:(1)与静态模型方法相比,本发明所提取的用能分布模式量化了建筑类别内的个体能耗差异、以及这种差异分布对区域能耗的影响,其分析基础比静态模型方法中的定额指标和单一的同时使用系数更有科学依据。
(2)与动态模型方法相比,本发明的曲线拟合、参数提取及区域能耗的非线性积分过程大大简化了能耗模拟的工作量,降低了由典型物理模型进行地块匹配时带来的不确定性和误差。
(3)传统的数据驱动模型方法建立在历史发展规律挖掘的基础上,对不同规划情景及政策变动时的响应不足。本发明基于由实际数据获取的定额水平表,能更好地结合规划目标来选定区域内的控制指标限值,从而变传统的被动预测为面向未来情景的主动控制。
(4)与既有的贝叶斯方法和蒙特卡洛数据驱动方法相比,本发明对数据维度和数据量的要求较低,能够更好地与现有建筑能耗监测平台的数据质量和数据维度对接。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例:
S1区域控制目标的确定:能耗强度EUI限值代表不同规划目标下的节能等级,因此需提供对应于不同建筑节能等级的参考指标,基于建筑样本能耗强度的实际分布特征,采用概率估计法计算不同累计概率下的定额水平值,作为对应于不同节能目标的能耗水平,能够与国家及地方类别化建筑能耗定额指标、统计定额水平及不同规划情景等相适应;
S2区域内建筑用能分布模式的识别:引入经济学领域的洛伦兹曲线,来量化建筑能耗强度在建筑面积上的非均衡分布模式,具体步骤如下:S21建筑能耗分布的洛伦兹曲线绘制:首先,将所有建筑样本按照其EUI大小由低到高排列;然后,按照排列顺序,计算逐个样本建筑面积s占总建筑面积St的百分比以及逐个样本建筑能耗q占总能耗Qt的百分比最后,以建筑面积累计百分比ai为横坐标,以建筑能耗累计百分比Pi为纵坐标,由光滑曲线相连各点可得建筑能耗分布洛伦兹曲线L(a);S22采用几何计算法、曲线拟合(多项式拟合等)与分布函数等方法来构造曲线L(a);S23建筑用能分布模式的提取,即识别能耗强度与建筑面积之间的非线性关系,结合洛伦兹曲线的切线特性,由拟合曲线L(a)可得曲线切线斜率:
S3基于规划目标导向的控制EUI限值、以及由洛伦兹曲线提取的能耗不均等分布模式,可得某类别建筑j的预测能耗Qreg-j即为控制EUI范围内参数EUIi在离散化建筑面积上的积分:
其中,su和sl分别为与控制EUI上限和EUI下限对应的累计建筑面积(m2),Sp-j为j类建筑的规划建筑面积(m2)。
如图1所示,现以北京市56栋宾馆类建筑的年电耗及建筑面积数据为例对该方法进行说明:
步骤S1:通过样本分布检测,按照概率估计法可由样本参数得定额水平表如下;
表1部分定额水平下的样本统计值
参考《GB/T 51161-2016民用建筑能耗标准》中寒冷地区A类三星宾馆及B类五星宾馆的约束值,选取定额水平QL0.25和QL0.85为目标导向的EUI上限和EUI下限:77.64kWh/(m2·a)和146.77kWh/(m2·a);
步骤S2:按照本发明所给出的方法,可得宾馆建筑能耗洛伦兹曲线的多项式拟合公式为(拟合精度为0.9994):
L(a)hotel-BJ=0.6008a+0.091a2+0.2735a3;
通过统计可知,北京市宾馆样本的总面积为2.70×106m2,总能耗为331.67GWh,则宾馆样本的能耗强度均值ηhotel-BJ为123.03kWh/(m2·a),按照本发明给出的公式(2)可得:
EUIi-hotel-BJ=ηhotel-BJL'(a)hotel-BJ=13.89s2+8.31s+73.92;
步骤S3:由上式可得控制EUI对应的样本累计建筑面积su和sl分别为:0.30×106m2和2.01×106m2;
由规划区宾馆建筑的平均容积率3.5和占地面积0.30×106m2,可得宾馆建筑的规划建筑面积Sp-j为1.05×106m2,则由给出的公式(3)可得宾馆建筑的区域能耗强度为105.41kWh/(m2·a),能耗预测值为110.68GWh。
由以上步骤得到的区域建筑能耗强度105.41kWh/(m2·a)比样本均值123.03kWh/(m2·a)小14.3%,这是考虑了建筑面积上用能分布不平均的结果,能够避免建筑能耗的重复计算,此外,该案例中EUI限值的确定方法仅供参考,实际应用时可由规划师或决策者根据规划目标、能耗标准及定额水平表等来灵活确定。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (1)
1.一种基于用能分布模式识别的区域建筑能耗预测方法,其特征在于,包括以下步骤:
S1区域控制目标的确定:能耗强度EUI限值代表不同规划目标下的节能等级,因此需提供对应于不同建筑节能等级的参考指标,基于建筑样本能耗强度的实际分布特征,采用概率估计法计算不同累计概率下的定额水平值,作为对应于不同节能目标的能耗水平,能够与国家及地方类别化建筑能耗定额指标、统计定额水平及不同规划情景等相适应;
S2区域内建筑用能分布模式的识别:引入经济学领域的洛伦兹曲线,来量化建筑能耗强度在建筑面积上的非均衡分布模式,具体步骤如下:S21建筑能耗分布的洛伦兹曲线绘制:首先,将所有建筑样本按照其EUI大小由低到高排列;然后,按照排列顺序,计算逐个样本建筑面积s占总建筑面积St的百分比以及逐个样本建筑能耗q占总能耗Qt的百分比最后,以建筑面积累计百分比ai为横坐标,以建筑能耗累计百分比Pi为纵坐标,由光滑曲线相连各点可得建筑能耗分布洛伦兹曲线L(a);S22采用几何计算法、曲线拟合(多项式拟合等)与分布函数等方法来构造曲线L(a);S23建筑用能分布模式的提取,即识别能耗强度与建筑面积之间的非线性关系,结合洛伦兹曲线的切线特性,由拟合曲线L(a)可得曲线切线斜率:
S3基于规划目标导向的控制EUI限值、以及由洛伦兹曲线提取的能耗不均等分布模式,可得某类别建筑j的预测能耗Qreg-j即为控制EUI范围内参数EUIi在离散化建筑面积上的积分:
其中,su和sl分别为与控制EUI上限和EUI下限对应的累计建筑面积(m2),Sp-j为j类建筑的规划建筑面积(m2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010120861.9A CN111340293A (zh) | 2020-02-26 | 2020-02-26 | 一种基于用能分布模式识别的区域建筑能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010120861.9A CN111340293A (zh) | 2020-02-26 | 2020-02-26 | 一种基于用能分布模式识别的区域建筑能耗预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340293A true CN111340293A (zh) | 2020-06-26 |
Family
ID=71185728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010120861.9A Pending CN111340293A (zh) | 2020-02-26 | 2020-02-26 | 一种基于用能分布模式识别的区域建筑能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340293A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114719910A (zh) * | 2022-04-22 | 2022-07-08 | 一方设计集团有限公司 | 办公建筑独立房间能耗分析方法及系统 |
CN117455204A (zh) * | 2023-12-25 | 2024-01-26 | 浙江浙能能源服务有限公司 | 一种基于建筑负荷的区域能源优化方法及系统 |
-
2020
- 2020-02-26 CN CN202010120861.9A patent/CN111340293A/zh active Pending
Non-Patent Citations (2)
Title |
---|
YIBO CHEN,HONGWEI TAN,UMBERTO BERARDI: "A data-driven approach for building energy benchmarking using the Lorenz curve", 《ENERGY & BUILDING》 * |
陈义波等: "杭州市公共建筑能耗定额研究", 《建筑科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114719910A (zh) * | 2022-04-22 | 2022-07-08 | 一方设计集团有限公司 | 办公建筑独立房间能耗分析方法及系统 |
CN117455204A (zh) * | 2023-12-25 | 2024-01-26 | 浙江浙能能源服务有限公司 | 一种基于建筑负荷的区域能源优化方法及系统 |
CN117455204B (zh) * | 2023-12-25 | 2024-04-09 | 浙江浙能能源服务有限公司 | 一种基于建筑负荷的区域能源优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Assessing environmental performance in early building design stage: An integrated parametric design and machine learning method | |
Liu et al. | Enhancing building energy efficiency using a random forest model: A hybrid prediction approach | |
Ding et al. | Benchmark analysis of electricity consumption for complex campus buildings in China | |
CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
Zhao et al. | Case-based reasoning approach for supporting building green retrofit decisions | |
Liu et al. | Energy-saving potential prediction models for large-scale building: A state-of-the-art review | |
Zhu et al. | Uncertainty and sensitivity analysis of cooling and heating loads for building energy planning | |
CN111400371A (zh) | 一种基于电压相关性校验的户变关系识别方法 | |
JP6581490B2 (ja) | 空調パラメータ生成装置、空調運用評価装置、空調パラメータ生成方法およびプログラム | |
Guo et al. | Prediction of heating and cooling loads based on light gradient boosting machine algorithms | |
Li et al. | An integrated building energy performance evaluation method: From parametric modeling to GA-NN based energy consumption prediction modeling | |
CN111340293A (zh) | 一种基于用能分布模式识别的区域建筑能耗预测方法 | |
Mohammed et al. | A regression-based model for estimating the energy consumption of school facilities in Saudi Arabia | |
CN110046744A (zh) | 基于趋势预测的能耗数据预警方法及相关设备 | |
Nazir et al. | Energy consumption predictions by genetic programming methods for PCM integrated building in the tropical savanna climate zone | |
Yang et al. | Energy use intensity estimation method based on façade features | |
Su et al. | Energy benchmarking analysis of subway station with platform screen door system in China | |
CN109670729A (zh) | 一种顶板含水层富水性评价方法 | |
Wang et al. | The influence and adjust method of hyperparameters’ prior distributions in Bayesian calibration for building stock energy prediction | |
CN108280534A (zh) | 一种气井产量递减率预测方法 | |
De Jaeger et al. | Quantifying uncertainty propagation for the district energy demand using realistic variations on input data | |
CN103136597A (zh) | 基于统计指标对公司经营的决策支持系统及其使用方法 | |
CN103049658A (zh) | 一种建筑节能评估方法 | |
Di Giuseppe | A parametric building design tool for assessing energy savings and life cycle costs | |
Hu et al. | Research on ACO-BP based prediction method of the oilfield production stimulation results |
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 |