CN111428199A - 一种基于fam-svm的配电网线损的计算方法 - Google Patents
一种基于fam-svm的配电网线损的计算方法 Download PDFInfo
- Publication number
- CN111428199A CN111428199A CN202010208030.7A CN202010208030A CN111428199A CN 111428199 A CN111428199 A CN 111428199A CN 202010208030 A CN202010208030 A CN 202010208030A CN 111428199 A CN111428199 A CN 111428199A
- Authority
- CN
- China
- Prior art keywords
- svm
- distribution network
- power distribution
- model
- calculating
- 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- Withdrawn
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000000556 factor analysis Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
Abstract
本发明提供一种基于FAM‑SVM的配电网线损的计算方法,包括:建立SVM模型所需的训练样本数据库以及对应的测试样本数据库;采用因子分析法,对训练样本数据库和测试样本数据库进行预处理;计算SVM回归模型的参数;对训练出来的模型利用均方误差和拟合优度对模型进行评价,通过将因子分析法和SVM相结合,其计算精度有了明显的提高。
Description
技术领域
本发明涉及配电网线损的统计与计算的技术领域,特别是,涉及一种基于 FAM-SVM的配电网线损的计算方法。
背景技术
目前,低压配电网结构复杂,供电方式多样,且各相电流也不平衡,是电网线损最重的部分,统计数据表明,低压配电网的线损平均占总线损的60%。因此,研究低压配电网线损计算方法及模型对电网降损节能有重要意义,然而,低压配电区域的馈线繁杂、负荷特征各异,精确计算低压配电网线损存在线路多、收集数据难等问题,针对部分配电网线路数据获取困难等问题,传统配电网线损计算方法,方法简单,易于理解,但是这些方法的计算精度往往不高。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
因此,本发明要解决的技术问题在于克服现有技术中的计算精度不高的缺陷,从而提供一种基于FAM-SVM的配电网线损的计算方法。
为解决上述技术问题,本发明提供如下技术方案:一种基于FAM-SVM的配电网线损的计算方法,包括:
建立SVM模型所需的训练样本数据库以及对应的测试样本数据库;
采用因子分析法,对训练样本数据库和测试样本数据库进行预处理;
计算SVM回归模型的参数;
对训练出来的模型利用均方误差和拟合优度对模型进行评价。
作为本发明所述一种基于FAM-SVM的配电网线损的计算方法的一种优选方案,其中:所述训练样本数据库用于训练SVM模型,使SVM模型能够精准预测配电网的线损率。
作为本发明所述一种基于FAM-SVM的配电网线损的计算方法的一种优选方案,其中:所述测试样本数据库的作用是验证或测试已经训练好的SVM模型的准确性和有效性。
作为本发明所述一种基于FAM-SVM的配电网线损的计算方法的一种优选方案,其中:上述步骤中所采用的因子分析法包括如下步骤:
计算出样本参数及其标准化之后的相关性系数矩阵;
基于上述计算结果,求出相关矩阵的特征向量和特征值;
依据特征值以及特征向量和相应的样本求出因子个数;
求取因子载荷。
作为本发明所述一种基于FAM-SVM的配电网线损的计算方法的一种优选方案,其中:利用因子分析法,选择最终提取出的对配电网线路率质变影响较大的影响因子,将这些影响因子作为SVM模型的输入变量。
作为本发明所述一种基于FAM-SVM的配电网线损的计算方法的一种优选方案,其中:对已经选出的重要影响因素进行归一化处理,目的是对配电网的异构数据进行同质化,有利于SVM模型进行学习、训练,提高其计算精度。
作为本发明所述一种基于FAM-SVM的配电网线损的计算方法的一种优选方案,其中:选择交叉验证法来计算SVM模型的参数,该方法能够精确地评估本项目模型的泛化能力,既能够避免拟合程度不够,又能够避免过度拟合,所述SVM回归模型的误差定义为:
平均误差计算公式:
计算出的平均误差值越好,则被选出的参数性能更优。
作为本发明所述一种基于FAM-SVM的配电网线损的计算方法的一种优选方案,其中:对训练出的模型利用均方误差和拟合优度对模型进行评价,其中均方误差表达式为:
拟合优度表达式为:
其中:SST表示总离差平方和;SSR表示模型回归后的方差之和,是模型的自变量对残差的影响;是R2因变量,该值越与1接近,拟合效果越好。
本发明的有益效果:
本发明提供一种基于FAM-SVM的配电网线损的计算方法,通过将因子分析法和SVM相结合,其计算精度明显高于传统算法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明算法流程图;
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
本实施例提供一种基于FAM-SVM的配电网线损的计算方法,具体如下:
1)建立SVM模型所需的训练样本数据库以及对应的测试样本数据库:
训练样本数据库用于训练SVM模型,使SVM模型能够精准预测配电网的线损率,测试数据库的作用是验证或测试已经训练好的SVM模型的准确性和有效性。
2)对训练样本数据库和测试样本数据库进行预处理:
采用因子分析法,选择对配电网线路率质变影响较大的影响因素,将这些影响因素作为SVM模型的输入变量(自变量)。然后,对已经选出的重要影响因素进行归一化处理,目的是对配电网的异构数据进行同质化,有利于SVM 模型进行学习、训练,提高其计算精度。
进一步地,因子分析法主要功能是在多个综合指标中精确寻找出对目标结果影响最大的影响指标,其具体操作思路是,通过计算多个影响指标相关性的大小,将影响指标进行分组,进而使得组内部的影响指标相关性变大而组外部的影响指标变小,每组影响指标均采用一个因子来表示其信息的重要性,这些因子的加权即为公共因子,对应变量的权重称作因子载荷。因子分析法的步骤:计算出样本参数,并计算出样本参数标准化之后的相关性系数矩阵;基于第一步的计算结果,求出相关矩阵的特征向量和特征值(这些特征向量和特征值需要和样本对应起来),然后,依据特征值以及特征向量和相应的样本求出因子个数;求取因子载荷。
具体的配网线损指标的影响因素分析如下:以某市区的95条城市配电线路为对象,分析特征参数对线损的影响因子,在充分了解该地区的线路结构特点和获取数据的便利程度之后,选定线路特征参数,见表1,由Statistics Analysis SystemS软件分析数据得出特征值对方差的贡献率,见表2。
表1
表2
从表1和表2可以看出,前三个特征值均大于1,其贡献率的和等于83%,对配电网线损率有重大影响。因此,这三个影响因素务必要作为机器学习模型的输入变量,影响因子P、S、Line_num、Load_num是重要的影响因素,它们表示配电线路首端功率对线路的贡献率,影响因子L、LR表示线路长度对配电网线损的影响。影响因子Load/line、Onestd、Max/ave、Min/min表示线路结构、负荷分布等对配电网线损的影响。三种影响因子重要性的排序分别为:P、 S、Line_num、Load_num(很重要);L、LR(重要);Load/line、Onestd、Max/ave、 Min/min(较重要)。配电网线路错综复杂,同时为了尽量减少配电网采集数据,本项目将线路首端有功供电量P、无功供电量Q、线路长度以及线路结构、负荷分布作为SVM模型的自变量,采用因子分析法,可减少SVM模型所需要的样本种类和数量,还能够提高SVM的计算精度
3)计算SVM回归模型的参数:选择交叉验证法来计算SVM模型的参数,该方法能够精确地评估本项目模型的泛化能力,既能够避免拟合程度不够,又能够避免过度拟合,SVM回归模型的误差定义为:
平均误差计算公式:
计算出的平均误差越好,则被选出的参数性能更优。
4)对训练出来的模型进行恰当的评价:
利用均方误差和拟合优度对模型进行评价,其中均方误差:
MSE越小,拟合效果越好,
拟合优度表达式为:
式中,SST表示总离差平方和;SSR表示模型回归后的方差之和,是模型的自变量对残差的影响。R2是因变量,该值越与1接近,拟合效果越好。
表3
表4
结合如上所述与表3和表4,直接采用SVM计算配电网线损的最大误差为 16.46%,平均误差为9.12%,而采用本发明的基于FAM-SVM的配电网线损的计算方法,计算误差均小于5%,最大误差为4.41%,对比可以发现FAM-SVM算法计算精度明显高于SVM的算法。
重要的是,应注意,在多个不同示例性实施方案中示出的本申请的构造和布置仅是例示性的。尽管在此公开内容中仅详细描述了几个实施方案,但参阅此公开内容的人员应容易理解,在实质上不偏离该申请中所描述的主题的新颖教导和优点的前提下,许多改型是可能的(例如,各种元件的尺寸、尺度、结构、形状和比例、以及参数值(例如,温度、压力等)、安装布置、材料的使用、颜色、定向的变化等)。例如,示出为整体成形的元件可以由多个部分或元件构成,元件的位置可被倒置或以其它方式改变,并且分立元件的性质或数目或位置可被更改或改变。因此,所有这样的改型旨在被包含在本发明的范围内。可以根据替代的实施方案改变或重新排序任何过程或方法步骤的次序或顺序。在权利要求中,任何“装置加功能”的条款都旨在覆盖在本文中所描述的执行所述功能的结构,且不仅是结构等同而且还是等同结构。在不背离本发明的范围的前提下,可以在示例性实施方案的设计、运行状况和布置中做出其他替换、改型、改变和省略。因此,本发明不限制于特定的实施方案,而是扩展至仍落在所附的权利要求书的范围内的多种改型。
此外,为了提供示例性实施方案的简练描述,可以不描述实际实施方案的所有特征(即,与当前考虑的执行本发明的最佳模式不相关的那些特征,或于实现本发明不相关的那些特征)。
应理解的是,在任何实际实施方式的开发过程中,如在任何工程或设计项目中,可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的,但对于那些得益于此公开内容的普通技术人员来说,不需要过多实验,所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于FAM-SVM的配电网线损的计算方法,其特征在于,包括:
建立SVM模型所需的训练样本数据库以及对应的测试样本数据库;
采用因子分析法,对训练样本数据库和测试样本数据库进行预处理;
计算SVM回归模型的参数;
对训练出来的模型利用均方误差和拟合优度对模型进行评价。
2.根据权利要求1所述基于FAM-SVM的配电网线损的计算方法,其特征在于:所述训练样本数据库用于训练SVM模型,使SVM模型能够精准预测配电网的线损率。
3.根据权利要求2所述基于FAM-SVM的配电网线损的计算方法,其特征在于:所述测试样本数据库的作用是验证或测试已经训练好的SVM模型的准确性和有效性。
4.根据权利要求1所述基于FAM-SVM的配电网线损的计算方法,其特征在于:上述步骤中所采用的因子分析法包括如下步骤:
计算出样本参数及其标准化之后的相关性系数矩阵;
基于上述计算结果,求出相关矩阵的特征向量和特征值;
依据特征值以及特征向量和相应的样本求出因子个数;
求取因子载荷。
5.根据权利要求4所述基于FAM-SVM的配电网线损的计算方法,其特征在于:利用因子分析法,选择最终提取出的对配电网线路率质变影响较大的影响因子,将这些影响因子作为SVM模型的输入变量。
6.根据权利要求5所述基于FAM-SVM的配电网线损的计算方法,其特征在于:对已经选出的重要影响因素进行归一化处理,目的是对配电网的异构数据进行同质化,有利于SVM模型进行学习、训练,提高其计算精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208030.7A CN111428199A (zh) | 2020-03-23 | 2020-03-23 | 一种基于fam-svm的配电网线损的计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208030.7A CN111428199A (zh) | 2020-03-23 | 2020-03-23 | 一种基于fam-svm的配电网线损的计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111428199A true CN111428199A (zh) | 2020-07-17 |
Family
ID=71549213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010208030.7A Withdrawn CN111428199A (zh) | 2020-03-23 | 2020-03-23 | 一种基于fam-svm的配电网线损的计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428199A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112834837A (zh) * | 2020-11-20 | 2021-05-25 | 国网天津市电力公司 | 基于非侵入式负荷监测的用户行为精细化分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160416A (zh) * | 2015-07-31 | 2015-12-16 | 国家电网公司 | 一种结合主元分析与神经网络的台区合理线损预测方法 |
CN105389636A (zh) * | 2015-12-11 | 2016-03-09 | 河海大学 | 一种低压台区kfcm-svr合理线损预测方法 |
CN110110887A (zh) * | 2019-03-22 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 对低压台区线损率的预测方法 |
CN110263945A (zh) * | 2019-05-22 | 2019-09-20 | 中国电力科学研究院有限公司 | 基于马尔科夫链的配电网线损处理系统 |
-
2020
- 2020-03-23 CN CN202010208030.7A patent/CN111428199A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160416A (zh) * | 2015-07-31 | 2015-12-16 | 国家电网公司 | 一种结合主元分析与神经网络的台区合理线损预测方法 |
CN105389636A (zh) * | 2015-12-11 | 2016-03-09 | 河海大学 | 一种低压台区kfcm-svr合理线损预测方法 |
CN110110887A (zh) * | 2019-03-22 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 对低压台区线损率的预测方法 |
CN110263945A (zh) * | 2019-05-22 | 2019-09-20 | 中国电力科学研究院有限公司 | 基于马尔科夫链的配电网线损处理系统 |
Non-Patent Citations (1)
Title |
---|
梁凯 等: ""基于支持向量机和因子分析法的配电网线损计算"", 《电工技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112834837A (zh) * | 2020-11-20 | 2021-05-25 | 国网天津市电力公司 | 基于非侵入式负荷监测的用户行为精细化分析方法 |
CN112834837B (zh) * | 2020-11-20 | 2022-12-09 | 国网天津市电力公司 | 基于非侵入式负荷监测的用户行为精细化分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897775B (zh) | 基于贝叶斯集成学习的软测量建模方法 | |
CN111722046B (zh) | 一种基于深度森林模型的变压器故障诊断方法 | |
CN107578149B (zh) | 一种电网企业关键数据分析方法 | |
CN110033141B (zh) | 一种脱硫系统运行工况数据库的建立方法 | |
CN110689195A (zh) | 一种电力日负荷预测方法 | |
CN111144106B (zh) | 一种不平衡数据集下的两阶段文本特征选择方法 | |
CN110309199B (zh) | 一种面向非正态分布水质观测数据的幂变换分析方法 | |
CN111338950A (zh) | 一种基于谱聚类的软件缺陷特征选择方法 | |
CN111553568A (zh) | 一种基于数据挖掘技术的线损管理方法 | |
CN111695288B (zh) | 一种基于Apriori-BP算法的变压器故障诊断方法 | |
CN117272116B (zh) | 一种基于loras平衡数据集的变压器故障诊断方法 | |
CN113205125A (zh) | 一种基于XGBoost的特高压换流阀运行状态评估方法 | |
CN112085619A (zh) | 一种用于配电网数据优化的特征选择方法 | |
CN111797887A (zh) | 一种基于密度筛选与k-均值聚类的反窃电预警方法及系统 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN111428199A (zh) | 一种基于fam-svm的配电网线损的计算方法 | |
CN116010884A (zh) | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 | |
CN109470954B (zh) | 一种基于大数据的电网运行状态监测系统及其监测方法 | |
CN111507824A (zh) | 风控模型入模变量最小熵分箱方法 | |
CN113469252A (zh) | 一种考虑不平衡样本的特高压换流阀运行状态评估方法 | |
CN116882776A (zh) | 钢铁生产节能策略设置方法、装置、电子设备及存储介质 | |
CN116975535A (zh) | 一种基于土壤环境监测数据的多参数数据分析方法 | |
Wu et al. | Optimization and improvement based on K-Means Cluster algorithm | |
CN113657106B (zh) | 基于归一化词频权重的特征选择方法 | |
Žiberna | Evaluation of direct and indirect blockmodeling of regular equivalence in valued networks by simulations |
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: 20200717 |