CN111445078A - 基于长短期记忆神经网络的综合能源系统多元负荷预测方法 - Google Patents

基于长短期记忆神经网络的综合能源系统多元负荷预测方法 Download PDF

Info

Publication number
CN111445078A
CN111445078A CN202010242549.7A CN202010242549A CN111445078A CN 111445078 A CN111445078 A CN 111445078A CN 202010242549 A CN202010242549 A CN 202010242549A CN 111445078 A CN111445078 A CN 111445078A
Authority
CN
China
Prior art keywords
neural network
energy system
long
mutual information
term memory
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
Application number
CN202010242549.7A
Other languages
English (en)
Inventor
张勇
朱旭
李晨
陈丽娟
周济
王大海
马斌
王鑫明
杨立波
时珉
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.)
State Grid Corp of China SGCC
Southeast University
State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Southeast University
State Grid Hebei Electric Power Co Ltd
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 State Grid Corp of China SGCC, Southeast University, State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010242549.7A priority Critical patent/CN111445078A/zh
Publication of CN111445078A publication Critical patent/CN111445078A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，包括以下步骤：(1)获取源荷时空序列数据的特征因子集；(2)采用互信息理论选取输入变量；(3)对上述输入变量建立预测模型，比较预测误差大小，确定最优的输入变量；(4)在选取最优输入变量集合的基础上，建立基于长短期记忆神经网络(LSTM)的综合能源系统多元负荷预测模型。本发明基于源荷时空序列数据的特征因子集，结合多特征因子有效性分析结果，研究利用长短期记忆神经网络模型，实现区域综合能源系统源荷数据日前预测；该方法有利于综合能源系统中的经济调度和优化运行，进一步减轻环境压力，提高能源利用效率。

Description

基于长短期记忆神经网络的综合能源系统多元负荷预测方法
技术领域
本发明属于电力系统技术领域，具体涉及一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法。
背景技术
21世纪以来，我国经济飞速发展，同时能源行业也发生了日新月异的变化。传统化石能源过度开采以至于面临着日益枯竭的风险，可再生能源的兴起发展，环境污染问题的日渐尖锐，因此提高对多种类型能源的综合利用效率、降低污染物的排放已成为我国构建清洁、低碳、安全、高效的现代能源体系所需要解决的关键问题。传统的能源系统中，电力系统、热力系统以及天然气系统单独规划，单独设计，独立运行，这割裂了不同类型能源之间的耦合，也在很大程度上限制了能源系统运行的灵活性。
综合能源系统(energy systems integration，ESI)作为新一代能源系统的重要组成，涵盖了供电、供热、供气及电气化交通等能源系统，集成了多种形式的供能、能量转换和储能设备，在源、网、荷等不同环节实现了不同类型能源的耦合。综合能源系统实现了多种能源子系统的统筹管理和协调规划，明晰各种能源之间的互补性以及它的可替代性提高了能源开发和利用效率，使得能源的转换和互补能够体现出经济和社会价值，不断挖掘新的潜在市场。而随着多个能源系统的耦合性增强，大规模可再生能源的接入，能源生产和消费日益市场化，这些转变对用能预测的准确性、实时性、可靠性和智能性提出了更高的要求。
传统的电力负荷预测是电力系统能量管理系统的重要组成部分。针对于电力负荷的预测方法主要包括神经网络、支持向量机、极限学习机、小波分析理论等。除此之外，还提出了时间序列预测方法以及卡尔曼滤波等方法。多元负荷预测方法充分考虑了冷、热、电负荷中多个变量的相互耦合关系，能有效提高负荷的预测精度。由此可见，多类能源的负荷预测将成为现代化综合能源系统运行和管理中的一个重要研究领域。为实现综合能源系统中多种能源的优化调度、制定能源交易计划、实现能源系统安全评估、需求侧管理等功能，需要对综合能源系统中多种类型能源的用能需求进行预测。
发明内容
发明目的：本发明提供一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，能减轻环境压力，提高能源利用效率，实现区域综合能源系统源荷数据日前预测。
技术方案：本发明所述的一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，具体包括以下步骤：
(1)获取源荷时空序列数据的特征因子集；
(2)采用互信息理论选取输入变量；
(3)设置初始特征集合为空集，对排序的输入变量集合通过前向搜索策略逐个添加变量至已选特征集合并建立预测模型，通过比较预测误差大小，确定最优的输入变量；
(4)在选取最优输入变量集合的基础上，建立基于长短期记忆神经网络的综合能源系统多元负荷预测模型。
进一步地，所述步骤(1)包括以下步骤：
(11)获取负荷数据；
(12)对步骤(11)的负荷数据进行预处理，补充缺漏的数据，剔除异常数据，得到特征因子集。
进一步地，所述步骤(2)包括以下步骤：
(21)计算待预测时刻前1时刻至前168个时刻负荷与待预测时刻的互信息值：
(22)随机变量X、Y间的互信息I(X,Y)可以定义为：
Figure BDA0002433038670000021
式中，p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数；
(23)根据步骤(21)得到的结果运用最大相关最小冗余算法选取输入变量。
进一步地，步骤(3)所述的预测误差可通过以下，公式实现：
Figure BDA0002433038670000022
式中，n为测试样本中数据样本的个数，yi和
Figure BDA0002433038670000031
分别为原样本数据和补入的数据。
进一步地，所述步骤(23)通过以下公式实现：
最大相关测度指标为：
Figure BDA0002433038670000032
式中，S是特征x的集合，c是分类目标，I(xi；c)是特征xi和类c间的互信息；
最小冗余测度指标为：
Figure BDA0002433038670000033
式中，I(xi；xj)是特征xi和特征xj间的互信息；
最大相关最小冗余(mRMR)算法标准：
Figure BDA0002433038670000034
式中，S是特征x的集合，c是分类目标，I(xi；c)是特征xi和类c间的互信息，I(xi；xj)是特征xi和特征xj间的互信息；
如果使用增量搜索方法，转化成优化问题：
Figure BDA0002433038670000035
式中，Sm-1是已选择特征xi的集合，X-Sm-1是剩下的特征空间，I(xj；c)是剩下的特征xj和类c间的互信息，I(xj,xi)是特征xj和特征xi间的互信息。
有益效果：与现有技术相比，本发明的有益效果为：1、基于源荷时空序列数据的特征因子集，结合多特征因子有效性分析结果，研究利用长短期记忆神经网络模型，实现区域综合能源系统源荷数据日前预测；2、有利于综合能源系统中的经济调度和优化运行，进一步减轻环境压力，提高能源利用效率。
附图说明
图1为本发明的流程图；
图2为输入变量互信息值；
图3为8月9日的源荷应用不同模型预测误差变化曲线图；
图4为源荷应用不同模型预测值与实际值对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明公开了一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，如图1所示，具体包括以下步骤：
1、获取源荷时空序列数据的特征因子集。获取8月9日及前一周的小时源荷数据；对历史数据进行预处理，补充缺漏的数据，剔除异常数据，得到特征因子集。
2、采用互信息理论选取输入变量。具体包括以下步骤：
(1)计算待预测时刻前1时刻至前168个时刻负荷与待预测时刻的互信息值：
随机变量X、Y间的互信息I(X,Y)可以定义为：
Figure BDA0002433038670000041
式中，p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数。
(2)运用最大相关最小冗余算法选取相关性大的输入变量：
最大相关测度指标为：
Figure BDA0002433038670000042
式中，S是特征x的集合，c是分类目标，I(xi；c)是特征xi和类c间的互信息。
最小冗余测度指标为：
Figure BDA0002433038670000043
式中，S是特征x的集合，I(xi；xj)是特征xi和特征xj间的互信息。
最大相关最小冗余(mRMR)算法标准：
Figure BDA0002433038670000051
式中，S是特征x的集合，c是分类目标，I(xi；c)是特征xi和类c间的互信息，I(xi；xj)是特征xi和特征xj间的互信息。
如果使用增量搜索方法，可以写成优化问题：
Figure BDA0002433038670000052
式中，Sm-1是已选择特征xi的集合，X-Sm-1是剩下的特征空间，I(xj；c)是剩下的特征xj和类c间的互信息，I(xj,xi)是特征xj和特征xi间的互信息。进一步，步骤(3)中，对步骤2中得到的输入变量建立预测模型，比较预测误差大小，确定最优的输入变量。
3、对上述输入变量建立预测模型，比较预测误差大小，确定最优的输入变量。具体包括以下步骤：
(1)设置初始特征集合为空集，对排序的输入变量集合通过前向搜索策略逐个添加变量至已选特征集合并建立预测模型，通过比较预测误差大小，确定最优的输入变量：
可选的，预测数据与真实数据之间的误差为平均绝对百分比误差MAPE：
Figure BDA0002433038670000053
式中，n为测试样本中数据样本的个数，yi和
Figure BDA0002433038670000054
分别为原样本数据和补入的数据。
可选的，预测数据与真实数据之间的误差为均方根误差RMSE：
Figure BDA0002433038670000055
式中，n为测试样本中数据样本的个数，yi和
Figure BDA0002433038670000056
分别为原样本数据和补入的数据。
4、在选取最优输入变量集合的基础上，建立基于长短期记忆神经网络(LSTM)的综合能源系统多元负荷预测模型。
根据步骤(4)构建的LSTM模型得到预测结果，并与BP神经网络以及支持向量机SVM的预测表现进行对比。
如图2至图4所示，图2是输入变量互信息值，在选取最优输入变量集合的基础上，即可建立基于长短期记忆网络LSTM的综合能源多元负荷日前预测模型，并与BP神经网络以及支持向量机SVM的预测表现进行对比。图3所示为不同模型对8月9日的源荷数据进行提前24h预测的结果图。具体预测曲线及误差如图4及表1所示。
表1源荷预测误差
Figure BDA0002433038670000061
由上表可示，基于长短期记忆神经网络(LSTM)方法源荷预测的MAPE和RMSE值相对较小，更为精确，提高了能源利用效率。

Claims (5)

1.一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，其特征在于，包括以下步骤：
(1)获取源荷时空序列数据的特征因子集；
(2)采用互信息理论选取输入变量；
(3)设置初始特征集合为空集，对排序的输入变量集合通过前向搜索策略逐个添加变量至已选特征集合并建立预测模型，通过比较预测误差大小，确定最优的输入变量；
(4)在选取最优输入变量集合的基础上，建立基于长短期记忆神经网络的综合能源系统多元负荷预测模型。
2.根据权利要求1所述的一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，其特征在于，所述步骤(1)包括以下步骤：
(11)获取负荷数据；
(12)对步骤(11)的负荷数据进行预处理，补充缺漏的数据，剔除异常数据，得到特征因子集。
3.根据权利要求1所述的一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，其特征在于，所述步骤(2)包括以下步骤：
(21)计算待预测时刻前1时刻至前168个时刻负荷与待预测时刻的互信息值：
(22)随机变量X、Y间的互信息I(X,Y)可以定义为：
Figure FDA0002433038660000011
式中，p(x,y)是X和Y的联合概率分布函数，p(x)和p(y)分别是X和Y的边缘概率分布函数；
(23)根据步骤(21)得到的结果运用最大相关最小冗余算法选取输入变量。
4.根据权利要求1所述的一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，其特征在于，步骤(3)所述的预测误差可通过以下，公式实现：
Figure FDA0002433038660000012
式中，n为测试样本中数据样本的个数，yi和
Figure FDA0002433038660000021
分别为原样本数据和补入的数据。
5.根据权利要求3所述的一种基于长短期记忆神经网络的综合能源系统多元负荷预测方法，其特征在于，所述步骤(23)通过以下公式实现：
最大相关测度指标为：
Figure FDA0002433038660000022
式中，S是特征x的集合，c是分类目标，I(xi；c)是特征xi和类c间的互信息；
最小冗余测度指标为：
Figure FDA0002433038660000023
式中，I(xi；xj)是特征xi和特征xj间的互信息；
最大相关最小冗余(mRMR)算法标准：
Figure FDA0002433038660000024
式中，S是特征x的集合，c是分类目标，I(xi；c)是特征xi和类c间的互信息，I(xi；xj)是特征xi和特征xj间的互信息；
如果使用增量搜索方法，转化成优化问题：
Figure FDA0002433038660000025
式中，Sm-1是已选择特征xi的集合，X-Sm-1是剩下的特征空间，I(xj；c)是剩下的特征xj和类c间的互信息，I(xj,xi)是特征xj和特征xi间的互信息。
CN202010242549.7A 2020-03-31 2020-03-31 基于长短期记忆神经网络的综合能源系统多元负荷预测方法 Pending CN111445078A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010242549.7A CN111445078A (zh) 2020-03-31 2020-03-31 基于长短期记忆神经网络的综合能源系统多元负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010242549.7A CN111445078A (zh) 2020-03-31 2020-03-31 基于长短期记忆神经网络的综合能源系统多元负荷预测方法

Publications (1)

Publication Number Publication Date
CN111445078A true CN111445078A (zh) 2020-07-24

Family

ID=71649360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010242549.7A Pending CN111445078A (zh) 2020-03-31 2020-03-31 基于长短期记忆神经网络的综合能源系统多元负荷预测方法

Country Status (1)

Country Link
CN (1) CN111445078A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101680A (zh) * 2020-09-25 2020-12-18 东北大学 基于章鱼模型的自适应长短期ies负荷预测方法
CN112149890A (zh) * 2020-09-16 2020-12-29 国网山东省电力公司经济技术研究院 基于用户用能标签的综合能源负荷预测方法及系统
CN112381664A (zh) * 2020-09-22 2021-02-19 国网新疆电力有限公司 电网短期负荷预测方法、预测装置及存储介质
CN112560898A (zh) * 2020-11-25 2021-03-26 国网浙江省电力有限公司台州供电公司 一种基于深度学习的负荷时空预测方法
CN112836884A (zh) * 2021-02-07 2021-05-25 国网福建省电力有限公司经济技术研究院 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法
CN114187059A (zh) * 2021-12-27 2022-03-15 广东工业大学 一种短期电价预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060062442A1 (en) * 2004-09-16 2006-03-23 Imaging Therapeutics, Inc. System and method of predicting future fractures
CN108694470A (zh) * 2018-06-12 2018-10-23 天津大学 一种基于人工智能的数据预测方法及装置
CN109754113A (zh) * 2018-11-29 2019-05-14 南京邮电大学 基于动态时间规整与长短时间记忆的负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060062442A1 (en) * 2004-09-16 2006-03-23 Imaging Therapeutics, Inc. System and method of predicting future fractures
CN108694470A (zh) * 2018-06-12 2018-10-23 天津大学 一种基于人工智能的数据预测方法及装置
CN109754113A (zh) * 2018-11-29 2019-05-14 南京邮电大学 基于动态时间规整与长短时间记忆的负荷预测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149890A (zh) * 2020-09-16 2020-12-29 国网山东省电力公司经济技术研究院 基于用户用能标签的综合能源负荷预测方法及系统
CN112381664A (zh) * 2020-09-22 2021-02-19 国网新疆电力有限公司 电网短期负荷预测方法、预测装置及存储介质
CN112101680A (zh) * 2020-09-25 2020-12-18 东北大学 基于章鱼模型的自适应长短期ies负荷预测方法
CN112101680B (zh) * 2020-09-25 2024-02-09 东北大学 基于章鱼模型的自适应长短期ies负荷预测方法
CN112560898A (zh) * 2020-11-25 2021-03-26 国网浙江省电力有限公司台州供电公司 一种基于深度学习的负荷时空预测方法
CN112836884A (zh) * 2021-02-07 2021-05-25 国网福建省电力有限公司经济技术研究院 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法
CN114187059A (zh) * 2021-12-27 2022-03-15 广东工业大学 一种短期电价预测方法

Similar Documents

Publication Publication Date Title
CN111445078A (zh) 基于长短期记忆神经网络的综合能源系统多元负荷预测方法
Mavromatidis et al. Design of distributed energy systems under uncertainty: A two-stage stochastic programming approach
Wan et al. Short-term power load forecasting for combined heat and power using CNN-LSTM enhanced by attention mechanism
Gellert et al. A study on forecasting electricity production and consumption in smart cities and factories
WO2023236478A1 (zh) 基于区块链的企业碳排能耗数据管理运营系统及方法
CN106503851A (zh) 一种改进的基于小波分析的短期电力负荷预测方法
Liu et al. A multi-task learning model for building electrical load prediction
CN104376371B (zh) 一种基于拓扑的配网分层负荷预测方法
Chen et al. MultiCycleNet: multiple cycles self-boosted neural network for short-term electric household load forecasting
Šebalj et al. Analysis of methods and techniques for prediction of natural gas consumption: a literature review
Nasiri et al. Data analytics and information technologies for smart energy storage systems: A state-of-the-art review
Bodur et al. A short-term load demand forecasting based on the method of LSTM
Shvets et al. Monitoring and Control of Energy Consumption Systems, using Neural Networks
Wang et al. Short-term wind power prediction based on DBSCAN clustering and support vector machine regression
CN117494906B (zh) 一种基于多元时间序列的天然气日负荷预测方法
Qian et al. Artificial intelligence for smart energy systems in process industries
Omirgaliyev et al. Industrial Application of Machine Learning Clustering for a Combined Heat and Power Plant: A Pavlodar Case Study
Sharma et al. Enhancing and Optimising Solar Power Forecasting in Dhar District of India using Machine Learning
Liu et al. Short-Term Load Forecasting with Frequency Enhanced Decomposed Transformer
Ferreira et al. Power substation load forecasting using interpretable transformer-based temporal fusion neural networks
CN118381023B (zh) 煤机的顶峰出力运行方法及装置
Akkaya GMDH-type neural network-based monthly electricity demand forecasting of Turkey
Mosca et al. Optimizing Industrial Energy Management: Advanced Simulators Enhanced With Machine Learning For Improved Forecast Accuracy
Xu et al. A Hybrid PSO-BPNN Model Approach for Crude Oil Pipeline Electrical Energy Consumption Forecasting
Galperova et al. A Methodological Approach to the Assessment of the Impact of Digital Technologies Development in Energy Industry on Electricity Price and Demand in a Region

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200724