CN111561732B - 基于人工智能的换热站供热调节方法及系统 - Google Patents
基于人工智能的换热站供热调节方法及系统 Download PDFInfo
- Publication number
- CN111561732B CN111561732B CN202010419825.2A CN202010419825A CN111561732B CN 111561732 B CN111561732 B CN 111561732B CN 202010419825 A CN202010419825 A CN 202010419825A CN 111561732 B CN111561732 B CN 111561732B
- Authority
- CN
- China
- Prior art keywords
- heat supply
- exchange station
- operation data
- heat exchange
- artificial intelligence
- 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.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
- F24D19/00—Details
- F24D19/10—Arrangement or mounting of control or safety devices
- F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
- F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Thermal Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Combustion & Propulsion (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Air Conditioning Control Device (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于人工智能的换热站供热调节方法及系统,首先定义相关参数结合智能体生成实际供热过程中的运行数据并对运行数据进行预处理;然后将处理后的运行数据通过人工智能算法进行模型训练,得到预测模型;再采集实时运行数据结合模型预测二次流量及二次供温的目标值;最后根据预测的目标值控制循环泵频率、一网阀门开度调节换热站的热负荷,进而实现室内均温的动态调节。本发明将人工智能算法应用于换热站的供热调节,通过模型训练得到二次流量及供温的预测模型,提前预测达到目标室内均温所需的流量和供温,结合供热机组的运行数据实时调节换热站的热负荷,为供热机组提供了更加科学合理的动态调节能力。
Description
技术领域
本发明涉及供热和人工智能技术领域,具体涉及基于人工智能的换热站供热调节方法及系统。
背景技术
近年来,随着国家相关政策的出台,城市建筑的采暖问题普遍采用集中供热的方式解决,集中供热是一种较好的供热方式,具有舒适、节能、环保、安全等特点。但是随着城市规模的不断扩大,城市集中供热网覆盖范围、供热面积越来越大,换热站的数量越来越多;难以及时实现按需供热,造成极大的资源浪费,用户的舒适度也难以保证。
在传统供热中,主要通过复杂的公式计算或根据经验确定不同地区在不同室外温度下的换热站热负荷两种方法进行换热站的供热调节,但是基于复杂的公式计算需要假定在理想条件下进行,而实际条件与理想条件有很大不同;同时根据经验确定不同地区在不同室外温度下的换热站热负荷,对经验依赖性大;两种方法不仅效率低适用性差,且存在较大误差。
发明内容
为了解决现有技术下,大规模的集中供热存在难以实现按需供热,现有的基于换热站热负荷调节的方法效率低适用性差,且存在较大误差;需要提供一种具有科学合理的动态调节能力的供热调节方法。
为实现上述目的,本发明采用如下技术方案:
基于人工智能的换热站供热调节方法,包括以下步骤:
定义相关参数结合智能体生成实际供热过程中的运行数据并对运行数据进行预处理;
将处理后的运行数据通过人工智能算法进行模型训练,得到预测模型;
采集实时运行数据结合模型预测二次流量及二次供温的目标值;
根据预测的目标值控制循环泵频率、一网阀门开度调节换热站的热负荷,进而实现室内均温的动态调节。
进一步地,所述运行数据包括从供热现场实际采集到的二次流量、二次供温、室内均温以及室外的温度、风向、风力的历史数据。
进一步地,所述智能体包括策略网络和值网络。
进一步地,换热站供热调节方法具体包括以下步骤:
定义相关参数结合策略网络和值网络生成实际供热过程中的运行数据并保存;
通过对处理后的运行数据进行训练,不断更新策略网络和值网络的参数以产生越来越好的策略和动作使得室内均温达到目标室内均温。
所述策略网络通过如下公式进行参数更新:
所述值网络通过如下公式进行参数更新:
其中:s为环境的状态特征,st表示在时间戳t上的状态;a为智能体采取的行为,at表示在时间戳t上的动作;π(a|s)为智能体的决策模型,s为接受输入为状态,p(a|s)表示给出决策后执行动作的概率分布,满足∑a∈Aπ(a|s)=1;r(s,a)为环境在状态s时接受动作a后给出的反馈信号,在时间戳t上获得的奖励记为rt;表示值网络输出值。
优选地,所述运行数据的预处理包括室内均温的计算,具体包括以下步骤:
采集换热站控制的小区内的若干个用户的室内供温和缴费面积;
计算该小区内若干个用户的室内均温,计算公式如下:
优选地,所述运行数据的预处理还包括风对室内温度影响的量化,其计算公式为:风对室内温度影响的量化=风向量化*风力。
基于人工智能的换热站供热调节系统包括:
智能交互模块,定义相关参数结合智能体生成实际供热过程中的运行数据并保存;
数据处理模块,对保存的运行数据进行预处理;
模型训练模块,通过人工智能算法对处理后的运行数据进行模型训练,得到预测模型;
数据采集模块,用于采集供热机组的运行数据;以及
控制模块,结合模型预测各单元楼所需的流量和机组供温的目标值,控制循环泵频率、一网阀门开度调节换热站的热负荷,进而实现室内均温的动态调节。
由以上技术方案可知,本发明将人工智能算法模型应用于换热站的供热调节,通过模型训练得到二次流量及供温的预测模型,提前预测达到目标室内均温所需的流量和供温,结合供热机组的运行数据实时调节换热站的热负荷,为供热机组提供了更加科学合理的动态调节能力。
附图说明
图1为本发明的步骤流程示意图;
图2为本发明的原理及系统框图;
图中:1、智能交互模块;2、数据处理模块;3、模型训练模块;4、数据采集模块;5、控制模块。
具体实施方式
下面结合附图对本发明的一种优选实施方式做详细的说明。
如图1所示的基于人工智能的换热站供热调节方法,包括以下步骤:
S1、定义相关参数结合智能体生成实际供热过程中的运行数据,并对运行数据进行预处理;
S2、将处理后的运行数据通过人工智能算法进行模型训练,得到预测模型;
S3、采集实时运行数据结合模型预测二次流量及二次供温的目标值;
S4、根据预测的目标值控制循环泵频率、一网阀门开度调节换热站的热负荷,进而实现室内均温的动态调节。
本优选实施例所述的运行数据包括从供热现场实际采集到的二次流量、二次供温、室内均温以及室外的温度、风向、风力的历史数据,所述历史数据的预处理通过数据对齐、删除无效数据、数据插值等数据处理方法对原始数据进行清洗,然后有序地存储至数据集,所述数据集结合人工智能算法经过模型训练即可得出预测模型。
本优选实施例换热站供热调节方法具体包括以下步骤:
定义相关参数结合策略网络和值网络生成实际供热过程中的运行数据并保存;
通过对处理后的运行数据进行训练,不断更新策略网络和值网络的参数以产生越来越好的策略和动作使得室内均温达到目标室内均温。
所述策略网络通过如下公式进行参数更新:
所述值网络通过如下公式进行参数更新:
其中:s为环境的状态特征,st表示在时间戳t上的状态;a为智能体采取的行为,at表示在时间戳t上的动作;π(a|s)为智能体的决策模型,s为接受输入为状态,p(a|s)表示给出决策后执行动作的概率分布,满足∑a∈Aπ(a|s)=1;r(s,a)为环境在状态s时接受动作a后给出的反馈信号,在时间戳t上获得的奖励记为rt;表示值网络输出值。
现有技术下,常用室内均温的计算较为简单,采用典型室温的平均值或者是加上面积的加权平均等方法,误差较大,本优选实施例所述的原始数据的预处理还包括各室内均温的计算,采用基于表面积的加权平均方法,即通过小区的建筑信息计算典型室温采集点的供热表面积(包括墙体、顶层和地面),进而计算出室内均温,这种计算方式充分考虑参与热传递的表面积,不仅仅局限于房间的测量面积,大大减小了室内均温的计算误差,增加了后续模型训练的精确度。具体包括以下步骤:
采集换热站控制的小区内的室内供温和缴费面积;
计算某小区内的若干个用户的室内均温,计算公式如下:
其中:avgtemp为某小区内若干个用户的室内均温室内均温,typical_tempi为某一用户的室内供温,surface_areai为某一用户的缴费面积。
依据经验,顺风(与建筑物朝向同向的风)会对建筑物的保温影响较大(反作用),其它风向对建筑物保温影响则依次降低,与建筑物朝向垂直的风向,影响最小。但是风向的量化,只简单的用数字量化,如下表所示,假设建筑物朝向为南北向,依据风向对建筑物的保温的影响,对风向进行量化,但是仅仅通过风向的向量化不能很好的反映风对室内温度的影响。本优选实施例所述的原始数据的预处理还包括风对室内温度影响的量化,其计算公式为:风对室内温度影响的量化=风向量化*风力;本优选实施例将风向和风力结合在一起,更好的反映出风对室内温度的影响,即风力越大,建筑物保温层散温会更快,进一步提升训练模型的精度。
风向 | 南风 | 西南风 | 东南风 | 东风 | 西风 | 东北风 | 西北风 | 北风 |
风向量化 | -4 | -3 | -2 | -1 | -2 | -3 | -4 | -5 |
如图2所示的基于人工智能的换热站供热调节系统包括智能交互模块1、数据处理模块2、模型训练模块3、数据采集模块4以及控制模块5;所述智能交互模块通过定义相关参数结合智能体生成实际供热过程中的运行数据并保存;然后数据处理模块对采集到的运行数据进行预处理;再由模型训练模块通过人工智能算法对处理后的运行数据进行模型训练,得到预测模型;通过数据采集模块采集供热机组的运行数据;由控制模块结合模型预测各单元楼所需的流量和机组供温的目标值,控制循环泵频率、一网阀门开度调节换热站的热负荷,进而实现室内均温的动态调节。
在具体的使用中,预测模型需定期进行训练优化,尤其早在采暖季期间需要加大训练频率。同时得出的预测模型也需定期执行,及时给出最新的二次流量及供温目标值。
下面以强化学习算法为例,对本发明做进一步阐述:
首先定义相关参数:
状态s,反映环境的状态特征,在时间戳t上的状态记为st,所有的状态构成了状态空间S;本优选实施例中的状态包括天气和室内均温;
动作a,智能体采取的行为,在时间戳t上的动作记为at,所有的动作构成了动作空间A;本优选实施例中的动作包括二次供温、二次流量;
策略π(a|s),智能体的决策模型,接受输入为状态s,并给出决策后执行动作的概率分布p(a|s),满足∑a∈Aπ(a|s)=1;
奖励r(s,a),环境在状态s时接受动作a后给出的反馈信号,在时间戳t上获得的奖励记为rt;室内均温目标值记为为targetAvgTem,此时刻室内均温为avgTemt,下一时刻室内均温为avgTemt+1,本发明中的奖励rt定义为:
即如果此时刻室内均温小于目标室内均温,则采取的动作使室内均温升高给予正的奖励,使室内均温降低给予负的奖励,如果此时刻室内均温大于目标室内均温,则采取的动作室内均温降低给予正的奖励,使室内均温升高给予负的奖励,如果此时刻室内均温等于目标室内均温,则采取的动作使下一时刻室内均温不等于目标室内均温给予负的奖励,使下一时刻室内均温等于目标室内均温给予零奖励。
在具体的运作中,根据策略网络和值网络生成数据,根据数据更新策略网络和值网络的参数,然后根据新的策略网络和值网络生成新的数据,然后根据新的数据继续更新策略网络和值网络的参数,如此循环,使预测精度逐渐提高。某小区按照本发明所述的调节方法运行一周,室内均温的目标值是21°,实际运行室内均温也是在21°附近波动,调节效果较好。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (5)
1.基于人工智能的换热站供热调节方法,其特征在于,包括以下步骤:
定义相关参数结合策略网络和值网络生成实际供热过程中的运行数据并对运行数据进行预处理;
将预处理后的运行数据通过人工智能算法进行模型训练,得到预测模型:具体的,不断更新策略网络和值网络的参数,所述策略网络通过如下公式进行参数更新:
所述值网络通过如下公式进行参数更新:
其中定义的相关参数包括:θ为策略网络的参数;η为策略网络的学习率;J为总的回报的期望值;s为环境的状态特征,包括天气和室内均温,st表示在时间戳t上的状态;a为智能体采取的行为,包括二次供温和二次流量,at表示在时间戳t上的动作;π(a|s)为智能体的决策模型,p(a|s)表示给出决策后执行动作的概率分布,满足∑a∈Aπ(a|s)=1;r(s,a)为环境在状态s时接受动作a后给出的反馈信号,在时间戳t上获得的奖励记为rt;τ为交互轨迹[s1,a1,r1;s2,a2,r2;…sT,aT,rT],T是交互的时间戳数量或步数;R(τ)为某次交互的总回报;为求所有轨迹τ的总回报对策略网络参数θ的偏导数的期望;φ为值网络的参数;dist(a,b)为a和b的距离度量器,采用欧式距离;表示值网络输出值;为的目标值;γ为值网络的学习率;
所述奖励rt定义为:
其中:targetAvgTem为室内均温的目标值,avgTemt为某时刻的室内均温,avgTemt+1为下一时刻的室内均温;
采集供热机组的实时运行数据结合模型预测二次流量及二次供温的目标值;
根据预测的目标值控制循环泵频率、一网阀门开度调节换热站的热负荷,进而实现室内均温的动态调节。
2.根据权利要求1所述的基于人工智能的换热站供热调节方法,其特征在于,所述运行数据包括从供热现场实际采集到的二次流量、二次供温、室内均温以及室外的温度、风向、风力。
4.根据权利要求1所述的基于人工智能的换热站供热调节方法,其特征在于,所述天气还包括风对室内温度的影响,其量化计算公式为:风对室内温度影响的量化=风向量化*风力。
5.基于人工智能的换热站供热调节系统,用于实现上述权利要求1-4任一所述的基于人工智能的换热站供热调节方法,其特征在于,包括:
智能交互模块(1),定义相关参数结合策略网络和值网络生成实际供热过程中的运行数据并保存;
数据处理模块(2),对保存的运行数据进行预处理;
模型训练模块(3),通过人工智能算法对预处理后的运行数据进行模型训练,得到预测模型;
数据采集模块(4),用于采集供热机组的实时运行数据;以及
控制模块(5),结合模型预测二次流量及二次供温的目标值,控制循环泵频率、一网阀门开度调节换热站的热负荷,进而实现室内均温的动态调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419825.2A CN111561732B (zh) | 2020-05-18 | 2020-05-18 | 基于人工智能的换热站供热调节方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010419825.2A CN111561732B (zh) | 2020-05-18 | 2020-05-18 | 基于人工智能的换热站供热调节方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111561732A CN111561732A (zh) | 2020-08-21 |
CN111561732B true CN111561732B (zh) | 2021-02-09 |
Family
ID=72074826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010419825.2A Active CN111561732B (zh) | 2020-05-18 | 2020-05-18 | 基于人工智能的换热站供热调节方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111561732B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113048549A (zh) * | 2021-03-17 | 2021-06-29 | 瑞纳智能设备股份有限公司 | 一种基于人工智能的供暖循环泵调节方法 |
CN112984617A (zh) * | 2021-03-17 | 2021-06-18 | 瑞纳智能设备股份有限公司 | 一种基于人工智能的恒定供暖二网供温一网温控阀开度调节方法 |
CN113110057A (zh) * | 2021-04-20 | 2021-07-13 | 北京硕人时代科技股份有限公司 | 一种基于人工智能的热力站节能控制方法及智能决策系统 |
CN114484584B (zh) * | 2022-01-20 | 2022-11-11 | 国电投峰和新能源科技(河北)有限公司 | 一种基于离线强化学习的供热控制方法及系统 |
CN114909707B (zh) * | 2022-04-24 | 2023-10-10 | 浙江英集动力科技有限公司 | 一种基于智能平衡装置和强化学习的供热二级网调控方法 |
CN115876334B (zh) * | 2023-02-22 | 2023-05-30 | 瑞纳智能设备股份有限公司 | 红外热像室内测温方法、系统和计算机可读存储介质 |
CN115952695B (zh) * | 2023-03-13 | 2023-07-07 | 天津市津安热电有限公司 | 基于供热控制系统的温度探测数据远程交互方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101737849B (zh) * | 2010-02-05 | 2011-07-27 | 山东建筑大学 | 基于多Agent技术和信息融合的建筑供热节能系统及方法 |
CN102967004B (zh) * | 2012-11-26 | 2014-11-26 | 吉林市宏深科技有限公司 | 一种温度面积法热计量分摊装置及分摊方法 |
CN109270842B (zh) * | 2018-10-25 | 2020-11-13 | 浙江大学 | 一种基于贝叶斯网络的区域供热模型预测控制系统及方法 |
KR102161294B1 (ko) * | 2018-11-30 | 2020-10-05 | 남정우 | 정책망 및 가치망을 이용한 온라인 쇼핑몰에서의 프로모션 성과 예측 및 추천 장치 |
CN109707654B (zh) * | 2018-12-17 | 2021-01-22 | 新华三技术有限公司 | 一种风扇调速方法及装置 |
CN111076376B (zh) * | 2019-12-18 | 2021-03-16 | 西安建筑科技大学 | 冷负荷需求预测及冰蓄冷空调负荷分配的方法和系统 |
-
2020
- 2020-05-18 CN CN202010419825.2A patent/CN111561732B/zh active Active
Non-Patent Citations (4)
Title |
---|
《Using reinforcement learning for optimizing heat pump control in a building model in Modelica》;Thijs Peirelinck;《International Energy Conference (ENERGYCON)》;20180630;全文 * |
《基于深度学习的热力站建模及优化控制研究》;韩冰城;《工程科技Ⅱ辑》;20200331;全文 * |
《基于深度环境理解和行为模仿的强化学习智能体设计》;喻杉;《信息科技辑》;20190630;全文 * |
《集中供热换热站实时热负荷智能调节研究与应用》;费盼峰;张军辉;《内燃机与配件》;20171215(第23期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111561732A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111561732B (zh) | 基于人工智能的换热站供热调节方法及系统 | |
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 | |
CN110458443B (zh) | 一种基于深度强化学习的智慧家庭能量管理方法及系统 | |
CN111580382B (zh) | 基于人工智能的单元级供热调节方法及系统 | |
CN111598225B (zh) | 一种基于自适应深度置信网络的空调冷负荷预测方法 | |
CN113112077B (zh) | 基于多步预测深度强化学习算法的hvac控制系统 | |
CN112415924A (zh) | 一种空调系统节能优化方法及系统 | |
CN112070262B (zh) | 一种基于支持向量机的空调负荷预测方法 | |
CN113471982B (zh) | 云边协同与电网隐私保护的分布式电源就地电压控制方法 | |
CN105787592A (zh) | 基于改进rbf网络的风电机组超短期风功率预测方法 | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN114370698A (zh) | 基于强化学习的室内热环境学习效率提升的优化控制方法 | |
CN113110057A (zh) | 一种基于人工智能的热力站节能控制方法及智能决策系统 | |
CN115965132A (zh) | 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法 | |
CN114841410A (zh) | 一种基于组合策略的换热站负荷预测方法和系统 | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
CN116388174A (zh) | 一种适应层次化调度的分布式光伏集群短期出力预测方法 | |
CN113110056B (zh) | 一种基于人工智能的供热智能决策方法及智能决策机 | |
CN113837430B (zh) | 基于云网边端一体化的综合能源负荷优化调度方法及系统 | |
CN113422371B (zh) | 一种基于图卷积神经网络的分布式电源就地电压控制方法 | |
CN114498649A (zh) | 主动配电网建筑热负荷控制方法、装置、电子设备和存储介质 | |
Yu et al. | Improved Elman neural network short-term residents load forecasting considering human comfort index | |
CN117172499A (zh) | 一种基于强化学习的智慧社区能量优化调度方法、系统及存储介质 | |
CN116054179A (zh) | 一种基于事件触发的电力系统无功趋优控制系统及方法 | |
CN114372645A (zh) | 基于多智能体强化学习的供能系统优化方法及系统 |
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 |