CN111614512A - 基于层级关联的资产学习方法、装置、设备及智能变电站 - Google Patents
基于层级关联的资产学习方法、装置、设备及智能变电站 Download PDFInfo
- Publication number
- CN111614512A CN111614512A CN202010346930.8A CN202010346930A CN111614512A CN 111614512 A CN111614512 A CN 111614512A CN 202010346930 A CN202010346930 A CN 202010346930A CN 111614512 A CN111614512 A CN 111614512A
- Authority
- CN
- China
- Prior art keywords
- asset
- equipment
- goose
- data packet
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 241000272814 Anser sp. Species 0.000 claims abstract description 68
- 230000008569 process Effects 0.000 claims abstract description 39
- 125000006850 spacer group Chemical group 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 98
- 238000005259 measurement Methods 0.000 claims description 38
- 230000005856 abnormality Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000013499 data model Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000000750 progressive effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 93
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Environmental & Geological Engineering (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Algebra (AREA)
- Water Supply & Treatment (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于层级关联的资产学习方法、装置及设备,方法包括以下步骤:获取间隔层的第二设备向过程层的第三设备发送的若干个Goose流量数据包;每个Goose流量数据包具有对应的APPID以及stNum,APPID标识订阅了Goose流量数据包的第三设备;当检测到第二设备的Goose流量数据包的stNum字段发生了变化时,在第二设备缓存区内回溯上一个MMS流量数据包,以获得触发Goose流量数据包的MMS流量数据包;检测发出MMS流量数据包的位于站控层的第一设备;根据第一设备、第二设备以及第三设备实现操作信息的跨层级路径关联,形成层级关联的资产学习结果,实现了跨越层级的资产学习以及溯源。
Description
技术领域
本发明涉及一种基于层级关联的变电设备资产学习方法、装置、设备及智能变电站,属于网源协调控制技术领域。
背景技术
随着电网技术的发展,建立在IEC 61850通信规范基础上的智能变电站技术在全世界范围内得到了广泛的应用,而由此引发的一系列工控网络安全风险,也逐渐得到了相关单位的重视。为了有效地实现智能变电站中各设备之间的操作通信审计,必须在变电站的全站配置文件SCD(Substation Configuration Description)文件中筛选出活跃的设备,并建立起设备之间相互订阅、发布信息的资产学习方式。
目前述资产学习方式实现的是单条操作信息的获取(包括操作发生时间、源/目标设备、操作路径、操作内容),无法实现跨层级的资产学习,使得资产学习结果不能满足实际应用需求。
因此,有必要提出一种资产学习方式,能够在实际应用中将不同层级之间(站控层与间隔层之间、间隔层与过程层之间)与同一设备有关的操作信息进行关联。
发明内容
为了解决上述问题,本发明提出了一种基于层级关联的资产学习方法、装置、设备及智能变电站,能够将不同层级之间与同一设备有关的操作信息进行关联,实现跨越层级的溯源。
本发明解决其技术问题采取的技术方案是:
第一方面,本发明实施例提供的一种基于层级关联的资产学习方法,包括以下步骤:
获取位于间隔层的第二设备向过程层的第三设备发送的若干个Goose流量数据包;其中,每个Goose流量数据包具有对应的APPID以及stNum,所述APPID标识订阅了所述Goose流量数据包的第三设备,所述stNum用于表明广播的数据是否发生变化,如果数据未发生变化,则stNum不变,如果数据发生变化,则stNum自加1;
当检测到第二设备的Goose流量数据包的stNum字段发生了变化时,在第二设备的缓存区内回溯上一个MMS流量数据包,以获得触发所述Goose流量数据包的MMS流量数据包;
检测发出所述MMS流量数据包的位于站控层的第一设备;
根据所述第一设备、第二设备以及第三设备实现操作信息的跨层级路径关联,形成层级关联的资产学习结果。。
作为本实施例一种可能的实现方式,所述Goose/sv流量数据包还包括通信测量值;所述智能变电设备资产学习方法还包括:
将通信测量值与流量的通信路径进行结合,并在通信路径正确且通信测量值异常时发出告警,并根据通信测量值的偏离情况发出相应程度的告警。
作为本实施例一种可能的实现方式,所述将通信测量值与流量的通信路径进行结合,并在通信路径正确且通信测量值异常时发出告警,并根据通信测量值的偏离情况发出相应程度的告警,具体为:
获取站控层的设备集合:Sub={S1,S2,…,Sn}={S|站控层所有设备};
获取中间层的设备集合:Bay={B1,B2,…,Bn}={B|中间层所有设备};
获取过程层的设备集合:Pro={P1,P2,…,Pn}={P|过程层所有设备};
定义特征变量:F={x(1),x(2),…,x(n)},其中,x(i)表示通信测量值;
定义底层传输数据为GOOSE的通信数据集合为:
定义底层传输数据为SV的通信数据集合为:
其中,底层传输的GOOSE数据集以及SV数据集中的每个特征变量e(i)满足正态分布:
获取所有特征变量的总体分布律为:
获取不同特征变量的分布律为:
根据总体分布律以及预设的阈值告警参量判断底层通信是否存在整体性异常;
根据不同特征变量的分布律以及置信水平为1-α的置信区间判断底层通信是否存在局部指标异常;其中,置信水平为1-α的置信区间为:其中为p(i)(x)在特征变量e(i)的平均值,为p(i)(x)在特征变量e(i)的方差值;uα/2的正态分位点通过查表获得,m为特征变量的个数;
根据整体性异常和局部指标异常的情况发出相应优先级的告警。
作为本实施例一种可能的实现方式,所述资产学习方法还包括:
获取预定区域的多个智能变电站的智能变电设备资产学习结果,并汇总形成资产行为大数据,将资产行为大数据应用于与所述预定区域具有类似情况的其他区域的电网系统中进行辅助管理和决策。
作为本实施例一种可能的实现方式,所述获取预定区域的多个智能变电站的智能变电设备资产学习结果,并汇总形成资产行为大数据,将资产行为大数据应用于与所述预定区域具有类似情况的其他区域的电网系统中进行辅助管理和决策,具体包括:
将各智能变电站的智能变电设备资产学习结果进行汇总,并清洗掉其中的错误数据、缺失数据和噪声数据,并集成清洗后的数据;
利用内置流式大数据计算引擎对清洗后的数据进行处理;
根据处理的结果建立智能变电站的大数据模型,并实时增加最新的资产学习结果,形成渐进式资产学习模式,进行优化大数据模型;
将优化的大数据模型应用于与所述预定区域具有类似情况的其他区域的电网系统中。
第二方面,本发明实施例提供的一种基于层级关联的资产学习装置,包括:
第一数据包获取单元,用于获取位于间隔层的第二设备向过程层的第三设备发送的若干个Goose流量数据包;其中,每个Goose流量数据包具有对应的APPID以及stNum,所述APPID标识订阅了所述Goose流量数据包的第三设备,所述stNum用于表明广播的数据是否发生变化,如果数据未发生变化,则stNum不变,如果数据发生变化,则stNum自加1;
第二数据包获取单元,用于当检测到第二设备的Goose流量数据包的stNum字段发生了变化时,在第二设备的缓存区内回溯上一个MMS流量数据包,以获得触发所述Goose流量数据包的MMS流量数据包;
检测单元,用于检测发出所述MMS流量数据包的位于站控层的第一设备;
学习单元,用于根据所述第一设备、第二设备以及第三设备实现操作信息的跨层级路径关联,形成层级关联的资产学习结果。
作为本实施例一种可能的实现方式,所述Goose/sv流量数据包还包括通信测量值;则资产学习装置还包括:
告警单元,用于将通信测量值与流量的通信路径进行结合,并在通信路径正确而通信测量值异常时发出告警,并根据通信测量值的偏离情况发出相应程度的告警。
作为本实施例一种可能的实现方式,资产学习装置还包括:
应用单元,用于获取预定区域的多个智能变电站的资产学习结果,并将资产学习结果汇总形成资产行为大数据,将资产行为大数据应用于与所述预定区域具有类似情况的其他区域的电网系统中进行辅助管理和决策。
第三方面,本发明实施例提供的一种基于层级关联的资产学习设备,包括存储器以及处理器,所述存储器内存储有可执行代码,所述可执行代码能够被所述处理器执行,以实现如权利要求1至5任意一项所述的基于层级关联的资产学习方法。
第四方面,本发明实施例提供的一种智能变电站,包括站控层设备、间隔层设备、过程层设备以及如权利要求9所述的基于层级关联的资产学习设备,所述基于层级关联的资产学习设备能够抓取变电站站控层、间隔层和过程层中的各个设备在进行通信时产生的流量数据包,并通过对所述流量数据包进行解析来获取操作信息的跨层级路径关联,形成跨层级的资产学习结果。
本发明实施例的技术方案可以具有的有益效果如下:
本发明实施例的技术方案通过对抓取的MMS流量数据包和Goose/sv流量数据包中携带的特定字段以及信息进行解析,从而找到了不同层级之间的设备的实际通信关系,将不同层级之间(站控层与间隔层之间、间隔层与过程层之间)与同一设备有关的操作信息进行关联,实现了跨越层级的资产学习以及溯源。
附图说明:
图1是根据一示例性实施例示出的一种基于层级关联的资产学习方法的流程图;
图2是根据一示例性实施例示出的一种基于层级关联的资产学习装置的结构图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
为便于对本发明的理解,在介绍本发明的实施例之前,先对本发明所涉及的一些技术术语进行说明。
1、SCD文件:SCD文件为变电站IEC61850标准中substation configurationdescription的缩写,即全站配置文件。
2、MMS协议:MMS(Manufacturing Message Specification),即制造报文规范,MMS规范了工业领域具有通信能力的智能传感器、智能电子设备(IED)、智能控制设备的通信行为,使出自不同制造商的设备之间具有互操作性(Interoperation)。智能变电站中的站控层与间隔层设备之间采用此种协议进行通讯。
3、GOOSE协议:GOOSE(Generic Object Oriented Substation Event)是IEC61850标准中用于满足变电站自动化系统快速报文需求的机制。主要用于实现在多IED之间的信息传递,包括传输跳合闸信号(命令),具有高传输成功概率。智能变电站中的间隔层与过程层设备之间采用此种协议进行通讯。
4、SV协议:SV(Sampled Value),采样测量值,也被称为SMV(Sampled MeasuredValue),是一种用于实时传输的数字采样信息的通信服务。智能变电站中的间隔层与过程层设备之间采用此种协议进行通讯。
5、IED:IED(Intelligent Electronic Device),智能电子设备,IEC61850标准对IED定义如下:“由一个或多个处理器组成,具有从外部源接收和传送数据或控制外部源的任何设备,即电子多功能仪表、微机保护、控制器,在特定的环境下在接口所限定范围内能够执行一个或多个逻辑接点任务的实体。”
6、APPID:APPID(Application Identification),即应用标识,存在于GOOSE协议报文中,可以根据报文中的APPID来确定唯一的采样值控制块。
7、MAC地址:MAC地址(Media Access Control Address),直译为媒体访问控制地址,也称为局域网地址(LAN Address),以太网地址(Ethernet Address)或物理地址(Physical Address),它是一个用来确认网上设备位置的地址。在OSI模型中,第三层网络层负责IP地址,第二层数据链接层则负责MAC地址。MAC地址用于在网络中唯一标示一个网卡,一台设备若有一或多个网卡,则每个网卡都需要并会有一个唯一的MAC地址。
8、IEC61850:IEC61850《变电站网络与通信协议》标准,(以下简称IEC61850)是新一代变电站网络通信体系,适立分层的IED和变电站自动化系统。该标准根据电力系统生产过程的特点,制定了满足实时信息传输要求的服务模型;采用抽象通信服务接口、特定通信服务映射,以适应网络发展。
请参阅图1,本发明第一实施例提供了一种基于层级关联的资产学习方法,其可由基于层级关联的资产学习设备(以下简称资产学习设备)来执行,并包括如下步骤:
S1,获取位于间隔层的第二设备向过程层的第三设备发送的若干个Goose流量数据包;其中,每个Goose流量数据包具有对应的APPID以及stNum,所述APPID标识订阅了所述Goose流量数据包的第三设备,所述stNum用于表明广播的数据是否发生变化,如果数据未发生变化,则stNum不变,如果数据发生变化,则stNum自加1。
在本实施例中,智能变电站多采用“三层两网”结构,其中“三层”包括站控层、间隔层、过程层;“两网”指站控层与间隔层之间的站控层网络以及间隔层与过程层之间的过程层网络。站控层网络通常采用MMS协议,过程层网络通常采用Goose协议,MMS协议为点对点收发,而Goose则为广播协议。
在本实施例中,所述资产学习设备可为服务器或者交换机等,其部署于所述智能变电站内,并且可以抓取由智能变电站内的各个层级的设备之间相互通信产生的各种流量数据包,例如,由位于站控层的设备向间隔层的设备发送的MMS流量数据包以及由间隔层的设备向过程层的设备广播的Goose流量数据包等。
其中,所述资产学习设备可通过流量过滤技术筛选出MMS流量数据包以及goose流量数据包。
S2,当检测到第二设备的Goose流量数据包的stNum字段发生了变化时,在第二设备的缓存区内回溯上一个MMS流量数据包,以获得触发所述Goose流量数据包的MMS流量数据包。
S3,检测发出所述MMS流量数据包的位于站控层的第一设备。
S4,根据所述第一设备、第二设备以及第三设备实现操作信息的跨层级路径关联,以形成层级关联的资产学习结果。
其中,具体地,对于某一个位于间隔层的第二设备B来说,它会向过程层的第三设备发送若干个Goose流量数据包,每一个Goose流量数据包都有其对应的APPID,APPID表明了哪些过程层的设备订阅了该Goose流量数据包。同时,每一个Goose流量数据包中也会有一个stNum字段。如果第二设备B广播的数据不变,则stNum不变;如果数据变化了,则stNum自加1。
本实施例通过实时监控这些Goose流量数据包,当某一Goose流量数据包中的stNum发生了+1的变化时,在第二设备B的缓存区内回溯上一个MMS流量数据包,则可判定是由该MMS流量数据包触发了该Goose流量数据包的信息广播。若该MMS流量数据包的发出设备为位于站控层的第一设备A,且该Goose流量数据包中的APPID表明位于过程层的第三设备C、D订阅了该Goose流量数据包,则可认为该信息的通信路径为A→B→(C,D)。
本实施例中,将MMS层的流量数据包与GOOSE层的流量数据包进行关联,实现跨层级的操作溯源,判断某一操作是来自站控层还是间隔层的指令,即可得知某一操作是日常操作(来自站控层)或是运维操作(来自间隔层),由此可以分别建立日常操作和运维操作的白名单基线,从而使异常事件的告警判断、事件发生后的责任判定更为精准。
优选地,所述Goose/sv流量数据包还包括通信测量值;则还包括:
将通信测量值与流量的通信路径进行结合,并在通信路径正确且通信测量值异常时发出告警,并根据通信测量值的偏离情况发出相应程度的告警。
具体的,对通信测量异常的判断以及告警的过程为:
获取站控层的设备集合:Sub={S1,S2,…,Sn}={S|站控层所有设备};
获取中间层的设备集合:Bay={B1,B2,…,Bn}={B|中间层所有设备};
获取过程层的设备集合:Pro={P1,P2,…,Pn}={P|过程层所有设备};
定义特征变量:F={x(1),x(2),…,x(n)},其中,x(i)表示通信测量值。
例如,可定义x(1)为电流值,x(2)为电压值,x(3)为刀闸开关状态,x(n)为其他通信测量值,具体可根据实际需要而设,本发明不做具体限定。
定义底层传输数据为GOOSE的通信数据集合为:
定义底层传输数据为SV的通信数据集合为:
其中,底层传输的GOOSE数据集以及SV数据集中的每个特征变量e(i)满足正态分布:
获取所有特征变量的总体分布律为:
其中,n为特征变量的维度,m为特征变量的个数。
获取不同特征变量的分布律:
根据总体分布律以及预设的阈值告警参量判断底层通信是否存在整体性异常。
其中,当pall(x)<εall,则说明底层通信存在整体性异常:εall为定义的阈值告警参量。
根据不同特征变量的分布律以及所述置信区间判断底层通信是否存在局部指标异常。
根据整体性异常和局部指标异常的情况发出相应优先级的告警。
具体地,如果整体和局部指标都出现了异常,那么变电站通信系统出现通信异常的程度较高,告警等级为优先级;如果整体出现异常,局部未出现异常,变电站通信系统出现通信异常的程度中等,告警等级为次优先级;如果整体未出现异常,局部出现异常,变电站通信系统出现异常的程度为低,告警等级为延迟;如果整体和局部指标都未出现异常,变电站通信系统出现异常的概率较低,不触发告警。
本实施例中,通过在Goose/sv流量数据包增加通信测量值,并通过对通信测量值的处理来判断整个变电站的通信系统是否有异常以及异常的程度,从而根据异常的程度进行及时的处理,保证变电站的正常运行。
优选地,资产学习方法还包括:
获取预定区域的多个智能变电站的资产学习结果,并将资产学习结果汇总形成资产行为大数据,将资产行为大数据应用于与所述预定区域具有类似情况的其他区域的电网系统中,以辅助管理和决策。
其中,具体为:
将各智能变电站的资产学习结果进行汇总,并清洗掉其中的错误数据、缺失数据、噪声数据,集成清洗后的数据;
利用内置流式大数据计算引擎对清洗后的数据进行计算分析;
根据计算分析的结果建立智能变电站的大数据模型,并实时增加最新的资产学习结果,形成渐进式资产学习模式,以不断优化大数据模型;
将优化的大数据模型应用于与所述预定区域具有类似情况的其他区域的电网系统中。
在本实施例中,考虑到有些区域存在相似,例如,天气用电情况相似等,则对于这些区域的资产学习结果可以进行复用,以增加资产学习结果的用途,减少数据处理过程,达到一个资产学习结果多处应用的目的。
请参阅图2,本发明第二实施例还提供了一种基于层级关联的资产学习装置,包括:
第一数据包获取单元210,用于获取位于间隔层的第二设备向过程层的第三设备发送的若干个Goose流量数据包;其中,每个Goose流量数据包具有对应的APPID以及stNum,所述APPID标识订阅了所述Goose流量数据包的第三设备,所述stNum用于表明广播的数据是否发生变化,如果数据未发生变化,则stNum不变,如果数据发生变化,则stNum自加1;
第二数据包获取单元220,用于当检测到第二设备的Goose流量数据包的stNum字段发生了变化时,在第二设备的缓存区内回溯上一个MMS流量数据包,以获得触发所述Goose流量数据包的MMS流量数据包;
检测单元230,用于检测发出所述MMS流量数据包的位于站控层的第一设备;
学习单元240,用于根据所述第一设备、第二设备以及第三设备实现操作信息的跨层级路径关联,以形成层级关联的资产学习结果。
优选地,所述Goose/sv流量数据包还包括通信测量值;则资产学习装置还包括:
告警单元,用于将通信测量值与流量的通信路径进行结合,并在通信路径正确且通信测量值异常时发出告警,并根据通信测量值的偏离情况发出相应程度的告警。
其中,所述告警单元具体用于:
获取站控层的设备集合:Sub={S1,S2,…,Sn}={S|站控层所有设备};
获取中间层的设备集合:Bay={B1,B2,…,Bn}={B|中间层所有设备};
获取过程层的设备集合:Pro={P1,P2,…,Pn}={P|过程层所有设备};
定义特征变量:F={x(1),x(2),…,x(n)},其中,x(i)表示通信测量值;
定义底层传输数据为GOOSE的通信数据集合为:
定义底层传输数据为SV的通信数据集合为:
其中,底层传输的GOOSE数据集以及SV数据集中的每个特征变量e(i)满足正态分布:
获取所有特征变量的总体分布律为:
获取不同特征变量的分布律为:
根据总体分布律以及预设的阈值告警参量判断底层通信是否存在整体性异常;
根据不同特征变量的分布律以及置信水平为1-α的置信区间判断底层通信是否存在局部指标异常;其中,置信水平为1-α的置信区间为:其中为p(i)(x)在特征变量e(i)的平均值,为p(i)(x)在特征变量e(i)的方差值;uα/2的正态分位点通过查表获得,m为特征变量的个数;
根据整体性异常和局部指标异常的情况发出相应优先级的告警。
优选地,资产学习装置还包括:
应用单元,用于获取预定区域的多个智能变电站的资产学习结果,并将资产学习结果汇总形成资产行为大数据,将资产行为大数据应用于与所述预定区域具有类似情况的其他区域的电网系统中,以辅助管理和决策。
优选地,所述应用单元具体包括:
清洗模块,用于将各智能变电站的资产学习结果进行汇总,并清洗掉其中的错误数据、缺失数据、噪声数据,集成清洗后的数据;
计算分析模块,用于利用内置流式大数据计算引擎对清洗后的数据进行计算分析;
优化模块,用于根据计算分析的结果建立智能变电站的大数据模型,并实时增加最新的资产学习结果,形成渐进式资产学习模式,以不断优化大数据模型;
应用模块,用于将优化的大数据模型应用于与所述预定区域具有类似情况的其他区域的电网系统中。
本发明第三实施例还提供了一种基于层级关联的资产学习设备,包括存储器以及处理器,所述存储器内存储有可执行代码,所述可执行代码能够被所述处理器执行,以实现如上述任一实施例的基于层级关联的资产学习方法。
本发明第四实施例还提供了一种智能变电站,包括站控层设备、间隔层设备、过程层设备以及如上述的基于层级关联的资产学习装置设备,所述基于层级关联的资产学习装置设备能够抓取站控层设备、间隔层设备、过程层设备中的各个设备在产生通信时产生的流量数据包,并通过对所述流量数据包进行解析,以获取操作信息的跨层级路径关联,形成层级关联的资产学习结果。
示例性地,本发明第三实施例中所述的可执行代码可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述实现一种资产学习设备中的执行过程。例如,本发明第二实施例中所述的装置。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述资产学习方法的控制中心,利用各种接口和线路连接整个所述实现基于层级关联的资产学习方法的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现基于物联网的物品追踪方法的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述实现的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于层级关联的资产学习方法,其特征是,包括以下步骤:
获取位于间隔层的第二设备向过程层的第三设备发送的若干个Goose流量数据包;其中,每个Goose流量数据包具有对应的APPID以及stNum,所述APPID标识订阅了所述Goose流量数据包的第三设备;
当检测到第二设备的Goose流量数据包的stNum字段发生了变化时,在第二设备的缓存区内回溯上一个MMS流量数据包,以获得触发所述Goose流量数据包的MMS流量数据包;
检测发出所述MMS流量数据包的位于站控层的第一设备;
根据所述第一设备、第二设备以及第三设备实现操作信息的跨层级路径关联,形成层级关联的资产学习结果。
2.根据权利要求1所述的基于层级关联的资产学习方法,其特征是,所述Goose/sv流量数据包还包括通信测量值;所述智能变电设备资产学习方法还包括:
将通信测量值与流量的通信路径进行结合,并在通信路径正确且通信测量值异常时发出告警,并根据通信测量值的偏离情况发出相应程度的告警。
3.根据权利要求2所述的基于层级关联的资产学习方法,其特征是,所述将通信测量值与流量的通信路径进行结合,并在通信路径正确且通信测量值异常时发出告警,并根据通信测量值的偏离情况发出相应程度的告警,具体为:
获取站控层的设备集合:Sub={S1,S2,…,Sn}={S|站控层所有设备};
获取中间层的设备集合:Bay={B1,B2,…,Bn}={B|中间层所有设备};
获取过程层的设备集合:Pro={P1,P2,…,Pn}={P|过程层所有设备};
定义特征变量:F={x(1),x(2),…,x(n)},其中,x(i)表示通信测量值;
定义底层传输数据为GOOSE的通信数据集合为:
定义底层传输数据为SV的通信数据集合为:
其中,底层传输的GOOSE数据集以及SV数据集中的每个特征变量e(i)满足正态分布:
获取所有特征变量的总体分布律为:
获取不同特征变量的分布律为:
根据总体分布律以及预设的阈值告警参量判断底层通信是否存在整体性异常;
根据不同特征变量的分布律以及置信水平为1-α的置信区间判断底层通信是否存在局部指标异常;其中,置信水平为1-α的置信区间为:其中为p(i)(x)在特征变量e(i)的平均值,为p(i)(x)在特征变量e(i)的方差值;uα/2的正态分位点通过查表获得,m为特征变量的个数;
根据整体性异常和局部指标异常的情况发出相应优先级的告警。
4.根据权利要求1-3任意一项所述的基于层级关联的资产学习方法,其特征是,所述资产学习方法还包括:
获取预定区域的多个智能变电站的智能变电设备资产学习结果,并汇总形成资产行为大数据,将资产行为大数据应用于与所述预定区域具有类似情况的其他区域的电网系统中进行辅助管理和决策。
5.根据权利要求4所述的跨层级的智能变电设备资产学习方法,其特征是,所述获取预定区域的多个智能变电站的智能变电设备资产学习结果,并汇总形成资产行为大数据,将资产行为大数据应用于与所述预定区域具有类似情况的其他区域的电网系统中进行辅助管理和决策,具体包括:
将各智能变电站的智能变电设备资产学习结果进行汇总,并清洗掉其中的错误数据、缺失数据和噪声数据,并集成清洗后的数据;
利用内置流式大数据计算引擎对清洗后的数据进行处理;
根据处理的结果建立智能变电站的大数据模型,并实时增加最新的资产学习结果,形成渐进式资产学习模式,进行优化大数据模型;
将优化的大数据模型应用于与所述预定区域具有类似情况的其他区域的电网系统中。
6.一种基于层级关联的资产学习装置,其特征是,包括:
第一数据包获取单元,用于获取位于间隔层的第二设备向过程层的第三设备发送的若干个Goose流量数据包;其中,每个Goose流量数据包具有对应的APPID以及stNum,所述APPID标识订阅了所述Goose流量数据包的第三设备;
第二数据包获取单元,用于当检测到第二设备的Goose流量数据包的stNum字段发生了变化时,在第二设备的缓存区内回溯上一个MMS流量数据包,以获得触发所述Goose流量数据包的MMS流量数据包;
检测单元,用于检测发出所述MMS流量数据包的位于站控层的第一设备;
学习单元,用于根据所述第一设备、第二设备以及第三设备实现操作信息的跨层级路径关联,形成层级关联的资产学习结果。
7.根据权利要求6所述的基于层级关联的资产学习装置,其特征是,所述Goose/sv流量数据包还包括通信测量值;则资产学习装置还包括:
告警单元,用于将通信测量值与流量的通信路径进行结合,并在通信路径正确而通信测量值异常时发出告警,并根据通信测量值的偏离情况发出相应程度的告警。
8.根据权利要求6或7所述的基于层级关联的资产学习装置,其特征是,还包括:
应用单元,用于获取预定区域的多个智能变电站的资产学习结果,并将资产学习结果汇总形成资产行为大数据,将资产行为大数据应用于与所述预定区域具有类似情况的其他区域的电网系统中进行辅助管理和决策。
9.一种基于层级关联的资产学习设备,其特征是,包括存储器以及处理器,所述存储器内存储有可执行代码,所述可执行代码能够被所述处理器执行,以实现如权利要求1至5任意一项所述的基于层级关联的资产学习方法。
10.一种智能变电站,其特征是,包括站控层设备、间隔层设备、过程层设备以及如权利要求9所述的基于层级关联的资产学习设备,所述基于层级关联的资产学习设备能够抓取变电站站控层、间隔层和过程层中的各个设备在进行通信时产生的流量数据包,并通过对所述流量数据包进行解析来获取操作信息的跨层级路径关联,形成跨层级的资产学习结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010346930.8A CN111614512B (zh) | 2020-04-27 | 2020-04-27 | 基于层级关联的资产学习方法、装置、设备及智能变电站 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010346930.8A CN111614512B (zh) | 2020-04-27 | 2020-04-27 | 基于层级关联的资产学习方法、装置、设备及智能变电站 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111614512A true CN111614512A (zh) | 2020-09-01 |
CN111614512B CN111614512B (zh) | 2022-04-15 |
Family
ID=72205692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010346930.8A Active CN111614512B (zh) | 2020-04-27 | 2020-04-27 | 基于层级关联的资产学习方法、装置、设备及智能变电站 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111614512B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101409463A (zh) * | 2008-12-02 | 2009-04-15 | 江西省电力科学研究院 | 电力系统数字化变电站的保护与视频系统联动控制方法 |
CN101833442A (zh) * | 2009-03-13 | 2010-09-15 | 华东电网有限公司 | 一种goose和mms事件量信息可视化融合方法 |
CN102254074A (zh) * | 2011-08-04 | 2011-11-23 | 上海思源弘瑞自动化有限公司 | 智能变电站间隔装置的自动建模方法 |
CN103296757A (zh) * | 2013-05-21 | 2013-09-11 | 国家电网公司 | 基于多参量辨识的智能变电站二次系统故障判断方法 |
CN103312037A (zh) * | 2013-06-09 | 2013-09-18 | 国家电网公司 | 智能变电站压力测试装置及方法 |
CN104377823A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 变电设备在线监测系统 |
CN104579839A (zh) * | 2015-01-05 | 2015-04-29 | 广州至德电力科技有限公司 | 一种变电站通信网络状态在线监测系统及方法 |
CN104579748A (zh) * | 2014-12-10 | 2015-04-29 | 国家电网公司 | Scd在线校核的网络分析方法及系统 |
CN104683168A (zh) * | 2013-11-29 | 2015-06-03 | 国网浙江省电力公司 | 一种智能变电站过程层网络通信故障自动定位方法 |
US20150172124A1 (en) * | 2012-06-07 | 2015-06-18 | Giuseppe Piccinini | Configuration Module for Automatically Configuring the Communication Capabilities of an Intelligent Electronic Device |
CN106646068A (zh) * | 2017-01-22 | 2017-05-10 | 国网湖北省电力公司检修公司 | 基于多参量信息融合的智能变电站二次系统缺陷诊断方法 |
CN107005781A (zh) * | 2014-11-28 | 2017-08-01 | 华为技术有限公司 | 用于生成m2m通信的虚拟网络拓扑的系统与方法 |
CN107346917A (zh) * | 2017-08-10 | 2017-11-14 | 嘉兴恒创电力设计研究院有限公司 | 基于虚拟机的二次设备集成联调方法 |
US9894080B1 (en) * | 2016-10-04 | 2018-02-13 | The Florida International University Board Of Trustees | Sequence hopping algorithm for securing goose messages |
CN107742925A (zh) * | 2017-11-17 | 2018-02-27 | 国网山西省电力公司检修分公司 | 基于三级网络的变电站硬压板巡检方法 |
CN108512311A (zh) * | 2018-05-07 | 2018-09-07 | 国家电网公司 | 一种智能变电站间隔层设备集群测控装置 |
CN208461214U (zh) * | 2018-06-28 | 2019-02-01 | 国网河南省电力公司经济技术研究院 | 智能变电站整站式即插即用二次设备组件结构 |
CN109391613A (zh) * | 2018-09-06 | 2019-02-26 | 国网山东省电力公司电力科技研究院 | 一种基于scd解析的智能变电站安全审计方法 |
US20190319836A1 (en) * | 2016-11-29 | 2019-10-17 | Centro De Investigacäo Em Energia Ren - State Grid S A | System and method for configuring ied process bus network switches from substation topology specification |
CN111030951A (zh) * | 2019-11-11 | 2020-04-17 | 国电南瑞南京控制系统有限公司 | 一种智能变电站中ied设备的学习系统及方法 |
CN111049859A (zh) * | 2019-12-27 | 2020-04-21 | 东南大学 | 一种基于拓扑分析的攻击流量分流和阻断方法 |
CN112350846A (zh) * | 2019-08-07 | 2021-02-09 | 杭州木链物联网科技有限公司 | 一种智能变电站的资产学习方法、装置、设备及存储介质 |
-
2020
- 2020-04-27 CN CN202010346930.8A patent/CN111614512B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101409463A (zh) * | 2008-12-02 | 2009-04-15 | 江西省电力科学研究院 | 电力系统数字化变电站的保护与视频系统联动控制方法 |
CN101833442A (zh) * | 2009-03-13 | 2010-09-15 | 华东电网有限公司 | 一种goose和mms事件量信息可视化融合方法 |
CN102254074A (zh) * | 2011-08-04 | 2011-11-23 | 上海思源弘瑞自动化有限公司 | 智能变电站间隔装置的自动建模方法 |
US20150172124A1 (en) * | 2012-06-07 | 2015-06-18 | Giuseppe Piccinini | Configuration Module for Automatically Configuring the Communication Capabilities of an Intelligent Electronic Device |
CN103296757A (zh) * | 2013-05-21 | 2013-09-11 | 国家电网公司 | 基于多参量辨识的智能变电站二次系统故障判断方法 |
CN103312037A (zh) * | 2013-06-09 | 2013-09-18 | 国家电网公司 | 智能变电站压力测试装置及方法 |
CN104683168A (zh) * | 2013-11-29 | 2015-06-03 | 国网浙江省电力公司 | 一种智能变电站过程层网络通信故障自动定位方法 |
CN104377823A (zh) * | 2014-11-18 | 2015-02-25 | 柳州市金旭节能科技有限公司 | 变电设备在线监测系统 |
CN107005781A (zh) * | 2014-11-28 | 2017-08-01 | 华为技术有限公司 | 用于生成m2m通信的虚拟网络拓扑的系统与方法 |
CN104579748A (zh) * | 2014-12-10 | 2015-04-29 | 国家电网公司 | Scd在线校核的网络分析方法及系统 |
CN104579839A (zh) * | 2015-01-05 | 2015-04-29 | 广州至德电力科技有限公司 | 一种变电站通信网络状态在线监测系统及方法 |
US9894080B1 (en) * | 2016-10-04 | 2018-02-13 | The Florida International University Board Of Trustees | Sequence hopping algorithm for securing goose messages |
US20190319836A1 (en) * | 2016-11-29 | 2019-10-17 | Centro De Investigacäo Em Energia Ren - State Grid S A | System and method for configuring ied process bus network switches from substation topology specification |
CN106646068A (zh) * | 2017-01-22 | 2017-05-10 | 国网湖北省电力公司检修公司 | 基于多参量信息融合的智能变电站二次系统缺陷诊断方法 |
CN107346917A (zh) * | 2017-08-10 | 2017-11-14 | 嘉兴恒创电力设计研究院有限公司 | 基于虚拟机的二次设备集成联调方法 |
CN107742925A (zh) * | 2017-11-17 | 2018-02-27 | 国网山西省电力公司检修分公司 | 基于三级网络的变电站硬压板巡检方法 |
CN108512311A (zh) * | 2018-05-07 | 2018-09-07 | 国家电网公司 | 一种智能变电站间隔层设备集群测控装置 |
CN208461214U (zh) * | 2018-06-28 | 2019-02-01 | 国网河南省电力公司经济技术研究院 | 智能变电站整站式即插即用二次设备组件结构 |
CN109391613A (zh) * | 2018-09-06 | 2019-02-26 | 国网山东省电力公司电力科技研究院 | 一种基于scd解析的智能变电站安全审计方法 |
CN112350846A (zh) * | 2019-08-07 | 2021-02-09 | 杭州木链物联网科技有限公司 | 一种智能变电站的资产学习方法、装置、设备及存储介质 |
CN111030951A (zh) * | 2019-11-11 | 2020-04-17 | 国电南瑞南京控制系统有限公司 | 一种智能变电站中ied设备的学习系统及方法 |
CN111049859A (zh) * | 2019-12-27 | 2020-04-21 | 东南大学 | 一种基于拓扑分析的攻击流量分流和阻断方法 |
Non-Patent Citations (7)
Title |
---|
NHAT NGUYEN-DINH: "A study on GOOSE communication based on IEC 61850 using MMS ease lite", 《2007 INTERNATIONAL CONFERENCE ON CONTROL, AUTOMATION AND SYSTEMS》 * |
刘彬等: "数字化变电站虚回路智能检测软件开发与应用", 《广西电力》 * |
张侃君等: "智能变电站GOOSE通信技术", 《湖北电力》 * |
李忠明等: "IEC61850 SCD文件导入生成嵌入式远动系统装置定义的通用方法", 《电力自动化设备》 * |
贺振华等: "IEC61850标准下通用变电站事件模型与采样值传输模型的比较", 《继电器》 * |
陈超: "智能变电站信息流的分析与研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
黄鸣宇等: "智能变电站无线拓扑的设计与研究", 《重庆邮电大学学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111614512B (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112350846B (zh) | 一种智能变电站的资产学习方法、装置、设备及存储介质 | |
JP5921531B2 (ja) | 悪意のある攻撃の検出および分析 | |
CN105353702B (zh) | 高压设备智能监控系统 | |
CN102142720B (zh) | 网络通信记录仪及网络通信记录分析系统 | |
CN103296755B (zh) | 一种变电站网络在线监测系统 | |
CN103220173B (zh) | 一种报警监控方法及监控系统 | |
CN107566163A (zh) | 一种用户行为分析关联的告警方法及装置 | |
CN106815115A (zh) | 一种服务器运行状态监控系统 | |
CN109391613A (zh) | 一种基于scd解析的智能变电站安全审计方法 | |
CN110929896A (zh) | 一种系统设备的安全分析方法及装置 | |
CN110224865A (zh) | 一种基于流式处理的日志告警系统 | |
Yang et al. | FARIMA model‐based communication traffic anomaly detection in intelligent electric power substations | |
US20120109663A1 (en) | Advanced Metering Infrastructure Event Filtering | |
CN111327468A (zh) | 一种用于电力系统的边缘计算平台的运行方法及其系统 | |
CN116166499A (zh) | 数据监测方法、装置、电子设备及非易失性存储介质 | |
CN114513342B (zh) | 一种智能变电站通信数据安全监测方法及系统 | |
CN114125083B (zh) | 工业网络分布式数据采集方法、装置、电子设备及介质 | |
CN108156017A (zh) | 一种输变电设备状态告警管理方法 | |
CN102932194B (zh) | 基于贝叶斯方法的互联网应用服务监控系统及方法 | |
CN111614512B (zh) | 基于层级关联的资产学习方法、装置、设备及智能变电站 | |
CN202795023U (zh) | 污水厂设备运行监测系统 | |
CN104978837A (zh) | 一种面向用户端变电所的报警系统及其实现方法 | |
CN112737973A (zh) | 一种基于协议感知的电力网络监控方法及系统 | |
CN111614511B (zh) | 跨层级的智能变电设备资产学习方法、装置及设备 | |
CN103532233B (zh) | 基于gprs技术的用电信息采集异常精确定位系统 |
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 |