CN111814403B - 一种配电主设备分布式状态传感器可靠性评估方法 - Google Patents
一种配电主设备分布式状态传感器可靠性评估方法 Download PDFInfo
- Publication number
- CN111814403B CN111814403B CN202010688893.9A CN202010688893A CN111814403B CN 111814403 B CN111814403 B CN 111814403B CN 202010688893 A CN202010688893 A CN 202010688893A CN 111814403 B CN111814403 B CN 111814403B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- sastgcn
- convolution
- state sensor
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Selective Calling Equipment (AREA)
Abstract
一种配电主设备分布式状态传感器可靠性评估方法,采用深度学习技术,深度学习方法具有自适应能力,且能把原始数据通过一些非线性的模型转变成为更高层次的,更加抽象的表达,可以很好地应对可靠性评估非线性、不确定等特点。采用SASTGCN的内部结构,适用于传感器数据复杂度高、时空特性明显、评估值与传感器数据之间存在复杂的映射关系等特点,有助于提高评估精度。
Description
技术领域
本发明涉及配电网高可靠性自感知技术领域,具体涉及一种配电主设备分布式状态传感器可靠性评估方法。
背景技术
配电网作为连接输电与用户的关键环节,其安全可靠运行对电力系统稳定以及用户体验的重要性不言而喻。在配电网上应用自感知技术,在配电主设备上安装分布式传感装置,是对配电网的运行情况进行全面采集,监测设备状态,实现全生命周期的设备管理的一个重要举措,有利于提高电力系统稳定性和用户体验感。但是一旦传感器装置发生故障,则会对电网安全运行造成严重威胁。
目前还没有一个统一标准全面评估传感器装置可靠性。由于可靠性评估具有非线性、不确定等特点,传统的可靠性评估方法都有一定的局限性,计算复杂度高,相关分析和灵敏度分析不够准确,不确定性因素和人的主观因素对评估结果影响较大。
目前,已有的可靠性评估方法可以分为以下两类:一、采用层次分析法及其改进方法。使用这些方法,不确定性因素和人的主观因素对评估结果影响较大,评估精度不高。二、采用机器学习的方法进行可靠性评估,如马尔可夫模型、贝叶斯网络、决策树和神经网络等。该方法计算复杂度高且难以避免主观因素对模型的影响,导致准确描述高维、复杂、时变数据特征难度增大。
发明内容
本发明为了克服以上技术的不足,提供了一种可以使不确定性因素和人的主管因素对评估结果影响小的配电主设备分布式状态传感器可靠性评估方法。
本发明克服其技术问题所采用的技术方案是:
一种配电主设备分布式状态传感器可靠性评估方法,包括如下步骤:
a)收集配电主设备分布式状态传感器在一个时间段内的数据作为样本数据,将采集到的样本数据分为模型训练数据和测试数据;
b)将样本数据进行归一化处理;
c)将ASTGCN网络中的注意力机制修改为自注意力机制,形成SASTGCN网络模型;
d)将模型训练数据输入到SASTGCN网络模型进行学习,对SASTGCN网络模型进行训练;
e)将测试数据输入到训练完成的SASTGCN模型中得到分布式状态传感器可靠性评估模型。
进一步的,步骤a)中模型训练数据和测试数据的比例为3:1。
进一步的,步骤a)中模型训练数据的批次设置为64。
进一步的,步骤c)中SASTGCN模型中卷积核沿时间维度为3,图卷积使用64个相同大小的卷积核,时间维卷积使用64个相同大小的卷积核,SASTGCN模型训练时批量大小为64,学习率为0.0001。
进一步的,步骤d)中的将模型训练数据输入到SASTGCN网络模型进行学习的过程如下:
d-1)将模型训练数据通过公式G=(V,E,A)定义为无向图G,其中V为N个传感器节点的集合,|V|=N,E为一组边,A∈RN×N;
d-2)通过公式X∈RN*F*T计算模型输入X,通过公式Y∈RT计算评估值Y,F为节点的特征向量的长度,T为输入的时间步的个数;
d-3)将模型训练数据输入到SASTGCN网络模型中,SASTGCN网络模型中的时空自注意力模块使用自注意力机制将模型输入X处理为x;
d-4)通过公式进行卷积计算,式中gθ为卷积核,*G为一个图卷积算子,L为图的拉普拉斯矩阵,θk为切比雪夫多项式系数,/>λmax为拉普拉斯矩阵最大的特征值,IN为单位矩阵,Tk为切比雪夫多项式,/>为矩阵对应元素相乘的哈达马积,S′为归一化后的自注意力矩阵,k为图卷积的变量;
d-5)通过公式及计算得到数据的时间维特征,其中,/>为第r+1层卷积的输入数据,r∈{1,...,l},l为时空卷积层数,Φ为时间维卷积核的参数,Cr为第r+1层网络的输入数据的通道数,Tr为输入数据时间维长度,*为一个标准的卷积算子,RELU为激活函数,/>为第r层卷积的输入数据;
d-6)重复步骤d-3)至d-5);
d-7)对步骤d-6)得到的全连接层使用RELU为激活函数;
d-8)重复步骤d-6)和d-7),通过迭代训练不断更新模型参数。
本发明的有益效果是:采用深度学习技术,深度学习方法具有自适应能力,且能把原始数据通过一些非线性的模型转变成为更高层次的,更加抽象的表达,可以很好地应对可靠性评估非线性、不确定等特点。配电主设备分布式状态传感器数据往往具有高维、时变等复杂时空特征,评估值与传感器数据之间存在复杂的映射关系,可靠性评估具有非线性、不确定等特点。克服了传统的可靠性评估方法的局限性,计算复杂度高,相关分析和灵敏度分析不够准确,不确定性因素和人的主观因素对评估结果影响较大,评估精度不高的缺点。采用SASTGCN的内部结构,适用于传感器数据复杂度高、时空特性明显、评估值与传感器数据之间存在复杂的映射关系等特点,有助于提高评估精度。
附图说明
图1为本发明的评估方法流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种配电主设备分布式状态传感器可靠性评估方法,包括如下步骤:
a)收集配电主设备分布式状态传感器在一个时间段内的数据作为样本数据,将采集到的样本数据分为模型训练数据和测试数据;
b)将样本数据进行归一化处理;
c)将ASTGCN网络中的注意力机制修改为自注意力机制,形成SASTGCN网络模型;
d)将模型训练数据输入到SASTGCN网络模型进行学习,对SASTGCN网络模型进行训练。测试网络输出与期望输出的均方误差,通过不断调整自身参数最小化均方误差,从而得到最终的传感器可靠性评估模型。
e)将测试数据输入到训练完成的SASTGCN模型中得到分布式状态传感器可靠性评估模型。
采用深度学习技术,深度学习方法具有自适应能力,且能把原始数据通过一些非线性的模型转变成为更高层次的,更加抽象的表达,可以很好地应对可靠性评估非线性、不确定等特点。配电主设备分布式状态传感器数据往往具有高维、时变等复杂时空特征,评估值与传感器数据之间存在复杂的映射关系,可靠性评估具有非线性、不确定等特点。克服了传统的可靠性评估方法的局限性,计算复杂度高,相关分析和灵敏度分析不够准确,不确定性因素和人的主观因素对评估结果影响较大,评估精度不高的缺点。采用SASTGCN的内部结构,适用于传感器数据复杂度高、时空特性明显、评估值与传感器数据之间存在复杂的映射关系等特点,有助于提高评估精度。
进一步的,步骤a)中模型训练数据和测试数据的比例为3:1。
进一步的,步骤a)中模型训练数据的批次设置为64。
进一步的,步骤c)中SASTGCN模型中卷积核沿时间维度为3,图卷积使用64个相同大小的卷积核,时间维卷积使用64个相同大小的卷积核,SASTGCN模型训练时批量大小为64,学习率为0.0001。
进一步的,步骤d)中的将模型训练数据输入到SASTGCN网络模型进行学习的过程如下:
d-1)将模型训练数据通过公式G=(V,E,A)定义为无向图G,其中V为N个传感器节点的集合,|V|=N,E为一组边,A∈RN×N;
d-2)通过公式X∈RN*F*T计算模型输入X,通过公式Y∈RT计算评估值Y,F为节点的特征向量的长度,T为输入的时间步的个数;
d-3)将模型训练数据输入到SASTGCN网络模型中,SASTGCN网络模型中的时空自注意力模块使用自注意力机制将模型输入X处理为x;
d-4)通过公式进行卷积计算,式中gθ为卷积核,*G为一个图卷积算子,L为图的拉普拉斯矩阵,θk为切比雪夫多项式系数,/>λmax为拉普拉斯矩阵最大的特征值,IN为单位矩阵,Tk为切比雪夫多项式,/>为矩阵对应元素相乘的哈达马积,S′为归一化后的自注意力矩阵,k为图卷积的变量;
d-5)通过公式及计算得到数据的时间维特征,其中,/>为第r+1层卷积的输入数据,r∈{1,...,l},l为时空卷积层数,Φ为时间维卷积核的参数,Cr为第r+1层网络的输入数据的通道数,Tr为输入数据时间维长度,*为一个标准的卷积算子,RELU为激活函数,/>为第r层卷积的输入数据;
d-6)重复步骤d-3)至d-5);
d-7)对步骤d-6)得到的全连接层使用RELU为激活函数;
d-8)重复步骤d-6)和d-7),通过迭代训练不断更新模型参数。
Claims (4)
1.一种配电主设备分布式状态传感器可靠性评估方法,其特征在于,包括如下步骤:
a)收集配电主设备分布式状态传感器在一个时间段内的数据作为样本数据,将采集到的样本数据分为模型训练数据和测试数据;
b)将样本数据进行归一化处理;
c)将ASTGCN网络中的注意力机制修改为自注意力机制,形成SASTGCN网络模型;
d)将模型训练数据输入到SASTGCN网络模型进行学习,对SASTGCN网络模型进行训练;
e)将测试数据输入到训练完成的SASTGCN模型中得到分布式状态传感器可靠性评估模型;
步骤d)中的将模型训练数据输入到SASTGCN网络模型进行学习的过程如下:
d-1)将模型训练数据通过公式G=(V,E,A)定义为无向图G,其中V为N个传感器节点的集合,|V|=N,E为一组边,A∈RN×N;
d-2)通过公式X∈RN*F*T计算模型输入X,通过公式Y∈RT计算评估值Y,F为节点的特征向量的长度,T为输入的时间步的个数;
d-3)将模型训练数据输入到SASTGCN网络模型中,SASTGCN网络模型中的时空自注意力模块使用自注意力机制将模型输入X处理为x;
d-4)通过公式进行卷积计算,式中gθ为卷积核,*G为一个图卷积算子,L为图的拉普拉斯矩阵,θk为切比雪夫多项式系数,/>λmax为拉普拉斯矩阵最大的特征值,IN为单位矩阵,Tk为切比雪夫多项式,/>为矩阵对应元素相乘的哈达马积,S′为归一化后的自注意力矩阵,k为图卷积的变量;
d-5)通过公式
及/>计算得到数据的时间维特征,其中,/>为第r+1层卷积的输入数据,r∈{1,...,l},l为时空卷积层数,Φ为时间维卷积核的参数,Cr为第r+1层网络的输入数据的通道数,Tr为输入数据时间维长度,*为一个标准的卷积算子,RELU为激活函数,/>为第r层卷积的输入数据;
d-6)重复步骤d-3)至d-5);
d-7)对步骤d-6)得到的全连接层使用RELU为激活函数;
d-8)重复步骤d-6)和d-7),通过迭代训练不断更新模型参数。
2.根据权利要求1所述的配电主设备分布式状态传感器可靠性评估方法,其特征在于:步骤a)中模型训练数据和测试数据的比例为3:1。
3.根据权利要求1所述的配电主设备分布式状态传感器可靠性评估方法,其特征在于:步骤a)中模型训练数据的批次设置为64。
4.根据权利要求1所述的配电主设备分布式状态传感器可靠性评估方法,其特征在于:步骤c)中SASTGCN模型中卷积核沿时间维度为3,图卷积使用64个相同大小的卷积核,时间维卷积使用64个相同大小的卷积核,SASTGCN模型训练时批量大小为64,学习率为0.0001。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010688893.9A CN111814403B (zh) | 2020-07-16 | 2020-07-16 | 一种配电主设备分布式状态传感器可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010688893.9A CN111814403B (zh) | 2020-07-16 | 2020-07-16 | 一种配电主设备分布式状态传感器可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111814403A CN111814403A (zh) | 2020-10-23 |
CN111814403B true CN111814403B (zh) | 2023-07-28 |
Family
ID=72866393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010688893.9A Active CN111814403B (zh) | 2020-07-16 | 2020-07-16 | 一种配电主设备分布式状态传感器可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814403B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128130B (zh) * | 2021-05-13 | 2022-05-17 | 浙江大学 | 一种判断直流配电系统稳定性的实时监测方法及装置 |
CN113473515A (zh) * | 2021-05-31 | 2021-10-01 | 杭州电子科技大学 | 一种工业无线网络可靠性评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664687A (zh) * | 2018-03-22 | 2018-10-16 | 浙江工业大学 | 一种基于深度学习的工控系统时空数据预测方法 |
CN109063308A (zh) * | 2018-07-26 | 2018-12-21 | 北京航空航天大学 | 一种基于深度量子学习的健康评估方法 |
CN110991483A (zh) * | 2019-11-01 | 2020-04-10 | 北京邮电大学 | 高阶邻域混合的网络表示学习方法及装置 |
CN111079351A (zh) * | 2020-01-19 | 2020-04-28 | 天津大学 | 考虑风电不确定性的配电网概率潮流获取方法、装置 |
CN111080168A (zh) * | 2019-12-30 | 2020-04-28 | 国网江苏省电力有限公司信息通信分公司 | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 |
CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8725951B2 (en) * | 2010-04-12 | 2014-05-13 | Sandisk Enterprise Ip Llc | Efficient flash memory-based object store |
US11544522B2 (en) * | 2018-12-06 | 2023-01-03 | University Of Tennessee Research Foundation | Methods, systems, and computer readable mediums for determining a system state of a power system using a convolutional neural network |
US20200210824A1 (en) * | 2018-12-28 | 2020-07-02 | Utopus Insights, Inc. | Scalable system and method for forecasting wind turbine failure with varying lead time windows |
-
2020
- 2020-07-16 CN CN202010688893.9A patent/CN111814403B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664687A (zh) * | 2018-03-22 | 2018-10-16 | 浙江工业大学 | 一种基于深度学习的工控系统时空数据预测方法 |
CN109063308A (zh) * | 2018-07-26 | 2018-12-21 | 北京航空航天大学 | 一种基于深度量子学习的健康评估方法 |
CN110991483A (zh) * | 2019-11-01 | 2020-04-10 | 北京邮电大学 | 高阶邻域混合的网络表示学习方法及装置 |
CN111080168A (zh) * | 2019-12-30 | 2020-04-28 | 国网江苏省电力有限公司信息通信分公司 | 一种基于胶囊网络的电力通信网络设备可靠性评估方法 |
CN111079351A (zh) * | 2020-01-19 | 2020-04-28 | 天津大学 | 考虑风电不确定性的配电网概率潮流获取方法、装置 |
CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
A structured self-attentive sentence embedding;Lin Zhouhan et al.;Conference paper in 5th International Conference on Learning Rrepresentations;第1-15页 * |
基于一维卷积神经网络的低压万能式断路器附件故障诊断;孙曙光;李勤;杜太行;崔景瑞;王景芹;;电工技术学报(第12期);第68-79页 * |
基于深度学习的电力系统暂态稳定评估方法;周悦;谭本东;李淼;杨旋;周强明;张振兴;谭敏;杨军;;电力建设(第02期);第108-113页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111814403A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119854B (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
CN112132430B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
CN111814403B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法 | |
CN109033513B (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
CN113743016B (zh) | 基于自编码器和回声状态网络的发动机剩余寿命预测方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
WO2022151154A1 (zh) | 一种基于图像序列分析的燃气涡轮发动机燃烧室稳定性分析方法 | |
CN111060316A (zh) | 基于卷积神经网络模型的滚动轴承状态监测方法和系统 | |
CN114004162A (zh) | 一种多工况场景下的冶炼负荷谐波发射水平的建模方法 | |
CN114818579B (zh) | 基于一维卷积长短期记忆网络的模拟电路故障诊断方法 | |
CN114386686B (zh) | 一种基于改进lstm的流域水质短期预测方法 | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
CN113159088B (zh) | 一种基于多特征融合和宽度学习的故障监测与诊断方法 | |
CN111930728A (zh) | 一种设备的特征参数和故障率的预测方法及系统 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN116384223A (zh) | 基于退化状态智能辨识的核设备可靠性评估方法及系统 | |
CN113804833B (zh) | 基于凸集投影和极限学习机的电子鼻漂移通用校准方法 | |
CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
Zhi-hong et al. | Sensor fault diagnosis based on wavelet analysis and LSTM neural network | |
Söderkvist Vermelin et al. | Data-Driven Remaining Useful Life Estimation of Discrete Power Electronic Devices | |
CN117172015A (zh) | 基于人工神经网络的霍尔器件Verilog-A仿真模型建立方法、系统、设备及介质 | |
CN117193184A (zh) | Vae与深度神经网络混合的智能制造工厂过程质量监控方法 |
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 |