CN111984638A - 一种基于bp神经网络算法的配变重过载数据治理方法 - Google Patents
一种基于bp神经网络算法的配变重过载数据治理方法 Download PDFInfo
- Publication number
- CN111984638A CN111984638A CN202010665004.7A CN202010665004A CN111984638A CN 111984638 A CN111984638 A CN 111984638A CN 202010665004 A CN202010665004 A CN 202010665004A CN 111984638 A CN111984638 A CN 111984638A
- Authority
- CN
- China
- Prior art keywords
- data
- overload
- alarm
- neural network
- distribution transformer
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 14
- 238000013523 data management Methods 0.000 title claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000007689 inspection Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000007635 classification algorithm Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 3
- 238000005259 measurement Methods 0.000 claims description 7
- 238000013524 data verification Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
一种基于BP神经网络算法的配变重过载数据治理方法，其包括获取台账数据，启动重过载数据校验机制，检查计量数据与台账数据是否匹配，过滤数据库中不匹配数据，如果数据匹配，检查重过载异常数据，连入数据库接口提取异常数据和报警信息特征，报警信息特征主成分分析PCA，线性判别分析LDA，奇异值分辨提取因子SVD,分类算法将报警信息特征分类。从数据质量检查、数据真实性校验和数据修正三个步骤实现配变重过载数据的治理，提高了数据质量，对配变判断重过载提供了可靠性较高的依据。
Description
技术领域
本发明涉及电网数据治理方法，特别指一种基于BP神经网络算法的配变重过载数据治理方法。
背景技术
由于计算配变的数据质量不高，不但异常报警数多，存在许多漏报和误报的情况，通过分析影响配变重过载发生的因素，造成以上数据不准确的原因有：
变户关系交叉互换，导致配电变压器变比、容量等信息错误；
用户侧设备更新，而计量系统或营销系统中的配电变压器变比数据未及时同步或填写不规范；
由于计费原因不能同步更新，直接影响PQIU等量测数据计算；
设备现场出现问题，部分异常疑似与用户负荷特性有关。
发明内容
本发明是一种基于BP神经网络算法的配变重过载数据治理方法，本发明从数据质量检查、数据真实性校验和数据修正三个方面着手，实现提高数据质量，降低漏告警和误告警的次数。数据质量检查从时间、设备、报警和严重程度四个维度进行质量检查。在数据校验和数据修正阶段，引入BP神经网络算法，实现数据质量的提高。
本发明具体流程，首先获取XX省海量平台计量数据和获取XX省海量平台台账数据，启动重过载数据校验机制。检查计量数据与台账数据是否匹配，过滤数据库中不匹配数据，如果数据匹配，检查重过载异常数据，连入数据库接口提取异常数据和报警信息特征(主成分分析PCA，线性判别分析LDA，奇异值分辨提取因子SVD),分类算法将报警信息特征分类。
利用户变关系交叉互换计算母线平衡关系式解决户变关系一对多，多对一，多对多情况，
利用数据校验机制验证两端数据完整性与一致性解决用户测经理数据与量测数据不匹配。
根据变比，变压器一/二次侧转换计算识别变压器故障。
接着利用神经网络分类重过载信息，初始化神经网络与权值，计算中间各层单元的输入与输出，计算输出层各单元的输入与输出，判断误差是否小于阈值，如果小于阈值，调整中间层与输出层连接权值与输出阈值，如果不小于阈值，调整学习速率并更新学习次数，输出分类判别结果。
综合判别重过载信息是否误报，如果误报，记录误差原因，并删除误报条目，如果没有误报，检查系统是否限值设置错误，记录错误限值，并重新调整限值，并返回检查重过载异常数据。
一、数据质量检查
提取重过载报警数据，校验警报信息的完整性，包括报警数据的时间、地点、设备编号、报警类型与严重程度。时间信息需要检查报警时间是否缺失。报警地点与报警设备线路需要相匹配，报警设备编号与台账数据信息需要匹配等。报警类型提取确认，查看是否存在明显误报信息。报警信息严重程度通过计量数据计算过载率核查，判断报警结果是否正确。
二、数据校验
引入BP(Back Propagation)网络，它是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入和输出模式映射关系，而不需要提前描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
Y＝Φ(W(m-1)'Φ(...Φ(W1'X)))
其中Φ为激活函数，即sigmoid函数，当重过载告警信息出现时，获取告警点的设备容量S0,记录告警点的当前时刻及前n个历史时刻的电压V、电流I、有功P、无功Q，构成如下：
X＝[S0,V0,V1,...,Vn,I0,I1,...,In,P0,P1,...,Pn,Q0,Q1,...,Qn],
X是向量，同时记录手工排查得出的是否误报的结论Y，使用大量(X,Y)数据对训练神经网络对于每一个W＝[Wij,new＝Wij,current+ηδjxij]，其中xij表示节点j的第i个输入。并有
使用大量数据训练之后，神经网络对于一组输入X，即自动输出Y。
三、数据修正
利用数据真实性校验已训练的神经网络异常数据分类器，输入一段时间内报警信息，得到误报分类信息。设置误报警条数阈值，根据误报设备将误报数据分类，如果特定段时间内误报警条数超过阈值，则认定该设备存在误报原因，应记录错误报告书并现场指导排查和修正。
本发明的有益效果为：本发明引入BP神经网络算法，从数据质量检查、数据真实性校验和数据修正三个步骤实现配变重过载数据的治理，提高了数据质量，对配变判断重过载提供了可靠性较高的依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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他的附图。
图1为本发明数据真实性校验BP神经网络模型；
图2为本发明数据真实性校验流程图；
图3为本发明数据修正流程图。
具体实施方式
以下通过具体的实施案例以及附图说明对本发明作进一步详细的描述，应理解这些实施例仅用于说明本发明而不用于限制本发明的保护范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定。若无特殊说明，本发明的所有原料和试剂均为常规市场的原料、试剂。
如图1-3中所示，本发明是一种基于BP神经网络算法的配变重过载数据治理方法，本发明从数据质量检查、数据真实性校验和数据修正三个方面着手，实现提高数据质量，降低漏告警和误告警的次数。数据质量检查从时间、设备、报警和严重程度四个维度进行质量检查。在数据校验和数据修正阶段，引入BP神经网络算法，实现数据质量的提高。
本发明具体流程，首先获取XX省海量平台计量数据和获取XX省海量平台台账数据，启动重过载数据校验机制。检查计量数据与台账数据是否匹配，过滤数据库中不匹配数据，如果数据匹配，检查重过载异常数据，连入数据库接口提取异常数据和报警信息特征(主成分分析PCA，线性判别分析LDA，奇异值分辨提取因子SVD),分类算法将报警信息特征分类。
利用户变关系交叉互换计算母线平衡关系式解决户变关系一对多，多对一，多对多情况，
利用数据校验机制验证两端数据完整性与一致性解决用户测经理数据与量测数据不匹配。
根据变比，变压器一/二次侧转换计算识别变压器故障。
接着利用神经网络分类重过载信息，初始化神经网络与权值，计算中间各层单元的输入与输出，计算输出层各单元的输入与输出，判断误差是否小于阈值，如果小于阈值，调整中间层与输出层连接权值与输出阈值，如果不小于阈值，调整学习速率并更新学习次数，输出分类判别结果。
综合判别重过载信息是否误报，如果误报，记录误差原因，并删除误报条目，如果没有误报，检查系统是否限值设置错误，记录错误限值，并重新调整限值，并返回检查重过载异常数据。
二、数据质量检查
提取重过载报警数据，校验警报信息的完整性，包括报警数据的时间、地点、设备编号、报警类型与严重程度。时间信息需要检查报警时间是否缺失。报警地点与报警设备线路需要相匹配，报警设备编号与台账数据信息需要匹配等。报警类型提取确认，查看是否存在明显误报信息。报警信息严重程度通过计量数据计算过载率核查，判断报警结果是否正确。
二、数据校验
引入BP(Back Propagation)网络，它是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入和输出模式映射关系，而不需要提前描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
Y＝Φ(W(m-1)'Φ(...Φ(W1'X)))
其中Φ为激活函数，即sigmoid函数，当重过载告警信息出现时，获取告警点的设备容量S0,记录告警点的当前时刻及前n个历史时刻的电压V、电流I、有功P、无功Q，构成如下：
X＝[S0,V0,V1,...,Vn,I0,I1,...,In,P0,P1,...,Pn,Q0,Q1,...,Qn],
X是向量，同时记录手工排查得出的是否误报的结论Y，使用大量(X,Y)数据对训练神经网络对于每一个W＝[Wij,new＝Wij,current+ηδjxij]，其中xij表示节点j的第i个输入。并有
使用大量数据训练之后，神经网络对于一组输入X，即自动输出Y。
三、数据修正
利用数据真实性校验已训练的神经网络异常数据分类器，输入一段时间内报警信息，得到误报分类信息。设置误报警条数阈值，根据误报设备将误报数据分类，如果特定段时间内误报警条数超过阈值，则认定该设备存在误报原因，应记录错误报告书并现场指导排查和修正。
本发明引入BP神经网络算法，从数据质量检查、数据真实性校验和数据修正三个步骤实现配变重过载数据的治理，提高了数据质量，对配变判断重过载提供了可靠性较高的依据。
Claims (5)
1.一种基于BP神经网络算法的配变重过载数据治理方法，其特征在于，包括获取台账数据，启动重过载数据校验机制，检查计量数据与台账数据是否匹配，过滤数据库中不匹配数据，如果数据匹配，检查重过载异常数据，连入数据库接口提取异常数据和报警信息特征，报警信息特征主成分分析PCA，线性判别分析LDA，奇异值分辨提取因子SVD，分类算法将报警信息特征分类。
2.根据权利要求1所述的数据治理方法，其特征在于：从数据质量检查、数据真实性校验和数据修正三个方面着手，实现提高数据质量，降低漏告警和误告警的次数，数据质量检查从时间、设备、报警和严重程度四个维度进行质量检查，在数据校验和数据修正阶段，引入BP神经网络算法，实现数据质量的提高。
3.根据权利要求1所述的数据治理方法，其特征在于：利用户变关系交叉互换计算母线平衡关系式解决户变关系一对多，多对一，多对多情况。
4.根据权利要求1所述的数据治理方法，其特征在于：利用数据校验机制验证两端数据完整性与一致性解决用户测量数据与量测数据不匹配。
5.根据权利要求1所述的数据治理方法，其特征在于：综合判别重过载信息是否误报，如果误报，记录误差原因，并删除误报条目，如果没有误报，检查系统是否限值设置错误，记录错误限值，并重新调整限值，并返回检查重过载异常数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010665004.7A CN111984638A (zh) | 2020-07-10 | 2020-07-10 | 一种基于bp神经网络算法的配变重过载数据治理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010665004.7A CN111984638A (zh) | 2020-07-10 | 2020-07-10 | 一种基于bp神经网络算法的配变重过载数据治理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111984638A true CN111984638A (zh) | 2020-11-24 |
Family
ID=73439151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010665004.7A Pending CN111984638A (zh) | 2020-07-10 | 2020-07-10 | 一种基于bp神经网络算法的配变重过载数据治理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111984638A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112994846A (zh) * | 2021-03-02 | 2021-06-18 | 广州汇通国信科技有限公司 | 一种应用于电力数据同步校验的治理方法 |
| CN116526415A (zh) * | 2023-06-26 | 2023-08-01 | 国网山东省电力公司禹城市供电公司 | 一种电力设备保护装置及其控制方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404780A (zh) * | 2015-11-25 | 2016-03-16 | 国网山东省电力公司电力科学研究院 | 一种多参数综合分析的变压器过载能力评估方法 |
| CN107274067A (zh) * | 2017-05-22 | 2017-10-20 | 国网江西省电力公司电力科学研究院 | 一种配电变压器过载风险评估方法 |
| CN108647812A (zh) * | 2018-04-28 | 2018-10-12 | 东华大学 | 基于主成分自适应bp神经网络的短期电力负荷预测方法 |
| CN109038552A (zh) * | 2018-07-26 | 2018-12-18 | 国网浙江省电力有限公司温州供电公司 | 基于大数据的配网设备运行状态分析方法及装置 |
| CN110008254A (zh) * | 2019-04-02 | 2019-07-12 | 云南电网有限责任公司电力科学研究院 | 一种变电设备台账核查处理方法 |
| CN111091143A (zh) * | 2019-11-22 | 2020-05-01 | 国网新疆电力有限公司电力科学研究院 | 基于深度信念网络和K-means聚类的配变重过载预警方法 |
| CN111221956A (zh) * | 2019-12-26 | 2020-06-02 | 国网宁夏电力有限公司中卫供电公司 | 一种电力管理系统pms配网设备数据质量核查方法 |
-
2020
- 2020-07-10 CN CN202010665004.7A patent/CN111984638A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404780A (zh) * | 2015-11-25 | 2016-03-16 | 国网山东省电力公司电力科学研究院 | 一种多参数综合分析的变压器过载能力评估方法 |
| CN107274067A (zh) * | 2017-05-22 | 2017-10-20 | 国网江西省电力公司电力科学研究院 | 一种配电变压器过载风险评估方法 |
| CN108647812A (zh) * | 2018-04-28 | 2018-10-12 | 东华大学 | 基于主成分自适应bp神经网络的短期电力负荷预测方法 |
| CN109038552A (zh) * | 2018-07-26 | 2018-12-18 | 国网浙江省电力有限公司温州供电公司 | 基于大数据的配网设备运行状态分析方法及装置 |
| CN110008254A (zh) * | 2019-04-02 | 2019-07-12 | 云南电网有限责任公司电力科学研究院 | 一种变电设备台账核查处理方法 |
| CN111091143A (zh) * | 2019-11-22 | 2020-05-01 | 国网新疆电力有限公司电力科学研究院 | 基于深度信念网络和K-means聚类的配变重过载预警方法 |
| CN111221956A (zh) * | 2019-12-26 | 2020-06-02 | 国网宁夏电力有限公司中卫供电公司 | 一种电力管理系统pms配网设备数据质量核查方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张蕾: "基于神经网络的地区配变重过载预测研究", 中国优秀硕士学位论文全文数据库 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112994846A (zh) * | 2021-03-02 | 2021-06-18 | 广州汇通国信科技有限公司 | 一种应用于电力数据同步校验的治理方法 |
| CN116526415A (zh) * | 2023-06-26 | 2023-08-01 | 国网山东省电力公司禹城市供电公司 | 一种电力设备保护装置及其控制方法 |
| CN116526415B (zh) * | 2023-06-26 | 2023-09-19 | 国网山东省电力公司禹城市供电公司 | 一种电力设备保护装置及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
| US5625751A (en) | Neural network for contingency ranking dynamic security indices for use under fault conditions in a power distribution system | |
| CN109308571B (zh) | 配电线路线变关系检测方法 | |
| CN110516912B (zh) | 一种配电台区户变关系的识别方法 | |
| CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
| CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN116125361B (zh) | 电压互感器误差评估方法、系统、电子设备及存储介质 | |
| CN111984638A (zh) | 一种基于bp神经网络算法的配变重过载数据治理方法 | |
| CN109102157A (zh) | 一种基于深度学习的银行工单派单方法及系统 | |
| CN111738462A (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN111507504A (zh) | 基于数据重采样的Adaboost集成学习电网故障诊断系统及方法 | |
| CN107132762A (zh) | 基于预想故障集自动筛选的在线静态安全评估方法 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN113469266B (zh) | 一种基于改进深度卷积神经网络的窃电行为检测方法 | |
| CN110910026A (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
| CN112836937A (zh) | 基于熵权与bp神经网络技术的洪涝灾害损失评估方法 | |
| CN115330435A (zh) | 一种碳排放权价格指标体系建立方法、装置、设备及介质 | |
| CN114626487A (zh) | 基于随机森林分类算法的线变关系校核方法 | |
| CN107256461A (zh) | 一种充电设施建设地址评价方法及系统 | |
| CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
| CN113361959A (zh) | 一种银行业务集中运营成熟度的计算方法和装置 | |
| CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
| CN111369048A (zh) | 一种话务量预测方法 | |
| CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
| CN113935819A (zh) | 核算异常特征提取方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201124 |
|
| WD01 | Invention patent application deemed withdrawn after publication |