CN112287789A - 基于深度学习的gis特高频法局部放电图谱识别方法 - Google Patents
基于深度学习的gis特高频法局部放电图谱识别方法 Download PDFInfo
- Publication number
- CN112287789A CN112287789A CN202011125713.2A CN202011125713A CN112287789A CN 112287789 A CN112287789 A CN 112287789A CN 202011125713 A CN202011125713 A CN 202011125713A CN 112287789 A CN112287789 A CN 112287789A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- signal
- gis
- entropy
- gis partial
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了基于深度学习的GIS特高频法局部放电图谱识别方法,通过对待测GIS局部放电信号进行预处理后,提取出信号特征参数并输入训练后的基于注意力机制的双向LSTM网络,判断信号是否存在局部放电,提高了GIS局部放电带电检测效率,减少了非计划停电次数,降低了GIS检修及维护费用。利用本发明方法,进一步的,改变了传统巡检模式,能够形成智能电网运检体系,为建立自动化运维体系提供支撑。
Description
技术领域
本发明涉及GIS局部放电识别,特别是一种基于深度学习神经网络的GIS特高频法局部放电图谱识别方法。
背景技术
气体绝缘金属封闭开关设备(GIS)是电网的重要组成部分,和社会生产生活息息相关,有着极其重要的作用。近年来国家大力发展智能电网,智能电网构建了精益的运检体系、实现了业务数据的全范围监控、推进了带电检测技术的深化应用、建立了智能化的检修模式。智能电网的快速发展对运维技术提出了新要求:传统的运检模式难以适应电网的快速发展;跨专业融合及设备全过程管理贯通要求迫切;结构性缺员要求全面变革传统的运检工作方式。
传统GIS局部放电带电检测,对于检测数据及图谱识别判断主要依靠带电检测人员个人经验,对检测人员要求较高、测试效率低,经常性发生误判断及盲目检修的后果。
发明内容
本发明的发明目的在于:针对现有技术存在的传统GIS局部放电带电检测,对检测人员要求较高、测试效率低,经常性发生误判断及盲目检修的问题,提供一种基于深度学习的GIS特高频法局部放电图谱识别方法。
为了实现上述目的,本发明采用的技术方案为:
基于深度学习的GIS特高频法局部放电图谱识别方法,包括:
S100生成训练样本集,具体包括:
对GIS局部放电信号进行类别标记;
对GIS局部放电信号进行预处理后,再提取出信号特征参数;
将带有类别标记的GIS局部放电信号以及信号特征参数作为训练样本,构成训练样本集;
S200将训练样本集输入基于注意力机制的双向LSTM网络,利用反向传播算法,迭代更新网络中的参数,得到训练后的网络模型;
其中,所述基于注意力机制的双向LSTM网络架构包括Attention层和双向LSTM层。
S300将待测GIS局部放电信号进行预处理后,再提取出信号特征参数并输入训练后的网络模型,识别出局部放电带电。
基于深度学习的GIS特高频法局部放电图谱识别方法,通过对待测GIS局部放电信号进行预处理后,提取出信号特征参数并输入训练后的基于注意力机制的双向LSTM网络,判断信号是否存在局部放电,提高了GIS局部放电带电检测效率,减少了非计划停电次数,降低了GIS检修及维护费用。
优选的,所述基于注意力机制的双向LSTM网络架构包括一个Attention层,以及至少两个双向LSTM层。
优选的,所述步骤S100中,对GIS局部放电信号采用二进制0和1进行类别标记;其中放电标记为1,不放电标记为0。
优选的,对GIS局部放电信号进行预处理,包括如下步骤:
S1对GIS局部放电信号采用小波变换进行滤波;
S2对步骤S1得到的信号做正弦波匹配;
S3对步骤S2得到的信号做N阶差分去趋势化;
S4对步骤S3得到的信号进行峰值信号侦测,去除峰值过高的点和由于脉冲产生的峰值点;
S5对步骤S4得到的信号,提取出信号特征参数。
优选的,所述步骤S1中,选择的小波是db4,做一层小波分解。
优选的,所述步骤S2中采用1阶差分去趋势化。
优选的,所述信号特征参数包括组合熵、谱熵、奇异值分解熵、样本熵、近似熵、Katz分数维、Petrosian分数维、Higuchi分数维。
一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行以上任一项所述的方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明的基于深度学习的GIS特高频法局部放电图谱识别方法,通过对待测GIS局部放电信号进行预处理后,提取出信号特征参数并输入训练后的基于注意力机制的双向LSTM网络,判断信号是否存在局部放电,提高了GIS局部放电带电检测效率,减少了非计划停电次数,降低了GIS检修及维护费用。利用本发明方法,进一步的,改变了传统巡检模式,能够形成智能电网运检体系,为建立自动化运维体系提供支撑。
附图说明
图1是本发明的结构示意图。
图2为本发明实施例对原始信号进行预处理的流程示意图。
图3为本发明实施例滤波后的信号图谱示意图。
图4为本发明实施例正弦波匹配后的信号图谱示意图。
图5为本发明实施例1阶差分去趋势化后的信号图谱示意图。
图6为本发明实施例峰值信号侦测后的信号图谱示意图。
图7为本发明提供的电子设备的结构示意图。
具体实施方式
下面结合附图,对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
基于深度学习的GIS特高频法局部放电图谱识别方法,包括:
S100生成训练样本集,具体包括:
对GIS局部放电信号进行类别标记,其中放电标记为1,不放电标记为0;
对GIS局部放电信号进行预处理后,再提取出信号特征参数;
将带有类别标记的GIS局部放电信号以及信号特征参数作为训练样本,构成训练样本集;
S200将训练样本集输入基于注意力机制的双向LSTM网络,利用反向传播算法,迭代更新网络中的参数,得到训练后的网络模型;
其中,如图1,所述基于注意力机制的双向LSTM网络架构包括一个Attention层,以及两个双向LSTM层。
S300将待测GIS局部放电信号进行预处理后,再提取出信号特征参数并输入训练后的网络模型,识别出局部放电带电。
具体的,S100及S300对GIS局部放电信号或待测GIS局部放电信号进行预处理,如图2所示,包括如下步骤:
S1对GIS局部放电信号采用小波变换进行滤波;本实施例中选择的小波是db4,做一层小波分解,得到的信号如图3。
S2对步骤S1得到的信号做正弦波匹配;本实施例步骤S2得到的信号如图4。
S3对步骤S2得到的信号做1阶差分去趋势化;本实施例步骤S3得到的信号如图5。
S4对步骤S3得到的信号进行峰值信号侦测,去除峰值过高的点和由于脉冲产生的峰值点;本实施例步骤S4得到的信号如图6。
S5对步骤S4得到的信号,提取出信号特征参数。信号特征参数包括组合熵、谱熵、奇异值分解熵、样本熵、近似熵、Katz分数维、Petrosian分数维、Higuchi分数维,各个信号特征参数计算如下:
①组合熵
设一维时间序列x={x,i=1,2,…,N}
采用相空间重构延迟坐标法对X中任一元素x(i)进行相空间重构,对每个采样点取其连续的m个样点,得到点x(i)的m维空间的重构向量:
Xi={x(i),x(i+1),…,x(i+(m-1)*l)}
则序列X的相空间矩阵为:
X={X1…Xn-ml+l}
其中m和l分别为重构维数和延迟时间;对x(i)的重构向量Xi各元素进行升序排列,得到:Xi′={x(i+j1-1)*l}≤x(i+(j2-1)*l)≤x(i+(jm-1)*l)
这样得到的排列方式为{j1,j2…,jm},其为全排列m!中的一种,对X序列各种排列情况出现次数进行统计,计算各种排列情况出现的相对频率作为其概率p1、p2、…pk,k<=m!,计算序列归一化后的组合熵:
②谱熵
其中P是归一化PSD,fs是采样频率。
③奇异值分解熵
其中M是嵌入式矩阵Y的奇异值的数量,σ是Y的归一化奇异值。嵌入矩阵Y定义如下:
y(i)=[xi,xi+delay,…,xi+(order-1)*delay]
Y=[y(1),y(2),…,y(N-(order-1))*delay]T
delay是采样间隔单位、order是延迟数、T代表转置,表示为列向量。
④样本熵
其中,m是嵌入维,r是邻域的半径。在计算相关维数时,我们使用相关总和中的线性区域来进行估计。同样,样本熵对于m和r均不应改变。
⑤近似熵
形成数据的μ(1),μ(2),…,μ(n)时间序列这些是来自N个原始数据的测量值,它们在时间上等间隔。
固定m(一个整数)和r(一个正实数)。m的值表示比较的数据游程的长度,r表示过滤级别。
在Rm维上形成x(1),x(2),…,x(N-m+1)的向量序列。实m空间由x(i)=[μ(i),μ(i+1),…,μ(i+m-1)定义。使用序列x(1),x(2),…,x(N-m+1)来构建。对于任意i,1≤i≤N-m+1,
其中,d[x(i),x(j)]定义如下:
μ(α)是x的第m个标量,d表示是矢量x(i)和x(j)之间的距离,由它们各自标量分量的最大差给出。请注意,j代表所有值,因此将计算i=j时提供的匹配(子序列与其自身匹配)。
则近似熵可以由如下表示
⑥Katz分数维
设定一个长度为N的时间序列为x={x,i=1,2,…,N},对应的时间记录为(0,tmax)。
⑦Petrosian分数维
其中,N是序列的长度,NΔ是二进制序列中符号变化的次数。
⑧Higuchi分数维
对于不同的k值,得到一组关于k与L(k)的曲线数据。绘制lb(L(k)~lb(1/k))曲线,如果是一直线,说明L(k)与k存在着如下关系:L(k)~k-FD。
对数据进行直线拟合得到lb(L(k))=FD×lb(1/k)+C,即可得到时间序列的分数维。
实施例2
如图7所示,根据本发明示例性实施例的电子设备(例如具备程序执行功能的计算机服务器),其包括至少一个处理器,电源,以及与所述至少一个处理器通信连接的存储器和输入输出接口;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述任一实施例所公开的方法;所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口,用于输入输出数据;电源用于为电子设备提供电能。
本领域技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元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,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于深度学习的GIS特高频法局部放电图谱识别方法,其特征在于,包括:
S100生成训练样本集,具体包括:
对GIS局部放电信号进行类别标记;
对GIS局部放电信号进行预处理后,再提取出信号特征参数;
将带有类别标记的GIS局部放电信号以及信号特征参数作为训练样本,构成训练样本集;
S200将训练样本集输入基于注意力机制的双向LSTM网络,利用反向传播算法,迭代更新网络中的参数,得到训练后的网络模型;
其中,所述基于注意力机制的双向LSTM网络架构包括Attention层和双向LSTM层;
S300将待测GIS局部放电信号进行预处理后,再提取出信号特征参数并输入训练后的网络模型,识别出放电图谱局部放电。
2.根据权利要求1所述的方法,其特征在于,所述基于注意力机制的双向LSTM网络架构包括一个Attention层,以及至少两个双向LSTM层。
3.根据权利要求1所述的方法,其特征在于,所述步骤S100中,对GIS局部放电信号采用二进制0和1进行类别标记。
4.根据权利要求1所述的方法,其特征在于,对GIS局部放电信号进行预处理,包括如下步骤:
S1对GIS局部放电信号采用小波变换进行滤波;
S2对步骤S1得到的信号做正弦波匹配;
S3对步骤S2得到的信号做N阶差分去趋势化;
S4对步骤S3得到的信号进行峰值信号侦测,去除峰值过高的点和由于脉冲产生的峰值点;
S5对步骤S4得到的信号,提取出信号特征参数。
5.根据权利要求4所述的方法,其特征在于,所述步骤S1中,选择的小波是db4,做一层小波分解。
6.根据权利要求4所述的方法,其特征在于,所述步骤S2中采用1阶差分去趋势化。
7.根据权利要求4所述的方法,其特征在于,所述信号特征参数包括组合熵、谱熵、奇异值分解熵、样本熵、近似熵、Katz分数维、Petrosian分数维、Higuchi分数维。
8.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125713.2A CN112287789A (zh) | 2020-10-20 | 2020-10-20 | 基于深度学习的gis特高频法局部放电图谱识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125713.2A CN112287789A (zh) | 2020-10-20 | 2020-10-20 | 基于深度学习的gis特高频法局部放电图谱识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112287789A true CN112287789A (zh) | 2021-01-29 |
Family
ID=74423472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011125713.2A Pending CN112287789A (zh) | 2020-10-20 | 2020-10-20 | 基于深度学习的gis特高频法局部放电图谱识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287789A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589100A (zh) * | 2021-07-26 | 2021-11-02 | 国电南瑞科技股份有限公司 | 基于双向长短期记忆和注意力机制的异常放电识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
CN103323755A (zh) * | 2013-06-17 | 2013-09-25 | 广东电网公司电力科学研究院 | Gis特高频局部放电信号识别方法及系统 |
CN103558519A (zh) * | 2013-11-02 | 2014-02-05 | 国家电网公司 | 一种gis局部放电超声波信号识别方法 |
CN105137310A (zh) * | 2015-10-10 | 2015-12-09 | 沈阳工业大学 | Gis局部放电在线检测系统及方法 |
CN108896891A (zh) * | 2018-08-26 | 2018-11-27 | 国网天津市电力公司 | 一种基于特高频法的gis多源局部放电分离识别方法 |
CN110261749A (zh) * | 2019-07-24 | 2019-09-20 | 广东电网有限责任公司 | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 |
CN110850244A (zh) * | 2019-11-11 | 2020-02-28 | 国网湖南省电力有限公司 | 基于深度学习的局放缺陷时域图谱诊断方法、系统及介质 |
US20200234066A1 (en) * | 2019-01-18 | 2020-07-23 | Toyota Research Institute, Inc. | Attention-based recurrent convolutional network for vehicle taillight recognition |
CN111579939A (zh) * | 2020-04-23 | 2020-08-25 | 天津大学 | 基于深度学习进行高压电力电缆局部放电现象检测方法 |
-
2020
- 2020-10-20 CN CN202011125713.2A patent/CN112287789A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102809718A (zh) * | 2012-07-25 | 2012-12-05 | 华南理工大学 | 一种gis超高频局部放电信号识别方法 |
CN103323755A (zh) * | 2013-06-17 | 2013-09-25 | 广东电网公司电力科学研究院 | Gis特高频局部放电信号识别方法及系统 |
CN103558519A (zh) * | 2013-11-02 | 2014-02-05 | 国家电网公司 | 一种gis局部放电超声波信号识别方法 |
CN105137310A (zh) * | 2015-10-10 | 2015-12-09 | 沈阳工业大学 | Gis局部放电在线检测系统及方法 |
CN108896891A (zh) * | 2018-08-26 | 2018-11-27 | 国网天津市电力公司 | 一种基于特高频法的gis多源局部放电分离识别方法 |
US20200234066A1 (en) * | 2019-01-18 | 2020-07-23 | Toyota Research Institute, Inc. | Attention-based recurrent convolutional network for vehicle taillight recognition |
CN110261749A (zh) * | 2019-07-24 | 2019-09-20 | 广东电网有限责任公司 | 一种gis局部放电故障识别模型构建方法、装置及故障识别方法 |
CN110850244A (zh) * | 2019-11-11 | 2020-02-28 | 国网湖南省电力有限公司 | 基于深度学习的局放缺陷时域图谱诊断方法、系统及介质 |
CN111579939A (zh) * | 2020-04-23 | 2020-08-25 | 天津大学 | 基于深度学习进行高压电力电缆局部放电现象检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589100A (zh) * | 2021-07-26 | 2021-11-02 | 国电南瑞科技股份有限公司 | 基于双向长短期记忆和注意力机制的异常放电识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108957251B (zh) | 一种电缆接头局部放电模式识别方法 | |
CN108573225A (zh) | 一种局部放电信号模式识别方法及系统 | |
CN112348096B (zh) | 非侵入式负荷分解方法及系统 | |
CN109975673A (zh) | 一种光伏微电网直流侧故障电弧识别方法 | |
CN109188211B (zh) | 一种高压设备绝缘故障诊断方法和系统 | |
CN101614786A (zh) | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
EP3870475A1 (en) | Detection of electric vehicle charging at premise | |
CN115758255B (zh) | 一种融合模型下的用电异常行为分析方法和装置 | |
CN112881942A (zh) | 基于小波分解与经验模态分解的异常电流诊断方法和系统 | |
CN112287789A (zh) | 基于深度学习的gis特高频法局部放电图谱识别方法 | |
CN117214637A (zh) | 充电枪耐压测试方法、装置、设备及存储介质 | |
CN113327008A (zh) | 一种基于时序自动编码器的窃电检测方法、系统及介质 | |
CN115619999A (zh) | 电力设备实时监测方法、装置、电子设备及可读介质 | |
CN105277852A (zh) | 配电网线路工况分类识别方法 | |
CN115223157A (zh) | 一种基于循环神经网络的电网设备铭牌光学字符识别方法 | |
Xu et al. | Individual identification of electronic equipment based on electromagnetic fingerprint characteristics | |
CN114021424A (zh) | 一种基于pca-cnn-lvq的电压暂降源识别方法 | |
JPWO2020046536A5 (zh) | ||
CN112668770A (zh) | 一种基于信息与波形总体相似度的电力负荷预测方法 | |
CN116821800B (zh) | 基于半监督生成对抗网络的结构状态分类方法及相关设备 | |
CN114819108B (zh) | 一种综合能源系统故障识别方法及装置 | |
CN113964936B (zh) | 电网手持终端智能检测方法、系统和可读存储介质 | |
CN114689975B (zh) | 基于谐波电流的产品测试方法、装置、设备及存储介质 | |
CN117540268A (zh) | 一种触电类型识别方法和系统 |
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 |