CN112307677A - 基于深度学习的电网振荡模态评估与安全主动预警方法 - Google Patents
基于深度学习的电网振荡模态评估与安全主动预警方法 Download PDFInfo
- Publication number
- CN112307677A CN112307677A CN202011224247.3A CN202011224247A CN112307677A CN 112307677 A CN112307677 A CN 112307677A CN 202011224247 A CN202011224247 A CN 202011224247A CN 112307677 A CN112307677 A CN 112307677A
- Authority
- CN
- China
- Prior art keywords
- early warning
- power
- oscillation mode
- data
- deep learning
- 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
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习的电网振荡模态评估与安全主动预警方法。该方法中,首先根据所需预警的电力系统规模与结构创建用于预测关键特征值趋势的双流卷积神经网络具体结构及超参数,并确定输入输出的数据结构;然后为根据仿真的海量数据训练预测电网关键特征值变化趋势的模型;最后根据在线实时量测信息利用训练后的模型进行小干扰稳定预警。本方法能够实时跟踪电网当前运行状态,满足电力系统实时小干扰稳定安全预警的需求。
Description
技术领域
本发明属于电力系统稳定分析领域,具体涉及一种基于深度学习的电网振荡模态评估与安全主动预警方法。
背景技术
电力工业作为国家基础性能源设施,与社会发展和人民生活息息相关,是国民经济社会健康稳定持续发展的重要条件,电网的安全稳定运行是保证各行各业安全有序开展生产活动的保障。近些年来随着新能源发电、智能电网、特高压交直流输电的迅速发展,我国电网正成为一个全国范围内互联性逐渐增强的超大规模电网,与此同时能源互联网的概念和理念也逐渐被业界和学术界认可。对于大型互联电网,安全稳定问题涉及到诸多方面,包括小干扰稳定、暂态稳定、电压稳定等。小干扰稳定作为电网多种稳定的先决条件,是电网安全可靠运行的基础。通过不断监测电力系统当前运行点的运行趋势,当发现系统出现可能引起小干扰不稳定或是低频振荡的振荡模式继续向小干扰不稳定方向发展时,及时做出相应的预警,以供电力系统运行调度人员及时做出相应处理措施。
随着电力系统的不断发展,电力系统在新能源等大量接入的情况下,面临了许多新的挑战:动态模型维数增加、电网波动性和时变性增强、海量量测数据无法有效利用等难题。为了应对这样的挑战,针对新一代电力系统特性,亟需构建一套新型的电力系统小干扰稳定预警算法,以满足实时安全预警等要求。
发明内容
本发明提出了一种基于深度学习的电网振荡模态评估与安全主动预警方法,其目的在于构建一套算法对当前时刻关键特征值在将来短时间内的运动趋势向量的预测,并适时做出预警。
本发明具体采用的技术方案如下:
一种基于深度学习的电网振荡模态评估与安全主动预警方法,其步骤如下:
S1、根据所需预警的电力系统规模与结构,构建用于预测关键特征值趋势的双流卷积神经网络的网络结构及超参数,并确定输入输出的数据结构;
S2、在仿真电力系统的目标运行点的基础上,随机调整系统负荷及各发电机的出力,针对每种采样情形计算系统潮流,获取海量的运行点;在各运行点处进行线性化并仿真得到该运行点对应的所有特征值;将得到的所有运行点的特征值数据按照振荡模态进行划分和归一化后,分别针对每个振荡模态构建训练数据;基于每个振荡模态的训练数据训练S1中构建的双流卷积神经网络,得到不同振荡模态的关键特征值趋势预测模型;
S3、根据在线实时量测的电力系统运行信息,从海量历史数据中基于最短路径法匹配出一个与当前电力系统运行点距离最短的历史仿真运行点,并基于该历史仿真运行点的关键振荡模态对应的关键特征值趋势预测模型对当前电力系统运行点进行在线预警。
作为优选,S1中,所述的双流卷积神经网络中包含空间流网络和时间流网络,两个网络经过融合层后输出最终预测结果。
进一步的,所述空间流网络和时间流网络均具有5层结构,所述融合层包含若干卷积层和全连接层。
作为优选,S2中,需要针对每一种振荡模式,单独训练S1中构建的双流卷积神经网络。
作为优选,S1中,所述双流卷积神经网络的输入输出数据结构如下:
当i=j时,Pij、Qij分别为节点i的负荷有功功率、负荷无功功率,当i≠j时,Pij、Qij分别为由节点i通过线路传给节点j的线路有功功率、线路无功功率,若两点间无线路连接则两个功率值均为0;
对于输出数据,应当获取系统关键特征值组成的集合Y=[y1,y2,...,ym]T,其中m为振荡模式的数量,yi为第i个关键振荡模式对应的特征值组,i=1,2,...,m;输出数据为由各关键特征值的运动趋势向量组成的集合即系统关键特征值在t+t0时刻的值减去在t时刻的值
作为优选,S2中,模型训练时通过随机梯度下降算法优化模型参数,使得损失评价函数的值最小。
作为优选,所述电力系统中的采样间隔为0.1秒。
作为优选,S3中,当前运行状态接近于稳定边界且预测出的特征值运动趋势朝向不稳定方向时,系统需要发出预警,否则不发出。
本方法能够实时跟踪电网当前运行状态,满足电力系统实时小干扰稳定安全预警的需求。结果表明,在仅有少量的情形在特征值实部或虚部变化方向上预测出现错误情况,绝大部分情形测试集误差率集中在5%-10%以内,能够满足电力系统小干扰预警的要求。
附图说明
图1是空间流网络中块状结构示意图;
图2是小干扰稳定预警算法框图;
图3是实施例中某一关键特征值的运动趋势向量预测结果图
具体实施方式
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仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
在本发明的一个较佳实施例中,提供了一种基于深度学习的电网振荡模态评估与安全主动预警方法,它包括如下三个阶段:
第一阶段:确定模型与数据结构
根据所需预警的电力系统规模与结构,构建用于预测关键特征值趋势的双流卷积神经网络的具体结构及超参数。整个网络可以分成空间流层、时间流层和融合层三个子网络,前两层子网络分别负责提取电力系统单个时间断面静态信息、时间序列动态信息,最后通过融合层进行信息融合。对于空间流和时间流网络,在经典ResNet网络模型基础上,以“卷积层+激活层+池化层”为基本模型单位逐层增加网络层数,直至满足预测准确性要求。考虑到电力系统稀疏的特性,在前几层网络中使用较大的卷积核和步长,将输入的维度快速降低,然后再使用较小的卷积核进行细节特征的提取;此外由于输入变量维度较大,在原本结构上多加入了几个池化层,以降低运算复杂度。对于融合层网络,将空间及时间流网络提取的特征作为融合层的输入,并构建与系统运行趋势的映射关系。在传统AlexNet网络模型基础上按照第一步相同的方法构建融合层网络,并经过全连接层输出最终结果。
本实施例中采用如表1中的双流卷积神经网络结构,空间流网络和时间流网络均具有5层结构,融合层包含若干卷积层和全连接层。表中conv表示卷积层,“3×3conv,64”表示该卷积层包含有64个3×3的卷积核,表示一个如图1所示的块状网络,“avg_pooling”表示平均池化层,FC表示全连接层。
表1双流卷积神经网络结构
针对上述模型,需要进一步确定模型输入输出的数据结构。对于输入数据而言,当前时刻为t,需要获取t,t-t0,t-2t0,t-3t0,t-4t0,t-5t0六个时刻的电力系统功率数据Xt,其中t0为时间采样间隔;任一时刻的电力系统功率数据X形式为:
当i=j时,Pij、Qij分别为节点i的负荷有功功率、负荷无功功率,当i≠j时,Pij、Qij分别为由节点i通过线路传给节点j的线路有功功率、线路无功功率,若两点间无线路连接则两个功率值均为0;
对于输出数据而言,应当获取系统关键特征值组成的集合Y=[y1,y2,...,ym]T,其中m为振荡模式的数量,yi为第i个关键振荡模式对应的特征值组,i=1,2,...,m。输出为由各关键特征值的运动趋势向量组成的集合Z,定义t时刻的关键特征值的运动趋势向量为关键特征值在t+t0时刻的值(t+t0时刻的集合Y)减去在t时刻的值Yt(t时刻的集合Y),即
第二阶段:构建关键特征值趋势预测模型
电力系统小干扰稳定预警主要是通过对当前时刻的功率数据以及当前时刻附近的功率变化数据进行分析,得到当前特征值的变化趋势向量。训练集输入包含两个部分,衡量各时间断面电网静态状态的集合I=[X1,X2,...,Xn]和衡量时间序列的集合J=[M1,M2,...,Mn],其中n为训练集的数据量。训练集的输出为集合K=[Z1,Z2,...,Zn]。这些训练数据通过仿真得到,具体仿真过程为:在仿真电力系统的目标运行点的基础上,随机调整系统负荷及各发电机的出力,针对每种采样情形计算系统潮流,获取海量的运行点;在各运行点处进行线性化并仿真得到该运行点对应的所有特征值。
第1步:特征值分组与振荡模式筛选:将得到的所有运行点的特征值数据按照振荡模态进行划分,该划分过程为:通过前述的仿真随机调整系统负荷,由电力系统小干扰特征值计算软件得到多个特征值序列D1=[d11,d12,...,d1m],D2=[d21,d22,...,d2m],...,Dn=[dn1,dn2,...,dnm]。对于d11,在D2至Dn向量中搜寻与d11所对应的特征向量和参与因子最接近的特征值,将其归为同一振荡模态;此后依次针对d12至d1m分别重复上述过程。此外,针对阻尼比小于0.1的关键特征值,需对每个振荡模式下输入数据及特征值按照时序排列。
第2步:训练数据仿真与预处理:针对第1步得到的每一个振荡模态,构建集合I、集合J和集合K。对于集合I和J,采用z-score标准化方法对其进行归一化:
其中x为原始值,x’为归一化之后的值,μ和σ为均值和标准差。而对于关键特征值运动趋势向量,则采用下述的方式将靠近虚轴附近的空间放大,提升系统准确率:
由此,分别针对每个振荡模态构建了训练数据集。
第3步:模型训练:基于每个振荡模态的训练数据训练S1中构建的双流卷积神经网络,得到不同振荡模态的关键特征值趋势预测模型。训练过程中,利用下式所述的含有L2参数正则化的平方差损失函数对系统参数进行评价,并通过随机梯度下降算法优化模型参数,使得损失评价函数的值最小:
其中,ai'为模型预测的关键特征值运动趋势向量,ai为实际关键特征值运动趋势向量,n为训练集数据量,α为正则项参数,w为全连接层的连接权值集合。。
第4步:模型评价:将验证集数据输入到训练后的模型中,按照下式计算得到平均误差,用以评估模型性能:
式中,R为验证集的数据量量,z′i为模型预测的特征值运动趋势向量,zi实际向量。若模型平均误差达到预设目标则可进入第5步,否则返回第2步生成更多数据重新进行训练。上述算法框架如图2所示。
第三阶段:在线预测及预警
根据在线实时量测的电力系统运行信息,从海量历史数据中基于最短路径法匹配出一个与当前电力系统运行点距离最短的历史仿真运行点,并基于该历史仿真运行点的关键振荡模态对应的关键特征值趋势预测模型对当前电力系统运行点进行在线预警。预警时,将实际量测信号输入训练后的模型,根据预测出的特征值运动趋势向量,结合当前系统运行状态,得到系统安全或预警状态结论。例如当前运行状态接近于稳定边界且预测出的特征值运动趋势朝向不稳定方向时,则系统需要发出预警,否则不发出。
为了证明本发明中上述技术方案的优点,下面将上述方法应用于具体实例中,以展示其技术效果。具体过程如前所述,不再赘述,下面主要展示其数据及技术效果。
实施例
以IEEE48节点电力系统为例,该系统包含16台发电机和68条输电线路。
(1)负荷匀速变化测试例
为了评估系统小干扰稳定预警的效果,假设各负荷以0.005p.u./s至0.005p.u./s之间的某个随机速度进行匀速变化,并通过发电机组处理的重新调度保证功率的平衡,每隔0.1s对该系统中的各节点及线路的传输功率进行采样。随机选取3000组数据作为训练数据,所提出的算法对于训练集和测试集的误差如下表所示,某一关键特征值运行趋势的示意图如图3所示。
表2负荷匀速变化情况下特征值运动趋势向量的训练过程
(2)负荷按照正弦规律改变
假设负荷按照正弦规律改变,按照上述实施例重新进行评估,其在训练集和验证集上的准确度如表3所示,误差的分布规律如表4所示。
表3负荷按正弦规律变化情况下特征值运动趋势向量的训练过程
表4负荷按正弦规律变化情况下测试集误差分布
总之,由上表可知,仅有少量的情形在特征值实部或虚部变化方向上预测出现错误情况,绝大部分情形测试集误差率集中在5%-10%以内,能够满足电力系统小干扰预警的要求。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (8)
1.一种基于深度学习的电网振荡模态评估与安全主动预警方法,其特征在于,步骤如下:
S1、根据所需预警的电力系统规模与结构,构建用于预测关键特征值趋势的双流卷积神经网络的网络结构及超参数,并确定输入输出的数据结构;
S2、在仿真电力系统的目标运行点的基础上,随机调整系统负荷及各发电机的出力,针对每种采样情形计算系统潮流,获取海量的运行点;在各运行点处进行线性化并仿真得到该运行点对应的所有特征值;将得到的所有运行点的特征值数据按照振荡模态进行划分和归一化后,分别针对每个振荡模态构建训练数据;基于每个振荡模态的训练数据训练S1中构建的双流卷积神经网络,得到不同振荡模态的关键特征值趋势预测模型;
S3、根据在线实时量测的电力系统运行信息,从海量历史数据中基于最短路径法匹配出一个与当前电力系统运行点距离最短的历史仿真运行点,并基于该历史仿真运行点的关键振荡模态对应的关键特征值趋势预测模型对当前电力系统运行点进行在线预警。
2.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法,其特征在于,S1中,所述的双流卷积神经网络中包含空间流网络和时间流网络,两个网络经过融合层后输出最终预测结果。
3.根据权利要求2所述的基于深度学习的电网振荡模态评估与安全主动预警方法,其特征在于,所述空间流网络和时间流网络均具有5层结构,所述融合层包含若干卷积层和全连接层。
4.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法,其特征在于,S2中,需要针对每一种振荡模式,单独训练S1中构建的双流卷积神经网络。
5.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法,其特征在于,S1中,所述双流卷积神经网络的输入输出数据结构如下:
当i=j时,Pij、Qij分别为节点i的负荷有功功率、负荷无功功率,当i≠j时,Pij、Qij分别为由节点i通过线路传给节点j的线路有功功率、线路无功功率,若两点间无线路连接则两个功率值均为0;
6.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法,其特征在于,S2中,模型训练时通过随机梯度下降算法优化模型参数,使得损失评价函数的值最小。
7.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法,其特征在于,所述电力系统中的采样间隔为0.1秒。
8.根据权利要求1所述的基于深度学习的电网振荡模态评估与安全主动预警方法,其特征在于,S3中,当前运行状态接近于稳定边界且预测出的特征值运动趋势朝向不稳定方向时,系统需要发出预警,否则不发出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224247.3A CN112307677A (zh) | 2020-11-05 | 2020-11-05 | 基于深度学习的电网振荡模态评估与安全主动预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224247.3A CN112307677A (zh) | 2020-11-05 | 2020-11-05 | 基于深度学习的电网振荡模态评估与安全主动预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112307677A true CN112307677A (zh) | 2021-02-02 |
Family
ID=74326428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011224247.3A Pending CN112307677A (zh) | 2020-11-05 | 2020-11-05 | 基于深度学习的电网振荡模态评估与安全主动预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112307677A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113437751A (zh) * | 2021-07-14 | 2021-09-24 | 国网甘肃省电力公司电力科学研究院 | 风力发电机与同步发电机互联系统的控制参数协调方法 |
CN113569464A (zh) * | 2021-06-21 | 2021-10-29 | 国网山东省电力公司电力科学研究院 | 一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法及装置 |
CN113991645A (zh) * | 2021-10-18 | 2022-01-28 | 武汉大学 | 一种基于电力系统紧急控制的混合智能关键因素辨识方法 |
CN116362300A (zh) * | 2022-06-29 | 2023-06-30 | 国网河南省电力公司 | 区域电网异常扰动数量预测方法、装置、介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933639A (zh) * | 2015-07-02 | 2015-09-23 | 浙江大学 | 一种针对大规模电力系统的小干扰稳定性快速分析方法 |
WO2019041857A1 (zh) * | 2017-09-04 | 2019-03-07 | 东南大学 | 一种基于场景分析的含分布式电源配电网运行状态预测方法 |
-
2020
- 2020-11-05 CN CN202011224247.3A patent/CN112307677A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933639A (zh) * | 2015-07-02 | 2015-09-23 | 浙江大学 | 一种针对大规模电力系统的小干扰稳定性快速分析方法 |
WO2019041857A1 (zh) * | 2017-09-04 | 2019-03-07 | 东南大学 | 一种基于场景分析的含分布式电源配电网运行状态预测方法 |
Non-Patent Citations (1)
Title |
---|
李洋麟: "基于数据驱动的电力系统小干扰稳定评估与预警", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569464A (zh) * | 2021-06-21 | 2021-10-29 | 国网山东省电力公司电力科学研究院 | 一种基于深度学习网络与多任务学习策略的风电机组振荡模态预测方法及装置 |
CN113437751A (zh) * | 2021-07-14 | 2021-09-24 | 国网甘肃省电力公司电力科学研究院 | 风力发电机与同步发电机互联系统的控制参数协调方法 |
CN113991645A (zh) * | 2021-10-18 | 2022-01-28 | 武汉大学 | 一种基于电力系统紧急控制的混合智能关键因素辨识方法 |
CN116362300A (zh) * | 2022-06-29 | 2023-06-30 | 国网河南省电力公司 | 区域电网异常扰动数量预测方法、装置、介质及电子设备 |
CN116362300B (zh) * | 2022-06-29 | 2024-02-09 | 国网河南省电力公司 | 区域电网异常扰动数量预测方法、装置、介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112307677A (zh) | 基于深度学习的电网振荡模态评估与安全主动预警方法 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN108563806B (zh) | 基于相似性的发动机气路参数长期预测方法及系统 | |
CN112200694B (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
Cheng et al. | The quality evaluation of classroom teaching based on FOA-GRNN | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN106934242A (zh) | 基于交叉熵法的多模式下设备的健康度评估方法及系统 | |
CN111814284A (zh) | 基于相关性检测与改进随机森林的在线电压稳定评估方法 | |
CN114595858A (zh) | 基于滚动时间序列和支持向量机的短期风速预测方法和系统 | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
CN112990627B (zh) | 电能质量评估方法 | |
Zhu et al. | Research on PSO-ARMA-SVR short-term electricity consumption forecast based on the particle swarm algorithm | |
CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
Wang et al. | Continual deep residual reservoir computing for remaining useful life prediction | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN114611768A (zh) | 一种配电网业扩配套容量时序建设规模预测方法 | |
Han et al. | A Novel Domain Adaptive Fault Diagnosis Method for Bearings Based on Unbalance Data Generation | |
Li | Analysis of comprehensive artificial neural network computer media aided construction of economic forecasting model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210202 |
|
RJ01 | Rejection of invention patent application after publication |