CN112418623A - 基于双向长短时记忆网络和滑动窗输入的反窃电识别方法 - Google Patents

基于双向长短时记忆网络和滑动窗输入的反窃电识别方法 Download PDF

Info

Publication number
CN112418623A
CN112418623A CN202011263880.3A CN202011263880A CN112418623A CN 112418623 A CN112418623 A CN 112418623A CN 202011263880 A CN202011263880 A CN 202011263880A CN 112418623 A CN112418623 A CN 112418623A
Authority
CN
China
Prior art keywords
electricity
memory network
stealing
bidirectional long
input
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
Application number
CN202011263880.3A
Other languages
English (en)
Inventor
燕跃豪
鲍薇
汤亮
曹亚旭
刘晓辉
陈启龙
张同
安信如
刘嘉宾
马腾肖
周心锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Yuhui Energy Technology Co ltd
Zhengzhou University
State Grid Corp of China SGCC
Zhengzhou Power Supply Co of Henan Electric Power Co
Original Assignee
Henan Yuhui Energy Technology Co ltd
Zhengzhou University
State Grid Corp of China SGCC
Zhengzhou Power Supply Co of Henan Electric Power Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan Yuhui Energy Technology Co ltd, Zhengzhou University, State Grid Corp of China SGCC, Zhengzhou Power Supply Co of Henan Electric Power Co filed Critical Henan Yuhui Energy Technology Co ltd
Priority to CN202011263880.3A priority Critical patent/CN112418623A/zh
Publication of CN112418623A publication Critical patent/CN112418623A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种基于双向长短时记忆网络和滑动窗输入的反窃电识别方法，从用电信息采集系统中采集窃电用户和正常用户的用电信息，在该用电信息中手动添加是否存在窃电行为的标签；采用滑动窗输入的方式输入包括目标日在内的连续一段时间的电量数据以及目标日的标签，通过双向长短时记忆网络对输入的电量序列特征进行学习；形成窃电智能识别模型，并对用户用电数据进行分析，判断用户是否具有窃电嫌疑；本发明通过对采集的窃电用户和正常用户的用电信息进行标签处理，利用双向长短时记忆网络训练得到窃电智能识别模型，并在贝叶斯优化算法的优化作用下，提高窃电识别模型的精度，能够在减少反窃电工作人员工作量的同时大大提高反窃电工作的效率。

Description

基于双向长短时记忆网络和滑动窗输入的反窃电识别方法
技术领域：
本发明涉及反窃电分析领域，特别是涉及一种基于双向长短时记忆网络和滑动窗输入的反窃电识别方法。
背景技术：
目前，各行业的用电需求量不断増大，电力工业在国民经济的所有部门中扮演着提供基础动力的角色。而供电企业作为基础产业之一，在计算机及通信和网络技术方面都有了较快发展，广泛应用了自动化技术、信息技术等通信技术，但仍然存在很大问题。许多用电客户在利益的驱使下，利用电力设备及管理等方面的漏洞，使用多种方法实施窃电行为，造成十分巨大的经济损失。
目前已提出的窃电检测方法有传统人工检测方法和基于神经网络的检测方法等。人工检测针对窃电导致的用电异常采用人工抽检的方法，缺点是针对多种多样的窃电行为检测难度大，收集的用电异常信息在应用时彼此不相关，从而找出用电异常用户的概率很低，出现较高的误报率和漏报率；基于神经网络的检测方法针对窃电导致的用电异常，采用非线性映射方法，该方法具有较好的泛化能力，较之人工方法可有效减小漏报率，但是很多神经网络算法的精度并不高。
发明内容：
本发明所要解决的技术问题是：克服现有技术的不足，提供一种通过对采集的窃电用户和正常用户的用电信息进行标签处理，利用双向长短时记忆网络训练得到窃电智能识别模型，并在贝叶斯优化算法的优化作用下，提高窃电识别模型的精度，能够在减少反窃电工作人员工作量的同时，大大提高反窃电工作效率的基于双向长短时记忆网络和滑动窗输入的反窃电识别方法。
本发明的技术方案是：一种基于双向长短时记忆网络和滑动窗输入的反窃电识别方法，其特征是：步骤一、从用电信息采集系统中采集窃电用户和正常用户的用电信息，在该用电信息中手动添加是否存在窃电行为的标签，存在窃电的标为1，正常用电的标为0；
步骤二、从用电信息采集系统中采集窃电用户和正常用户的用电信息，从用电信息中提取用户编号、数据日期、总电量等信息，根据总电量计算出用户的日电量，对日电量进行归一化处理；
步骤三、采用滑动窗输入的方式输入包括目标日在内的连续一段时间的电量数据以及目标日的标签，按照一定比例划分训练集和测试集后，通过双向长短时记忆网络对输入的训练集电量序列特征进行学习；
步骤四、经过数据训练，最终形成窃电智能识别模型，依据测试集，通过贝叶斯优化算法对模型的超参数进行优化调整，以提高窃电识别模型的精度；
步骤五、通过该模型对用户用电数据进行分析，判断用户是否具有窃电嫌疑。
进一步的，所述步骤三中，将滑动窗口的长度设置为13，将[t-6，t+6]连续13天的电量数据作为一个输入，第t日的用电状态作为该输入的目标。
进一步的，所述步骤三中，双向长短时记忆网络的训练方式为序列到点的方式，即输入一个窗口序列，对应的目标为该窗口中间日的用户用电状态。
进一步的，所述步骤三中，所述双向长短时记忆网络的输入维度为13，输出维度为2，隐藏层单元数为100，求解器设置为adam，训练轮数设置为250轮，梯度阈值设置为1，初始学习率设置为0.01，在经过125轮训练后将学习率乘以0.2来降低学习率。
进一步的，所述步骤三中，数据的前80%作为训练集，后20%作为测试集。
进一步的，所述步骤四中，所述的优化算法采用的是贝叶斯优化算法，使用该算法对隐藏层单元数和学习率进行优化。
本发明的有益效果是：
1、本发明通过对采集的窃电用户和正常用户的用电信息进行标签处理，利用双向长短时记忆网络训练得到窃电智能识别模型，并在贝叶斯优化算法的优化作用下，提高窃电识别模型的精度，能够在减少反窃电工作人员工作量的同时大大提高反窃电工作的效率，能够有效减少窃电给电力公司带来的巨大经济损失。
2、本发明采用滑动窗输入的数据输入方式进行训练，以降低训练过程中对图形处理单元和内存的要求。
3、本发明采用序列到点的方式进行训练，以避免每个输出信号被预测多次；并且每一个输出都在窗口的中点，以便网络可以利用过去和未来的信号对输出进行预测，从而提高模型的准确率。
4、本发明采用双向长短时记忆网络进行模型训练，该网络具有向前和向后两个循环神经网络，这两个网络都连接着一个输出层，这样的结构能提供给输出层输入序列中每一个点的完整的过去和未来的信息，从而使输出的准确率更高。
5、本发明采用贝叶斯优化对模型超参数进行调整。贝叶斯优化与常用的优化方法网格搜索相比，贝叶斯优化调参采用高斯过程，考虑之前的参数信息，不断地更新先验；调参迭代次数少，速度快；针对非凸问题依然稳健。
附图说明：
图1为双向长短时记忆网络结构。
图2为窃电智能识别模型训练流程。
图3 序列到点示意图。
具体实施方式：
实施例：参见图1、图2和图3。
基于双向长短时记忆网络和滑动窗输入的反窃电识别方法，从用电信息采集系统中采集窃电用户和正常用户的用电信息，在该用电信息中手动添加是否存在窃电行为的标签，存在窃电的标为1，正常用电的标为0；采用滑动窗输入的方式输入包括目标日在内的连续一段时间的电量数据以及目标日的标签，通过双向长短时记忆网络对输入的电量序列特征进行学习；经过大量的数据训练，最终形成窃电智能识别模型，通过该模型对用户用电数据进行分析，可以判断用户是否具有窃电嫌疑；通过对采集的窃电用户和正常用户的用电信息进行标签处理，利用双向长短时记忆网络训练得到窃电智能识别模型，并在贝叶斯优化算法的优化作用下，提高窃电识别模型的精度，能够在减少反窃电工作人员工作量的同时大大提高反窃电工作的效率，能够有效减少窃电给电力公司带来的巨大经济损失。
下面结合附图和实施例对本申请进行详细描述。
步骤一、从用电信息采集系统中采集窃电用户和正常用户的用电信息，在该用电信息中手动添加是否存在窃电行为的标签，存在窃电的标为1，正常用电的标为0。
步骤二、从用电信息采集系统中采集窃电用户和正常用户的用电信息，从用电信息中提取用户编号、数据日期、总电量等信息，根据总电量计算出用户的日电量，对日电量进行归一化处理，归一化公式为：
Figure DEST_PATH_IMAGE002
。
步骤三、采用滑动窗输入的方式输入包括目标日在内的连续一段时间的电量数据以及目标日的标签，数据的前80%作为训练集，后20%作为测试集，通过双向长短时记忆网络对输入的训练集电量序列特征进行学习。
将滑动窗口的长度设置为13，将[t-6，t+6]连续13天的电量数据作为一个输入，第t日的用电状态作为该输入的目标。
双向长短时记忆网络的训练方式为序列到点的方式，即输入一个窗口序列，对应的目标为该窗口中间日的用户用电状态。
双向长短时记忆网络由输入层、双向长短时记忆层、全连接层、分类函数、输出层组成，双向长短时记忆网络的输入维度为13，输出维度为2，隐藏层单元数为100，求解器设置为adam，训练轮数设置为250轮，梯度阈值设置为1，初始学习率设置为0.01，在经过125轮训练后将学习率乘以0.2来降低学习率。
步骤四、经过数据训练，最终形成窃电智能识别模型，依据测试集，通过贝叶斯优化算法对模型的超参数进行优化调整，以提高窃电识别模型的精度。
优化算法采用的是贝叶斯优化算法，使用该算法对隐藏层单元数和学习率进行优化。
步骤五、通过该模型对用户用电数据进行分析，判断用户是否具有窃电嫌疑。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (6)

1.一种基于双向长短时记忆网络和滑动窗输入的反窃电识别方法，其特征是：步骤一、从用电信息采集系统中采集窃电用户和正常用户的用电信息，在该用电信息中手动添加是否存在窃电行为的标签，存在窃电的标为1，正常用电的标为0；
步骤二、从用电信息采集系统中采集窃电用户和正常用户的用电信息，从用电信息中提取用户编号、数据日期、总电量等信息，根据总电量计算出用户的日电量，对日电量进行归一化处理；
步骤三、采用滑动窗输入的方式输入包括目标日在内的连续一段时间的电量数据以及目标日的标签，按照一定比例划分训练集和测试集后，通过双向长短时记忆网络对输入的训练集电量序列特征进行学习；
步骤四、经过数据训练，最终形成窃电智能识别模型，依据测试集，通过贝叶斯优化算法对模型的超参数进行优化调整，以提高窃电识别模型的精度；
步骤五、通过该模型对用户用电数据进行分析，判断用户是否具有窃电嫌疑。
2.根据权利要求1所述的基于双向长短时记忆网络和滑动窗输入的反窃电识别方法，其特征是：所述步骤三中，将滑动窗口的长度设置为13，将[t-6，t+6]连续13天的电量数据作为一个输入，第t日的用电状态作为该输入的目标。
3.根据权利要求1所述的基于双向长短时记忆网络和滑动窗输入的反窃电识别方法，其特征是：所述步骤三中，双向长短时记忆网络的训练方式为序列到点的方式，即输入一个窗口序列，对应的目标为该窗口中间日的用户用电状态。
4.根据权利要求1所述的基于双向长短时记忆网络和滑动窗输入的反窃电识别方法，其特征是：所述步骤三中，数据的前80%作为训练集，后20%作为测试集。
5.根据权利要求1所述的基于双向长短时记忆网络和滑动窗输入的反窃电识别方法，其特征是：所述步骤三中，所述双向长短时记忆网络的输入维度为13，输出维度为2，隐藏层单元数为100，求解器设置为adam，训练轮数设置为250轮，梯度阈值设置为1，初始学习率设置为0.01，在经过125轮训练后将学习率乘以0.2来降低学习率。
6.根据权利要求1所述的基于双向长短时记忆网络和滑动窗输入的反窃电识别方法，其特征是：所述步骤四中，所述的优化算法采用的是贝叶斯优化算法，使用该算法对隐藏层单元数和学习率进行优化。
CN202011263880.3A 2020-11-12 2020-11-12 基于双向长短时记忆网络和滑动窗输入的反窃电识别方法 Pending CN112418623A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011263880.3A CN112418623A (zh) 2020-11-12 2020-11-12 基于双向长短时记忆网络和滑动窗输入的反窃电识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011263880.3A CN112418623A (zh) 2020-11-12 2020-11-12 基于双向长短时记忆网络和滑动窗输入的反窃电识别方法

Publications (1)

Publication Number Publication Date
CN112418623A true CN112418623A (zh) 2021-02-26

Family

ID=74831052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011263880.3A Pending CN112418623A (zh) 2020-11-12 2020-11-12 基于双向长短时记忆网络和滑动窗输入的反窃电识别方法

Country Status (1)

Country Link
CN (1) CN112418623A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113612309A (zh) * 2021-09-30 2021-11-05 北京志翔科技股份有限公司 异常用电数据识别方法及设备
CN114826500A (zh) * 2022-04-21 2022-07-29 中国人民解放军国防科技大学 基于深度学习的恒包络调制突发信号检测方法与系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160117326A1 (en) * 2014-10-28 2016-04-28 Oracle International Corporation Correlating consumption and voltage data to identify line loss in an electric grid
CN107492043A (zh) * 2017-09-04 2017-12-19 国网冀北电力有限公司电力科学研究院 窃电分析方法及装置
CN109615004A (zh) * 2018-12-07 2019-04-12 江苏瑞中数据股份有限公司 一种多源数据融合的防窃电预警方法
CN110188826A (zh) * 2019-05-31 2019-08-30 湖南科技大学 基于智能电表数据的家用电器运行状态非侵入式检测方法
CN110212524A (zh) * 2019-06-13 2019-09-06 云南电网有限责任公司电力科学研究院 一种区域电力负荷预测方法
CN110852515A (zh) * 2019-11-15 2020-02-28 北京工业大学 基于混合长短时记忆神经网络的水质指标预测方法
CN111091863A (zh) * 2019-11-29 2020-05-01 浪潮(北京)电子信息产业有限公司 一种存储设备故障检测方法及相关装置
CN111126820A (zh) * 2019-12-17 2020-05-08 国网山东省电力公司电力科学研究院 反窃电方法及系统
CN111612651A (zh) * 2020-05-27 2020-09-01 福州大学 一种基于长短期记忆网络的异常电量数据检测方法
CN111738364A (zh) * 2020-08-05 2020-10-02 国网江西省电力有限公司供电服务管理中心 一种基于用户负荷与用电参量相结合的窃电检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160117326A1 (en) * 2014-10-28 2016-04-28 Oracle International Corporation Correlating consumption and voltage data to identify line loss in an electric grid
CN107492043A (zh) * 2017-09-04 2017-12-19 国网冀北电力有限公司电力科学研究院 窃电分析方法及装置
CN109615004A (zh) * 2018-12-07 2019-04-12 江苏瑞中数据股份有限公司 一种多源数据融合的防窃电预警方法
CN110188826A (zh) * 2019-05-31 2019-08-30 湖南科技大学 基于智能电表数据的家用电器运行状态非侵入式检测方法
CN110212524A (zh) * 2019-06-13 2019-09-06 云南电网有限责任公司电力科学研究院 一种区域电力负荷预测方法
CN110852515A (zh) * 2019-11-15 2020-02-28 北京工业大学 基于混合长短时记忆神经网络的水质指标预测方法
CN111091863A (zh) * 2019-11-29 2020-05-01 浪潮(北京)电子信息产业有限公司 一种存储设备故障检测方法及相关装置
CN111126820A (zh) * 2019-12-17 2020-05-08 国网山东省电力公司电力科学研究院 反窃电方法及系统
CN111612651A (zh) * 2020-05-27 2020-09-01 福州大学 一种基于长短期记忆网络的异常电量数据检测方法
CN111738364A (zh) * 2020-08-05 2020-10-02 国网江西省电力有限公司供电服务管理中心 一种基于用户负荷与用电参量相结合的窃电检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
史玉良等: "基于用电特征分析的窃电行为识别方法", 《计算机研究与发展》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113612309A (zh) * 2021-09-30 2021-11-05 北京志翔科技股份有限公司 异常用电数据识别方法及设备
CN114826500A (zh) * 2022-04-21 2022-07-29 中国人民解放军国防科技大学 基于深度学习的恒包络调制突发信号检测方法与系统

Similar Documents

Publication Publication Date Title
Buzau et al. Hybrid deep neural networks for detection of non-technical losses in electricity smart meters
CN108510006B (zh) 一种基于数据挖掘的企业用电量分析与预测方法
Wang et al. Medium-term wind speeds forecasting utilizing hybrid models for three different sites in Xinjiang, China
CN109190950B (zh) 一种电表和水表档案贯通的用能异常识别方法
CN104408667A (zh) 一种电能质量综合评估的方法和系统
CN112418623A (zh) 基于双向长短时记忆网络和滑动窗输入的反窃电识别方法
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN110263977A (zh) 基于lstm神经网络模型的优化预测pm2.5的方法及装置
Shao et al. Modeling and forecasting the electricity clearing price: A novel BELM based pattern classification framework and a comparative analytic study on multi-layer BELM and LSTM
CN116451848A (zh) 一种基于时空注意力机制的卫星遥测数据预测方法及装置
CN113627091A (zh) 一种用于预测能源负荷的装置及方法
Latha et al. Stock movement prediction using KNN machine learning algorithm
CN114611738A (zh) 一种基于用户用电行为分析的负荷预测方法
Shi et al. A novel approach to detect electricity theft based on conv-attentional Transformer Neural Network
Liu et al. Exploring Cluster Stocks based on deep learning for Stock Prediction
CN104537392A (zh) 一种基于判别性语义部件学习的对象检测方法
Kirshners et al. A comparative analysis of short time series processing methods
CN114595952A (zh) 基于注意力网络改进卷积神经网络的窃电行为检测方法
Dong et al. Nontechnical loss detection of electricity based on neural architecture search in distribution power networks
Duan et al. TCAD: unsupervised anomaly detection based on global local representation differences
Fang et al. Identification of Abnormal Electricity Consumption Behavior Based on Bi-LSTM Recurrent Neural Network
CN114154617A (zh) 一种基于vfl的低压居民用户异常用电识别方法及系统
Liyun et al. Short-term load forecasting based on DenseNet-LSTM fusion model
CN112884000A (zh) 一种基于数据挖掘的用电检查智能诊断方法及诊断系统
Xiao et al. Anomaly Detection of Power Time-Series Data Based on Multi-Dimensional Transformer Network

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: 20210226

RJ01 Rejection of invention patent application after publication