CN112507604B - 可再生电源的数据驱动电压频率响应特性建模方法 - Google Patents
可再生电源的数据驱动电压频率响应特性建模方法 Download PDFInfo
- Publication number
- CN112507604B CN112507604B CN202011216128.3A CN202011216128A CN112507604B CN 112507604 B CN112507604 B CN 112507604B CN 202011216128 A CN202011216128 A CN 202011216128A CN 112507604 B CN112507604 B CN 112507604B
- Authority
- CN
- China
- Prior art keywords
- frequency response
- renewable power
- output value
- power supply
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004044 response Effects 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010248 power generation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种可再生电源的数据驱动电压频率响应特性建模方法，该方法包括以下步骤：S1，输入数据归一化处理；S2，初始化神经网络各层权重和偏置参数；S3，输入数据经过两层卷积层和两层全连接层得到输出值；S4，输出值作反归一化处理，得出原始分布输出值；S5，求出原始分布输出值与目标输出值的误差；S6，当误差超出允许范围，将误差反向传回神经网络，依次求解全连接层和卷积层的误差，对各层权重和偏差进行更新，继续步骤S3；当误差在允许范围内，固定权重和偏置，结束训练。根据本发明的可再生电源的数据驱动电压频率响应特性建模方法，具有更高的准确性和鲁棒性。
Description
技术领域
本发明涉及智能电网技术领域，尤其是涉及一种可再生电源的数据驱动电压频率响应特性建模方法。
背景技术
由于风能、太阳能等清洁能源发电对环境的污染远小于传统发电方式，可再生电源发电符合我国可持续发展的目标战略。可再生电源发电的比例将会逐步提高，对电网运行的影响也会越来越显著。可再生电源发电的间歇性和不确定性使得关于其输出功率的模型是高维非线性的，而以往研究采用传统数学建模方法，模型的准确性不高。
与此同时，随着智能电网的发展和自动化水平的提高，能源的生产、运输、分配、交易、消费等环节成为规模逐增的数据源。能源数据规模庞大、类型丰富，数据之间的相互关系复杂，传统的数据处理技术将会面临多种问题，挖掘历史数据之间的相关关系并运用其处理电力系统中的实际问题显得尤为重要。电力系统数据产生速度快，高效、精准运用实时数据于电网控制工作将成为电网正常运行的关键。
将丰富的电网数据和气象数据运用于可再生电源的电压频率特性的研究，将会解决由于可再生电源发电不确定性导致的无法建模的问题，可再生电源将可以参与电网调频调压甚至更多电网控制任务，从而提高系统运行的稳定性。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种可再生电源的数据驱动电压频率响应特性建模方法，该可再生电源的数据驱动电压频率响应特性建模方法，具有更高的准确性和鲁棒性。
本发明还提出了一种可执行和存储上述可再生电源的数据驱动电压频率响应特性建模方法的非临时性可读存储介质。
根据本发明实施例的基于可再生电源的数据驱动电压频率响应特性建模方法，包括以下步骤：
S1，输入数据归一化处理；
S2，初始化神经网络各层权重和偏置参数；
S3，输入数据经过两层卷积层和两层全连接层得到输出值；
S4，输出值作反归一化处理，得出原始分布输出值；
S5，求出原始分布输出值与目标输出值的误差；
S6，当误差超出允许范围，将误差反向传回神经网络，依次求解全连接层和卷积层的误差，对各层权重和偏差进行更新，继续步骤S3；当误差在允许范围内，固定权重和偏置，结束训练。
根据本发明的可再生电源的数据驱动电压频率响应特性建模方法，具有更高的准确性和鲁棒性。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，输入数据包括可再生电源母线电压幅值U，系统频率f，风电场的风速WS，风电场风向Wd，有功功率P和无功功率Q。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，选用LeakyReLU作为激励函数对归一化处理后的输入数据进行优化，函数的表达式如下：
其中a表示设定值。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，通过归一化处理后的输入数据的数值范围为-1<x<1。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，选用Adam优化器处理初始化神经网络各层权重。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，通过可再生电源母线电压幅值U，系统频率f，风电场的风速WS，风电场风向Wd和有功功率P，得到可再生电源频率响应特性，即P-f模型。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，通过可再生电源母线电压幅值U，系统频率f，风电场的风速WS，风电场风向Wd和无功功率Q，得到可再生电源电压响应特性，即Q-U模型。
根据本发明的第二方面的非临时性可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的可再生电源的数据驱动电压频率响应特性建模方法。该非临时性可读存储介质与上述的可再生电源的数据驱动电压频率响应特性建模方法相对于现有技术所具有的优势相同，在此不再赘述。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明实施例的可再生电源的数据驱动电压频率响应特性建模方法的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
下面参考图1描述根据本发明实施例的可再生电源的数据驱动电压频率响应特性建模方法。如图1所示，根据本发明实施例的基于可再生电源的数据驱动电压频率响应特性建模方法，包括以下步骤：
S1，输入数据归一化处理；
S2，初始化神经网络各层权重和偏置参数；
S3，输入数据经过两层卷积层和两层全连接层得到输出值；
S4，输出值作反归一化处理，得出原始分布输出值；
S5，求出原始分布输出值与目标输出值的误差；
S6，当误差超出允许范围，将误差反向传回神经网络，依次求解全连接层和卷积层的误差，对各层权重和偏差进行更新，继续步骤S3；当误差在允许范围内，固定权重和偏置，结束训练。
根据本发明的可再生电源的数据驱动电压频率响应特性建模方法，具有更高的准确性和鲁棒性。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，输入数据包括可再生电源母线电压幅值U，系统频率f，风电场的风速Ws，风电场风向Wd，有功功率P和无功功率Q。进一步地，对输入数据进行标准化处理，即将特征数据的分布调整成标准正态分布，使得数据的均值为0，方差为1，进一步地，将输入数据按照其原有分布特点重新放置于激励函数的非饱和区，从而使得神经网络训练误差大幅减小，收敛加快。需要说明的是，本发明的电压频率响应特性模型，是回归问题，不采用分类器，并使用均方差作为损失函数。
进一步地，在一个具体的实施例中，输入神经元设置4个，分别为可再生电源母线电压幅值U，系统频率f，风电场的风速Ws，风电场风向Wd，构成输入矩阵X，输入矩阵X通过两层卷积层，提取出输入的数据特征。需要说明的是，本发明的输入神经元相对较少，因此不需要采用池化层来处理输出值。
进一步地，在一个具体的实施例中，第一层全连接层输出神经元有512个，第二层全连接层输出神经元有1个，提取出输入的数据特征经过第一层全连接层和第二层全连接层处理后，得到目标输出值。
进一步地，将目标输出值(例如有功功率P和无功功率Q)按照电力数据的分布特征作反归一化处理，即得到有功功率P或无功功率Q的原始分布输出值。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，选用LeakyReLU作为激励函数对归一化处理后的输入数据进行优化，函数的表达式如下：
其中a表示设定值。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，通过归一化处理后的输入数据的数值范围为-1<x<1。
在现有技术中，神经网络中最常用的Relu函数的变体，Relu函数的表达式如下：
relu(x)＝max(x，0)
当输入为正时，LeakyReLU函数保留了Relu函数收敛速度快的优点；同时在输入为负时，LeakyReLU函数输出对输入有很小的坡度，避免Relu函数出现输入小于0且梯度为0，权重无法更新，神经元无法学习的现象。即当存在输入为负的情况，LeakyReLU函数可以使神经网络在负半轴的梯度不等于0，从而使得神经网络能够正常训练。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，选用Adam优化器处理初始化神经网络各层权重。这样通过Adam优化器可以对梯度的一阶矩估计(即梯度的均值)和二阶矩估计(即梯度的未中心化的方差)进行综合处理，丰富了处理过程的多样化。
进一步地，本发明输入数据中的气象数据(风电场的风速WS和风电场风向Wd)与电力数据(有功功率P和无功功率Q)均具有稀疏性，这样通过Adam优化器的自适应算法，有利于提升神经网络的训练效果。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，通过可再生电源母线电压幅值U，系统频率f，风电场的风速WS，风电场风向Wd和有功功率P，得到可再生电源频率响应特性，即P-f模型。
根据本发明一个实施例的可再生电源的数据驱动电压频率响应特性建模方法，通过可再生电源母线电压幅值U，系统频率f，风电场的风速WS，风电场风向Wd和无功功率Q，得到可再生电源电压响应特性，即Q-U模型。
综上所述，根据本发明的可再生电源的数据驱动电压频率响应特性建模方法，一方面优化了神经网络的搭建过程，提升了模型的准确性和收敛性，解决了可再生电源不确定性导致的高维非线性问题；另一方面该方法结合了电力数据与气象数据，与实际情况联系紧密，体现出实用价值，具有更好的鲁棒性。
根据本发明的第二方面的非临时性可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的可再生电源的数据驱动电压频率响应特性建模方法。综上，该非临时性可读存储介质具有鲁棒性更好等优点。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种基于可再生电源的数据驱动电压频率响应特性建模方法，其特征在于，包括以下步骤：
S1，输入数据归一化处理；
S2，初始化神经网络各层权重和偏置参数；
S3，输入数据经过两层卷积层和两层全连接层得到输出值；
S4，输出值作反归一化处理，得出原始分布输出值；
S5，求出原始分布输出值与目标输出值的误差；
S6，当误差超出允许范围，将误差反向传回神经网络，依次求解全连接层和卷积层的误差，对各层权重和偏差进行更新，继续步骤S3；当误差在允许范围内，固定权重和偏置，结束训练；
其中输入神经元设置4个，分别为可再生电源母线电压幅值U，系统频率f，风电场的风速WS，风电场风向Wd，构成输入矩阵X，输入矩阵X通过两层卷积层，提取出输入的数据特征，提取出输入的数据特征经过第一层全连接层和第二层全连接层处理后，得到目标输出值，将目标输出值按照电力数据的分布特征作反归一化处理，得到有功功率P或无功功率Q的原始分布输出值。
2.根据权利要求1所述的可再生电源的数据驱动电压频率响应特性建模方法，其特征在于，选用LeakyReLU作为激励函数对归一化处理后的输入数据进行优化，函数的表达式如下：
其中a表示设定值。
3.根据权利要求2所述的可再生电源的数据驱动电压频率响应特性建模方法，其特征在于，通过归一化处理后的输入数据的数值范围为-1<x<1。
4.根据权利要求3所述的可再生电源的数据驱动电压频率响应特性建模方法，其特征在于，选用Adam优化器处理初始化神经网络各层权重。
5.根据权利要求2-4中任一项所述的可再生电源的数据驱动电压频率响应特性建模方法，其特征在于，通过可再生电源母线电压幅值U，系统频率f，风电场的风速WS，风电场风向Wd和有功功率P，得到可再生电源频率响应特性，即P-f模型。
6.根据权利要求5所述的可再生电源的数据驱动电压频率响应特性建模方法，其特征在于，通过可再生电源母线电压幅值U，系统频率f，风电场的风速WS，风电场风向Wd和无功功率Q，得到可再生电源电压响应特性，即Q-U模型。
7.一种非临时性可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现根据权利要求1-6中任一项所述的可再生电源的数据驱动电压频率响应特性建模方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011216128.3A CN112507604B (zh) | 2020-11-04 | 2020-11-04 | 可再生电源的数据驱动电压频率响应特性建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011216128.3A CN112507604B (zh) | 2020-11-04 | 2020-11-04 | 可再生电源的数据驱动电压频率响应特性建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112507604A CN112507604A (zh) | 2021-03-16 |
| CN112507604B true CN112507604B (zh) | 2021-09-07 |
Family
ID=74956111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011216128.3A Active CN112507604B (zh) | 2020-11-04 | 2020-11-04 | 可再生电源的数据驱动电压频率响应特性建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112507604B (zh) |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446494B (zh) * | 2016-05-11 | 2019-01-11 | 新疆大学 | 基于小波包-神经网络的风光功率预测方法 |
| CN109117951B (zh) * | 2018-01-15 | 2021-11-16 | 重庆大学 | 基于bp神经网络的概率潮流在线计算方法 |
| CN108964122B (zh) * | 2018-07-16 | 2021-01-15 | 中国电力科学研究院有限公司 | 一种风电机组电气模型频率响应特性的验证方法和装置 |
| CN109670213B (zh) * | 2018-11-29 | 2022-08-23 | 国电南瑞科技股份有限公司 | 一种风电场多机等值建模方法及装置 |
| CN110889535B (zh) * | 2019-10-28 | 2022-07-12 | 国网江西省电力有限公司电力科学研究院 | 一种基于卷积循环神经网络的风电场内多点位风速预测方法 |
| CN111475909B (zh) * | 2019-10-28 | 2022-08-16 | 国网江西省电力有限公司电力科学研究院 | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 |
| CN110765703B (zh) * | 2019-11-04 | 2022-05-27 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种风电场聚合特性建模方法 |
-
2020
- 2020-11-04 CN CN202011216128.3A patent/CN112507604B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112507604A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109102126B (zh) | 一种基于深度迁移学习的理论线损率预测模型 | |
| CN110929948B (zh) | 基于深度强化学习的完全分布式智能电网经济调度方法 | |
| CN111008728A (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
| CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
| CN113408648B (zh) | 一种结合深度学习的机组组合计算方法 | |
| CN114757427B (zh) | 自回归修正的lstm智能风电场超短期功率预测方法 | |
| CN106126906A (zh) | 基于c‑c与elm的短期风速预测方法 | |
| CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
| CN105354620A (zh) | 一种风机发电功率的预测方法 | |
| CN101598109A (zh) | 一种风力发电机偏航系统的智能控制方法 | |
| CN110009135B (zh) | 一种基于宽度学习的风电功率预测方法 | |
| CN111798037B (zh) | 一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法 | |
| CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
| CN109615146A (zh) | 一种基于深度学习的超短时风功率预测方法 | |
| CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
| CN114362187A (zh) | 一种基于多智能体深度强化学习的有源配电网协同调压方法及系统 | |
| CN112465271B (zh) | 一种面向储能平抑风电波动场景的储能电池选型方法 | |
| CN114725944A (zh) | 一种电力电子化配电网源网荷优化运行控制方法及系统 | |
| CN114298140A (zh) | 一种考虑机组分类的风电短期功率预测校正方法 | |
| CN115085202A (zh) | 电网多区域智能功率协同优化方法、装置、设备及介质 | |
| CN117154845A (zh) | 一种基于生成式决策模型的电网运行调整方法 | |
| CN114722693A (zh) | 一种水轮机调节系统二型模糊控制参数的优化方法 | |
| CN109657301B (zh) | 基于双重凝聚函数的含病态载荷的结构拓扑优化方法 | |
| CN114384931A (zh) | 一种基于策略梯度的无人机多目标最优控制方法和设备 | |
| CN112507604B (zh) | 可再生电源的数据驱动电压频率响应特性建模方法 |
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 |