CN112651183A - 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 - Google Patents
一种量子分布式对抗统一深度哈希网络的可靠性评估方法 Download PDFInfo
- Publication number
- CN112651183A CN112651183A CN202110065842.5A CN202110065842A CN112651183A CN 112651183 A CN112651183 A CN 112651183A CN 202110065842 A CN202110065842 A CN 202110065842A CN 112651183 A CN112651183 A CN 112651183A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- network
- reliability
- hash
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000547 structure data Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明所提一种量子分布式对抗统一深度哈希网络的可靠性评估方法,该方法能结合配电网拓扑相似性准确地分析评估配电网网架的可靠性。本发明所提方法是基于量子计算的分布式对抗统一深度哈希网络,该方法由量子分布式对抗模块和深度哈希网络模块组成,其中量子分布式对抗模块主要包括量子计算和分布式对抗统一两种操作,对配电网拓扑结构进行建模;深度哈希网络模块主要使用深度学习和哈希编码技术完成配电网可靠性分析的模型训练任务。所提方法具有较强配电网模型构建能力和数据拟合能力,可以准确地评估配电网网架可靠性。
Description
技术领域
本发明属于电力系统配电网运行安全分析领域,涉及一种基于人工智能技术的可靠性评估方法,适用于电力系统配电网网架运行可靠性分析。
背景技术
电力系统产业是一个国家举足轻重的基础产业,它既能促进国民经济快速发展。因此,电网的建设是关系到国家能源安全和国民经济命脉的重要基础事业,各级发电系统承担着经济社会发展中关乎民生和国家计划的电能保障,对促进我国经济可持续发展有极其重要的责任。与此同时,社会中制造业和工业产品对产品质量要求越来越高,这进一步要求电能质量要越来越高。社会经济的快速发展,让电能质量的提升成为电网研究中挑战之一。配电网是电力系统中直接与广大用电用户连接的部分。配电网网架结构的可靠性研究理所应当地得到重视。但是现代化电力系统的结构日益复杂,系统内各类元件数量越来越多。随着电网向高电压和大容量方向发展,系统元件出现的随机故障引起越来越多的电网结构性故障,导致系统部分功能丧失,给生产和生活带来巨大的经济损失。因此,电力系统配电网可靠性研究成为一项具有巨大经济价值和社会意义的前沿性课题。
本发明所提的一种量子分布式对抗统一深度哈希网络的可靠性评估方法,能够使用分布式对抗统一方法构建配电网数学模型,进而准确地评估配电网网架可靠性。该方法充分考虑配电网网架结构的复杂性和动态性,并通过将配电网每个节点流入流出电量的状态视作量子态,考虑配电网各个节点的竞争关系,使用对抗统一策略对配电网网架结构进行数学建模。这种建模策略能充分表现配电网各个节点间的动态变化关系,引入的对抗统一和分布式建模思想深入地表现了配电网电量交互流动时此消彼长的关系。通过深度哈希网络对配电网数学模型所得原始数据进行哈希编码及训练,地提高配电网网架可靠性评估的精确度。
配电网是由电网线路、电气设备和多个负荷点组成的复杂系统。为提取系统的关键模块信息,配电网系统需要进行抽象化处理。目前最常见的表达方式是使用点和线构成具有连接关系的网络拓扑结构,该拓扑结构可以表示一个复杂的配电网网架系统,并且每个节点的电气设备有效信息可以保留和查看。配电网结构复杂,其电量分配动态性强,配电网结构建模的准确性直接影响配电网网架结构可靠性评估的准确性。
配电网运行不可靠时,电力质量低下且波动性强,对于工业生产是不可接受的,也严重影响人们的日常活动。传统的经典配电网可靠性评估方法主要有解析法和模拟法两种。解析法的是根据配电网结构、电气元件的功能和逻辑关系建立配电网可靠性评估模型。解析法有状态空间法和网络法。随着配电网节点数和元件数增加,解析法计算量成快速增长,问题求解花费时间急剧增长。蒙特卡洛法就是一种模拟法,该方法利用计算机模拟配电网各种运行状态,使用统计方法从大量的模拟实验中得到配电网可靠性指标的方法。但是蒙特卡洛法枚举的本质就导致:如果要求较高的精度,则会花费更长的时间。
由于上述传统配电网网架可靠性评估方法存在预测精度低的问题,因此,本发明提出一种量子分布式对抗统一深度哈希网络的可靠性评估方法用来替代传统评估方法。
发明内容
本发明提出一种量子分布式对抗统一深度哈希网络的可靠性评估方法,该方法可以使用分布式对抗统一方法构建配电网数学模型,进而准确地评估配电网网架可靠性。与传统的配电网网架可靠性评估方法不同,该方法具有精确建模和快速计算的特点,可以根据配电网节点电量分布式对抗的特点,使用哈希编码技术,学习各节点动态变化规律,最终训练出来一个具有固定输入输出映射关系的配电网网架结构可靠性评估模型。
该方法使用量子计算和分布式对抗统一方法搭建配电网模型,同时提出深度哈希网络训练模型,使用量子分布式对抗统一方法搭建配电网模型,利用网络拓扑相似性分析原理,给出电网拓扑相似性与配电网供电可靠性的关系,进而评估配电网网架可靠性,其过程可以由公式(1)和公式(2)进行描述
式中,B为邻接矩阵,T和N是两个正交矩阵,M为对角矩阵,其值为矩阵B的奇异值,大小等于矩阵B的秩。对B矩阵进行奇异值分解,分解后矩阵B可以表示为
式中,r为矩阵B的秩大小;u和v为奇异分解的矩阵。
深度学习被用来对大量数据进行训练,从数据中获取对配电网网架可靠性评估有用的特征,并且可以利用标记的源数据和未标记的目标数据来学习信息散列码。利用深度神经网络的特征学习能力来学习代表性的哈希码,以解决域自适应问题的方法,能提高配电网网架结构可靠性评估的精确度。该模块中哈希操作可用式(3)描述
深度哈希网络输出结果与真实结果的修正误差由式(4)描述
式中,Y为误差值,nt为向量长度,lij为节点电量流向的状态概率。
深度学习能对大量数据进行训练,从数据中获取对配电网网架可靠性评估有用的特征,降低噪声数据对可靠性指标计算的影响,提高配电网网架结构可靠性评估的精确度;所提方法在使用过程中的主要步骤为:
步骤1:收集目标配电网网架结构数据,并对其结构进行合理简化;
步骤2:使用量子分布式对抗统一方法对配电网结构进行建模;
步骤3:使用深度哈希网络训练配电网网架结构可靠性评估模型;
步骤4:使用训练好的模型进行可靠性评估。
本发明所提一种量子分布式对抗统一深度哈希网络的可靠性评估方法是一种采用量子计算和分布式对抗统一策略对深度哈希网络进行训练的可靠性评估模型,该方法具有较强配电网模型构建能力和数据拟合能力,通过大数据学习配电网节点动态规律,可以准确地评估配电网网架可靠性。
附图说明
图1是本发明方法的量子分布式对抗统一深度哈希网络结构示意图。
图2是本发明方法的一种量子分布式对抗统一深度哈希网络的可靠性评估流程图。
具体实施方式
本发明提出的一种量子分布式对抗统一深度哈希网络的可靠性评估方法,结合附图详细说明如下:
图1是本发明方法的量子分布式对抗统一深度哈希网络结构示意图。该方法主要由量子分布式对抗统一模块和深度哈希网络模块组成。量子分布式对抗统一模块主要完成精确构建配电网数学模型的任务,该模块根据配电网原始拓扑结构和参数信息,充分考虑拓扑结构中各节点的动态变化规律,使用量子状态表示节点状态,以分布式对抗统一策略构建配电网精确数学模型。该模型搭建完成后,人工获取一定时间内配电网运行的历史数据,以历史数据为训练和测试数据用于训练环节。训练环节由深度哈希网络模块进行,首先,深度哈希网络模型会得到配电网历史数据,再将这些分布式数据融合成适合网络输入的训练数据,经过特征提取和特征学习过程,得到加权后的特征数据集,该数据集被放入深度网络中进行训练,再由哈希编码技术进行哈希编码。经过特征学习和哈希编码的数据更能表现配电网各节点的动态性和状态变化规律。该方法的深度哈希网络模块具有较强特征提取能力和函数拟合能力,能准确地评估配电网网架结构的可靠性。
图2是本发明方法的一种量子分布式对抗统一深度哈希网络的可靠性评估流程图。训练样本的质量好坏对深度哈希网络评估模型最终性能高低具有决定性的影响。因此,原始数据的收集处理流程必须有较高的可靠性。首先,配电网的原始结构图的拓扑结构应该完整,配电网网架中各部分原件参数应当准确无误,在此基础上使用量子分布式对抗统一模块进行高精度数学建模,收集这段时间内配电网数学模型运行的变化数据,将这些数据以指定规则存入数据库中。这些历史数据被用于评估模型的训练和可靠性指标的迭代。首先,使用一部分数据训练深度哈希网络评估模型,判断当前奇异值序列是否最相似。若最相似,则修正可靠性指标,结束训练过程。若不是最相似,则进一步读取历史数据,更新配电网拓扑结构,重复训练深度哈希网络评估模型,直到使奇异值序列最相似,完成训练过程。
Claims (3)
1.一种量子分布式对抗统一深度哈希网络的可靠性评估方法,其特征在于,该方法使用量子计算和分布式对抗统一方法搭建配电网模型,同时提出深度哈希网络训练模型,利用网络拓扑相似性分析原理,给出电网拓扑相似性与配电网供电可靠性的关系,进而评估配电网网架可靠性;深度学习能对大量数据进行训练,从数据中获取对配电网网架可靠性评估有用的特征,降低噪声数据对可靠性指标计算的影响,提高配电网网架结构可靠性评估的精确度;该方法在使用过程中的主要步骤为:
步骤1:收集目标配电网网架结构数据,并对其结构进行合理简化;
步骤2:使用量子分布式对抗统一方法对配电网结构进行建模;
步骤3:使用深度哈希网络训练配电网网架结构可靠性评估模型;
步骤4:使用训练好的模型进行可靠性评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110065842.5A CN112651183A (zh) | 2021-01-19 | 2021-01-19 | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110065842.5A CN112651183A (zh) | 2021-01-19 | 2021-01-19 | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651183A true CN112651183A (zh) | 2021-04-13 |
Family
ID=75368425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110065842.5A Pending CN112651183A (zh) | 2021-01-19 | 2021-01-19 | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651183A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114124725A (zh) * | 2021-09-16 | 2022-03-01 | 国科量子通信网络有限公司 | 基于复杂网络模型的量子通信网络可靠度全面评估方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815652A (zh) * | 2016-12-16 | 2017-06-09 | 国家电网公司 | 一种基于大数据相关性分析的配电网供电可靠性预测方法 |
CN107683460A (zh) * | 2015-05-05 | 2018-02-09 | 凯恩迪股份有限公司 | 在传统处理器上模拟量子样计算的quanton表示 |
CN109918528A (zh) * | 2019-01-14 | 2019-06-21 | 北京工商大学 | 一种基于语义保护的紧凑的哈希码学习方法 |
CN109960737A (zh) * | 2019-03-15 | 2019-07-02 | 西安电子科技大学 | 半监督深度对抗自编码哈希学习的遥感影像内容检索方法 |
CN110414718A (zh) * | 2019-07-04 | 2019-11-05 | 上海工程技术大学 | 一种深度学习下的配电网可靠性指标优化方法 |
WO2020095051A2 (en) * | 2018-11-07 | 2020-05-14 | Gtn Ltd | A quantum circuit based system configured to model physical or chemical systems |
CN111325444A (zh) * | 2020-01-21 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 一种风险防控决策方法、装置、系统及设备 |
CN111654488A (zh) * | 2020-05-27 | 2020-09-11 | 中国电力科学研究院有限公司 | “三站合一”变电站及感知终端信息接入方法 |
CN111865690A (zh) * | 2020-07-21 | 2020-10-30 | 南昌航空大学 | 基于网络结构和时序的机会网络链路预测方法 |
CN112132430A (zh) * | 2020-09-14 | 2020-12-25 | 国网山东省电力公司电力科学研究院 | 一种配电主设备分布式状态传感器可靠性评估方法及系统 |
-
2021
- 2021-01-19 CN CN202110065842.5A patent/CN112651183A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107683460A (zh) * | 2015-05-05 | 2018-02-09 | 凯恩迪股份有限公司 | 在传统处理器上模拟量子样计算的quanton表示 |
CN106815652A (zh) * | 2016-12-16 | 2017-06-09 | 国家电网公司 | 一种基于大数据相关性分析的配电网供电可靠性预测方法 |
WO2020095051A2 (en) * | 2018-11-07 | 2020-05-14 | Gtn Ltd | A quantum circuit based system configured to model physical or chemical systems |
CN109918528A (zh) * | 2019-01-14 | 2019-06-21 | 北京工商大学 | 一种基于语义保护的紧凑的哈希码学习方法 |
CN109960737A (zh) * | 2019-03-15 | 2019-07-02 | 西安电子科技大学 | 半监督深度对抗自编码哈希学习的遥感影像内容检索方法 |
CN110414718A (zh) * | 2019-07-04 | 2019-11-05 | 上海工程技术大学 | 一种深度学习下的配电网可靠性指标优化方法 |
CN111325444A (zh) * | 2020-01-21 | 2020-06-23 | 支付宝(杭州)信息技术有限公司 | 一种风险防控决策方法、装置、系统及设备 |
CN111654488A (zh) * | 2020-05-27 | 2020-09-11 | 中国电力科学研究院有限公司 | “三站合一”变电站及感知终端信息接入方法 |
CN111865690A (zh) * | 2020-07-21 | 2020-10-30 | 南昌航空大学 | 基于网络结构和时序的机会网络链路预测方法 |
CN112132430A (zh) * | 2020-09-14 | 2020-12-25 | 国网山东省电力公司电力科学研究院 | 一种配电主设备分布式状态传感器可靠性评估方法及系统 |
Non-Patent Citations (6)
Title |
---|
ANA GALLEGOS SALINER: "Topological quantum similarity measures: applications in QSAR", 《JOURNAL OF MOLECULAR STRUCTURE: THEOCHEM》 * |
KUNLUN HAN: "Quantum parallel multi-layer Monte Carlo optimization algorithm for controller parameters optimization of doubly-fed induction generator-based wind turbines", 《APPLIED SOFT COMPUTING》 * |
LINFEI YIN: "Hybrid metaheuristic multi-layer reinforcement learning approach for two-level energy management strategy framework of multi-microgrid systems", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》 * |
王艳苹: "智能配电系统可靠性评价模型构建研究", 《自动化应用》 * |
程乐峰 等: "机器学习在能源与电力系统领域的应用和展望", 《电力系统自动化》 * |
钟建伟: "基于FLN网的含分布式电源配电网可靠性评估", 《电气技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114124725A (zh) * | 2021-09-16 | 2022-03-01 | 国科量子通信网络有限公司 | 基于复杂网络模型的量子通信网络可靠度全面评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lei et al. | Data-driven optimal power flow: A physics-informed machine learning approach | |
CN110175386B (zh) | 变电站电气设备温度预测方法 | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
Yang et al. | Fast economic dispatch in smart grids using deep learning: An active constraint screening approach | |
Hou et al. | Sparse oblique decision tree for power system security rules extraction and embedding | |
CN111900731B (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
US20210334658A1 (en) | Method for performing clustering on power system operation modes based on sparse autoencoder | |
CN102663495B (zh) | 一种用于非线性器件建模的神经网络数据生成方法 | |
CN104503420A (zh) | 一种基于新型fde-elm和时延efsm的非线性过程工业故障预测方法 | |
Yang et al. | Monitoring data factorization of high renewable energy penetrated grids for probabilistic static voltage stability assessment | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
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 | |
CN112651183A (zh) | 一种量子分布式对抗统一深度哈希网络的可靠性评估方法 | |
CN112182968B (zh) | 一种构建锂离子电池等效电路模型的方法、系统及设备 | |
CN109861220B (zh) | 电力系统分析用深度卷积神经网络张量输入构建方法 | |
CN110348489B (zh) | 一种基于自编码网络的变压器局部放电模式识别方法 | |
CN116933860A (zh) | 暂态稳定评估模型更新方法、装置、电子设备及存储介质 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN114676887A (zh) | 一种基于图卷积stg-lstm的河流水质预测方法 | |
Tong et al. | A prediction model for complex equipment remaining useful life using gated recurrent unit complex networks | |
CN114548762A (zh) | 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 | |
CN105743088A (zh) | 一种配电网电压水平不确定性影响弹性网回归分析方法 | |
Zhang et al. | Key fault propagation path identification of CNC machine tools based on maximum occurrence probability | |
CN114943430B (zh) | 一种基于深度强化学习的智能电网关键节点识别方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210413 |