CN113190728A - 一种基于聚类优化的油浸式变压器故障诊断方法 - Google Patents
一种基于聚类优化的油浸式变压器故障诊断方法 Download PDFInfo
- Publication number
- CN113190728A CN113190728A CN202110370227.5A CN202110370227A CN113190728A CN 113190728 A CN113190728 A CN 113190728A CN 202110370227 A CN202110370227 A CN 202110370227A CN 113190728 A CN113190728 A CN 113190728A
- Authority
- CN
- China
- Prior art keywords
- fault
- clustering
- oil
- data set
- diagnosis method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000007789 gas Substances 0.000 claims description 27
- 238000000926 separation method Methods 0.000 claims description 6
- 238000010891 electric arc Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 2
- 239000001257 hydrogen Substances 0.000 claims description 2
- 229910052739 hydrogen Inorganic materials 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 4
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/62—Testing of transformers
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于聚类优化的油浸式变压器故障诊断方法,其特征在于,包括如下步骤:步骤S1:获取故障变压器油中溶解气体数据集;步骤S2:对所述气体数据集进行初始化处理;步骤S3:利用重构后的聚类算法对溶解气体数据集进行聚类。步骤S4:根据聚类结果,统计每一类数据子集中每种故障子集中每种故障类型的数目,其中故障类型数目最大者即为该故障子集的故障类型。本发明对模糊聚类算法进行重构,提出了基于隶属度计算的DGA数据分析方法,收敛速度快、迭代次数少。本算法解决了初值敏感的问题,分类结果稳定。本算法隶属度函数为距离的单调函数,随着元素与聚类中心差异性或距离的增大而减小。
Description
技术领域
本发明涉及一种变压器电性能测试领域,尤其涉及一种基于聚类优化的油浸式变压器故障诊断方法。
背景技术
电力变压器是电力系统中能量变换和传输的中枢设备,对电网的安全可靠运行至关重要。受到高温强电磁环境作用,变压器内部的绝缘材料可能出现多种形式的缺陷,导致过热或放电故障。正确诊断电力变压器尤其是大型油浸式电力变压器的潜伏性故障对提高电力系统的运行安全和可靠性具有重要意义。但是模糊聚类分析方法是一种重要的模式识别方法在DGA数据分析中具有良好的应用前景。但是该算法存在初值敏感、收敛速度慢等问题,严重限制了DGA数据的分析效果。
发明内容
本发明是为了解决现有技术变压器油中溶解气体分析的故障诊断算法存在初值敏感、收敛速度慢、迭代次数多的问题,提供一种降低初值敏感度、减少迭代次数、收敛速度快的一种基于聚类优化的油浸式变压器故障诊断方法。
为实现上述目的,本发明采用以下技术方案:
一种基于聚类优化的油浸式变压器故障诊断方法,其特征在于,包括如下步骤:
步骤S1:获取故障变压器油中溶解气体数据集;
步骤S2:对所述气体数据集进行初始化处理;
步骤S3:利用重构后的聚类算法对溶解气体数据集进行聚类,聚类结果分为j个数据子集,数据子集中的数据均来自原始溶解气体数据集。
所述重构后的聚类算法满足如下关系:
所述重构后的聚类算法隶属度函数为:
其中:γ为常数;
聚类中心计算公式为:
所述重构后的聚类算法的目标函数满足如下关系:
步骤S4:根据聚类结果,统计每一类数据子集中每种故障子集中每种故障类型的数目,故障类型数目最大者即为该故障子集的故障类型。故障类型数目为变压器油中溶解气体数据集中某一种故障类型数据的数量。根据DL/T2014变压器油中溶解气体分析和判断导则,变压器故障类型有:低温故障、中温故障、高温故障、局部放电、低能放电和电弧放电。
作为优选,步骤S1中所述的获取故障变压器油中溶解气体数据集包括获取油浸式变压器发生故障时油中溶解的H2、CH4、C2H6、C2H4、C2H2气体含量。
作为优选,所述溶解气体数据集包括低温故障、中温故障、高温故障、局部放电、低能放电和电弧放电六种故障类型。
作为优选,所述故障类型中每种故障类型数目相差不超过一倍。即数据集合中某一种故障类型数据的数量不超过其他某一种故障类型数据数量的2倍。
作为优选,所述步骤S2中所述的对所述气体数据集进行初始化处理包括对氢气求其占H2、CH4、C2H6、C2H4、C2H2总和的百分比,分别求CH4、C2H6、C2H4、C2H2占CH4、C2H6、C2H4、C2H2总和的百分比。
作为优选,所述聚类算法隶属度函数满足的约束条件包括:uij∈[0,1],1≤i≤n。
作为优选,步骤S3中所述利用重构后的聚类算法对溶解气体数据集进行聚类,聚类结果分为j类,包括如下步骤:
步骤S301:随机选取j条数据作为初始聚类中心;
步骤S302:利用分离系数和分离熵对初始聚类中心进行评价;
步骤S303:利用重构后的隶属度函数和聚类中心计算公式交替迭代计算隶属度矩阵和聚类中心,直至满足迭代终止条件。
因此,本发明具有如下有益效果:(1)本发明对模糊聚类算法进行重构,提出了基于隶属度计算的DGA数据分析方法,收敛速度快、迭代次数少。(2)本算法解决了初值敏感的问题,分类结果稳定。避免传统FCM算法对迭代的初始值非常敏感,不同的初始值往往会迭代后得到不同的分类结果,很难得到工程实际所需要的数据分类的问题。(3)本算法隶属度函数为距离的单调函数,随着元素与聚类中心差异性或距离的增大而减小。避免传统FCM算法存在的差异更大样本反而对应更大隶属度的情况。
附图说明
图1是本发明一实施例的变压器故障诊断流程图。
图2是本发明一实施例的聚类优化流程图。
图3是本发明一实施例的数据间相似性示意图。
图4是本发明一实施例的FCM算法相似度函数曲线图。
图5是本发明一实施例的FCM算法隶属度函数曲线图。
图中:1、聚类中心为0.3 2、聚类中心为0.6 3、聚类中心为0.9。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例:
如图1~5所示的一种变压器故障诊断聚类优化方法,
根据图1本发明的流程示意图。本发明具体步骤如下:
获取故障变压器油中溶解气体数据集;
步骤1:对油中溶解气体数据集进行初始化处理,包括以下分步骤:
步骤101:筛选的数据集为油浸式变压器发生故障时油中溶解的H2、CH4、C2H6、C2H4、C2H2五种气体含量,以及相应的故障类别。数据涵盖低温故障、中温故障、高温故障、局部放电、低能放电和电弧放电六种故障类型,每种故障类型数目相差不超过一倍。
步骤102:对H2求其占总气体(五种气体总和)的百分比,各种烃类气体占总烃(四种烃类气体)的百分比。
步骤2:利用重构后的聚类算法进行聚类,包括以下分步骤:
步骤201:随机选取6条数据作为初始聚类中心;
步骤202:利用分离系数和分离熵对初始聚类中心进行评价;
步骤203:利用重构后的隶属度函数和聚类中心计算公式交替迭代计算隶属度矩阵和聚类中心,直至满足迭代终止条件。聚类算法的目标函数如下:
其中:γ为常数,数值为10。
约束条件为:
uij∈[0,1] 1≤i≤n
需要说明的是,传统FCM算法隶属度函数为:
用来刻画样本与聚类中心之间的相似性时,数值稳定性不好,当比较小,离样靠近聚类中心时,相似性急剧大,但是当样本离聚类中心稍远时,相似性迅速下降,如图3所示。这样的函数性能,将影响到聚类算法的收敛速度。本发明对模糊聚类算法进行重构,提出了基于隶属度计算的DGA数据分析方法,收敛速度快、迭代次数少。
在图3中,展示了在数据区间[0,1]范围内,各个数据元素与元素0.5之间的相似性。只有区间[0.47,0.53]范围内的数据,与0.5的相似性大于0.1;而在区间[0,0.47]和区间[0.53,1]内的数据,与0.5的相似性均小于0.1。在传统的FCM算法中,所能有效刻画的区间非常小。虽然增大模糊系数m的取值,能扩展数据之间的相似性度量范围,如图1中,将m取值为4时,度量范围得到了扩大,但是有研究表明,m的经验取值范围为1.5≤m≤2.5,模糊系数m取值过大,聚类效果变差。上述缺陷为式固刻画样品之间的相似性的固有缺陷。
在图4、图5中,X={x1,x2,…xi…},xi∈[0,1.5],模糊系数m=2。图4展示各个点xi与三个聚类中心vj∈{0.3,0.6,0.9}之间的相似度,图5展示的是各个点xi对三个聚类中心vj的隶属度函数uij。
图5的隶属度函数中,具有较多的局部极值点,如图中椭圆虚线圈出来的部分所示。同时可以看到,在这个例子中,对于红所代表的隶属度函数,即样本对以0.6聚类中心的类的隶属度,在区间[0,0.6]、[0.6,1.5]内,隶属度并不是随着数据远离聚类中心0.6而单调减小。对于蓝线和绿线也是如此,数据对聚类中心的隶属度并不是随着离聚类中心距离的增大而单调的减小的现象。这将不利于聚类算法的迭代寻优过程,容易将迭代过程终止在某个局部极值点位置。
为方便叙述,以一元函数为例,pij=g((x-vj)2),其中,x是样本元素xi的取值,vk是第k个聚类中心的取值,其中dij=|x-vj|。考察在某一次迭代中,类聚类中心{x1,…vk,…vc}固定时,隶属度函数f在聚类空间(数轴)上的变化情况。
上式即为相似度函数应满足的约束条件。为了使得上式在区间x∈(0,+∞),对任意取值的vj和vk恒成立,应使得式子左边不含x的一次项,且函数g(x)和g′(x)在区间x∈(0,+∞)上有界:
g′((x-vj)2)g((x-vk)2)-g((x-vj)2)g′((x-vk)2)=0
即:
又因为g(x)是相似度函数,用于刻画样本元素与聚类中西之间的相似度,须大于零,且由(4.3)得g′(x)<0,因此,C0>0,γ<0。所以满足条件的相似度函数为:
g(x)=C0eγx C0>0,γ<0
新的相似性度量函数为:
隶属度函数为:
对于具有q个属性的样本xi={xi1,xi2,…,xim,…,xiq}和聚类中心vj={vj1,vj2,…,vjm,…,vjq},先逐一的计算样本xi和聚类中心vj的第m个属性之间的相似性pijm:
再计算综合相似性:
最后,再对综合相似性pi1、pi2、…、pic进行归一化处理,以便满足约束条件,即得样本xi对聚类中心vj的隶属度:
由于高维数据分布不同,本发明采用标准方差距离而非欧式距离:
聚类中心计算公式为:
本算法隶属度函数为距离的单调函数,随着元素与聚类中心差异性或距离的增大而减小。避免传统FCM算法存在的差异更大样本反而对应更大隶属度的情况。
步骤3:根据聚类结果,统计每一类数据子集中每种故障子集中每种故障类型的数目,故障类型数目最大者即为该故障子集的故障类型。本算法解决了初值敏感的问题,分类结果稳定。避免传统FCM算法对迭代的初始值非常敏感,不同的初始值往往会迭代后得到不同的分类结果,很难得到工程实际所需要的数据分类的问题。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了迭代、模糊系数、聚类中心、故障诊断等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (9)
1.一种基于聚类优化的油浸式变压器故障诊断方法,其特征在于,包括如下步骤:
步骤S1:获取故障变压器油中溶解气体数据集;
步骤S2:对所述气体数据集进行初始化处理;
步骤S3:利用重构后的聚类算法对溶解气体数据集进行聚类,聚类结果分为j个数据子集,所述重构后的聚类算法满足如下关系:
所述重构后的聚类算法隶属度函数为:
其中:γ为常数;
聚类中心计算公式为:
所述重构后的聚类算法的目标函数满足如下关系:
步骤S4:根据聚类结果,统计每一类数据子集中每种故障子集中每种故障类型的数目,故障类型数目最大者即为该故障子集的故障类型。
2.根据权利要求1所述的一种基于聚类优化的油浸式变压器故障诊断方法,其特征是,步骤S1中所述的获取故障变压器油中溶解气体数据集包括获取油浸式变压器发生故障时油中溶解的H2、CH4、C2H6、C2H4、C2H2气体含量。
3.根据权利要求1或2所述的一种基于聚类优化的油浸式变压器故障诊断方法,其特征是,所述溶解气体数据集包括低温故障、中温故障、高温故障、局部放电、低能放电和电弧放电六种故障类型。
4.根据权利要求3所述的一种基于聚类优化的油浸式变压器故障诊断方法,其特征是的,所述故障类型中每种故障类型数目相差不超过一倍。
5.根据权利要求1所述的一种基于聚类优化的油浸式变压器故障诊断方法,其特征是,步骤S2中所述的对所述气体数据集进行初始化处理包括对氢气求其占H2、CH4、C2H6、C2H4、C2H2总和的百分比,分别求CH4、C2H6、C2H4、C2H2占CH4、C2H6、C2H4、C2H2总和的百分比。
7.根据权利要求6所述的一种基于聚类优化的油浸式变压器故障诊断方法,其特征是,所述聚类算法隶属度函数满足的约束条件包括:uij∈[0,1]1≤i≤n。
9.根据权利要求1或7所述的一种基于聚类优化的油浸式变压器故障诊断方法,其特征是,步骤S3中所述的重构后的聚类算法对溶解气体数据集进行聚类,聚类结果分为j类,包括如下步骤:
步骤S301:随机选取j条数据作为初始聚类中心;
步骤S302:利用分离系数和分离熵对初始聚类中心进行评价;
步骤S303:利用重构后的隶属度函数和聚类中心计算公式交替迭代计算隶属度矩阵和聚类中心,直至满足迭代终止条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370227.5A CN113190728A (zh) | 2021-04-06 | 2021-04-06 | 一种基于聚类优化的油浸式变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110370227.5A CN113190728A (zh) | 2021-04-06 | 2021-04-06 | 一种基于聚类优化的油浸式变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113190728A true CN113190728A (zh) | 2021-07-30 |
Family
ID=76974783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110370227.5A Pending CN113190728A (zh) | 2021-04-06 | 2021-04-06 | 一种基于聚类优化的油浸式变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113190728A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113747492A (zh) * | 2021-09-03 | 2021-12-03 | 四川英得赛克科技有限公司 | 一种无线通信设备的识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106569056A (zh) * | 2016-10-21 | 2017-04-19 | 广州供电局有限公司 | 电力变压器的故障诊断方法及诊断装置 |
US20170115335A1 (en) * | 2015-05-04 | 2017-04-27 | General Electric Company | Systems and methods for monitoring and diagnosing transformer health |
CN107656154A (zh) * | 2017-09-18 | 2018-02-02 | 杭州安脉盛智能技术有限公司 | 基于改进模糊c均值聚类算法的变压器故障诊断方法 |
CN109669086A (zh) * | 2019-01-25 | 2019-04-23 | 武汉大学 | 一种基于隶属度的变压器故障诊断方法 |
CN110133410A (zh) * | 2019-05-31 | 2019-08-16 | 国网河北省电力有限公司石家庄供电分公司 | 基于模糊c均值聚类算法的变压器故障诊断方法及系统 |
CN112149569A (zh) * | 2020-09-24 | 2020-12-29 | 福州大学 | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 |
-
2021
- 2021-04-06 CN CN202110370227.5A patent/CN113190728A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170115335A1 (en) * | 2015-05-04 | 2017-04-27 | General Electric Company | Systems and methods for monitoring and diagnosing transformer health |
CN106569056A (zh) * | 2016-10-21 | 2017-04-19 | 广州供电局有限公司 | 电力变压器的故障诊断方法及诊断装置 |
CN107656154A (zh) * | 2017-09-18 | 2018-02-02 | 杭州安脉盛智能技术有限公司 | 基于改进模糊c均值聚类算法的变压器故障诊断方法 |
CN109669086A (zh) * | 2019-01-25 | 2019-04-23 | 武汉大学 | 一种基于隶属度的变压器故障诊断方法 |
CN110133410A (zh) * | 2019-05-31 | 2019-08-16 | 国网河北省电力有限公司石家庄供电分公司 | 基于模糊c均值聚类算法的变压器故障诊断方法及系统 |
CN112149569A (zh) * | 2020-09-24 | 2020-12-29 | 福州大学 | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
刘明术: "聚类算法及其有效性问题研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李恩文等: "基于改进模糊聚类算法的变压器油色谱分析", 《电工技术学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113747492A (zh) * | 2021-09-03 | 2021-12-03 | 四川英得赛克科技有限公司 | 一种无线通信设备的识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022110557A1 (zh) | 一种台区户变关系异常诊断方法及装置 | |
Wang et al. | A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery | |
CN107301296B (zh) | 基于数据的断路器故障影响因素定性分析方法 | |
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
US8756181B2 (en) | System and method employing a self-organizing map load feature database to identify electric load types of different electric loads | |
CN107862114A (zh) | 基于三比值特征量的小波pso‑svm变压器故障诊断方法 | |
CN109063734B (zh) | 结合多级局部密度聚类的油浸式变压器故障状态评估方法 | |
CN110865260A (zh) | 一种基于离群检测对mov实际状态监测评估的方法 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
Gao et al. | A novel fault diagnostic method for analog circuits using frequency response features | |
CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
CN114818579B (zh) | 基于一维卷积长短期记忆网络的模拟电路故障诊断方法 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN113190728A (zh) | 一种基于聚类优化的油浸式变压器故障诊断方法 | |
Chang et al. | Improved VMD‐KFCM algorithm for the fault diagnosis of rolling bearing vibration signals | |
CN114676749A (zh) | 一种基于数据挖掘的配电网运行数据异常判定方法 | |
CN108508319B (zh) | 基于故障特征气体间关联特征的变压器故障类型识别方法 | |
CN110544047A (zh) | 一种不良数据辨识方法 | |
Wang et al. | A novel federated deep learning framework for diagnosis of partial discharge in gas-insulated switchgear | |
CN112085064B (zh) | 基于支持向量机多分类概率输出的变压器故障诊断方法 | |
CN112149054B (zh) | 基于时序扩展的正交邻域保持嵌入模型的构建与应用 | |
CN110110784B (zh) | 一种基于变压器相关运行数据的变压器故障辨识方法 | |
CN110244216B (zh) | 基于云模型优化pnn的模拟电路故障诊断方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210730 |