CN113516160A - 一种基于支持向量机的输电杆塔姿态的预测方法及系统 - Google Patents
一种基于支持向量机的输电杆塔姿态的预测方法及系统 Download PDFInfo
- Publication number
- CN113516160A CN113516160A CN202110407438.1A CN202110407438A CN113516160A CN 113516160 A CN113516160 A CN 113516160A CN 202110407438 A CN202110407438 A CN 202110407438A CN 113516160 A CN113516160 A CN 113516160A
- Authority
- CN
- China
- Prior art keywords
- data
- transmission tower
- support vector
- vector machine
- attitude
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 105
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013145 classification model Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 208000028257 Joubert syndrome with oculorenal defect Diseases 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 abstract description 11
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/53—Determining attitude
- G01S19/54—Determining attitude using carrier phase measurements; using long or short baseline interferometry
Abstract
本发明提供了一种基于支持向量机的输电杆塔姿态的预测方法及系统,包括以下步骤:步骤S1:动态监测输电杆塔姿态,获取高精度定位;步骤S2:采集输电杆塔姿态的历史数据;步骤S3:对样本数据集进行预处理,构建样本数据集,得到训练集和测试集;步骤S4:利用支持向量机算法对训练集数据进行训练,生成支持向量机分类模型;步骤S5:输入待预测输电杆塔数据进行预测。本发明利用机器学习中的支持向量机算法对输电杆塔姿态进行预测,能够很好的处理北斗高精度定位的高维数据。该模型中数据样本的增加与减少对分类效果影响不大,因此训练速度快,减少数据的冗余,且对核函数的适应力比较广泛。
Description
技术领域
本发明涉及机器学习的预测技术领域,具体地,涉及一种基于支持向量机的输电杆塔姿态的预测方法及系统。
背景技术
近年来,随着国民经济的不断提高,社会各方面的发展越来越依靠电力,输电杆塔作为输电线路的支撑物在电力系统中起着支撑作用。而输电杆塔的倾斜、变形或倒塌会导致输电线路无法安全运行,从而导致电路故障造成严重的经济损失。通过大量的调查研究表明,这些现象都是因为极端天气和地质变化导致的,因此,输电杆塔姿态监测对电力系统安全运行具有重要意义。
在公开号为CN107656290A的中国发明专利申请文件中,公开了一种基于北斗卫星的输电杆塔实时监测系统,包括监测基准站、监测移动站和监控中心,监测基准站用于定位该点的地理坐标,通过射频网络分享至周围的监测移动站;监测移动站安装在输电杆塔上,通过北斗定位系统定位该点位置,并利用射频链路接收监测基准站分享的位置,监测输电杆塔现场姿态,将数据打包压缩并通过GPRS网络接入监控中心;本发明采用北斗差分定位技术实现对输电杆塔的精确定位,获知其位移状态;利用高精度倾角传感器,获取输电杆塔的姿态信息。通过对输电杆塔在线实时监测,使管理人员及时了解输电线路运行状态,有效减少由于输电杆塔倾斜、沉降、位移等引起的电力事故,实现输电线路的智能化、自动化和数字化管理。
自21世纪以后,在互联网飞速发展的带动下物联网技术也在快速发展。物联网技术在融合了各种信息传感器、射频识别技术、云计算和大数据等多种技术,而智能输电杆塔跟物联网在某些方面存在大量共性。智能输电杆塔便是将先进的传感技术、测量技术、通讯技术应用到传统的电网上,实现输电杆塔智能监测,从而可靠、安全、高效、经济地运行。对比智能输电杆塔,传统输电杆塔姿态监测主要采用人工定期巡检的方式,但杆塔分布广泛多处在山区和野外,且杆塔发生倾斜、变形或倒塌多为自然灾害发生之时。因此,人工巡检无法对输电杆塔进行有效监控。
为了解决这些问题,本发明旨在发明一种基于支持向量机的输电杆塔姿态的预测方法。其操作简洁方便,减少人工监测成本,功能实用,便于推广应用。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于支持向量机的输电杆塔姿态的预测方法及系统。
根据本发明提供的一种基于支持向量机的输电杆塔姿态的预测方法,包括以下步骤:
步骤S1:动态监测输电杆塔姿态,获取高精度定位;
步骤S2:采集输电杆塔姿态的历史数据;
步骤S3:对样本数据集进行预处理,构建样本数据集,得到训练集和测试集;
步骤S4:利用支持向量机算法对训练集数据进行训练,生成支持向量机分类模型;
步骤S5:输入待预测输电杆塔数据进行预测。
优选的,所述步骤S1包括:GNSS天线接收定位卫星原始数据来定点的地理位置,GNSS接收机利用原始数据解算出具体地理位置数据并发送至远程CORS服务系统上,GNSS接收机接收CORS服务器返回的改正数,并进行定位解算。
优选的,所述步骤S2包括:收集历年来故障输电杆塔的数据,具体包括由滑坡、地震、泥石流等自然灾害引起的输电杆塔姿态错换。
优选的,所述步骤S3包括:先对收集到的输电杆塔数据进行特征提取,选取发生过滑坡、地震、泥石流等自然灾害的输电杆塔作为样本特征,再将预处理后的输电杆塔历史数据按照某一比例划分成训练集和测试集。
优选的,所述步骤S4包括以下子步骤:
步骤S4.1:从样本集中随机抽取n个样本,即各输电杆塔的北斗高精度监测数据;
步骤S4.2:将样本集各监测数据所属输电杆塔按照其是否维修进行分类;
步骤S4.3:按照分类的结果,确定分类函数,即确定函数间隔,从而在多维空间中找到一个超平面,形成支持向量机分类模型。
优选的,所述步骤S5,利用支持向量机分类模型进行分类,得到其输电杆塔是否需要维修。
根据本发明提供的一种基于支持向量机的输电杆塔姿态的预测系统,包括以下模块:
模块m1:动态监测输电杆塔姿态,获取高精度定位;
模块m2:采集输电杆塔姿态的历史数据;
模块m3:对样本数据集进行预处理,构建样本数据集,得到训练集和测试集;
模块m4:利用支持向量机算法对训练集数据进行训练,生成支持向量机分类模型;
模块m5:输入待预测输电杆塔数据进行预测。
优选的,所述模块m1包括:GNSS天线接收定位卫星原始数据来定点的地理位置,GNSS接收机利用原始数据解算出具体地理位置数据并发送至远程CORS服务系统上,GNSS接收机接收CORS服务器返回的改正数,并进行定位解算。
优选的,所述模块m2包括:收集历年来故障输电杆塔的数据,具体包括由滑坡、地震、泥石流等自然灾害引起的输电杆塔姿态错换。
优选的,所述模块m3包括:先对收集到的输电杆塔数据进行特征提取,选取发生过滑坡、地震、泥石流等自然灾害的输电杆塔作为样本特征,再将预处理后的输电杆塔历史数据按照某一比例划分成训练集和测试集。
与现有技术相比,本发明具有如下的有益效果:
1、本发明采用机器学习中的支持向量机算法对输电杆塔姿态进行监测,支持向量机算法能够很好的处理北斗高精度多维数据,无需进行特征过滤,训练模型速度快,其分类过程无需像其他模型算法一样需要复杂的数学运算。
2、本发明利用支持向量机算法结合历史输电杆塔姿态数据进行建模,可以减少主观影响,提高预测精度。
3、与已经应用的技术相比,本发明操作简单、计算简捷、精度更高,可以有效的实现对输电杆塔姿态的智能监测和预测。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本申请一种基于支持向量机的输电杆塔姿态的预测方法的整体流程示意图;
图2为本申请一种基于支持向量机的输电杆塔姿态的预测方法中动态监测输电杆塔姿态的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
参照图1和图2,一种基于支持向量机的输电杆塔姿态的预测方法,包括以下步骤:
步骤S1:动态监测输电杆塔姿态,获取高精度定位;
本实施例中,动态监测终端设备安装于输电塔顶部,GNSS天线接收定位卫星原始数据来定位该点的地理位置,GNSS接收机利用原始数据解算出具体地理位置数据,通过4G通信模块把初步定位数据发送至远程CORS服务系统上,GNSS接收机接收CORS服务器返回的VRS差分修正数,并利用网络RTK技术进行定位解算。
步骤S2:采集输电杆塔姿态的历史数据;
收集近五年来故障输电杆塔的数据,具体包括由滑坡、地震、泥石流等自然灾害引起的输电杆塔姿态错换。
步骤S3:对样本数据集进行预处理,构建样本数据集,得到训练集和测试集;
首先,对收集到的输电杆塔数据进行特征提取,选取发生过滑坡、地震、泥石流等自然灾害的输电杆塔作为样本特征;然后,将预处理后的输电杆塔历史数据按照某一比例划分成训练集和测试集;本实施例中,按照分割比例7:3,即70%的历史数据作为模型的训练,30%的数据用于测试。
步骤S4:利用支持向量机算法对训练集数据进行训练,生成支持向量机分类模型;
首先,要确定分类标准,作为一个两类的分类问题,提醒工作人员是否需要对输电杆塔进行维修,而类别可以取1或-1。其中未进行维修取-1,进行维修取1。从而在一个线性分类器就是要在多维的数据空间中找到一个超平面,其方程可以表示为:
wTx+b=0;
然后,确定分类函数f(x)=wTx+b,其中w和b是寻找两条边界端或极端划分直线中间的最大间隔。从而将寻求分类函数的问题转化为对w、b的最优化问题;
最后,一个点距离超平面的远近可以表示为分类预测的确信或准确程度,即确定函数间隔。
步骤S5:输入待预测输电杆塔数据进行预测。
从样本集中随机抽取样本,即各输电杆塔的北斗高精度监测数据;将样本集各监测数据所属输电杆塔按照其是否维修进行分类。按照分类的结果,确定分类函数,即确定函数间隔,从而在多维空间中找到一个超平面,形成支持向量机分类模型。最后,输入待预测输电杆塔数据,利用支持向量机分类模型进行分类,得到其输电杆塔是否需要维修。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于支持向量机的输电杆塔姿态的预测方法,其特征在于,包括以下步骤:
步骤S1:动态监测输电杆塔姿态,获取高精度定位;
步骤S2:采集输电杆塔姿态的历史数据;
步骤S3:对样本数据集进行预处理,构建样本数据集,得到训练集和测试集;
步骤S4:利用支持向量机算法对训练集数据进行训练,生成支持向量机分类模型;
步骤S5:输入待预测输电杆塔数据进行预测。
2.根据权利要求1所述的一种基于支持向量机的输电杆塔姿态的预测方法,其特征在于:所述步骤S1包括:GNSS天线接收定位卫星原始数据来定点的地理位置,GNSS接收机利用原始数据解算出具体地理位置数据并发送至远程CORS服务系统上,GNSS接收机接收CORS服务器返回的改正数,并进行定位解算。
3.根据权利要求1所述的一种基于支持向量机的输电杆塔姿态的预测方法,其特征在在于:所述步骤S2包括:收集历年来故障输电杆塔的数据,具体包括由滑坡、地震、泥石流等自然灾害引起的输电杆塔姿态错换。
4.根据权利要求1所述的一种基于支持向量机的输电杆塔姿态的预测方法,其特征在于:所述步骤S3包括:先对收集到的输电杆塔数据进行特征提取,选取发生过滑坡、地震、泥石流等自然灾害的输电杆塔作为样本特征,再将预处理后的输电杆塔历史数据按照某一比例划分成训练集和测试集。
5.根据权利要求1所述的一种基于支持向量机的输电杆塔姿态的预测方法,其特征在于:所述步骤S4包括以下子步骤:
步骤S4.1:从样本集中随机抽取n个样本,即各输电杆塔的北斗高精度监测数据;
步骤S4.2:将样本集各监测数据所属输电杆塔按照其是否维修进行分类;
步骤S4.3:按照分类的结果,确定分类函数,即确定函数间隔,从而在多维空间中找到一个超平面,形成支持向量机分类模型。
6.根据权利要求1所述的一种基于支持向量机的输电杆塔姿态的预测方法,其特征在于:所述步骤S5,利用支持向量机分类模型进行分类,得到其输电杆塔是否需要维修。
7.一种基于支持向量机的输电杆塔姿态的预测系统,其特征在于,包括以下模块:
模块m1:动态监测输电杆塔姿态,获取高精度定位;
模块m2:采集输电杆塔姿态的历史数据;
模块m3:对样本数据集进行预处理,构建样本数据集,得到训练集和测试集;
模块m4:利用支持向量机算法对训练集数据进行训练,生成支持向量机分类模型;
模块m5:输入待预测输电杆塔数据进行预测。
8.根据权利要求7所述的一种基于支持向量机的输电杆塔姿态的预测系统,其特征在于:所述模块m1包括:GNSS天线接收定位卫星原始数据来定点的地理位置,GNSS接收机利用原始数据解算出具体地理位置数据并发送至远程CORS服务系统上,GNSS接收机接收CORS服务器返回的改正数,并进行定位解算。
9.根据权利要求7所述的一种基于支持向量机的输电杆塔姿态的预测系统,其特征在于:所述模块m2包括:收集历年来故障输电杆塔的数据,具体包括由滑坡、地震、泥石流等自然灾害引起的输电杆塔姿态错换。
10.根据权利要求7所述的一种基于支持向量机的输电杆塔姿态的预测系统,其特征在于:所述模块m3包括:先对收集到的输电杆塔数据进行特征提取,选取发生过滑坡、地震、泥石流等自然灾害的输电杆塔作为样本特征,再将预处理后的输电杆塔历史数据按照某一比例划分成训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407438.1A CN113516160A (zh) | 2021-04-15 | 2021-04-15 | 一种基于支持向量机的输电杆塔姿态的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110407438.1A CN113516160A (zh) | 2021-04-15 | 2021-04-15 | 一种基于支持向量机的输电杆塔姿态的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516160A true CN113516160A (zh) | 2021-10-19 |
Family
ID=78062514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110407438.1A Pending CN113516160A (zh) | 2021-04-15 | 2021-04-15 | 一种基于支持向量机的输电杆塔姿态的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516160A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828163A (zh) * | 2022-12-03 | 2023-03-21 | 长春工业大学 | 一种输电铁塔健康状态数据分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108645371A (zh) * | 2018-06-04 | 2018-10-12 | 广东电网有限责任公司电力科学研究院 | 一种配电网杆塔形变的监测系统 |
CN112380944A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电杆塔结构状态的评估方法和系统 |
CN112580697A (zh) * | 2020-12-04 | 2021-03-30 | 国网山东省电力公司电力科学研究院 | 一种输电线路杆塔接地选择方法及系统 |
-
2021
- 2021-04-15 CN CN202110407438.1A patent/CN113516160A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108645371A (zh) * | 2018-06-04 | 2018-10-12 | 广东电网有限责任公司电力科学研究院 | 一种配电网杆塔形变的监测系统 |
CN112380944A (zh) * | 2020-11-06 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种输电杆塔结构状态的评估方法和系统 |
CN112580697A (zh) * | 2020-12-04 | 2021-03-30 | 国网山东省电力公司电力科学研究院 | 一种输电线路杆塔接地选择方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115828163A (zh) * | 2022-12-03 | 2023-03-21 | 长春工业大学 | 一种输电铁塔健康状态数据分类方法 |
CN115828163B (zh) * | 2022-12-03 | 2023-08-18 | 长春工业大学 | 一种输电铁塔健康状态数据分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20130338920A1 (en) | Apparatus and method for providing environmental predictive indicators | |
CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
CN104182594A (zh) | 一种电力系统风区图的绘制方法 | |
CN113505521B (zh) | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 | |
CN115237896B (zh) | 一种基于深度学习预报空气质量的数据前处理方法及系统 | |
CN115170980B (zh) | 一种基于卫星影像识别的输气管道高后果区智能识别方法 | |
CN114063153A (zh) | 一种自动反演震源机制解的方法与装置 | |
CN108169792B (zh) | 一种地震灾情数据采集管理方法和系统 | |
CN111866453A (zh) | 一种基于人工智能和bim的堰塞坝应急监测预警方法 | |
CN114048944A (zh) | 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法 | |
CN113516160A (zh) | 一种基于支持向量机的输电杆塔姿态的预测方法及系统 | |
CN115797297A (zh) | 震后建筑结构健康诊断多任务学习方法 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN114693114A (zh) | 地下空间结构的监测方法、装置、计算机设备及存储介质 | |
CN113985479A (zh) | 一种基于边缘计算的地震信息处理方法与装置 | |
CN117556197A (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
CN114021766A (zh) | 一种基于物联网和大数据的城市水安全预测方法 | |
CN113313289A (zh) | 一种基于多数据源的电网气象预警系统 | |
CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
CN111970382A (zh) | 一种铁塔安全监测预警系统 | |
CN115392137B (zh) | 一种基于岩溶塌陷水土耦合作用的三维模拟系统 | |
CN115577011A (zh) | 一种输电线路监测方法及相关设备 | |
CN115755662A (zh) | 抽水蓄能电站地质灾害卫星遥感监测预警系统 | |
CN213028117U (zh) | 一种铁塔安全监测预警系统 | |
CN112925764B (zh) | 一种巨灾模型的行业风险暴露数据库及其构建方法 |
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 |