CN114152844A - 一种基于遗传算法优化残差网络模型的电弧检测方法 - Google Patents
一种基于遗传算法优化残差网络模型的电弧检测方法 Download PDFInfo
- Publication number
- CN114152844A CN114152844A CN202111374269.2A CN202111374269A CN114152844A CN 114152844 A CN114152844 A CN 114152844A CN 202111374269 A CN202111374269 A CN 202111374269A CN 114152844 A CN114152844 A CN 114152844A
- Authority
- CN
- China
- Prior art keywords
- residual error
- network model
- genetic algorithm
- arc
- layer
- 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
Images
Classifications
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于遗传算法优化残差网络模型的电弧检测方法,属于智能电网技术领域。包括A数据集的采集和预处理;B根据经过预处理后的数据集搭建复合残差网络模型;C采用遗传算法优化残差网络模型。步骤A具体包括如下步骤:A1在低压交流系统中,采集实验平台上不同负载的故障电弧信号,提取电弧故障时和非故障时的电流时域信号作为样本;A2对样本数据进行标识行向量;A3对数据样本进行筛选和归一化处理,将数据集归一化在(‑1,1)之间;A4将电弧数据样本按7:3的比例划分训练集与测试集。本发明提高了混合时序样本适应性的同时优化网络模型的性能。
Description
技术领域
本发明涉及一种基于遗传算法优化残差网络模型的电弧检测方法,属于智能电网技术领域。
背景技术
随着全社会用电量的不断攀升,电能的使用对国民经济的发展和社会进步起到了重要作用,是人类生产生活必不可少的一部分。电力的生产量更是衡量一个国家经济发展状况和工业实力的重要指标。然而由电气故障引发的各类安全生产事故和电气火灾事故时有发生,给人民生命财产安全带来严重威胁,其中半数以上的电气火灾都是由故障电弧引起的。故障电弧是由于输电线长时间带载、过载运行产生热量或者由于外力导致的绝缘层老化、破损,也会产生电弧现象。这种电弧会产生放电火花、引燃周边的可燃物造成火灾,产生严重后果。因此,寻求有效故障电弧检测方法,规避故障电弧带来的威胁和损失是十分必要的。
对故障电弧的检测通常是通过:电弧时域检测、电弧频域检测、电弧电磁辐射噪声检测等。针对故障电弧的研究方法主要包括在频域特征提取、小波分析等方法的分析学习,近年来随着深度学习的发展和神经网络的广泛应用,采用神经网络预测故障电弧的发生成为热点。神经网络是具有自主学习、自主训练、自主辨识并且具有强大的运算能力。随着对精度的要求提高就需要更多的神经网络层数,这也暴露出复杂神经网络梯度爆炸或者消失的固有缺陷。同时对神经网络权值的初始化往往都是随机赋值,容易在收敛的过程中陷入局部最优解,从而导致模型预测性能变差。
发明内容
本发明的目的在于,克服现有技术中存在的问题,提供一种基于遗传算法优化残差网络模型的电弧检测方法,提高了混合时序样本适应性的同时优化网络模型的性能。
为解决以上技术问题,本发明的一种基于遗传算法优化残差网络模型的电弧检测方法,包括如下步骤:
A:数据集的采集和预处理;
B:根据经过预处理后的数据集搭建复合残差网络模型;
C:采用遗传算法优化残差网络模型。
进一步的,步骤A具体包括如下步骤:
A1:在低压交流系统中,采集实验平台上不同负载的故障电弧信号,提取电弧故障时和非故障时的电流时域信号作为样本;
A2:对样本数据进行标识行向量;
A3:对数据样本进行筛选和归一化处理,将数据集归一化在(-1,1)之间;
A4:将电弧数据样本按7:3的比例划分训练集与测试集。
进一步的,所述残差网络模型设有2至4个,所述残差网络模型分别选择不同残差块的网络结构,所述负荷残差网络结构包括基本卷积单元、最大池化层、复合残差块、全连接层和Dropout层。
进一步的,所述残差块的输出与输入的关系公式如下:
xi+1=xi+F(xi,Wi)
其中:xi为第i个残差块的输入,xi+1为第i个残差块的输出,F(xi,Wi)表示残差块结构中从输入端直接跳跃到输出端的非线性的映射;
根据反向传播的链式法则,在残差神经网络模型中任意一层xi的梯度如下所示:
联立以上两式可以得到损失函数的在xi的梯度为:
进一步的,步骤C具体包括如下步骤:
C1:采用遗传算法优化残差神经网络模型的权值参数;
C2:在采用遗传算法对残差网络模型进行优化的过程中,以训练所得误差最小为目标函数,在每一次的迭代寻优中获得残差神经网络模型参数的最优解,将最优权值参数和训练样本输入到ResNet模型中,经过迭代训练得到训练好的GA-ResNet模型。
进一步的,步骤C2具体包括如下步骤:
C2.1:设置神经网络权值的编码方式:所述编码方式为二进制编码,神经网络权值都用一定长度的0、1字符表示,在编码的过程中设置精度和采用合适的自变量范围;
ΔW=Wmax-Wmin
2n-1<ΔW×10x<2n
其中:Wmax为各权值变化范围的上限,Wmin为各权值变化范围的下限,n为二进制的位数,x为优化设置的精度;将残差神经网络的权值参数映射为长度为n的二进制字符串,作为优化中的染色体;
C2.2:种群初始化:设定种群的初始规模为N,随机产生初始种群;
C2.3:设定电弧检测的目标函数:将神经网络的目标函数转化为遗传算法中的适应度,采用交叉熵损失函数计算适应度函数,交叉熵损失函数表达式如下:
其中:其中X为电弧检测的预测值,Y为样本数据真实值,N为样本数量,同时通过交叉熵的大小对各个网络权值进行评价,交叉熵大的个体的适应度就会小;
C2.4:在遗传的操作过程中进行选择操作:采用轮盘赌选择策略,轮盘赌中个体被选中的概率与其适应度大小成正比;其中个体被选择的概率表达式如下所示:
其中种群的规模为N,F(xi)为第i个个体的适应值,则第i个个体被选中的概率为P(xi);
C2.5:根据计算所得的适应度对种群中的个体进行排序;
C2.6:依据步骤C2.4选择的个体,对该个体进行交叉、变异处理,产生新的种群;
C2.7:判定新种群的适应度函数目标值是否达到最优值,如达到则进行下一步;否则就返回步骤C2.4;
C2.8:获得最佳的适应度函数目标值和最优权值参数组合;
C2.9:结束参数空间搜索最优解的进程,输入上述获得的最优权值参数组合,迭代训练得到GA-ResNet神经网络模型。
其中Xmax和Xmin为电弧数据序列中的最大值与最小值,Rmax和Rmin为电弧数据序列归一化区间的右端点与左端点。
该层神经元的方差计算式如下:
根据上式对该层的神经网络进行归一化处理:
其中:α表示在归一化过程中的平移参数;β表示在归一化过程中的缩放参数,两者都是训练参数,其中ε表示训练中的偏移率,防止出现归一化进程消散;
进一步的,所述Dropout层的Dropout率计算方式如下:
Ci=NiNi-1
其中Ci为第i层的连接数,Cir为下一次训练中第i层的连接数,Ci0为初始的第i层的连接数;其中Dr为当前的Dropout率,Ni为第i层的神经元的数量。
进一步的,所述基本卷积单元卷积核尺寸为3,步长为1,输出的通道为64;最大池化层卷积核尺寸为2,步长为2。
相对于现有技术,本发明取得了以下有益效果:1.使用复合残差网络结构可以在增加网络深度的同时,减少梯度的消失和梯度爆炸问题。
2.使用多通道的复合残差网络结构可以优化神经网络结构,增加网络结构的鲁棒性和数据的记忆性。
3.基于遗传算法优化的残差网络模型预测的故障电弧,在预测故障电弧的性能上相比其他传统网络模型有更加优越的性能。
4.基于遗传算法优化的残差网络模型在计算量较小,为今后实现端侧故障电弧的检测提供可能。
附图说明
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体图示,进一步阐述本发明,附图仅提供参考与说明用,非用以限制本发明。
图1为本发明基于遗传算法优化的残差神经网络的故障电弧检测方法的基本结构示意图;
图2是基本残差块的结构示意图。
具体实施方式
本发明的基于遗传算法优化残差网络模型的电弧检测方法,包括如下步骤:
A:数据集的采集和预处理;
步骤A具体包括如下步骤:
A1:在低压交流系统中,采集实验平台上不同负载的故障电弧信号,提取电弧故障时和非故障时的电流时域信号作为样本;
A2:对样本数据进行标识行向量;1代表发生故障电弧,0无故障电弧发生;第二列为数据名字的标记;第三列代表半波的标记;第四列用数字代表负荷的种类;其中洗衣机代表1、冰箱代表2、电磁炉代表3、电烤箱代表4、电饭锅代表5。
A3:对数据样本进行筛选和归一化处理,将数据集归一化在(-1,1)之间;
其中Xmax和Xmin为电弧数据序列中的最大值与最小值,Rmax和Rmin为电弧数据序列归一化区间的右端点与左端点。
该层神经元的方差计算式如下:
根据上式对该层的神经网络进行归一化处理:
其中:α表示在归一化过程中的平移参数;β表示在归一化过程中的缩放参数,两者都是训练参数,其中ε表示训练中的偏移率,防止出现归一化进程消散;
A4:将电弧数据样本按7:3的比例划分训练集与测试集。
B:根据经过预处理后的数据集搭建复合残差网络模型;每一次的训练结束后,都会显示每个负载的辨识电弧的情况以及半波输出的错误结果。
如图1和图2所示,残差网络模型设有2至4个,残差网络模型分别选择不同残差块的网络结构,负荷残差网络结构包括基本卷积单元、最大池化层、复合残差块、全连接层和Dropout层。基本卷积单元卷积核尺寸为3,步长为1,输出的通道为64;最大池化层卷积核尺寸为2,步长为2。
残差块的输出与输入的关系公式如下:
xi+1=xi+F(xi,Wi)
其中:xi为第i个残差块的输入,xi+1为第i个残差块的输出,F(xi,Wi)表示残差块结构中从输入端直接跳跃到输出端的非线性的映射;
根据反向传播的链式法则,在残差神经网络模型中任意一层xi的梯度如下所示:
联立以上两式可以得到损失函数的在xi的梯度为:
由上式的梯度公式可以得到,故障电弧检测的残差网络模型中xi的梯度不可能为零,同时深层的残差块的梯度可以直接都浅层的残差块表示,所以在提高电弧检测性能的条件下不会产生梯度爆炸的现象。
Dropout层的Dropout率计算方式如下:
Ci=NiNi-1
其中Ci为第i层的连接数,Cir为下一次训练中第i层的连接数,Ci0为初始的第i层的连接数;其中Dr为当前的Dropout率,Ni为第i层的神经元的数量。
C:采用遗传算法优化残差网络模型;
步骤C具体包括如下步骤:
C1:采用遗传算法优化残差神经网络模型的权值参数;
C2:在采用遗传算法对残差网络模型进行优化的过程中,以训练所得误差最小为目标函数,在每一次的迭代寻优中获得残差神经网络模型参数的最优解,将最优权值参数和训练样本输入到ResNet模型中,经过迭代训练得到训练好的GA-ResNet模型。
步骤C2具体包括如下步骤:
C2.1:设置神经网络权值的编码方式:编码方式为二进制编码,神经网络权值都用一定长度的0、1字符表示,在编码的过程中设置精度和采用合适的自变量范围;
ΔW=Wmax-Wmin
2n-1<ΔW×10x<2n
其中:Wmax为各权值变化范围的上限,Wmin为各权值变化范围的下限,n为二进制的位数,x为优化设置的精度;将残差神经网络的权值参数映射为长度为n的二进制字符串,作为优化中的染色体;
C2.2:种群初始化:设定种群的初始规模为N,随机产生初始种群;
C2.3:设定电弧检测的目标函数:将神经网络的目标函数转化为遗传算法中的适应度,采用交叉熵损失函数计算适应度函数,交叉熵损失函数表达式如下:
其中:其中X为电弧检测的预测值,Y为样本数据真实值,N为样本数量,同时通过交叉熵的大小对各个网络权值进行评价,交叉熵大的个体的适应度就会小;
C2.4:在遗传的操作过程中进行选择操作:采用轮盘赌选择策略,轮盘赌中个体被选中的概率与其适应度大小成正比;其中个体被选择的概率表达式如下所示:
其中种群的规模为N,F(xi)为第i个个体的适应值,则第i个个体被选中的概率为P(xi);
C2.5:根据计算所得的适应度对种群中的个体进行排序;
C2.6:依据步骤C2.4选择的个体,对该个体进行交叉、变异处理,产生新的种群;
C2.7:判定新种群的适应度函数目标值是否达到最优值,如达到则进行下一步;否则就返回步骤C2.4;
C2.8:获得最佳的适应度函数目标值和最优权值参数组合;
C2.9:结束参数空间搜索最优解的进程,输入上述获得的最优权值参数组合,迭代训练得到GA-ResNet神经网络模型。
设GA-ResNet神经网络模型的输入为X={x1,x2,x3…xn},y为预测数据集,Y为真实的数据集。其中设电弧预测真实结果Y服从参数为p的0-1分布,即Y~B(1,p);设电弧预测实际结果y服从参数q的0-1分布,即y~B(1,q)。两者的交叉熵为:
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
Claims (10)
1.一种基于遗传算法优化残差网络模型的电弧检测方法,其特征在于,包括如下步骤:
A:数据集的采集和预处理;
B:根据经过预处理后的数据集搭建复合残差网络模型;
C:采用遗传算法优化残差网络模型。
2.根据权利要求1所述的基于遗传算法优化残差网络模型的电弧检测方法,其特征在于,步骤A具体包括如下步骤:
A1:在低压交流系统中,采集实验平台上不同负载的故障电弧信号,提取电弧故障时和非故障时的电流时域信号作为样本;
A2:对样本数据进行标识行向量;
A3:对数据样本进行筛选和归一化处理,将数据集归一化在(-1,1)之间;
A4:将电弧数据样本按7:3的比例划分训练集与测试集。
3.根据权利要求1所述的基于遗传算法优化残差网络模型的电弧检测方法,其特征在于:所述残差网络模型设有2至4个,所述残差网络模型分别选择不同残差块的网络结构,所述负荷残差网络结构包括基本卷积单元、最大池化层、复合残差块、全连接层和Dropout层。
5.根据权利要求1所述的基于遗传算法优化残差网络模型的电弧检测方法,其特征在于,步骤C具体包括如下步骤:
C1:采用遗传算法优化残差神经网络模型的权值参数;
C2:在采用遗传算法对残差网络模型进行优化的过程中,以训练所得误差最小为目标函数,在每一次的迭代寻优中获得残差神经网络模型参数的最优解,将最优权值参数和训练样本输入到ResNet模型中,经过迭代训练得到训练好的GA-ResNet模型。
6.根据权利要求1所述的基于遗传算法优化残差网络模型的电弧检测方法,其特征在于,步骤C2具体包括如下步骤:
C2.1:设置神经网络权值的编码方式:所述编码方式为二进制编码,神经网络权值都用一定长度的0、1字符表示,在编码的过程中设置精度和采用合适的自变量范围;
ΔW=Wmax-Wmin
2n-1<ΔW×10x<2n
其中:Wmax为各权值变化范围的上限,Wmin为各权值变化范围的下限,n为二进制的位数,x为优化设置的精度;将残差神经网络的权值参数映射为长度为n的二进制字符串,作为优化中的染色体;
C2.2:种群初始化:设定种群的初始规模为N,随机产生初始种群;
C2.3:设定电弧检测的目标函数:将神经网络的目标函数转化为遗传算法中的适应度,采用交叉熵损失函数计算适应度函数,交叉熵损失函数表达式如下:
其中:其中X为电弧检测的预测值,Y为样本数据真实值,N为样本数量,同时通过交叉熵的大小对各个网络权值进行评价,交叉熵大的个体的适应度就会小;
C2.4:在遗传的操作过程中进行选择操作:采用轮盘赌选择策略,轮盘赌中个体被选中的概率与其适应度大小成正比;其中个体被选择的概率表达式如下所示:
其中种群的规模为N,F(xi)为第i个个体的适应值,则第i个个体被选中的概率为P(xi);
C2.5:根据计算所得的适应度对种群中的个体进行排序;
C2.6:依据步骤C2.4选择的个体,对该个体进行交叉、变异处理,产生新的种群;
C2.7:判定新种群的适应度函数目标值是否达到最优值,如达到则进行下一步;否则就返回步骤C2.4;
C2.8:获得最佳的适应度函数目标值和最优权值参数组合;
C2.9:结束参数空间搜索最优解的进程,输入上述获得的最优权值参数组合,迭代训练得到GA-ResNet神经网络模型。
10.根据权利要求3所述的基于遗传算法优化残差网络模型的电弧检测方法,其特征在于:所述基本卷积单元卷积核尺寸为3,步长为1,输出的通道为64;最大池化层卷积核尺寸为2,步长为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374269.2A CN114152844A (zh) | 2021-11-19 | 2021-11-19 | 一种基于遗传算法优化残差网络模型的电弧检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111374269.2A CN114152844A (zh) | 2021-11-19 | 2021-11-19 | 一种基于遗传算法优化残差网络模型的电弧检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114152844A true CN114152844A (zh) | 2022-03-08 |
Family
ID=80456681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111374269.2A Pending CN114152844A (zh) | 2021-11-19 | 2021-11-19 | 一种基于遗传算法优化残差网络模型的电弧检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114152844A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311493A (zh) * | 2022-08-04 | 2022-11-08 | 国网江苏省电力有限公司电力科学研究院 | 一种判断直流电路状态的方法、系统、存储器及设备 |
CN115481570A (zh) * | 2022-09-22 | 2022-12-16 | 华南理工大学 | 一种基于残差网络的dtco建模方法 |
-
2021
- 2021-11-19 CN CN202111374269.2A patent/CN114152844A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311493A (zh) * | 2022-08-04 | 2022-11-08 | 国网江苏省电力有限公司电力科学研究院 | 一种判断直流电路状态的方法、系统、存储器及设备 |
CN115481570A (zh) * | 2022-09-22 | 2022-12-16 | 华南理工大学 | 一种基于残差网络的dtco建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114152844A (zh) | 一种基于遗传算法优化残差网络模型的电弧检测方法 | |
Yu et al. | Oil-immersed power transformer internal fault diagnosis research based on probabilistic neural network | |
CN112464566B (zh) | 一种基于遗传算法及bp神经网络的变压器油温预测方法 | |
Wang et al. | A domain adaptive deep transfer learning method for gas-insulated switchgear partial discharge diagnosis | |
CN104914327A (zh) | 基于实时监测信息的变压器故障检修预测方法 | |
Yang et al. | State evaluation of power transformer based on digital twin | |
CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
CN112232575B (zh) | 一种基于多元负荷预测的综合能源系统调控方法和装置 | |
Nedjah et al. | Sustainable maintenance of power transformers using computational intelligence | |
CN109270390A (zh) | 基于高斯变换与全局寻优svm的变压器故障诊断方法 | |
CN111104972A (zh) | 基于遗传算法优化支持向量机多分类器的台区低电压风险识别方法 | |
KR101025058B1 (ko) | 퍼지 알비에프 신경회로망 알고리즘을 이용한 저압선로의 탄화도전로 신호검출 방법 | |
Pan et al. | Fault diagnostic method of power transformers based on hybrid genetic algorithm evolving wavelet neural network | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Wang et al. | A novel series arc fault detection method based on mel-frequency cepstral coefficients and fully connected neural network | |
CN114491939A (zh) | 一种电网设备选型方法及装置 | |
CN109188162A (zh) | 一种基于可拓径向基神经网络的变压器状态评估方法 | |
Rokani et al. | Power transformers fault diagnosis using AI techniques | |
CN108760813B (zh) | 一种基于温度信号的燃气轮机涡轮叶片健康监测系统及方法 | |
CN106910010A (zh) | 一种主动配电网不确定性潮流分析方法及装置 | |
Liu et al. | Classification and identification of electric shock current for safety operation in power distribution network | |
Yang et al. | Distributed energy power prediction of the variational modal decomposition and Gated Recurrent Unit optimization model based on the whale algorithm | |
CN114021470A (zh) | 基于amfo算法和svm算法继电器贮存寿命预测方法 | |
Khoshsolat et al. | Repositioning of electric distribution substations using fuzzy decision making |
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 |