CN114165392B - 一种风电机组功率异常诊断方法、装置及存储介质 - Google Patents
一种风电机组功率异常诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114165392B CN114165392B CN202111292333.2A CN202111292333A CN114165392B CN 114165392 B CN114165392 B CN 114165392B CN 202111292333 A CN202111292333 A CN 202111292333A CN 114165392 B CN114165392 B CN 114165392B
- Authority
- CN
- China
- Prior art keywords
- power
- wind turbine
- power curve
- wind speed
- turbine generator
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 96
- 230000007613 environmental effect Effects 0.000 claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 11
- 238000000556 factor analysis Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000004804 winding Methods 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 abstract description 14
- 238000004364 calculation method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/40—Ice detection; De-icing means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/82—Forecasts
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Wind Motors (AREA)
Abstract
本申请公开了一种风电机组功率异常诊断方法、装置及存储介质,涉及发电系统异常诊断技术领域。具体实现方案为:采集风电机组的第一运行数据;采集风电机组的环境数据,并根据所述环境数据修正所述第一运行数据,以获取第二运行数据;根据所述第二运行数据进行异常诊断分析。本申请实施例通过所述第一运行数据获取所述第二运行数据,并进行异常诊断分析确定风电机组中的异常模式。本申请实施例可以避免环境对第一运行数据的影响导致风电机组异常诊断误差,提高了风电机组异常诊断的准确度。
Description
技术领域
本申请涉及发电系统异常诊断技术领域,尤其涉及一种风电机组功率异常诊断方法、装置及存储介质。
背景技术
在节能减排的环境下,风电发电在总发电量中的占比逐年提升。风电机组的发电情况影响整个风电场的效益,了解每台机组的发电情况,识别低效机组,并分析发电效率降低的原因,进而提出整改方案,将有效改善风电机组发电效率,提高风电场的经济收益。
相关技术中,对功率异常的研究主要从功率曲线异常的角度出发,但识别到功率异常后未对异常原因进行分析。无法确定风电机组中发生异常的类型和发生异常的模块。
发明内容
本申请提供一种风电机组功率异常诊断方法、装置及存储介质。本申请的技术方案如下:
根据本申请实施例的第一方面,提供一种风电机组功率异常诊断方法,包括:
采集风电机组的第一运行数据;
采集风电机组的环境数据,并根据所述环境数据修正所述第一运行数据,以获取第二运行数据;
根据所述第二运行数据进行异常诊断分析。
可选的,所述第一运行数据的时间步长为t,所述第一运行数据包括:
风速、功率、桨距角、空气密度和环境温度。
可选的,所述根据所述环境数据修正所述第一运行数据,包括:
根据所述风速和参考风速生成标准化风速。
可选的,所述根据所述第二运行数据进行异常诊断分析,包括:
根据风速对所述第二运行数据进行分箱,并计算各个风速区间的风速均值和功率均值;
根据所述风速均值和功率均值生成实测功率曲线;
根据参考功率曲线和所述实测功率曲线判断运行状态。
可选的,如果不存在所述参考功率曲线,则根据实测功率曲线获取参考功率曲线,并根据所述参考功率曲线和所述实测功率曲线判断运行状态。
可选的,所述根据参考功率曲线和所述实测功率曲线判断运行状态,包括:
根据参考功率曲线和所述实测功率曲线获取偏离值;
如果所述偏离值小于等于异常阈值,则确定所述风电机组存在异常,并根据所述第二运行数据进行异常诊断分析;
如果所述偏离值大于异常阈值,则确定所述风电机组无异常。
可选的,所述异常诊断分析,包括以下的一项或多项:
限功率类分析;
高温运行分析;
偏航误差分析;
环境因素分析;
风速测量分析;
桨距角一致性分析。
可选的,所述限功率类分析,包括:
如果所述风电机组为非满发状态,且桨距角大于最小角度,且功率变化量小于第一阈值,且风速持续变化,且状态持续时间大于第三阈值,则确定所述风电机组为限功率状态;
如果所述风电机组为非满发状态下,且桨距角大于最小角度,且风速持续变化,且发电机绕组温度大于第四阈值,且状态持续时间大于第五阈值,则确定所述风电机组为高温运行状态。
可选的,所述环境因素分析,包括:
根据第一变量生成统计特征值;
根据第二变量生成第一特征图;
根据所述统计特征值和所述第一特征图生成第二特征图;
将所述第二特征图输入异常预测模型,以获取异常预测结果。
可选的,所述第一变量包括以下的至少一项:
机舱内温度与环境温度的差值;
实际功率与理论功率的比值;
实际计算扭矩值;
功率系数;
转速风速比;
桨距角差值。
可选的,所述统计特征值包括以下的至少一项:均值、标准差、极值。
可选的,所述第二变量包括以下的至少一项:
风速;
功率;
桨距角;
转速;
变桨电机温度;
环境温度和机舱温度。
根据本申请实施例的第二方面,提供一种异常预测模型训练方法,包括:
根据统计特征值和第一特征图生成第二特征图;
对所述第二特征图进行标注,以组成训练数据集;
将所述训练数据集输入所述异常预测模型,以损失函数最小化为目标进行训练。
可选的,所述对所述第二特征图进行标注,包括:
标注所述第二特征图对应的异常预测状态,其中,所述异常预测状态包括结冰状态和未结冰状态。
根据本申请实施例的第三方面,提供一种风电机组功率异常诊断装置,包括:
采集模块,用于采集风电机组的第一运行数据;
修正模块,用于采集风电机组的环境数据,并根据所述环境数据修正所述第一运行数据,以获取第二运行数据;
异常分析模块,用于根据所述第二运行数据确定风电机组中的异常模式。
可选的,所述第一运行数据的时间步长为t,所述第一运行数据包括:
风速、功率、桨距角、空气密度和环境温度。
可选的,所述修正模块,包括:
修正子模块,用于根据所述风速和参考风速生成标准化风速。
可选的,所述异常分析模块,包括:
分箱子模块,用于根据风速对所述第二运行数据进行分箱,并计算各个风速区间的风速均值和功率均值;
曲线生成子模块,用于根据所述风速均值和功率均值生成实测功率曲线;
第一判断子模块,用于根据参考功率曲线和所述实测功率曲线判断运行状态。
可选的,所述修正模块包括:第二判断子模块。
如果不存在所述参考功率曲线,则所述第二判断子模块根据实测功率曲线获取参考功率曲线,并根据所述参考功率曲线和所述实测功率曲线判断运行状态。
可选的,所述第一判断子模块,包括:
偏离获取单元,用于根据参考功率曲线和所述实测功率曲线获取偏离值;
第一判断单元,如果所述偏离值小于等于异常阈值,则用于确定所述风电机组存在异常,并根据所述第二运行数据进行异常诊断分析;
第二判断单元,如果所述偏离值大于异常阈值,则用于确定所述风电机组无异常。
可选的,所述异常分析模块,包括以下的一项或多项:
限功率类分析子模块;
高温运行分析子模块;
偏航误差分析子模块;
环境因素分析子模块;
风速测量分析子模块;
桨距角一致性分析子模块。
可选的,所述限功率类分析子模块,包括:
第一分析单元,如果所述风电机组为非满发状态,且桨距角大于最小角度,且功率变化量小于第一阈值,且风速持续变化,且状态持续时间大于第三阈值,则确定所述风电机组为限功率状态;
第二分析单元,如果所述风电机组为非满发状态下,且桨距角大于最小角度,且风速持续变化,且发电机绕组温度大于第四阈值,且状态持续时间大于第五阈值,则确定所述风电机组为高温运行状态。
可选的,所述环境因素分析子模块,包括:
特征值获取单元,用于根据第一变量生成统计特征值;
第一特征提取单元,用于根据第二变量生成第一特征图;
第二特征提取单元,用于根据所述统计特征值和所述第一特征图生成第二特征图;
异常预测单元,用于将所述第二特征图输入异常预测模型,以获取异常预测结果。
可选的,所述第一变量包括以下的至少一项:
机舱内温度与环境温度的差值;
实际功率与理论功率的比值;
实际计算扭矩值;
功率系数;
转速风速比;
桨距角差值。
可选的,所述统计特征值包括以下的至少一项:均值、标准差、极值。
可选的,所述第二变量包括以下的至少一项:
风速;
功率;
桨距角;
转速;
变桨电机温度;
环境温度和机舱温度。
根据本申请实施例的第四方面,提供一种异常预测模型训练装置,包括:
采集模块,用于根据统计特征值和第一特征图生成第二特征图;
标注模块,用于对所述第二特征图进行标注,以组成训练数据集;
训练模块,用于将所述训练数据集输入所述异常预测模型,以损失函数最小化为目标进行训练。
可选的,所述标注模块,包括:
标注子模块,用于标注所述第二特征图对应的异常预测状态,其中,所述异常预测状态包括结冰状态和未结冰状态。
根据本申请实施例的第五方面,提供一种风电机组功率异常诊断装置,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上述第一方面中任一项所述的风电机组功率异常诊断方法。
根据本申请实施例的第六方面,提供一种异常预测模型训练装置,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上述第二方面中任一项所述的异常预测模型训练方法。
根据本申请实施例的第七方面,提供一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由风电机组功率异常诊断装置的处理器执行时,使得风电机组功率异常诊断装置能够执行如上述第一方面中任一项所述的风电机组功率异常诊断方法。
根据本申请实施例的第八方面,提供一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由异常预测模型训练装置的处理器执行时,使得异常预测模型训练装置能够执行如上述第二方面中任一项所述的异常预测模型训练方法。
本申请的实施例提供的技术方案至少带来以下有益效果:
根据环境数据修正所述第一运行数据,减少环境因素造成异常诊断分析的误差,提高异常诊断的准确度。
通过所述异常预测模块确定异常类型和发生异常的模块,提高了异常分析的准确度,有利于及时修复异常模式。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理,并不构成对本申请的不当限定。
图1是根据一示例性实施例示出的一种风电机组功率异常诊断方法的流程图。
图2是根据一示例性实施例示出的一种风电机组功率异常诊断方法的流程图。
图3是根据一示例性实施例示出的一种风电机组功率异常诊断方法的流程图。
图4是根据一示例性实施例示出的一种风电机组功率异常诊断方法的流程图。
图5是根据一示例性实施例示出的一种异常预测模型训练方法的流程图。
图6是根据一示例性实施例示出的一种风电机组功率异常诊断装置的框图。
图7是根据一示例性实施例示出的一种风电机组功率异常诊断装置的框图。
图8是根据一示例性实施例示出的一种风电机组功率异常诊断装置的框图。
图9是根据一示例性实施例示出的一种风电机组功率异常诊断装置的框图。
图10是根据一示例性实施例示出的一种异常预测模型训练装置的框图。
图11是根据一示例性实施例示出的一种异常诊断方法流程图。
图12是根据一示例性实施例示出的一种异常诊断方法流程图。
图13是根据一示例性实施例示出的一种异常诊断装置结构图。
图14是根据一示例性实施例示出的一种装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在节能减排的环境下,风电发电在总发电量中的占比逐年提升。风电机组的发电情况影响整个风电场的效益,了解每台机组的发电情况,识别低效机组,并分析发电效率降低的原因,进而提出整改方案,将有效改善风电机组发电效率,提高风电场的经济收益。
相关技术中,对功率异常的研究主要从功率曲线异常的角度出发,但识别到功率异常后未对异常原因进行分析。无法确定风电机组中发生异常的类型和发生异常的模块。
本申请针对现有技术中的问题,提出一种全流程的解决方案,涵盖数据清洗、空气密度折算、功率异常诊断、异常根因分析、整改优化方案以及优化后效果评估等全流程的诊断方法。
图1是根据一示例性实施例示出的一种风电机组功率异常诊断方法的流程图,如图1所示,所述风电机组功率异常诊断方法,包括以下步骤:
步骤101,采集风电机组的第一运行数据;
本申请实施例中,为了分析所述风电机组是否出现异常,以及异常发生的原因,需要定时采集风电机组的第一运行数据,采集所述第一运行数据的时间步长为t。在一种可能的实施例中,t=10分钟,通过风电机组中的Scada系统每隔10分钟采集一次所述第一运行数据。
步骤102,采集风电机组的环境数据,并根据所述环境数据修正所述第一运行数据,以获取第二运行数据。
本申请实施例中,由于温度、海拔不同导致空气密度有所差异,进而影响风电机组的发电情况,为了避免环境因素影响后续异常分析,需要进行空气密度折算,对风速进行修正。根据国标中给出的实际空气密度计算公式,计算不同温度、海拔下的实际空气密度。
步骤103,根据所述第二运行数据进行异常诊断分析。
本申请实施例中,通过对比第二运行数据中的风速和功率生成实测功率曲线,将所述实测功率曲线与参考功率曲线对比以判断风电机组功率是否出现异常。如果出现异常则进一步进行诊断分析,以确定出现异常的模块位置。
可选的,所述第一运行数据的时间步长为t,所述第一运行数据包括:
风速、功率、桨距角、空气密度和环境温度。
可选的,所述根据所述环境数据修正所述第一运行数据,包括:
根据所述风速和参考风速生成标准化风速。
本申请实施例中,由于温度、海拔不同导致空气密度有所差异,进而影响风电机组的发电情况,为了避免环境因素影响后续异常分析,需要进行空气密度折算,对风速进行修正。根据国标中给出的实际空气密度计算公式,计算不同温度、海拔下的实际空气密度。
实际空气密度的计算公式为ρ=(353,05/T)exp-0.034(z/T),其中,ρ为所述实际空气密度,T为年平均空气开始温标绝对温度。
根据机组海拔高度和实际的环境温度值,即可计算实际的空气密度。然后,进行风速折算,将风速值折算到标准空气密度下的风速值,也即标准化风速。所述标准化风速的计算公式为其中,Vn为标准化风速,V为所述风速,Vn为所述标准化风速,ρ0为标准密度(kg/m3),ρ为所述实际空气密度。
图2是根据一示例性实施例示出的一种风电机组功率异常诊断方法的流程图。如图2所示,所述风电机组功率异常诊断方法,包括以下步骤:
步骤201,根据风速对所述第二运行数据进行分箱,并计算各个风速区间的风速均值和功率均值;
本申请实施例中,根据所述第二运行数据进行机组实测功率曲线生成。根据IEC标准采用比恩法进行功率曲线生成,将风速进行分箱,给定风速中心点,在风速中心点左右0.25m/s的邻域范围为一个风速区间,风速区间的风速范围为0.5m/s。在一种可能的实施例中,给定风速中心点为3m/s、3.5m/s、4m/s、4.5m/s、5m/s、5.5m/s、6m/s、6.5m/s、7m/s等;则风速区间为(2.75m/s,3.25m/s]、(3.25m/s,3.75m/s]、(3.75m/s,4.25m/s]、(4.25m/s,4.75m/s]、(4.75m/s,5.25m/s]、(5.25m/s,5.75m/s]、(5.75m/s,6.25m/s]、(6.25m/s,6.75m/s]、(6.75m/s,7.25m/s]等。计算各个风速区间的风速均值和功率均值。
步骤202,根据所述风速均值和功率均值生成实测功率曲线;
本申请实施例中,根据三次样条插值方法得到指定间隔的功率曲线。将该功率曲线作为机组的实测功率曲线。
步骤203,根据参考功率曲线和所述实测功率曲线判断运行状态。
本申请实施例中,对比所述参考功率曲线和所述实测功率曲线,如果二者偏差过大,则说明所述风电机组出现异常。
可选的,如果不存在所述参考功率曲线,则根据实测功率曲线获取参考功率曲线,并根据所述参考功率曲线和所述实测功率曲线判断运行状态。
本申请实施例中,如果所述风电机组没有对应的参考功率曲线,即没有存储理想的功率曲线,则需要计算多台机组的实测功率曲线,按照上述的比恩法即可得到多台机组的实测功率曲线。得到多台机组的实测功率曲线后将每个风速区间的功率进行组合,计算该风速区间内功率的中位数,将中位数作为该风速区间的最终功率值,得到实测参考功率曲线,把实测功率曲线作为标准参考曲线即可。
图3是根据一示例性实施例示出的一种风电机组功率异常诊断方法的流程图。如图3所示,所述风电机组功率异常诊断方法,包括以下步骤:
步骤301,根据参考功率曲线和所述实测功率曲线获取偏离值;
本申请实施例中,所述偏离值的计算公式为其中,d为所述偏离值,i为时间段的序号,为第i个时间段内的实测功率曲线数据,为第i个时间段内的参考功率曲线数据。
步骤302,如果所述偏离值小于等于异常阈值,则确定所述风电机组存在异常,并根据所述第二运行数据进行异常诊断分析;
步骤303,如果所述偏离值大于异常阈值,则确定所述风电机组无异常。
本申请实施例中,d值大于0,表示实测功率曲线优于标准参考曲线。当该d值小于一定阈值后,判断该机组功率曲线存在异常,则需要进行异常分析,否则认为机组功率无异常。
可选的,所述异常诊断分析,包括以下的一项或多项:
限功率类分析;
高温运行分析;
偏航误差分析;
环境因素分析;
风速测量分析;
桨距角一致性分析。
本申请实施例中,异常分析时,对机组的多个维度进行分析,譬如限功率类分析、高温运行分析、偏航误差分析、环境因素分析、风速测量分析、桨距角一致性分析等。限功率类分析包括能量管理平台限功率分析、限转速分析、限桨距角分析等。高温运行分析包括发电机绕组高温分析、发电机轴承高温分析、齿轮箱高温分析、IGBT高温分析等。偏航误差分析主要针对静态偏航误差进行分析,识别机组的最优偏差角度,指导现场人员进行偏航零位校验。环境因素分析包括环境高温分析、环境低温分析如风速仪结冰分析,叶片结冰分析等。风速测量分析包括风速仪测量不准确、风速测量偏小等。
可选的,所述限功率类分析,包括:
如果所述风电机组为非满发状态,且桨距角大于最小角度,且功率变化量小于第一阈值,且风速持续变化,且状态持续时间大于第三阈值,则确定所述风电机组为限功率状态;
本申请实施例中,限功率类分析的一种实现方式是基于规则的检测方法,比如能量管理平台限功率分析。
如果所述风电机组为非满发状态下,且桨距角大于最小角度,且风速持续变化,且发电机绕组温度大于第四阈值,且状态持续时间大于第五阈值,则确定所述风电机组为高温运行状态。
本申请实施例中,高温运行分析可以通过基于规则的方法进行检测,通过桨距角、风速、温度、状态持续时间即可判断所述风电机组是否处于高温运行的状态。
图4是根据一示例性实施例示出的一种风电机组功率异常诊断方法的流程图。如图4所示,所述异常诊断分析中的环境因素分析,包括以下步骤:
步骤401,根据第一变量生成统计特征值;
本申请实施例中,采集风电机组运行数据中的第一变量,所述第一变量包括:机舱内温度与环境温度的差值、实际功率与理论功率的比值、实际计算扭矩值(功率/转速)、功率系数(功率/风速的立方)、转速比(转速/风速)、三个桨距角两两差值、功率、风速、环境温度、机舱内温度、变桨电机温度等。然后提取时间窗口内的所述第一变量的统计特征值,给定2小时的时间窗口,所提取的统计特征可以是均值、标准差、极值(最大值-最小值)等。在一种可能的实施方式中,可以提取时间窗口内的趋势特征,如上升趋势、下降趋势等。
步骤402,根据第二变量生成第一特征图。
本申请实施例中,所述第二变量包括风速;功率;桨距角;转速;变桨电机温度;环境温度和机舱温度。将所述第二变量构造成矩阵的形式,经过归一化处理后进行多层卷积、池化、卷积、池化过程,得到多个特征图,再将多个第一特征图转化为一维向量。
步骤403,根据所述统计特征值和所述第一特征图生成第二特征图;
本申请实施例中,第一特征图转化为一维向量,在将所述统计特征值和所述一维向量进行融合,获取所述第二特征图。
步骤404,将所述第二特征图输入异常预测模型,以获取异常预测结果。
本申请实施例中,利用神经网络来提取风电机组运行数据中的高维特征,并降维以获取异常预测的结果,所述神经网络包括编码器和解码器。将第二特征图输入编码器提取高维特征,再将所述高维特征输入所述解码器进行降维,输出异常预测的结果。
在一种可能的实施例中,需要进行环境因素分析中的结冰检测,则需要训练所述异常预测模型根据所述第二特征图判断是否结冰,以实现所述结冰检测。
一种可能的实施方式中,如图11所示,获取修正后的10min平均数据(即所述第二运行数据)并生成实测功率曲线,判断是否存在理论功率曲线,如果存在,则确定所述理论功率曲线为标准参考曲线(即上述参考功率曲线),对比标准参考曲线和实测功率曲线;如果不存在,则根据多机组实测功率曲线生成实测参考功率曲线,将所述实测参考功率曲线作为标准参考曲线。如果偏离较大,则说明风电机组出现异常,需要进行后续的异常分析,并根据分析结果选取优化方案;如果偏离较小,则说明无异常出现。
令一种可能的实施方式中,如图12所示。完成空气密度修正后,即进行多机组实测功率曲线生成,同样采用比恩法机组得到多台机组的实测功率曲线。然后,通过比较分析得到多台机组功率曲线中最差的3台机组,对该3台机组进行进一步的异常分析。可以降低异常分析的计算量,且能快速的找到全风场中功率曲线最差的机组,效率更高。
上述实现方案的作用是:由于图11所述方案需要将实测功率曲线与标准参考曲线做比较,小于一定阈值才判断为功率异常,如果没有小于阈值的则识别不到异常机组。实现方法2可以保证,每次都对功率曲线最差的3台机组机型异常分析,将潜在的功率异常机组尽早的进行分析与定位,制定具体的整改与优化方案,以增加机组发电效率。
可选的,所述第一变量包括以下的至少一项:
机舱内温度与环境温度的差值;
实际功率与理论功率的比值;
实际计算扭矩值;
功率系数;
转速风速比;
桨距角差值。
本申请实施例中,
可选的,所述统计特征值包括以下的至少一项:均值、标准差、极值。
可选的,所述第二变量包括以下的至少一项:
风速;
功率;
桨距角;
转速;
变桨电机温度;
环境温度和机舱温度。
图5是根据一示例性实施例示出的一种异常预测模型训练方法的流程图。如图5所示,所述异常预测模型训练方法,包括以下步骤:
步骤501,根据统计特征值和第一特征图生成第二特征图;
本申请实施例中,根据第一变量生成统计特征值,并根据第二变量生成第一特征图,再根据统计特征值和第一特征图生成第二特征图。由所述第二特征图组成数据集。
步骤502,对所述第二特征图进行标注,以组成训练数据集;
本申请实施例中,对所述数据集中的第二特征图进行标注,以组成训练数据集,方便后续对异常预测模型的训练。所述标注可以是环境因素分析中的任意一个环境信息,实施者可根据实际分析人物调整对第二特征图的标注。
步骤503,将所述训练数据集输入所述异常预测模型,以损失函数最小化为目标进行训练。
本申请实施例中,所述异常预测模型可以为随机森林模型,也是可以为DNN网络模型。经过参数优化,即可完成异常预测模型训练。将待检测的数据输入模型即可得到异常预测结果。所述损失函数可以为均方误差损失函数或交叉熵损失函数。
可选的,所述对所述第二特征图进行标注,包括:
标注所述第二特征图对应的异常预测状态,其中,所述异常预测状态包括结冰状态和未结冰状态。
本申请实施例中,所述异常预测模型用于进行结冰检测,则标注所述第二特征图对应结冰状态或未结冰状态。
需要说明的是,所述第二特征图的标注信息可以由实施者根据具体预测任务进行调整,不限于结冰检测。
图6是根据一示例性实施例示出的一种风电机组功率异常诊断装置的框图。参照图6,该装置600包括:
采集模块610,用于采集风电机组的第一运行数据;
修正模块620,用于采集风电机组的环境数据,并根据所述环境数据修正所述第一运行数据,以获取第二运行数据;
异常分析模块630,用于根据所述第二运行数据确定风电机组中的异常模式。
可选的,所述第一运行数据的时间步长为t,所述第一运行数据包括:
风速、功率、桨距角、空气密度和环境温度。
可选的,所述修正模块,包括:
修正子模块,用于根据所述风速和参考风速生成标准化风速。
图7是根据一示例性实施例示出的一种风电机组功率异常诊断装置的框图。参照图7,该装置700包括
分箱子模块710,用于根据风速对所述第二运行数据进行分箱,并计算各个风速区间的风速均值和功率均值;
曲线生成子模块720,用于根据所述风速均值和功率均值生成实测功率曲线;
第一判断子模块730,用于根据参考功率曲线和所述实测功率曲线判断运行状态。
可选的,所述修正模块包括:第二判断子模块。
如果不存在所述参考功率曲线,则所述第二判断子模块根据实测功率曲线获取参考功率曲线,并根据所述参考功率曲线和所述实测功率曲线判断运行状态。
图8是根据一示例性实施例示出的一种风电机组功率异常诊断装置的框图。参照图8,该装置800包括
偏离获取单元810,用于根据参考功率曲线和所述实测功率曲线获取偏离值;
第一判断单元820,如果所述偏离值小于等于异常阈值,则用于确定所述风电机组存在异常,并根据所述第二运行数据进行异常诊断分析;
第二判断单元830,如果所述偏离值大于异常阈值,则用于确定所述风电机组无异常。
可选的,所述异常分析模块,包括以下的一项或多项:
限功率类分析子模块;
高温运行分析子模块;
偏航误差分析子模块;
环境因素分析子模块;
风速测量分析子模块;
桨距角一致性分析子模块。
可选的,所述限功率类分析子模块,包括:
第一分析单元,如果所述风电机组为非满发状态,且桨距角大于最小角度,且功率变化量小于第一阈值,且风速持续变化,且状态持续时间大于第三阈值,则确定所述风电机组为限功率状态;
第二分析单元,如果所述风电机组为非满发状态下,且桨距角大于最小角度,且风速持续变化,且发电机绕组温度大于第四阈值,且状态持续时间大于第五阈值,则确定所述风电机组为高温运行状态。
图9是根据一示例性实施例示出的一种风电机组功率异常诊断装置的框图。参照图9,该装置900包括
特征值获取单元910,用于根据第一变量生成统计特征值;
第一特征提取单元920,用于根据第二变量生成第一特征图;
第二特征提取单元930,用于根据所述统计特征值和所述第一特征图生成第二特征图;
异常预测单元940,用于将所述第二特征图输入异常预测模型,以获取异常预测结果。
可选的,所述第一变量包括以下的至少一项:
机舱内温度与环境温度的差值;
实际功率与理论功率的比值;
实际计算扭矩值;
功率系数;
转速风速比;
桨距角差值。
可选的,所述统计特征值包括以下的至少一项:均值、标准差、极值。
可选的,所述第二变量包括以下的至少一项:
风速;
功率;
桨距角;
转速;
变桨电机温度;
环境温度和机舱温度。
图10是根据一示例性实施例示出的一种异常预测模型训练装置的框图。参照图10,该装置1000包括
采集模块1010,用于根据统计特征值和第一特征图生成第二特征图;
标注模块1020,用于对所述第二特征图进行标注,以组成训练数据集;
训练模块1030,用于将所述训练数据集输入所述异常预测模型,以损失函数最小化为目标进行训练。
可选的,所述标注模块,包括:
标注子模块,用于标注所述第二特征图对应的异常预测状态,其中,所述异常预测状态包括结冰状态和未结冰状态。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图13是根据一示例性实施例示出的一种异常诊断装置结构图。如图13所示,所述数据获取单元用于获取第一运行数据,所述数据清洗单元用于根据第一运行数据生成第二运行数据。所述功率曲线生成单元用于根据所述第二运行数据生成实测功率曲线。所述异常分析单元用于根据所述实测功率曲线和参考功率曲线分析是否出现异常,如果出现异常。则根据限功率分析单元、高温限运行分析单元、偏航误差分析单元、环境因素分析单元、风速测量分析单元进行误差分析,确定具体异常出现在哪里。
图14是根据一示例性实施例示出的一种装置1400的框图。在示例性实施例中,还提供了一种包括指令的存储介质,例如包括指令的存储器1410,接口1430,上述指令可由装置1400的处理器1420执行以完成上述方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (13)
1.一种风电机组功率异常诊断方法,其特征在于,包括:
采集风电机组的第一运行数据;
采集风电机组的环境数据,并根据所述环境数据修正所述第一运行数据,以获取第二运行数据,所述环境数据包括海拔;
根据所述第二运行数据进行异常诊断分析;
其中,所述根据所述第二运行数据进行异常诊断分析,包括:
根据风速对所述第二运行数据进行分箱,并计算各个风速区间的风速均值和功率均根据所述风速均值和功率均值生成实测功率曲线;
根据参考功率曲线和所述实测功率曲线判断运行状态;
如果不存在所述参考功率曲线,则根据实测功率曲线获取参考功率曲线,并根据所述参考功率曲线和所述实测功率曲线判断运行状态;
所述如果不存在所述参考功率曲线,则根据实测功率曲线获取参考功率曲线,并根据所述参考功率曲线和所述实测功率曲线判断运行状态,包括:
根据多台机组的实测功率曲线后将每个风速区间的功率进行组合,计算该风速区间内功率的中位数,将中位数作为该风速区间的最终功率值,得到实测的参考功率曲线,把实测的参考功率曲线作为标准参考曲线;
所述第一运行数据的时间步长为t,所述第一运行数据包括:风速、功率、桨距角、空气密度和环境温度;
所述根据所述环境数据修正所述第一运行数据,包括:根据所述风速和参考风速生成标准化风速。
2.如权利要求1所述的方法,其特征在于,所述根据参考功率曲线和所述实测功率曲线判断运行状态,包括:
根据参考功率曲线和所述实测功率曲线获取偏离值;
如果所述偏离值小于等于异常阈值,则确定所述风电机组存在异常,并根据所述第二运行数据进行异常诊断分析;
如果所述偏离值大于异常阈值,则确定所述风电机组无异常。
3.如权利要求1所述的方法,其特征在于,所述异常诊断分析,包括以下的一项或多项:
限功率类分析;
高温运行分析;
偏航误差分析;
环境因素分析;
风速测量分析;
桨距角一致性分析。
4.如权利要求2所述的方法,其特征在于,所述限功率类分析,包括:
如果所述风电机组为非满发状态,且桨距角大于最小角度,且功率变化量小于第一阈值,且风速持续变化,且状态持续时间大于第三阈值,则确定所述风电机组为限功率状态;
如果所述风电机组为非满发状态下,且桨距角大于最小角度,且风速持续变化,且发电机绕组温度大于第四阈值,且状态持续时间大于第五阈值,则确定所述风电机组为高温运行状态。
5.如权利要求3所述的方法,其特征在于,所述环境因素分析,包括:
根据第一变量生成统计特征值;
根据第二变量生成第一特征图;
根据所述统计特征值和所述第一特征图生成第二特征图;
将所述第二特征图输入异常预测模型,以获取异常预测结果。
6.如权利要求4所述的方法,其特征在于,所述第一变量包括以下的至少一项:
机舱内温度与环境温度的差值;
实际功率与理论功率的比值;
实际计算扭矩值;
功率系数;
转速风速比;
桨距角差值。
7.如权利要求5或6所述的方法,其特征在于,所述统计特征值包括以下的至少一项:均值、标准差、极值。
8.如权利要求5所述的方法,其特征在于,所述第二变量包括以下的至少一项:
风速;
功率;
桨距角;
转速;
变桨电机温度;
环境温度和机舱温度。
9.根据权利要求6所述的方法,其特征在于,所述异常预测模型的训练步骤,包括:
根据统计特征值和第一特征图生成第二特征图;
对所述第二特征图进行标注,以组成训练数据集;
将所述训练数据集输入所述异常预测模型,以损失函数最小化为目标进行训练。
10.如权利要求9所述的方法,其特征在于,所述对所述第二特征图进行标注,包括:
标注所述第二特征图对应的异常预测状态,其中,所述异常预测状态包括结冰状态和未结冰状态。
11.一种风电机组功率异常诊断装置,其特征在于,包括:
采集模块,用于采集风电机组的第一运行数据;
修正模块,用于采集风电机组的环境数据,并根据所述环境数据修正所述第一运行数据,以获取第二运行数据,所述环境数据包括海拔;
异常分析模块,用于根据所述第二运行数据确定风电机组中的异常模式;
其中,所述根据所述第二运行数据进行异常诊断分析,包括:
根据风速对所述第二运行数据进行分箱,并计算各个风速区间的风速均值和功率均值;
根据所述风速均值和功率均值生成实测功率曲线;
根据参考功率曲线和所述实测功率曲线判断运行状态;
如果不存在所述参考功率曲线,则根据实测功率曲线获取参考功率曲线,并根据所述参考功率曲线和所述实测功率曲线判断运行状态;
所述如果不存在所述参考功率曲线,则根据实测功率曲线获取参考功率曲线,并根据所述参考功率曲线和所述实测功率曲线判断运行状态,包括:
根据多台机组的实测功率曲线后将每个风速区间的功率进行组合,计算该风速区间内功率的中位数,将中位数作为该风速区间的最终功率值,得到实测的参考功率曲线,把实测的参考功率曲线作为标准参考曲线;
所述第一运行数据的时间步长为t,所述第一运行数据包括:风速、功率、桨距角、空气密度和环境温度;
所述根据所述环境数据修正所述第一运行数据,包括:根据所述风速和参考风速生成标准化风速。
12.一种风电机组功率异常诊断装置,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至10中任一项所述的风电机组功率异常诊断方法。
13.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由风电机组功率异常诊断装置的处理器执行时,使得风电机组功率异常诊断装置能够执行如权利要求1至10中任一项所述的风电机组功率异常诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292333.2A CN114165392B (zh) | 2021-11-03 | 2021-11-03 | 一种风电机组功率异常诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292333.2A CN114165392B (zh) | 2021-11-03 | 2021-11-03 | 一种风电机组功率异常诊断方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114165392A CN114165392A (zh) | 2022-03-11 |
CN114165392B true CN114165392B (zh) | 2024-08-09 |
Family
ID=80477883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111292333.2A Active CN114165392B (zh) | 2021-11-03 | 2021-11-03 | 一种风电机组功率异常诊断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114165392B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115996133B (zh) * | 2022-06-27 | 2024-04-09 | 西安电子科技大学 | 一种工业控制网络行为检测方法以及相关装置 |
CN116502543B (zh) * | 2023-06-21 | 2023-09-22 | 宇动源(北京)信息技术有限公司 | 风电机组对风偏差识别方法、装置、电子设备和存储介质 |
CN116757681B (zh) * | 2023-08-16 | 2023-11-28 | 武汉联动设计股份有限公司 | 一种风电机组发电效率实时监控诊断方法及系统 |
CN117212074B (zh) * | 2023-09-25 | 2024-03-12 | 武汉盈风能源科技有限公司 | 风力发电系统及其变桨电机的温升预警方法及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104747367A (zh) * | 2013-12-31 | 2015-07-01 | 华能新能源股份有限公司 | 风力发电机组功率曲线特性检测系统 |
CN109751206A (zh) * | 2019-02-25 | 2019-05-14 | 宜通世纪物联网研究院(广州)有限公司 | 风机叶片结冰故障预测方法、装置及存储介质 |
CN112065668A (zh) * | 2020-09-08 | 2020-12-11 | 沈阳工业大学 | 一种风电机组状态异常评估方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102767472B (zh) * | 2012-07-18 | 2014-05-21 | 华北电力大学 | 一种风电机组功率曲线的提取方法 |
CN104481804B (zh) * | 2014-12-05 | 2017-02-22 | 北京金风科创风电设备有限公司 | 风力发电机组对风矫正控制方法、装置和系统 |
CN106815456A (zh) * | 2015-12-02 | 2017-06-09 | 中国电力科学研究院 | 一种风电机组功率特性评价方法 |
CN110925134B (zh) * | 2019-12-03 | 2021-06-18 | 上海明华电力科技有限公司 | 一种风电机组的输出功率给定值实时修正系统及方法 |
CN111680454A (zh) * | 2020-06-16 | 2020-09-18 | 北京工业大学 | 基于双重注意力机制的风机叶片结冰故障预测方法 |
CN111737923A (zh) * | 2020-07-28 | 2020-10-02 | 湘电风能有限公司 | 一种风机叶片结冰预测方法 |
CN112267972B (zh) * | 2020-10-22 | 2023-05-05 | 华能国际电力股份有限公司 | 一种风电机组功率曲线异常智能判定方法 |
CN112377374A (zh) * | 2020-11-17 | 2021-02-19 | 大唐可再生能源试验研究院有限公司 | 基于海拔高度的风力发电机组功率特性检测系统 |
CN113107785B (zh) * | 2021-05-12 | 2022-05-31 | 浙江浙能技术研究院有限公司 | 一种风电机组功率性能异常的实时监测方法及装置 |
-
2021
- 2021-11-03 CN CN202111292333.2A patent/CN114165392B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104747367A (zh) * | 2013-12-31 | 2015-07-01 | 华能新能源股份有限公司 | 风力发电机组功率曲线特性检测系统 |
CN109751206A (zh) * | 2019-02-25 | 2019-05-14 | 宜通世纪物联网研究院(广州)有限公司 | 风机叶片结冰故障预测方法、装置及存储介质 |
CN112065668A (zh) * | 2020-09-08 | 2020-12-11 | 沈阳工业大学 | 一种风电机组状态异常评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114165392A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114165392B (zh) | 一种风电机组功率异常诊断方法、装置及存储介质 | |
CN111582392B (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
CN106762452B (zh) | 基于数据驱动的风机主控系统故障诊断和在线监测方法 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN113436194B (zh) | 一种风电机组的异常检测方法、装置及设备 | |
CN116085212B (zh) | 一种新能源风电机组的运行状态实时监测方法及系统 | |
CN117688497B (zh) | 基于后向轨迹模型的海上风电尾流干扰的数据处理方法 | |
CN116771610A (zh) | 一种调整风电机组变桨系统故障评估值的方法 | |
CN117592799A (zh) | 一种在役风电项目资源后评估系统 | |
KR102226971B1 (ko) | 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치 | |
CN117713078A (zh) | 基于遥感观测的生成式海上风电功率超短期预测方法 | |
CN115313930A (zh) | 一种大型汽轮发电机励磁电流实时预测方法 | |
CN117195136B (zh) | 一种电网新能源异常数据监测方法 | |
CN112211794B (zh) | 风电机组的机舱温度异常预警方法、装置、设备及介质 | |
CN115434870B (zh) | 风力发电组振动数据的处理方法、装置、设备及存储介质 | |
CN116245233A (zh) | 基于超分辨率重建技术的风电场风速降尺度方法 | |
CN115853722A (zh) | 基于特征选择和stacking模型融合的风电机组故障诊断方法 | |
US20230010764A1 (en) | Method and an apparatus for computer-implemented monitoring of a wind turbine | |
CN113848347A (zh) | 一种风力发电机测风仪健康状态检测方法 | |
CN113946977A (zh) | 一种基于决策树算法预警风机变桨故障的应用方法 | |
CN118208374B (zh) | 用于海上风电的工况外载加载一体化监测系统与方法 | |
CN116502543B (zh) | 风电机组对风偏差识别方法、装置、电子设备和存储介质 | |
CN112459970B (zh) | 一种运用数据对抗学习的风电机组异常检测方法 | |
CN118582357B (zh) | 一种电网新能源异常数据检测方法及系统 | |
CN117189509B (zh) | 一种海上风机雷击故障检测方法 |
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 |