CN114529076A - 一种基于残差修正时间序列的用电预测方法 - Google Patents
一种基于残差修正时间序列的用电预测方法 Download PDFInfo
- Publication number
- CN114529076A CN114529076A CN202210136851.3A CN202210136851A CN114529076A CN 114529076 A CN114529076 A CN 114529076A CN 202210136851 A CN202210136851 A CN 202210136851A CN 114529076 A CN114529076 A CN 114529076A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- power consumption
- residual error
- historical
- 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 41
- 230000005611 electricity Effects 0.000 claims description 23
- 230000000737 periodic effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
Abstract
本发明公开一种基于残差修正时间序列的用电预测方法,涉及数据预测技术领域；利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，以历史天气数据为特征，以所述历史用电量数据与所述新用电量预测数据的差值为标签，构建残差回归模型，利用残差回归模型根据新天气数据特征预测残差，与所述新用电量预测数据结合产生用电量预测结果。
Description
技术领域
本发明公开一种方法,涉及数据预测技术领域，具体地说是一种基于残差修正时间序列的用电预测方法。
背景技术
对社会生产各行业和人民生活各方面需对用电量进行预测。目前对于季节性的趋势预测通常有两种做法，一种是通过历史数据进行建模预测新数据，另一种是通过历史的特征和特征对应的数据进行建模并使用新特征预测新数据。然而当遇到既有历史特征又有历史数据的场景，例如场景与天气数据有强相关性，同时具备强周期性时，单纯通过上述任一方法都无法完整的利用数据取得可靠的预测结果。而将两种方法并行使用时，由于无法对两种模型的可靠性进行评价，也难以确定结论不一致时的权值分配及预测结果。
发明内容
本发明针对现有技术的问题，提供一种基于残差修正时间序列的用电预测方法，改善了以往模型单独依靠历史特征进行预测或者历史结果进行预测的数据利用不充分和预测偏差较大的问题。
本发明提出的具体方案是：
一种基于残差修正时间序列的用电预测方法，利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，
以历史天气数据为特征，以所述历史用电量数据与所述新用电量预测数据的差值为标签，构建残差回归模型，
利用残差回归模型根据新天气数据特征预测残差，与所述新用电量预测数据结合产生用电量预测结果。
进一步，所述的一种基于残差修正时间序列的用电预测方法中所述利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，包括：
通过利用时间序列预测模型分解历史用电量数据，获得趋势数据分量，周期性数据分量和随机波动数据分量，根据所述趋势数据分量使用多项式函数拟合获得趋势预测数据，所述趋势预测数据结合周期性数据分量和随机波动数据分量获得新用电量预测数据。
进一步，所述的一种基于残差修正时间序列的用电预测方法中所述使用多项式函数拟合获得趋势预测数据，包括：
利用最小二乘法或随机梯度下降法拟合获得趋势预测数据。
进一步，所述的一种基于残差修正时间序列的用电预测方法中所述构建残差回归模型，包括：
构建线性回归的残差回归模型或者决策树残差回归模型。
本发明还提供一种基于残差修正时间序列的用电预测装置，包括预测模块和构建模块，
所述构建模块利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，
以历史天气数据为特征，以所述历史用电量数据与所述新用电量预测数据的差值为标签，构建残差回归模型，
所述预测模块利用残差回归模型根据新天气数据特征预测残差，与所述新用电量预测数据结合产生用电量预测结果。
进一步，所述的一种基于残差修正时间序列的用电预测装置中所述构建模块利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，包括：
通过利用时间序列预测模型分解历史用电量数据，获得趋势数据分量，周期性数据分量和随机波动数据分量，根据所述趋势数据分量使用多项式函数拟合获得趋势预测数据，所述趋势预测数据结合周期性数据分量和随机波动数据分量获得新用电量预测数据。
进一步，所述的一种基于残差修正时间序列的用电预测装置中所述构建模块使用多项式函数拟合获得趋势预测数据，包括：
利用最小二乘法或随机梯度下降法拟合获得趋势预测数据。
进一步，所述的一种基于残差修正时间序列的用电预测装置中所述构建模块构建残差回归模型，包括：
构建线性回归的残差回归模型或者决策树残差回归模型。
本发明的有益之处是：
本发明提供一种基于残差修正时间序列的用电预测方法，通过时间序列预测模型先对历史用电量数据进行分解和预测，产生新用电量预测，再利用残差回归模型学习历史天气数据与用电量预测残差的关系，使用新天气数据特征预测残差，与新用电量预测结合产生最终预测结果，本发明方法充分利用了历史的特征和结果，融合两个模型进行预测，改善了以往模型单独依靠历史特征进行预测或者历史结果进行预测的数据利用不充分和预测偏差较大的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明方法流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本发明提供一种基于残差修正时间序列的用电预测方法，利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，
以历史天气数据为特征，以所述历史用电量数据与所述新用电量预测数据的差值为标签，构建残差回归模型，
利用残差回归模型根据新天气数据特征预测残差，与所述新用电量预测数据结合产生用电量预测结果。
本发明对历史用电量数据进行时间序列分解，对分解出的趋势分量进行多项式函数拟合，预测新的用电量数据，减去真实值作为残差，使用历史天气数据对残差进行回归建模，预测新残差，与时间序列分解预测的值相加得到最终预测值。
具体应用中，在本发明方法的一些实施例中，基于残差修正时间序列进行用电预测时，利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，
其中可收集历史用电量数据和历史天气数据，并划分数据集，划分时间周期可以为四周或者一个月，利用时间序列预测模型对历史用电量数据进行分解和预测，分解为三个分量，分别为趋势数据分量，周期性数据分量和随机波动数据分量，对趋势数据分量使用多项式函数拟合获得新用电量预测数据，即将需要预测的日期代入多项式函数，加上对应日期的周期性数据分量值以及随机波动数据分量的均值获得新用电量预测数据，例如多项式函数方法包括最小二乘法、随机梯度下降法等方法，
以历史天气数据为特征，以所述历史用电量数据与所述新用电量预测数据的差值为标签，构建残差回归模型，其中历史天气数据例如温湿度是数值，类别信息如风向、云量等可以用数字编码、onehot编码或者dummy编码表示，
残差回归模型可以为线性回归或决策树回归等模型，将残差回归模型得到的新残差与时间序列模型分解得到的新用电量预测数据相加，得到最终的用电量预测值。本发明方法通过残差回归模型将仅依靠历史结果进行预测的时间序列模型进行一步修正，修正的依据是天气数据，又能避免单独依靠天气数据进行回归忽略时间上的先后联系的问题，达到同时利用两种数据的特点进行互补和修正的目的。
上述方法简单的计算过程，例如历史用电量y及其对应的历史天气数据x，分别平均分为n份，对于y_n进行时间序列分解，拟合y_n的趋势，获得y_n的用电量预测数据，y_n的用电量预测数据减去y_n的真实值，得到残差r_n，使用x_n的历史天气数据当做训练数据，r_n当做训练标签训练一个残差回归模型。当进行第n+1次的预测时，先使用时间序列模型进行预测，得到y_(n+1)的新用电量预测数据，使用天气数据x_(n+1)，利用残差回归模型得到残差r_(n+1)，使用y_(n+1)的新用电量预测数据+r_(n+1)残差作为最终预测结果。
本发明还提供一种基于残差修正时间序列的用电预测装置，包括预测模块和构建模块，
所述构建模块利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，
以历史天气数据为特征，以所述历史用电量数据与所述新用电量预测数据的差值为标签，构建残差回归模型，
所述预测模块利用残差回归模型根据新天气数据特征预测残差，与所述新用电量预测数据结合产生用电量预测结果。
上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
同样地，本发明装置通过时间序列预测模型先对历史用电量数据进行分解和预测，产生新用电量预测，再利用残差回归模型学习历史天气数据与用电量预测残差的关系，使用新天气数据特征预测残差，与新用电量预测结合产生最终预测结果，本发明装置充分利用了历史的特征和结果，融合两个模型进行预测，改善了以往模型单独依靠历史特征进行预测或者历史结果进行预测的数据利用不充分和预测偏差较大的问题。
需要说明的是，上述各流程和各装置结构中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (8)
1.一种基于残差修正时间序列的用电预测方法，其特征是利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，
以历史天气数据为特征，以所述历史用电量数据与所述新用电量预测数据的差值为标签，构建残差回归模型，
利用残差回归模型根据新天气数据特征预测残差，与所述新用电量预测数据结合产生用电量预测结果。
2.根据权利要求1所述的一种基于残差修正时间序列的用电预测方法，其特征是所述利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，包括：
通过利用时间序列预测模型分解历史用电量数据，获得趋势数据分量，周期性数据分量和随机波动数据分量，根据所述趋势数据分量使用多项式函数拟合获得趋势预测数据，所述趋势预测数据结合周期性数据分量和随机波动数据分量获得新用电量预测数据。
3.根据权利要求1或2所述的一种基于残差修正时间序列的用电预测方法，其特征是所述使用多项式函数拟合获得趋势预测数据，包括：
利用最小二乘法或随机梯度下降法拟合获得趋势预测数据。
4.根据权利要求1所述的一种基于残差修正时间序列的用电预测方法，其特征是所述构建残差回归模型，包括：
构建线性回归的残差回归模型或者决策树残差回归模型。
5.一种基于残差修正时间序列的用电预测装置，其特征是包括预测模块和构建模块，
所述构建模块利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，
以历史天气数据为特征，以所述历史用电量数据与所述新用电量预测数据的差值为标签，构建残差回归模型，
所述预测模块利用残差回归模型根据新天气数据特征预测残差，与所述新用电量预测数据结合产生用电量预测结果。
6.根据权利要求5所述的一种基于残差修正时间序列的用电预测装置，其特征是所述构建模块利用时间序列预测模型根据历史用电量数据预测获得新用电量预测数据，包括：
通过利用时间序列预测模型分解历史用电量数据，获得趋势数据分量，周期性数据分量和随机波动数据分量，根据所述趋势数据分量使用多项式函数拟合获得趋势预测数据，所述趋势预测数据结合周期性数据分量和随机波动数据分量获得新用电量预测数据。
7.根据权利要求5或6所述的一种基于残差修正时间序列的用电预测装置，其特征是所述构建模块使用多项式函数拟合获得趋势预测数据，包括：
利用最小二乘法或随机梯度下降法拟合获得趋势预测数据。
8.根据权利要求5所述的一种基于残差修正时间序列的用电预测装置，其特征是所述构建模块构建残差回归模型，包括：
构建线性回归的残差回归模型或者决策树残差回归模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210136851.3A CN114529076A (zh) | 2022-02-15 | 2022-02-15 | 一种基于残差修正时间序列的用电预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210136851.3A CN114529076A (zh) | 2022-02-15 | 2022-02-15 | 一种基于残差修正时间序列的用电预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114529076A true CN114529076A (zh) | 2022-05-24 |
Family
ID=81623529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210136851.3A Pending CN114529076A (zh) | 2022-02-15 | 2022-02-15 | 一种基于残差修正时间序列的用电预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114529076A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM（1,1）模型和灰色Verhulst模型的城市用电量预测方法 |
| CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
| CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
| CN111199318A (zh) * | 2020-01-03 | 2020-05-26 | 深圳供电局有限公司 | 短期负荷预测方法、系统以及存储介质 |
| CN111667377A (zh) * | 2020-04-24 | 2020-09-15 | 南方电网能源发展研究院有限责任公司 | 一种全自动用电量预测方法及其系统 |
| CN111967660A (zh) * | 2020-08-05 | 2020-11-20 | 河海大学 | 一种基于svr的超短期光伏预测残差修正方法 |
-
2022
- 2022-02-15 CN CN202210136851.3A patent/CN114529076A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358318A (zh) * | 2017-06-29 | 2017-11-17 | 上海电力学院 | 基于GM（1,1）模型和灰色Verhulst模型的城市用电量预测方法 |
| CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
| CN111191841A (zh) * | 2019-12-30 | 2020-05-22 | 润联软件系统(深圳)有限公司 | 一种电力负荷预测方法、装置、计算机设备及存储介质 |
| CN111199318A (zh) * | 2020-01-03 | 2020-05-26 | 深圳供电局有限公司 | 短期负荷预测方法、系统以及存储介质 |
| CN111667377A (zh) * | 2020-04-24 | 2020-09-15 | 南方电网能源发展研究院有限责任公司 | 一种全自动用电量预测方法及其系统 |
| CN111967660A (zh) * | 2020-08-05 | 2020-11-20 | 河海大学 | 一种基于svr的超短期光伏预测残差修正方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111815035B (zh) | 一种融合形态聚类及TCN-Attention的短期负荷预测方法 | |
| CN112003277B (zh) | 一种输配协同负荷恢复优化控制方法及系统 | |
| CN110619389A (zh) | 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统 | |
| CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
| CN112330050A (zh) | 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法 | |
| D′ Amico et al. | Reliability Measures of Second‐Order Semi‐Markov Chain Applied to Wind Energy Production | |
| CN116993532B (zh) | 用于提升电池零部件制备效率的方法及系统 | |
| Wu et al. | A novel optimized nonlinear grey Bernoulli model for forecasting China’s GDP | |
| CN105471647A (zh) | 一种电力通信网故障定位方法 | |
| CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
| CN112906757A (zh) | 模型训练方法、光功率预测方法、装置、设备及存储介质 | |
| CN117595231B (zh) | 一种智能电网配网管理系统及其方法 | |
| CN116720985B (zh) | 一种建筑碳排放监测方法及系统 | |
| CN116776073B (zh) | 一种污染物浓度的评估方法和装置 | |
| CN112540159A (zh) | 核电厂大气扩散预测校正方法、系统、介质及电子设备 | |
| CN112783865A (zh) | 一种半监督人机结合的运维故障库生成方法及系统 | |
| CN114529076A (zh) | 一种基于残差修正时间序列的用电预测方法 | |
| CN113723717B (zh) | 系统日前短期负荷预测方法、装置、设备和可读存储介质 | |
| Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
| CN115099499A (zh) | 一种基于随机森林的emd-lstm对pm2.5浓度预测的方法 | |
| CN116362103A (zh) | 一种设备剩余使用寿命的预测方法及装置 | |
| CN112560325B (zh) | 换电业务的预测方法、系统、设备及存储介质 | |
| US20170161654A1 (en) | System and method for calculating a productivity of an industrial installation | |
| CN116028309B (zh) | 一种体系运行情况的量化监测系统及其监测方法 | |
| Zhang et al. | A Three‐Stage Birandom Program for Unit Commitment with Wind Power Uncertainty |
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 |