CN114723285B - 一种电网设备安全性评估预测方法 - Google Patents
一种电网设备安全性评估预测方法 Download PDFInfo
- Publication number
- CN114723285B CN114723285B CN202210363620.6A CN202210363620A CN114723285B CN 114723285 B CN114723285 B CN 114723285B CN 202210363620 A CN202210363620 A CN 202210363620A CN 114723285 B CN114723285 B CN 114723285B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- power grid
- parameter
- parameter set
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
Abstract
本发明公开了一种电网设备安全性评估预测方法,通过采集多模态异构数据,对获取的多模态异构数据进行空间维度以及时间维度的对齐操作,基于相关性函数计算预处理后的多模态异构数据中各个参数的重要性因子,筛选重要性因子符合设定阈值的参数,得到待融合多模态异构数据,将待融合多模态异构数据集进行数据关联融合得到融合数据,将融合数据输入机器学习模型进行训练,并基于训练后的模型实时在线监测,提高了预测的正确性和鲁棒性。
Description
技术领域
本发明属于安全性评估预测领域,具体涉及一种电网设备安全性评估预测。
背景技术
伴随国内工业生产制造的速度加快,我国经济发展趋势呈现快速上升的势头,由此带来人们对电力的需求急剧增长,同时用户也对电力传输过程当中的各项指标提出了更高的要求。而电网设备的安全性是衡量电力系统运行状况的非常关键的一个指标。因此能够快速评估和有效改善电网设备的安全性是我们当前配电系统建设及维护工作中的重点。
电网日常管理设备及时的检修与维护是不可或缺的。并且,电网设备种类多而杂,分布较广,这使得设备检修化及管理等变得比较复杂,而且目前来说我国的配电网结构比较薄弱,在检修的过程中往往会造成大规模的用户停电。因此,对配电网进行相关的安全性进行预测评估是非常重要的。
电气设备借助在线监测技术能够及时准确地将设备的运行数据上传,通过对数据的分析处理为电网管理调控提供数据支持,保障电网的安全运行,目前,主要通过借助局域网络的信息传输,将电网设备的运行参数及时地反馈至远端监控中后,通过后台专家系统软件对上传结果分析评价,但是由于电网的运行状态变化多样,只依靠单一的专家系统对电网设备安全性的评估预测效果较差。
发明内容
本发明的目的在于解决上述现有技术中存在的难题,提供一种电网设备安全性评估预测方法。
本发明是通过以下技术方案实现的:
本申请提供了一种电网设备安全性评估预测,所述方法包括:
步骤S1,采集多模态异构数据,所述多模态异构数据包括电网设备运行参数集Fy、电网设备状态参数集Fs、气象环境信息参数集Fc。
步骤S2,对所述步骤S1获取的多模态异构数据进行预处理,包括缺失数据处理、噪声去除,运用归一化函数将多模态异构数据进行归一化处理,基于用户设置的数据对齐规则进行数据进行空间维度以及时间维度的对齐操作,获得预处理后的多模态异构数据。
步骤S3,基于相关性函数计算预处理后的多模态异构数据中各个参数的关联因子,筛选关联因子符合设定阈值的参数,得到待融合多模态异构参数,筛选过程如下:对于Fy、Fs、Fc参数集中的每一个参数,通过公式计算各参数的方差,其中,m为样本数,xi为特征值,μ为特征的均值,分别在各参数集中选择σ2最大的参数作为各参数集的初始特征,记为fy1、fs1、fc1,并构建初始参数集Fy0={fy1}、Fs0={fs1}、Fc0={fc1},其余参数构成待选参数集Fyp-1={fy2,fy3,…fyi…fyp}、Fsq-1={fs2,fs3,…fsi…fsq}、Fck-1={fc2,fc3,…fci…fck},p、q、k分别为各类参数集的参数个数,通过相关性函数C计算Fyp-1、Fsq-1、Fck-1中的各参数的关联因子C,其中,fi为待筛选特征,f1为所述各参数集的初始特征,P()表示先验概率,P(f1|fi)表示给定fi时f1的后验概率;选择关联性因子符合设定阈值的参数构成待融合多模态异构数据集Fy’、Fs’、Fc’;
步骤S4,将待融合多模态异构数据集Fy’、Fs’、Fc’进行数据关联融合得到融合数据;
步骤S5,将融合数据输入机器学习模型进行训练,并基于训练后的模型实时在线监测;
步骤S6,对电网设备安全性评估预测结果进行显示,当存在安全性异常时,进行报警提醒,并将结果信息发送给对应的巡检人员。
所述设备运行参数集Fy包括:电源容量、电压、电流、负荷变化、谐波含量、设备巡检记录、故障维修记录、设备故障记录、设备投产时间、设备位置信息;
所述电网设备状态参数集Fs包括:生产厂家、设备型号、设备温度、设备湿度、设备的固定状态;
所述气象环境信息参数集Fc包括:监测地理位置信息、当前时间的监测气象数据、未来预设时间的预测气象数据;所述气象数据包括温度、湿度、风速、风力、降雨量、降雪量、雷电、覆冰数据。
所述步骤S6之后,所述方法还包括步骤S7,结合电网设备安全性评估预测结果,给出决策建议。
与现有技术相比,本发明通过采集多模态异构数据,由于从异构平台获得的多模态数据空间、时间维度不统一,例如各平台数据源的数据采集周期不同,因此,本申请对获取的多模态异构数据进行空间维度以及时间维度的对齐操作,由于采集的数据量较大,存在着大量冗余和不相关的数据,为了他提升算法的性能和效果,本申请基于相关性函数计算预处理后的多模态异构数据中各个参数的重要性因子,筛选重要性因子符合设定阈值的数据,得到待融合多模态异构数据,将待融合多模态异构数据集进行数据关联融合得到融合数据,将融合数据输入机器学习模型进行训练,并基于训练后的模型实时在线监测,提高了预测的正确性和鲁棒性。
附图说明
图1为本发明主要处理流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与作用更加清楚及易于了解,下面结合附图和具体实施方式对本发明作进一步阐述:
电网设备的安全性的异常,往往是因为多个因素造成的,因此,本申请通过提取多模态异构数据,并将其进行融合,对电网设备的安全性进行评估预测。
实施例
如图1所述,本申请提供了一种电网设备安全性评估预测,所述方法包括:
步骤S1,采集多模态异构数据,所述多模态异构数据包括电网设备运行参数集Fy、电网设备状态参数集Fs、气象环境信息参数集Fc。
国内外学者针对气象灾害对电力系统的影响做了许多研究,主要从输电线路及变电设备故障率与气象数据的关系角度进行分析,台风、雷电、暴雨、覆冰、海啸、暴雪等极端自然灾害会暴为摧毁电力系统设备,导致电力系统发生故障。本申请采集如下参数进行分析:
所述设备运行参数集Fy包括:电源容量、电压、电流、负荷变化、谐波含量、设备巡检记录、故障维修记录、设备故障记录、设备投产时间、设备位置信息。
所述电网设备状态参数集Fs包括:生产厂家、设备型号、设备温度、设备湿度、设备的固定状态。
所述气象环境信息参数集Fc包括:监测地理位置信息、当前时间的监测气象数据、未来预设时间的预测气象数据;所述气象数据包括温度、湿度、风速、风力、降雨量、降雪量、雷电、覆冰数据。
由于从各个异构平台采集的数据存在采集周期的不同,以及各个数据对应的位置信息不同,因此,在对数据进行进一步处理前,需要对数据进行对齐的预处理操作。
步骤S2,对所述步骤S1获取的多模态异构数据进行预处理,包括缺失数据处理、噪声去除,运用归一化函数将多模态异构数据进行归一化处理,基于用户设置的数据对齐规则进行数据进行空间维度以及时间维度的对齐操作,获得预处理后的多模态异构数据。
目前,常见的特征筛选,包括方差选择法、相关系数法、卡方检验、互信息法、基于树模型的重要性法等,为了使后续模型训练更高效,预测结果更准确,本申请先通过方差选择法选择各类参数集中最具代表性的参数作为初始特征,之后,通过相关性函数,计算各类参数集中的其余特征与初始特征的关联因子,选择关联性因子符合预设阈值的特征作为待融合特征。
具体步骤如下:
步骤S3,基于相关性函数计算预处理后的多模态异构数据中各个参数的关联因子,筛选关联因子符合设定阈值的参数,得到待融合多模态异构参数,筛选过程如下:对于Fy、Fs、Fc参数集中的每一个参数,通过公式计算各参数的方差,其中,m为样本数,xi为特征值,μ为特征的均值,分别在各参数集中选择σ2最大的参数作为各参数集的初始特征,记为fy1、fs1、fc1,并构建初始参数集Fy0={fy1}、Fs0={fs1}、Fc0={fc1},其余参数构成待选参数集Fyp-1={fy2,fy3,…fyi…fyp}、Fsq-1={fs2,fs3,…fsi…fsq}、Fck-1={fc2,fc3,…fci…fck},p、q、k分别为各类参数集的参数个数,通过相关性函数C计算Fyp-1、Fsq-1、Fck-1中的各参数的关联因子C,其中,fi为待筛选特征,f1为所述各参数集的初始特征,P()表示先验概率,P(f1|fi)表示给定fi时f1的后验概率;选择关联性因子符合设定阈值的参数构成待融合多模态异构数据集Fy’、Fs’、Fc’。
以设备运行参数集Fy为例,先基于公式计算参数集Fy中包括电源容量、电压、电流、负荷变化等参数的方差,其中,m为样本数,xi为特征值,μ为特征的均值,之后,选择σ2最大的参数,例如,经计算,参数“电压”的σ2最大,则选择“电压”参数作为初始特征,记为fy1。计算设备运行参数集Fy中的其余参数Fyp-1={fy2,fy3,…fyi…fyp}与fy1的关联因子,选择关联因子符合设定阈值的参数作为待融合多模态异构数据集Fy’。
步骤S4,将待融合多模态异构数据集Fy’、Fs’、Fc’进行数据关联融合得到融合数据。
步骤S5,将融合数据输入机器学习模型进行训练,并基于训练后的模型实时在线监测。
步骤S6,对电网设备安全性评估预测结果进行显示,当存在安全性异常时,进行报警提醒,并将结果信息发送给对应的巡检人员。
步骤S7,结合电网设备安全性评估预测结果,给出决策建议。
最后应说明的是,上述技术方案只是本发明的一种实施方式,对于本领域内的技术人员而言,在本发明公开了应用方法和原理的基础上,很容易做出各种类型的改进或变形,而不仅限于本发明上述具体实施方式所描述的方法,因此前面描述的方式只是优选的,而并不具有限制性的意义。
Claims (7)
1.一种电网设备安全性评估预测方法,所述方法包括:
步骤S1,采集多模态异构数据,所述多模态异构数据包括电网设备运行参数集Fy、电网设备状态参数集Fs、气象环境信息参数集Fc;
步骤S2,对所述步骤S1获取的多模态异构数据进行预处理,包括缺失数据处理、噪声去除,运用归一化函数将多模态异构数据进行归一化处理,基于用户设置的数据对齐规则进行空间维度以及时间维度的对齐操作,获得预处理后的多模态异构数据;
步骤S3,基于相关性函数计算预处理后的多模态异构数据中各个参数的关联因子,筛选关联因子符合设定阈值的参数,得到待融合多模态异构参数,筛选过程如下:对于Fy、Fs、Fc参数集中的每一个参数,通过公式计算各参数的方差,其中,m为样本数,xi为特征值,μ为特征的均值,分别在各参数集中选择σ2最大的参数作为各参数集的初始特征,记为fy1、fs1、fc1,并构建初始参数集Fy0={fy1}、Fs0={fs1}、Fc0={fc1},其余参数构成待选参数集Fyp-1={fy2,fy3,…fyi…fyp}、Fsq-1={fs2,fs3,…fsi…fsq}、Fck-1={fc2,fc3,…fci…fck},p、q、k分别为各类参数集的参数个数,通过相关性函数C计算Fyp-1、Fsq-1、Fck-1中的各参数的关联因子C,其中,fi为待筛选特征,f1为所述各参数集的初始特征,P()表示先验概率,P(f1|fi)表示给定fi时f1的后验概率;选择关联性因子符合设定阈值的参数构成待融合多模态异构数据集Fy’、Fs’、Fc’;
步骤S4,将待融合多模态异构数据集Fy’、Fs’、Fc’进行数据关联融合得到融合数据;
步骤S5,将融合数据输入机器学习模型进行训练,并基于训练后的模型进行实时在线监测;
步骤S6,对电网设备安全性评估预测结果进行显示,当存在安全性异常时,进行报警提醒,并将结果信息发送给对应的巡检人员。
2.根据权利要求1所述的一种电网设备安全性评估预测方法,所述设备运行参数集Fy包括:电源容量、电压、电流、负荷变化、谐波含量、设备巡检记录、故障维修记录、设备故障记录、设备投产时间、设备位置信息。
3.根据权利要求1所述的一种电网设备安全性评估预测方法,所述电网设备状态参数集Fs包括:生产厂家、设备型号、设备温度、设备湿度、设备的固定状态。
4.根据权利要求1所述的一种电网设备安全性评估预测方法,所述气象环境信息参数集Fc包括:监测地理位置信息、当前时间的监测气象数据、未来预设时间的预测气象数据;所述气象数据包括温度、湿度、风速、风力、降雨量、降雪量、雷电、覆冰数据。
6.根据权利要求1所述的一种电网设备安全性评估预测方法,所述机器学习模型为BP神经网络、支持向量机算法、决策树算法或者随机森林算法。
7.根据权利要求1所述的一种电网设备安全性评估预测方法,所述方法还包括步骤S7,结合电网设备安全性评估预测结果,给出决策建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210363620.6A CN114723285B (zh) | 2022-04-07 | 2022-04-07 | 一种电网设备安全性评估预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210363620.6A CN114723285B (zh) | 2022-04-07 | 2022-04-07 | 一种电网设备安全性评估预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114723285A CN114723285A (zh) | 2022-07-08 |
CN114723285B true CN114723285B (zh) | 2022-11-04 |
Family
ID=82242531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210363620.6A Active CN114723285B (zh) | 2022-04-07 | 2022-04-07 | 一种电网设备安全性评估预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723285B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048556B (zh) * | 2022-08-12 | 2023-01-10 | 日照福瑞德科技有限公司 | 一种激光切割机的保护镜片状态监测方法及系统 |
CN116579632B (zh) * | 2023-07-12 | 2023-11-17 | 湖南省计量检测研究院 | 一种基于深度学习技术实现风电设备的服役状态监测方法 |
CN116720983A (zh) * | 2023-08-10 | 2023-09-08 | 上海飞斯信息科技有限公司 | 一种基于大数据分析的供电设备异常检测方法及系统 |
CN116861369A (zh) * | 2023-09-04 | 2023-10-10 | 山东捷瑞数字科技股份有限公司 | 工业互联网异构数据融合的空压机健康评估方法及系统 |
CN117236531A (zh) * | 2023-11-16 | 2023-12-15 | 南京大全电气研究院有限公司 | 负荷预测方法及装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393881A (zh) * | 2011-09-08 | 2012-03-28 | 杭州微松环境科技有限公司 | 一种实时多传感温度数据融合的高精度检测方法 |
JP2014206870A (ja) * | 2013-04-12 | 2014-10-30 | 横河電機株式会社 | プラントモデル管理装置及び方法 |
CN106251244A (zh) * | 2016-08-09 | 2016-12-21 | 中国南方电网有限责任公司电网技术研究中心 | 一种考虑设备综合利用率的配电网改造方法 |
CN112651178A (zh) * | 2020-12-30 | 2021-04-13 | 中国计量大学 | 一种基于无规则缺失数据融合模型的丁烷含量预测方法 |
CN113378931A (zh) * | 2021-06-11 | 2021-09-10 | 北京航空航天大学 | 一种基于贝叶斯张量分解的智能路侧多源数据融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DK3465286T3 (en) * | 2016-05-25 | 2022-10-31 | Geoquest Systems Bv | Elastic parameter estimation |
-
2022
- 2022-04-07 CN CN202210363620.6A patent/CN114723285B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102393881A (zh) * | 2011-09-08 | 2012-03-28 | 杭州微松环境科技有限公司 | 一种实时多传感温度数据融合的高精度检测方法 |
JP2014206870A (ja) * | 2013-04-12 | 2014-10-30 | 横河電機株式会社 | プラントモデル管理装置及び方法 |
CN106251244A (zh) * | 2016-08-09 | 2016-12-21 | 中国南方电网有限责任公司电网技术研究中心 | 一种考虑设备综合利用率的配电网改造方法 |
CN112651178A (zh) * | 2020-12-30 | 2021-04-13 | 中国计量大学 | 一种基于无规则缺失数据融合模型的丁烷含量预测方法 |
CN113378931A (zh) * | 2021-06-11 | 2021-09-10 | 北京航空航天大学 | 一种基于贝叶斯张量分解的智能路侧多源数据融合方法 |
Non-Patent Citations (5)
Title |
---|
CFHTLenS tomographic weak lensing: quantifying accurate redshift distributions;Jonathan Benjamin等;《 Monthly Notices of the Royal Astronomical Society》;20130531;第431卷(第2期);全文 * |
Low-complexity image denoising based on statistical modeling of wavelet coefficients;M. Kivanc Mihcak等;《IEEE Signal Processing Letters 》;19991231;第6卷(第12期);全文 * |
基于多模态数据的网络多媒体谣言识别;刘必为;《中国优秀硕士学位论文全文数据库》;20210615(第6期);第I138-541页 * |
多型异构数据下关联变权空间多属性决策方法;徐选华等;《系统工程理论与实践》;20200708(第07期);全文 * |
无监督跨域目标识别优化算法研究;陈宇;《中国博士学位论文全文数据库》;20210115(第1期);第I138-121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114723285A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
Hsu et al. | Wind turbine fault diagnosis and predictive maintenance through statistical process control and machine learning | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN108320040A (zh) | 基于贝叶斯网络优化算法的采集终端故障预测方法及系统 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN101799674B (zh) | 一种数控装备服役状态分析方法 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN112818604A (zh) | 一种基于风功率预测的风电机组风险度评估方法 | |
CN106779215B (zh) | 一种基于机器学习的电网全局延时态势感知方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN114116832A (zh) | 一种基于数据驱动的配电网异常识别方法 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
CN115600695B (zh) | 一种计量设备的故障诊断方法 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN116150692A (zh) | 基于云平台和改进孤立森林的电网故障诊断方法和系统 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN116760033B (zh) | 一种基于人工智能的实时电力需求预测系统 | |
CN117131947B (zh) | 架空输电线路故障预测方法、装置、设备及存储介质 |
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 |