CN114754353A - 融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法 - Google Patents
融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法 Download PDFInfo
- Publication number
- CN114754353A CN114754353A CN202210385458.8A CN202210385458A CN114754353A CN 114754353 A CN114754353 A CN 114754353A CN 202210385458 A CN202210385458 A CN 202210385458A CN 114754353 A CN114754353 A CN 114754353A
- Authority
- CN
- China
- Prior art keywords
- coal
- boiler
- fired
- content
- optimization
- 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.)
- Granted
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23C—METHODS OR APPARATUS FOR COMBUSTION USING FLUID FUEL OR SOLID FUEL SUSPENDED IN A CARRIER GAS OR AIR
- F23C10/00—Fluidised bed combustion apparatus
- F23C10/18—Details; Accessories
- F23C10/28—Control devices specially adapted for fluidised bed, combustion apparatus
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23C—METHODS OR APPARATUS FOR COMBUSTION USING FLUID FUEL OR SOLID FUEL SUSPENDED IN A CARRIER GAS OR AIR
- F23C2206/00—Fluidised bed combustion
- F23C2206/10—Circulating fluidised bed
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/44—Optimum control
Abstract
本发明属于燃煤循环流化床机组运行调节优化领域,燃煤循环流化床机组受中调指令和入炉煤种频繁多变的影响,机组燃烧工况的调整变得异常繁琐复杂,现有依托运行人员操作经验进行调节优化的方法很难满足快速高效的调节要求,本发明提供一种融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,确定燃烧优化目标在线计算锅炉热效率,融合邻域粗糙集机器学习对燃煤循环流化床锅炉燃烧进行优化,提高数据挖掘的复现性,克服了传统基于历史可比最优工况优化调节过程中过度依赖运行人员经验模糊调节的困境,采用邻域粗糙集和机器学习相结合的优化方法,对机组变工况运行调节过程实现高效精细化的调节,使燃烧优化目标得到进一步提高。
Description
技术领域
本发明属于燃煤循环流化床机组运行调节优化领域,具体涉及一种结合邻域粗糙集的机器学习方法实现对循环流化床锅炉的燃烧优化指导。
背景技术
随着全球能源危机与环境保护问题的日益突出,为实现新能源为主体的新型电力系统的建设,如此大规模大容量的发展新能源势必要充分考虑新能源机组发电并网的技术问题。新能源发电存在间歇性和随机性的特点,这将对电网的稳定性和品质带来具大考验与挑战,而稳定可控的火力发电必将是满足新能源并网的重要的辅助调节技术手段。
然而,燃煤循环流化床机组受中调指令和入炉煤种频繁多变的影响,机组燃烧工况的调整变得异常繁琐复杂,现有依托运行人员操作经验进行调节优化的方法很难满足快速高效的调节要求,迫切需要智能化手段保障机组的高效经济运行。
发明内容
针对现有技术存在的不足,本发明提出一种融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,将机组设备的老化作为边界条件,该发明能够实现数据挖掘结果的复现性,寻求最优结果确保寻优结果与机组设备现行状态相匹配。
为了解决上述技术问题,本发明提供了如下技术方案:
一种融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,将机组设备的运行状态作为边界条件,改善数据挖掘的结果的复现性,确保寻优结果与机组设备的运行状态相同,对机组变工况运行调节过程实现高效精细化的调节,使燃烧优化目标得到进一步提高,具体包括以下步骤:
步骤1.确定燃烧的优化目标J:选择氮氧化物气体排放浓度与提高锅炉热效率作为燃烧优化目标J,优化目标J如下公式:
步骤2.在线计算锅炉热效率:读取循环流化床锅炉入炉煤工业分析项目化验数据与计算锅炉热效率需要的机组DCS系统测量数据,由入炉煤工业分析项目数据依据煤中各元素收到基平衡关系、氮元素成分与挥发分函数关系、燃料发热量与燃料元素成分函数关系及高、低位发热量函数关系计算入炉煤元素分析项目数据,计算锅炉热损失及锅炉热效率;
步骤3.融合邻域粗糙集的锅炉热效率与氮氧化物排放浓度数据建模:选取与循环流化床锅炉燃烧调节直接相关的参数变量作为邻域粗糙集信息系统中的条件属性,分别构建决策属性为锅炉热效率与氮氧化物排放浓度的信息系统Ⅰ、信息系统Ⅱ;设置用于控制属性约简结果的关键参数λ,由设置好的邻域粗糙集算法分别对信息系统Ⅰ和信息系统Ⅱ进行属性约简,分别得到各自的属性约简结果;将属性约简结果的并集作为锅炉热效率与氮氧化物排放浓度的BP神经网络模型的输入变量分别建立锅炉热效率的数据模型和氮氧化物排放浓度的数据模型;
步骤4.由多目标优化算法确定机组运行优化操作变量集合:确定锅炉热效率与氮氧化物排放浓度的BP神经网络模型输入变量中操作变量的集合,利用NSGA-II算法实现对操作变量可调范围内的全局寻优,寻优后得到帕累托前沿面,选择前沿面上突出位置数据点作为寻优的结果。
进一步,机组DCS系统测量数据包括:机组给煤量、冷渣器进口渣温、冷渣器出口渣温、冷渣器冷却水流量、冷却水入口温度、冷却水出口温度、脱硫岛入口二氧化硫浓度、烟气含氧量、排烟温度与环境温度。
进一步,工业分析项目包括:收到基全水分,空气干燥基水分,干燥无灰基挥发分,收到基灰分,收到基低位发热量,收到基高位发热量与收到基全硫分;元素分析项目包括:收到基氢,收到基碳,收到基氧和收到基氮,各元素收到基平衡表达式如下:
Car+Har+Oar+Nar+Sar+Aar+Mar=100
其中,Car表示入炉煤收到基碳元素含量,%;Har表示入炉煤收到基氢元素含量,%;Oar表示入炉煤收到基氧元素含量,%;Nar表示入炉煤收到基氮元素含量,%;Sar表示入炉煤收到基硫元素含量,%;Aar表示入炉煤收到基灰分含量,%;Mar表示入炉煤收到基水分含量,%。
进一步,氮元素成分与挥发分函数表达式如下:
Ndaf=0.016Vdaf+0.9;
燃料发热量与燃料元素成分函数表达式如下:
Qnet,ar=339Car+1028Har-109(Oar-Sar)-25Mar;
高、低位发热量函数表达式如下:
Qnet,ar=Qgr,ar-25.12(9Har+Mar);
干燥无灰基氮元素含量通过以下表达式转为收到基氮元素含量。
其中,Vdaf表示干燥无灰基挥发分含量,%;Ndaf表示干燥无灰基氮元素含量,%;Qnet,ar表示入炉煤低位发热量,kJ/kg;Qgr,ar表示入炉煤高位发热量,kJ/kg。
本发明与现有技术相比具有的有益效果是:
1、本发明提出的融合邻域粗糙集机器学习的燃煤循环流化床锅炉燃烧优化方法,解决了在数据挖掘过程中容易忽略掉的机组设备老化这个重要的边界条件,数据挖掘结果的复现性较差,本发明的方法可以有效规避此问题,寻优结果能保证与机组设备现行状态相匹配。
2、本发明提出的融合邻域粗糙集机器学习的燃煤循环流化床锅炉燃烧优化方法,克服了传统基于历史可比最优工况优化调节过程中过度依赖运行人员经验模糊调节的困境,采用邻域粗糙集和机器学习相结合的优化方法,对机组变工况运行调节过程实现高效精细化的调节,使燃烧优化目标得到进一步提高。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图对本发明做进一步的说明。
如图1所示,本发明公开了一种融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,通过以下步骤实现:
步骤1:确定燃烧优化目标;
循环流化床锅炉燃烧优化目标在于提高锅炉热效率,在满足国家燃煤锅炉大气污染物排放标准的前提下进一步降低污染物排放。本发明方案中选择降低污染物中较难控制的氮氧化物气体排放浓度与提高锅炉热效率作为燃烧优化目标。两者的累加即为优化目标,优化目标表示如下:
步骤2:在线计算锅炉热效率;
依据入炉煤工业分析转元素分析数学模型与DL/T 964-2005《循环流化床锅炉性能试验规程》计算公式,完成热效率在线计算编程,程序读入入炉煤元素分析项目数据与机组DCS系统中相关测量数据即可完成热效率在线计算与结果输出。
读取循环流化床锅炉入炉煤工业分析项目化验数据与计算锅炉热效率需要的机组DCS系统测量数据,即Distributed Control System,又称分布式控制系统或集散控制系统,具体包括:机组给煤量、冷渣器进口渣温、冷渣器出口渣温、冷渣器冷却水流量、冷却水入口温度、冷却水出口温度、脱硫岛入口二氧化硫浓度、烟气含氧量、排烟温度与环境温度,数据能够直接从机组DCS系统中读取。
由入炉煤工业分析项目数据依据煤中各元素收到基平衡关系、氮元素成分与挥发分函数关系、燃料发热量与燃料元素成分函数关系及高、低位发热量函数关系计算入炉煤元素分析项目数据,由这四个表达式即可求得入炉煤元素分析项目中的待求数据,其中工业分析项目包括:收到基全水分,空气干燥基水分,干燥无灰基挥发分,收到基灰分,收到基低位发热量,收到基高位发热量与收到基全硫分。元素分析项目包括:收到基氢,收到基碳,收到基氧和收到基氮。
各元素收到基平衡表达式如下:
Car+Har+Oar+Nar+Sar+Aar+Mar=100
氮元素成分与挥发分函数表达式如下:
Ndaf=0.016Vdaf+0.9
燃料发热量与燃料元素成分函数表达式如下:
Qnet,ar=339Car+1028Har-109(Oar-Sar)-25Mar
高、低位发热量函数表达式如下:
Qnet,ar=Qgr,ar-25.12(9Har+Mar)
其中,干燥无灰基氮元素含量通过以下表达式转为收到基氮元素含量。高、低位发热量数据可以直接通过入炉煤工业成分化验分析即可获得,这里表达的是高、低位发热量之差与入炉煤收到基氢元素、水分的关系。
上述表达式中,Car表示入炉煤收到基碳元素含量,%;Har表示入炉煤收到基氢元素含量,%;Oar表示入炉煤收到基氧元素含量,%;Nar表示入炉煤收到基氮元素含量,%;Sar表示入炉煤收到基硫元素含量,%;Aar表示入炉煤收到基灰分含量,%;Mar表示入炉煤收到基水分含量,%;Vdaf表示干燥无灰基挥发分含量,%;Ndaf表示干燥无灰基氮元素含量,%;Qnet,ar表示入炉煤低位发热量,kJ/kg;Qgr,ar—入炉煤高位发热量,kJ/kg。
计算锅炉各项热损失及锅炉热效率。由计算的入炉煤元素分析项目数据与读取的机组DCS系统测量数据,按照DL/T 964-2005《循环流化床锅炉性能试验规程》计算公式计算锅炉各项热损失及锅炉热效率。锅炉各项热损失包括排烟热损失,气体未完全燃烧热损失,固体未完全燃烧热损失,散热损失,灰渣物理热损失及脱硫损失。
步骤3:融合邻域粗糙集的锅炉热效率与氮氧化物排放浓度数据建模;
选取与循环流化床锅炉燃烧调节直接相关的参数变量作为邻域粗糙集信息系统中的条件属性,具体包括机组实发功率、烟气含氧量、给煤量、一次总风量、一、二次风机变频指令、给煤机给煤量指令、排渣器排渣变频指令以及上下二次风挡板开度指令;
分别构建决策属性为锅炉热效率与氮氧化物排放浓度的信息系统Ⅰ、信息系统Ⅱ;
设置用于控制属性约简结果的关键参数λ。λ取值过大属性约简结果为空集,λ取值过小约简结果则出现错误,在实际应用中,参数λ依据调节经验进行合理选择;
由设置好的邻域粗糙集算法分别对信息系统Ⅰ、信息系统Ⅱ进行属性约简,分别得到信息系统Ⅰ和信息系统Ⅱ的属性约简结果;关键参数在属性约简过程中影响约简的结果,只有合适的参数设置,才会使得约简结果理想。通过设置合适的参数,使得信息粒度保持合适,通过邻域粗糙集前向贪心算法实现属性约简,找到相关性大的参数集合。
将信息系统Ⅰ和信息系统Ⅱ的属性约简结果的并集作为锅炉热效率与氮氧化物排放浓度的BP神经网络模型的输入变量分别建立各自的数据模型。保证两个输入模型操作变量的一致性。
步骤4:由多目标优化算法确定机组运行优化操作变量集合。
依据机组稳态运行和床温稳定的要求,设置锅炉热效率与氮氧化物排放浓度的BP神经网络模型中操作变量可调范围的上下限;依据优化目标,建立锅炉热效率最大,氮氧化物气体排放浓度最小的寻优目标函数,基于建立的数据模型利用NSGA-II算法实现对操作变量可调范围内的全局寻优,寻优后得到帕累托前沿面,选择前沿面上突出位置数据点作为寻优的结果,该寻优结果下对应的锅炉热效率与氮氧化物排放浓度数据模型输入变量中操作变量集合数值作为机组运行优化的调节值。
Claims (4)
1.一种融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,其特征在于,将机组设备的运行状态作为边界条件,改善数据挖掘的结果的复现性,确保寻优结果与机组设备的运行状态相同,对机组变工况运行调节过程实现高效精细化的调节,使燃烧优化目标得到进一步提高,具体包括以下步骤:
步骤1.确定燃烧的优化目标J:选择氮氧化物气体排放浓度与提高锅炉热效率作为燃烧优化目标J,优化目标J如下公式:
步骤2.在线计算锅炉热效率:读取循环流化床锅炉入炉煤工业分析项目化验数据与计算锅炉热效率需要的机组DCS系统测量数据,由入炉煤工业分析项目数据依据煤中各元素收到基平衡关系、氮元素成分与挥发分函数关系、燃料发热量与燃料元素成分函数关系及高、低位发热量函数关系计算入炉煤元素分析项目数据,计算锅炉热损失及锅炉热效率;
步骤3.融合邻域粗糙集的锅炉热效率与氮氧化物排放浓度数据建模:选取与循环流化床锅炉燃烧调节直接相关的参数变量作为邻域粗糙集信息系统中的条件属性,分别构建决策属性为锅炉热效率与氮氧化物排放浓度的信息系统Ⅰ、信息系统Ⅱ;设置用于控制属性约简结果的关键参数λ,由设置好的邻域粗糙集算法分别对信息系统Ⅰ和信息系统Ⅱ进行属性约简,分别得到各自的属性约简结果;将属性约简结果的并集作为锅炉热效率与氮氧化物排放浓度的BP神经网络模型的输入变量分别建立锅炉热效率的数据模型和氮氧化物排放浓度的数据模型;
步骤4.由多目标优化算法确定机组运行优化操作变量集合:确定锅炉热效率与氮氧化物排放浓度的BP神经网络模型输入变量中操作变量的集合,利用NSGA-II算法实现对操作变量可调范围内的全局寻优,寻优后得到帕累托前沿面,选择前沿面上突出位置数据点作为寻优的结果。
2.根据权利要求1所述的融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,其特征在于,所述机组DCS系统测量数据包括:机组给煤量、冷渣器进口渣温、冷渣器出口渣温、冷渣器冷却水流量、冷却水入口温度、冷却水出口温度、脱硫岛入口二氧化硫浓度、烟气含氧量、排烟温度与环境温度。
3.根据权利要求1所述的融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,其特征在于,所述工业分析项目包括:收到基全水分,空气干燥基水分,干燥无灰基挥发分,收到基灰分,收到基低位发热量,收到基高位发热量与收到基全硫分;元素分析项目包括:收到基氢,收到基碳,收到基氧和收到基氮,各元素收到基平衡表达式如下:
Car+Har+Oar+Nar+Sar+Aar+Mar=100
其中,Car表示入炉煤收到基碳元素含量,%;Har表示入炉煤收到基氢元素含量,%;Oar表示入炉煤收到基氧元素含量,%;Nar表示入炉煤收到基氮元素含量,%;Sar表示入炉煤收到基硫元素含量,%;Aar表示入炉煤收到基灰分含量,%;Mar表示入炉煤收到基水分含量,%。
4.根据权利要求3所述的融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法,其特征在于,氮元素成分与挥发分函数表达式如下:
Ndaf=0.016Vdaf+0.9;
燃料发热量与燃料元素成分函数表达式如下:
Qnet,ar=339Car+1028Har-109(Oar-Sar)-25Mar;
高、低位发热量函数表达式如下:
Qnet,ar=Qgr,ar-25.12(9Har+Mar);
干燥无灰基氮元素含量通过以下表达式转为收到基氮元素含量。
其中,Vdaf表示干燥无灰基挥发分含量,%;Ndaf表示干燥无灰基氮元素含量,%;Qnet,ar表示入炉煤低位发热量,kJ/kg;Qgr,ar表示入炉煤高位发热量,kJ/kg。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385458.8A CN114754353B (zh) | 2022-04-13 | 2022-04-13 | 融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385458.8A CN114754353B (zh) | 2022-04-13 | 2022-04-13 | 融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114754353A true CN114754353A (zh) | 2022-07-15 |
CN114754353B CN114754353B (zh) | 2023-05-30 |
Family
ID=82331902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210385458.8A Active CN114754353B (zh) | 2022-04-13 | 2022-04-13 | 融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114754353B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329582A (zh) * | 2008-07-18 | 2008-12-24 | 东南大学 | 循环流化床锅炉燃烧优化与诊断方法 |
CN102540879A (zh) * | 2011-12-28 | 2012-07-04 | 北京工业大学 | 基于群决策检索策略的多目标评价优化方法 |
CN102679391A (zh) * | 2012-05-21 | 2012-09-19 | 常州市新港热电有限公司 | 锅炉燃烧在线优化方法 |
CN104534507A (zh) * | 2014-11-18 | 2015-04-22 | 华北电力大学(保定) | 一种锅炉燃烧优化控制方法 |
CN106778816A (zh) * | 2016-11-23 | 2017-05-31 | 华北电力大学 | 基于燃烧混合系数和模糊识别的燃烧稳定性判别方法 |
CN112348750A (zh) * | 2020-10-27 | 2021-02-09 | 西安电子科技大学 | 基于阈值融合和邻域投票的sar图像变化检测方法 |
-
2022
- 2022-04-13 CN CN202210385458.8A patent/CN114754353B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329582A (zh) * | 2008-07-18 | 2008-12-24 | 东南大学 | 循环流化床锅炉燃烧优化与诊断方法 |
CN102540879A (zh) * | 2011-12-28 | 2012-07-04 | 北京工业大学 | 基于群决策检索策略的多目标评价优化方法 |
CN102679391A (zh) * | 2012-05-21 | 2012-09-19 | 常州市新港热电有限公司 | 锅炉燃烧在线优化方法 |
CN104534507A (zh) * | 2014-11-18 | 2015-04-22 | 华北电力大学(保定) | 一种锅炉燃烧优化控制方法 |
CN106778816A (zh) * | 2016-11-23 | 2017-05-31 | 华北电力大学 | 基于燃烧混合系数和模糊识别的燃烧稳定性判别方法 |
CN112348750A (zh) * | 2020-10-27 | 2021-02-09 | 西安电子科技大学 | 基于阈值融合和邻域投票的sar图像变化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114754353B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109084324B (zh) | 生物质锅炉的燃烧风量控制系统及控制方法 | |
CN103576655B (zh) | 一种电站锅炉燃烧子空间建模及多目标优化方法和系统 | |
CN101556038B (zh) | 循环流化床锅炉稳定运行与经济燃烧优化控制系统 | |
CN109376945A (zh) | 一种基于多煤种的配煤掺烧优化系统 | |
CN101881563B (zh) | 加热炉热效率多区域智能在线优化控制方法 | |
CN110135065B (zh) | 一种基于煤质软测量技术的燃烧配风优化方法 | |
CN105605609B (zh) | 一种火电厂锅炉燃烧氧量优化方法 | |
CN105240868B (zh) | 基于风煤比煤质校正的锅炉自动燃烧调整控制方法 | |
CN104598761B (zh) | 混烧锅炉运行参数变化对机组发电煤耗影响的分析方法 | |
CN112664975B (zh) | 一种适用于煤粉锅炉的风量控制方法 | |
CN111306572A (zh) | 一种锅炉智能优化燃烧节能控制系统 | |
CN104268433A (zh) | 煤气锅炉运行参数变化引起的机组发电煤耗偏差监测方法 | |
CN111401652A (zh) | 一种基于co在线检测的锅炉优化方法及系统 | |
CN114754353A (zh) | 融合邻域粗糙集机器学习的循环流化床锅炉燃烧优化方法 | |
CN211694849U (zh) | 一种能够调节烟气氧量的锅炉烟气再循环系统 | |
CN106326562B (zh) | 一种超临界循环流化床锅炉机组蓄能量化方法 | |
JP7374590B2 (ja) | Kpi改善支援システム及びkpi改善支援方法 | |
CN202512382U (zh) | 链条锅炉燃烧滚动自寻优-pid复合控制系统 | |
CN202511321U (zh) | 基于信息融合技术的链条锅炉燃烧专家自寻优控制系统 | |
WO2022252414A1 (zh) | 一种燃煤机组煤风同步动态协控方法 | |
CN114186514A (zh) | 一种基于多软件耦合模拟mswi过程的关键工艺参数分析方法 | |
CN113609684A (zh) | 基于工业数据和工艺机理的锅炉吨煤产汽优化方法 | |
CN112178684A (zh) | 一种提高锅炉空气/燃料配比精度的系统及方法 | |
CN115111601B (zh) | 多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法 | |
Zhang et al. | Modeling and optimization of boiler combustion system in power station |
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 |