CN114782214A - 一种基于煤改电用电数据的安全负荷辨识方法 - Google Patents
一种基于煤改电用电数据的安全负荷辨识方法 Download PDFInfo
- Publication number
- CN114782214A CN114782214A CN202210411219.5A CN202210411219A CN114782214A CN 114782214 A CN114782214 A CN 114782214A CN 202210411219 A CN202210411219 A CN 202210411219A CN 114782214 A CN114782214 A CN 114782214A
- Authority
- CN
- China
- Prior art keywords
- data
- electricity
- abnormal
- power consumption
- coal
- 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 30
- 230000005611 electricity Effects 0.000 claims abstract description 90
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 230000002068 genetic effect Effects 0.000 claims description 15
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 239000003245 coal Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 4
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229910052731 fluorine Inorganic materials 0.000 description 2
- 239000011737 fluorine Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization 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
- 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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- 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
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明属于异常用电识别领域,具体为一种基于煤改电用电数据的安全负荷辨识方法,应用于对煤改电用户进行安全负荷的辨识,进行异常用电的识别。通过电网的云端提取要调查用户的电能量数据,将数据导出之后,将数据进行原始数据到输入数据的转化。然后将数据输入到异常用电识别模型当中去,经过异常用电识别模型的识别,得出结果。最后将结果传输到可视化界面。本发明通过建立异常用电识别模型来对用户的用电进行安全负荷的监测。该异常用电识别模型可通过在电网监测到的用电数据,通过简单的数据处理,然后将处理的数据传输到异常用电识别模型,对数据进行识别,从而判断出该用户的是否为异常用电。
Description
技术领域
本发明属于异常用电识别领域,具体为一种基于煤改电用电数据的安全负荷辨识方法,应用于对煤改电用户进行安全负荷的辨识,进行异常用电的识别。
背景技术
为贯彻落实国家大气污染防治行动计划,现在各个省、各个市都在积极响应。而其中的“煤改电”是非常重要的一项改革形式。自2016年以来,山西省太原市在积极开展“煤改电”工程,全面推进“煤改电”的改革进程,并且取得了重大的突破。根据太原市统计,截止到2017年年底,“煤改电”用于已经达到了18000 户。而随着“煤改电”用户的增多,异常用电的情况也在逐渐增多。本发明的实际意义就是建立一个能够识别异常用电的系统,优化“煤改电”情况下的用电环境,实现负荷的安全运行。
利用、积累电网存在的大量用电数据集进行用户侧的漏电、窃电等异常用电行为的分析对于电网的正常运行,以及用户侧的用电安全有着重要的意义。再加上在“煤改电”这样一个新的用电环境之下,由于从发电到用电采暖整个过程还不是很完善,所以异常用电的情况也会比传统用电、传统采暖多。
发明内容
本发明的主要目的是通过对“煤改电”用户的用电数据进行研究,通过建立异常用电识别模型来对用户的用电进行安全负荷的监测。该异常用电识别模型可通过在电网监测到的用电数据,通过简单的数据处理,然后将处理的数据传输到异常用电识别模型,对数据进行识别,从而判断出该用户的是否为异常用电。
本发明是采用如下的技术方案实现的:一种基于煤改电用电数据的安全负荷辨识方法,包括以下步骤:
在电网中提取原始用电数据并对原始用电数据进行预处理;
预处理后的部分原始用电数据进行异常化处理,得到异常用电数据,剩余原始用电数据为正常用电数据;
正常用电数据和异常用电数据进行特征提取;
基于神经网络建立异常用电识别模型,将上述提取的特征输入到异常用电识别模型对模型进行训练,训练完成后的异常用电识别模型便可用于异常用电数据识别。
上述的一种基于煤改电用电数据的安全负荷辨识方法,对部分原始用电数据按以下四种情况进行异常化处理:一日内所有数据乘以相同的随机数,即数据按固定比例减少;一日内的每个时间段内的数据乘以不同的随机数,即每天有不同比例的减少;一日内的平均值乘以一个随机因子;智能电表在某日的某一时间段内给计量平台发送是用电量为0,即表示智能电表出现故障而无法向计量平台发送数据。
上述的一种基于煤改电用电数据的安全负荷辨识方法,用电数据具体为电能量。
上述的一种基于煤改电用电数据的安全负荷辨识方法,提取的特征包括均值、极差、标准差、变异系数、偏度和峰度。
上述的一种基于煤改电用电数据的安全负荷辨识方法,利用遗传算法对神经网络参数优化。
本发明具有以下优点:
(1)在“煤改电”的用电环境下建立异常用电识别模型可以优化“煤改电”的用电环境,更是为了电力系统能够正常的运行。
(2)利用用电数据的数学特征(均值、极差、标准差、变异系数、偏度和峰度)作为异常用电识别的特征可以免受用电数据内在联系的影响,而直接反映用电数据之间直接的关系。
(3)利用BP神经网络算法作为异常用电识别模型的基础。并且,用遗传算法优化神经网络的阈值和权值参数可以提高系统的识别速度,识别的精确度。
附图说明
图1为本发明流程图。
具体实施方式
一种基于煤改电用电数据的安全负荷辨识方法,具体包括如下步骤:
(1)原始用电数据的提取、预处理
通过对太原市电网公司的调查,可以得知,用户的用电数据是以 15min为最小单位采集的,主要是电流、电压、功率以及电能量的用电数据,本发明选用电能量。本发明以太原市某些地区的用电数据为依据进行分析。由于原始数据在一定程度上存在人为因素和外部环境的影响,数据会存在缺失、重复等问题,删除原始数据中缺失、重复的数据。
原始用电数据预处理后,假设共有N户,每一户的数据记录D天,则每一个用户用电数据可以有如下表示:
xnd={xnd1,xnd2,xnd3,…xndt…,xnd94,xnd95}
式中:xndt表示第n户的第d天的第t个时间段的用电量。
(2)异常用电数据的处理
通过对用电数据的分析可以得知:正常用电数据数据的样本较易获得,而异常用电数据数据的样本很少。通过文献的查询可以得知任何异常用电的行为都不是随机产生的,而是存在一定的规律性。所以利用所查阅到的异常数据的生成规律,组建出一个异常用电数据库。通过总结,大致分为以下六种异常用电的行为,用以下六种异常数据生成函数来表示:
式中:α、β、γ为0-0.8的随机数,mean()表示取平均数。这6种异常数据计算的解释为:ha为一日内所有数据乘以相同的随机数,即数据按固定比例减少;hb为一日内的每15min时间段内的数据乘以不同的随机数,即每天有不同比例的减少;hc是取一日内的平均值,即一日内的用电量保持不变,只改变每个时间段内的用电量;hd为一日内的平均值乘以一个随机因子;he为倒转电表读数,即模拟窃电者按照分时电价而采取的欺诈行为;hf为智能电表在某日的某一时间段内给计量平台发送是用电量为0,即表示智能电表出现故障而无法向平台发送数据。根据现实中异常用电情况的统计,在这6种窃电行为中,公式9(hc)和方式11(he)一般发生的概率比较小。所以,本发明主要以其余四种异常用电的方式进行分析。
(3)特征提取
正常用电数据和异常用电数据较为简单,也不能直接作为模型的输入进行异常用电识别。所以,如果直接将用电数据直接代入模型,可能会使得模型识别率较低,不能达到要求。
本发明所选取的是数学特征,如最大值、最小值、均值、方差等指标来进行表示。
①均值
②极差
极差表示了一个数据集的变异量数,具体表示如下:xptp= xndmax-xndmin(2),xndmax为第n户的第d天最大用电量,xndmin为第n户的第d天最小用电量;
③标准差
④变异系数
⑤偏度
⑥峰度
将正常用电数据和异常用电数据处理为以上六种特征的数据之后,在进行数据的归一化处理之后,即可作为模型的输入,进行使用。
(4)模型建立
基于BP神经网络的异常用电识别模型的建立
神经网络发展到今天为止,已相当成熟,具有着学习能力强、能够并行处理、容错性高,提取特征较明显等特征。在异常用电的检测这方面,神经网络可以从先做负荷预测,再进行判断和神经网络直接进行分类预测两个方向进行。本发明用直接进行分类预测这个方面进行研究。
具体步骤如下:
①输入输出的归一化:
由于如果数据的范围过大,可能会影响神经网络的收敛情况,甚至可能造成数据不收敛的情况,所以,先把数据进行归一化处理。
②神经网络层数设计:
神经网络的层数决定了神经网络计算的复杂程度,针对本发明,3 层即可达到要求。
③隐含层节点数的选择:
隐含层的节点数决定了神经网络的收敛性。太多容易使神经网络陷入局部最小值,太少可能会造成神经网络不收敛。通过文献查阅,可用以下公式算出的结果作为参考:
hnum=inum-1
hnum=log2inum
式中:hnum为隐含层节点个数,inum为输入层节点个数,onum为输出层节点个数,a为1-10的任意常数。
④传输函数的选取:
本发明选择Sigmoid函数作为传输函数。优点是非线性能力和可微性比较强,并且具有中间变化大、两端变化小,曲线平坦的优点。
基于遗传算法的神经网络参数优化
因为遗传算法优化的是神经网络的阈值和权值。所以,只要是神经网络的结构确定,则遗传算法所要优化的阈值和权值的个数就能够确定。由于神经网络的初始参数对于网络训练的影响非常大,引入遗传算法就是为了寻求最优的初始阈值和权值。遗传算法的优势是能够全局搜索、寻优可以并行、搜索效率高,并且遗传算法在搜索过程中自动获取和积累有关搜索空间的知识,能够自适应的控制搜索过程,从而最快地寻求到最优解。
其参数的优化过程如下:
①将待优化的阈值和权值进行初始化,然后对其进行编码,使其演变为染色体序列。
②确定遗传算法中的适应度函数,利用预测与验证数据之间方均根的差作为个体适应度的值。
③对遗传算法中的pc、pm、种群数量等值进行初始化,并且确定适应度函数。
④以概率pc对当前的种群进行染色体交换,没有交换的染色体直接复制,从而形成子代的染色体。
⑤以概率pm对染色体进行突变处理,然后将新产生的个体放入种群当中。
⑥计算个体适应度的值,若达到适应度的值,则跳出循环;若未达到,则跳到⑤继续原来的步骤。
⑦输出遗传算法的最优解,将其解码,得到的值作为神经网络的初始阈值和权值。
模型建立具体流程:通过电网的云端提取要调查用户的电能量数据,将数据导出之后,将数据进行原始数据到输入数据的转化。然后将数据输入到异常用电识别模型当中去,经过异常用电识别模型的识别,得出结果。最后将结果传输到可视化界面。
在建立异常用电识别模型的时候,本发明采用的是GA-BP的模型。 BP神经网络的优势是具有优异的特征学习能力,而且对所学习的特征有最本质的刻画,从而有利于模型的可视化和分类。但是,由于在神经网络中采用的是梯度下降法,此种方法无法避免收敛速度慢、容易收敛到局部最小值等问题,并且在神经网络中的阈值、权值以及隐含层的节点数通常取决于经验,所以容易收到主观因素的影响。而遗传算法由于它的进化特性,在搜索的过程当中与数据的内在性质无关,对于线性、非线性、离散、连续等能够直接处理。遗传算法优化一个最大的特点是收敛性好、鲁棒性高,而且具有良好的全局搜索能力。
本发明基于BP神经网络,首先利用GA对神经网络的初始阈值和权值进行优化处理,得到最佳的阈值和权值之后,在利用神经网络对样本进行学习、预测。遗传优化的BP神经网络的精度有显著提高,模型在异常用电的识别领域具有应用价值。
Claims (5)
1.一种基于煤改电用电数据的安全负荷辨识方法,其特征在于:包括以下步骤:
在电网中提取原始用电数据并对原始用电数据进行预处理;
预处理后的部分原始用电数据进行异常化处理,得到异常用电数据,剩余原始用电数据为正常用电数据;
正常用电数据和异常用电数据进行特征提取;
基于神经网络建立异常用电识别模型,将上述提取的特征输入到异常用电识别模型对模型进行训练,训练完成后的异常用电识别模型便可用于异常用电数据识别。
2.根据权利要求1所述的一种基于煤改电用电数据的安全负荷辨识方法,其特征在于:对部分原始用电数据按以下四种情况进行异常化处理:一日内所有数据乘以相同的随机数,即数据按固定比例减少;一日内的每个时刻的数据乘以不同的随机数,即每天有不同比例的减少;一日内的平均值乘以一个随机因子;智能电表在某日的某一时间段内给计量平台发送是用电量为0,即表示智能电表出现故障而无法向计量平台发送数据。
3.根据权利要求1或2所述的一种基于煤改电用电数据的安全负荷辨识方法,其特征在于:用电数据具体为电能量。
4.根据权利要求1或2所述的一种基于煤改电用电数据的安全负荷辨识方法,其特征在于:提取的特征包括均值、极差、标准差、变异系数、偏度和峰度。
5.根据权利要求1或2所述的一种基于煤改电用电数据的安全负荷辨识方法,其特征在于:利用遗传算法对神经网络参数优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411219.5A CN114782214A (zh) | 2022-04-19 | 2022-04-19 | 一种基于煤改电用电数据的安全负荷辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210411219.5A CN114782214A (zh) | 2022-04-19 | 2022-04-19 | 一种基于煤改电用电数据的安全负荷辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114782214A true CN114782214A (zh) | 2022-07-22 |
Family
ID=82431190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210411219.5A Pending CN114782214A (zh) | 2022-04-19 | 2022-04-19 | 一种基于煤改电用电数据的安全负荷辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782214A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子系统下智能电表的剩余寿命预测方法 |
-
2022
- 2022-04-19 CN CN202210411219.5A patent/CN114782214A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子系统下智能电表的剩余寿命预测方法 |
CN115358347B (zh) * | 2022-09-30 | 2023-01-31 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子系统下智能电表的剩余寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109615169A (zh) | 一种基于MEA-IElman神经网络的配电网可靠性评估方法 | |
CN117421687A (zh) | 一种数字化电力环网柜运行状态监测方法 | |
CN107133695A (zh) | 一种风电功率预测方法和系统 | |
Fallahpour et al. | An evolutionary-based predictive soft computing model for the prediction of electricity consumption using multi expression programming | |
CN104270281A (zh) | 一种Web Service QoS组合预测方法 | |
CN116523148B (zh) | 一种配电网配变重过载预警方法、装置和设备 | |
CN113988655A (zh) | 一种计及多气象因素的输电线路运行状态评估方法 | |
CN116205544A (zh) | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 | |
CN114782214A (zh) | 一种基于煤改电用电数据的安全负荷辨识方法 | |
CN116415732A (zh) | 一种基于改进arnn的用户侧电力负荷数据处理方法 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
CN115965125A (zh) | 一种基于深度学习的电力负荷预测方法 | |
CN114021432A (zh) | 一种应力腐蚀开裂裂纹扩展速率预测方法及系统 | |
CN113762591A (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 | |
Tang et al. | Predicting typhoon-induced transmission line outages with coordination of static and dynamic data | |
CN115622034A (zh) | 一种基于改进遗传神经网络的物联表电力负荷识别方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN116702598A (zh) | 建设成效预测模型的训练方法、装置、设备及存储介质 | |
CN106451551A (zh) | 风电极限穿透功率优化方法和装置 | |
CN115396198A (zh) | 基于cnn架构与参数并行优化的电网入侵检测系统及方法 | |
CN115907198A (zh) | 一种长距离供热负荷智能预测系统 | |
Khan et al. | Short-term load and price forecasting based on improved convolutional neural network | |
CN112488805A (zh) | 基于多元回归时间序列分析的长租市场预警方法 | |
Ji et al. | Neural Network Based on Immune Algorithm for Restoration in the Power Distribution System |
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 |