CN115980512A - 一种输配电网故障定位方法 - Google Patents
一种输配电网故障定位方法 Download PDFInfo
- Publication number
- CN115980512A CN115980512A CN202211695304.5A CN202211695304A CN115980512A CN 115980512 A CN115980512 A CN 115980512A CN 202211695304 A CN202211695304 A CN 202211695304A CN 115980512 A CN115980512 A CN 115980512A
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution network
- power distribution
- data
- detection model
- 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
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明公开了一种输配电网故障定位方法，涉及电网故障定位技术领域，包括：采集配电设备的历史故障数据，构建故障数据集，并将故障数据集耦合随机负荷获得加强故障数据集；基于配电设备位置信息构建配电网拓扑模型；构建故障检测模型，基于加强故障数据集进行故障检测模型训练；将故障检测模型与配电网拓扑模型相互配合，当配电网发生故障后将采集的实时故障数据输入故障检测模型中，输出故障定位结果，与配电网拓扑模型结合输出实时位置。本发明将故障检测模型中，与配电网拓扑模型相结合，通过故障检测模型检测出故障定位位置，通过配电网拓扑模型实时显示故障的物理位置定位，提高故障节点的查找效率、减少故障节点的查找耗时。
Description
技术领域
本发明涉及输配电网故障定位技术领域，更具体的说是涉及一种输配电网故障定位方法。
背景技术
电力系统中，当输电线路发生故障时，需要及时找出故障发生点修复故障线路，以恢复正常供电。
目前，配电网故障定位国内大多仍然采用人工巡线的方法，巡视人员通过观察故障指示装置的指示器所显示的颜色来判断监测节点所属线路段的工况。
但是，这种输电线路故障监测方法需要投入大量的人力分片查找故障节点，而且故障节点的查找效率低、线路分支多，精确某个分支很困难，故障节点的查找耗时也较长，使得输电线路发生故障后事故影响较大，停电时间较长，同时面对大量分支多所带来的信息，其中包含真伪信息，混杂在一起，难于判断。
因此，提供一种输配电网故障定位方法，能够在故障发生后迅速精确地定出故障位置，一方面节省了人力物力，另一方面也提高了系统运行的长期稳定性是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种输配电网故障定位方法，能够在故障发生后迅速精确地定出故障位置，提高故障定位判断的准确率，为了实现上述目的，本发明采用如下技术方案：
一种输配电网故障定位方法，包括：
采集配电设备的历史故障数据，构建故障数据集，并将故障数据集耦合随机负荷获得加强故障数据集；
基于配电设备位置信息构建配电网拓扑模型；
构建故障检测模型，基于加强故障数据集进行故障检测模型训练；
将故障检测模型与配电网拓扑模型相互配合，当配电网发生故障后将采集的实时故障数据输入故障检测模型中，输出故障定位结果，与配电网拓扑模型结合输出实时位置。
可选的，所述随机负荷参数为随机参数，构建数据集时通过随机参数产生随机负荷值，所述随机负荷值为通过筛选历史故障数据中异常负荷数据作为随机负荷取值区间。
可选的，所述加强故障数据集按照1：1的比例划分成训练集和测试集，所述历史故障数据包括三相电压、三相电流、有功功率、无功功率、功率因数。
可选的，所述配电设备设置在配电网支路上，所述配电设备带有定位装置、故障监测装置、信号发送装置，监测并发送实时故障数据。
可选的，所述支路上对应设置智能终端，所述智能终端设置信号接收装置、处理模块，接收并处理支路上所有配电设备的故障信号，所述智能终端通过以太网与所述配电网数据互通。
可选的，所述故障监测装置采集实时数据，当配电网发生故障后将采集的实时故障数据发送至智能终端，输入至处理模块中设置的故障检测模型中，输出故障定位结果。
可选的，所述定位装置与所述配电设备一一对应，所述定位装置与所述配电网通过以太网数据互通，配电网终端接收位置信息，通过定位装置提供的位置信息辅助配电网线路拓扑模型构建。
可选的，所述故障检测模型为深度卷积神经网络模型，基于梯度下降算法对多层神经网络模型进行训练，所述深度卷积神经网络模型包含输入层、卷积层、激活函数、池化层、全连接层和输出层。
可选的，构建故障检测模型的具体步骤为：
加强故障数据集按照1：1的比例划分成训练集和测试集；
将训练集输入到故障检测模型进行数据归一化，特征提取，进行训练；
采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过迭代训练网络精度；
输出最优故障检测模型。
可选的，与配电网拓扑模型相对应输出实时位置的具体步骤为：当配电网发生故障后将采集的实时故障数据输入故障检测模型中，输出故障定位结果，根据定位结果筛选出与故障配电设备最近两组配电设备实时数据信息，将采集的实时数据输入故障检测模型中，输出故障判定结果，并与配电网拓扑模型相对应输出实时位置。
经由上述的技术方案可知，与现有技术相比，本发明提供了一种输配电网故障定位方法，具有如下有益效果：
本发明设置所述随机负荷，所述随机负荷参数为随机参数，构建数据集时通过随机参数产生随机负荷值，所述随机负荷值为通过筛选历史故障数据中异常负荷数据作为随机负荷取值区间，提高故障判断的稳定性。
本发明通过所述定位装置与所述配电设备一一对应，所述定位装置与所述配电网通过以太网数据互通，配电网终端接收位置信息，通过定位装置提供的位置信息辅助配电网线路拓扑模型构建，在配电网终端中可以清楚地显示出故障的物理位置，以便后续的维护。
本发明将故障检测模型中，与配电网拓扑模型相结合，通过故障检测模型检测出故障定位位置，通过配电网拓扑模型实时显示故障的物理位置定位，提高故障节点的查找效率、减少故障节点的查找耗时。
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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为一种输配电网故障定位方法的流程示意图。
图2为本发明的拓扑结构示意图。
图3为本发明的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种输配电网故障定位方法，包括：
采集配电设备的历史故障数据，构建故障数据集，并将故障数据集耦合随机负荷获得加强故障数据集；
基于配电设备位置信息构建配电网拓扑模型；
构建故障检测模型，基于加强故障数据集进行故障检测模型训练；
将故障检测模型与配电网拓扑模型相互配合，当配电网发生故障后将采集的实时故障数据输入故障检测模型中，输出故障定位结果，与配电网拓扑模型结合输出实时位置。
进一步的，所述随机负荷参数为随机参数，构建数据集时通过随机参数产生随机负荷值，所述随机负荷值为通过筛选历史故障数据中异常负荷数据作为随机负荷取值区间，通过设置随机负荷提高训练后模型的稳定性。
进一步的，所述加强故障数据集按照1：1的比例划分成训练集和测试集，所述历史故障数据包括三相电压、三相电流、有功功率、无功功率、功率因数。
进一步的，所述配电设备设置在配电网支路上，所述配电设备带有定位装置、故障监测装置、信号发送装置，监测并发送实时故障数据，所述定位装置设置有GPS，通过GPS定位实时反馈配电设备的位置信息，所述故障检测装置实时检测故障数据，所述信号发送装置将故障检测装置检测到的故障数据进行发送，所述定位装置通过以太网与配电网终端连接，所述信号发送装置与智能终端无线通讯连接。
进一步的，所述支路上对应设置智能终端，所述智能终端设置信号接收装置、处理模块，接收并处理支路上所有配电设备的故障信号，所述信号接收装置接收信号发送装置发送的信号，所述处理模块为微控制单元(MicrocontrollerUnit；MCU)，包括内存(memory)、计数器(Timer)、USB、A/D转换、UART、PLC、DMA等周边接口，内置故障定位模型，处理支路上所有配电设备的故障信号，所述智能终端通过以太网与所述配电网数据互通。
进一步的，所述故障监测装置采集实时数据，当配电网发生故障后将采集的实时故障数据发送至智能终端，输入至处理模块中设置的故障检测模型中，输出故障定位结果。
进一步的，所述定位装置与所述配电设备一一对应，所述定位装置与所述配电网通过以太网数据互通，配电网终端接收位置信息，通过定位装置提供的位置信息辅助配电网线路拓扑模型构建。
进一步的，所述故障检测模型为深度卷积神经网络模型，基于梯度下降算法对多层神经网络模型进行训练，所述深度卷积神经网络模型包含输入层、卷积层、激活函数、池化层、全连接层和输出层。
进一步的，构建故障检测模型的具体步骤为：
加强故障数据集按照1：1的比例划分成训练集和测试集；
将训练集输入到故障检测模型进行数据归一化，特征提取，进行训练；
采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过迭代训练网络精度；
输出最优故障检测模型。
深度卷积神经网络的低隐层是由卷积层和最大池采样层交替组成，高层是全连接层对应传统多层感知器的隐含层和逻辑回归分类器。第一个全连接层的输入是由卷积层和子采样层进行特征提取得到的特征图像。最后一层输出层是一个分类器，采用逻辑回归，Softmax回归甚至是支持向量机对输入图像进行分类。
进一步的，与配电网拓扑模型相对应输出实时位置的具体步骤为：当配电网发生故障后将采集的实时故障数据输入故障检测模型中，输出故障定位结果，根据定位结果筛选出与故障配电设备最近两组配电设备实时数据信息，将采集的实时数据输入故障检测模型中，输出故障判定结果，并与配电网拓扑模型相对应输出实时位置。
在具体实施方式中采集配电设备的历史故障数据，构建故障数据集，并将故障数据集耦合随机负荷获得加强故障数据集；通过定位装置采集配电设备的位置信息，基于配电设备位置信息构建配电网拓扑模型；构建故障检测模型，基于加强故障数据集进行故障检测模型训练；
当故障发生时，通过配电设备的故障监测装置接收故障数据信息，通过信号发送装置，将故障数据发送到智能终端的信号接收装置，通过处理模块进行故障判断，将故障信息通过以太网与配电网终端数据互通；
配电网终端将故障检测模型与配电网拓扑模型相互配合，根据定位结果筛选出与故障配电设备最近两组配电设备实时数据信息，将采集的实时数据输入故障检测模型中，输出故障判定结果，并与配电网拓扑模型相对应输出实时位置。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要负荷与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种输配电网故障定位方法，其特征在于，包括：
采集配电设备的历史故障数据，构建故障数据集，并将故障数据集耦合随机负荷获得加强故障数据集；
基于配电设备位置信息构建配电网拓扑模型；
构建故障检测模型，基于加强故障数据集进行故障检测模型训练；
将故障检测模型与配电网拓扑模型相互配合，当配电网发生故障后将采集的实时故障数据输入故障检测模型中，输出故障定位结果，与配电网拓扑模型结合输出实时位置。
2.根据权利要求1所述的一种输配电网故障定位方法，其特征在于，所述随机负荷参数为随机参数，构建数据集时通过随机参数产生随机负荷值，所述随机负荷值为通过筛选历史故障数据中异常负荷数据作为随机负荷取值区间。
3.根据权利要求1所述的一种输配电网故障定位方法，其特征在于，所述加强故障数据集按照1：1的比例划分成训练集和测试集，所述历史故障数据包括三相电压、三相电流、有功功率、无功功率、功率因数。
4.根据权利要求1所述的一种输配电网故障定位方法，其特征在于，所述配电设备设置在配电网支路上，所述配电设备带有定位装置、故障监测装置、信号发送装置，监测并发送实时故障数据。
5.根据权利要求4所述的一种输配电网故障定位方法，其特征在于，所述支路上对应设置智能终端，所述智能终端设置信号接收装置、处理模块，接收并处理支路上所有配电设备的故障信号，所述智能终端通过以太网与所述配电网数据互通。
6.根据权利要求4所述的一种输配电网故障定位方法，其特征在于，所述故障监测装置采集实时数据，当配电网发生故障后将采集的实时故障数据发送至智能终端，输入至处理模块中设置的故障检测模型中，输出故障定位结果。
7.根据权利要求4所述的一种输配电网故障定位方法，其特征在于，所述定位装置与所述配电设备一一对应，所述定位装置与所述配电网通过以太网数据互通，配电网终端接收位置信息，通过定位装置提供的位置信息辅助配电网线路拓扑模型构建。
8.根据权利要求1所述的一种输配电网故障定位方法，其特征在于，所述故障检测模型为深度卷积神经网络模型，基于梯度下降算法对多层神经网络模型进行训练，所述深度卷积神经网络模型包含输入层、卷积层、激活函数、池化层、全连接层和输出层。
9.根据权利要求8所述的一种输配电网故障定位方法，其特征在于，构建故障检测模型的具体步骤为：
加强故障数据集按照1：1的比例划分成训练集和测试集；
将训练集输入到故障检测模型进行数据归一化，特征提取，进行训练；
采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过迭代训练网络精度；
输出最优故障检测模型。
10.根据权利要求1所述的一种输配电网故障定位方法，其特征在于，与配电网拓扑模型相对应输出实时位置的具体步骤为：当配电网发生故障后将采集的实时故障数据输入故障检测模型中，输出故障定位结果，根据定位结果筛选出与故障配电设备最近两组配电设备实时数据信息，将采集的实时数据输入故障检测模型中，输出故障判定结果，并与配电网拓扑模型相对应输出实时位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211695304.5A CN115980512B (zh) | 2022-12-28 | 2022-12-28 | 一种输配电网故障定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211695304.5A CN115980512B (zh) | 2022-12-28 | 2022-12-28 | 一种输配电网故障定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115980512A true CN115980512A (zh) | 2023-04-18 |
| CN115980512B CN115980512B (zh) | 2023-08-15 |
Family
ID=85964417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211695304.5A Active CN115980512B (zh) | 2022-12-28 | 2022-12-28 | 一种输配电网故障定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115980512B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140355454A1 (en) * | 2011-09-02 | 2014-12-04 | Telcordia Technologies, Inc. | Communication Node Operable to Estimate Faults in an Ad Hoc Network and Method of Performing the Same |
| US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
| CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
| CN109085472A (zh) * | 2018-08-23 | 2018-12-25 | 四川多成电力工程安装有限责任公司 | 采用神经网络模型的变压器局部放电在线监测系统 |
| CN109782124A (zh) * | 2018-12-24 | 2019-05-21 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 |
| US20200012549A1 (en) * | 2017-02-24 | 2020-01-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and system for fault localization in a cloud environment |
| US20200249651A1 (en) * | 2019-02-05 | 2020-08-06 | Samsung Display Co., Ltd. | System and method for generating machine learning model with trace data |
| CN112285489A (zh) * | 2020-10-26 | 2021-01-29 | 青岛鼎信通讯股份有限公司 | 一种基于特征融合和模型融合的故障指示器故障定位方法 |
| CN114113887A (zh) * | 2021-11-22 | 2022-03-01 | 深圳供电局有限公司 | 一种配电网故障定位方法与系统 |
| CN114779015A (zh) * | 2022-04-28 | 2022-07-22 | 浙江大学 | 基于超分辨率和图神经网络的配电网故障诊断与定位方法 |
| US20220368590A1 (en) * | 2020-01-24 | 2022-11-17 | Huawei Technologies Co., Ltd. | Fault Detection Method, Apparatus, and System |
| CN115436750A (zh) * | 2022-08-30 | 2022-12-06 | 云南电网有限责任公司信息中心 | 一种电网故障点定位方法 |
| CN115469188A (zh) * | 2022-09-29 | 2022-12-13 | 国网北京市电力公司 | 一种配电网故障定位方法、装置、设备及介质 |
-
2022
- 2022-12-28 CN CN202211695304.5A patent/CN115980512B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140355454A1 (en) * | 2011-09-02 | 2014-12-04 | Telcordia Technologies, Inc. | Communication Node Operable to Estimate Faults in an Ad Hoc Network and Method of Performing the Same |
| US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
| US20200012549A1 (en) * | 2017-02-24 | 2020-01-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and system for fault localization in a cloud environment |
| CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
| CN109085472A (zh) * | 2018-08-23 | 2018-12-25 | 四川多成电力工程安装有限责任公司 | 采用神经网络模型的变压器局部放电在线监测系统 |
| CN109782124A (zh) * | 2018-12-24 | 2019-05-21 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 |
| US20200249651A1 (en) * | 2019-02-05 | 2020-08-06 | Samsung Display Co., Ltd. | System and method for generating machine learning model with trace data |
| US20220368590A1 (en) * | 2020-01-24 | 2022-11-17 | Huawei Technologies Co., Ltd. | Fault Detection Method, Apparatus, and System |
| CN112285489A (zh) * | 2020-10-26 | 2021-01-29 | 青岛鼎信通讯股份有限公司 | 一种基于特征融合和模型融合的故障指示器故障定位方法 |
| CN114113887A (zh) * | 2021-11-22 | 2022-03-01 | 深圳供电局有限公司 | 一种配电网故障定位方法与系统 |
| CN114779015A (zh) * | 2022-04-28 | 2022-07-22 | 浙江大学 | 基于超分辨率和图神经网络的配电网故障诊断与定位方法 |
| CN115436750A (zh) * | 2022-08-30 | 2022-12-06 | 云南电网有限责任公司信息中心 | 一种电网故障点定位方法 |
| CN115469188A (zh) * | 2022-09-29 | 2022-12-13 | 国网北京市电力公司 | 一种配电网故障定位方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 潘磊;赵忠盖;刘飞;: "基于重构贡献和互相关的故障识别方法", 化工自动化及仪表, no. 01 * |
| 王汝言;吴晴;熊余;谢雨;赵莹;: "压缩感知的多参数链路故障定位算法", 电子与信息学报, no. 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115980512B (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103679556B (zh) | 配变终端停电告警的智能诊断方法 | |
| CN106655522A (zh) | 一种适用于电网二次设备运维管理的主站系统 | |
| CN111443259A (zh) | 基于局部异常因子检测的有源配电网故障诊断方法及系统 | |
| CN108536945A (zh) | 一种用于大型调相机的故障诊断方法及系统 | |
| CN107453485A (zh) | 一种调度运行信息巡检方法及系统 | |
| CN103259333A (zh) | 智能告警及故障综合分析系统 | |
| CN107526044A (zh) | 一种通信蓄电池遥测数据采集监控方法及系统 | |
| CN103076478A (zh) | 一种通信基站防窃电方法、装置及其系统 | |
| CN206773058U (zh) | Opgw在线监测系统 | |
| CN115754751A (zh) | 一种基于远程监控平台的蓄电池组在线监控系统 | |
| CN111190072A (zh) | 集抄系统诊断模型建立方法、故障诊断方法及装置 | |
| CN212623717U (zh) | 一种基于树莓派的远程能耗监测系统 | |
| CN115980512A (zh) | 一种输配电网故障定位方法 | |
| CN205941032U (zh) | 一种空调分体内机商检系统 | |
| CN109557500B (zh) | 基于数据共享的电能计量装置在线远程校验智能检定系统 | |
| CN110703032A (zh) | 一种电网故障定位方法 | |
| CN204789872U (zh) | 配电系统故障在线监测系统 | |
| CN114720819A (zh) | 一种基于自校验学习的故障区段二分定位方法 | |
| CN107819613A (zh) | 一种绿色建筑的能耗监测系统 | |
| CN201548663U (zh) | 基于统计模型的交流电机在线监测和诊断装置 | |
| CN107342627A (zh) | 配电站在线设备监控装置及使用方法 | |
| CN113625082A (zh) | 一种基于机器学习算法模型的配电网设备故障研判方法 | |
| CN106383323A (zh) | 一种蓄电池智能监测装置及网络 | |
| CN113761786A (zh) | 一种基于神经网络模型的马达故障诊断装置及其方法 | |
| CN207352111U (zh) | 一种基于can通信电缆型故障定位装置 |
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 |