CN116205544B - 基于深度神经网络和迁移学习的非侵入式负荷识别系统 - Google Patents
基于深度神经网络和迁移学习的非侵入式负荷识别系统 Download PDFInfo
- Publication number
- CN116205544B CN116205544B CN202310498720.4A CN202310498720A CN116205544B CN 116205544 B CN116205544 B CN 116205544B CN 202310498720 A CN202310498720 A CN 202310498720A CN 116205544 B CN116205544 B CN 116205544B
- Authority
- CN
- China
- Prior art keywords
- value
- electricity consumption
- data
- module
- electric equipment
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 238000013526 transfer learning Methods 0.000 title claims abstract description 18
- 230000005611 electricity Effects 0.000 claims abstract description 119
- 238000013136 deep learning model Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 35
- 238000007726 management method Methods 0.000 claims description 26
- 238000012423 maintenance Methods 0.000 claims description 20
- 238000005265 energy consumption Methods 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 16
- 230000032683 aging Effects 0.000 claims description 14
- 230000000630 rising effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- 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
- G06Q10/06—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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了基于深度神经网络和迁移学习的非侵入式负荷识别系统，涉及计算机与设备管控技术领域，数据处理模块通过公式建立用电系数，在用电系数大于风险阈值时对比评估模块发出预警信号，负荷识别模块接收预警信号后，利用训练好的深度学习模型，对实时采集到的电能使用数据进行负荷识别和监控，双重检测有效提高系统的检测精度，并且，排序管理模块定期通过用电单位的用电系数生成赋值一，通过用电单位的用电量生成赋值二，并将赋值一与赋值二加权计算得到排序值，将各个用电单位通过排序值由大到小进行排序，生成排序表，管理人员依据排序表正序管理各个用电单位。本发明有效提高管理效率。
Description
技术领域
本发明涉及计算机与设备管控技术领域，具体涉及基于深度神经网络和迁移学习的非侵入式负荷识别系统。
背景技术
非侵入式负荷识别系统是一种能够通过监测整个建筑物或者家庭电力系统中总电能使用情况的系统，从而非侵入式地识别出不同电器或者设备的能耗使用情况的技术，NILM技术广泛应用于家庭能源管理、能源监测和电能消耗分析等领域，系统的原理是利用传感器、电表和人工智能算法等技术，将整个建筑物或者家庭电力系统中的总电能使用情况分解成不同电器或设备的能耗使用情况，由于NILM系统不需要对电器或设备进行任何修改或调整，因此它是一种非侵入式的能源监测和管理技术，能够有效地提高家庭和建筑物的能源利用效率，降低能源浪费。
现有技术存在以下不足：
现有非侵入式负荷识别系统对建筑用电单位的管理仅局限于采集单一的用电状况后选择管理方案，然而，建筑实际用电过程中，还存在其它影响用电的因素，仅通过单一用电量来选择建筑中各个用电单位的管理顺序及方案时，容易导致检测存在误差，并且降低对用电单位的管理效率。
发明内容
本发明的目的是提供基于深度神经网络和迁移学习的非侵入式负荷识别系统，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：基于深度神经网络和迁移学习的非侵入式负荷识别系统，包括数据采集模块、数据处理模块、模型训练模块、对比评估模块、负荷识别模块、排序管理模块；
数据采集模块：采集建筑物中各个用电单位的多源数据并发送至数据处理模块；
数据处理模块：将多源数据进行处理后，通过公式建立用电系数；
模型训练模块：通过深度神经网络和迁移学习技术，对处理后多源数据中的用电数据进行训练，得到深度学习模型，并对训练得到的深度学习模型进行评估和调优；
对比评估模块：将用电系数与风险阈值进行对比，在用电系数大于风险阈值时发出预警信号；
负荷识别模块：接收预警信号后，利用训练好的深度学习模型，对实时采集到的电能使用数据进行负荷识别和监控；
排序管理模块：定期通过用电单位的用电系数生成赋值一，通过用电单位的用电量生成赋值二，并将赋值一与赋值二加权计算得到排序值，将各个用电单位通过排序值由大到小进行排序，生成排序表。
在一个优选的实施方式中，所述数据采集模块采集用电单位的电压波动偏差值、环境湿度上升率、用电设备老化率、用电设备维护率，将电压波动偏差值、环境湿度上升率、用电设备老化率以及用电设备维护率通过公式建立用电系数，表达式为：式中，/>为用电系数，/>为电压波动偏差值，/>为用电设备维护率，/>为用电设备老化率，/>为环境湿度上升率，/>分别为电压波动偏差值、用电设备维护率、用电设备老化率、环境湿度上升率的比例系数，且/>。
在一个优选的实施方式中，获取得到所述用电系数后，所述对比评估模块将用电系数/>与风险阈值/>进行对比；
若用电单位的用电系数＞风险阈值/>，对比评估模块发出预警信号；
若用电单位的用电系数≤风险阈值/>，对比评估模块不发出预警信号。
在一个优选的实施方式中，所述电压波动偏差值的获取逻辑为：将用电设备最大电压标记为
，用电设备最小电压标记为 />，将用电设备检测的电压标记为 ，若/>＞/>，则通过表达式：/> ；获取得到电压波动偏差值，若/>＜/>，则通过表达式：/>；获取得到电压波动偏差值。在一个优选的实施方式中，所述用电设备维护率=用电设备维护次数/用电设备投入使用时长；所述环境湿度上升率是指单位时间内环境湿度的增长量，公式计算：环境湿度上升率=(当前湿度值-上一次湿度值)/(当前时间-上一次时间)。
在一个优选的实施方式中，所述排序管理模块通过用电单位的用电系数生成赋值一，通过用电单位的用电量生成赋值二/>；
将赋值一与赋值二/>加权计算得到排序值，表达式为：，式中，/>为排序值，0.7、0.3分别为赋值一/>与赋值二的权重系数；
获取排序值后，排序管理模块将各个用电单位通过排序/>由大到小进行排序，生成排序表。
在一个优选的实施方式中，所述模型训练模块对数据进行整理和格式化，根据实际需求和数据特点，设计深度神经网络结构，利用训练数据对神经网络结构进行训练，通过反向传播算法更新网络的参数，最后通过迁移学习的技术，将深度学习模型的参数迁移到负荷识别模型中。
在一个优选的实施方式中，所述负荷识别模块利用训练好的深度学习模型，对预处理后的数据进行负荷识别，根据负荷识别的结果，实时监控不同电器或设备的能耗使用情况，最后将实时监控得到的数据进行可视化展示。
在上述技术方案中，本发明提供的技术效果和优点：
1、本发明通过数据采集模块采集建筑物中各个用电单位的多源数据，数据处理模块将采集到的多源数据进行处理后，通过公式建立用电系数，在用电系数大于风险阈值时对比评估模块发出预警信号，负荷识别模块接收预警信号后，利用训练好的深度学习模型，对实时采集到的电能使用数据进行负荷识别和监控，双重检测有效提高系统的检测精度，并且，排序管理模块定期通过用电单位的用电系数生成赋值一，通过用电单位的用电量生成赋值二，并将赋值一与赋值二加权计算得到排序值，将各个用电单位通过排序值由大到小进行排序，生成排序表，管理人员依据排序表正序管理各个用电单位，有效提高管理效率；
2、本发明通过深度神经网络和迁移学习技术，对处理后多源数据中的用电数据进行训练，得到能够识别不同电器或设备能耗使用情况的深度学习模型，并基于深度学习模型监测用电单位电器的能耗使用情况，从而便于对用电单位的管理和分析；
3、本发明通过采集用电单位的电压波动偏差值、环境湿度上升率、用电设备老化率、用电设备维护率，将电压波动偏差值、环境湿度上升率、用电设备老化率以及用电设备维护率通过公式建立用电系数，将多源数据综合分析，提高数据处理效率，并提高系统的检测精度，当用电单位的用电系数＞风险阈值/>，对比评估模块发出预警信号，从而保障用电设备的安全使用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的系统模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
实施例1：请参阅图1所示，本实施例所述基于深度神经网络和迁移学习的非侵入式负荷识别系统，包括数据采集模块、数据处理模块、模型训练模块、对比评估模块、负荷识别模块、排序管理模块；
其中：数据采集模块通过电表、传感设备采集建筑物中各个用电单位的多源数据，数据处理模块将采集到的多源数据进行处理后，通过公式建立用电系数，将采集到的多源数据进行处理包括数据清洗、归一化、特征提取等，以便于后续的深度学习模型使用，模型训练模块通过深度神经网络和迁移学习技术，对处理后多源数据中的用电数据进行训练，得到能够识别不同电器或设备能耗使用情况的深度学习模型，并对训练得到的深度学习模型进行评估和调优，以提高模型的精度和稳定性，对比评估模块将用电系数与风险阈值进行对比，在用电系数大于风险阈值时发出预警信号，负荷识别模块接收预警信号后，利用训练好的深度学习模型，对实时采集到的电能使用数据进行负荷识别和监控，从而实现对电器或设备的能耗使用情况的实时分析，排序管理模块定期通过用电单位的用电系数生成赋值一，通过用电单位的用电量生成赋值二，并将赋值一与赋值二加权计算得到排序值，将各个用电单位通过排序值由大到小进行排序，生成排序表。
本申请通过数据采集模块采集建筑物中各个用电单位的多源数据，数据处理模块将采集到的多源数据进行处理后，通过公式建立用电系数，在用电系数大于风险阈值时对比评估模块发出预警信号，负荷识别模块接收预警信号后，利用训练好的深度学习模型，对实时采集到的电能使用数据进行负荷识别和监控，双重检测有效提高系统的检测精度，并且，排序管理模块定期通过用电单位的用电系数生成赋值一，通过用电单位的用电量生成赋值二，并将赋值一与赋值二加权计算得到排序值，将各个用电单位通过排序值由大到小进行排序，生成排序表，管理人员依据排序表正序管理各个用电单位，有效提高管理效率。
本实施例中，将采集到的多源数据进行处理包括数据清洗、归一化、特征提取等，以便于后续的深度学习模型使用包括以下步骤：
对采集到的数据进行清洗处理，包括去除缺失值、异常值、重复值等，确保数据的质量和可用性；
数据预处理：将清洗后的数据进行预处理，包括归一化、降噪等，以消除不同数据源之间的差异和噪声干扰；
特征提取：从预处理后的数据中提取有用的特征，以便于后续的深度学习模型使用，包括时间序列特征、频域特征、时频域特征等；
数据分割：将处理后的数据按照一定的时间窗口进行分割，以便于后续的深度学习模型对长序列数据进行处理。
其中，对采集到的数据进行清洗处理包括以下步骤：
去除缺失值：检测数据中的缺失值，并选择适当的方法进行填充或删除，常见的填充方法包括使用均值、中位数、众数等；
去除异常值：检测数据中的异常值，例如超出一定范围、偏差较大等，然后选择适当的方法进行修正或删除，常见的修正方法包括截断、标准化、插值等；
去除重复值：检测数据中的重复值，选择适当的方法进行删除，常见的方法包括基于特定列的去重、基于整行数据的去重等。
实施例2：上述实施例1中，模型训练模块通过深度神经网络和迁移学习技术，对处理后多源数据中的用电数据进行训练，得到能够识别不同电器或设备能耗使用情况的深度学习模型，并对训练得到的深度学习模型进行评估和调优，以提高模型的精度和稳定性。
其中，模型训练模块通过深度神经网络和迁移学习技术，对处理后多源数据中的用电数据进行训练，得到能够识别不同电器或设备能耗使用情况的深度学习模型包括以下步骤：
（1）数据准备：对数据进行整理和格式化，以满足深度学习模型的输入要求；
（2）网络结构设计：根据实际需求和数据特点，设计合适的深度神经网络结构，包括输入层、隐藏层、输出层等，以及各层之间的连接方式、激活函数等；
（3）模型训练：利用训练数据对设计好的神经网络进行训练，通过反向传播算法和优化器等技术，不断更新网络的参数，以最小化损失函数，提高模型的准确性；
（4）迁移学习：通过迁移学习的技术，将深度学习模型的参数迁移到负荷识别模型中，以提高模型的学习能力和效果。
根据实际需求和数据特点，设计合适的深度神经网络结构包括以下步骤：
输入层：将数据输入到网络中，对于用电数据来说，一般是将电流电压数据转化为矩阵形式，作为网络的输入；
卷积层：在卷积层中，可以使用多个卷积核对输入数据进行卷积操作，从而提取数据的特征，卷积层的输出数据可以再次作为下一层的输入数据；
池化层：池化层可以对卷积层的输出进行下采样操作，从而减少数据的维度，通常采用的是最大池化或平均池化；
批量归一化层：对于深度神经网络来说，批量归一化层可以有效地解决梯度消失和梯度爆炸问题，提高网络的训练速度和准确性；
激活函数层：激活函数层可以为网络引入非线性因素，从而提高网络的表达能力，常用的激活函数包括ReLU、Sigmoid、Tanh等；
全连接层：全连接层可以将前面的卷积层、池化层、批量归一化层、激活函数层的输出连接在一起，并输出到输出层；
输出层：输出层的节点数通常等于要分类的电器或设备的数量，对于分类问题，可以使用softmax函数将输出转化为概率值；
损失函数：损失函数用于衡量模型预测结果和真实标签之间的差异，对于分类问题，可以使用交叉熵损失函数；
优化器：优化器用于更新模型的参数，以最小化损失函数，常用的优化器包括SGD、Adam等。
利用训练数据对设计好的神经网络进行训练，通过反向传播算法等技术，不断更新网络的参数包括以下步骤：
定义损失函数：选择适当的损失函数，根据训练数据的实际情况进行选择，例如交叉熵损失函数；
随机初始化网络参数：为网络参数赋初值；
前向传播计算损失函数：使用当前网络参数，对一个batch的数据进行前向传播计算损失函数；
反向传播计算梯度：通过反向传播算法，计算网络参数对损失函数的梯度；
使用优化器更新参数：使用优化器根据梯度更新网络参数，例如使用SGD优化器；
重复以上步骤：重复以上步骤，直到达到预设的训练次数或损失函数收敛；
验证模型：使用验证集对训练好的模型进行验证，评估模型的性能；
调整模型参数：根据模型在验证集上的表现，调整模型的参数，例如调整学习率等。
通过迁移学习的技术，将深度学习模型的参数迁移到负荷识别模型中包括以下步骤：
选择一个在相似数据集上训练过的、表现良好的深度学习模型，例如在大规模用电数据集上训练过的CNN模型；
去掉预训练模型的输出层，保留输入层和隐藏层，以便与负荷识别模型进行连接；
根据实际需求，在预训练模型的隐藏层之上增加适合负荷识别的输出层，例如全连接层或softmax层；
将预训练模型的参数设置为不可训练，即冻结这些参数，只训练负荷识别模型的输出层；
使用负荷识别数据集，对负荷识别模型的输出层进行训练，保持预训练模型的参数不变；
如果训练数据不足或需要更好的性能，可以解冻预训练模型的参数，同时训练输出层和部分预训练模型的参数；
使用验证集对训练好的模型进行验证，评估模型的性能。
负荷识别模块通过深度学习模型，对实时采集到的电能使用数据进行负荷识别和监控具体包括以下步骤：
负荷识别：利用训练好的深度学习模型，对预处理后的数据进行负荷识别，即对数据进行分类，判断当前的电器或设备的能耗使用情况；
能耗监控：根据负荷识别的结果，实时监控不同电器或设备的能耗使用情况，包括实时能耗值、功率、功率因数等；
数据可视化：将实时监控得到的数据进行可视化展示，方便用户直观了解不同电器或设备的能耗使用情况，并进行进一步分析和决策。
本申请通过深度神经网络和迁移学习技术，对处理后多源数据中的用电数据进行训练，得到能够识别不同电器或设备能耗使用情况的深度学习模型，并基于深度学习模型监测用电单位电器的能耗使用情况，从而便于对用电单位的管理和分析。
实施例3：所述数据采集模块通过电表、传感设备采集建筑物中各个用电单位的多源数据，数据处理模块将采集到的多源数据进行处理后，通过公式建立用电系数，对比评估模块将用电系数与风险阈值进行对比，在用电系数大于风险阈值时发出预警信号。
其中，采集建筑物中各个用电单位的多源数据，数据处理模块将采集到的多源数据进行处理后，通过公式建立用电系数包括以下步骤：
采集用电单位的电压波动偏差值、环境湿度上升率、用电设备老化率、用电设备维护率，将电压波动偏差值、环境湿度上升率、用电设备老化率以及用电设备维护率通过公式建立用电系数，表达式为：式中，/>为用电系数，/>为电压波动偏差值，/>为用电设备维护率，/>为用电设备老化率，/>为环境湿度上升率，/>分别为电压波动偏差值、用电设备维护率、用电设备老化率、环境湿度上升率的比例系数，且/>。
获取得到用电系数后，将用电系数/>与风险阈值/>进行对比；
若用电单位的用电系数＞风险阈值/>，对比评估模块发出预警信号，预警信号分别发送至负荷识别模块和管理人员，负荷识别模块接收预警信号后被唤醒，管理人员接收预警信号后，需要对该用电单位进行检查；
若用电单位的用电系数≤风险阈值/>，对比评估模块不发出预警信号。
本实施例中，由于用电设备的电压过大或过小均会导致用电设备异常或故障，通常用电设备在一个电压范围内稳定运行，因此电压波动偏差值的获取逻辑为：将用电设备最大电压标记为，用电设备最小电压标记为/>，将用电设备检测的电压标记为/>，若/>＞/>，则通过表达式：/> ；获取得到电压波动偏差值，若/>＜/>，则通过表达式：/>；获取得到电压波动偏差值。
用电设备维护率=用电设备维护次数/用电设备投入使用时长，环境湿度上升率是指单位时间内环境湿度的增长量，公式计算：环境湿度上升率=(当前湿度值-上一次湿度值)/(当前时间-上一次时间)；
其中，当前湿度值和上一次湿度值的单位为相同的湿度单位（如相对湿度），当前时间和上一次时间的单位为相同的时间单位（如秒）。
本申请通过采集用电单位的电压波动偏差值、环境湿度上升率、用电设备老化率、用电设备维护率，将电压波动偏差值、环境湿度上升率、用电设备老化率以及用电设备维护率通过公式建立用电系数，将多源数据综合分析，提高数据处理效率，并提高系统的检测精度，当用电单位的用电系数＞风险阈值/>，对比评估模块发出预警信号，从而保障用电设备的安全使用。
排序管理模块定期通过用电单位的用电系数生成赋值一，通过用电单位的用电量生成赋值二，并将赋值一与赋值二加权计算得到排序值，将各个用电单位通过排序值由大到小进行排序，生成排序表包括以下步骤：通过用电单位的用电系数生成赋值一，通过用电单位的用电量生成赋值二/>，用电系数越大，赋值一/>越大，用电量越大，赋值二越大；
将赋值一与赋值二/>加权计算得到排序值，表达式为：，式中，/>为排序值，0.7、0.3分别为赋值一/>与赋值二的权重系数；
获取排序值后，排序管理模块将各个用电单位通过排序值/>由大到小进行排序，生成排序表，从而便于管理人员对建筑中各个用电单位的管理，提高管理效率。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-onlymemory，ROM)、随机存取存储器(randomaccessmemory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.基于深度神经网络和迁移学习的非侵入式负荷识别系统，其特征在于：包括数据采集模块、数据处理模块、模型训练模块、对比评估模块、负荷识别模块、排序管理模块；
数据采集模块：采集建筑物中各个用电单位的多源数据并发送至数据处理模块；
数据处理模块：将多源数据进行处理后，通过公式建立用电系数；
模型训练模块：通过深度神经网络和迁移学习技术，对处理后多源数据中的用电数据进行训练，得到深度学习模型，并对训练得到的深度学习模型进行评估和调优；
对比评估模块：将用电系数与风险阈值进行对比，在用电系数大于风险阈值时发出预警信号；
负荷识别模块：接收预警信号后，利用训练好的深度学习模型，对实时采集到的电能使用数据进行负荷识别和监控；
排序管理模块：定期通过用电单位的用电系数生成赋值一，通过用电单位的用电量生成赋值二，并将赋值一与赋值二加权计算得到排序值，将各个用电单位通过排序值由大到小进行排序，生成排序表；
所述数据采集模块采集用电单位的电压波动偏差值、环境湿度上升率、用电设备老化率、用电设备维护率，将电压波动偏差值、环境湿度上升率、用电设备老化率以及用电设备维护率通过公式建立用电系数，表达式为：
式中，yds为用电系数，pcz为电压波动偏差值，ydw为用电设备维护率，ydh为用电设备老化率，hjs为环境湿度上升率，a1、a2、a3、a4分别为电压波动偏差值、用电设备维护率、用电设备老化率、环境湿度上升率的比例系数，且a1>a4>a2>a3；
获取得到所述用电系数yds后，所述对比评估模块将用电系数yds与风险阈值ydfx进行对比；
若用电单位的用电系数yds>风险阈值ydfx，对比评估模块发出预警信号；
若用电单位的用电系数yds≤风险阈值ydfx，对比评估模块不发出预警信号；
所述电压波动偏差值的获取逻辑为：将用电设备最大电压标记为dymax，用电设备最小电压标记为dymin，将用电设备检测的电压标记为dyds，若dyds>dymax，则通过表达式：pcz＝dyds-dymax；获取得到电压波动偏差值，若dyds<dymin，则通过表达式：pcz＝dyds-dymin；获取得到电压波动偏差值；
所述用电设备维护率＝用电设备维护次数/用电设备投入使用时长；所述环境湿度上升率是指单位时间内环境湿度的增长量，公式计算：环境湿度上升率＝(当前湿度值-上一次湿度值)/(当前时间-上一次时间)。
2.根据权利要求1所述的基于深度神经网络和迁移学习的非侵入式负荷识别系统，其特征在于：所述排序管理模块通过用电单位的用电系数生成赋值一fzi，通过用电单位的用电量生成赋值二fzj；
将赋值一fzi与赋值二fzj加权计算得到排序值，表达式为：pxz＝0.7fzi+0.3fzj，式中，pxz为排序值，0.7、0.3分别为赋值一fzi与赋值二fzj的权重系数；
获取排序值pxz后，排序管理模块将各个用电单位通过排序值pxz由大到小进行排序，生成排序表。
3.根据权利要求1或2所述的基于深度神经网络和迁移学习的非侵入式负荷识别系统，其特征在于：所述模型训练模块对数据进行整理和格式化，根据实际需求和数据特点，设计深度神经网络结构，利用训练数据对神经网络结构进行训练，通过反向传播算法更新网络的参数，最后通过迁移学习的技术，将深度学习模型的参数迁移到负荷识别模型中。
4.根据权利要求3所述的基于深度神经网络和迁移学习的非侵入式负荷识别系统，其特征在于：所述负荷识别模块利用训练好的深度学习模型，对预处理后的数据进行负荷识别，根据负荷识别的结果，实时监控不同电器或设备的能耗使用情况，最后将实时监控得到的数据进行可视化展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310498720.4A CN116205544B (zh) | 2023-05-06 | 2023-05-06 | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310498720.4A CN116205544B (zh) | 2023-05-06 | 2023-05-06 | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116205544A CN116205544A (zh) | 2023-06-02 |
| CN116205544B true CN116205544B (zh) | 2023-10-20 |
Family
ID=86511564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310498720.4A Active CN116205544B (zh) | 2023-05-06 | 2023-05-06 | 基于深度神经网络和迁移学习的非侵入式负荷识别系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116205544B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116682204B (zh) * | 2023-06-05 | 2024-07-09 | 浙江欣融电子有限公司 | 基于多源数据分析的门禁管理方法及系统 |
| CN116781769B (zh) * | 2023-08-17 | 2023-11-17 | 深圳倍易通科技有限公司 | 一种基于点对点网络的通讯方法 |
| CN117201533A (zh) * | 2023-09-06 | 2023-12-08 | 北京星越科技有限公司 | 一种具有量测功能的低压物联开关 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001344590A (ja) * | 2000-05-31 | 2001-12-14 | Fuji Electric Co Ltd | ニューラルネットワーク及びその学習方法、解析方法並びに異常判定方法 |
| WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
| JP2015135625A (ja) * | 2014-01-17 | 2015-07-27 | 中国電力株式会社 | 負荷制御装置、負荷制御システム、負荷制御方法およびプログラム |
| JP2016001950A (ja) * | 2014-06-11 | 2016-01-07 | 富士電機株式会社 | 電力需要予測装置、プログラム |
| KR102187327B1 (ko) * | 2020-05-21 | 2020-12-04 | 에스텍아이앤씨(주) | 자동기계학습 기반의 건물 부하 최적 관리 및 제어 시스템 |
| KR20210106180A (ko) * | 2020-02-20 | 2021-08-30 | 세종대학교산학협력단 | 다중상태 에너지 분류에 따른 비침입부하모니터링 성능 평가 시스템 및 방법 |
| WO2021176459A1 (en) * | 2020-03-05 | 2021-09-10 | Peethambaran Sajil | A system and method of energy disaggregation using nonintrusive load monitoring |
| CN113988273A (zh) * | 2021-11-11 | 2022-01-28 | 国网吉林省电力有限公司电力科学研究院 | 基于深度学习的冰灾环境主动配电网态势预警及评估方法 |
| CN114119273A (zh) * | 2021-11-10 | 2022-03-01 | 山东大学 | 一种园区综合能源系统非侵入式负荷分解方法及系统 |
| CN115149528A (zh) * | 2022-08-09 | 2022-10-04 | 安徽南瑞中天电力电子有限公司 | 一种基于大数据非侵入技术的智能电能表分布式预测方法 |
| CN115759458A (zh) * | 2022-12-01 | 2023-03-07 | 国网天津市电力公司 | 基于综合能源数据处理和多任务深度学习的负荷预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220344934A1 (en) * | 2021-04-27 | 2022-10-27 | Accenture Global Solutions Limited | Energy demand forecasting and sustainable energy management using machine learning |
-
2023
- 2023-05-06 CN CN202310498720.4A patent/CN116205544B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001344590A (ja) * | 2000-05-31 | 2001-12-14 | Fuji Electric Co Ltd | ニューラルネットワーク及びその学習方法、解析方法並びに異常判定方法 |
| WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
| JP2015135625A (ja) * | 2014-01-17 | 2015-07-27 | 中国電力株式会社 | 負荷制御装置、負荷制御システム、負荷制御方法およびプログラム |
| JP2016001950A (ja) * | 2014-06-11 | 2016-01-07 | 富士電機株式会社 | 電力需要予測装置、プログラム |
| KR20210106180A (ko) * | 2020-02-20 | 2021-08-30 | 세종대학교산학협력단 | 다중상태 에너지 분류에 따른 비침입부하모니터링 성능 평가 시스템 및 방법 |
| WO2021176459A1 (en) * | 2020-03-05 | 2021-09-10 | Peethambaran Sajil | A system and method of energy disaggregation using nonintrusive load monitoring |
| KR102187327B1 (ko) * | 2020-05-21 | 2020-12-04 | 에스텍아이앤씨(주) | 자동기계학습 기반의 건물 부하 최적 관리 및 제어 시스템 |
| CN114119273A (zh) * | 2021-11-10 | 2022-03-01 | 山东大学 | 一种园区综合能源系统非侵入式负荷分解方法及系统 |
| CN113988273A (zh) * | 2021-11-11 | 2022-01-28 | 国网吉林省电力有限公司电力科学研究院 | 基于深度学习的冰灾环境主动配电网态势预警及评估方法 |
| CN115149528A (zh) * | 2022-08-09 | 2022-10-04 | 安徽南瑞中天电力电子有限公司 | 一种基于大数据非侵入技术的智能电能表分布式预测方法 |
| CN115759458A (zh) * | 2022-12-01 | 2023-03-07 | 国网天津市电力公司 | 基于综合能源数据处理和多任务深度学习的负荷预测方法 |
Non-Patent Citations (7)
| Title |
|---|
| "Development of distinct load signatures for higher efficiency of NILM algorithms";A. S. Bouhouras et al.;《Electric Power Systems Research》;第117卷;第163-171页 * |
| "An Adaptive Two-Stage Load Event Detection Method for Nonintrusive Load Monitoring";W Luan et al.;《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT,》;第71卷(第2022期);第2504014-1至2504014-14页 * |
| "Identifying ZIP Coefficients of Aggregated Residential Load Model Using AMI Data";H. Fan et al.;《2019 IEEE 3rd International Electrical and Energy Conference (CIEEC)》;第1660-1663页 * |
| "基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究";杨秀 等;《电力系统保护与控制》;第50卷(第14期);第65-75页 * |
| "基于监督学习的非侵入式负荷监测算法比较";涂京;周明;宋旭帆;周光东;李庚银;;《电力自动化设备》(第12期);第134-140页 * |
| "面向深度学习的非侵入式负荷监测研究进展";张石清 等;《计算机系统应用》;第32卷(第2023年3期);第25-47页 * |
| 基于卷积神经网络的非侵入式负荷识别方法;唐璐;颜钟宗;温和;唐立军;;云南电力技术(第02期);第6-8、14页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116205544A (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116205544B (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 | |
| CN108584592B (zh) | 一种基于时间序列预测模型的电梯轿厢振动异常预警方法 | |
| CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
| CN110766192B (zh) | 基于深度学习的钻井井漏预测系统及方法 | |
| CN111612650B (zh) | 一种基于dtw距离的电力用户分群方法及系统 | |
| CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
| CN110595765A (zh) | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 | |
| CN108022014B (zh) | 一种电力系统负荷预测方法及系统 | |
| KR101964412B1 (ko) | 이동통신데이터 처리시스템의 이상로그 발생을 진단하는 방법 및 그 시스템 | |
| CN110119787B (zh) | 一种旋转型机械设备工况检测方法及设备 | |
| CN111967378A (zh) | 拉剪倾倒式岩溶危岩失稳预警的声发射多前兆方法及装置 | |
| CN112070322B (zh) | 基于长短期记忆网络的高压电缆线路运行状态预测方法 | |
| CN106845447A (zh) | 一种工作面瓦斯浓度预测预警方法 | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| CN113570138A (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
| CN111126820A (zh) | 反窃电方法及系统 | |
| CN113705688A (zh) | 一种电力用户异常用电行为检测方法和系统 | |
| 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 | |
| CN105630648A (zh) | 基于多维数据深度学习的数据中心智能控制方法及系统 | |
| Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
| CN117131110A (zh) | 一种基于关联分析的容性设备介质损耗监测方法及系统 | |
| CN115856204A (zh) | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 | |
| CN110837934B (zh) | 一种基于深度学习的智能电网短期住宅负荷预测方法 | |
| CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
| CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 |
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 |