CN116629686A - 一种评估企业能耗数据的方法及装置 - Google Patents
一种评估企业能耗数据的方法及装置 Download PDFInfo
- Publication number
- CN116629686A CN116629686A CN202310610186.1A CN202310610186A CN116629686A CN 116629686 A CN116629686 A CN 116629686A CN 202310610186 A CN202310610186 A CN 202310610186A CN 116629686 A CN116629686 A CN 116629686A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- enterprise
- consumption data
- evaluation
- value
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 54
- 230000005856 abnormality Effects 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims description 37
- 238000013210 evaluation model Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000011157 data evaluation Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 11
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种评估企业能耗数据的方法及装置，涉及能耗评估技术领域，本发明能够获取企业能耗数据，并提取低能耗时间比特征、高能耗时间量特征、DTW距离特征、差值平均量特征等能耗特征，并将提取的能耗特征输入考虑企业属性信息的能耗评估模型，以实现企业能耗评估。本发明提取的能耗特征少而精，减少了计算量，并且构建了包含企业属性信息的能耗评估模型，提高了对企业能耗异常评估的准确性。
Description
技术领域
本发明涉及能耗评估技术领域，特别是涉及一种评估企业能耗数据的方法及装置。
背景技术
伴随能源对当今社会经济发展重要性的提升，能源缺乏问题也逐渐成为大家关注的焦点。而企业能耗问题是影响综合能耗的关键，因此企业能耗异常评估将成为节能减排的重中之重。
现有的企业能耗动态标准区间，对处理运用综合能源的企业存在一定的缺陷。一是提取的能耗特征太多，计算量大，二是没有考虑企业发展阶段、经济产出等企业属性信息，降低了企业能耗评估的准确性。
发明内容
针对现有技术中的上述问题，本发明提供了一种评估企业能耗数据的方法及装置。
一方面，一种评估企业能耗数据的方法，包括：
获取待评估的企业能耗数据；
对所述企业能耗数据进行预处理，提取异常能耗特征；
将所述异常能耗特征输入考虑企业属性信息的能耗异常评估模型，得到评估值；
根据所述评估值确定企业能耗异常等级并进行异常报警。
作为优选的，对所述预处理包括数据增强、数据归一化及标准化。
作为优选的，所述能耗特征包括低能耗时间比特征、高能耗时间量特征、DTW距离特征、差值平均量特征。
作为优选的，提取能耗特征包括：
将预处理后的企业能耗数据划分为多个企业能耗数据序列；
判断各个所述企业能耗数据序列中的能耗数据值是否低于第一预设阈值时，根据判断结果确定多个低能耗时间比，求均值得到能耗时间量特征；
判断各个所述企业能耗数据序列中的能耗数据值是否高于第二预设阈值时，根据判断结果确定多个高能耗时间量，求均值得到能耗时间量特征；
按照预设时间序列相似度算法计算各个企业能耗数据序列与历史企业能耗数据序列之间的相似度，根据所述相似度获取DTW距离，求取均值得到DTW距离特征；
计算各个企业能耗数据序列与历史企业能耗数据序列之间的差平均值，求取均值得到差平均量特征。
作为优选的，将所述能耗特征输入考虑企业属性信息的能耗数据评估模型，得到评估值之前包括：
考虑能耗特征以及企业属性信息，构建初始能耗数据评估模型，设置损失函数；
获取历史企业能耗数据以及对应的实际评估值构建训练集；
通过所述训练集训练所述初始能耗评估模型，得到能耗评估模型。
作为优选的，所述企业属性信息包括企业发展阶段、企业目标经济产值。
作为优选的，所述能耗评估模型为：
式中，h1、h2、h3、h4分别为各个能耗特征的权重系数，x1为低能耗时间比特征，x2为高能耗时间量特征，x3为DTW距离特征，x4为差值平均量特征，k为偏移量系数，c为企业发展阶段，m1为企业目标经济产值，m0为企业实际经济产值。
作为优选的，所述损失函数为：
式中，n为训练样本数量，第i个样本数据，y为实际评估值。
作为优选的，根据所述评估值确定企业能耗异常等级包括：
考虑企业静态属性信息确定评估阈值，其中，所述企业静态属性信息包括企业类型；
根据所述评估阈值以及所述评估值确定企业能耗异常等级；
根据所述异常等级进行多级异常报警。
另一方面，一种评估企业能耗数据的装置，包括：
获取模块，获取待评估的企业能耗数据；
处理模块，对所述企业能耗数据进行预处理，提取异常能耗特征；
评估模块，将所述异常能耗特征输入考虑企业属性信息的能耗异常评估模型，得到评估值；
报警模块，根据所述评估值确定企业能耗异常等级并进行异常报警。
本发明的有益效果为：本发明提供的一种评估企业能耗数据的方法及装置，能够获取企业能耗数据，并提取低能耗时间比特征、高能耗时间量特征、DTW距离特征、差值平均量特征等能耗特征，并将提取的能耗特征输入考虑企业属性信息的能耗评估模型，以实现企业能耗评估。本发明提取的能耗特征少而精，减少了计算量，并且构建了包含企业属性信息的能耗评估模型，提高了对企业能耗异常评估的准确性。
附图说明
图1为本发明实施例提供的一种评估企业能耗数据的方法的流程图；
图2为本发明实施例提供的一种评估企业能耗数据的装置的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本发明实施例提供的一种评估企业能耗数据的方法，包括：
步骤1，获取待评估的企业能耗数据；
具体的，通过传感器设备获取企业能耗数据，企业能耗数据可以包括煤炭消耗量、用电量等，在本实施例不做具体限制。
步骤2，对所述企业能耗数据进行预处理，提取异常能耗特征；
在本发明实施例中，对所述预处理包括数据增强、数据归一化及标准化。
由于传感器设备异常可以导致某些数据缺失，因此需要对数据进行增强处理，在本实施例中，采用插值法对数据进行增加处理，所述插值法可以时牛顿差值法、拉格朗日差值法等，在本实施例中不做限制。为了加强后续数据处理效率，需要对数据进行归一化和标准处理，在本发明实施例中，采用Z-Score进行归一化处理。
为了更好地实现企业异常等级评估，本发明实施例选取了如下能耗特征：低能耗时间比特征、高能耗时间量特征、DTW距离特征、差值平均量特征，具体的，提取能耗特征包括：将预处理后的企业能耗数据划分为多个企业能耗数据序列；判断各个所述企业能耗数据序列中的能耗数据值是否低于第一预设阈值时，根据判断结果确定多个低能耗时间比，求均值得到能耗时间量特征；判断各个所述企业能耗数据序列中的能耗数据值是否高于第二预设阈值时，根据判断结果确定多个高能耗时间量，求均值得到能耗时间量特征；按照预设时间序列相似度算法计算各个企业能耗数据序列与历史企业能耗数据序列之间的相似度，根据所述相似度获取DTW距离，求取均值得到DTW距离特征；计算各个企业能耗数据序列与历史企业能耗数据序列之间的差平均值，求取均值得到差平均量特征。
步骤3，将所述异常能耗特征输入考虑企业属性信息的能耗异常评估模型，得到评估值；
在本发明实施例中，将所述能耗特征输入考虑企业属性信息的能耗数据评估模型，得到评估值之前包括：考虑能耗特征以及企业属性信息，构建初始能耗数据评估模型，设置损失函数；获取历史企业能耗数据以及对应的实际评估值构建训练集；通过所述训练集训练所述初始能耗评估模型，得到能耗评估模型。
在本发明实施例中，所述企业属性信息包括企业发展阶段、企业目标经济产值。
通过对能耗特征进行分析测试，发现加权平均法对企业能耗异常评估可用且有效，因此，本发明实施例构建的初始能耗评估模型如下：
Fh(x)＝h1x1+h2x2+h3x3+h4x4+h0
式中，h1、h2、h3、h4分别为各个能耗特征的权重系数，x1为低能耗时间比特征，x2为高能耗时间量特征，x3为DTW距离特征，x4为差值平均量特征，h0为偏移量。
进一步研究发现，偏移量是随着企业动态属性进行动态变化的，企业发展阶段越高其对应的偏移量越低，企业目标经济产值越高其对应的偏移量越高，企业目标经济产值与实际经济产值的差值的绝对值越高其对应的偏移量越低。因此，本发明实施例构建的能耗评估模型如下：
式中，h1、h2、h3、h4分别为各个能耗特征的权重系数，x1为低能耗时间比特征，x2为高能耗时间量特征，x3为DTW距离特征，x4为差值平均量特征，k为偏移量系数，c为企业发展阶段，m1为企业目标经济产值，m0为企业实际经济产值。
在本发明实施例中，所述损失函数为：
式中，n为训练样本数量，第i个样本数据，y为实际评估值。
损失函数可以用来描述模型的各种梯度拟合和优化程度，通过对模型函数的渐进拟合优化，可以将模型的梯度拟合优化程度进一步提高。设置损失函数之后还需最小化损失函数，为了提升计算精度，在本发明实施例中，采用梯度下降法。
首先对h赋一个零向量，通过迭代改变θ的值，使损失函数按梯度的方向下降，当损失函数为最小值时，得到最优的h值；然后按照设置的学习率不断迭代更新，直到损失函数收敛，在损失值最小时，得到各个能耗特征的权重系数以及偏移量系数，并将这些系数代入能耗评估模型，得到最佳的能耗评估模型。
通过上述方法，实现了评估模型的构建与训练，通过训练完成的能耗评估模型可实现较高精度的企业异常评估。
步骤4，根据所述评估值确定企业能耗异常等级并进行异常报警。
在本发明实施例中，根据所述评估值确定企业能耗异常等级包括：考虑企业静态属性信息确定评估阈值；根据所述评估阈值以及所述评估值确定企业能耗异常等级；根据所述异常等级进行多级异常报警。
根据企业类型、生产工艺等静态数据可以从标准的评估阈值库中确定更加符合企业本身的评估阈值，根据这些评估阈值能够对企业能耗异常进行多级评估与预警，具体的，若评估值小于或者等于第一评估阈值，则确定企业能耗数据为一级异常，并生产一级报警信息进行一级报警；若评估值大于第一评估阈值且小于或者等于第二评估阈值，则确定企业能耗数据为二级异常，并生产二级报警信息进行二级报警；若评估值大于第二评估阈值且小于或者等于第一评估阈值，则确定企业能耗数据为三级异常，并生产三级报警信息进行三级报警。在本发明实施例中，所述多级异常报警可以是声光报警、短信报警等，具体的报警方法，在本实施例中不做限制。
综上，本发明实施例提供的一种评估企业能耗数据的方法及装置，能够获取企业能耗数据，并提取低能耗时间比特征、高能耗时间量特征、DTW距离特征、差值平均量特征等能耗特征，并将提取的能耗特征输入考虑企业属性信息的能耗评估模型，以实现企业能耗评估。本发明提取的能耗特征少而精，减少了计算量，并且构建了包含企业属性信息的能耗评估模型，提高了对企业能耗异常评估的准确性。
实施例2
如图2所示，本发明实施例提供的一种评估企业能耗数据的装置，包括：获取模块，获取待评估的企业能耗数据；处理模块，对所述企业能耗数据进行预处理，提取异常能耗特征；评估模块，将所述异常能耗特征输入考虑企业属性信息的能耗异常评估模型，得到评估值；报警模块，根据所述评估值确定企业能耗异常等级并进行异常报警。
应当理解地，本发明实施例提供的一种评估企业能耗数据的装置与上述实施例提供的一种评估企业能耗数据的方法出于相同的发明构思，关于本发明实施例中各个模块更加具体的工作原理可参考上述实施例，在本发明实施例中不做赘述。
本领域内的技术人员应明白，尽管已经描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性的概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围内的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求机器等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种评估企业能耗数据的方法，其特征在于，包括：
获取待评估的企业能耗数据；
对所述企业能耗数据进行预处理，提取异常能耗特征；
将所述异常能耗特征输入考虑企业属性信息的能耗异常评估模型，得到评估值；
根据所述评估值确定企业能耗异常等级并进行异常报警。
2.根据权利要求1所述的一种评估企业能耗数据的方法，其特征在于，对所述预处理包括数据增强、数据归一化及标准化。
3.根据权利要求1所述的一种评估企业能耗数据的方法，其特征在于，所述能耗特征包括低能耗时间比特征、高能耗时间量特征、DTW距离特征、差值平均量特征。
4.根据权利要求3所述的一种评估企业能耗数据的方法，其特征在于，提取能耗特征包括：
将预处理后的企业能耗数据划分为多个企业能耗数据序列；
判断各个所述企业能耗数据序列中的能耗数据值是否低于第一预设阈值时，根据判断结果确定多个低能耗时间比，求均值得到能耗时间量特征；
判断各个所述企业能耗数据序列中的能耗数据值是否高于第二预设阈值时，根据判断结果确定多个高能耗时间量，求均值得到能耗时间量特征；
按照预设时间序列相似度算法计算各个企业能耗数据序列与历史企业能耗数据序列之间的相似度，根据所述相似度获取DTW距离，求取均值得到DTW距离特征；
计算各个企业能耗数据序列与历史企业能耗数据序列之间的差平均值，求取均值得到差平均量特征。
5.根据权利要求4所述的一种评估企业能耗数据的方法，其特征在于，将所述能耗特征输入考虑企业属性信息的能耗数据评估模型，得到评估值之前包括：
考虑能耗特征以及企业属性信息，构建初始能耗数据评估模型，设置损失函数；
获取历史企业能耗数据以及对应的实际评估值构建训练集；
通过所述训练集训练所述初始能耗评估模型，得到能耗评估模型。
6.根据权利要求5所述的一种评估企业能耗数据的方法，其特征在于，所述企业属性信息包括企业发展阶段、企业目标经济产值。
7.根据权利要求5所述的一种评估企业能耗数据的方法，其特征在于，所述能耗评估模型为：
式中，h1、h2、h3、h4分别为各个能耗特征的权重系数，x1为低能耗时间比特征，x2为高能耗时间量特征，x3为DTW距离特征，x4为差值平均量特征，k为偏移量系数，c为企业发展阶段，m1为企业目标经济产值，m0为企业实际经济产值。
8.根据权利要求5所述的一种评估企业能耗数据的方法，其特征在于，所述损失函数为：
式中，n为训练样本数量，第i个样本数据，y为实际评估值。
9.根据权利要求5所述的一种评估企业能耗数据的方法，其特征在于，根据所述评估值确定企业能耗异常等级包括：
考虑企业静态属性信息确定评估阈值，其中，所述企业静态属性信息包括企业类型；
根据所述评估阈值以及所述评估值确定企业能耗异常等级；
根据所述异常等级进行多级异常报警。
10.一种评估企业能耗数据的装置，其特征在于，包括：
获取模块，获取待评估的企业能耗数据；
处理模块，对所述企业能耗数据进行预处理，提取异常能耗特征；
评估模块，将所述异常能耗特征输入考虑企业属性信息的能耗异常评估模型，得到评估值；
报警模块，根据所述评估值确定企业能耗异常等级并进行异常报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310610186.1A CN116629686A (zh) | 2023-05-25 | 2023-05-25 | 一种评估企业能耗数据的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310610186.1A CN116629686A (zh) | 2023-05-25 | 2023-05-25 | 一种评估企业能耗数据的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116629686A true CN116629686A (zh) | 2023-08-22 |
Family
ID=87613000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310610186.1A Pending CN116629686A (zh) | 2023-05-25 | 2023-05-25 | 一种评估企业能耗数据的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629686A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117392886A (zh) * | 2023-12-11 | 2024-01-12 | 成都知视界信息科技有限公司 | Vr交互式医学教学操训系统及方法 |
-
2023
- 2023-05-25 CN CN202310610186.1A patent/CN116629686A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117392886A (zh) * | 2023-12-11 | 2024-01-12 | 成都知视界信息科技有限公司 | Vr交互式医学教学操训系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019237492A1 (zh) | 一种基于半监督学习的异常用电用户检测方法 | |
| CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
| CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
| CN112069310B (zh) | 基于主动学习策略的文本分类方法及系统 | |
| CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
| CN109145114B (zh) | 基于Kleinberg在线状态机的社交网络事件检测方法 | |
| CN111401599A (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
| CN114076841B (zh) | 基于用电信息数据的窃电行为识别方法及系统 | |
| CN111210170A (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
| CN116629686A (zh) | 一种评估企业能耗数据的方法及装置 | |
| CN112836720A (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
| CN113484817A (zh) | 基于tsvm模型的智能电能表自动化检定系统异常检测方法 | |
| CN114881347A (zh) | 一种采用加权残差聚类的天然气负荷预测区间估计方法 | |
| CN112418522B (zh) | 一种基于三支集成预测模型的工业加热炉钢温预测方法 | |
| CN111340645B (zh) | 一种针对电力负荷的改进关联分析方法 | |
| CN113780402A (zh) | 一种基于改进式生成对抗网络的用户窃电检测方法 | |
| CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
| CN111090679B (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
| CN115394381B (zh) | 一种基于机器学习和两步法数据扩充的高熵合金硬度预测方法及装置 | |
| CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
| CN115456260A (zh) | 客服话务量预测方法 | |
| CN116150687A (zh) | 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 | |
| CN114511747A (zh) | 一种基于vae预处理和rp-2dcnn的不平衡负荷数据类型辨识方法 | |
| CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 |
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 |