CN117388637B - 基于ai的换流站直流系统异常信号辨识与辅助决策方法 - Google Patents
基于ai的换流站直流系统异常信号辨识与辅助决策方法 Download PDFInfo
- Publication number
- CN117388637B CN117388637B CN202311514878.2A CN202311514878A CN117388637B CN 117388637 B CN117388637 B CN 117388637B CN 202311514878 A CN202311514878 A CN 202311514878A CN 117388637 B CN117388637 B CN 117388637B
- Authority
- CN
- China
- Prior art keywords
- sequence
- value
- abnormal
- sub
- sensor unit
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000009466 transformation Effects 0.000 claims abstract description 37
- 238000012937 correction Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000013519 translation Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 230000007257 malfunction Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000020411 cell activation Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000005856 abnormality Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 47
- 230000000875 corresponding effect Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/40—Testing power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- 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
- H02J3/36—Arrangements for transfer of electric power between ac networks via a high-tension dc link
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及电力技术领域,具体公开了基于AI的换流站直流系统异常信号辨识与辅助决策方法,所述方法包括:步骤1:设置3个独立的传感器单元,分别为第一传感器单元、第二传感器单元和第三传感器单元;步骤2:分别计算直流序列、逆变序列和变压序列的标准差,从中筛选出值最大的标准差的对应的序列,作为异常序列;步骤3:将异常序列等分为5个子序列;步骤4:基于每个子序列的特征,判断每个子序列的状态类别;步骤5:计算所有异常序列在每种状态类别下的异常概率校正值的叠加值。本发明提高了换流站直流系统异常检测准确率,降低了维护成本,为电力系统运营和管理带来了显著的有益效果。
Description
技术领域
本发明涉及电力技术领域,特别涉及基于AI的换流站直流系统异常信号辨识与辅助决策方法。
背景技术
在现代电力系统中,直流(DC)系统在能源传输和分配中发挥着关键作用。直流系统通常由整流器、逆变器和变压器等多个关键组件组成,用于将电能从发电站传输到用户或将电能从一种电压级别转换为另一种。然而,直流系统在运行过程中可能会受到各种因素的干扰和损害,这可能导致系统的不稳定性和故障。因此,准确识别异常信号并及时采取适当的决策对于确保系统的稳定性和可靠性至关重要。
在现代电力系统中,直流(DC)系统在能源传输和分配中发挥着关键作用。直流系统通常由整流器、逆变器和变压器等多个关键组件组成,用于将电能从发电站传输到用户或将电能从一种电压级别转换为另一种。然而,直流系统在运行过程中可能会受到各种因素的干扰和损害,这可能导致系统的不稳定性和故障。因此,准确识别异常信号并及时采取适当的决策对于确保系统的稳定性和可靠性至关重要。
在传统的直流系统监测和管理中,通常依赖于人工操作员对系统的实时监测和诊断。这种方法存在以下问题和挑战:
人工识别困难:直流系统信号复杂多变,操作员在实时监测过程中难以快速准确地识别异常信号。这可能导致异常情况未被及时发现。
主观性:人工操作员的判断往往受主观因素影响,不同操作员可能会对同一信号作出不同的评估,造成决策的不一致性。
反应时间慢:人工操作员需要时间来分析和决策,而在某些情况下,异常情况可能发展得非常迅速,需要更快的响应。
无法应对大规模系统:对于大规模的直流系统,人工监测和管理变得更加复杂和困难,难以实现全面的覆盖和监控。
人力成本高:依赖人工操作员进行实时监测和决策需要大量的人力资源和成本,不仅昂贵,而且可能不够高效。
为了应对这些问题和挑战,现代电力系统需要更智能、自动化的解决方案,以提高直流系统的稳定性、可靠性和效率。
发明内容
本发明的目的是提供基于AI的换流站直流系统异常信号辨识与辅助决策方法,。
为解决上述技术问题,本发明提供基于AI的换流站直流系统异常信号辨识与辅助决策方法,所述方法包括:
步骤1:设置3个独立的传感器单元,分别为第一传感器单元、第二传感器单元和第三传感器单元;所述第一传感器单元获取换流站直流系统的整流器在设定时间范围内的信号,得到直流序列;所述第二传感器单元获取换流站直流系统的逆变器在设定时间范围内的信号,得到逆变序列;所述第三传感器单元获取换流站直流系统的变压器在设定时间范围内的信号,得到变压序列;
步骤2:分别计算直流序列、逆变序列和变压序列的标准差,从中筛选出值最大的标准差的对应的序列,作为异常序列;
步骤3:将异常序列等分为5个子序列;分别对每个子序列,特征提取后,得到特征,再计算特征值;基于计算出的特征值,计算每个子序列的异常概率;
步骤4:基于每个子序列的特征,判断每个子序列的状态类别;针对每个子序列,计算其在对应的状态类别下的异常概率校正值;再针对每个异常序列,计算其在每种状态类别下的异常概率校正值的叠加值;若任意一种状态类别的异常概率校正值的叠加值超过设定的阈值,则返回步骤2中,从剩下的序列中,筛选出值最大的标准差的对应的序列,作为异常序列;
步骤5:计算所有异常序列在每种状态类别下的异常概率校正值的叠加值;再将所有异常序列的同一种状态类别的异常概率校正值的叠加值进行加和运算,得到每种状态类别下的异常概率总值;按照异常概率总值从高到低的顺序,针对每种状态类别进行异常处理决策。
进一步的,第一传感器单元、第二传感器单元和第三传感器单元在进行信号采集时,采集到的信号种类为同一种类;所述信号的种类包括:电压信号和电流信号;所述状态类别包括:不稳定、不平衡、正常、过流、过限和故障。
进一步的,第一传感器单元、第二传感器单元和第三传感器单元在采集到信号后,还将对信号进行去噪处理,具体包括:将信号表示为x(t),使用如下公式进行变换:
其中,Wx(a,b)是分解变换系数,表示在尺度a和平移b下的信号分量;x(t)是信号;ψ*(t)是分解变换函数的复共轭;H(a)是尺度函数,用于调整不同尺度下的权重;其中,σ是尺度函数的控制参数,为预设值,用于调整尺度;再对每个分解变换系数,使用如下公式进行去噪:
其中,是去噪后的分解变换系数;sgn()是符号函数,返回其自变量的符号;λ(a,b)是设定阈值;再基于去噪后的分解变换系数,计算信号的时频局部特征;将时频局部特征进行逆分解变换,完成对信号的去噪处理。
进一步的,使用如下公式,提取信号的时频局部特征:
其中,F(a,b)是时频局部特征;是局部特征提取函数;使用如下公式,将时频局部特征进行逆分解变换,完成对信号的去噪处理:
其中,是/>的反函数;xdenoised(t)是进行去噪处理后的序列。
进一步的,其特征在于:
进一步的,步骤3中使用如下公式,分别对每个子序列X′,特征提取后,得到特征:
F=ReLU(Wpca·X′+bpca);
F为特征;ReLU为修正线性单元激活函数,用于引入非线性特性,ReLU(x)=max(0,x),它的作用是将小于0的输入变为0,保留正数输入,x为其自变量;Wpca为通过对子序列X′进行主成分分析提取的特征向量矩阵;bpca为偏置向量,为预设值。
进一步的,异常概率使用如下公式计算得到:
其中,ΣDC为子序列的协方差矩阵;p(X′)为子序列的异常概率;n为子序列X′中的序列元素的数量;xi为子序列X′中的序列元素;μDC为子序列的序列元素的均值;|X′|为子序列的模;λ为正则化参数;|F|为F的模,为特征值。
进一步的,步骤4中基于每个子序列的特征,判断每个子序列的状态类别的方法包括:根据历史信号,计算每种状态类别对应的标准特征值、标准特征均值和标准特征方差;再计算每个子序列对应的特征的特征值、特征均值和方差;所述特征均值为特征的元素的均值,方差为特征的元素的方差;计算每个子序列对应的特征的特征值与各个状态类别的标准特征值的差值,作为第一差值,计算每个子序列对应的特征的特征均值与各个状态类别的标准特征均值的差值,作为第二差值,计算每个子序列对应的特征的方差与各个状态类别的标准特征方差的差值,作为第三差值;将第一差值、第二差值和第三差值的和值最小时对应的状态类别作为子序列的状态类别。
进一步的,针对每个子序列,使用如下公式,计算其在对应的状态类别下的异常概率校正值:
y=softmax(Wpca·(tanh(F)⊙SDC)+bpca);
其中,y为异常校正值;⊙为逐元素相乘。
本发明的基于AI的换流站直流系统异常信号辨识与辅助决策方法,具有以下有益效果:本发明通过计算直流、逆变和变压序列的标准差,可以衡量信号的离散程度。标准差较大的序列往往包含更多的波动,可能表示存在异常情况。因此,选择标准差最大的序列作为异常序列有助于快速定位问题所在,提高了异常信号的辨识速度。本发明将子序列映射到时频局部特征空间,以更好地描述子序列的特性。又结合了协方差矩阵、特征差异和正则化参数,通过概率模型来计算异常概率。将信号特征转化为具体的异常概率,从而能够更精确地评估异常信号的程度。本发明通过计算特征与标准特征的差异,方法可以将子序列与历史信号中的不同状态进行比较,并自动将其分类到最接近的状态类别。这有助于识别异常信号的类型,为后续的决策提供重要信息。
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为本发明实施例提供的基于AI的换流站直流系统异常信号辨识与辅助决策方法的方法流程示意图。
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。
实施例1:基于AI的换流站直流系统异常信号辨识与辅助决策方法,所述方法包括:
步骤1:设置3个独立的传感器单元,分别为第一传感器单元、第二传感器单元和第三传感器单元;所述第一传感器单元获取换流站直流系统的整流器在设定时间范围内的信号,得到直流序列;所述第二传感器单元获取换流站直流系统的逆变器在设定时间范围内的信号,得到逆变序列;所述第三传感器单元获取换流站直流系统的变压器在设定时间范围内的信号,得到变压序列;
步骤2:分别计算直流序列、逆变序列和变压序列的标准差,从中筛选出值最大的标准差的对应的序列,作为异常序列;在数据分析中,高标准差通常表示数据点之间的差异较大,可能存在异常值。因此,选择标准差最大的序列作为异常序列的假设是,该序列中可能包含了相对较多的异常数据点,因为异常数据点会导致标准差增大。通过计算标准差,可以量化每个序列的离散程度。标准差较大的序列更有可能包含异常信号,因此将其选为异常序列有助于提高异常检测的准确性。选择最大标准差的序列作为异常序列,可以减少需要进一步分析的数据量。这有助于提高算法的效率,因为系统将更专注于可能包含异常的数据序列,而不需要分析所有的数据。
步骤3:将异常序列等分为5个子序列;分别对每个子序列,特征提取后,得到特征,再计算特征值;基于计算出的特征值,计算每个子序列的异常概率;特征提取是从数据中提取有意义的信息或特征的过程。在这个步骤中,针对每个子序列,一系列统计量、频域分析、时间域分析等方法可以用来提取特征,例如均值、方差、峰度、偏度、频率分布等等。这些特征可以捕捉到序列的不同方面,从而帮助系统更好地理解异常信号的特性。特征提取后,利用提取到的特征值,可以计算每个子序列的异常概率。异常概率表示某个子序列是异常的可能性。通常,异常概率的计算可以基于统计模型、机器学习模型或领域知识,以确定某个子序列与已知的正常数据行为之间的差异。通过提取丰富的特征并计算异常概率,系统可以更准确地判断哪些子序列是异常的。不同的特征可以帮助系统捕捉到不同类型的异常信号,从而提高了异常检测的精度。异常概率的计算可以帮助系统区分不同类型的异常信号。不同类型的异常可能表现为不同的特征,通过计算异常概率,可以更好地区分并分类这些不同类型的异常。
步骤4:基于每个子序列的特征,判断每个子序列的状态类别;针对每个子序列,计算其在对应的状态类别下的异常概率校正值;再针对每个异常序列,计算其在每种状态类别下的异常概率校正值的叠加值;若任意一种状态类别的异常概率校正值的叠加值超过设定的阈值,则返回步骤2中,从剩下的序列中,筛选出值最大的标准差的对应的序列,作为异常序列;在这个步骤中,系统基于每个子序列的特征,对每个子序列进行状态类别判断。这意味着系统尝试将每个子序列分配到不同的状态类别中,以反映序列的不同工作状态或行为模式。这可以基于已知的领域知识或者使用机器学习等方法。不同状态下,子序列的异常情况可能会有所不同。通过进行状态类别判断,系统可以更精确地捕捉到不同工作状态下的异常信号。这有助于系统在不同情况下采取适当的处理措施。通过计算每个异常序列在不同状态下的异常概率校正值,并综合这些值,系统可以判断是否触发异常处理。通常,如果某个状态类别下的异常概率校正值高于预定阈值,系统将认为在该状态下存在异常,并采取相应的措施。
步骤5:计算所有异常序列在每种状态类别下的异常概率校正值的叠加值;再将所有异常序列的同一种状态类别的异常概率校正值的叠加值进行加和运算,得到每种状态类别下的异常概率总值;按照异常概率总值从高到低的顺序,针对每种状态类别进行异常处理决策。将每个异常序列的在各个状态类别下的异常概率校正值叠加,得到每种状态类别下的异常概率总值。这个总值反映了在不同状态下的所有异常序列的综合异常情况。
实施例2:第一传感器单元、第二传感器单元和第三传感器单元在进行信号采集时,采集到的信号种类为同一种类;所述信号的种类包括:电压信号和电流信号;所述状态类别包括:不稳定、不平衡、正常、过流、过限和故障。
具体的,电压信号:这是指在换流站直流系统中测量的电压值。电压信号的变化可能反映了电压的稳定性和电力系统的状态。电流信号:这是指在换流站直流系统中测量的电流值。电流信号的变化可以用于监测电流的平衡性、过流情况以及系统中的故障。不稳定:这个状态类别表示直流系统可能处于不稳定的状态,电压和电流可能在正常范围之外波动,可能存在电网不稳定或设备故障等问题。不平衡:不平衡状态指的是电压或电流的平衡性可能受到影响,这可能是由于不均匀的负载分布或设备故障引起的。正常:正常状态表示直流系统的电压和电流处于正常范围内,没有明显的问题或异常情况。过流:过流状态表示电流超过了系统的额定值,可能是由于故障或突发事件引起的。过限:过限状态可能表示电压或电流超出了安全范围,这可能是由于设备故障或系统问题引起的。故障:故障状态表示直流系统中可能存在严重的问题,需要进行紧急处理或维修。
实施例3:第一传感器单元、第二传感器单元和第三传感器单元在采集到信号后,还将对信号进行去噪处理,具体包括:将信号表示为x(t),使用如下公式进行变换:
其中,Wx(a,b)是分解变换系数,表示在尺度a和平移b下的信号分量;x(t)是信号;ψ*(t)是分解变换函数的复共轭;H(a)是尺度函数,用于调整不同尺度下的权重;其中,σ是尺度函数的控制参数,为预设值,用于调整尺度;再对每个分解变换系数,使用如下公式进行去噪:
该公式的主要作用是对小波变换后的分解系数Wx(a,b)进行去噪处理。在换流站直流系统中,信号通常受到噪声干扰,例如电网噪声或传感器测量误差。通过应用这个公式,可以有效地减少噪声对信号分析的干扰,提高了异常信号辨识的准确性。去噪过程通过保留分解系数的重要部分,并将小于阈值λ(a,b)的部分设为零,有助于突出信号中的重要信息。这有助于识别和保留信号中的关键特征,从而更容易检测到异常信号。通过去噪处理,减少了信号中的噪声成分,减少了假警报的可能性。在异常信号辨识和辅助决策中,减少假警报对于确保系统的可靠性和准确性至关重要。去噪后的分解系数包含了更干净和更容易分析的信号信息,这有助于后续的决策支持。在异常信号的基础上,更容易做出明智的决策,例如采取适当的维护措施或调整系统参数。
其中,是去噪后的分解变换系数;sgn()是符号函数,返回其自变量的符号;λ(a,b)是设定阈值;再基于去噪后的分解变换系数,计算信号的时频局部特征;将时频局部特征进行逆分解变换,完成对信号的去噪处理。
具体的,Wx(a,b):分解变换系数,表示在尺度a和平移b下的信号分量。在小波分析中,这些系数包含了信号在不同时间尺度和位置上的信息。x(t):原始信号,表示要进行小波变换的信号。这可以是任何实际采集到的信号,如电压信号或电流信号。ψ*(t):小波变换函数的复共轭,用于对信号进行分解。小波函数通常具有一定的形状和频率特性,不同的小波函数可以用于捕捉不同类型的信号特征。H(a):尺度函数,用于调整不同尺度下的权重。通常采用高斯函数形式,其作用是根据信号的尺度来调整分解变换系数的重要性。σ是尺度函数的控制参数,用于控制函数的形状。da和dt:积分的微分元素,分别表示对尺度a和时间t进行积分。
公式的主要作用是将原始信号x(t)分解为不同尺度和平移下的分量。这些分量代表了信号在不同时间尺度和位置上的信息。尺度a控制了分辨率,而平移b控制了位置。ψ*(t)是小波变换函数,也称为小波基函数。不同的小波基函数具有不同的频率和形状,因此可以用来捕捉信号的不同特性。这允许小波变换适应不同类型的信号。尺度函数H(a)根据尺度a调整了不同尺度下的权重。这使得在分解时,较大尺度的分量可能会得到更大的权重,较小尺度的分量可能会得到较小的权重。这有助于适应不同尺度下的信号特性。小波变换的特点是同时提供了时间和频率信息。这意味着可以在不同时间和不同频率上分析信号的特性,捕捉到信号的瞬时特性和频率特性。
具体的,去噪后的分解变换系数,表示在尺度a和平移b下的信号分量,经过去噪处理后的结果。Wx(a,b):经过小波变换得到的原始分解变换系数,包含了信号的时频信息。sgn():符号函数,返回其自变量的符号。如果Wx(a,b)大于等于零,则返回1,否则返回-1。这个函数用于保留分解系数的正负号。max():取最大值函数,用于消除小于阈值λ(a,b)的分解系数。如果分解系数的绝对值小于阈值,则结果为零,否则结果为分解系数减去阈值。λ(a,b):设定的阈值,用于确定哪些分解系数需要保留。分解系数的绝对值小于阈值的部分将被设置为零,以去除噪声。
sgn(Wx(a,b))用于保留分解系数的符号。这是因为在信号处理中,信号的符号信息通常很重要。通过保留符号,可以确保去噪后的信号与原始信号的相位信息相匹配。max(|Wx(a,b)|-λ(a,b),0)用于进行阈值处理。分解系数的绝对值小于阈值λ(a,b)的部分被设为零,以去除小于阈值的噪声成分。这有助于保留重要的信号成分,同时抑制噪声。通过阈值处理和符号保留,公式的作用是减少信号中的噪声成分,从而提取出信号的重要信息。去噪后的分解系数包含了信号的主要特征,可以用于后续的分析和重建。
实施例4:使用如下公式,提取信号的时频局部特征:
小波变换系数包含了信号的时频信息,即信号在不同时间尺度和位置上的频率和振幅分布。时频局部特征提取的目的是从这些系数中提取出有关信号在不同时刻和频率下的局部特性。/>是局部特征提取函数,其选择和设计可以根据具体的应用需求。这个函数可以突出感兴趣的时频特性,例如瞬时频率、能量分布、振幅等。不同的可以捕捉不同类型的信号特征。公式中的积分运算将局部特征提取函数/>与小波变换系数/>相乘,并在平移b上进行积分。这一过程将提取出每个尺度a下的局部特征,形成时频局部特征F(a,b)。
时频局部特征提取公式通过从小波变换系数中提取时频局部特征,提供了信号在不同时间尺度和位置上的频率、振幅和能量分布等丰富信息。这有助于更全面地理解信号的时域和频域特性。提取的时频局部特征可以用于更准确地识别异常信号。异常信号通常在时频特性上具有明显的不规则性,通过分析时频局部特征,可以更容易地检测到异常信号的存在。时频局部特征提取有助于提供详细的信号特性信息,这对于辅助决策制定非常重要。例如,在异常信号检测后,决策制定者可以根据提取的时频局部特征更好地了解异常的性质和程度,从而做出更明智的决策,如采取适当的维护措施或系统调整。
其中,F(a,b)是时频局部特征;是局部特征提取函数;使用如下公式,将时频局部特征进行逆分解变换,完成对信号的去噪处理:
逆分解变换的核心原理是将提取的时频局部特征F(a,b)通过反函数映射回原始信号的时域形式。这个过程允许我们从时频局部特征中还原出原始信号。公式中的/>部分表示对尺度a的逆变换。这个部分的作用是根据尺度a还原信号的尺度信息,同时对不同尺度的局部特征进行加权。逆分解变换的主要作用是将提取的时频局部特征重新合成为原始信号xdenoised(t)。这个过程允许我们恢复信号的完整信息,包括时域和频域特性。通过逆分解变换,可以验证去噪处理的效果,确保去噪后的信号在时域上与原始信号尽可能接近。如果去噪过程有效,那么还原的信号应当几乎不包含噪声成分。去噪后的信号xdenoised(t)可以用于后续的异常信号分析和辅助决策。这个信号保留了原始信号的关键信息,使得进一步的分析更加准确和可靠。
其中,是/>的反函数;xdenoised(t)是进行去噪处理后的序列。
实施例5:其特征在于:
具体的,当小波变换系数的绝对值|Wx(a,b)|大于等于阈值θ时,的取值为1,表示该尺度a和平移b下的时频局部特征被保留。当|Wx(a,b)|小于阈值θ时,/>的取值为0,表示该尺度a和平移b下的时频局部特征被抑制,将被视为噪声或不重要的信息。基于阈值θ对小波变换系数Wx(a,b)进行特征选择。当绝对值|Wx(a,b)|大于等于阈值θ时,表示该时频局部特征被认为是重要的,将被保留下来,而小于阈值的特征将被抑制。这有助于筛选出最具信息量的时频特征,减少不必要的噪声。通过将小于阈值的时频局部特征设为0,/>有助于抑制信号中的噪声成分。这可以改善信号的清晰度,提高异常信号的检测准确性。对于那些绝对值|Wx(a,b)|大于等于阈值θ的时频局部特征,/>将其保留为1,突出显示这些被认为是重要的特征,这对于后续的异常信号识别和决策提供了有用的信息。阈值θ可以根据具体应用的需求来调整,从而允许用户根据不同情况自定义局部特征提取的严格程度。这使得方法更具灵活性,能够适应不同的信号和应用场景。
实施例6:步骤3中使用如下公式,分别对每个子序列X′,特征提取后,得到特征:
F=ReLU(Wpca·X′+bpca);
F为特征;ReLU为修正线性单元激活函数,用于引入非线性特性,ReLU(x)=max(0,x),它的作用是将小于0的输入变为0,保留正数输入,x为其自变量;Wpca为通过对子序列X′进行主成分分析提取的特征向量矩阵;bpca为偏置向量,为预设值。
具体的,ReLU是一种常用的激活函数,它在深度学习和神经网络中广泛使用。它的主要作用是引入非线性特性,通过将小于0的输入值设为0,保留正数输入。这使得网络可以学习复杂的非线性关系,从而更好地捕捉数据中的特征。PCA是一种常用的降维和特征提取技术。通过对子序列X′进行PCA,可以将原始数据映射到新的特征空间,这些新特征通常是原始数据中的主要成分。这有助于减少数据的维度,提取最相关的特征,降低计算复杂度,同时保留关键信息。Wpca和bpca是模型的参数,它们可以通过训练过程来学习,也可以作为预设值提供。Wpca用于线性组合子序列X′的特征,而bpca用于调整偏移。这些参数的调整可以影响特征提取的性能。
实施例7:异常概率使用如下公式计算得到:
其中,ΣDC为子序列的协方差矩阵;p(X′)为子序列的异常概率;n为子序列X′中的序列元素的数量;xi为子序列X′中的序列元素;μDC为子序列的序列元素的均值;|X′|为子序列的模;λ为正则化参数;|F|为F的模,为特征值。
具体的,公式的第一项涉及多元高斯分布。这里,子序列X′的异常概率被建模为一个多元高斯分布的概率密度函数。该分布的参数包括:ΣDC:子序列X′的协方差矩阵,描述了子序列元素之间的相关性。μDC:子序列X′的均值,表示子序列的中心位置。公式中使用了协方差矩阵ΣDC和均值μDC来定义高斯分布,其中表示协方差矩阵的逆矩阵。子序列的模|X′|与特征模|F|的差异被用作多元高斯分布的输入。公式的第二项是正则化项,用于平衡多元高斯分布项的影响。正则化项的计算基于子序列中的每个元素xi,将其输入sigmoid函数,然后将结果求和。这有助于控制子序列中每个元素对异常概率的贡献,避免其中的某些元素过于突出。
公式计算了子序列的异常概率,这有助于检测换流站直流系统中的异常信号。异常概率越高,表示子序列越可能是异常的。多元高斯分布项使用协方差矩阵ΣDC考虑了子序列中元素之间的相关性。这意味着不仅考虑了元素的绝对值,还考虑了它们之间的关系。这有助于更精确地捕获子序列的异常模式。正则化项有助于避免过拟合,确保模型不会过度依赖子序列中的某些元素。它平衡了多元高斯分布项和正则化项之间的权衡,使异常概率的计算更加稳健。公式中的参数,如ΣDC、μDC、λ等,可以根据具体应用的需求进行调整,以满足不同情况下的性能和准确性要求。
实施例8:步骤4中基于每个子序列的特征,判断每个子序列的状态类别的方法包括:根据历史信号,计算每种状态类别对应的标准特征值、标准特征均值和标准特征方差;再计算每个子序列对应的特征的特征值、特征均值和方差;所述特征均值为特征的元素的均值,方差为特征的元素的方差;计算每个子序列对应的特征的特征值与各个状态类别的标准特征值的差值,作为第一差值,计算每个子序列对应的特征的特征均值与各个状态类别的标准特征均值的差值,作为第二差值,计算每个子序列对应的特征的方差与各个状态类别的标准特征方差的差值,作为第三差值;将第一差值、第二差值和第三差值的和值最小时对应的状态类别作为子序列的状态类别。
实施例9:针对每个子序列,使用如下公式,计算其在对应的状态类别下的异常概率校正值:
y=softmax(Wpca·(tanh(F)⊙SDC)+bpca);
其中,y为异常校正值;⊙为逐元素相乘。
具体的,tanh(F)部分对输入特征F进行非线性映射,将特征的值映射到范围[-1,1]内。这有助于捕获特征之间的非线性关系,以更好地表示子序列的复杂性。⊙操作对tanh(F)和SDC逐元素相乘,将状态类别相关的信息与子序列的特征相结合。这意味着不同状态类别的权重会以逐元素方式应用于特征,以考虑状态信息。Wpca是一个权重矩阵,用于将tanh(F)⊙SDC映射到一个新的表示空间。这个映射可以将特征空间转换为更适合进行异常校正的形式。softmax函数将线性变换的结果转换为概率分布。具体来说,softmax将每个元素的值指数化,然后将它们归一化为概率分布,确保它们的和等于1。这样,每个状态类别对应的概率可以被解释为子序列属于该状态类别的概率。偏置项用于调整线性变换的偏移,可以用来进一步调整异常校正值。该公式的主要作用是对子序列进行状态分类和异常校正。它利用子序列的特征以及状态类别相关的信息,通过softmax函数计算每个状态类别的概率,从而确定子序列最可能属于哪个状态类别。异常校正值y可以用于调整之前计算的异常概率,以更准确地反映子序列在不同状态类别下的异常程度。这有助于提高异常信号的准确性和可靠性。根据校正后的异常概率,方法可以自动进行决策,例如,确定是否需要采取特定的操作或警报操作员。这提高了系统的自动化和实时性。
对不同状态的适应性:该方法具有适应性,可以根据不同状态类别的权重信息来调整校正值。这意味着方法可以更好地应对不同状态下的异常情况,提高了系统的鲁棒性。
以上对本发明进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (4)
1.基于AI的换流站直流系统异常信号辨识与辅助决策方法,其特征在于,所述方法包括:
步骤1:设置3个独立的传感器单元,分别为第一传感器单元、第二传感器单元和第三传感器单元;所述第一传感器单元获取换流站直流系统的整流器在设定时间范围内的信号,得到直流序列;所述第二传感器单元获取换流站直流系统的逆变器在设定时间范围内的信号,得到逆变序列;所述第三传感器单元获取换流站直流系统的变压器在设定时间范围内的信号,得到变压序列;
步骤2:分别计算直流序列、逆变序列和变压序列的标准差,从中筛选出值最大的标准差的对应的序列,作为异常序列;
步骤3:将异常序列等分为5个子序列;分别对每个子序列,特征提取后,得到特征,再计算特征值;基于计算出的特征值,计算每个子序列的异常概率;
步骤4:基于每个子序列的特征,判断每个子序列的状态类别;针对每个子序列,计算其在对应的状态类别下的异常概率校正值;再针对每个异常序列,计算其在每种状态类别下的异常概率校正值的叠加值;若任意一种状态类别的异常概率校正值的叠加值超过设定的阈值,则返回步骤2中,从剩下的序列中,筛选出值最大的标准差的对应的序列,作为异常序列;
步骤5:计算所有异常序列在每种状态类别下的异常概率校正值的叠加值;再将所有异常序列的同一种状态类别的异常概率校正值的叠加值进行加和运算,得到每种状态类别下的异常概率总值;按照异常概率总值从高到低的顺序,针对每种状态类别进行异常处理决策;
第一传感器单元、第二传感器单元和第三传感器单元在进行信号采集时,采集到的信号种类为同一种类;所述信号的种类包括:电压信号和电流信号;所述状态类别包括:不稳定、不平衡、正常、过流、过限和故障;
步骤3中使用如下公式,分别对每个子序列,特征提取后,得到特征:
;
为特征;/>为修正线性单元激活函数,用于引入非线性特性,/>,它的作用是将小于0的输入变为0,保留正数输入,/>为其自变量;/>为通过对子序列/>进行主成分分析提取的特征向量矩阵;/>为偏置向量,为预设值;
异常概率使用如下公式计算得到:
;
其中,为子序列的协方差矩阵;/>为子序列的异常概率;/>为子序列/>中的序列元素的数量;/>为子序列/>中的序列元素;/>为子序列的序列元素的均值;/>为子序列的模;/>为正则化参数;/>为/>的模,为特征值;
步骤4中基于每个子序列的特征,判断每个子序列的状态类别的方法包括:根据历史信号,计算每种状态类别对应的标准特征值、标准特征均值和标准特征方差;再计算每个子序列对应的特征的特征值、特征均值和方差;所述特征均值为特征的元素的均值,方差为特征的元素的方差;计算每个子序列对应的特征的特征值与各个状态类别的标准特征值的差值,作为第一差值,计算每个子序列对应的特征的特征均值与各个状态类别的标准特征均值的差值,作为第二差值,计算每个子序列对应的特征的方差与各个状态类别的标准特征方差的差值,作为第三差值;将第一差值、第二差值和第三差值的和值最小时对应的状态类别作为子序列的状态类别;
针对每个子序列,使用如下公式,计算其在对应的状态类别下的异常概率校正值:
;
其中,为异常校正值;/>为逐元素相乘。
2.如权利要求1所述的基于AI的换流站直流系统异常信号辨识与辅助决策方法,其特征在于,第一传感器单元、第二传感器单元和第三传感器单元在采集到信号后,还将对信号进行去噪处理,具体包括:将信号表示为,使用如下公式进行变换:
;
其中,是分解变换系数,表示在尺度/>和平移/>下的信号分量;/>是信号;是分解变换函数的复共轭;/>是尺度函数,用于调整不同尺度下的权重;;其中,/>是尺度函数的控制参数,为预设值,用于调整尺度;再对每个分解变换系数,使用如下公式进行去噪:
;
其中,是去噪后的分解变换系数;/>是符号函数,返回其自变量的符号;/>是设定阈值;再基于去噪后的分解变换系数,计算信号的时频局部特征;将时频局部特征进行逆分解变换,完成对信号的去噪处理。
3.如权利要求2所述的基于AI的换流站直流系统异常信号辨识与辅助决策方法,其特征在于,使用如下公式,提取信号的时频局部特征:
;
其中,是时频局部特征;/>是局部特征提取函数;使用如下公式,将时频局部特征进行逆分解变换,完成对信号的去噪处理:
;
其中,是/>的反函数;/>是进行去噪处理后的序列。
4.如权利要求3所述的基于AI的换流站直流系统异常信号辨识与辅助决策方法,其特征在于:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514878.2A CN117388637B (zh) | 2023-11-13 | 2023-11-13 | 基于ai的换流站直流系统异常信号辨识与辅助决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514878.2A CN117388637B (zh) | 2023-11-13 | 2023-11-13 | 基于ai的换流站直流系统异常信号辨识与辅助决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117388637A CN117388637A (zh) | 2024-01-12 |
CN117388637B true CN117388637B (zh) | 2024-05-14 |
Family
ID=89466567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311514878.2A Active CN117388637B (zh) | 2023-11-13 | 2023-11-13 | 基于ai的换流站直流系统异常信号辨识与辅助决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117388637B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4936167A (en) * | 1989-03-09 | 1990-06-26 | Chrysler Corporation | Method of universally organizing shifts for an automatic transmission system |
CN112117766A (zh) * | 2019-06-21 | 2020-12-22 | 全球能源互联网研究院有限公司 | 一种交直流混联电网的安全约束最优潮流控制方法和系统 |
CN113326790A (zh) * | 2021-06-10 | 2021-08-31 | 深圳市环水管网科技服务有限公司 | 基于异常检测思维的胶囊机器人排水管病害检测方法 |
CN114167838A (zh) * | 2021-12-03 | 2022-03-11 | 西安电子科技大学 | 一种伺服系统多尺度健康评估与故障预测方法 |
CN116955995A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市嘉友锦磁科技有限公司 | 一种三相直流无刷电机逆变器故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7108192B2 (en) * | 1999-09-17 | 2006-09-19 | Silverbrook Research Pty Ltd | Rotationally symmetric tags |
US11327551B2 (en) * | 2019-02-14 | 2022-05-10 | Micron Technology, Inc. | Methods and apparatus for characterizing memory devices |
-
2023
- 2023-11-13 CN CN202311514878.2A patent/CN117388637B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4936167A (en) * | 1989-03-09 | 1990-06-26 | Chrysler Corporation | Method of universally organizing shifts for an automatic transmission system |
CN112117766A (zh) * | 2019-06-21 | 2020-12-22 | 全球能源互联网研究院有限公司 | 一种交直流混联电网的安全约束最优潮流控制方法和系统 |
CN113326790A (zh) * | 2021-06-10 | 2021-08-31 | 深圳市环水管网科技服务有限公司 | 基于异常检测思维的胶囊机器人排水管病害检测方法 |
CN114167838A (zh) * | 2021-12-03 | 2022-03-11 | 西安电子科技大学 | 一种伺服系统多尺度健康评估与故障预测方法 |
CN116955995A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市嘉友锦磁科技有限公司 | 一种三相直流无刷电机逆变器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于相关性分析的工业时序数据异常检测;丁小欧;于晟健;王沐贤;王宏志;高宏;杨东华;;软件学报;20200110;第31卷(第03期);全文 * |
基于随机矩阵理论的特高压直流送端电网异常状态判别;陈肖璐;龚庆武;任正;高贺;郑博文;卢健强;刘旭;吴留闯;;武汉大学学报(工学版);20200315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117388637A (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117057517B (zh) | 基于数字孪生的电力数据高效处理方法及系统 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN108139432B (zh) | 校正电流互感器中饱和效应的方法以及其智能电子设备 | |
CN116559598B (zh) | 一种智慧配电网故障定位方法及系统 | |
CN115800272B (zh) | 基于拓扑识别的电网故障分析方法、系统、终端及介质 | |
CN117388594B (zh) | 一种基于emd信号处理技术的智能电表功率信号分解方法 | |
CN106405384A (zh) | 模拟电路健康状态评估方法 | |
CN114692758A (zh) | 电力通信故障分析方法、装置、终端设备及介质 | |
CN117668751B (zh) | 一种高低压电力系统故障诊断方法及装置 | |
CN117458955A (zh) | 电机的运行控制方法及系统 | |
CN118172910B (zh) | 基于卷积神经网络的煤矿架空乘人装置安全预警系统 | |
CN117589233A (zh) | 继电保护装置运行状态智能检测方法及系统 | |
CN106301610A (zh) | 一种超外差接收机的自适应故障检测和诊断方法及装置 | |
CN109324591B (zh) | 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法 | |
CN111260024A (zh) | 基于长短期记忆和典型相关结合的故障检测方法及系统 | |
CN117388637B (zh) | 基于ai的换流站直流系统异常信号辨识与辅助决策方法 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN117574275A (zh) | 一种电力系统异常检测分类方法 | |
CN113158448A (zh) | 一种船舶系统设备阈值的自适应计算方法 | |
CN113159088A (zh) | 一种基于多特征融合和宽度学习的故障监测与诊断方法 | |
Chapman et al. | A nonparametric approach to detecting changes in variance in locally stationary time series | |
CN116884432A (zh) | 基于vmd-js散度的电力变压器故障声纹诊断方法 | |
CN106649204B (zh) | 一种变压器油中溶解气体异常识别方法 | |
CN112213561B (zh) | 主导负荷参数类噪声辨识的量测数据预处理方法和装置 | |
CN115730506A (zh) | 一种基于信息决策的变压器油温异常预警方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |