CN117805607B - 发电厂直流系统直流级差配合试验方法 - Google Patents
发电厂直流系统直流级差配合试验方法 Download PDFInfo
- Publication number
- CN117805607B CN117805607B CN202410225387.4A CN202410225387A CN117805607B CN 117805607 B CN117805607 B CN 117805607B CN 202410225387 A CN202410225387 A CN 202410225387A CN 117805607 B CN117805607 B CN 117805607B
- Authority
- CN
- China
- Prior art keywords
- action time
- test current
- time domain
- domain correlation
- sequence
- 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
- 238000010998 test method Methods 0.000 title claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 236
- 230000009471 action Effects 0.000 claims abstract description 83
- 230000002787 reinforcement Effects 0.000 claims abstract description 51
- 238000010586 diagram Methods 0.000 claims abstract description 41
- 230000003044 adaptive effect Effects 0.000 claims abstract description 39
- 238000010219 correlation analysis Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 95
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000013011 mating Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种发电厂直流系统直流级差配合试验方法，属于智能检测技术领域。包括：获取待检测直流断路器的测试电流的序列和动作时间的序列并进行二者的时序关联分析，得到测试电流‑动作时间时域关联特征图；将测试电流‑动作时间时域关联特征图通过基于自适应注意力模块的局部特征显化器，得到自适应强化测试电流‑动作时间时域关联特征图；基于自适应强化测试电流‑动作时间时域关联特征图，确定所述待检测直流断路器的性能是否符合预定标准。本发明对直流断路器性能的判断结果准确度高。
Description
技术领域
本发明涉及智能检测技术领域，且更为具体地，涉及一种发电厂直流系统直流级差配合试验方法。
背景技术
目前发电厂的直流亏点网络多采用树状结构，从蓄电池到配电间用电设备，一般经过三级配电，每级配电大多数采用直流断路器作为保护器。由于上下级直流断路器保护动作特性不匹配，在直流系统运行过程中，当下级用电设备出现短路故障时，经常引起上一级直流断路器的越级跳闸，从而引起其他馈电线路的断电事故，进而引起变电站一次设备如高压开关、变压器、电容器等的事故。因此，对直流断路器进行定期的性能检测和评估是非常必要的。
目前，对直流断路器的性能检测主要采用直流级差配合试验方法，即在不同的测试电流下，测量直流断路器的动作时间，并测试电流和动作时间之间的对应关系来判断直流断路器的性能是否合格。然而，这种方法的实现存在一些缺点，如测试电流和动作时间之间的关系通常由人工进行计算和分析，可能无法反映直流断路器的真实损耗状态，导致对直流断路器性能的判断产生偏差。
因此，期待一种优化的方案。
发明内容
为了解决上述技术问题，本发明实施例提供了一种发电厂直流系统直流级差配合试验方法。本发明采用的技术方案如下：
一种发电厂直流系统直流级差配合试验方法，其包括：
获取待检测直流断路器的开断特性数据，其中，所述开断特性数据包括测试电流的序列和动作时间的序列；
对所述测试电流的序列和所述动作时间的序列进行时序关联分析，以得到测试电流-动作时间时域关联特征图；
将所述测试电流-动作时间时域关联特征图通过基于自适应注意力模块的局部特征显化器，以得到自适应强化测试电流-动作时间时域关联特征图；
基于所述自适应强化测试电流-动作时间时域关联特征图，确定所述待检测直流断路器的性能是否符合预定标准。
可选地，对所述测试电流的序列和所述动作时间的序列进行时序关联分析，以得到测试电流-动作时间时域关联特征图，包括：
对所述测试电流的序列和所述动作时间的序列进行数据规整处理，以得到测试电流输入向量和动作时间输入向量；
提取所述测试电流输入向量和所述动作时间输入向量的关联特征，以得到所述测试电流-动作时间时域关联特征图。
可选地，对所述测试电流的序列和所述动作时间的序列进行数据规整处理，以得到测试电流输入向量和动作时间输入向量，包括：
将所述测试电流的序列和所述动作时间的序列分别按照时间维度进行数据规整，以得到所述测试电流输入向量和所述动作时间输入向量。
可选地，提取所述测试电流输入向量和所述动作时间输入向量的关联特征，以得到所述测试电流-动作时间时域关联特征图，包括：
计算所述测试电流输入向量相对于所述动作时间输入向量的样本协方差关联矩阵，以得到测试电流-动作时间全时域关联矩阵；
将所述测试电流-动作时间全时域关联矩阵通过基于卷积神经网络模型的测试电流-动作时间关联模式特征提取器，以得到所述测试电流-动作时间时域关联特征图。
可选地，计算所述测试电流输入向量相对于所述动作时间输入向量的样本协方差关联矩阵，以得到测试电流-动作时间全时域关联矩阵，包括：
以样本协方差公式来计算所述测试电流输入向量相对于所述动作时间输入向量的样本协方差关联矩阵，以得到所述测试电流-动作时间全时域关联矩阵；其中，所述样本协方差公式为：
Mcov =WTXXTW；
其中，W为所述测试电流输入向量，X为所述动作时间输入向量，Mcov为所述测试电流-动作时间全时域关联矩阵，T表示向量的转置。
可选地，将所述测试电流-动作时间时域关联特征图通过基于自适应注意力模块的局部特征显化器，以得到自适应强化测试电流-动作时间时域关联特征图，包括：
以自适应注意力公式来对所述测试电流-动作时间时域关联特征图进行处理，以得到所述自适应强化测试电流-动作时间时域关联特征图；其中，所述自适应注意力公式为：
其中，F为所述测试电流-动作时间时域关联特征图，pool为池化处理，vc为池化向量，Wa是权重矩阵，ba是偏置向量，σ为激活处理，A为初始元权重特征向量，Ai是所述初始元权重特征向量中第i个位置的特征值，A'为校正元权重特征向量，F'是所述自适应强化测试电流-动作时间时域关联特征图，⊙表示以所述校正元权重特征向量中的特征值为权重与所述测试电流-动作时间时域关联特征图沿通道维度的各个特征矩阵进行相乘。
可选地，基于所述自适应强化测试电流-动作时间时域关联特征图，确定所述待检测直流断路器的性能是否符合预定标准，包括：
对所述自适应强化测试电流-动作时间时域关联特征图进行特征分布修正，以得到修正后自适应强化测试电流-动作时间时域关联特征图；
将所述修正后自适应强化测试电流-动作时间时域关联特征图通过分类器，以得到分类结果，所述分类结果用于表示所述待检测直流断路器的性能是否符合预定标准。
可选地，对所述自适应强化测试电流-动作时间时域关联特征图进行特征分布修正，以得到修正后自适应强化测试电流-动作时间时域关联特征图，包括：
对所述自适应强化测试电流-动作时间时域关联特征图与所述测试电流-动作时间时域关联特征图进行融合优化，以得到所述修正后自适应强化测试电流-动作时间时域关联特征图。
可选地，将所述修正后自适应强化测试电流-动作时间时域关联特征图通过分类器，以得到分类结果，包括：
将所述修正后自适应强化测试电流-动作时间时域关联特征图进行特征图展开，以得到修正后自适应强化测试电流-动作时间时域关联特征向量；
使用所述分类器的多个全连接层对所述修正后自适应强化测试电流-动作时间时域关联特征向量进行全连接编码，以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数，以得到所述分类结果。
与现有技术相比，本发明具有如下有益效果：
通过获取待检测直流断路器的测试电流的序列和动作时间的序列并进行二者的时序关联分析，得到测试电流-动作时间时域关联特征图，并将测试电流-动作时间时域关联特征图通过基于自适应注意力模块的局部特征显化器，得到自适应强化测试电流-动作时间时域关联特征图后，基于自适应强化测试电流-动作时间时域关联特征图确定所述待检测直流断路器的性能是否符合预定标准，从而提供了一种新型的发电厂直流系统直流级差配合试验方法，该方法通过综合利用不同测试条件下待检测直流断路器的测试电流和动作时间信息，采用智能化算法从中挖掘二者之间的全时域关联关系，以此为基础智能化地给出待检测直流断路器的性能评估结果，克服了人工计算和分析存在的问题，对直流断路器性能的判断结果准确度高。
附图说明
通过结合附图对本发明实施例进行更详细的描述，本发明的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明实施例一起用于解释本发明，并不构成对本发明的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为本发明实施例提供的发电厂直流系统直流级差配合试验方法的流程图；
图2为本发明实施例提供的发电厂直流系统直流级差配合试验方法的系统架构图；
图3为本发明实施例提供的发电厂直流系统直流级差配合试验方法中步骤S2的流程图；
图4为本发明实施例提供的发电厂直流系统直流级差配合试验方法中步骤S22的流程图；
图5为本发明实施例提供的发电厂直流系统直流级差配合试验方法中步骤S4的流程图；
图6为本发明实施例中级差配合试验的试验方法的接线方法示意图。
具体实施方式
下面，将参考附图详细地描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
本发明实施例提供了一种发电厂直流系统直流级差配合试验方法。图1为本发明实施例提供的发电厂直流系统直流级差配合试验方法的流程图。图2为本发明实施例提供的发电厂直流系统直流级差配合试验方法的系统架构图。如图1和图2所示，本发明实施例提供的发电厂直流系统直流级差配合试验方法，包括步骤：S1，获取待检测直流断路器的开断特性数据，其中，所述开断特性数据包括测试电流的序列和动作时间的序列；S2，对所述测试电流的序列和所述动作时间的序列进行时序关联分析，以得到测试电流-动作时间时域关联特征图；S3，将所述测试电流-动作时间时域关联特征图通过基于自适应注意力模块的局部特征显化器，以得到自适应强化测试电流-动作时间时域关联特征图；S4，基于所述自适应强化测试电流-动作时间时域关联特征图，确定所述待检测直流断路器的性能是否符合预定标准。
其中，所述测试电流的序列是指在进行直流断路器性能测试时，施加在待检测直流断路器上的电流数值的序列。通常，在测试过程中，会逐步增加或减小施加在待检测直流断路器上的电流，以模拟不同工作负荷或故障条件下的情况。动作时间的序列是指在进行直流断路器性能测试时，记录待检测直流断路器动作时间的序列。当直流断路器受到电流过载或故障时，它应该能够迅速地打开，切断电路，以保护电力设备和系统。也就是，动作时间是指待检测直流断路器从受到触发信号到完全打开的时间。这样，测试电流的序列记录了不同测试条件下的电流数值，动作时间的序列记录了不同测试条件下的动作时间，在后续处理过程中，通过挖掘二者之间的隐含关联关系，可以帮助评估待检测直流断路器的性能，从而判断其是否符合预定标准。
在本发明的一个具体示例中，如图3所示，所述S2包括：S21，对所述测试电流的序列和所述动作时间的序列进行数据规整处理，以得到测试电流输入向量和动作时间输入向量；S22，提取所述测试电流输入向量和所述动作时间输入向量的关联特征，以得到所述测试电流-动作时间时域关联特征图。
在本发明的一个具体示例中，所述S21在具体实现时，可以将所述测试电流的序列和所述动作时间的序列分别按照时间维度进行数据规整，以得到测试电流输入向量和动作时间输入向量。
相应的，在一种可能的实现方式中，可通过以下步骤将所述测试电流的序列和所述动作时间的序列分别按照时间维度进行数据规整，以得到测试电流输入向量和动作时间输入向量，例如：确定规整后的时间步长；将测试电流序列按照规定的时间步长进行采样，得到规整后的测试电流序列。采样可以是等间隔的，也可以根据具体需求进行灵活采样。规整后的测试电流序列可以表示为一个一维向量，其中每个元素表示在对应时间步长内的测试电流值；将动作时间序列按照规定的时间步长进行采样，得到规整后的动作时间序列；将规整后的测试电流序列作为测试电流输入向量，将规整后的动作时间序列作为动作时间输入向量。
在本发明的一个具体示例中，如图4所示，所述S22包括：S221，计算所述测试电流输入向量相对于所述动作时间输入向量的样本协方差关联矩阵，以得到测试电流-动作时间全时域关联矩阵；S222，将所述测试电流-动作时间全时域关联矩阵通过基于卷积神经网络模型的测试电流-动作时间关联模式特征提取器，以得到所述测试电流-动作时间时域关联特征图。
应可以理解，通过按照时间维度进行数据规整可以将离散分布的数据转化为结构化的向量表示，从而便于后续的处理。而计算所述测试电流输入向量相对于所述动作时间输入向量的样本协方差关联矩阵，可以刻画和表征二者之间的关联程度，反映直流断路器的性能特征。在一个具体示例中，计算所述测试电流输入向量相对于所述动作时间输入向量的样本协方差关联矩阵，以得到测试电流-动作时间全时域关联矩阵，包括：以样本协方差公式来计算所述测试电流输入向量相对于所述动作时间输入向量的样本协方差关联矩阵，以得到所述测试电流-动作时间全时域关联矩阵；其中，所述样本协方差公式为：Mcov =WTXXTW，其中，W为所述测试电流输入向量，X为所述动作时间输入向量，Mcov为所述测试电流-动作时间全时域关联矩阵，T表示向量的转置。
更具体地，所述测试电流-动作时间全时域关联矩阵可能具有较高的维度和复杂的结构，其中包含了关于测试电流与动作时间之间丰富的关联信息。直接对测试电流-动作时间全时域关联矩阵进行分析和评估，可能面临数据维度高、关联关系概括与表征困难等问题。因此，在本发明的技术方案中，将所述测试电流-动作时间全时域关联矩阵通过基于卷积神经网络模型的测试电流-动作时间关联模式特征提取器，以得到测试电流-动作时间时域关联特征图。其中，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，擅长从图像或矩阵数据中提取关键的空间模式特征。通过将测试电流-动作时间全时域关联矩阵输入到基于卷积神经网络模型的测试电流-动作时间关联模式特征提取器中，可以利用CNN模型的卷积层和池化层结构，自动学习并提取所述测试电流-动作时间全时域关联矩阵中的重要模式特征。这些特征可以捕捉到待检测直流断路器性能的关键模式，例如与动作时间相关的特定电流变化模式或其他重要的关联规律，从而可以用于进一步的分析、评估和分类任务。
在一个具体示例中，使用所述基于卷积神经网络模型的测试电流-动作时间关联模式特征提取器的各层，在层的正向传递中分别对输入数据进行如下操作：对输入数据进行卷积处理，以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化，以得到池化特征图；以及，对所述池化特征图进行非线性激活，以得到激活特征图；其中，所述基于卷积神经网络模型的测试电流-动作时间关联模式特征提取器的最后一层的输出为所述测试电流-动作时间时域关联特征图，所述基于卷积神经网络模型的测试电流-动作时间关联模式特征提取器的第一层的输入为所述测试电流-动作时间全时域关联矩阵。
卷积神经网络是一种深度学习模型，专门用于处理具有网格结构的数据，如图像和语音。CNN的核心思想是通过卷积操作来提取输入数据的特征，并通过层层堆叠的方式进行特征的高级表示和抽象。以下是CNN的基本组件和工作原理：卷积层：卷积层是CNN的核心组件，用于提取输入数据的特征。它通过应用一组可学习的卷积核（滤波器）在输入数据上进行卷积操作。卷积操作可以捕捉输入数据中的局部模式和特征，并生成一系列的特征图；激活函数：在卷积层之后，通常会应用一个非线性激活函数，如ReLU。激活函数引入非线性特征，使得网络能够学习更复杂的模式和表示；池化层：池化层用于减少特征图的尺寸和参数数量，并提取最重要的特征。常见的池化操作包括最大池化和平均池化；全连接层：在经过一系列卷积层和池化层之后，通常会添加一些全连接层。全连接层将前一层的特征映射转换为输出结果，例如进行分类或回归；Dropout：为了防止过拟合，CNN中常使用Dropout技术。Dropout在训练过程中随机丢弃一部分神经元，以减少神经元之间的依赖关系，提高模型的泛化能力。通过反向传播算法，CNN可以自动学习提取输入数据中的特征，并根据训练目标进行优化。在训练过程中，CNN通过最小化损失函数来调整网络参数，以使得输出结果与真实标签尽可能接近。
值得一提的是，在本发明的其他具体示例中，还可以通过其他方式对所述测试电流的序列和所述动作时间的序列进行时序关联分析，以得到测试电流-动作时间时域关联特征图，例如：对测试电流的序列和动作时间的序列进行预处理，这可能包括去除噪声、平滑数据、归一化等操作，以确保数据的质量和可比性；将预处理后的测试电流的序列和动作时间的序列进行时序关联分析。常见的时序关联分析方法包括相关性分析、互信息分析、时滞相关分析等。这些方法可以帮助确定测试电流和动作时间之间的关联程度和时序关系；根据时序关联分析的结果，提取测试电流-动作时间的时域关联特征。这些特征可以包括相关性系数、互信息值、时滞相关性等；根据提取的时域关联特征，构建测试电流-动作时间的时域关联特征图。
进一步地，在本发明的技术方案中，局部特征显化器通过自适应注意力机制来调整测试电流-动作时间时域关联特征图的权重，使得重要的特征得到强化，而不重要的特征得到抑制。也就是，所述基于自适应注意力模块的局部特征显化器可以根据输入的测试电流-动作时间时域关联特征图自动学习和调整注意力权重，以突出重要的时域关联特征。更具体地，所述自适应注意力模块本质上而言是一种通道注意力机制，它可以根据测试电流-动作时间时域关联特征图的各个通道之间的相关性，自适应地调整每个通道的权重，以突出与待检测直流断路器性能评估相关的通道，抑制与待检测直流断路器性能评估无关或干扰的通道。在测试电流-动作时间时域关联特征图中，不同通道可能对应着不同的关联模式或特征表示。通过应用自适应注意力模块，可以对不同通道的特征进行适应性调整，从而提高关键特征的表示能力。
具体地，所述S3将所述测试电流-动作时间时域关联特征图通过基于自适应注意力模块的局部特征显化器，以得到自适应强化测试电流-动作时间时域关联特征图，包括：以自适应注意力公式来对所述测试电流-动作时间时域关联特征图进行处理，以得到所述自适应强化测试电流-动作时间时域关联特征图；其中，所述自适应注意力公式为：
其中，F为所述测试电流-动作时间时域关联特征图，pool为池化处理，vc为池化向量，Wa是权重矩阵，ba是偏置向量，σ为激活处理，A为初始元权重特征向量，Ai是所述初始元权重特征向量中第i个位置的特征值，A'为校正元权重特征向量，F'是所述自适应强化测试电流-动作时间时域关联特征图，⊙表示以所述校正元权重特征向量中的特征值为权重与所述测试电流-动作时间时域关联特征图沿通道维度的各个特征矩阵进行相乘。
在本发明的一个具体示例中，如图5所示，所述S4包括：S41，对所述自适应强化测试电流-动作时间时域关联特征图进行特征分布修正，以得到修正后自适应强化测试电流-动作时间时域关联特征图；S42，将所述修正后自适应强化测试电流-动作时间时域关联特征图通过分类器，以得到分类结果，所述分类结果用于表示所述待检测直流断路器的性能是否符合预定标准。
在一个具体示例中，所述S41可以对所述自适应强化测试电流-动作时间时域关联特征图与所述测试电流-动作时间时域关联特征图进行融合优化，以得到所述修正后自适应强化测试电流-动作时间时域关联特征图。特别地，在上述技术方案中，所述测试电流-动作时间时域关联特征图表达所述测试电流和所述动作时间的全时域协方差关联的局部高阶关联特征，这样，将所述测试电流-动作时间时域关联特征图通过基于自适应注意力模块的局部特征显化器后，可以分别对局部高阶关联特征基于以特征矩阵为单位的局部通道分布自适应注意力进行局部通道分布强化，但是，这也会导致所述自适应强化测试电流-动作时间时域关联特征图的特征表示偏离所述测试电流-动作时间时域关联特征图的初始关联特征表示。
由此，为了提升所述自适应强化测试电流-动作时间时域关联特征图的关联特征表达效果，可以通过进一步将所述自适应强化测试电流-动作时间时域关联特征图与所述测试电流-动作时间时域关联特征图融合来优化所述自适应强化测试电流-动作时间时域关联特征图。
这里，考虑到所述自适应强化测试电流-动作时间时域关联特征图与所述测试电流-动作时间时域关联特征图之间由于局部通道分布强化导致的特征分布信息表示差异，为了提升融合时的分布信息表示一致性，本发明实施例对所述自适应强化测试电流-动作时间时域关联特征图与所述测试电流-动作时间时域关联特征图进行融合优化，具体表示为：以融合优化公式对所述自适应强化测试电流-动作时间时域关联特征图与所述测试电流-动作时间时域关联特征图进行融合优化，以得到所述修正后自适应强化测试电流-动作时间时域关联特征图；其中，所述融合优化公式为：
；
其中，F1是所述自适应强化测试电流-动作时间时域关联特征图，F2是所述测试电流-动作时间时域关联特征图，μ1和σ1分别为F1对应的特征集合的均值和标准差，μ2和σ2分别为F2对应的特征集合的均值和标准差，表示特征图的逐位置开方，且log为以2为底的对数，⊕表示按位置相加，⊙表示按位置点乘，F1 '是所述修正后自适应强化测试电流-动作时间时域关联特征图。
这里，为了提升所述自适应强化测试电流-动作时间时域关联特征图与所述测试电流-动作时间时域关联特征图在特征融合场景下的分布信息表示的一致性，考虑到传统的加权融合方式对推断基于特征叠加的语义空间演变扩散模式存在局限性，通过采用结合空间的低阶叠加融合模式和高阶叠加融合模式的方式，并通过特征统计特征交互关系来模拟演变中心和演变轨迹，以在不同演变扩散速度场的作用下来基于非同步演变重构融合场景下的语义空间演变扩散，有效地提升了到同一高维特征空间内的投射效果，实现了所述自适应强化测试电流-动作时间时域关联特征图与所述测试电流-动作时间时域关联特征图的分布信息表示一致的特征融合。这样，就提升了修正后自适应强化测试电流-动作时间时域关联特征图F1 '的关联特征表达效果，从而在将所述修正后自适应强化测试电流-动作时间时域关联特征图F1 '通过分类器进行分类时，改进了分类结果的准确性。
在一个具体示例中，所述S42将所述修正后自适应强化测试电流-动作时间时域关联特征图通过分类器，以得到分类结果，包括：将所述修正后自适应强化测试电流-动作时间时域关联特征图进行特征图展开，以得到修正后自适应强化测试电流-动作时间时域关联特征向量；使用所述分类器的多个全连接层对所述修正后自适应强化测试电流-动作时间时域关联特征向量进行全连接编码，以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数，以得到所述分类结果。
在本发明的技术方案中，所述分类器的标签包括待检测直流断路器的性能符合预定标准(第一标签)，以及，待检测直流断路器的性能不符合预定标准(第二标签)，其中，所述分类器通过软最大值函数来确定所述修正后自适应强化测试电流-动作时间时域关联特征图属于哪个分类标签。值得注意的是，这里的第一标签p1和第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“待检测直流断路器的性能是否符合预定标准”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为1。因此，待检测直流断路器的性能是否符合预定标准的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“待检测直流断路器的性能是否符合预定标准”的语言文本意义。
分类器是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。
值得一提的是，在本发明的其他具体示例中，还可以通过其他方式基于所述自适应强化测试电流-动作时间时域关联特征图，确定所述待检测直流断路器的性能是否符合预定标准，例如：定义待检测直流断路器的性能预定标准；从自适应强化测试电流-动作时间时域关联特征图中选择与待检测直流断路器性能相关的特征。这些特征可能是关联特征图中的某些区域、特定时间段内的关联特征值等；对所选特征进行评估，以确定它们与待检测直流断路器性能的相关性，可以使用统计方法、机器学习算法等进行特征评估；根据特征评估的结果，判断待检测直流断路器的性能是否符合预定标准。可以设置阈值或规则来进行判断，例如，如果关联特征值在特定区域内超过某个阈值，则判定性能不符合标准。
综上，本发明实施例提供的发电厂直流系统直流级差配合试验方法被阐明，其通过综合利用不同测试条件下待检测直流断路器的测试电流和动作时间信息，并采用智能化算法从中挖掘二者之间的全时域关联关系，并捕捉直流断路器的性能特征，即直流断路器开断过程中的非线性、非平稳和复杂变化规律，从而智能化地给出直流断路器的性能评估结果。
在一个具体示例中，直流系统是厂级保护系统的重要支柱，只有保证直流系统的稳定，才能保证发电厂设备安全运行。直流级差配合试验是通过试验的方式来验证每一级直流断路器的动作是否正常，本级与上级、下级断路器的配合情况，在故障情况下能保证最少设备退出运行，保证绝大多数设备正常运作，从而保证机组的安全。
级差配合试验的试验方法为：用数据采集仪正极引线接入被试直流断路器的正极上口，负极接被试直流断路器的正极下口，形成环状测量网，测试时，模拟短路状况下多级直流断路器的动作情况。故障时，应最小一级直流断路器动作，回路断开后上级直流断路器不动作。接线方法如图6所示。
按预定试验方法开展试验，在试验过程中验证不同电流等级的直流断路器在2-N倍的故障电流下直流断路器的跳闸时间，分析过电流与动作时间的关系；在串级连接方式下，当末级直流断路器故障跳闸时，上级直流断路器不受下级直流断路器故障跳闸影响而跳闸，研究上下级直流断路器故障时的配合情况是否符合设计要求。
通过安秒动作试验来检测直流断路器开断（电流倍数-时间）的特性，了解现役直流断路器的性能，测试在故障情况下设备的正确动作能力，保证设备该断则断，应断必断。
通过直流级差配合试验来检测多级直流断路器的配合情况。模拟短路时，应最小一级直流断路器动作，回路断开后上级直流断路器不动作。通过直流级差配合试验来模拟现场设备短路时，能保证故障系统及时跳闸而不影响其他设备的正常运行，使事故影响范围最小化。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (4)
1.一种发电厂直流系统直流级差配合试验方法，其特征在于，包括：
获取待检测直流断路器的开断特性数据，其中，所述开断特性数据包括测试电流的序列和动作时间的序列；
对所述测试电流的序列和所述动作时间的序列进行时序关联分析，以得到测试电流-动作时间时域关联特征图；
将所述测试电流-动作时间时域关联特征图通过基于自适应注意力模块的局部特征显化器，以得到自适应强化测试电流-动作时间时域关联特征图；
基于所述自适应强化测试电流-动作时间时域关联特征图，确定所述待检测直流断路器的性能是否符合预定标准；
对所述测试电流的序列和所述动作时间的序列进行时序关联分析，以得到测试电流-动作时间时域关联特征图，包括：
对所述测试电流的序列和所述动作时间的序列进行数据规整处理，以得到测试电流输入向量和动作时间输入向量；
提取所述测试电流输入向量和所述动作时间输入向量的关联特征，以得到所述测试电流-动作时间时域关联特征图；
其中，对所述测试电流的序列和所述动作时间的序列进行数据规整处理，以得到测试电流输入向量和动作时间输入向量，包括：
将所述测试电流的序列和所述动作时间的序列分别按照时间维度进行数据规整，以得到所述测试电流输入向量和所述动作时间输入向量；
其中，提取所述测试电流输入向量和所述动作时间输入向量的关联特征，以得到所述测试电流-动作时间时域关联特征图，包括：
计算所述测试电流输入向量相对于所述动作时间输入向量的样本协方差关联矩阵，以得到测试电流-动作时间全时域关联矩阵；
将所述测试电流-动作时间全时域关联矩阵通过基于卷积神经网络模型的测试电流-动作时间关联模式特征提取器，以得到所述测试电流-动作时间时域关联特征图；
其中，计算所述测试电流输入向量相对于所述动作时间输入向量的样本协方差关联矩阵，以得到测试电流-动作时间全时域关联矩阵，包括：
以样本协方差公式来计算所述测试电流输入向量相对于所述动作时间输入向量的样本协方差关联矩阵，以得到所述测试电流-动作时间全时域关联矩阵；其中，所述样本协方差公式为：
Mcov =WTXXTW；
其中，W为所述测试电流输入向量，X为所述动作时间输入向量，Mcov为所述测试电流-动作时间全时域关联矩阵，T表示向量的转置；
其中，将所述测试电流-动作时间时域关联特征图通过基于自适应注意力模块的局部特征显化器，以得到自适应强化测试电流-动作时间时域关联特征图，包括：
以自适应注意力公式来对所述测试电流-动作时间时域关联特征图进行处理，以得到所述自适应强化测试电流-动作时间时域关联特征图；其中，所述自适应注意力公式为：
其中，F为所述测试电流-动作时间时域关联特征图，pool为池化处理，vc为池化向量，Wa是权重矩阵，ba是偏置向量，σ为激活处理，A为初始元权重特征向量，Ai是所述初始元权重特征向量中第i个位置的特征值，A'为校正元权重特征向量，F'是所述自适应强化测试电流-动作时间时域关联特征图，⊙表示以所述校正元权重特征向量中的特征值为权重与所述测试电流-动作时间时域关联特征图沿通道维度的各个特征矩阵进行相乘。
2.根据权利要求1所述的发电厂直流系统直流级差配合试验方法，其特征在于，基于所述自适应强化测试电流-动作时间时域关联特征图，确定所述待检测直流断路器的性能是否符合预定标准，包括：
对所述自适应强化测试电流-动作时间时域关联特征图进行特征分布修正，以得到修正后自适应强化测试电流-动作时间时域关联特征图；
将所述修正后自适应强化测试电流-动作时间时域关联特征图通过分类器，以得到分类结果，所述分类结果用于表示所述待检测直流断路器的性能是否符合预定标准。
3.根据权利要求2所述的发电厂直流系统直流级差配合试验方法，其特征在于，对所述自适应强化测试电流-动作时间时域关联特征图进行特征分布修正，以得到修正后自适应强化测试电流-动作时间时域关联特征图，包括：
对所述自适应强化测试电流-动作时间时域关联特征图与所述测试电流-动作时间时域关联特征图进行融合优化，以得到所述修正后自适应强化测试电流-动作时间时域关联特征图。
4.根据权利要求3所述的发电厂直流系统直流级差配合试验方法，其特征在于，将所述修正后自适应强化测试电流-动作时间时域关联特征图通过分类器，以得到分类结果，包括：
将所述修正后自适应强化测试电流-动作时间时域关联特征图进行特征图展开，以得到修正后自适应强化测试电流-动作时间时域关联特征向量；
使用所述分类器的多个全连接层对所述修正后自适应强化测试电流-动作时间时域关联特征向量进行全连接编码，以得到编码分类特征向量；以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数，以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225387.4A CN117805607B (zh) | 2024-02-29 | 2024-02-29 | 发电厂直流系统直流级差配合试验方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225387.4A CN117805607B (zh) | 2024-02-29 | 2024-02-29 | 发电厂直流系统直流级差配合试验方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117805607A CN117805607A (zh) | 2024-04-02 |
| CN117805607B true CN117805607B (zh) | 2024-05-07 |
Family
ID=90433803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410225387.4A Active CN117805607B (zh) | 2024-02-29 | 2024-02-29 | 发电厂直流系统直流级差配合试验方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117805607B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013131392A1 (zh) * | 2012-03-07 | 2013-09-12 | 甘肃省电力公司电力科学研究院 | 直流电源动态模拟仿真系统和直流电源试验系统 |
| CN204945342U (zh) * | 2015-09-01 | 2016-01-06 | 国家电网公司 | 变电站直流电源系统回路级差测试装置 |
| CN110221200A (zh) * | 2019-06-10 | 2019-09-10 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
| EP3706070A1 (en) * | 2019-03-05 | 2020-09-09 | Koninklijke Philips N.V. | Processing of depth maps for images |
| CN112269124A (zh) * | 2020-10-16 | 2021-01-26 | 厦门理工学院 | 基于自适应灰色关联分析的高压断路器故障诊断方法 |
| CN114814427A (zh) * | 2022-04-26 | 2022-07-29 | 中国电建集团河南工程有限公司 | 一种发电厂直流系统装置级差配合和安秒特性试验方法 |
| CN115616358A (zh) * | 2022-10-21 | 2023-01-17 | 国网浙江省电力有限公司 | 基于频谱时间图神经网络的高压电缆故障判断方法 |
| CN115792435A (zh) * | 2022-11-14 | 2023-03-14 | 国网河南省电力公司经济技术研究院 | 一种变电站直流系统保护电器合格性校验方法 |
| CN115879044A (zh) * | 2022-11-24 | 2023-03-31 | 国网安徽省电力有限公司超高压分公司 | 基于cnn网络的gis分合闸状态电流检测方法及装置 |
| CN116125260A (zh) * | 2022-09-09 | 2023-05-16 | 通号（长沙）轨道交通控制技术有限公司 | 一种基于多元数据融合的断路器机电故障边缘诊断方法 |
| CN116599050A (zh) * | 2023-05-19 | 2023-08-15 | 长安大学 | 基于自注意力机制的光伏预测方法及相关装置 |
| CN116881825A (zh) * | 2023-06-30 | 2023-10-13 | 合肥工业大学 | 基于gis设备的刀闸状态和三相刀闸动作的同步性检测方法 |
| CN117269644A (zh) * | 2023-09-18 | 2023-12-22 | 德清思正电力设备有限公司 | 电流互感器的线路故障监测系统及其方法 |
| CN117498262A (zh) * | 2023-10-31 | 2024-02-02 | 神州技测(深圳)科技有限公司 | 一种高压直流电子负载开关保护电路 |
| CN117518057A (zh) * | 2023-09-04 | 2024-02-06 | 国网浙江省电力有限公司丽水供电公司 | 一种变电站直流系统保护器级差配合校验方法及级差配合检验仪器 |
| CN117578715A (zh) * | 2023-11-17 | 2024-02-20 | 河南博恒智能科技有限公司 | 一种电力运维智能监测预警方法、系统及存储介质 |
| CN117589233A (zh) * | 2023-11-22 | 2024-02-23 | 河南袍尔电气有限公司 | 继电保护装置运行状态智能检测方法及系统 |
| CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
-
2024
- 2024-02-29 CN CN202410225387.4A patent/CN117805607B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013131392A1 (zh) * | 2012-03-07 | 2013-09-12 | 甘肃省电力公司电力科学研究院 | 直流电源动态模拟仿真系统和直流电源试验系统 |
| CN204945342U (zh) * | 2015-09-01 | 2016-01-06 | 国家电网公司 | 变电站直流电源系统回路级差测试装置 |
| EP3706070A1 (en) * | 2019-03-05 | 2020-09-09 | Koninklijke Philips N.V. | Processing of depth maps for images |
| CN110221200A (zh) * | 2019-06-10 | 2019-09-10 | 河北工业大学 | 一种基于深度学习的万能式断路器附件故障诊断方法 |
| CN112269124A (zh) * | 2020-10-16 | 2021-01-26 | 厦门理工学院 | 基于自适应灰色关联分析的高压断路器故障诊断方法 |
| CN114814427A (zh) * | 2022-04-26 | 2022-07-29 | 中国电建集团河南工程有限公司 | 一种发电厂直流系统装置级差配合和安秒特性试验方法 |
| CN116125260A (zh) * | 2022-09-09 | 2023-05-16 | 通号（长沙）轨道交通控制技术有限公司 | 一种基于多元数据融合的断路器机电故障边缘诊断方法 |
| CN115616358A (zh) * | 2022-10-21 | 2023-01-17 | 国网浙江省电力有限公司 | 基于频谱时间图神经网络的高压电缆故障判断方法 |
| CN115792435A (zh) * | 2022-11-14 | 2023-03-14 | 国网河南省电力公司经济技术研究院 | 一种变电站直流系统保护电器合格性校验方法 |
| CN115879044A (zh) * | 2022-11-24 | 2023-03-31 | 国网安徽省电力有限公司超高压分公司 | 基于cnn网络的gis分合闸状态电流检测方法及装置 |
| CN116599050A (zh) * | 2023-05-19 | 2023-08-15 | 长安大学 | 基于自注意力机制的光伏预测方法及相关装置 |
| CN116881825A (zh) * | 2023-06-30 | 2023-10-13 | 合肥工业大学 | 基于gis设备的刀闸状态和三相刀闸动作的同步性检测方法 |
| CN117518057A (zh) * | 2023-09-04 | 2024-02-06 | 国网浙江省电力有限公司丽水供电公司 | 一种变电站直流系统保护器级差配合校验方法及级差配合检验仪器 |
| CN117269644A (zh) * | 2023-09-18 | 2023-12-22 | 德清思正电力设备有限公司 | 电流互感器的线路故障监测系统及其方法 |
| CN117498262A (zh) * | 2023-10-31 | 2024-02-02 | 神州技测(深圳)科技有限公司 | 一种高压直流电子负载开关保护电路 |
| CN117578715A (zh) * | 2023-11-17 | 2024-02-20 | 河南博恒智能科技有限公司 | 一种电力运维智能监测预警方法、系统及存储介质 |
| CN117589233A (zh) * | 2023-11-22 | 2024-02-23 | 河南袍尔电气有限公司 | 继电保护装置运行状态智能检测方法及系统 |
| CN117590223A (zh) * | 2024-01-18 | 2024-02-23 | 南京飞腾电子科技有限公司 | 断路器的在线监测系统及其方法 |
Non-Patent Citations (3)
| Title |
|---|
| Causal Graph Attention Network with Disentangled Representations for Complex Systems Fault Detection;Jie Liu 等;Reliability Engineering and System Safety;20230412;第235卷;109232 * |
| 基于模糊神经网络的低压配电系统故障诊断方法研究;闫亮;科技创新;20170825(第24期);26-27 * |
| 对发电机灭磁和程序跳闸方式改进的探讨;王国仁 等;山西电力;20140828(第4期);56-58 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117805607A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
| CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
| CN109766992B (zh) | 基于深度学习的工控异常检测及攻击分类方法 | |
| CN111353153A (zh) | 一种基于gep-cnn的电网恶意数据注入检测方法 | |
| CN105354643A (zh) | 一种风电接入电网的风险预测评估方法 | |
| CN118051827A (zh) | 基于深度学习的电网故障预测方法 | |
| CN110781970A (zh) | 分类器的生成方法、装置、设备及存储介质 | |
| CN118316744B (zh) | 配电网的监控方法、装置、设备及存储介质 | |
| CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
| CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
| CN116884192A (zh) | 一种电力生产作业风险预警方法、系统和设备 | |
| CN116846075A (zh) | 基于深度学习的变电站防误操作方法 | |
| CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN117667495A (zh) | 一种基于关联规则与深度学习集成模型的应用系统故障预测方法 | |
| CN117805607B (zh) | 发电厂直流系统直流级差配合试验方法 | |
| CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
| CN110705638A (zh) | 一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法 | |
| CN115935293A (zh) | 智能高压开关的状态评估方法、装置、终端及存储介质 | |
| CN115456106A (zh) | 一种高压断路器故障诊断模型优化方法 | |
| Adhikari et al. | Real-Time Short-Term Voltage Stability Assessment using Temporal Convolutional Neural Network | |
| Zhao et al. | Make Gating Fairer: Fault Attribute-Driven Bias Calibration for Generalized Zero-Shot Industrial Fault Diagnosis | |
| Huang et al. | An intelligent fault diagnosis method for CNN-SVM circuit breaker based on quantum particle swarm optimization | |
| CN112541554B (zh) | 基于时间约束的核稀疏表示的多模态过程监控方法及系统 | |
| CN114638555B (zh) | 基于多层正则化极限学习机的用电行为检测方法及系统 |
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 |