CN103914621A - 一种基于结构特征的配变日负荷典型曲线分析方法 - Google Patents
一种基于结构特征的配变日负荷典型曲线分析方法 Download PDFInfo
- Publication number
- CN103914621A CN103914621A CN201410133774.1A CN201410133774A CN103914621A CN 103914621 A CN103914621 A CN 103914621A CN 201410133774 A CN201410133774 A CN 201410133774A CN 103914621 A CN103914621 A CN 103914621A
- Authority
- CN
- China
- Prior art keywords
- curve
- daily load
- valley
- peak value
- typical
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于结构特征的配变日负荷典型曲线分析方法,本方法在获取配变日负荷典型曲线时,侧重于同类日负荷曲线的峰值/谷值时间一致性。所述方法选取配变历史日负荷曲线数据库中无异常数据的曲线作为待分析对象,采用分类方法,将占比较多的分类作为日负荷曲线典型分类,进而求取配变日负荷典型曲线。本发明在日负荷曲线分类过程中利用了统计获取的峰值/谷值典型时段作为主要依据,更有利于掌握配变日负荷峰值/谷值出现的时间。
Description
技术领域
本发明涉及一种负荷曲线分析方法,尤其涉及一种基于结构特征的配变日负荷典型曲线的分析方法,属于电力***负荷分析技术领域。
背景技术
不论是电力生产部门为了生产安排,还是电力传输部门为了电量分配,都需要掌握一个地区的负荷变化特征,区域日负荷曲线的研究一直是电力***研究的重要内容。随着智能电网的不断推进,对城市等大区域的日负荷曲线的研究已不能满足需求侧负荷精细化管理的要求。配变负荷曲线能更好地反映局部区域用户的用电特性,且随着配变负荷监测***的普遍安装,可利用配变日负荷曲线分析下属用户的用电特征,从而更有针对性的作出用户用电指导,实现需求侧负荷管理的削峰填谷。为了达到削峰填谷的效果,配变负荷曲线中峰值/谷值时间以及峰值/谷值大小就显得尤为重要。本发明专利在预处理的基础上,按峰值/谷值时间进行分类处理,从而获得配变的日负荷典型曲线,用以分析配变负荷变化的一些规律。
负荷典型曲线是描述负荷特性的重要方法,而聚类和经验直接选取等方法是获取负荷典型曲线的重要手段。现有的日负荷曲线聚类方法主要引入数据挖掘处理中的典型聚类方法,包括层次聚类、K均值聚类、模糊K均值聚类、Leader聚类和模糊关系等聚类方法。聚类过程中使用的特征向量多为直接的96点/48点负荷曲线,通过比较负荷曲线间对应点间的总距离,将距离相近的曲线划分成同类型,其中距离计算的方式有欧氏距离、Cosine距离、CityBlock距离等。现有的聚类方法能较好地将差异较大的日负荷曲线分类,但也存在不足,主要表现在:分类后,同类型负荷曲线的峰值/谷值变化可能存在差异,没能较好地从负荷峰值/谷值变化对曲线进行聚类,不利于负荷峰值/谷值趋势分析。而经验直接选取方法主要根据经验直接选择典型日作为负荷典型曲线,该方法对经验要求较高,且容易发生遗漏。
同一配变下,用户群较为稳定,多数用户用电具有一定的规律性,使得同等条件(如气候、工作日等)下,配变上监测到的日负荷曲线的在总体形状上具有相似性,这种相似性主要表现在负荷上升/下降的趋势上,即峰值/谷值时间。本发明主要从峰值/谷值时间来分析负荷典型曲线的形状。
发明内容
本发明的目的是,提供一种基于结构特征的配变日负荷典型曲线分析方法,该方法侧重于负荷曲线峰值/谷值时间上的分析,有利于更好地分析日负荷的变化趋势。
本发明的技术方案是,在归一化处理的基础上对日负荷曲线做平滑处理,获取日负荷曲线的主要峰值/谷值时间,统计出峰值/谷值出现的典型时段,依据峰值/谷值的典型时段对日负荷曲线分类,从而获得日负荷典型曲线。本发明包括如下步骤:
(1)配变日负荷曲线选取:选定某一待分析的配变,获取其近年来的日负荷曲线数据,通过去除不完整数据,获得待处理日负荷曲线数据集。由于不同用电性质的配变日负荷曲线间可能存在较大差异,本发明主要针对同一配变找出日负荷典型曲线,以分析其负荷变化特征,因此选取某一配变的若干天日负荷曲线作为分析对象。为了能更好地获取较为完整的日负荷典型曲线类型,建议选取的日负荷曲线能较多地覆盖不同气候、工作日、节假日等主要负荷影响因素的曲线。同时检测各条日负荷曲线的完整性,去除日负荷曲线中重复记录的数据,去除包含异常值、数据缺失等情况的日负荷曲线,得到待处理日负荷曲线数据集。
(2)日负荷曲线归一化处理:统计出数据集中各曲线的最大值与最小值,分别结合最大值与最小值对各曲线进行归一化处理,即将待处理日负荷曲线数据集中将各曲线值映射到(0,1)区间,得到归一化日负荷曲线数据集。
(3)日负荷曲线平滑处理:对归一化日负荷曲线数据集中每条曲线进行平滑处理,突出曲线主要的负荷变化趋势,去除曲线局部小幅度的峰值/谷值变化,得到平滑日负荷曲线数据集。本发明采用局部加权回归散点平滑法(LOESS)对归一化日负荷曲线数据集中各曲线进行平滑处理,其中平滑参数的选取原则是保留日负荷曲线整体的峰值/谷值变化趋势。
(4)峰值/谷值时间获取:获取平滑日负荷曲线数据集中每条曲线的峰值/谷值大小和时间点,对每条曲线建立相邻峰值与谷值之间的差值序列,通过去除或合并峰值/谷值变化不明显的时间点,得到各曲线的峰值/谷值时间点。
(5)峰值/谷值典型时段的获取:统计峰值/谷值时间点的频度,将峰值/谷值出现频繁的时间段定为峰值/谷值典型时段。本发明将峰值/谷值出现频繁的时段定为峰值/谷值典型时段,获取方式为,对所有曲线按时间点统计各时间点峰值出现的数量,以此形成峰值时间的直方图,参考多阈值Ostu直方图分割方法,获得峰值时间的类别,每个类别为一个峰值的典型时段。类似地获得谷值的典型时段类别。
(6)基于峰值/谷值时间的日负荷曲线分类:待处理日负荷曲线数据集,按每条曲线中峰值/谷值所属典型时间段的组合进行分类,每类中各曲线的峰值/谷值时间基本一致,得到若干日负荷曲线分类。将占比较大的分类作为日负荷曲线典型分类,即日负荷曲线典型分类中的各曲线具有相似的峰值/谷值出现的时间。将占比较少的分类作为日负荷曲线非典型分类,并归为其他分类,必要时可对其进一步分析。
(7)日负荷典型曲线获取:对日负荷曲线典型分类,采用均值方法求取一条能够代表该类别的日负荷典型曲线。
本发明提出的配变日负荷特性曲线分析方法具有如下的优点:
本发明按峰值/谷值的时间段对日负荷曲线分类,分类结果能更好地体现负荷峰值/谷值的变化情况,有利于开展负荷管理;本发明对日负荷曲线经过平滑处理后,虽然精度有所损失,但负荷曲线的峰值/谷值更为明显,使得基于峰值/谷值时间的日负荷曲线分类结果对局部的峰值/谷值变化有更好的容忍性。
附图说明
图1为一种基于结构特征的配变日负荷典型曲线分析方法过程图;
图2为某配变待处理日负荷曲线数据集示例;
图3为图2示例数据集归一化和平滑处理后的结果;
图4为示例数据集的典型日负荷曲线类别1;
图5为示例数据集的典型日负荷曲线类别2;
图6为示例数据集的典型日负荷特性曲线。
具体实施方式
本发明具体实施方式如下:
配变监测***的普遍安装,提高了配变日负荷曲线的获取能力,本发明主要针对同一配变,通过获取较长一段时间的日负荷曲线,分析出配变日负荷典型曲线,以更深入了解配变日负荷变化规律。如图1所示,本发明的实现共分为7个主要步骤,分别为:配变日负荷曲线选取、日负荷曲线归一化处理、日负荷曲线平滑处理、峰值/谷值时间获取、峰值/谷值典型时段的获取、基于峰值/谷值时间的日负荷曲线分类和日负荷典型曲线获取。下面将以某居民配变的若干天日负荷曲线为例,对本发明的具体实施步骤进行详细的说明。
(1)配变日负荷曲线选取
选定某一配变后,选择若干天的日负荷曲线作为分析对象。鉴于日负荷曲线的变化与气候、工作日、节假日等负荷影响因素联系紧密,建议选取的日负荷曲线能覆盖较多的不同气候、工作日、节假日等,使得本发明分析结果获取的日负荷典型曲线能代表这些情况下负荷变化趋势。
数据不完整的日负荷曲线不仅不利于分析日负荷曲线特性,还会干扰分析的准确性。本发明采用删除重复值的方法去除曲线多余的维数,采用直接删除整条曲线的方式将包含异常值(如0值)、数据缺失等情况的日负荷曲线去除,得到待处理日负荷曲线数据集L。即数据集L=lij(1≤i≤n,1≤j≤m)中包含了n天的某配变的日负荷曲线,其中li·为一定间隔时间规律采集到的配变日负荷曲线,现有的曲线多为间隔30分钟获取的48点曲线或间隔15分钟获取的96点曲线,即m=48或m=96。本发明中的示例日负荷曲线为48点曲线,则li·={li1,li2,…,li48},所对应的时间点为t={t1,t2,…,t48}。图2给出某配变的待处理日负荷曲线数据集示例。
(2)日负荷曲线归一化处理
对数据集L中的每条日负荷曲线li·,计算li·的最大值负荷和最小负荷采用min-max归一化方法对li·进行归一化处理,具体见公式(1)。数据集L经归一化处理后,各日负荷曲线值映射到(0,1)区间,得到归一化日负荷曲线数据集NR=nrij(1≤i≤n,1≤j≤m)。
(3)日负荷曲线平滑处理
为了获得后期处理需要的主要峰值/谷值时间,需去除曲线局部的负荷变化,得到反映负荷上升下降的主要趋势。本发明对归一化后的日负荷曲线nri进行平滑处理,突出曲线主要的变化趋势。平滑处理采用局部加权回归散点平滑法(LOESS),本发明平滑度的选择以不平滑掉主要的峰值/谷值为依据,建议LOESS中平滑系数α为0.15左右。图3给出了示例数据集归一化处理后曲线平滑的效果。对归一化日负荷曲线数据集NR=nrij平滑处理后得到数据集S=sij。
si·=smooth(nri·,LOESS,α)
(4)峰值/谷值时间获取
平滑之后,S中的各曲线的峰值/谷值位置较为明显,但仍存在峰值/谷值距离近、差异小的现象,对主要峰值/谷值造成了干扰,本发明采用以下方式去除明显上升或下降趋势中不显著的峰值/谷值,以及合并峰值/谷值波动区域的峰值/谷值:
Step1:取S中的si·,获取其峰值序列P{(pv1,pl1),(pv2,pl2),…,(pvu,plu)}和谷值序列M{(mv1,ml1),(mv2,ml2),…,(mvv,mlv)},其中pvk和mvk为峰值和谷值的大小,plk和mlk为峰值和谷值的位置(出现的时间点);
Step2:计算相邻峰值与谷值的差值,得到差值序列D{d1,d2,…du+v-1},设定λ为峰谷变化是否明显的阈值,找出D中di<λ的若干个子序列LD;
Step3:取其中一个未处理的子序列{ld1,ld2,…,ldp},若子序列均处理则结束,否则Step4;
Step4:若子序列长度p为奇数,判断为峰谷值抖动,直接去除子序列{ld1,ld2,…,ldp}相关的峰谷值,更新峰值序列P和谷值序列M;
Step5:若子序列长度p为偶数,判断为峰谷值波动,将子序列{ld1,ld2,…,ldp}相关的峰谷值合并成一个新的峰谷值,按峰值取最大值,谷值取最小值,位置取中间,更新峰值序列P和谷值序列M;
Step6:转入Step3。
本发明建议λ的取值在0.04左右。经上述处理后,得到各曲线的峰值/谷值主要时间点和大小,即P'{(pv1',pl1'),(pv'2,pl'2),…,(pv'u',pl'u')}和M'{(mv1',ml1'),(mv'2,ml'2),…,(mv'v',ml'v')}。
(5)峰值/谷值典型时段的获取
以峰值为例,按时间点统计各时间点峰值出现的次数,对于48点日负荷曲线而言,得到峰值次数序列PC{pc1,pc2,…,pc48},其中pci表示时间点ti峰值出现的次数。采用多阈值Otsu方法得到k个阈值{st1,st2,…,stk},可将(t1,st1],(st1,st2],…,(stk-1,stk],(stk,t48]时间段视为峰值典型时间段,记为{pt1,tpt2,t…,ptk+t1}。类似可获取谷值出现的典型时间段,记为{mtt1,mtt2,…,mttk'+1}。
(6)基于峰值/谷值时间的日负荷曲线分类
依次取li·所对应的峰值和谷值位置{pl1',pl'2,…,pl'u'}和{ml1',ml'2,…,ml'v'},若pl'k和ml'k均处在某一典型时间段ptti和mtti内,则多个ptti和mtti形成一个组合,若该组合为一新的组合则将其划分成一个新的类别,否则归为现有与其相同的组合类别中。这样L中的li·被划分成q个类别C={c1,c2,…,cq},每类日负荷曲线具有相似的峰值/谷值时间。进一步统计每类组合方式的数量,将q'个主要占比的组合方式归为日负荷曲线典型分类TC={c1',c'2,…,c'q'}(q'≤q)。图4和图5给出了示例数据集得到的两个日负荷曲线典型分类。将占比较少的组合方式合并成其他分类,可进一步分析。
(7)日负荷典型曲线获取
针对日负荷曲线典型分类TC,求取ci'={ci'1,ci'2,…,ci'r}中每个分类各曲线各点的平均值作为该类日负荷典型曲线tli各点的值(见公式(2))。均值计算的对象也可以为分类所对应的平滑后的归一化曲线,采用平滑后的归一化曲线计算所得的典型曲线其峰值/谷值变化可能会更明显。图6给出了利用归一化和平滑处理后的曲线计算两类日负荷曲线典型分类所得的日负荷典型曲线。
本发明所提供的配变日负荷典型曲线分析方法主要是为了提高典型日负荷曲线对峰值/谷值变化时间一致性而专门提出的。但显然,本负荷曲线分类方法也适用于其他日负荷典型曲线分析,如区域负荷、重要用户负荷等。
以上对本发明所提供的基于结构特征的配变日负荷典型曲线分析方法进行了详细说明,但显然本发明的具体实现形式并不局限于此。对于本技术领域的一般技术人员而言,在不背离本发明的权利要求范围的情况下对它进行的各种显而易见的改变都在本发明的保护范围之内。
Claims (6)
1.一种基于结构特征的配变日负荷典型曲线分析方法,其特征在于,所述方法在归一化处理的基础上对日负荷曲线做平滑处理,获取日负荷曲线的主要峰值/谷值时间,统计出峰值/谷值出现的典型时段,依据峰值/谷值的典型时段对日负荷曲线分类,从而获得日负荷典型曲线;所述方法包括如下步骤:
(1)配变日负荷曲线选取:选定某一待分析的配变,获取其近年来的日负荷曲线数据,通过去除不完整数据,得到待处理日负荷曲线数据集;
(2)日负荷曲线归一化处理:采用归一化的方式,将待处理日负荷曲线数据集中各曲线值映射到(0,1)区间,获得归一化日负荷曲线数据集;
(3)日负荷曲线平滑处理:对归一化日负荷曲线数据集中每条曲线进行平滑处理,突出曲线主要的负荷变化趋势,去除曲线局部小幅度的峰值/谷值变化,得到平滑日负荷曲线数据集;
(4)峰值/谷值时间获取:获取平滑日负荷曲线数据集中每条曲线的峰值/谷值时间点,并去除或合并峰值/谷值变化不明显的时间点,得到各曲线的峰值/谷值时间点;
(5)峰值/谷值典型时段的获取:统计峰值/谷值时间点的频度,将峰值/谷值出现频繁的时间段定为峰值/谷值典型时段;
(6)基于峰值/谷值时间的日负荷曲线分类:待处理日负荷曲线数据集,按每条曲线中峰值/谷值所属典型时段的组合进行分类,每类中各曲线的峰值/谷值时间基本一致,得到若干日负荷曲线分类,将占比较大的分类作为日负荷曲线典型分类;
(7)日负荷典型曲线获取:对日负荷曲线典型分类,采用均值方法求取一条能够代表该类别的日负荷典型曲线。
2.如权利要求1所述的基于结构特征的配变日负荷典型曲线分析方法,其特征在于:所述步骤(1)中,为了避免待处理日负荷曲线数据集中数据不准确给分析带来的干扰,需去除曲线中包含的重复数据,删除存在缺失或异常值的整条曲线。
3.如权利要求1所述的基于结构特征的配变日负荷典型曲线分析方法,其特征在于:所述步骤(3)中,曲线平滑过程中,要求在保留曲线整体的峰值/谷值变化趋势的前提下,去除局部小幅度的峰值/谷值变化,使得平滑后的曲线有利于获得曲线主要的峰值/谷值时间。
4.如权利要求1所述的基于结构特征的配变日负荷典型曲线分析方法,其特征在于:所述步骤(5)中,采用多阈值Ostu方式确定峰值/谷值典型时段。
5.如权利要求1所述的基于结构特征的配变日负荷典型曲线分析方法,其特征在于:所述步骤(6)中,对于占比较小的分类可以进一步分析非典型日负荷曲线的特征及其相关的形成因素。
6.如权利要求1所述的基于结构特征的配变日负荷典型曲线分析方法,其特征在于:所述步骤(7)中,均值计算的对象也可以为分类所对应的平滑后的归一化曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410133774.1A CN103914621A (zh) | 2014-04-03 | 2014-04-03 | 一种基于结构特征的配变日负荷典型曲线分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410133774.1A CN103914621A (zh) | 2014-04-03 | 2014-04-03 | 一种基于结构特征的配变日负荷典型曲线分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103914621A true CN103914621A (zh) | 2014-07-09 |
Family
ID=51040297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410133774.1A Pending CN103914621A (zh) | 2014-04-03 | 2014-04-03 | 一种基于结构特征的配变日负荷典型曲线分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103914621A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107248031A (zh) * | 2017-05-27 | 2017-10-13 | 西安交通大学 | 一种针对负荷曲线峰谷差的快速电力用户分类方法 |
CN108182386A (zh) * | 2017-12-13 | 2018-06-19 | 河南辉煌科技股份有限公司 | 道岔标准曲线自动生成方法 |
CN110619472A (zh) * | 2019-09-19 | 2019-12-27 | 贵州电网有限责任公司 | 一种电力用户典型日负荷曲线编制方法 |
CN112465188A (zh) * | 2020-11-03 | 2021-03-09 | 上海威派格智慧水务股份有限公司 | 一种用水高峰期分析***与方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009303318A (ja) * | 2008-06-11 | 2009-12-24 | Panasonic Corp | 分散型電源システム |
CN102156814A (zh) * | 2011-04-06 | 2011-08-17 | 广东省电力设计研究院 | 基于聚类的典型日负荷曲线选取方法及装置 |
CN102930178A (zh) * | 2012-11-26 | 2013-02-13 | 慈溪市供电局 | 一种负荷数据异常检测方法 |
-
2014
- 2014-04-03 CN CN201410133774.1A patent/CN103914621A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009303318A (ja) * | 2008-06-11 | 2009-12-24 | Panasonic Corp | 分散型電源システム |
CN102156814A (zh) * | 2011-04-06 | 2011-08-17 | 广东省电力设计研究院 | 基于聚类的典型日负荷曲线选取方法及装置 |
CN102930178A (zh) * | 2012-11-26 | 2013-02-13 | 慈溪市供电局 | 一种负荷数据异常检测方法 |
Non-Patent Citations (2)
Title |
---|
童述林: "电力***负荷数据的处理与分析研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
顾民等: "基于改进ART2 网络的电力负荷脏数据辨识与调整", 《电力***自动化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107248031A (zh) * | 2017-05-27 | 2017-10-13 | 西安交通大学 | 一种针对负荷曲线峰谷差的快速电力用户分类方法 |
CN108182386A (zh) * | 2017-12-13 | 2018-06-19 | 河南辉煌科技股份有限公司 | 道岔标准曲线自动生成方法 |
CN108182386B (zh) * | 2017-12-13 | 2021-12-17 | 河南辉煌科技股份有限公司 | 道岔标准曲线自动生成方法 |
CN110619472A (zh) * | 2019-09-19 | 2019-12-27 | 贵州电网有限责任公司 | 一种电力用户典型日负荷曲线编制方法 |
CN112465188A (zh) * | 2020-11-03 | 2021-03-09 | 上海威派格智慧水务股份有限公司 | 一种用水高峰期分析***与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018082523A1 (zh) | 一种负荷周期的模式识别方法 | |
Rajabi et al. | A comparative study of clustering techniques for electrical load pattern segmentation | |
CN108596362B (zh) | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 | |
Räsänen et al. | Feature-based clustering for electricity use time series data | |
Räsänen et al. | Data-based method for creating electricity use load profiles using large amount of customer-specific hourly measured electricity use data | |
CN104063480B (zh) | 一种基于电力大数据的负荷曲线并行聚类方法 | |
CN103577883A (zh) | 一种网-荷智能互动方法及装置 | |
CN103914621A (zh) | 一种基于结构特征的配变日负荷典型曲线分析方法 | |
CN110188221B (zh) | 一种基于形状距离的负荷曲线层次聚类方法 | |
CN102542262A (zh) | 一种基于高铁运行特征工况波形库的波形识别方法 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
Damayanti et al. | Electrical load profile analysis using clustering techniques | |
CN105574642A (zh) | 一种基于智能电网大数据的电价执行稽查方法 | |
Himeur et al. | Efficient multi-descriptor fusion for non-intrusive appliance recognition | |
CN110852511B (zh) | 基于天气温度与k邻近理论的居民短期用电预测方法 | |
CN104376402B (zh) | 一种基于频域指标的负荷特性分类与综合方法 | |
Johannesen et al. | Smart load prediction analysis for distributed power network of Holiday Cabins in Norwegian rural area | |
Qi et al. | Load pattern recognition method based on fuzzy clustering and decision tree | |
CN111324790A (zh) | 基于支持向量机分类的负荷类型识别方法 | |
Wang et al. | Evsense: A robust and scalable approach to non-intrusive ev charging detection | |
Anuar et al. | Electricity load profile determination by using fuzzy cmeans and probability neural network | |
Yilmaz et al. | Exploratory study on clustering methods to identify electricity use patterns in building sector | |
CN111898857A (zh) | 基于BEMD和kmeans电力用户特征分析方法及*** | |
Niska | Extracting controllable heating loads from aggregated smart meter data using clustering and predictive modelling | |
CN106548199A (zh) | 一种基于需求响应的大用户负荷聚类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140709 |
|
WD01 | Invention patent application deemed withdrawn after publication |