CN108647716B - 一种基于复合信息的光伏阵列故障诊断方法 - Google Patents

一种基于复合信息的光伏阵列故障诊断方法 Download PDF

Info

Publication number
CN108647716B
CN108647716B CN201810439521.5A CN201810439521A CN108647716B CN 108647716 B CN108647716 B CN 108647716B CN 201810439521 A CN201810439521 A CN 201810439521A CN 108647716 B CN108647716 B CN 108647716B
Authority
CN
China
Prior art keywords
photovoltaic array
working state
training
layer
classification model
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
Application number
CN201810439521.5A
Other languages
English (en)
Other versions
CN108647716A (zh
Inventor
邓方
梁泽浪
丁宁
樊欣宇
高欣
蔡烨芸
陈杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201810439521.5A priority Critical patent/CN108647716B/zh
Publication of CN108647716A publication Critical patent/CN108647716A/zh
Priority to PCT/CN2019/000095 priority patent/WO2019214268A1/zh
Priority to US17/093,244 priority patent/US20210135625A1/en
Application granted granted Critical
Publication of CN108647716B publication Critical patent/CN108647716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于复合信息的光伏阵列故障诊断方法，属于故障诊断技术领域。该方法包括：采集光伏阵列工作状态复合信息数据并进行预处理，工作状态复合信息数据包括光伏阵列工作状态图像数据以及光伏阵列工作状态文本数据；利用光伏阵列工作状态图像数据进行训练预先建立的深度卷积神经网络故障分类模型，训练完成后得到图像故障分类模型；利用光伏阵列工作状态文本数据训练预先建立的基于支持向量机的故障分类模型，训练完成后得到文本故障分类模型；将图像故障分类模型和文本故障分类模型采用逻辑回归算法进行融合，得到融合模型，并利用光伏阵列工作状态复合信息数据对融合模型进行训练，训练完成得到基于复合信息的光伏阵列故障诊断模型。

Description

一种基于复合信息的光伏阵列故障诊断方法
技术领域
本发明涉及故障诊断技术领域，具体涉及一种基于复合信息的光伏阵列故障诊断方法。
背景技术
随着煤炭，石油和天然气等化石燃料的急剧增加，不可再生资源的总有一天会耗尽，而且，化石燃料的燃烧会产生大量的有害气体，对人类生存环境有很大的危害。因此太阳能作为一种可再生资源，因其取之不尽，用之不竭，清洁环保，不受地域因素限制，成为了目前最理想的可再生能源。
太阳能光伏技术的发展带来了巨大的经济效益，但是在实际应用中太阳能光伏阵列由于制造或者是环境的原因会产生各种类型的故障，目前光伏阵列的故障主要有三种：太阳能电池板的裂片问题，长期使用导致的老化问题以及光伏阵列的热斑现象。
目前针对这些故障的故障诊断方法有时域反射法，智能算法，功率对比法，电特性检测法以及红外图像检测法。时域反射法类似于雷达检测方法，利用输入信号进入输入线，当出现阻抗不匹配是会产生反射信号，通过比较输入信号于反射信号来检测故障；智能算法是通过采集大量的故障数据为智能算法提供训练，虽然效果比较好，但是数据的采集成为了其最大的阻碍；功率对比法虽然方法简单，但是其无法定位故障，只能判断故障是否产生；电特性检测法是利用电压电流传感器对信号进行分析来实现故障诊断，其需要大量的传感器才能实现信号的收集，所以有很大的局限性。红外图像诊断法是根据太阳能电池板发生故障后正常与非正常状态下会存在一定的温差，而红外图像恰好能反映电池板的温差特性，同时，红外图像不仅可以实现故障的定点检测而且红外图像易于采集，但是红外图像只能对于太阳能电池板是否发生故障做出判断，对于故障类型的判断红外图像没有办法识别。综上，不管是基于红外图像还是基于电流电压等文本数据，对于故障信息的利用都都有一定的局限性、不够全面，准确率低。
发明内容
有鉴于此，本发明提供了一种基于复合信息的光伏阵列故障诊断方法，能够针对图像数据和文本数据分别建立故障分类模型，并将二者融合，获得基于复合信息的光伏阵列故障诊断模型，实现了对故障信息的全面利用，大大提高了故障诊断准确率。
为达到上述目的，本发明的技术方案为：
一种基于复合信息的光伏阵列故障诊断方法，该方法包括：
S1、采集光伏阵列工作状态复合信息数据并进行预处理，工作状态复合信息数据包括光伏阵列工作状态图像数据以及光伏阵列工作状态文本数据。
S2、利用光伏阵列工作状态图像数据进行训练预先建立的深度卷积神经网络故障分类模型，训练完成后得到图像故障分类模型。
利用光伏阵列工作状态文本数据训练预先建立的基于支持向量机的故障分类模型，训练完成后得到文本故障分类模型。
S3、将图像故障分类模型和文本故障分类模型采用逻辑回归算法进行融合，得到融合模型，并利用光伏阵列工作状态复合信息数据对融合模型进行训练，训练完成得到基于复合信息的光伏阵列故障诊断模型。
进一步地，光伏阵列工作状态包括：正常工作状态、热斑故障、开路故障以及短路故障；为每个工作状态设置相应标签。
光伏阵列工作状态图像数据包括光伏阵列的红外图像以及光伏阵列工作状态标签。
光伏阵列工作状态文本数据包括光伏组件的开路电压、短路电流、最大功率点电压、最大功率点电流、环境光照、温度以及描述光伏阵列工作状态的标签。
进一步地，对光伏阵列工作状态复合信息数据进行预处理，包括对伏阵列工作状态图像数据进行预处理以及对光伏阵列工作状态文本数据进行预处理。
对伏阵列工作状态图像数据进行预处理包括：
将阵列工作状态图像数据转换为RGB图像，并进行数据标准化处理。
采用主成分分析法PCA白化操作对标准化处理后的阵列工作状态图像数据进行处理。
对光伏阵列工作状态文本数据进行预处理包括：将光伏阵列工作状态文本数据进行数据标准化处理。
进一步地，述利用图像数据进行训练预先建立的深度卷积神经网络故障分类模型，训练完成后得到图像故障分类模型，具体包括：
预先建立深度卷积神经网络故障分类模型，包括输入层、卷积层、池化层、全连接层和输出层。
以光伏阵列工作状态图像数据作为训练样本图像，随机采样多个训练样本图像构成一个最小批处理文件mini-batch输入至深度卷积神经网络故障分类模型的输入层。
输入层将最小批处理文件mini-batch中的训练样本图像输入至卷积层。
卷积层中具有n个卷积核，n为设定数值，利用n个卷积核对进入卷积层的图像进行卷积滤波提取到n个邻域特征图。
邻域特征图进入池化层，池化层采用最大池化技术对邻域特征图进行采样获得新特征图。
深度卷积神经网络故障分类模型中具备设定数量的卷积层和池化层，池化层得到的新特征图进入下一卷积层或者进入全连接层。
全连接层将进入其中的新特征图展开为一维特征向量，作为训练样本图像特征进入输出层。
输出层为softmax分类器，利用训练样本图像特征以及训练样本图像中的光伏阵列工作状态标签对softmax分类器进行训练，并利用反向传播算法对深度卷积神经网络模型进行调整，直到深度卷积神经网络模型满足准确率阈值或者达到预设的最大迭代次数完成训练，训练完成后得到图像故障分类模型。
进一步地，卷积层的卷积滤波过程中、池化层的最大池化技术中、以及全连接层中采用的激活函数均为函数线性修正单元ReLUs。
进一步地，将图像故障分类模型和文本故障分类模型采用逻辑回归算法进行融合，得到融合模型，具体为：
图像故障分类模型的输出结果为
Figure BDA0001655558840000041
文本故障分类模型的输出结果为
Figure BDA0001655558840000042
两者构成融合模型的输入
Figure BDA0001655558840000043
其中S1采集的光伏阵列工作状态复合信息数据数量为N；i＝1,2,...,N。
假设
Figure BDA0001655558840000044
yi∈{0,1,2,3}，yi等于0时为正常工作状态，yi等于1时为热斑故障，yi等于2时为开路故障，yi等于3时为短路故障。
融合模型的训练数据集为
Figure BDA0001655558840000045
采用逻辑回归算法建立多项逻辑回归模型，作为融合模型：
Figure BDA0001655558840000046
其中k＝1,2,...K-1，K＝4，x∈Rn+1,wk∈Rn+1，wk为融合模型的权值。
利用融合模型的训练数据集T3对融合模型的权值进行训练，训练完成后的融合模型作为基于复合信息的光伏阵列故障诊断模型。
有益效果：
(1)本发明提出的基于光伏阵列复合信息的故障诊断方法，分别建立基于图像数据、文本数据的故障分类模型，通过深度卷积神经网络进行图像数据的故障分类，利用支持向量机进行电压电流为代表的文本数据故障分类；最后利用逻辑回归算法对两个模型进行融合，最终实现基于复合信息的光伏阵列故障诊断方法；本发明能够针对图像数据和文本数据同时进行故障分类，相比于传统的故障诊断方法利用单一类型故障信息进行故障诊断分析，本发明能够实现对故障信息的全面利用，打破了传统技术的局限性；由于图像故障分类模型和文本故障分类模型对于数据的敏感程度和类型不相同，把两类模型进行融合，加大故障诊断模型的鲁棒性，减少了对领域专家知识的依赖，提高了故障诊断的准确率。
(2)本发明提出基于深度卷积网络和支持向量机的光伏阵列故障诊断方法，该方法不同于传统的利用图像处理方法实现故障诊断，而是利用深度卷积神经网络强大的特征提取能力对大量的红外图像进行处理，从而大大减少了对专家经验，对于文本数据的处理也利用支持向量机算法进行高效的故障分类。
附图说明
图1为本发明实施例提出的一种基于复合信息的光伏阵列故障诊断方法流程图；
图2为本发明实施例提供的深度卷积神经网络基本结构示意图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明提供了一种基于复合信息的光伏阵列故障诊断方法，该方法流程如图1所示，具体包括：
S1、采集光伏阵列工作状态复合信息数据并进行预处理，工作状态复合信息数据包括光伏阵列工作状态图像数据以及光伏阵列工作状态文本数据。
本发明实施例中，光伏阵列工作状态包括：正常工作状态、热斑故障、开路故障以及短路故障；为每个工作状态设置相应标签。
光伏阵列工作状态图像数据包括光伏阵列的红外图像以及光伏阵列工作状态标签。
光伏阵列工作状态文本数据包括光伏组件的开路电压、短路电流、最大功率点电压、最大功率点电流、环境光照、温度以及描述光伏阵列工作状态的标签。
本发明实施例中针对光伏阵列工作状态复合信息数据进行预处理，包括对伏阵列工作状态图像数据进行预处理以及对光伏阵列工作状态文本数据进行预处理。
其中对光伏阵列工作状态图像数据进行预处理包括：
S101、将光伏阵列工作状态图像数据转换为RGB图像，并进行数据标准化处理；本发明实施例中采集到的光伏阵列工作状态图像为红外图像，将红外图像转换为三维的RGB图像，图片像素为160×120，为了消除特征量之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。本发明实施例使用Z-score标准化方法，如下式所示：
Figure BDA0001655558840000061
式中
Figure BDA0001655558840000062
表示预处理后的光伏阵列工作状态图像；
Figure BDA0001655558840000063
表示原始光伏阵列工作状态图像，可以表示成图像像素矩阵的形式；μA，σA分别表示的是光伏阵列工作状态图像的均值和标准差。经过处理后的数据符合标准正态分布，即均值为0，标准差为1。
S102、采用主成分分析法PCA白化操作对标准化处理后的阵列工作状态图像数据进行处理；
对光伏阵列工作状态文本数据进行预处理包括：将光伏阵列工作状态文本数据进行数据标准化处理。
对采集到的文本数据进行预处理，因为电压、电流、温度、光照等数据量纲量纲不统一，为了消除特征量之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。本发明使用Z-score标准化方法，如下式所示：
Figure BDA0001655558840000071
式中
Figure BDA0001655558840000072
表示预处理后的文本数据，
Figure BDA0001655558840000073
表示原始文本数据，μB，σB分别表示的是原始文本数据的均值和标准差。经过处理后的文本数据符合标准正态分布，即均值为0，标准差为1。
S2、利用光伏阵列工作状态图像数据进行训练预先建立的深度卷积神经网络故障分类模型，训练完成后得到图像故障分类模型。
利用光伏阵列工作状态文本数据训练预先建立的基于支持向量机的故障分类模型，训练完成后得到文本故障分类模型。
本发明实施例中，针对图像故障分类模型的训练采用如下步骤：
S21、预先建立深度卷积神经网络故障分类模型，包括输入层、卷积层、池化层、全连接层和输出层；本发明实施例中预先建立的深度卷积神经网络故障分类模型采用深度卷积神经网络的基本构造如图2所示，即包括一个输入层，三个卷积层，两个池化层，一个全连接层和一个输出层。其中卷积层和池化层间隔设置，且卷积层和池化层步长均为2。
S22以光伏阵列工作状态图像数据作为训练样本图像，随机采样多个训练样本图像构成一个最小批处理文件mini-batch输入至深度卷积神经网络故障分类模型的输入层；
输入层将最小批处理文件mini-batch中的训练样本图像输入至卷积层；
卷积层中具有n个卷积核，n为设定数值，利用n个卷积核对进入卷积层的图像进行卷积滤波提取到n个邻域特征图。本发明实施例中，进入卷积层的图像可能是从输入层进入的训练样本图像，也可能是通过上一层的池化层进入的新特征图。本发明实施例中不同的卷积层设置的卷积核个数不同，卷积核越多获得的特征图就越多，模型的学习能力就越强，识别效果越好，但是卷积核过多会增大网络的复杂度，加大了计算的复杂度，本实例中使用的样本量较小，因此选取的卷积核较大。
本发明实施例中在进行卷积滤波时所用得激活函数为ReLUs(函数线性修正单元)，相对于sigmoid和tanh函数来说其非线性，非饱和以及单侧抑制，相对宽阔的兴奋边界以及稀疏激活的特性都使得其能在训练中获得更好的效果。
邻域特征图进入池化层，池化层采用最大池化技术对邻域特征图进行采样获得新特征图；池化层的作用主要是根据图像邻域特征的不变性，利用采样降低特征维数，并使得采样后的特征能都保持某些不变性(旋转、平移、伸缩等)，能够有效地降低计算的复杂度以及防止过拟合(池化层的激活函数依旧使用ReLUs)。
深度卷积神经网络故障分类模型中具备设定数量的卷积层和池化层，池化层得到的新特征图进入下一卷积层或者进入全连接层。
全连接层将进入其中的新特征图展开为一维特征向量，作为训练样本图像特征进入输出层；由于全连接层节点往往很大，因此为了防止过拟合的出现，在全连接层使用dropout方式来使得部分隐含节点不工作，即在每次迭代中使得隐含节点以概率p选择部分节点作为工作的节点，并且在反向传播更新权值时不再更新dropout掉的隐含节点。激活函数仍然使用ReLUs。
输出层为softmax分类器，利用训练样本图像特征以及训练样本图像中的光伏阵列工作状态标签对softmax分类器进行训练，并利用反向传播算法对深度卷积神经网络模型进行调整，直到深度卷积神经网络模型满足准确率阈值或者达到预设的最大迭代次数完成训练，训练完成后得到图像故障分类模型。
本发明提出基于深度卷积网络和支持向量机的光伏阵列故障诊断方法，该方法不同于传统的利用图像处理方法实现故障诊断，而是利用深度卷积神经网络强大的特征提取能力对大量的红外图像进行处理，从而大大减少了对专家经验，对于文本数据的处理也利用支持向量机算法进行高效的故障分类。
本发明实施例中，采用本领域常规的非线性支持向量机学习算法，建立文本故障分类模型，本发明中给出一种常见的非线性支持向量机学习算法的具体实施形式，以证明该算法可行，并不是为限定本发明。具体为：
S201、预处理后训练数据集为：
Figure BDA0001655558840000091
其中
Figure BDA0001655558840000092
向量，yi∈Y＝{0,1,2,3}，i＝1,2,...,N，N为文本数据总数；
S202、建立分类决策函数作为文本数据分类模型：
Figure BDA0001655558840000093
当K(x,z)是正定核函数时，上式是凸二次规划问题，解是存在的；α*和b*为分类决策函数的参数，即文本数据分类模型的权值。
选取适当的核函数K(x,z)和适当的参数C，构造并求解最优化问题
Figure BDA0001655558840000101
Figure BDA0001655558840000102
其中0≤α≤C文本分类器模型的权值向量α＝(α1,α2,...,αN)T，i＝1,2,...N；求得最优解
Figure BDA0001655558840000103
选择α*的一个正分量
Figure BDA0001655558840000104
计算
Figure BDA0001655558840000105
S3、将图像故障分类模型和文本故障分类模型采用逻辑回归算法进行融合，得到融合模型，并利用光伏阵列工作状态复合信息数据对融合模型进行训练，训练完成得到基于复合信息的光伏阵列故障诊断模型。
S3具体为：
图像故障分类模型的输出结果为
Figure BDA0001655558840000106
文本故障分类模型的输出结果为
Figure BDA0001655558840000107
两者构成融合模型的输入
Figure BDA0001655558840000108
其中S1采集的光伏阵列工作状态复合信息数据数量为N；i＝1,2,...,N；
假设
Figure BDA0001655558840000109
yi∈{0,1,2,3}，yi等于0时为正常工作状态，yi等于1时为热斑故障，yi等于2时为开路故障，yi等于3时为短路故障，
融合模型的训练数据集为
Figure BDA00016555588400001010
采用逻辑回归算法建立多项逻辑回归模型，作为融合模型：
Figure BDA00016555588400001011
其中k＝1,2,...K-1，K＝4，x∈Rn+1,wk∈Rn+1，wk为融合模型的权值；
利用融合模型的训练数据集T3对融合模型的权值进行训练，训练完成后的融合模型作为基于复合信息的光伏阵列故障诊断模型。
本发明提出的基于光伏阵列复合信息的故障诊断方法，分别建立基于图像数据、文本数据的故障分类模型，通过深度卷积神经网络进行图像数据的故障分类，利用支持向量机进行电压电流为代表的文本数据故障分类；最后利用逻辑回归算法对两个模型进行融合，最终实现基于复合信息的光伏阵列故障诊断方法；本发明能够针对图像数据和文本数据同时进行故障分类，相比于传统的故障诊断方法利用单一类型故障信息进行故障诊断分析，本发明能够实现对故障信息的全面利用，打破了传统技术的局限性；由于图像故障分类模型和文本故障分类模型对于数据的敏感程度和类型不相同，把两类模型进行融合，加大故障诊断模型的鲁棒性，减少了对领域专家知识的依赖，提高了故障诊断的准确率。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于复合信息的光伏阵列故障诊断方法，其特征在于，该方法包括：
S1、采集光伏阵列工作状态复合信息数据并进行预处理，所述工作状态复合信息数据包括光伏阵列工作状态图像数据以及光伏阵列工作状态文本数据；
对所述光伏阵列工作状态复合信息数据进行预处理，包括对所述伏阵列工作状态图像数据进行预处理以及对所述光伏阵列工作状态文本数据进行预处理；
对所述光伏阵列工作状态图像数据进行预处理包括：
将所述阵列工作状态图像数据转换为RGB图像，并进行数据标准化处理；
采用主成分分析法PCA白化操作对标准化处理后的所述阵列工作状态图像数据进行处理；
所述对所述光伏阵列工作状态文本数据进行预处理包括：将所述光伏阵列工作状态文本数据进行数据标准化处理；
S2、利用所述光伏阵列工作状态图像数据进行训练预先建立的深度卷积神经网络故障分类模型，训练完成后得到图像故障分类模型；
利用所述光伏阵列工作状态文本数据训练预先建立的基于支持向量机的故障分类模型，训练完成后得到文本故障分类模型；
S3、将所述图像故障分类模型和所述文本故障分类模型采用逻辑回归算法进行融合，得到融合模型，并利用所述光伏阵列工作状态复合信息数据对所述融合模型进行训练，训练完成得到基于复合信息的光伏阵列故障诊断模型；
具体为：
所述图像故障分类模型的输出结果为
Figure FDA0003070547020000011
所述文本故障分类模型的输出结果为
Figure FDA0003070547020000012
两者构成融合模型的输入
Figure FDA0003070547020000013
其中S1采集的光伏阵列工作状态复合信息数据数量为N；i＝1,2,...,N；
假设
Figure FDA0003070547020000021
yi∈{0,1,2,3}，yi等于0时为正常工作状态，yi等于1时为热斑故障，yi等于2时为开路故障，yi等于3时为短路故障；
融合模型的训练数据集为
Figure FDA0003070547020000022
采用逻辑回归算法建立多项逻辑回归模型，作为所述融合模型：
Figure FDA0003070547020000023
其中k＝1,2,...K-1，K＝4，x∈Rn+1,wk∈Rn+1，wk为所述融合模型的权值；
利用所述融合模型的训练数据集T3对所述融合模型的权值进行训练，训练完成后的所述融合模型作为所述基于复合信息的光伏阵列故障诊断模型。
2.如权利要求1所述的方法，其特征在于，所述光伏阵列工作状态包括：正常工作状态、热斑故障、开路故障以及短路故障；为每个工作状态设置相应标签；
所述光伏阵列工作状态图像数据包括所述光伏阵列的红外图像以及所述光伏阵列工作状态标签；
所述光伏阵列工作状态文本数据包括光伏组件的开路电压、短路电流、最大功率点电压、最大功率点电流、环境光照、温度以及描述所述光伏阵列工作状态的标签。
3.如权利要求1所述的方法，其特征在于，所述利用所述图像数据进行训练预先建立的深度卷积神经网络故障分类模型，训练完成后得到图像故障分类模型，具体包括：
预先建立深度卷积神经网络故障分类模型，包括输入层、卷积层、池化层、全连接层和输出层；
以所述光伏阵列工作状态图像数据作为训练样本图像，随机采样多个训练样本图像构成一个最小批处理文件mini-batch输入至所述深度卷积神经网络故障分类模型的输入层；
所述输入层将所述最小批处理文件mini-batch中的训练样本图像输入至所述卷积层；
所述卷积层中具有n个卷积核，n为设定数值，利用所述n个卷积核对进入所述卷积层的图像进行卷积滤波提取到n个邻域特征图；
所述邻域特征图进入所述池化层，所述池化层采用最大池化技术对所述邻域特征图进行采样获得新特征图；
所述深度卷积神经网络故障分类模型中具备设定数量的卷积层和池化层，池化层得到的所述新特征图进入下一卷积层或者进入全连接层；
所述全连接层将进入其中的新特征图展开为一维特征向量，作为训练样本图像特征进入所述输出层；
所述输出层为softmax分类器，利用所述训练样本图像特征以及训练样本图像中的所述光伏阵列工作状态标签对所述softmax分类器进行训练，并利用反向传播算法对所述深度卷积神经网络模型进行调整，直到所述深度卷积神经网络模型满足准确率阈值或者达到预设的最大迭代次数完成训练，训练完成后得到图像故障分类模型。
4.如权利要求3所述的方法，其特征在于，所述卷积层的卷积滤波过程中、所述池化层的最大池化技术中、以及所述全连接层中采用的激活函数均为函数线性修正单元ReLUs。
CN201810439521.5A 2018-05-09 2018-05-09 一种基于复合信息的光伏阵列故障诊断方法 Active CN108647716B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810439521.5A CN108647716B (zh) 2018-05-09 2018-05-09 一种基于复合信息的光伏阵列故障诊断方法
PCT/CN2019/000095 WO2019214268A1 (zh) 2018-05-09 2019-05-07 一种基于复合信息的光伏阵列故障诊断方法
US17/093,244 US20210135625A1 (en) 2018-05-09 2020-11-09 Photovoltaic array fault diagnosis method based on composite information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810439521.5A CN108647716B (zh) 2018-05-09 2018-05-09 一种基于复合信息的光伏阵列故障诊断方法

Publications (2)

Publication Number Publication Date
CN108647716A CN108647716A (zh) 2018-10-12
CN108647716B true CN108647716B (zh) 2021-08-06

Family

ID=63753856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810439521.5A Active CN108647716B (zh) 2018-05-09 2018-05-09 一种基于复合信息的光伏阵列故障诊断方法

Country Status (3)

Country Link
US (1) US20210135625A1 (zh)
CN (1) CN108647716B (zh)
WO (1) WO2019214268A1 (zh)

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647716B (zh) * 2018-05-09 2021-08-06 北京理工大学 一种基于复合信息的光伏阵列故障诊断方法
KR101958474B1 (ko) * 2018-11-27 2019-03-15 주식회사 나눔에너지 태양광 발전 밸런싱 제어 시스템 및 방법
KR101958941B1 (ko) * 2018-11-27 2019-03-18 주식회사 나눔에너지 머신러닝 기반 태양광 발전 제어 시스템 및 방법
CN109359702A (zh) * 2018-12-14 2019-02-19 福州大学 基于卷积神经网络的光伏阵列故障诊断方法
CN109640335B (zh) * 2019-02-28 2022-02-08 福建师范大学 基于卷积神经网络的无线传感器故障诊断方法
CN110059377B (zh) * 2019-04-02 2022-07-05 西南交通大学 一种基于深度卷积神经网络的燃料电池寿命预测方法
CN110535435B (zh) * 2019-08-12 2021-12-28 华为数字能源技术有限公司 一种光伏电站的电池片检测方法、装置及***
CN110736547A (zh) * 2019-10-17 2020-01-31 华能海南发电股份有限公司 基于红外成像技术的光伏板故障智能诊断***
CN111091141B (zh) * 2019-11-21 2022-05-17 浙江大学 一种基于分层Softmax的光伏背板故障诊断方法
CN111026870A (zh) * 2019-12-11 2020-04-17 华北电力大学 一种综合文本分类和图像识别的ict***故障分析方法
CN111191733B (zh) * 2020-01-02 2020-09-29 平安科技（深圳）有限公司 多数据来源的数据融合方法、装置、电子设备及存储介质
CN111242914B (zh) * 2020-01-09 2023-09-08 武汉赛摩博晟信息科技有限公司 基于窗格检测和线性回归算法光伏组件热斑缺陷定位方法
CN111461298A (zh) * 2020-03-26 2020-07-28 广西电网有限责任公司电力科学研究院 一种用于断路器故障识别的卷积神经网络及方法
CN111815560B (zh) * 2020-06-09 2024-04-05 理光软件研究所（北京）有限公司 光伏电站故障检测方法、装置、便携检测设备及存储介质
CN111860184B (zh) * 2020-06-23 2024-04-16 广东省特种设备检测研究院珠海检测院 一种自动扶梯机械故障诊断方法和***
CN112085071A (zh) * 2020-08-21 2020-12-15 广东电网有限责任公司广州供电局 一种基于边缘计算的配电房设备故障分析预判方法及装置
CN112232339B (zh) * 2020-10-15 2023-04-07 中国民航大学 基于卷积神经网络的航显设备故障检测方法及监控装置
CN112184711B (zh) * 2020-11-05 2024-04-02 杭州青枭科技有限公司 一种光伏组件缺陷检测和定位方法及***
CN113326881B (zh) * 2021-05-31 2023-02-14 西安思安云创科技有限公司 一种电力变压器故障诊断方法
CN113221839B (zh) * 2021-06-02 2022-02-01 哈尔滨市科佳通用机电股份有限公司 一种货车图像自动识别方法及识别***
CN113504240B (zh) * 2021-07-07 2022-06-21 广东电力信息科技有限公司 基于分层编码和视觉感知的电力设备故障检测方法
CN113554610A (zh) * 2021-07-19 2021-10-26 合肥阳光智维科技有限公司 一种光伏组件运行状态检测方法及其应用装置
TWI797806B (zh) * 2021-11-01 2023-04-01 中原大學 使用3維卷積神經網路進行光伏陣列的故障分類裝置
CN114266720B (zh) * 2021-11-08 2024-04-23 国网河南省电力公司电力科学研究院 基于混合神经网络的电力导线故障检测方法及***
CN114137358B (zh) * 2021-11-17 2023-04-28 国网天津市电力公司信息通信公司 一种基于图卷积神经网络的输电线路故障诊断方法
CN115001941B (zh) * 2022-04-20 2023-10-13 广东省电信规划设计院有限公司 一种通信网管故障的确定方法及装置
CN115272850A (zh) * 2022-07-20 2022-11-01 哈尔滨市科佳通用机电股份有限公司 一种铁路货车bab型闸调器拉杆头折断故障识别方法
CN115498956A (zh) * 2022-09-22 2022-12-20 福州大学 一种光伏阵列串联电弧故障诊断方法
KR102650607B1 (ko) * 2022-09-29 2024-03-26 김동완 발전량의 증대를 위한 오토인코더 기반 딥러닝 신경망 모델을 이용한 하이브리드 병렬형 전력변환시스템의 이상징후 감지 방법
CN115455730B (zh) * 2022-09-30 2023-06-20 南京工业大学 一种基于完全邻域保持嵌入的光伏组件热斑故障诊断方法
CN116310859B (zh) * 2023-01-16 2023-09-12 自然资源部国土卫星遥感应用中心 一种基于多源遥感数据的光伏阵列故障智能检测方法
CN115940809B (zh) * 2023-03-09 2023-06-09 深圳市迪晟能源技术有限公司 基于功率数据及视觉分析的太阳能板故障检测方法
CN116205892B (zh) * 2023-03-13 2024-04-05 北京智盟信通科技有限公司 一种评估光伏组串工况的方法及装置
CN116051949B (zh) * 2023-03-28 2023-10-03 苏芯物联技术(南京)有限公司 一种融合图像检测的焊接异常实时诊断方法
CN116541772B (zh) * 2023-05-05 2023-10-10 兰州理工大学 基于多源融合残差网络的级联h桥逆变器故障诊断方法
CN116232222B (zh) * 2023-05-10 2023-09-08 山东科技大学 一种分布式光伏***云边协同积灰程度监测方法及***
CN116914921A (zh) * 2023-06-16 2023-10-20 国网江苏省电力有限公司南京供电分公司 一种电网运行状态确定方法、装置、设备及存储介质
CN116738323B (zh) * 2023-08-08 2023-10-27 北京全路通信信号研究设计院集团有限公司 铁路信号设备的故障诊断方法、装置、设备及介质
CN116996008B (zh) * 2023-08-10 2024-02-09 杭州市能源集团工程科技有限公司 光伏发电***的安装方法及其***
CN117670300B (zh) * 2023-12-08 2024-06-14 西安中创新能网络科技有限责任公司 一种分布式光伏设备检测运维***及方法
CN117520924B (zh) * 2023-12-29 2024-04-12 国网浙江省电力有限公司舟山供电公司 基于多模态数据的海岛光伏运维故障原因分析方法及***

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120310427A1 (en) * 2011-05-31 2012-12-06 Williams B Jeffery Automatic Monitoring and Adjustment of a Solar Panel Array
US20140278108A1 (en) * 2013-03-13 2014-09-18 Locus Energy, Llc Methods and Systems for Optical Flow Modeling Applications for Wind and Solar Irradiance Forecasting
CN104753461B (zh) * 2015-04-10 2017-04-12 福州大学 基于粒子群优化支持向量机的光伏发电阵列故障诊断与分类方法
CN105141255A (zh) * 2015-08-12 2015-12-09 河海大学常州校区 一种光伏阵列故障诊断方法
CN106230377B (zh) * 2016-07-01 2018-04-27 重庆大学 一种光伏电池板热斑故障检测方法
CN105955148B (zh) * 2016-07-01 2018-09-18 福州大学 基于ZigBee的光伏组件在线监测与故障诊断方法
CN106443297B (zh) * 2016-09-07 2018-05-22 江南大学 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法
CN107276531B (zh) * 2017-06-08 2019-08-27 南昌航空大学 一种光伏组件在线故障分级诊断***及方法
WO2019005412A1 (en) * 2017-06-30 2019-01-03 Merit Si, Llc METHOD AND SYSTEM FOR MANAGING MINIRSE ASSETS
US10949676B2 (en) * 2018-04-09 2021-03-16 Accenture Global Solutions Limited Aerial monitoring system and method for identifying and locating object features
CN108647716B (zh) * 2018-05-09 2021-08-06 北京理工大学 一种基于复合信息的光伏阵列故障诊断方法
TW202219788A (zh) * 2020-11-05 2022-05-16 財團法人資訊工業策進會 資料篩選系統、資料選擇方法及應用其之狀態預測系統

Also Published As

Publication number Publication date
US20210135625A1 (en) 2021-05-06
WO2019214268A1 (zh) 2019-11-14
CN108647716A (zh) 2018-10-12

Similar Documents

Publication Publication Date Title
CN108647716B (zh) 一种基于复合信息的光伏阵列故障诊断方法
Zhu et al. Fault diagnosis approach for photovoltaic arrays based on unsupervised sample clustering and probabilistic neural network model
CN109873610B (zh) 基于iv特性和深度残差网络的光伏阵列故障诊断方法
Liu et al. Fault diagnosis approach for photovoltaic array based on the stacked auto-encoder and clustering with IV curves
Zaki et al. Deep‐learning–based method for faults classification of PV system
Paoli et al. Solar radiation forecasting using ad-hoc time series preprocessing and neural networks
Lin et al. Compound fault diagnosis model for Photovoltaic array using multi-scale SE-ResNet
CN109617526A (zh) 一种基于小波多分辨分析和svm的光伏发电阵列故障诊断和分类的方法
CN115712873A (zh) 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测***及方法
Putra et al. Efficient 3D printer fault classification using a multi-block 2D-convolutional neural network
CN115859099A (zh) 样本生成方法、装置、电子设备和存储介质
Et-taleby et al. Applications of machine learning algorithms for photovoltaic fault detection: a review
Saxena et al. Hybrid KNN-SVM machine learning approach for solar power forecasting
Adhya et al. Stacking ensemble based fault diagnosis approach for improved operation of photovoltaic arrays
CN113837434A (zh) 太阳能光伏发电预测方法、装置、电子设备和存储介质
CN117290716A (zh) 一种基于KPCA-TCN-Attention的光伏阵列故障诊断方法
CN116503354A (zh) 基于多模态融合的光伏电池热斑检测及评估方法与装置
El Marghichi A Solar PV Model Parameter Estimation Based on the Enhanced Self-Organization Maps
CN117764547A (zh) 一种光伏组串故障诊断方法及***
Sandeep et al. Monitoring of PV modules and hotspot detection using TensorFlow
Liu et al. Fault diagnosis of photovoltaic array based on XGBoost method
Adhya et al. Diagnosis of PV array faults using RUSBoost
Vahidi et al. Fault detection and classification in PV arrays using machine learning algorithms in the presence of noisy data
Mustafa et al. A Scalable Random Forest-Based Scheme to Detect and Locate Partial Shading in Photovoltaic Systems
Devi et al. Hybrid Solar Power Generation Prediction Using Support Vector Machines and K-nearest neighbors Optimized by Deep Learning Techniques

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