CN110020505A - 基于小数据的大规模充电桩规划模型建模方法 - Google Patents
基于小数据的大规模充电桩规划模型建模方法 Download PDFInfo
- Publication number
- CN110020505A CN110020505A CN201910350294.3A CN201910350294A CN110020505A CN 110020505 A CN110020505 A CN 110020505A CN 201910350294 A CN201910350294 A CN 201910350294A CN 110020505 A CN110020505 A CN 110020505A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- charge
- electric car
- peak
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 14
- 230000003542 behavioural effect Effects 0.000 claims abstract description 8
- 238000009795 derivation Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 2
- 102000005450 TIE receptors Human genes 0.000 description 1
- 108010006830 TIE receptors Proteins 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
基于小数据的大规模充电桩规划模型建模方法,包括根据小规模电动汽车充电行为特征数据,进行充电规律建模,得到各特征数据的数据分布模型;采用蒙特卡罗方法,得到的数据分布模型,预测大规模充电数据,得到电动汽车大规模接入时的充电行为。基于蒙特卡罗方法预测的大规模充电数据和模型假设,推导求得等效充电负荷曲线。构建实现充电设备投资和无序充电负荷峰谷差最小的区域充电桩规划模型;结合相关约束条件,并考虑区域充电桩规划模型建立过程中的其他影响因素,进行优化求解。采用本发明建模方法,可基于已有的小规模数据,来对大范围的充电桩设置进行规划,并实现电动汽车充电时设备投资和无序充电负荷峰谷差最小。
Description
技术领域
本发明涉及电动汽车充电桩规划领域,具体涉及一种基于小数据的大规模充电桩规划模型建模方法。
背景技术
为了减少对石油资源的依赖,破解世界能源安全问题,实现人类经济社会可持续发展,各国政府在新能源开发利用的背景下正大力发展绿色环保的电动汽车行业,相关问题也受到人们的广泛关注。我国作为世界能源消耗大国,也正不断加强电动汽车的产业化布局。因此,开展充电基础设施配置规划研究具有重要的理论与现实意义。
电动汽车的充电行为在时间上和空间上具有很大的不确定性和随机性,当规模巨大的电动汽车无序地接入电网时,其充放电行为可能影响电网中电力***的调度、规划,配电网的峰谷差、电能质量等,情况严重时可能对配电网络运行造成巨大冲击。因此,需要结合用户充电行为特征量变化规律,对电动汽车充电设备进行合理的优化配置
当前的研究围绕充电设备配置,已取得了一定的成果,但现有的充电数据往往为小规模数据,很难得到大规模的电动汽车充电数据来对大范围充电桩的设置进行规划,也尚未对电动汽车大规模接入时峰谷差影响及充电设备投资进行综合分析。
发明内容
针对于目前大规模电动汽车充电数据难以获取的问题,本发明提供一种基于小数据的大规模充电桩规划模型建模方法,采用该建模方法,可基于已有的小规模数据,来对大范围的充电桩设置进行规划,并实现电动汽车充电时设备投资和无序充电负荷峰谷差最小。
本发明采取的技术方案为:
基于小数据的大规模充电桩规划模型建模方法,包括以下步骤:
步骤1:根据小规模电动汽车充电行为特征数据,包括充电开始时刻、充电连接时长、充电电量数据,进行充电规律建模,得到各特征数据的数据分布模型;
步骤2:采用蒙特卡罗方法,根据步骤1得到的数据分布模型,预测大规模充电数据,得到电动汽车大规模接入时充电开始时刻、充电连接时长、充电电量的数据。
步骤3:将各时段连接的电动汽车数量作为等效负荷,基于蒙特卡罗方法预测的大规模充电数据和模型假设,推导求得等效充电负荷曲线,如图2所示,即各时间段的等效充电负荷曲线,其中:M为充电高峰,N为充电低谷。
步骤4:构建实现充电设备投资和无序充电负荷峰谷差最小的区域充电桩规划模型;由于不同充电设备功率等级不同,令N1、N2、N3分别为不同等级的充电设备数量,K1、K2、K3分别对应于它们的功率,W为考虑充电成本及效率所设置的系数,则充电设备投资函数f1表示为:
f1=W(K1N1+K2N2+K3N3)
为使充电峰谷差尽可能小,则高峰时全部采用最小功率充电,低谷时全部采用最大功率充电;令F1、F2、F3分别为充电负荷高峰时各等级的充电设备接入数量;G1、G2、G3分别为充电负荷低谷时各等级的充电设备接入数量,则峰谷差函数f2表示为:
f2=K1′F1+K2′F2+K3′F3-K1″G1-K2″G2-K3″G3
K′为各设备的最小功率,K″为各设备的最大功率,定义区域充电桩规划模型如下:
min f=f1+f2
步骤5:结合相关约束条件,对步骤4中建立的区域充电桩规划模型进行优化求解。
相关约束条件如下:
(1)、考虑总台数的等式约束,充电设备数量与充电汽车台数相等。
(2)、考虑峰谷处的连接汽车数量,有等式约束如下:
其中,NFmax、NGmax分别为充电负荷高峰、低谷时段内接入电动汽车数量。
(3)、由充电行为特征数据可得每辆电动汽车的最小充电功率,为使所有电动汽车在充电连接时长内可获得预期的充电电量,不同充电功率等级设备数量同样存在一个不等式约束,应大于等于预期设备数量。
(4)、对于充电高峰与低谷时段,均有不等式约束如下:
求解后,可得各类充电设备的接入数量,即为最优规划配置方法。
所述步骤3中,模型假设包括:
①、每辆电动汽车每天只充一次电;
②、电动汽车充电接口连接时即为充电状态;
③、在一天的结束时刻,若仍有电动汽车在充电,将其视为前一天对开始时刻的影响;
④、按时间区间进行电动汽车连接判断;
⑤、视各时刻连接的电动汽车数量为等效负荷。
所述步骤5中,由于求解过程建立在模型假设基础上,基于蒙特卡罗方法仿真思想,对模型的优化求解过程重复100次,取平均后结合总数进行结果修正,即可得到最终的规划设置结果。
本发明一种基于小数据的大规模充电桩规划模型建模方法,优点在于:
通过本发明的方法可通过现有的小规模充电数据,解决大范围充电设施的规划问题,为电动汽车大规模接入时充电桩的配置规划提供一定的理论依据。
附图说明
图1为本发明建模方法流程图。
图2为等效充电负荷曲线图。
图3为实施例中充电开始时刻的特征图;
图4为实施例中充电连接时长的特征图;
图5为实施例中充电电量的特征图。
具体实施方式
下面结合图1所示流程图对本发明作进一步描述。
电动汽车区域充电桩的规划是一个多目标、多变量决策优化问题,针对于小规模的充电数据,分别分析各项充电特征指标,可得各项指标的数据分布模型,包括正态分布、Γ分布、Rayleigh分布等。
采用蒙特卡罗方法,预测各项充电特征指标的大规模充电数据,包括充电开始时刻、充电连接时长、充电电量数据。
蒙特卡罗方法的具体步骤如下:
(1)、随机过程建模,即对给定的随机变量序列进行概率分布分析;
(2)、基于所得概率分布模型生成服从该分布的随机变量序列一般说来,构造了概率模型并能从中抽样后,即实现模拟实验后,确定一个随机变量,作为所要求的问题的解,称它为无偏估计。建立各种估计量,相当于对模拟实验的结果进行考察和登记,从中得到问题的解。
基于蒙特卡罗方法预测出的大规模充电数据和模型假设,推导求得等效充电负荷曲线,具体模型假设如下:
①、每辆电动汽车每天只充一次电;
②、电动汽车充电接口连接时即为充电状态;
③、在一天的结束时刻,若仍有电动汽车在充电,将其视为前一天对开始时刻的影响;
④、按时间区间进行电动汽车连接判断。可以15min为间隔,一天总时长为24h,区间序号依次为1,2,…,96。在某区间时段内任意时刻连接,视为该时段为连接;在某区间时段内任意时刻断开,视该时段下一时段为断开。
⑤、视各时刻连接的电动汽车数量为等效负荷。
进一步构建实现设备投资最小和无序充电负荷峰谷差最小的区域充电桩规划模型,定义该区域充电桩规划模型为:
min f=W(K1N1+K2N2+K3N3)+(K1′F1+K2′F2+K3′F3-K1″G1-K2″G2-K3″G3)
结合相关约束进行优化求解,约束分析如下:
(1)、考虑总台数,存在一个等式约束,充电设备数量与充电汽车台数相等。
(2)、考虑峰谷处的连接汽车数量,有等式约束如下:
其中,NFmax、NGmax分别为充电负荷高峰、低谷时段内接入电动汽车数量。
(3)、由充电行为特征数据可得每辆电动汽车的最小充电功率,为使所有电动汽车在充电连接时长内可获得预期的充电电量,不同充电功率等级设备数量同样存在一个不等式约束,应大于等于预期设备数量。
(4)、对于充电高峰与低谷时段,均有不等式约束如下:
可将该多目标优化问题转化为求解线性规划问题,由于求解过程建立在一定的模型假设基础上,且电动汽车充电行为数据,经蒙特卡罗方法模拟后采用随机方式组合生成,因而结果具有一定的随机性。基于蒙特卡罗方法仿真思想,对上述优化求解过程重复100次,取平均值后结合总数进行结果修正,即可得到最终的配置结果,为电动汽车大规模接入时充电桩的规划提供一定的理论依据。
具体案例:
已知某城市某天100辆电动汽车的充电特征数据,根据这些数据对10000辆充电汽车充电时的充电桩进行配置规划。其中部分数据如下表1所示:
表1 10000辆充电汽车充电配置表
电动汽车充电功率等级如表2所示:
表2电动汽车充电功率等级表
1:按照上述发明具体实施方式,构建充电开始时刻、充电连接时长、充电电量的数据分布模型,可知充电开始时刻数据满足正态分布见图3,充电连接时长及充电电量数据满足Γ分布,见图4、图5。
2:采用蒙特卡罗方法对数据进行扩展,并得到等效的充电负荷曲线,见图2。
3:预测各项充电特征指标的大规模充电数据后推求等效负荷曲线,构建区域实现设备投资最小和无序充电负荷峰谷差最小的区域充电桩规划模型,并结合约束条件进行优化求解:
1)令N1、N2、N3分别为交流1级、交流2级、直流充电设备数量,则设备投资函数f1可表示为:
f1=0.5N1+1.8N2+40N3
2)为使充电峰谷差尽可能小,则高峰时全部采用最小功率充电,低谷时全部采用最大功率充电。令F1、F2、F3分别为充电负荷高峰时交流1级、交流2级、直流充电设备接入数量;G1、G2、G3分别为充电负荷低谷时交流1级、交流2级、直流充电设备接入数量,则峰谷差函数f2可表示为:
f2=1.5F1+10F2+40F3-3G1-25G2-100G3
3)定义综合目标函数如下,即区域充电桩规划模型:
min f=10f1+f2
4)根据上述发明所述进行分析,约束条件如下:
经过求解可得充电桩最优规划配置的方法:交流1级、交流2级、直流充电设备接入的数量分别为6403台、3538台、59台。
Claims (3)
1.基于小数据的大规模充电桩规划模型建模方法,其特征在于包括以下步骤:
步骤1:根据小规模电动汽车充电行为特征数据,包括充电开始时刻、充电连接时长、充电电量数据,进行充电规律建模,得到各特征数据的数据分布模型;
步骤2:采用蒙特卡罗方法,根据步骤1得到的数据分布模型,预测大规模充电数据,得到电动汽车大规模接入时充电开始时刻、充电连接时长、充电电量的数据;
步骤3:将各时段连接的电动汽车数量作为等效负荷,基于蒙特卡罗方法预测的大规模充电数据和模型假设,推导求得等效充电负荷曲线,即各时间段内充电汽车的数量,从而可得到等效充电高峰和低谷对应的区间及对应的充电汽车数量;
步骤4:构建实现充电设备投资和无序充电负荷峰谷差最小的区域充电桩规划模型;由于不同充电设备功率等级不同,令N1、N2、N3分别为不同等级的充电设备数量,K1、K2、K3分别对应于它们的功率,W为考虑充电成本及效率所设置的系数,则充电设备投资函数f1表示为:
f1=W(K1N1+K2N2+K3N3)
为使充电峰谷差尽可能小,则高峰时全部采用最小功率充电,低谷时全部采用最大功率充电;令F1、F2、F3分别为充电负荷高峰时各等级的充电设备接入数量;G1、G2、G3分别为充电负荷低谷时各等级的充电设备接入数量,则峰谷差函数f2表示为:
f2=K1′F1+K2′F2+K3′F3-K1″G1-K2″G2-K3″G3
K′为各设备的最小功率,K″为各设备的最大功率,定义区域充电桩规划模型如下:
minf=f1+f2
步骤5:结合相关约束条件,对步骤4中建立的区域充电桩规划模型进行优化求解;
相关约束条件如下:
(1)、考虑总台数的等式约束,充电设备数量与充电汽车台数相等;
(2)、考虑峰谷处的连接汽车数量,有等式约束如下:
其中,NFmax、NGmax分别为充电负荷高峰、低谷时段内接入电动汽车数量;
(3)、由充电行为特征数据可得每辆电动汽车的最小充电功率,为使所有电动汽车在充电连接时长内可获得预期的充电电量,不同充电功率等级设备数量同样存在一个不等式约束,应大于等于预期设备数量;
(4)、对于充电高峰与低谷时段,均有不等式约束如下:
求解后,可得各类充电设备的接入数量,即为最优规划配置方法。
2.根据权利要求1所述基于小数据的大规模充电桩规划模型建模方法,其特征在于:
所述步骤3中,模型假设包括:
①、每辆电动汽车每天只充一次电;
②、电动汽车充电接口连接时即为充电状态;
③、在一天的结束时刻,若仍有电动汽车在充电,将其视为前一天对开始时刻的影响;
④、按时间区间进行电动汽车连接判断;
⑤、视各时刻连接的电动汽车数量为等效负荷。
3.根据权利要求1所述基于小数据的大规模充电桩规划模型建模方法,其特征在于:
所述步骤5中,由于求解过程建立在模型假设基础上,基于蒙特卡罗方法仿真思想,对模型的优化求解过程重复100次,取平均后结合总数进行结果修正,即可得到最终的规划设置结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910350294.3A CN110020505B (zh) | 2019-04-28 | 2019-04-28 | 基于小数据的大规模充电桩规划模型建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910350294.3A CN110020505B (zh) | 2019-04-28 | 2019-04-28 | 基于小数据的大规模充电桩规划模型建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110020505A true CN110020505A (zh) | 2019-07-16 |
CN110020505B CN110020505B (zh) | 2022-11-08 |
Family
ID=67192736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910350294.3A Active CN110020505B (zh) | 2019-04-28 | 2019-04-28 | 基于小数据的大规模充电桩规划模型建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020505B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597690A (zh) * | 2020-04-26 | 2020-08-28 | 湖南省建筑设计院有限公司 | 电动汽车充电设备需要系数计算模型的建立方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2014262212A1 (en) * | 2014-10-08 | 2016-04-28 | State Grid Corporation Of China | A multi-objective stochastic programming method of electric vehicle charging load based on non-dominated sorting genetic algorithm |
CN106058904A (zh) * | 2016-06-30 | 2016-10-26 | 全球能源互联网研究院 | 一种储能型电动汽车充电桩容量匹配方法 |
CN107745650A (zh) * | 2017-10-26 | 2018-03-02 | 电子科技大学 | 一种基于峰谷分时电价的电动汽车有序充电控制方法 |
CN108515868A (zh) * | 2018-04-23 | 2018-09-11 | 国网福建省电力有限公司厦门供电公司 | 住宅小区电动汽车有序充电控制*** |
-
2019
- 2019-04-28 CN CN201910350294.3A patent/CN110020505B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2014262212A1 (en) * | 2014-10-08 | 2016-04-28 | State Grid Corporation Of China | A multi-objective stochastic programming method of electric vehicle charging load based on non-dominated sorting genetic algorithm |
CN106058904A (zh) * | 2016-06-30 | 2016-10-26 | 全球能源互联网研究院 | 一种储能型电动汽车充电桩容量匹配方法 |
CN107745650A (zh) * | 2017-10-26 | 2018-03-02 | 电子科技大学 | 一种基于峰谷分时电价的电动汽车有序充电控制方法 |
CN108515868A (zh) * | 2018-04-23 | 2018-09-11 | 国网福建省电力有限公司厦门供电公司 | 住宅小区电动汽车有序充电控制*** |
Non-Patent Citations (2)
Title |
---|
孙宇乐等: "考虑充电电池组循环利用的集中充电站容量配置", 《电测与仪表》 * |
赵嘉骏等: "计及用户出行习惯的电动汽车充电站优化配置", 《中国科技投资》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597690A (zh) * | 2020-04-26 | 2020-08-28 | 湖南省建筑设计院有限公司 | 电动汽车充电设备需要系数计算模型的建立方法 |
CN111597690B (zh) * | 2020-04-26 | 2023-04-07 | 湖南省建筑设计院有限公司 | 电动汽车充电设备需要系数计算模型的建立方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110020505B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Online distributed MPC-based optimal scheduling for EV charging stations in distribution systems | |
CN110649641B (zh) | 基于源网荷储协同服务的电动汽车快充站储能***及其方法 | |
Eajal et al. | Stochastic centralized dispatch scheme for AC/DC hybrid smart distribution systems | |
Jian et al. | Optimal scheduling for vehicle-to-grid operation with stochastic connection of plug-in electric vehicles to smart grid | |
Malhotra et al. | Distributed power profile tracking for heterogeneous charging of electric vehicles | |
Shang et al. | Internet of smart charging points with photovoltaic Integration: A high-efficiency scheme enabling optimal dispatching between electric vehicles and power grids | |
CN103840457A (zh) | 考虑电动汽车充放电影响的配电网内dg优化配置方法 | |
CN104751246A (zh) | 一种基于随机机会约束的有源配电网规划方法 | |
Yu et al. | Centralized bi-level spatial-temporal coordination charging strategy for area electric vehicles | |
Chen et al. | Modeling and optimization of electric vehicle charging load in a parking lot | |
CN111900753B (zh) | 一种城市储能应急车的应急优化调控方法 | |
CN105633948A (zh) | 一种分布式风电、光伏发电等不确定能源接入电力***随机模糊潮流算法 | |
Ali et al. | Optimal allocation of inverter-based WTGS complying with their DSTATCOM functionality and PEV requirements | |
CN104102954B (zh) | 考虑黑启动功能的分布式综合供能***的优化配置方法 | |
Ma et al. | Real-time plug-in electric vehicles charging control for V2G frequency regulation | |
Majidpour et al. | Fast demand forecast of electric vehicle charging stations for cell phone application | |
Jin et al. | Optimal siting and sizing of EV charging station using stochastic power flow analysis for voltage stability | |
Liang et al. | Modeling of PEV charging load based on trip chain theory and the impact of PEV on distribution networks | |
CN110020505A (zh) | 基于小数据的大规模充电桩规划模型建模方法 | |
Zhu et al. | Dynamic multi-objective dispatch considering wind power and electric vehicles with probabilistic characteristics | |
Wang et al. | Optimal aggregated charging analysis for PEVs based on driving pattern model | |
Khan et al. | Artificial scenario generator for the impact study of electric vehicle charging on the distribution grid | |
Ma et al. | IMOCS based EV charging station planning optimization considering stakeholders’ interests balance | |
Dixon et al. | Characterization of electric vehicle fast charging forecourt demand | |
Hong et al. | Electric vehicle charging scheduling algorithm based on online multi-objective optimization |
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 |