CN110909786A - 一种基于特性指标与决策树模型的新装用户负荷辨识方法 - Google Patents
一种基于特性指标与决策树模型的新装用户负荷辨识方法 Download PDFInfo
- Publication number
- CN110909786A CN110909786A CN201911131870.1A CN201911131870A CN110909786A CN 110909786 A CN110909786 A CN 110909786A CN 201911131870 A CN201911131870 A CN 201911131870A CN 110909786 A CN110909786 A CN 110909786A
- Authority
- CN
- China
- Prior art keywords
- load
- node
- decision tree
- tree model
- new user
- 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.)
- Withdrawn
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009434 installation Methods 0.000 claims abstract description 13
- 238000013138 pruning Methods 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims abstract description 7
- 239000012535 impurity Substances 0.000 claims description 15
- 244000141353 Prunus domestica Species 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于特性指标与决策树模型的新装用户负荷辨识方法,包括:S1,根据业扩报装新用户的报装参数计算负荷特性指标,作为辨识新用户负荷时序特征的依据;S2,收集海量用户的历史用电数据,计算负荷特性指标与类别标签,作为决策树的训练数据集;S3,利用训练数据集生成CART决策树模型;S4,对决策树模型进行树剪枝,降低复杂性提高识别精度;S5,将业扩报装新用户的负荷特性指标输入决策树模型,匹配新用户的用电模式,得到新用户负荷的时序特征。该方法能够对尚未接入电网、没有历史用电数据的业扩报装新用户的负荷时序特征进行有效地辨识分析。
Description
技术领域
本发明涉及一种基于特性指标与决策树模型的新装用户负荷辨识方法,属于电力***负荷特性分析技术领域。
背景技术
用户负荷特性的确定一直是电网公司支持各种负载管理功能的一个非常重要的主题。在传统的业扩报装业务中,申请新报装接入的大用户提供的信息仅仅局限于最大负荷用电设备的清单信息和有限的负荷指标,造成电力企业无法精确把握新接入大用户的电力负荷特征,导致对电力负荷资源的不充分利用。该信息的缺失极易给配电网的高效运行带来严重挑战。首先表现在大量同质性大用户负荷在某一供电点的集中接入,将导致供电点负荷日峰谷差不断增大、在高峰负荷时段易触及设备容量传输极限;同时还表现为在长时间段内设备利用率低下、容量浪费、经济性差等一系列问题。因此,在台区内的新用户接入之前,对新用户的负荷时序特征进行辨识显得尤为重要。
随着电力需求侧管理技术的广泛应用,辨识用户的负荷时序特征对于电力***的经济分析、稳定运行和电力规划都具有重要意义。目前,多采用聚类分析理论,通过灰色关联聚类构造灰色关联度矩阵以及信息熵分段聚合近似等方法,对电力***用户的负荷时序特征进行辨识分析,并基于历史数据,将电力***内的用户分为不同的用电类别,建立对应的用电标签,通过分类后的用户对应标签来预测未知用户的负荷类型,得出新用户的大致负荷曲线。但对于业扩报装新用户而言,由于尚未接入电网,没有历史用电数据,无法通过历史用电数据挖掘负荷的时序特征,目前针对业扩报装新用户负荷时序特征辨识方法比较困难。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于特性指标与决策树模型的新装用户负荷辨识方法,以解决现有技术中存在的对新用户的负荷时序特征进行辨识比较困难的问题。
为了解决上述技术问题,本发明的技术方案如下:
一种基于特性指标与决策树模型的新装用户负荷辨识方法,所述方法包括:
根据业扩报装新用户的报装参数计算得到负荷特性指标;
将所述负荷特性指标输入高精度决策树模型得到新用户的负荷时序特征。
进一步的,所述报装参数包括预估日负荷功率峰值、日负荷功率基值、预估全天用电量、预估峰期用电量、谷期用电量和平期用电量。
进一步的,所述负荷特性指标的计算方法包括:
其中,Pmax为预估日负荷功率峰值,Pmin为日负荷功率基值,Q为预估全天用电量,Qpeak为预估峰期用电量,Qval为谷期用电量,Qsh为平期用电量,Pav为预估日负荷平均功率,Pav.peak为峰期负荷平均功率,Pav.sh为平期负荷平均功率,Pav.val为谷期负荷平均功率。
进一步的,所述决策树模型的建立方法包括:
根据历史用户的用电数据计算得到历史负荷特性指标与类别标签;
将所述历史负荷特性指标与类别标签作为训练数据集训练生成决策树模型。
对所述决策树模型进行剪枝,获取高精度决策树模型。
进一步的,所述训练生成的过程如下:
将训练数据集放入决策树的根节点中,计算根节点的杂质度的基尼系数;
根据所述负荷特性指标对根节点进行***,得到左右子节点;
根据左右子节点的基尼系数计算得到***后的杂质削减量;
选择最大杂质削减量对应的负荷特性指标作为***属性,对根节点进行重新***;
根据***属性对重新***出的左右子节点继续***;
重复上述过程直到所有的叶子节点的基尼系数均小于阈值,即得到决策树。
进一步的,所述根节点的基尼系数计算方法如下;
式中,GINI(n1)为根节点n1的杂质度的基尼系数,p(Xi|n1)表示负荷模式Xi在训练数据集Z中所占的比例,ZN为训练数据集的样本个数,L为训练数据集中的用户模式类别个数,Zi为负荷模式Xi的样本个数。
进一步的,所述杂质削减量的计算方法如下;
Φ(n1)=GINI(n1)-p1-2GINI(n2)-p1-3GINI(n3) (4)
式中,Φ(n1)为杂质削减量,p1-2为根节点n1中的样本被分到子节点n2中的概率,p1-3为根节点n1中的样本被分到子节点n3中的概率,GINI(n2)为第二子节点的基尼系数,GINI(n3)为第三子节点的基尼系数;
进一步的,所述剪枝过程如下:
计算决策树中非叶子节点的误差增益;
获取误差增益最小的非叶子节点并将该节点的子树剪去。
进一步的,所述误差增益的计算方法如下:
式中,α为非叶子节点的误差增益,R(Tt)是节点t剪枝前的误差代价,|NTt|是子树中叶子节点的个数,R(t)是子树Tt被剪去后,成为了叶子节点的节点t的误差代价。
进一步的,所述误差代价的计算方法如下:
R(t)=r(t)*p(t) (6)
式中,R(t)误差代价,r(t)是节点t的误差率,是节点t中被误分类的数据占节点t中数据总数的比例;p(t)是节点t上的数据占所有数据的比例。
与现有技术相比,本发明所达到的有益效果是:
本发明采用决策树模型来辨识用户负荷的时序特征,通过新用户的报装参数计算其负荷特性指标,将新用户的负荷特性指标输入决策树模型,辨识出新用户的用电模式,得到新用户负荷的时序特征,解决了现有技术无法针对业扩报装新用户负荷时序特征进行辨识的问题。
附图说明
图1为本发明实施例方法的流程图;
图2为CART决策树用电模式识别规则图。
具体实施方式
为了加深对本发明的认识和理解,下面结合附图和具体实施方式进一步介绍该方案:
本发明提供一种基于特性指标与决策树模型的新装用户负荷辨识方法,其方法流程如图1所示,由图1可知,该方法包括:
步骤S1,根据业扩报装新用户的报装参数计算负荷特性指标,作为辨识新用户负荷时序特征的依据;
步骤S2,收集海量用户的历史用电数据,计算负荷特性指标与类别标签,作为决策树的训练数据集;
步骤S3,利用训练数据集生成CART决策树模型;
步骤S4,对决策树模型进行树剪枝,获取高精度决策树模型,降低复杂性提高识别精度;
步骤S5,将业扩报装新用户的负荷特性指标输入决策树模型,匹配新用户的用电模式,得到新用户负荷的时序特征。
进一步地,所述步骤S1中具体为:根据业扩报装新用户的报装参数计算负荷特性指标,作为辨识新用户负荷时序特征的依据。
在业扩报装业务中,新用户的报装参数包括:(1)预估日负荷功率峰值Pmax和日负荷功率基值Pmin;(2)预估全天用电量Q;(3)预估峰期用电量Qpeak、谷期用电量Qval、平期用电量Qsh。根据新用户的报装参数,可以计算如下负荷特性指标:
其中,Pmax为预估日负荷功率峰值,Pmin为日负荷功率基值,Q为预估全天用电量,Qpeak为预估峰期用电量,Qval为谷期用电量,Qsh为平期用电量,Pav为预估日负荷平均功率,Pav.peak为峰期负荷平均功率,Pav.sh为平期负荷平均功率,Pav.val为谷期负荷平均功率。
进一步地,所述步骤S2中具体为:收集海量用户的历史用电数据,计算负荷特性指标与类别标签,作为决策树的训练数据集。
搜集诸多用户的典型日负荷曲线作为样本数据集,计算样本的负荷特性指标,并且根据电力***中构建完备的用户负荷特征库,匹配各样本的用电模式类别。将样本数据集的负荷特性指标作为特征值,用电模式类别作为类标签值,形成决策树的训练数据集。
进一步地,所述步骤S3中具体为:利用训练数据集生成CART决策树模型。
将训练数据集Z放入CART决策树的根节点n1中,计算其复杂度系数。在训练数据集中,若属于负荷模式Xi的样本个数为zi,则当前根节点杂质度的基尼系数为:
式中,p(Xi|n1)表示负荷模式Xi在训练数据集Z中所占的比例,ZN为训练数据集的样本个数,L为训练数据集中的用户模式类别个数。
按照某个负荷特性指标对根节点n1进行***,产生两个子节点n2和n3,它们的基尼系数为GINI(n2)和GINI(n3),计算可得经过这次***后杂质度的削减量Φ(n1)为:
Φ(n1)=GINI(n1)-p1-2GINI(n2)-p1-3GINI(n3) (4)
式中,p1-2为根节点n1中的样本被分到子节点n2中的概率,p1-3为根节点n1中的样本被分到子节点n3中的概率。针对不同负荷特性指标,计算所得的杂质削减量是不同的,选择削减量最大的负荷特性指标作为***属性,将根节点***为左右两个子节点。之后,可以将新***出的两个子节点作为左右子树的根节点,再次使用上述方法进行***,使得决策树不断生长,直到所有的叶子节点的基尼系数均小于阈值,即可得到CART决策树的最大树T0。
进一步地,所述步骤S4中具体为:对决策树模型进行树剪枝,降低复杂性提高识别精度。
生成最大树T0后,将一组特征值与类标签值均已知的验证数据集代入决策树模型。决策树中的每一个非叶子节点都会按照某个特征值将数据集一分为二,最终在叶子结点得到对数据的类识别结果。计算CART决策树中非叶子节点的误差增益α。
式中,R(Tt)是节点t剪枝前的误差代价,它等于子树Tt上所有叶子节点的误差代价之和;是子树中叶子节点的个数;R(t)是子树Tt被剪去后,成为了叶子节点的节点t的误差代价。误差代价R(t)可按下式计算:
R(t)=r(t)*p(t) (6)
式中,r(t)是节点t的误差率,是节点t中被误分类的数据占节点t中数据总数的比例;p(t)是节点t上的数据占所有数据的比例。在计算得到所有非叶子节点的α值后,找到α值最小的非叶子节点,将该节点的子树剪去。通过剪枝,可以得到误差率最小的CART决策树。
进一步地,所述步骤S5中具体为:将业扩报装新用户的负荷特性指标输入决策树模型,匹配新用户的用电模式,得到新用户负荷的时序特征。
将业扩报装新用户的负荷特性指标输入决策树模型,从决策树的根节点开始,按照每个节点的判别规则对相应的负荷特性指标进行比对,按照比对结果选择相应的子节点。不断重复这一步骤直到叶子节点,将叶子节点中的用电模式作为新用户用电模式的匹配结果,从而获得新用户负荷的时序特征。
本发明实施例中对于5户新报装用户的负荷时序特征进行辨识,构建的剪枝后的CART决策树模型如图2所示。图2中的x1到x6代表用户的6个负荷特性指标。按照图2中的规则,分别比较新报装用户的6个负荷特性指标的数值,就能快速识别出新报装用户的用电模式类别。经过CART决策树辨识,5户新报装用户分别对应用电模式1,用电模式2,用电模式3,用电模式3,用电模式5。
在得知了新报装用户所属的用电模式后,查询电力***中构建完备的用户负荷特征库,即可获取新用户的负荷时序特征,由新用户的典型日负荷数据来体现。本发明实施例中的5户新报装用户经过辨识后,得到的10:00到12:00内的典型日负荷数据如表1所示:
表1新报装用户典型日负荷数据
以上对本申请进行了详细介绍,本发明中应用了具体个例对本申请的原理及实施方式进行了阐释,以上实施例的说明只是用于帮助理解本申请的方法及核心思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明不应理解为对本申请的限制。
Claims (10)
1.一种基于特性指标与决策树模型的新装用户负荷辨识方法,其特征在于,所述方法包括:
根据业扩报装新用户的报装参数计算得到负荷特性指标;
将所述负荷特性指标输入高精度决策树模型得到新用户的负荷时序特征。
2.根据权利要求1所述的一种基于特性指标与决策树模型的新装用户负荷辨识方法,其特征在于,所述报装参数包括预估日负荷功率峰值、日负荷功率基值、预估全天用电量、预估峰期用电量、谷期用电量和平期用电量。
4.根据权利要求1所述的一种基于特性指标与决策树模型的新装用户负荷辨识方法,其特征在于,所述决策树模型的建立方法包括:
根据历史用户的用电数据计算得到历史负荷特性指标与类别标签;
将所述历史负荷特性指标与类别标签作为训练数据集训练生成决策树模型。
对所述决策树模型进行剪枝,获取高精度决策树模型。
5.根据权利要求4所述的一种基于特性指标与决策树模型的新装用户负荷辨识方法,其特征在于,所述训练生成的过程如下:
将训练数据集放入决策树的根节点中,计算根节点的杂质度的基尼系数;
根据所述负荷特性指标对根节点进行***,得到左右子节点;
根据左右子节点的基尼系数计算得到***后的杂质削减量;
选择最大杂质削减量对应的负荷特性指标作为***属性,对根节点进行重新***;
根据***属性对重新***出的左右子节点继续***;
重复上述过程直到所有的叶子节点的基尼系数均小于阈值,即得到决策树。
7.根据权利要求5所述的一种基于特性指标与决策树模型的新装用户负荷辨识方法,其特征在于,所述杂质削减量的计算方法如下;
Φ(n1)=GINI(n1)-p1-2GINI(n2)-p1-3GINI(n3) (4)
式中,Φ(n1)为杂质削减量,p1-2为根节点n1中的样本被分到子节点n2中的概率,p1-3为根节点n1中的样本被分到子节点n3中的概率,GINI(n2)为第二子节点的基尼系数,GINI(n3)为第三子节点的基尼系数。
8.根据权利要求1所述的一种基于特性指标与决策树模型的新装用户负荷辨识方法,其特征在于,所述剪枝过程如下:
计算决策树中非叶子节点的误差增益;
获取误差增益最小的非叶子节点并将该节点的子树剪去。
10.根据权利要求8所述的一种基于特性指标与决策树模型的新装用户负荷辨识方法,其特征在于,所述误差代价的计算方法如下:
R(t)=r(t)*p(t) (6)
式中,R(t)误差代价,r(t)是节点t的误差率,是节点t中被误分类的数据占节点t中数据总数的比例;p(t)是节点t上的数据占所有数据的比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131870.1A CN110909786A (zh) | 2019-11-19 | 2019-11-19 | 一种基于特性指标与决策树模型的新装用户负荷辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911131870.1A CN110909786A (zh) | 2019-11-19 | 2019-11-19 | 一种基于特性指标与决策树模型的新装用户负荷辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110909786A true CN110909786A (zh) | 2020-03-24 |
Family
ID=69817939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911131870.1A Withdrawn CN110909786A (zh) | 2019-11-19 | 2019-11-19 | 一种基于特性指标与决策树模型的新装用户负荷辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909786A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915056A (zh) * | 2020-06-16 | 2020-11-10 | 广东电网有限责任公司 | 一种基于大数据分析的用户实用负荷预测***及预测方法 |
CN112487033A (zh) * | 2020-11-30 | 2021-03-12 | 国网山东省电力公司电力科学研究院 | 一种面向数据流及构建网络拓扑的业务可视化方法及*** |
CN113516297A (zh) * | 2021-05-26 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
-
2019
- 2019-11-19 CN CN201911131870.1A patent/CN110909786A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915056A (zh) * | 2020-06-16 | 2020-11-10 | 广东电网有限责任公司 | 一种基于大数据分析的用户实用负荷预测***及预测方法 |
CN112487033A (zh) * | 2020-11-30 | 2021-03-12 | 国网山东省电力公司电力科学研究院 | 一种面向数据流及构建网络拓扑的业务可视化方法及*** |
CN113516297A (zh) * | 2021-05-26 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
CN113516297B (zh) * | 2021-05-26 | 2024-03-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107800140B (zh) | 一种考虑负荷特征的大用户供电接入决策方法 | |
CN106446967A (zh) | 一种新型电力***负荷曲线聚类方法 | |
CN110909786A (zh) | 一种基于特性指标与决策树模型的新装用户负荷辨识方法 | |
CN110825723B (zh) | 一种基于用电负荷分析的居民用户分类方法 | |
CN111552813A (zh) | 一种基于电网全业务数据的电力知识图谱构建方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN106022538B (zh) | 基于k均值聚类改进广义天气的光伏发电预测方法 | |
CN108960586B (zh) | 一种适应场景变化的非入侵式负荷识别方法 | |
CN112865089A (zh) | 一种改进的主动配电网大规模场景分析方法 | |
CN113595071A (zh) | 台区用户辨识与电压影响评估方法 | |
CN115618249A (zh) | 一种基于LargeVis降维与DBSCAN聚类的低压配电台区相位识别方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN116226689A (zh) | 一种基于高斯混合模型的配电网典型运行场景生成方法 | |
CN112668173A (zh) | 一种基于偏态分布计算10kV线路拓扑关系阈值的方法 | |
CN114528284A (zh) | 一种底层数据清洗方法、装置、移动终端和存储介质 | |
CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
CN112766590B (zh) | 一种居民典型电力消费模式的提取方法与*** | |
Prahastono et al. | A review of electricity load profile classification methods | |
CN113344450A (zh) | 低压台区线户识别方法、***、终端设备及存储介质 | |
CN111651448A (zh) | 一种基于降噪差分进化的低压拓扑识别方法 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及*** | |
CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
CN113191656B (zh) | 一种基于数据关联分析的低压配电网设备负荷与拓扑联动方法 | |
CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200324 |
|
WW01 | Invention patent application withdrawn after publication |