CN111488896B - 一种基于多源数据挖掘的配电线路时变故障概率计算方法 - Google Patents
一种基于多源数据挖掘的配电线路时变故障概率计算方法 Download PDFInfo
- Publication number
- CN111488896B CN111488896B CN201910080205.8A CN201910080205A CN111488896B CN 111488896 B CN111488896 B CN 111488896B CN 201910080205 A CN201910080205 A CN 201910080205A CN 111488896 B CN111488896 B CN 111488896B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- distribution line
- weather
- historical
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 238000007418 data mining Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000008439 repair process Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 6
- 208000025274 Lightning injury Diseases 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多源数据挖掘的配电线路时变故障概率计算方法,包括:确定配电网历史故障数据,历史气象数据及各条馈线所属变电站的地理位置;筛选出由恶劣气象导致故障的数据,作为训练样本集;分别统计配电线路在正常天气下与恶劣天气下的故障率与修复率;根据训练样本集与SVM方法,构建SVM气象分类器;采用福克‑普朗克方程进行建模;确定当前气象计算得到配电线路的时变故障概率。本发明基于配电网信息化***中存储的可靠性统计数据和历史气象数据,充分考虑恶劣气象因素对配电线路故障的影响,实现了配电线路故障概率自动准确的计算与分析,可以有效准确计算出配电线路时变故障概率。
Description
技术领域
本发明涉及电力***分析技术领域,具体涉及计算基于多源数据挖掘的配电线路时变故障概率的方法。
背景技术
随着配电网的发展,网架结构日益复杂,可再生能源在配电网中的渗透率不断提高,不同类型的风险源导致的配电线路故障,都给配电网运行带来了诸多挑战,风险评估成为配电网运行不可缺少的环节。
准确计算配电线路故障概率是运行风险评估的基础,现有技术计算配电线路故障概率的方法主要分为元件停运稳态概率法,随机模糊变量建模法,人工打分法和模糊专家***法。元件停运稳态概率法通过马尔可夫过程中的稳态概率来表示配电线路的故障概率,该方法未能表征运行过程中配电线路故障的时变特征。在配电网运行风险评估中,应采用反映不同运行工况条件的时变值来表示故障概率;现有采用随机模糊变量建模法,结合专家经验来计算不同线路的时变故障概率。
但采用随机模糊变量建模、人工打分法和模糊推理方法都具有较强的主观性,可能会给配电线路故障概率的计算带来一定的误差。此外,还有学者基于不同类型的风险源分别提出了配电线路的时变故障概率计算方法。但是配电线路在运行中会受到多种风险源同时作用,比如雷击、大风等恶劣气象,配电线路老化和缺陷等自身因素。上述的研究中仅考虑单一的风险源是不全面的。
有鉴于此,急需提供一种基于外部气象、线路自身状态等多源数据,真实反映配电线路在不同运行工况下的时变故障概率的配电线路运行风险时变故障概率计算方法,为调度运行人员评价***运行风险提供参考。
发明内容
为了解决上述技术问题,本发明所采用的技术方案是提供一种基于多源数据挖掘的配电线路时变故障概率计算方法,包括以下步骤:
S1、根据收集电网数据,确定配电网历史故障数据,历史气象数据及各条馈线所属变电站的地理位置;
S2、根据历史故障数据筛选出由恶劣气象导致故障的数据,并在历史气象数据中找到对应的气象数据作为训练样本集;
S3、分别统计配电线路在正常天气下的故障率与修复率,与恶劣天气下的故障率与修复率;
S4、根据训练样本集与SVM方法,构建SVM气象分类器;
S5、采用福克-普朗克方程对步骤S3中的配电线路状态转移过程进行建模;
S6、确定当前气象,根据步骤S4确定当前运行状态下的故障率与修复率;
S7、将步骤S6中确定的故障率与修复率代入福克-普朗克方程,计算得到配电线路的时变故障概率;
其中,历史气象数据包括:日平均温度,日最高/低温度,日平均风速,日累计降水量,日累计雷击量;历史故障数据中筛选出由于雷雨、大风、覆冰恶劣气象的数据。
在上述方法中,所述步骤S2包括:
配电线路运行训练样本集为:
S={(xi,yi),xi∈Rn,yi∈{0,1}}
式中,Xi表示第i个n维输入向量,包括温度、风速、降水、雷击、湿度的气象数据;
yi为类别标签,根据当前配电线路运行状态是否发生故障来进行划分;yi=0表示配电线路当天运行状态下没有发生故障,yi=1表示当天该条线路发生故障的次数大于0,表示发生故障。
在上述方法中,所述步骤S3包括:
通过对步骤S2中发生故障的数据和没有发生故障数据的分类统计,可以分别得到在易发故障环境下的状态转移速率λ01如下式所示:
式中,NLji表示第j条线路发生的第i次故障,TL表示该运行工况持续的时间;
修复率μ01如下式:
式中,RLji表示第j条线路第i次修复,DL表示该运行工况持续的时间。
在上述方法中,所述步骤S4包括:
构建分类平面方程如下式:
f(x)=<ω·x>+b
式中,ω=(ω1,ω1...ωn)为权向量,x=(x1,x2...xm)T;b为阈值,并将训练误差ε作为约束条件,并引入松弛变量,,使得两类样本的分隔面最大的优化问题可表示为:
s.t. yi[<ω·x>+b]≥1-ξi
0≤αi≤C,ξi≥0,i=1,2...,l
式中,C>0为惩罚系数,其值越大表示对超出ε的数据点惩罚越大。
在上述方法中,所述步骤S5中配电线路状态转移过程建模如下式:
P′(t)=P(t)Q
式中,P0为馈线处于正常运行的概率,P1为馈线处于故障状态的概率。
本发明提出了一种基于多源数据挖掘的配电线路运行风险时变故障概率计算方法,基于配电网信息化***中存储的可靠性统计数据和历史气象数据,充分考虑恶劣气象因素对配电线路故障的影响,实现了配电线路故障概率自动准确的计算与分析,可以有效准确计算出配电线路时变故障概率。该方法避免了调度员根据自身经验做判断所带来的误差,能够客观反映配电线路在不同气象环境下的故障概率,实现配电网运行风险的准确判别与分析。
附图说明
图1为本发明提供的流程图;
图2为本发明提供的配电线路运行风险时变故障概率计算流程示意图;
图3为本发明提供的配电线路故障-修复两状态循环过程框架示意图。
具体实施方式
下面结合具体实施方式和说明书附图对本发明做出详细的说明。
如图1-2所示,本发明提供了一种基于多源数据挖掘的配电线路运行风险时变故障概率计算方法,包括以下步骤:
S1、根据收集电网数据,确定配电网历史故障数据,历史气象数据,历史负荷数据及各馈线所属的变电站的地理位置;
历史气象数据包括:日平均温度,日最高/低温度,日平均风速,日累计降水量,日累计雷击量,日平均太阳辐射,日平均气压,日比湿度,日相对湿度等历史数据。历史故障数据中筛选出由于雷雨、大风、覆冰等恶劣气象导致故障的数据,在历史气象数据中找到对应的气象数据作为训练样本。
S2、根据历史故障数据筛选出分别由于恶劣气象导致故障的数据,并在历史气象数据中找到对应的气象数据作为训练样本集。
下式表示配电线路训练样本集:
S={(xi,yi),xi∈Rn,yi∈{0,1}} (1)
式中,xi表示第i个n维输入向量,包括温度、风速、降水、雷击、湿度等气象数据。yi为类别标签,根据当前配电线路运行状态是否发生故障来进行划分;标签yi=0表示配电线路当天运行状态下没有发生故障,标签yi=1表示当天该条线路发生故障的次数大于0,表示发生故障。
S3、分别统计配电线路在正常天气下的故障率与修复率,与恶劣天气下的故障率与修复率。如图3所示,无论是在正常天气或是恶劣天气下,配电线路的故障-修复两状态循环过程,其中,λ01是在两类风险源作用下,配电线路从正常运行状态向故障状态的故障率,是随时间和配电线路运行工况而变化的值;μ01是配电线路从故障状态向正常运行状态的修复率。
通过对步骤S2中发生故障的数据和没有发生故障数据的分类统计,可以分别得到在易发故障环境下的故障率λ01如下式所示:
式中,NLji表示第j条线路发生的第i次故障,TL表示该运行工况持续的时间。
修复率μ01如下式:
式中,RLji表示第j条线路第i次修复,DL表示该运行工况持续的时间。
S4、根据训练样本集与SVM(Support Vector Machine,支持向量机)方法,构建SVM气象分类器,包括:
构建分类平面方程如下式:
f(x)=<ω·x>+b (4)
式中,ω=(ω1,ω1...ωn)为权向量,x=(x1,x2...xm)T;b为阈值,并将训练误差ε作为约束条件,并引入松弛变量ξi,使得两类样本的分隔面最大的优化问题可表示为:
式中,C>0为惩罚系数,其值越大表示对超出ε的数据点惩罚越大。
将上述问题即转换具有线性不等式约束二次规划问题,采用拉格朗日乘子法求解下面具有线性不等式约束的二次规划问题:
式中,为拉格朗日乘子。
采用拉格朗日乘子法即可求解上述优化问题;采用引入核函数k(x,xi),目标函数变为:
式中,αi,αj≥0(i,j=1,2,...,l)为拉格朗日乘子,xi为第i个样本,xj为第j个样本,且i=1,2,...,l,j=1,2,...,l。
在所有的核函数中,径向基函数在处理非线性问题上具有良好的效果,并且要确定的参数比起多项式核函数要少,则径向基函数K(xi,x)的形式如下式所示:
其中,影响训练效果的参数主要是C和σ,在SVM的参数选取中,本实施例采用网格搜索法,对C和σ分别取m和n个值进行训练,根据模型训练结果选择预测准确率最高的一组参数作为SVM模型中核函数的参数。
S5、采用福克-普朗克方程对步骤S3中的配电线路状态转移过程进行建模,具体如下式所示:
P′(t)=P(t)Q (9)
式中,P0为馈线处于正常运行的概率,P1为馈线处于故障状态的概率。
S6、确定当前气象,根据步骤S4确定当前运行状态下的故障率λ01与修复率μ01。
S7、将步骤S6中确定的故障率λ01与修复率μ01值代入福克-普朗克方程,计算得到配电线路的时变故障概率P。
本发明提出了一种基于多源数据挖掘的配电线路运行风险时变故障概率计算方法,基于配电网信息化***中存储的可靠性统计数据和历史气象数据,充分考虑恶劣气象因素对配电线路故障的影响,实现了配电线路故障概率自动准确的计算与分析,可以有效准确计算出配电线路时变故障概率。该方法避免了调度员根据自身经验做判断所带来的误差,能够客观反映配电线路在不同气象环境下的故障概率,实现配电网运行风险的准确判别与分析。
下面通过具体案例来说明本实施例
本案例收集了南方某地区120条馈线的2014年1月~2015年7月逐月的电力事故统计数据一共828条。根据上述实施例提出的故障特征变量选择方法选择出故障特征变量,得到的最优故障特征变量如表1所示,最优故障特征子集评价值为0.722。
表1、最优故障特征变量
类型 | 故障特征变量 |
馈线故障特性 | 故障发生时间、馈线所属变电站 |
外部影响因素 | 日最高温度、日最低温度、日平均湿度、日平均风速 |
自身影响因素 | 线路长度 |
运行影响因素 | 线路负荷 |
采用上述实施例提出的时变故障概率计算方法,可以计算出所有配电线路在恶劣气象下的时变故障概率。部分配电线路时变故障概率及失负荷风险值如表2和表3所示。
表2、部分线路的时变故障概率
表3、部分线路的失负荷风险值
本发明不局限于上述最佳实施方式,任何人应该得知在本发明的启示下作出的结构变化,凡是与本发明具有相同或相近的技术方案,均落入本发明的保护范围之内。
Claims (2)
1.一种基于多源数据挖掘的配电线路时变故障概率计算方法,其特征在于,包括以下步骤:
S1、根据收集电网数据,确定配电网历史故障数据,历史气象数据及各条馈线所属变电站的地理位置;
S2、根据历史故障数据筛选出由恶劣气象导致故障的数据,并在历史气象数据中找到对应的气象数据作为训练样本集;
配电线路运行训练样本集为:
S={(xi,yi),xi∈Rn,yi∈{0,1}}
式中,xi表示第i个n维输入向量,包括温度、风速、降水、雷击、湿度的气象数据;
yi为类别标签,根据当前配电线路运行状态是否发生故障来进行划分;yi=0表示配电线路当天运行状态下没有发生故障,yi=1表示当天该条线路发生故障的次数大于0,表示发生故障;
S3、分别统计配电线路在正常天气下的故障率与修复率,与恶劣天气下的故障率与修复率;其中,
通过对步骤S2中发生故障的数据和没有发生故障数据的分类统计,可以分别得到在易发故障环境下的状态转移速率λ01如下式所示:
式中,NLji表示第j条线路发生的第i次故障,TL表示该运行工况持续的时间;
修复率μ01如下式:
式中,RLji表示第j条线路第i次修复,DL表示该运行工况持续的时间;
S4、根据训练样本集与SVM方法,构建SVM气象分类器;构建分类平面方程如下式:
y=<ω·x>+b
式中,ω=(ω1,ω1...ωn)为权向量,x=(x1,x2...xm)T;b为阈值,并将训练误差ε作为约束条件,并引入松弛变量ξ,使得两类样本的分隔面最大的优化问题可表示为:
s.t.yi[<ω·x>+b]≥1-ξi
0≤αi≤C,ξi≥0,i=1,2...,l
式中,C>0为惩罚系数,其值越大表示对超出ε的数据点惩罚越大;
S5、采用福克-普朗克方程对步骤S3中的配电线路状态转移过程进行建模;
S6、确定当前气象,根据步骤S4确定当前运行状态下的故障率与修复率;
S7、将步骤S6中确定的故障率与修复率代入福克-普朗克方程,计算得到配电线路的时变故障概率;
其中,历史气象数据包括:日平均温度,日最高/低温度,日平均风速,日累计降水量,日累计雷击量;历史故障数据中筛选出由于雷雨、大风、覆冰恶劣气象的数据。
2.如权利要求1所述的计算方法,其特征在于,所述步骤S5中配电线路状态转移过程建模如下式:
P′(t)=P(t)Q
式中,P0为馈线处于正常运行的概率,P1为馈线处于故障状态的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910080205.8A CN111488896B (zh) | 2019-01-28 | 2019-01-28 | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910080205.8A CN111488896B (zh) | 2019-01-28 | 2019-01-28 | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111488896A CN111488896A (zh) | 2020-08-04 |
CN111488896B true CN111488896B (zh) | 2023-08-11 |
Family
ID=71795890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910080205.8A Active CN111488896B (zh) | 2019-01-28 | 2019-01-28 | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488896B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749904B (zh) * | 2021-01-14 | 2023-06-27 | 国网湖南省电力有限公司 | 基于深度学习的配电网故障风险预警方法及*** |
CN112785138A (zh) * | 2021-01-18 | 2021-05-11 | 内蒙古电力(集团)有限责任公司呼和浩特供电局 | 基于数值天气进行三跨线路监测分析预警的方法 |
CN113052224B (zh) * | 2021-03-19 | 2022-07-22 | 国网河南省电力公司电力科学研究院 | 一种电力与气象多源数据的交互融合方法和*** |
CN113553547A (zh) * | 2021-07-15 | 2021-10-26 | 广西电网有限责任公司电力科学研究院 | 一种架空线路时变故障概率计算***及方法 |
CN113469457B (zh) * | 2021-07-22 | 2024-04-19 | 中国电力科学研究院有限公司 | 融合注意力机制的输电线路故障概率预测方法 |
CN114638169B (zh) * | 2022-03-29 | 2024-06-07 | 国网能源研究院有限公司 | 变压器时变故障概率计算方法、装置及计算机可读存储介质 |
CN116187583B (zh) * | 2023-04-17 | 2023-11-03 | 国网黑龙江省电力有限公司齐齐哈尔供电公司 | 配电网大数据故障预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033883A1 (zh) * | 2014-09-04 | 2016-03-10 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140297235A1 (en) * | 2013-01-31 | 2014-10-02 | Betazi, Llc | Production analysis and/or forecasting methods, apparatus, and systems |
-
2019
- 2019-01-28 CN CN201910080205.8A patent/CN111488896B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033883A1 (zh) * | 2014-09-04 | 2016-03-10 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
Non-Patent Citations (1)
Title |
---|
黄景德 ; 郝学良 ; .基于模糊积分的潜隐性故障状态转移过程分析.大连交通大学学报.2011,(06),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111488896A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及*** | |
CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
CN107516170A (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及*** | |
CN103996084B (zh) | 基于纵向时刻Markov链模型的风功率概率预测方法 | |
CN105260800A (zh) | 一种光伏组件温度预测方法及装置 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN104978608A (zh) | 一种风电功率预测装置及预测方法 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
CN109167387A (zh) | 风场风电功率预测方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN113379142B (zh) | 一种基于风速修正和融合模型的短期风电功率预测方法 | |
CN103996071A (zh) | 一种基于马尔科夫理论的风电场风速预测方法 | |
CN114386753A (zh) | 一种基于主变负载状况的设备风险综合分析预警方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
WO2024031449A1 (zh) | 一种基于网格聚类的峡谷风电短期功率预测方法 | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
CN115169659A (zh) | 一种基于多分类器的超短期屋顶光伏功率预测方法及*** | |
CN103632314B (zh) | 基于概率统计的风电场广义节点特征建模方法 | |
CN109101659B (zh) | 一种小水电数据采集***中功率数据异常的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |