CN111725802A - 基于深度神经网络的交直流混联电网暂态稳定判断方法 - Google Patents
基于深度神经网络的交直流混联电网暂态稳定判断方法 Download PDFInfo
- Publication number
- CN111725802A CN111725802A CN202010493766.3A CN202010493766A CN111725802A CN 111725802 A CN111725802 A CN 111725802A CN 202010493766 A CN202010493766 A CN 202010493766A CN 111725802 A CN111725802 A CN 111725802A
- Authority
- CN
- China
- Prior art keywords
- power grid
- neural network
- deep neural
- direct current
- transient
- 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
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于深度神经网络的交直流混联电网暂态稳定判断方法,属于电网暂态稳定评估领域。现代电网出现了信息物理融合与大电网复杂互联等新特征,对电力***暂态稳定评估方法产生了极大的影响。为了能够适应未来电网出现的新特性,本发明将深度学习方法引入电力***暂态稳定判断;通过仿真获取能够反应交直流电网***特征的暂态样本数据集,利用深度学习架构对特征数据集与稳定结果之间的映射关系进行训练。采用改进的IEEE新英格兰10机39节点作为测试***,相较于常用的浅层学习方法支持向量机、决策树,本发明所采用的的技术方案能够更快实现暂态稳定评估,评估准确率更高,泛化能力更强。
Description
技术领域
本发明属于电力***暂态稳定判断领域,具体为一种基于深度神经网络的交直流混联电网暂态稳定判断方法。
背景技术
伴随着智能电网建设的快速推进,未来智能电网将会呈现电力电子化、信息物理融合和大电网复杂互联等新特征,这都会给未来电力***暂态稳定判断(transientstability assessment,TSA)的工作带来很大的挑战。随着人工智能技术迅速崛起,基于机器学习和深度学习技术的电力***暂态稳定判断方法从模式识别的角度另辟蹊径,逐渐进入人们的视野,被人们认为是未来电力***暂态稳定判断的新方法和关键技术之一。
由于交直流混联电网的运行方式复杂多变、高维度、非线性等特性,多数浅层学习方法对于电网运行特征的处理能力略显不足,当处理复杂暂态判断分类问题时,这些方法的泛化能力会受到较大的约束。近几年来随着深度学习技术(DL,deep learning)的跨越式发展,为电网暂态稳定判断研究提供了一条崭新的思路,即通过搭建多个隐藏层的学习模型,通过大量的电网数据学习更有用的特征,从而提高电力***暂态稳定判断的准确率与泛化能力。
发明内容
为了解决上述所存在的问题,本发明提出了一种基于深度神经网络(DNN)的交直流混联电网暂态稳定判断方法。
本发明包括步骤:
步骤一:交直流混联电网***的搭建以及***暂态原始数据集的获取,具体如下所示:
采用新英格兰10机39节点测试***作为***原型,在原***的16节点位置加入了一个两端直流模型,安排直流功率为1000MW,组成一个交直流混联电网***。
故障信息设置主要从以下三个方面考虑:***的负荷水平、故障持续的时间、故障发生的位置。分别选取选取80%,90%,100%,110%,120%,130%共6种负荷水平,故障持续时间分别为4周波,5周波,6周波,7周波,8周波,10周波共6种持续时间,故障发生的位置分别为线路的0%,50%,80%共3处,仿真时长为200周波,频率为50Hz,采用PSD-BPA对***进行仿真,获取暂态原始数据集。
步骤二:样本数据集的具体描述,具体说明如下:
交直流混联电网的暂态样本数据集主要包括两个部分:样本集X与标签集Y。样本集X作为深度神经网络模型的输入,标签集Y作为模型训练的目标,将X和Y简单描述如下:
式(1)中行向量看做暂态样本数量,列向量看做每个样本的特征数量,即一共m个样本,每个样本有n个特征属性,作为深度神经网络模型的输入。
标签集Y考虑稳定与不稳定两种情况,即Y共有2种类别具体描述如下:
式(2)中[y1,y2,y3……ym]都是行向量,采用One-Hot编码,即y=[1,0]代表稳定标签,y=[0,1]代表失稳标签。
步骤三:***暂态样本特征的选择,具体描述如下:
深度神经网络模型关键一步就是样本特征变量的选择,通常要选取物理意义明确,代表***运行状态的特征。动态特征与静态特征;从空间方面考虑,可以考虑发电机参数特征与电网参数特征;发电机的特征参数涵盖了功角、转子速度、角加速度、转子动能等常见的影响稳定的因素;电网方面主要包括总出力、总负荷、母线电压等;此外本发明针对交直流混联电网***的暂态稳定,额外加入直流电压、直流功率两个特征变量。具体的暂态特征选择见下表1所示。
表1样本特征选取
步骤四:采用搭建好的深度神经网络模型对样本数据进行训练,具体描述如下所示:
(1)将样本特征数据输入到深度神经网络模型中,样本数据到达第一层隐藏层,经过函数加权变换,得到第一层隐含层的输出结果如下:
g1=f(w1x+b1) (3)
式(3)中是f该隐含层的激活函数(Activation Function),w1是权重矩阵,b1是偏置,g1是该隐含层的输出结果。
同理可知第i层隐藏层的输出为:
gi=f(wigi-1+bi) (4)
深度神经网络模型中所有隐含层的激活函数均采用Relu激活函数,具体数学描述如下:
(2)经过多个隐藏层之后,得到深度神经网络模型的输出结果如下所示:
y=f'(wngn-1+bn) (6)
其中wn、bn分别是权重矩阵和偏置矩阵,gn-1是上一层的输出结果,f'是输出层的激活函数,这里采用softmax函数,具体的数学描述如下所示:
式(7)中的输出都在0到1之间,并且其总和为1,分别是各个类别的概率。
(3)深度神经网络模型本质上是一个分类模型,损失函数采用交叉熵(CrossEntropy)函数,具体的数学描述如下:
步骤五:将步骤一获取的原始数据,经过步骤二、三的处理与特征选择输入到步骤四的深度神经网络模型中进行训练与测试,获得交直流混联电网暂态稳定判断的结果与准确率。
本发明的有益效果:本发明根据深度神经网络处理高维数据能力强,能够挖掘更深层次数据特征的优点,将深度学习技术与交直流混联电网暂态稳定判断结合起来,更好的处理大电网数据复杂互联、数据维度较高的特性,电网数据能够充分的得到训练,能够提高交直流混联电网暂态判断的准确率,具有很好的鲁棒性与泛化能力,从而实现交直流混联电网的快速暂态稳定判断。
附图说明
图1是本发明的暂态稳定判断流程图;
图2是本发明交直流电网拓扑结构图;
图3是本发明深度神经网络(DNN)结构图;
图4是本发明深度神经网络训练准确率示意图;
图5是本发明深度神经网络训练误差示意图;
图6是本发明暂态稳定判断的混淆矩阵示意图。
具体实施方式
下面结合说明书附图和具体实施例对本发明的技术方案进行清楚、完整的描述。
图1所示是本发明的暂态判断流程图,本发明采用的交直流混联电网拓扑结构由图2展示,该***一共有10台发电机,39条母线,46条线路,本发明安排发电机有功出力为6158MW,***有功负荷6098.5MW。采用PSD-BPA进行软件仿真一共生成了4968个样本,其中稳定样本4150个,失稳样本818个。对4968个数据样本进行数据归一化处理,本发明采用z-score方法,数学描述如下所示:
将4968个样本数据随机划分为训练集和测试集两个部分,训练集所占比例为0.7,测试集所占比例为0.3,保持数据集中稳定和不稳定样本的比例不变,训练集部分是用于训练DNN判断模型,测试集部分用于模型的性能判断。
步骤一:交直流混联电网***的搭建以及***暂态原始数据集的获取,具体如下所示:
采用新英格兰10机39节点测试***作为***原型,在原***的16节点位置加入了一个两端直流模型,安排直流功率为1000MW,组成一个交直流混联电网***。
故障信息设置主要从以下三个方面考虑:***的负荷水平、故障持续的时间、故障发生的位置。分别选取80%,90%,100%,110%,120%,130%共6种负荷水平,故障持续时间分别为4周波,5周波,6周波,7周波,8周波,10周波共6种持续时间,故障发生的位置分别为线路的0%,50%,80%共3处,采用PSD-BPA对***进行仿真,仿真时长为200周波,频率为50Hz,获取暂态原始数据集。
步骤二:样本数据集的具体描述,具体说明如下:
交直流混联电网的暂态样本数据集主要包括两个部分:样本集X与标签集Y。样本集X作为深度神经网络模型的输入,标签集Y作为深度神经网络模型训练的目标,可以将X和Y简单描述如下:
式(1)中行向量看做暂态样本数量,列向量看做每个样本的特征数量,即一共m个样本,每个样本有n个特征属性,作为判断模型的输入。
标签集Y考虑稳定与不稳定两种情况,即Y共有2种类别具体描述如下:
式(2)中[y1,y2,y3……ym]都是行向量,采用One-Hot编码,m为对应的样本个数,即y=[1,0]代表稳定标签,y=[0,1]代表失稳标签。
步骤三:***暂态样本特征的选择,具体描述如下:
深度神经网络模型关键一步就是样本特征变量的选择,通常要选取物理意义明确,代表***运行状态的特征。动态特征与静态特征;从空间方面考虑,可以考虑发电机参数特征与电网参数特征;发电机的特征参数涵盖了功角、转子速度、角加速度、转子动能等常见的影响稳定的因素,电网方面主要包括总出力、总负荷、母线电压等;此外本发明的研究是关于交直流混联电网***的暂态稳定,额外加入直流电压、直流功率两个特征变量。具体的暂态特征选择见下表1所示。
表1中的t0代表故障发生前的稳定运行的时刻,t1是故障发生时刻,t2是故障切除前时刻,t3是故障切除后时刻,为了防止***运行状态的突变,这里考虑到了故障清除之后的第15、25、35、45、55、85、125、200周波共8个时刻,特征属性和t3时刻保持一致,为了防止出现后期突变情况,特征时刻点的选取跨度很大。上述构建的样本特征集,部分特征由仿真软件直接得出,部分特征是由仿真数据计算得出。
表2样本特征选取
步骤四:采用搭建好的深度神经网络模型(DNN)对样本数据进行训练,见图3,具体描述如下所示:
(1)将样本特征数据输入到深度神经网络模型中,样本数据到达第一层隐藏层,经过函数加权变换,得到第一层隐含层的输出结果如下:
g1=f(w1x+b1) (4)
式(3)中是f该隐含层的激活函数(Activation Function),w1是权重矩阵,b1是偏置,g1是该隐含层的输出结果。
同理可知第i层隐藏层的输出为:
gi=f(wigi-1+bi) (5)
深度神经网络模型中所有隐含层的激活函数均采用Relu激活函数,具体数学描述如下:
(2)经过多个隐藏层之后,得到模型的输出结果如下所示:
y=f'(wngn-1+bn) (7)
其中wn、bn分别是权重矩阵和偏置矩阵,gn-1是上一层的输出结果,f'是输出层的激活函数,这里采用softmax函数,具体的数学描述如下所示:
式(7)中的输出都在0到1之间,并且其总和为1,分别是各个类别的概率。
(3)深度神经网络模型本质上是一个分类模型,损失函数采用交叉熵(CrossEntropy)函数,具体的数学描述如下:
步骤五:将步骤一获取的原始数据,经过步骤二、三的处理与特征选择输入到步骤四的深度神经网络模型中进行训练与性能测试,并且与其他浅层学习方法比较,结果如表1所示。
表1暂态稳定判断结果
根据上述表1所示,可以看出DNN相对于其他方法在判断准确率方面存在着优势,无论是在训练集方面还是测试集方面,DNN都能够很好的挖掘样本集的深层次特征,准确快速的完成模型的训练与判断。可以看出DNN的测试集判断准确率比PCA+SVM、PCA+SVM+寻优、决策树(DT)高出了4.43%,1.35%,1.63%。模型的训练过程如下图4所示。由图4可知DNN的训练过程收敛较快,验证集的曲线也相对平稳,保持在较高的判断准确率。图5是DNN模型的训练误差曲线图,从图中可以看出误差收敛较快,最终维持在较低误差水平。
为了能够更好的看出DNN模型的判断的过程,下面图6给出了DNN某一次判断的混淆矩阵。混淆矩阵的横坐标为Target Class,即样本的实际标签,纵坐标是Output Class,即DNN模型的实际判断结果。从图6可以看出共计8个样本判断错误,相对于测试集样本总体而言,判断错误的样本偏少,总体DNN模型的判断性能优越。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.基于深度神经网络的交直流混联电网暂态稳定判断方法,其特征方法包括以下步骤:
步骤一:搭建交直流混联电网***以及获取***暂态原始数据集
采用新英格兰10机39节点测试***作为***原型,在***原型的16节点位置加入一个两端直流模型,安排直流功率为1000MW,组成一个交直流混联电网***;
故障信息设置时考虑以下三方面:***的负荷水平、故障持续的时间、故障发生的位置;采用PSD-BPA对***进行仿真,仿真时长为200周波,频率为50Hz,获取暂态原始数据集;
步骤二:描述样本数据集
交直流混联电网的暂态样本数据集主要包括两个部分:样本集X与标签集Y;样本集X作为深度神经网络模型的输入,标签集Y作为深度神经网络模型训练的目标,将X和Y描述如下:
式(1)中行向量为暂态样本数量,列向量为每个样本的特征数量,即一共m个样本,每个样本有n个特征属性;
标签集Y考虑稳定与不稳定两种情况,即Y共有2种类别具体描述如下:
式(2)中[y1,y2,y3……ym]都是行向量,采用One-Hot编码,即y=[1,0]代表稳定标签,y=[0,1]代表失稳标签;
步骤三:选择***暂态样本特征
选取样本特征包括发电机的功角、转子速度、角加速度、转子动能;电网的总出力、总负荷、母线电压、直流电压、直流功率;
步骤四:采用深度神经网络模型对样本数据进行训练
(1)将样本特征数据输入到深度神经网络模型中,样本特征数据到达第一层隐藏层,经过函数加权变换,得到第一层隐含层的输出结果如下:
g1=f(w1x+b1) (3)
式(3)中是f该隐含层的激活函数,w1是权重矩阵,b1是偏置,g1是该隐含层的输出结果;
同理可知第i层隐藏层的输出为:
gi=f(wigi-1+bi) (4)
(2)经过多个隐藏层之后,得到深度神经网络模型的输出结果:
y=f'(wngn-1+bn) (5)
其中wn、bn分别是权重矩阵和偏置矩阵,gn-1是上一层的输出结果,f'是输出层的激活函数,采用softmax函数,softmax函数的输出都在0到1之间,并且其总和为1,分别是各个类别的概率;
步骤五:将步骤一获取的原始数据,经过步骤二、三的处理与特征选择输入到步骤四的深度神经网络模型中进行训练与测试,获得交直流混联电网暂态稳定判断的结果。
2.根据权利要求1所述的基于深度神经网络的交直流混联电网暂态稳定判断方法,其特征在于:步骤1中的***的负荷水平分别选取80%,90%,100%,110%,120%,130%共6种负荷水平。
3.根据权利要求1所述的基于深度神经网络的交直流混联电网暂态稳定判断方法,其特征在于:步骤1中的故障持续时间分别为4周波,5周波,6周波,7周波,8周波,10周波共6种持续时间。
4.根据权利要求1所述的基于深度神经网络的交直流混联电网暂态稳定判断方法,其特征在于:步骤1中的故障发生的位置分别为线路的0%,50%,80%共3处。
5.根据权利要求1所述的基于深度神经网络的交直流混联电网暂态稳定判断方法,其特征在于:深度神经网络模型中所有隐含层的激活函数均采用Relu激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493766.3A CN111725802B (zh) | 2020-06-03 | 2020-06-03 | 基于深度神经网络的交直流混联电网暂态稳定判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010493766.3A CN111725802B (zh) | 2020-06-03 | 2020-06-03 | 基于深度神经网络的交直流混联电网暂态稳定判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111725802A true CN111725802A (zh) | 2020-09-29 |
CN111725802B CN111725802B (zh) | 2021-10-08 |
Family
ID=72565650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010493766.3A Active CN111725802B (zh) | 2020-06-03 | 2020-06-03 | 基于深度神经网络的交直流混联电网暂态稳定判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111725802B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112583039A (zh) * | 2020-12-21 | 2021-03-30 | 中国科学院电工研究所 | 数据-模型联合驱动的交直流配用电***协调管控方法 |
CN113852100A (zh) * | 2021-09-24 | 2021-12-28 | 广东电网有限责任公司 | 基于数据驱动的tcpst紧急控制启动判据生成方法 |
CN114006370A (zh) * | 2021-10-29 | 2022-02-01 | 中国电力科学研究院有限公司 | 一种电力***暂态稳定分析评估方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140257805A1 (en) * | 2013-03-11 | 2014-09-11 | Microsoft Corporation | Multilingual deep neural network |
CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力***暂态稳定评估方法 |
CN109783997A (zh) * | 2019-03-12 | 2019-05-21 | 华北电力大学 | 一种基于深度神经网络的电力***暂态稳定评估方法 |
CN110994604A (zh) * | 2019-12-12 | 2020-04-10 | 南京理工大学 | 基于lstm-dnn模型的电力***暂态稳定评估方法 |
CN111193260A (zh) * | 2020-01-16 | 2020-05-22 | 清华大学 | 一种自适应扩充数据的电力***暂态稳定自动评估方法 |
-
2020
- 2020-06-03 CN CN202010493766.3A patent/CN111725802B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140257805A1 (en) * | 2013-03-11 | 2014-09-11 | Microsoft Corporation | Multilingual deep neural network |
CN108832619A (zh) * | 2018-05-29 | 2018-11-16 | 北京交通大学 | 基于卷积神经网络的电力***暂态稳定评估方法 |
CN109783997A (zh) * | 2019-03-12 | 2019-05-21 | 华北电力大学 | 一种基于深度神经网络的电力***暂态稳定评估方法 |
CN110994604A (zh) * | 2019-12-12 | 2020-04-10 | 南京理工大学 | 基于lstm-dnn模型的电力***暂态稳定评估方法 |
CN111193260A (zh) * | 2020-01-16 | 2020-05-22 | 清华大学 | 一种自适应扩充数据的电力***暂态稳定自动评估方法 |
Non-Patent Citations (2)
Title |
---|
XIANGHUA YU等: "Deep Learning Based Transient Stability Assessment for Grid-Connected Inverter", 《 2018 IEEE INTERNATIONAL POWER ELECTRONICS AND APPLICATION CONFERENCE AND EXPOSITION(PEAC)》 * |
朱乔木等: "基于深度置信网络的电力***暂态稳定评估方法", 《中国电机工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112583039A (zh) * | 2020-12-21 | 2021-03-30 | 中国科学院电工研究所 | 数据-模型联合驱动的交直流配用电***协调管控方法 |
CN112583039B (zh) * | 2020-12-21 | 2022-11-15 | 中国科学院电工研究所 | 数据-模型联合驱动的交直流配用电***协调管控方法 |
CN113852100A (zh) * | 2021-09-24 | 2021-12-28 | 广东电网有限责任公司 | 基于数据驱动的tcpst紧急控制启动判据生成方法 |
CN114006370A (zh) * | 2021-10-29 | 2022-02-01 | 中国电力科学研究院有限公司 | 一种电力***暂态稳定分析评估方法及*** |
CN114006370B (zh) * | 2021-10-29 | 2024-06-18 | 中国电力科学研究院有限公司 | 一种电力***暂态稳定分析评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111725802B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111725802B (zh) | 基于深度神经网络的交直流混联电网暂态稳定判断方法 | |
CN108551167B (zh) | 一种基于XGBoost算法的电力***暂态稳定判别方法 | |
CN110175386B (zh) | 变电站电气设备温度预测方法 | |
Amraee et al. | Transient instability prediction using decision tree technique | |
CN102074955B (zh) | 基于知识发现技术的电力***稳定评估及控制方法 | |
CN111478314B (zh) | 一种电力***暂态稳定评估方法 | |
CN111914486B (zh) | 一种基于图注意力网络的电力***暂态稳定评估方法 | |
CN111709555B (zh) | 一种分布式电源优化配置的方法及*** | |
CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及*** | |
CN114006370B (zh) | 一种电力***暂态稳定分析评估方法及*** | |
CN112200694A (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN114021433B (zh) | 一种电力***的主导失稳模式识别模型的构建方法及应用 | |
CN115017787A (zh) | 基于智能算法的风电场电压穿越特性等值建模方法及*** | |
CN111652478B (zh) | 基于伞式算法的电力***电压稳定评估误分类约束方法 | |
CN110634082A (zh) | 一种基于深度学习的低频减载***运行阶段预测方法 | |
CN112821424A (zh) | 一种基于数据-模型融合驱动的电力***频率响应分析方法 | |
CN111401792A (zh) | 一种基于极限梯度提升决策树的动态安全评估方法 | |
Jia et al. | Voltage stability constrained operation optimization: An ensemble sparse oblique regression tree method | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
CN112465136A (zh) | 一种水电机组劣化预测方法和*** | |
CN116933860A (zh) | 暂态稳定评估模型更新方法、装置、电子设备及存储介质 | |
CN116305683A (zh) | 基于样本均衡化的电力***暂态稳定评估方法及*** | |
CN116204771A (zh) | 电力***暂态稳定关键特征选择方法、装置及产品 | |
CN111814394B (zh) | 一种基于相关性和冗余性检测的电力***安全评估方法 | |
CN114157552B (zh) | 一种基于孪生时序图网络的配网故障检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |