CN112131956B - 一种基于差异哈希算法的电压暂降源分类方法 - Google Patents
一种基于差异哈希算法的电压暂降源分类方法 Download PDFInfo
- Publication number
- CN112131956B CN112131956B CN202010877334.2A CN202010877334A CN112131956B CN 112131956 B CN112131956 B CN 112131956B CN 202010877334 A CN202010877334 A CN 202010877334A CN 112131956 B CN112131956 B CN 112131956B
- Authority
- CN
- China
- Prior art keywords
- voltage
- waveform
- difference
- voltage sag
- processing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
- H04L9/0643—Hash functions, e.g. MD5, SHA, HMAC or f9 MAC
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于差异哈希算法的电压暂降源分类方法，具体包括以下步骤：S1：读取时段T内配电网中某处发生电压暂降时监测点三相电压变化波形，导出电压波形P1，对电压波形P1进行图片处理得到整数矩阵；S2：对S1处理得到的整数矩阵进行差异值计算与处理，得到电压波形P1的波形图哈希值，即图像的“指纹”；S3：通过差异哈希算法中汉明距离比较电压波形P1和不同源引起的电压波形P2“指纹”相似程度，从而判断电压暂降源。本发明与现有电压暂降源识别方法相比，弥补了复合电压暂降源理论不足的问题，通过对波形图特征的提取，能识别不同暂降源引起电压波形的区别，具有高准确度、细分类化的优点。
Description
技术领域
本发明涉及电能质量技术领域，具体是一种基于差异哈希算法的电压暂降源分类方法。
背景技术
电气与电子工程师协会(IEEE)将电压暂降定义为供电***中某点电压的均方根值瞬间跌落至0.1～0.9p.u.，并且在持续半个周期至1min的时间后恢复正常。在实际电网中，电压暂降形成的原因错综复杂，且各类电压暂降的波形也不相同。通常情况下，当电网中出现雷击或大功率设备启动等事件时，均可引发电压暂降。电压暂降源可分为单一电压暂降源和复合电压暂降源。识别电压暂降源对于及时切除故障、责任分配以及电压暂降的治理具有重要意义。
目前，电压暂降源的识别主要分为基于信号处理和基于模式识别的两大类方法，具有较高的识别精度。但现有方法在电力***实际应用的过程中遇到了以下两大问题，阻碍了所提方法的工程应用进程。
1)识别过程的主观因素较强。以信号处理方法为例，其具有简单易处理、样本数量小、物理意义明确等显著优点，如小波变换、Hilbert-Huang变换(HHT)、有效值法和S变换等方法都被应用到电压暂降源识别领域。但是，信号处理方法具有人工设定阈值、主观因素强、识别结果不直观等缺点，会影响到识别准确率。
2)计算方法过于复杂、计算量较大。以模式识别方法为例，该类方法具有智能识别、自动批量处理、结果直观等优点，利用机器学习或其他分类算法，克服了阈值选择、主观性强等缺陷，如神经网络、深度置信网络、模糊综合评价法、动态时间弯曲距离法等都应用到了电压暂降源识别领域。上述模式识别方法都具有较高的识别精度，但是，模式识别类方法存在计算量大、计算时间长、相关参数设置和模型调试困难、模型复杂等典型特点，或存在畸形匹配，相关方法不适合直接应用于监测终端。
发明内容
本发明目的在于提供一种基于差异哈希算法的电压暂降源分类方法，根据波形图片处理的结果，以发生电压暂降某时段内监测点处三相电压变化的波形图作为研究对象，分别与不同暂降源引起的波形图进行比较，利用图像处理技术，将图片统一设置为9x8的尺寸，进行灰度化处理，得到一8x8的差分矩阵G，对矩阵进行处理，通过计算两被比较图片的哈希值，比较两图片相似程度，即利用差异哈希算法进行暂降源的判断，具有高准确度、细分类化的优点。
为实现上述目的，本发明所采用的技术方案是：一种基于差异哈希算法的电压暂降源分类方法，包括以下步骤：
S1：读取时段T内配电网中某处发生电压暂降时监测点三相电压变化波形，导出电压波形P1，对电压波形P1进行图片处理得到整数矩阵；
S2：对S1处理得到的整数矩阵进行差异值计算与处理，得到电压波形P1的波形图哈希值，即图像的“指纹”；
S3：通过差异哈希算法中汉明距离比较电压波形P1和不同源引起的电压波形P2“指纹”相似程度，从而判断电压暂降源。
进一步的，所述S1包括以下步骤：
S11：通过采取改变图片大小的方式，最快速的去除高频和细节、只保留结构明暗，然后执行S12；
S12：统一将波形图片缩小到9x8尺寸，即72个像素，以摒弃不同尺寸、比例带来的图片差异，然后执行S23；
S13：将缩小后的图片，转为64级单通道灰度图，即所有像素点总共有64种颜色最终得一个8x8的整数矩阵G。
进一步的，所述S2包括以下步骤
S21：所得整数矩阵G相邻的两个元素进行相减(左边元素减右边元素)，得出8个不同的差异值，总共得到64个差异值，执行S22；
S22：对差异值进行处理，若为正数或0，则记为1；若为负数，记为0，执行S23；
S23：将S22处理得到的64个结果结合在一起得到一个哈希值，即图像的“指纹”，其中每张图像的64个值组合顺序一致。
进一步的，所述S3中，若汉明距离小于10的一组图片为相似图片，分别与不同暂降源产生的电压波形比较，从而识别导致该处电压暂降的暂降源。
综上所述，本发明的有益效果为：
1、本发明基于差异哈希算法计算哈希值与汉明距离的结果，以发生电压暂将某时段监测点处三相电压变化波形作为研究对象，分别与不同暂降源引起的波形图进行比较，利用图像处理技术，将图片统一设置为9x8的尺寸，并进行灰度化处理，得到一8x8的差分矩阵G。随后，对矩阵进行处理，通过计算两被比较图片的哈希值，比较两图片相似程度，即利用差异哈希算法进行暂降源的判断，具有高准确度、细分类化的优点；
2、在哈希算法中，相比于感知哈希算法(pHash)，差异哈希算法(dHash)的速度要快的多，相比平均哈希算法(aHash)，差异哈希算法(dHash)在效率几乎相同的情况下的效果要更好，它是基于渐变实现的，故本发明具有识别结果更加精准可靠的优点。
图说明
图1为本发明一种基于差异哈希算法的电压暂降源分类方法的流程示意图；
图2为本发明中步骤S1的流程示意图；
图3为本发明中步骤S2的流程示意图；
图4为本发明算例中读取某时段未知电压暂降源三相电压波形转为灰度9x8尺寸的Lena图；
图5为本发明算例中读取某时段未知电压暂降源的三相电压波形；
图6为变压器激磁涌流引起的电压暂降的分压模型示意图。
具体实施方式
下面结合本发明的图1～6，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。基于本发明中的实施方式，该领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
参照图1，一种基于差异哈希算法的电压暂降源分类方法，包括以下步骤：
S1：读取时段T内配电网中某处发生电压暂降时监测点三相电压变化波形，导出电压波形P1，对电压波形P1进行图片处理得到整数矩阵；
S2：对S1处理得到的整数矩阵进行差异值计算与处理，得到电压波形P1的波形图哈希值，即图像的“指纹”；
S3：通过差异哈希算法中汉明距离比较电压波形P1和不同源引起的电压波形P2“指纹”相似程度，从而判断电压暂降源。
参照图2，具体的，S1包括以下步骤：
S11：为方便比较、最快速的去除高频和细节、只保留结构明暗，采取改变图片大小的方式，执行S12；
S12：为摒弃不同尺寸、比例带来的图片差异，统一将波形图片缩小到9x8尺寸，即72个像素，执行S23；
S13：将缩小后的图片，转为64级单通道灰度图，即所有像素点总共有64种颜色最终得一个8x8的整数矩阵G。
参照图3，具体的，S2包括以下步骤：
S21：所得整数矩阵G相邻的两个元素进行相减(左边元素减右边元素)，得出8个不同的差异值，总共得到64个差异值，执行S22；
S22：对差异值进行处理，若为正数或0，则记为1；若为负数，记为0，执行S23；
S23：将S22处理得到的64个结果结合在一起就得到一个哈希值(每张图像的64个值组合顺序要一致)，即图像的“指纹”。
生成每一个图片的哈希值后，需要计算哈希值的距离来判断两张图片的相似度。一般使用汉明距离，也就是逐位计算两波形图的哈希值是否相同，通常认为汉明距离小于10的一组图片为相似图片，分别与不同暂降源产生的电压波形比较，从而识别导致该处电压暂降的暂降源。
更进一步的，汉明距离解释如下：
码字A为10001001
码字B为10110001
不同的字符数为3，那么汉明距离就是3。
选用某时段未知暂降源引起的三相电压波形图P1作为本发明算例。首先，将波形图进行灰度化、网格化处理，划分为64个区后，读取其波形直方图如图3。
电压暂降造成原因总的来说是由于电源阻抗分压增加，进而引起公共连接点(PCC)电压暂降。分为两方面，一是由于流经***电源阻抗的电流突然增大，造成电源阻抗分压增加，进而引起电压暂降；二是由于***阻抗的突然增加，造成电源阻抗分压增加，从而导致电压暂降。从实际情况看，暂降主要由前者引起，后者很少发生。前者主要有三类：故障引起的电压暂降、感应电机启动引起的电压暂降、变压器激磁涌流引起的电压暂降，其机理可用图6所示的分压模型简单分析。
为简化表达，本发明算例中将这三种情况分别记为F1、F2、F3，分别提取波形图矩阵G，逐一与观测点波形P1进行比较，矩阵如下表所示。其中，P1转灰度图后如图4。
表1P1波形图矩阵
表2F1波形图矩阵
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
| 1 | 1 | 0 | 0 | 1 | 1 | 0 | 0 |
| 1 | 1 | 0 | 0 | 1 | 0 | 0 | 0 |
| 1 | 1 | 0 | 0 | 1 | 0 | 0 | 0 |
| 1 | 1 | 0 | 1 | 0 | 0 | 0 | 0 |
| 1 | 1 | 0 | 1 | 0 | 0 | 0 | 0 |
表3F2波形图矩阵
| 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
| 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 |
| 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 |
| 1 | 1 | 1 | 0 | 1 | 1 | 0 | 0 |
| 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 |
| 1 | 1 | 1 | 0 | 0 | 1 | 0 | 0 |
| 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 |
| 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 |
表4F3波形图矩阵
| 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 |
| 1 | 0 | 0 | 0 | 0 | 1 | 1 | 0 |
| 1 | 1 | 1 | 0 | 0 | 1 | 0 | 0 |
| 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 |
| 1 | 1 | 0 | 0 | 0 | 1 | 1 | 0 |
| 0 | 1 | 1 | 0 | 0 | 1 | 1 | 0 |
| 0 | 0 | 1 | 1 | 0 | 1 | 1 | 0 |
| 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 |
其中，表1为观测点波形矩阵，表2、3、4分别为由故障引起的电压暂降、感应电机启动引起的电压暂降、变压器激磁涌流引起的电压暂降，从矩阵中可以看出，F1的汉明距离为29，F2、F3的汉明距离均为8，表示两波形图相似，故判断其为感应电机和变压器共同引起的电压暂降。观测点波形如图5所示。
可以看出，差异哈希算法提供了一种新的方法，能精确地识别复合电压暂降源，弥补了现有研究的不足。
在本发明的描述中，需要理解的是，在哈希算法中，相比于感知哈希算法(pHash)，差异哈希算法(dHash)的速度要快的多，相比平均哈希算法(aHash)，差异哈希算法(dHash)在效率几乎相同的情况下的效果要更好，它是基于渐变实现的，故本发明具有识别结果更加精准可靠的优点。此外，这种指纹算法不仅可以应用与图片搜索，同样适用于其他多媒体形式，具有较高的利用价值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种基于差异哈希算法的电压暂降源分类方法，其特征在于：包括以下步骤：
步骤S1：读取时段T内配电网中某处发生电压暂降时监测点三相电压变化波形，导出电压波形P1，对电压波形P1进行图片处理得到整数矩阵；
步骤S2：对步骤S1处理得到的整数矩阵进行差异值计算与处理，得到电压波形P1的波形图哈希值，即图像的“指纹”；
步骤S3：通过差异哈希算法中汉明距离比较电压波形P1和不同源引起的电压波形P2“指纹”相似程度，从而判断电压暂降源；
所述步骤S1包括以下步骤：
步骤S11：通过采取改变图片大小的方式，最快速的去除高频和细节、只保留结构明暗，然后执行步骤S12；
步骤S12：统一将波形图片缩小到9x8尺寸，即72个像素，以摒弃不同尺寸、比例带来的图片差异，然后执行步骤S13；
步骤S13：将缩小后的图片，转为64级单通道灰度图，即所有像素点总共有64种颜色最终得一个8x8的整数矩阵G；
所述步骤S2包括以下步骤：
步骤S21：所得整数矩阵G相邻的两个元素进行相减，得出8个不同的差异值，总共得到64个差异值，执行步骤S22；
步骤S22：对差异值进行处理，若为正数或0，则记为1；若为负数，记为0，执行步骤S23；
步骤S23：将步骤S22处理得到的64个结果结合在一起得到一个哈希值，即图像的“指纹”，其中每张图像的64个值组合顺序一致。
2.如权利要求1所述的基于差异哈希算法的电压暂降源分类方法，其特征在于：所述步骤S3中，若汉明距离小于10的一组图片为相似图片，分别与不同暂降源产生的电压波形比较，从而识别导致该处电压暂降的暂降源。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010877334.2A CN112131956B (zh) | 2020-08-27 | 2020-08-27 | 一种基于差异哈希算法的电压暂降源分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010877334.2A CN112131956B (zh) | 2020-08-27 | 2020-08-27 | 一种基于差异哈希算法的电压暂降源分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112131956A CN112131956A (zh) | 2020-12-25 |
| CN112131956B true CN112131956B (zh) | 2022-08-26 |
Family
ID=73848532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010877334.2A Active CN112131956B (zh) | 2020-08-27 | 2020-08-27 | 一种基于差异哈希算法的电压暂降源分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131956B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112784792B (zh) * | 2021-01-29 | 2023-02-07 | 海南电网有限责任公司电力科学研究院 | 基于Pearson相关系数与OPTICS的电压暂降同源识别方法 |
| CN113052082B (zh) * | 2021-03-26 | 2023-11-17 | 南京灿能电力自动化股份有限公司 | 一种基于图像识别的电压暂降事件关联方法 |
| CN113077012B (zh) * | 2021-04-26 | 2022-10-04 | 福州大学 | 一种电压暂降同源检测方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976266A (zh) * | 2016-05-16 | 2016-09-28 | 国网江苏省电力公司电力科学研究院 | 基于典型电压暂降波形匹配的电压暂降原因识别方法 |
| CN108897775A (zh) * | 2018-06-01 | 2018-11-27 | 昆明理工大学 | 一种基于感知哈希的快速图像识别***及方法 |
| CN109213891A (zh) * | 2018-08-20 | 2019-01-15 | 深圳市乐唯科技开发有限公司 | 一种使用平均哈希算法搜索图片的方法 |
| CN109828184A (zh) * | 2019-01-18 | 2019-05-31 | 东南大学 | 一种基于互近似熵的电压暂降源识别方法 |
| CN110954779A (zh) * | 2019-11-29 | 2020-04-03 | 国网上海市电力公司 | 一种基于s变换与多维分形的电压暂降源特征识别方法 |
| CN111353552A (zh) * | 2020-03-13 | 2020-06-30 | 杭州趣维科技有限公司 | 一种基于感知哈希算法的图像相似度对比方法 |
-
2020
- 2020-08-27 CN CN202010877334.2A patent/CN112131956B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976266A (zh) * | 2016-05-16 | 2016-09-28 | 国网江苏省电力公司电力科学研究院 | 基于典型电压暂降波形匹配的电压暂降原因识别方法 |
| CN108897775A (zh) * | 2018-06-01 | 2018-11-27 | 昆明理工大学 | 一种基于感知哈希的快速图像识别***及方法 |
| CN109213891A (zh) * | 2018-08-20 | 2019-01-15 | 深圳市乐唯科技开发有限公司 | 一种使用平均哈希算法搜索图片的方法 |
| CN109828184A (zh) * | 2019-01-18 | 2019-05-31 | 东南大学 | 一种基于互近似熵的电压暂降源识别方法 |
| CN110954779A (zh) * | 2019-11-29 | 2020-04-03 | 国网上海市电力公司 | 一种基于s变换与多维分形的电压暂降源特征识别方法 |
| CN111353552A (zh) * | 2020-03-13 | 2020-06-30 | 杭州趣维科技有限公司 | 一种基于感知哈希算法的图像相似度对比方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112131956A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112131956B (zh) | 一种基于差异哈希算法的电压暂降源分类方法 | |
| CN107784661B (zh) | 基于区域生长法的变电站设备红外图像分类识别方法 | |
| CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
| CN111798412B (zh) | 一种基于红外图像的变电设备缺陷智能诊断方法及*** | |
| CN107727662B (zh) | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 | |
| CN106570790B (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
| 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 | |
| CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
| CN116956198B (zh) | 基于物联网的智慧用电数据分析方法及*** | |
| CN113065484A (zh) | 一种基于紫外图谱的绝缘子污秽状态评估方法 | |
| CN112668725A (zh) | 一种基于改进特征的金属洗手盆缺陷目标训练方法 | |
| Jia | Fabric defect detection based on open source computer vision library OpenCV | |
| CN113191419B (zh) | 一种基于轨迹关键点匹配及区域划分的暂降同源事件检测、类型辨识方法 | |
| CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
| CN114581407B (zh) | 一种光伏模块的自适应缺陷检测方法 | |
| CN115327310A (zh) | 一种瓷绝缘子零值状态确定方法及装置 | |
| CN110503111B (zh) | 一种基于rgb色彩模式的用电异常行为可视化监控方法 | |
| CN112362944A (zh) | 一种基于余弦相似度法的电压暂降源分类方法 | |
| CN113759208A (zh) | 一种基于故障指示器的异常波形识别方法 | |
| CN114358176A (zh) | 一种基于lof算法的风电站原始风电数据质量控制的方法 | |
| Yao et al. | Research on technology of contact insulator pollution classification and pollution level division based on machine vision | |
| CN112036410A (zh) | 基于深度学习和图像梯度的电力设备红外图像分割方法 | |
| CN117876373B (zh) | 一种变压器故障检测方法 | |
| CN113159047B (zh) | 一种基于cgan图像扩增的变电设备红外图像温度值识别方法 | |
| CN114580467B (zh) | 基于数据增强和Tri-Training的电力数据异常检测方法及*** |
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 |