CN113466630B - 一种基于rsspn模型的配电网故障原因分类方法 - Google Patents
一种基于rsspn模型的配电网故障原因分类方法 Download PDFInfo
- Publication number
- CN113466630B CN113466630B CN202110811543.1A CN202110811543A CN113466630B CN 113466630 B CN113466630 B CN 113466630B CN 202110811543 A CN202110811543 A CN 202110811543A CN 113466630 B CN113466630 B CN 113466630B
- Authority
- CN
- China
- Prior art keywords
- model
- waveform data
- rsspn
- function
- category
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000009966 trimming Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 abstract description 31
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于RSSPN模型的配电网故障原因分类方法,包括,利用分布式数字故障记录器获取故障电流和电压波形数据,并对故障电流和电压波形数据进行类别标记;利用未标记的波形数据和已标记类别的波形数据训练RSSPN模型并获得学习的模型函数以及决策半径函数;微调训练完成的RSSPN模型,生成新的分类器;通过新的分类器完成配电网故障原因的分类;本发明利用原型网络结构和半监督学习来从未标记的数据中挖掘信息,提高了配网故障原因分类的准确性。
Description
技术领域
本发明涉及配电网故障分析的技术领域,尤其涉及一种基于RSSPN模型的配电网故障原因分类方法。
背景技术
配电网是将电力从配电***输送给个人消费者的最后阶段,其安全和稳定的运行与每个消费者的利益直接相关。
然而,配电网中的故障原因分类是一个具有挑战性的问题。首先,该机制还不清楚,目前还没有快速、准确的手工分类方法。其次,由于缺乏标记数据(手工标记的带有根本故障原因的错误波形),机器学习方法很难获得高精度和良好的泛化性能。第三,由于配电网中低电流接地***和分布式电源的持续接入,配电网正变得越来越复杂,使得传统分类器(例如多层感知器和卷积神经网络)无法实现高精度分类。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于RSSPN模型的配电网故障原因分类方法,能够解决因有标签数据不足的导致的无法实现高精度分类的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,其特征在于:包括,利用分布式数字故障记录器获取故障电流和电压波形数据,并对所述故障电流和电压波形数据进行类别标记;利用未标记的波形数据和已标记类别的波形数据训练RSSPN模型并获得学习的模型函数以及决策半径函数;微调训练完成的RSSPN模型,生成新的分类器;通过所述新的分类器完成配电网故障原因的分类。
作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案,其中:其特征在于:还包括,所述未标记的波形数据和已标记类别的波形数据的数量比例为4:1。
作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案,其中:还包括,利用混合损失函数训练所述RSSPN模型;所述混合损失函数由监督损失函数、伪监督损失函数和无监督损失函数构成。
作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案,其中:所述监督损失函数包括,
其中,Ls为监督损失值,T为预设的训练迭代总次数,为RSSPN模型输入层的第i个输出值,/>为RSSPN模型输入层的第i个输入值,kc为所述模型函数。
作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案,其中:还包括,所述伪监督损失函数包括,
其中,LP为伪监督损失值,为已标记类别的第j个波形数据,/>为未标记的第j个波形数据。
作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案,其中:还包括,所述无监督损失函数包括,
Lu=-logpw(y=l|x)
其中,Lu为监督损失值,pw(y=l|x)为已标记类别的波形数据中每一个类别的概率,y为分类标签,x为已标记类别的波形数据的向量表示,l为已标记类别的波形数据的数量。
作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案,其中:所述模型函数包括,
其中,c为配电网故障原因类别,h(xi)为未标记的波形数据的向量,h(xj)为已标记类别的波形数据的向量,zi,c为类别c中的第i个类别;zj,c为类别c中的第j个类别。
作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案,其中:所述决策半径函数包括,假设只有所述未标记的波形数据在决策半径内有属于已知的故障类别,利用所述决策半径函数计算决策半径,将落于决策半径内的所述未标记的波形数据更新所述RSSPN模型;所述决策半径函数如下:
rc=MLP([min(dj,c),max(dj,c),mean(dj,c),var(dj,c),skew(dj,c),kurt(dj,c)])
其中,rc为所述决策半径,dj,c是所述未标记的波形数据与类别c的距离。
作为本发明所述的基于RSSPN模型的配电网故障原因分类方法的一种优选方案,其中:所述微调包括,通过Caffe框架加载训练完成的RSSPN模型;删除训练完成的RSSPN模型中的全连接层,并令剩余层的权重保持不变;构建一组新的全连接层,并初始化新的全连接层的权重,获得所述新的分类器。
本发明的有益效果:本发明利用原型网络结构和半监督学习来从未标记的数据中挖掘信息,提高了配网故障原因分类的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的一种基于RSSPN模型的配电网故障原因分类方法的新建全连接层fc8示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的第一个实施例,该实施例提供了一种基于RSSPN模型的配电网故障原因分类方法,包括:
S1:利用分布式数字故障记录器获取故障电流和电压波形数据,并对故障电流和电压波形数据进行类别标记。
电流包括三相电流和中性点电流,电压为三相电压。
S2:利用未标记的波形数据和已标记类别的波形数据训练RSSPN模型并获得学习的模型函数以及决策半径函数。
利用大量未标记的波形数据和少量已标记类别的波形数据来训练RSSPN(RobustSemi-Supervised Prototype Network)模型,其中未标记的波形数据和已标记类别的波形数据的数量比例为4:1。
具体的,利用混合损失函数训练RSSPN模型,从而获得模型函数kc以及决策半径函数rc;其中,混合损失函数由监督损失、伪监督损失和无监督损失构成。
(1)监督损失函数:
其中,Ls为监督损失值,T为预设的训练迭代总次数,为RSSPN模型输入层的第i个输出值,/>为RSSPN模型输入层的第i个输入值,kc为模型函数。
(2)伪监督损失函数,
其中,LP为伪监督损失值,为已标记类别的第j个波形数据,/>为未标记的第j个波形数据。
(3)无监督损失函数,
Lu=-logpw(y=l|x)
其中,Lu为监督损失值,pw(y=l|x)为已标记类别的波形数据中每一个类别的概率,y为分类标签,x为已标记类别的波形数据的向量表示,l为已标记类别的波形数据的数量。
模型函数:
其中,c为配电网故障原因类别,h(xi)为未标记的波形数据的向量,h(xj)为已标记类别的波形数据的向量,zi,c为类别c中的第i个类别;zj,c为类别c中的第j个类别。
假设只有未标记的波形数据在决策半径内有属于已知的故障类别,利用决策半径函数计算决策半径,将落于决策半径内的未标记的波形数据更新RSSPN模型;决策半径函数如下:
rc=MLP([min(dj,c),max(dj,c),mean(dj,c),var(dj,c),skew(dj,c),kurt(dj,c)])
其中,rc为决策半径,dj,c是未标记的波形数据与类别c的距离;MLP(Multi-layerperceptron)表示多层感知器。
S3:微调训练完成的RSSPN模型,生成新的分类器。
微调的步骤如下:
(1)通过Caffe框架加载训练完成的RSSPN模型;
Caffe,全称Convolutional Architecture for Fast Feature Embedding,是一个兼具表达性、速度和思维模块化的深度学习框架。
(2)删除训练完成的RSSPN模型中的全连接层,并令剩余层的权重保持不变;
(3)构建一组新的全连接层,并初始化新的全连接层的权重,获得新的分类器。
参照图1,新建全连接层fc8,设置步长为2000,微调的学习速率为0.01,最大迭代次数为5000,利用GPU初始化新的全连接层的权重。
S4:通过新的分类器完成配电网故障原因的分类。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例选择SVM、原型网络、卷积神经网络和采用本方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
SVM和卷积神经网络随着样本的增加,获得的分类精度不断降低;原型网络虽然能获得较高精度,但无法在旧类别中区分新类别。
为验证本方法相对SVM、原型网络、卷积神经网络对于大量样本具有较高分类精度,本实施例中将采用SVM、原型网络、卷积神经网络和本方法分别对电网收集的故障波形数据(未标记数据的数量800,已标记的数据数量200)进行分类对比,配电网故障原因有A类(避雷器故障、变压器柔性电缆烧毁、变压器弯头损坏)、B类(干地、湿地、干式混凝土、湿式混凝土、沥青材料)。
测试环境:利用matlab将故障波形数据输入至SVM、原型网络、卷积神经网络和本方法构建的新的分类器中,实验结果如下:
表1:分类结果对比。
表2:本方法在不同数量为标记数据下的分类精度。
未标记的数据的数量 | A类(未微调) | A类(微调) | B类(未微调) | B类(微调) |
0 | 78.61% | 85.14% | 62.45% | 72.48% |
200 | 86.45% | 91.49% | 68.17% | 79.14% |
400 | 90.62% | 96.78% | 76.82% | 88.60% |
600 | 92.12% | 98.63% | 79.15% | 94.58% |
800 | 93.46% | 99.45% | 84.94% | 95.67% |
由表1可见,本方法的性能远优于传统的分类器和神经网络;参照表2,可以看出,随着未标记的数据的数量的增加,分类精度逐渐增加,证明本方法有效提高分类精度。
应说明的是,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,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于RSSPN模型的配电网故障原因分类方法,其特征在于:包括,
利用分布式数字故障记录器获取故障电流和电压波形数据,并对所述故障电流和电压波形数据进行类别标记;
利用未标记的波形数据和已标记类别的波形数据训练RSSPN模型并获得学习的模型函数以及决策半径函数;
所述未标记的波形数据和已标记类别的波形数据的数量比例为4:1;
微调训练完成的RSSPN模型,生成新的分类器;
通过所述新的分类器完成配电网故障原因的分类;
还包括,利用混合损失函数训练所述RSSPN模型;所述混合损失函数由监督损失函数、伪监督损失函数和无监督损失函数构成;
所述监督损失函数包括,
其中,Ls为监督损失值,T为预设的训练迭代总次数,为RSSPN模型输入层的第i个输出值,/>为RSSPN模型输入层的第i个输入值,kc为所述模型函数;
所述伪监督损失函数包括,
其中,LP为伪监督损失值,为已标记类别的第j个波形数据,/>为未标记的第j个波形数据;
所述无监督损失函数包括,
Lu=-logpw(y=l|x)
其中,Lu为监督损失值,pw(y=l|x)为已标记类别的波形数据中每一个类别的概率,y为分类标签,x为已标记类别的波形数据的向量表示,l为已标记类别的波形数据的数量。
2.如权利要求1所述的基于RSSPN模型的配电网故障原因分类方法,其特征在于:所述模型函数包括,
其中,c为配电网故障原因类别,h(xi)为未标记的波形数据的向量,h(xj)为已标记类别的波形数据的向量,zi,c为类别c中的第i个类别;zj,c为类别c中的第j个类别。
3.如权利要求1所述的基于RSSPN模型的配电网故障原因分类方法,其特征在于:所述决策半径函数包括,
假设只有所述未标记的波形数据在决策半径内有属于已知的故障类别,利用所述决策半径函数计算决策半径,将落于决策半径内的所述未标记的波形数据更新所述RSSPN模型;所述决策半径函数如下:
rc=MLP([min(dj,c),max(dj,c),mean(dj,c),var(dj,c),skew(dj,c),kurt(dj,c)])
其中,rc为所述决策半径,dj,c是所述未标记的波形数据与类别c的距离。
4.如权利要求1所述的基于RSSPN模型的配电网故障原因分类方法,其特征在于:所述微调包括,
通过Caffe框架加载训练完成的RSSPN模型;
删除训练完成的RSSPN模型中的全连接层,并令剩余层的权重保持不变;
构建一组新的全连接层,并初始化新的全连接层的权重,获得所述新的分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110811543.1A CN113466630B (zh) | 2021-07-19 | 2021-07-19 | 一种基于rsspn模型的配电网故障原因分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110811543.1A CN113466630B (zh) | 2021-07-19 | 2021-07-19 | 一种基于rsspn模型的配电网故障原因分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113466630A CN113466630A (zh) | 2021-10-01 |
CN113466630B true CN113466630B (zh) | 2023-10-24 |
Family
ID=77880936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110811543.1A Active CN113466630B (zh) | 2021-07-19 | 2021-07-19 | 一种基于rsspn模型的配电网故障原因分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113466630B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114089108B (zh) * | 2021-11-17 | 2022-08-02 | 广东电网有限责任公司广州供电局 | 一种电缆护层缺陷识别方法、装置、设备和可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207817133U (zh) * | 2018-01-13 | 2018-09-04 | 福州大学 | 分布式配电网故障录波装置 |
CN209746068U (zh) * | 2019-01-07 | 2019-12-06 | 山东科技大学 | 基于波形分析的配网故障告警*** |
CN111160241A (zh) * | 2019-12-27 | 2020-05-15 | 华中科技大学 | 一种基于深度学习的配电网故障分类方法、***和介质 |
CN112016473A (zh) * | 2020-08-31 | 2020-12-01 | 国网安徽省电力有限公司电力科学研究院 | 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法 |
CN113050602A (zh) * | 2021-03-26 | 2021-06-29 | 杭州电子科技大学 | 基于鲁棒半监督判别分析的工业过程故障方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11429862B2 (en) * | 2018-03-20 | 2022-08-30 | Sri International | Dynamic adaptation of deep neural networks |
-
2021
- 2021-07-19 CN CN202110811543.1A patent/CN113466630B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207817133U (zh) * | 2018-01-13 | 2018-09-04 | 福州大学 | 分布式配电网故障录波装置 |
CN209746068U (zh) * | 2019-01-07 | 2019-12-06 | 山东科技大学 | 基于波形分析的配网故障告警*** |
CN111160241A (zh) * | 2019-12-27 | 2020-05-15 | 华中科技大学 | 一种基于深度学习的配电网故障分类方法、***和介质 |
CN112016473A (zh) * | 2020-08-31 | 2020-12-01 | 国网安徽省电力有限公司电力科学研究院 | 基于半监督学习和注意力机制的配电网高阻接地故障诊断方法 |
CN113050602A (zh) * | 2021-03-26 | 2021-06-29 | 杭州电子科技大学 | 基于鲁棒半监督判别分析的工业过程故障方法 |
Non-Patent Citations (1)
Title |
---|
META-LEARNING FOR SEMI-SUPERVISED FEW-SHOT CLASSIFICATION;Mengye Ren 等;《ICLR 2018》;20181231;第1-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113466630A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105354646B (zh) | 一种混合粒子群优化与极限学习机的电力负荷预测方法 | |
CN103324980A (zh) | 一种风电场风速预测方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN109190672A (zh) | 电力***运行工况无监督聚类方法及装置 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN114169249B (zh) | 一种配电网高阻接地故障人工智能识别方法 | |
Peng et al. | A very short term wind power prediction approach based on Multilayer Restricted Boltzmann Machine | |
Guomin et al. | Deep learning‐based fault location of DC distribution networks | |
CN116667369B (zh) | 一种基于图卷积神经网络的分布式光伏电压控制方法 | |
CN113466630B (zh) | 一种基于rsspn模型的配电网故障原因分类方法 | |
CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
Zhu et al. | Fault location in AC transmission lines with back‐to‐back MMC‐HVDC using ConvNets | |
Wang et al. | Multi‐harmonic sources location based on sparse component analysis and complex independent component analysis | |
Xu et al. | An improved ELM-WOA–based fault diagnosis for electric power | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
Wang et al. | Cluster division in wind farm through ensemble modelling | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及*** | |
Fen et al. | Short‐term photovoltaic power probability forecasting based on OLPP‐GPR and modified clearness index | |
Xie et al. | Deep learning with multisource data fusion in electricity internet of things for electricity price forecast | |
CN116401572A (zh) | 一种基于cnn-lstm的输电线路故障诊断方法及*** | |
CN116109178A (zh) | 一种面向高比例新能源接入的电力***稳定评估方法 | |
CN115587763A (zh) | 一种考虑多电压等级耦合的分布式电源承载能力评估方法 | |
CN114781244A (zh) | 一种风电场内分群与参数优化方法 |
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 |