CN114355110A - 一种基于卷积神经网络的故障电流模式识别方法 - Google Patents
一种基于卷积神经网络的故障电流模式识别方法 Download PDFInfo
- Publication number
- CN114355110A CN114355110A CN202210268900.9A CN202210268900A CN114355110A CN 114355110 A CN114355110 A CN 114355110A CN 202210268900 A CN202210268900 A CN 202210268900A CN 114355110 A CN114355110 A CN 114355110A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- power frequency
- method based
- current
- 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.)
- Pending
Links
Images
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
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于卷积神经网络的故障电流模式识别方法,S1、获取数据样本;S2、对数据样本中的工频电流数据预处理,并以工频电流采集时间和电流幅值作为横纵坐标生成二维波形图;S3、对所有二维波形图图片进行打标,确定每张图片的标签;S4、将已知标签的二维波形图图片作为输入,对应的已知标签作为输出,导入卷积神经网络内进行训练;S5、对实际线路采集的工频电流数据预处理,并以工频电流采集时间和电流幅值作为横纵坐标生成二维波形图;S6、将S5中未知标签的二维波形图图片作为输入,导入S4中所获得的卷积神经网络内;S7、输出模式识别结果。提高了工频电流模式识别率,提高了训练和识别的速度,减小了计算量。
Description
技术领域
本发明涉及配电网领域,具体涉及一种基于卷积神经网络的故障电流模式识别方法。
背景技术
为保证快速发现输电线路故障位置,维护线路稳定运行,目前电网中已经大规模的应用了基于故障行波的故障精确定位***,通过行波抵达两监测点的时间差以及两装置间距离可以精确定位故障位置,为运维人员及时发现并处理故障提供帮助。在实际输电线路中,存在倒负荷,其他线路串入干扰,分闸、合闸等情况均会导致线路工频电流发生变化,因此通常故障工频电流需要人为判断,但故障一天内任何时间均可能发生,人为判断需要耗费大量人力,目前部分学者已经开始研究利用机器学习的方式实现故障工频电流自动模式识别,首先将传感器采集的数据组人为打标,并寻找数组各种特征量,经过大量训练得到神经网络,再将新数据导入网络中得出识别结果。
目前比较常用的是支持向量机(SVM)的方式和BP神经网络的方式识别对采集数据组进行模式识别。SVM是一种二分类模型,它的基本模型是定义在特征空间上的间隔最大的线性分类器,即求解能够正确划分训练数据集并且几何间隔最大的分离超平面,对于部分非线性的分类问题,可以通过非线性变换将它转化为某个维特征空间中的线性分类问题,在高维特征空间中学习线性支持向量机,但非线性SVM中需要利用核函数进行非线性转化。在实际生活中绝大多数分类问题线性SVM都无法解决,需要利用非线性SVM选择一个核函数,通过将数据映射到高维空间,来解决在原始空间中线性不可分的问题。在这个过程中合适的核函数能够有效的实现低维空间无法解决的分类问题。然而,从实际应用效果角度,SVM的故障工频电流模式识别效果一般,会出现大量错误分类的情况,其原因是部分数组映射到高维度空间中仍然无法实现分类,且难以选择合适的核函数作为映射,因此实际使用效果不佳。
BP神经网络作为机器学习的一种方式,其原理是按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络模型之一。但是这种方式在实现过程中仍存在较多问题,首先是提取特征量困难,如果不提取特征量直接将采集数组进行计算,10KHz采样频率采集1s故障工频将会采集10000个点,导致权值过多,计算量十分庞大,影响训练和分类效果,提取特征量则可以有效减小神经元数量,加快训练速度,但特征量提取十分困难,将庞大的数组往往难以提炼为简单的特征量,在提取过程中数组的特征必然会存在大量丢失;其次是训练需求样本量大,由于权值过多,需要大量的训练样本训练神经网络,但我们通常难以获得大量的故障工频电流数据,导致神经网络训练存在困难,同时BP神经网络算法自身也存在诸多缺点:BP算法学习训练过程收敛速度慢、易导致局部收敛情况、BP网络的学习率不稳定,导致BP神经网络难以适应大规模复杂数组的模式分类。
SVM分类器和BP神经网络应对故障电流波形这种单个数组含有大量数据的波形往往无法有效快速的实现模式分类,在建立分类其或使用分类器时会遇到各种问题,导致分类效果较低,目前亟需一种应对故障电流波形这种大量的数据能够快速有效实现分类的方法。
发明内容
本发明所要解决的技术问题是提供一种基于卷积神经网络的故障电流模式识别方法,以克服上述现有技术中的不足。
本发明解决上述技术问题的技术方案如下:一种基于卷积神经网络的故障电流模式识别方法,包括:
S1、获取数据样本;
S2、对数据样本中的工频电流数据预处理, 并以工频电流采集时间和电流幅值作为横纵坐标生成二维波形图;
S3、对所有二维波形图图片进行打标,确定每张图片的标签;
S4、将已知标签的二维波形图图片作为输入,对应的已知标签作为输出,导入卷积神经网络内进行训练;
S5、对实际线路采集的工频电流数据预处理, 并以工频电流采集时间和电流幅值作为横纵坐标生成二维波形图;
S6、将S5中未知标签的二维波形图图片作为输入,导入S4中所获得的卷积神经网络内;
S7、输出模式识别结果。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,数据样本为:实际线路中采集的真实数据,和由仿真软件搭建实际线路所获得的工频电流在各种暂态情况下的数据。
更进一步,仿真软件为ATP-EMPT暂态仿真软件。
进一步,S2中所述预处理具体为:
S21、将工频电流采集时间和电流幅值作为横纵坐标,并用平滑曲线连接所有电流幅值点构成二维波形图;
S22、对所有二维波形图归一化处理,以统一电流幅值和采样频率,以及对绘制的二维波形图图片统一分辨率和尺寸,生成统一规格的二维波形图图片。
进一步,对电流幅值归一化处理的方法为:
假设第k个点的电流幅值为i k,则归一化后的k点的幅值为:
其中,i max和i min分别为电流幅值的最大值和最小值,k为自然数。
进一步,对采样频率归一化处理的方法为:
假设两组采样频率分别为MkHz和NkHz的故障工频电流传感器采集1s的数据;
归一采样频率为nkHz,M>1,N>1,M≠N;
则对MkHz和NkHz降采样频率处理,即每M/n个点或N/n个点取平均值作处理后的幅值点。
进一步,训练卷积神经网络具体为:
确定卷积神经网络结构及参数;
确定需要划分的标签数目并给予编号;
将已知标签的二维波形图图片作为输入层进入卷积神经网络内,然后经过内部卷积层、池化层、全连接层以及softmax分类最终输出分类结果。
进一步,用测试集测试卷积神经网络分辨错误率是否满足错误阈值,若不满足,则调整卷积神经网络结构及参数,直至测试集分辨错误率低于阈值位置,若满足,则认为该网络通过测试。
更进一步,错误阈值为5%。
进一步,S5中对实际线路采集的工频电流数据预处理的方式与S2中对数据样本中的工频电流数据预处理的方式相同。
本发明的有益效果是:
通过卷积神经网络的方式实现工频故障电流的识别,相较于传统的模式识别方式,该方法将工频电流采集时间和电流幅值以二维波形图(平面图)的方式呈现出来,而非传统的将整个长数组作为输入进行计算,将所有幅值点以平滑的曲线连接起来,将得到的二维波形图图片作为神经网络的输入,卷积神经网络可以学习二维波形图中本身的图像特征,从形的角度捕获数据中的各种特征,这种方法可以避免寻找复杂的核函数或特征量,实现难度较小,不仅提高了工频电流模式识别率,也有效提高了训练和识别的速度,减小了计算量;
在起始训练过程中,为保证足够训练样本,采用仿真数据与实际线路中采集的真实数据混合作为训练样本,通过仿真可以得到各种理想情况下故障或分闸电流波形;
此外,卷积神经网络通过权值共享(权值共享为卷积神经网络自身特点)减小了神经网络需要训练的参数个数,大大减小计算量,加快运算速度。
附图说明
图1为本发明所述基于卷积神经网络的故障电流模式识别方法的流程图;
图2为标签结果对应示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1
如图1、图2所示,一种基于卷积神经网络的故障电流模式识别方法,包括:
S1、获取数据样本;
S2、对数据样本中的工频电流数据预处理, 并以工频电流采集时间和电流幅值作为横纵坐标生成二维波形图;
S3、对所有二维波形图图片进行打标,确定每张图片的标签;
其中,标签含有模式信息,包括故障电流、线路负荷变化、线路分闸和线路正常运行等情况;
S4、将已知标签的二维波形图图片作为输入,对应的已知标签作为输出,导入卷积神经网络内进行训练;
S5、对实际线路采集的工频电流数据预处理, 并以工频电流采集时间和电流幅值作为横纵坐标生成二维波形图;
S6、将S5中未知标签的二维波形图图片作为输入,导入S4中所获得的卷积神经网络内;
S7、输出模式识别结果。
实施例2
本实施例为在实施例1的基础上对其所进行的进一步改进,具体如下:
S1中数据样本的获取:
由于实际线路故障工频电流和负荷上升、线路分闸等情况,导致所能获取的电流数据十分有限,难以满足所有情况下的训练样本,因此首先可以利用仿真软件搭建实际线路并获得工频电流在各种暂态情况下的数据,仿真软件可以快速获得大量理想情况下的数据,结合部分实际线路中采集的真实数据,共同作为训练样本;
当然,若是真实数据足够多,也可以不使用仿真软件所获取的数据,具体情况可以根据实际情况确定。
实施例3
本实施例为在实施例2的基础上对其所进行的进一步改进,具体如下:
仿真软件可以采用ATP-EMPT暂态仿真软件,当然,并不排除采用其他软件。
实施例4
本实施例为在实施例1或2或3的基础上对其所进行的进一步改进,具体如下:
由于卷积神经网络的输入是图片,因此,在获取数据样本后,应该对数据样本中的工频电流数据预处理, 并以工频电流采集时间和电流幅值作为横纵坐标,然后用平滑曲线连接所有幅值点,从而生成二维波形图,图中所有幅值点及连接线的颜色与其他区域的颜色不同,比如,图中所有幅值点及连接线为黑色,其他区域均为白色,由此在后续(指代卷积神经网络训练和识别)处理中以0和1表示两者区别,减少计算量;
同时考虑到不同数据的采样频率不同,还需要将所有二维波形图归一化处理,以统一电流幅值和采样频率,以及对绘制的二维波形图图片统一分辨率和尺寸,生成统一规格的二维波形图图片。
实施例5
本实施例为在实施例4的基础上对其所进行的进一步改进,具体如下:
对电流幅值归一化处理的方法为:
假设第k个点的电流幅值为i k,则归一化后的k点的幅值为:
其中,i max和i min分别为电流幅值的最大值和最小值,k为自然数,如0~n。
此外,对采样频率归一化处理的方法为:
假设两组采样频率分别为MkHz和NkHz的故障工频电流传感器采集1s的数据;
归一采样频率为nkHz,M>1,N>1,M≠N;
则对MkHz和NkHz降采样频率处理,即每M/n个点或N/n个点取平均值作处理后的幅值点,在本实施例中,n可取1,M可取10,N可取5,在此仅为一个示例性描述,当然也可以取其它值,尽量确保M/n和N/n均为整数。
实施例6
本实施例为在实施例1的基础上对其所进行的进一步改进,具体如下:
训练卷积神经网络具体为:
确定卷积神经网络结构及参数;
确定需要划分的标签数目并给予编号;
将已知标签的二维波形图图片作为输入层进入卷积神经网络内,然后经过内部卷积层、池化层、全连接层以及softmax分类最终输出分类结果。
在训练完卷积神经网络后,可以用测试集测试卷积神经网络分辨错误率是否满足错误阈值,若不满足,则调整卷积神经网络结构及参数,直至测试集分辨错误率低于阈值位置,若满足,则认为该网络通过测试,具备故障工频电流模式识别能力。
对于错误阈值的具体取值可以根据实际需求决定,比如5%。
而对于确定卷积神经网络结构及参数具体可由:二维波形图图片的尺寸确定卷积神经网络的结构以及卷积核的大小。
实施例7
本实施例为在实施例1~6任一实施例的基础上对其所进行的进一步改进,具体如下:
S5中对实际线路采集的工频电流数据预处理的方式与S2中对数据样本中的工频电流数据预处理的方式相同,故在此不详细赘述S5中的预处理方式。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于卷积神经网络的故障电流模式识别方法,其特征在于,包括如下步骤:
S1、获取数据样本;
S2、对数据样本中的工频电流数据预处理, 并以工频电流采集时间和电流幅值作为横纵坐标生成二维波形图;
S3、对所有二维波形图图片进行打标,确定每张图片的标签;
S4、将已知标签的二维波形图图片作为输入,对应的已知标签作为输出,导入卷积神经网络内进行训练;
S5、对实际线路采集的工频电流数据预处理, 并以工频电流采集时间和电流幅值作为横纵坐标生成二维波形图;
S6、将S5中未知标签的二维波形图图片作为输入,导入S4中所获得的卷积神经网络内;
S7、输出模式识别结果。
2.根据权利要求1所述的一种基于卷积神经网络的故障电流模式识别方法,其特征在于:
数据样本为:实际线路中采集的真实数据,和由仿真软件搭建实际线路所获得的工频电流在各种暂态情况下的数据。
3.根据权利要求2所述的一种基于卷积神经网络的故障电流模式识别方法,其特征在于:所述仿真软件为ATP-EMPT暂态仿真软件。
4.根据权利要求1所述的一种基于卷积神经网络的故障电流模式识别方法,其特征在于:
S2中所述预处理具体为:
S21、将工频电流采集时间和电流幅值作为横纵坐标,并用平滑曲线连接所有电流幅值点构成二维波形图;
S22、对所有二维波形图归一化处理,以统一电流幅值和采样频率,以及对绘制的二维波形图图片统一分辨率和尺寸,生成统一规格的二维波形图图片。
6.根据权利要求4所述的一种基于卷积神经网络的故障电流模式识别方法,其特征在于:
对采样频率归一化处理的方法为:
假设两组采样频率分别为MkHz和NkHz的故障工频电流传感器采集1s的数据;
归一采样频率为nkHz,M>1,N>1,M≠N;
则对MkHz和NkHz降采样频率处理,即每M/n个点或N/n个点取平均值作处理后的幅值点。
7.根据权利要求1所述的一种基于卷积神经网络的故障电流模式识别方法,其特征在于:
训练卷积神经网络具体为:
确定卷积神经网络结构及参数;
确定需要划分的标签数目并给予编号;
将已知标签的二维波形图图片作为输入层进入卷积神经网络内,然后经过内部卷积层、池化层、全连接层以及softmax分类最终输出分类结果。
8.根据权利要求7所述的一种基于卷积神经网络的故障电流模式识别方法,其特征在于:
用测试集测试卷积神经网络分辨错误率是否满足错误阈值,若不满足,则调整卷积神经网络结构及参数,直至测试集分辨错误率低于阈值位置,若满足,则认为该网络通过测试。
9.根据权利要求8所述的一种基于卷积神经网络的故障电流模式识别方法,其特征在于:错误阈值为5%。
10.根据权利要求1所述的一种基于卷积神经网络的故障电流模式识别方法,其特征在于:
S5中对实际线路采集的工频电流数据预处理的方式与S2中对数据样本中的工频电流数据预处理的方式相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210268900.9A CN114355110A (zh) | 2022-03-18 | 2022-03-18 | 一种基于卷积神经网络的故障电流模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210268900.9A CN114355110A (zh) | 2022-03-18 | 2022-03-18 | 一种基于卷积神经网络的故障电流模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114355110A true CN114355110A (zh) | 2022-04-15 |
Family
ID=81095205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210268900.9A Pending CN114355110A (zh) | 2022-03-18 | 2022-03-18 | 一种基于卷积神经网络的故障电流模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355110A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024052183A1 (de) * | 2022-09-06 | 2024-03-14 | Mercedes-Benz Group AG | Schaltungsanordnung und verfahren zur erkennung eines gesundheitsstatus von elektrischen verbrauchern |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445603A (zh) * | 2010-10-04 | 2012-05-09 | 台湾积体电路制造股份有限公司 | 测量电容器电容的方法 |
CN103499769A (zh) * | 2013-09-23 | 2014-01-08 | 武汉大学 | 一种谐振接地***单相接地故障自适应选线方法 |
CN103837795A (zh) * | 2014-02-18 | 2014-06-04 | 国网山东省电力公司 | 基于广域故障录波信息的调度端电网故障诊断方法 |
CN107656179A (zh) * | 2017-09-21 | 2018-02-02 | 北京国华世纪电子科技有限公司 | 一种串联故障电弧检测***及方法 |
CN108732465A (zh) * | 2018-05-30 | 2018-11-02 | 广东电网有限责任公司 | 一种基于小波变换和cnn的配电网故障定位方法 |
-
2022
- 2022-03-18 CN CN202210268900.9A patent/CN114355110A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102445603A (zh) * | 2010-10-04 | 2012-05-09 | 台湾积体电路制造股份有限公司 | 测量电容器电容的方法 |
CN103499769A (zh) * | 2013-09-23 | 2014-01-08 | 武汉大学 | 一种谐振接地***单相接地故障自适应选线方法 |
CN103837795A (zh) * | 2014-02-18 | 2014-06-04 | 国网山东省电力公司 | 基于广域故障录波信息的调度端电网故障诊断方法 |
CN107656179A (zh) * | 2017-09-21 | 2018-02-02 | 北京国华世纪电子科技有限公司 | 一种串联故障电弧检测***及方法 |
CN108732465A (zh) * | 2018-05-30 | 2018-11-02 | 广东电网有限责任公司 | 一种基于小波变换和cnn的配电网故障定位方法 |
Non-Patent Citations (1)
Title |
---|
林翔宇 等: "基于多源信号输入卷积神经网络的高压开关故障诊断方法", 《电气时代》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024052183A1 (de) * | 2022-09-06 | 2024-03-14 | Mercedes-Benz Group AG | Schaltungsanordnung und verfahren zur erkennung eines gesundheitsstatus von elektrischen verbrauchern |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107507194B (zh) | 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 | |
CN110111015A (zh) | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 | |
CN111864896B (zh) | 一种电力负荷监测方法及*** | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
CN110598693A (zh) | 一种基于Faster-RCNN的船牌识别方法 | |
CN112287784B (zh) | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 | |
CN111008641B (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
CN110147760A (zh) | 一种高效电能质量扰动图像特征提取与识别新方法 | |
CN105894041A (zh) | 基于高光谱遥感影像提取配电网***中变电站信息的方法 | |
CN107679453A (zh) | 基于支持向量机的天气雷达电磁干扰回波识别方法 | |
CN110175571A (zh) | 变电站设备状态的智能监测与识别方法 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
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 | |
CN110223310A (zh) | 一种基于深度学习的线结构光中心线和箱体边缘检测方法 | |
CN115908142B (zh) | 一种基于视觉识别的接触网微小部件验损方法 | |
CN113221614A (zh) | 一种基于混合神经网络的电网绝缘子破损图像识别方法 | |
CN114355110A (zh) | 一种基于卷积神经网络的故障电流模式识别方法 | |
CN114241425B (zh) | 垃圾检测模型的训练方法、装置、存储介质及设备 | |
CN112131956A (zh) | 一种基于差异哈希算法的电压暂降源分类方法 | |
CN111507249A (zh) | 基于目标检测的变电站鸟窝识别方法 | |
CN110703006A (zh) | 一种基于卷积神经网络的三相电能质量扰动检测方法 | |
CN109389152B (zh) | 一种输电线路垂坠物的精细化识别方法 | |
CN112116569A (zh) | 基于阴影识别的光伏电站发电功率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220415 |
|
RJ01 | Rejection of invention patent application after publication |