CN115598470A - 一种基于多光谱频带的电弧主动预警方法及*** - Google Patents
一种基于多光谱频带的电弧主动预警方法及*** Download PDFInfo
- Publication number
- CN115598470A CN115598470A CN202211078546.XA CN202211078546A CN115598470A CN 115598470 A CN115598470 A CN 115598470A CN 202211078546 A CN202211078546 A CN 202211078546A CN 115598470 A CN115598470 A CN 115598470A
- Authority
- CN
- China
- Prior art keywords
- discharge
- arc
- prediction model
- early warning
- learning machine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000010891 electric arc Methods 0.000 claims abstract description 108
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 208000028659 discharge Diseases 0.000 claims description 243
- 239000011159 matrix material Substances 0.000 claims description 67
- 230000003287 optical effect Effects 0.000 claims description 46
- 230000007547 defect Effects 0.000 claims description 44
- 238000013016 damping Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000002834 transmittance Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000005339 levitation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 239000012212 insulator Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Relating To Insulation (AREA)
Abstract
一种基于多光谱频带的电弧主动预警方法及***，利用多光谱频带与放电类型、放电时序的对应关系建立历史放电特征信息作为采用核极限学习机算法的输入，对高压开关柜设备的电弧放电预测模型进行训练，获得电弧放电预测模型；以实时采集的高压开关柜设备的多光谱频带作为输入，利用训练好的电弧放电预测模型给出开关设备的电弧阶段预测结果；将电弧阶段预测结果与故障数据库中的数据进行比对，判断是否将要发生电弧放电，若判断为电弧放电则进行主动预警本发明所提出的方法具有置信度高、适用性强、诊断效率高、无需相位信息等优点，可应用于开关柜设备的电弧放电的主动预警。
Description
技术领域
本发明涉及电力设备状态监测和故障诊断技术领域，适用于开关柜设备的电弧主动预警技术，更具体地，涉及一种基于多光谱频带的电弧主动预警方法及***。
背景技术
近年来，随着经济建设的规模不断扩大，各行各业对于电力能源的需求也在不断增加，电网容量也在持续扩大。需要注意的是，10kV开关柜设备一旦出现故障，会威胁到电力***的稳定运行及安全，会出现母线绝缘部分损坏、设备老化等情况，导致设备被烧毁，甚至会严重威胁到工作人员及相关人员的生命安全。开关柜在装配运输或长期运行中，难免会出现故障缺陷并且伴随着局部放电现象的发生，甚至随着局部放电发展至电弧阶段。长期的局部放电会对设备绝缘性能造成破坏，缩短设备寿命，甚至导致电力事故发生，电弧阶段属于是破坏性故障，会对开关柜造成不可恢复性的伤害。
现有技术，对开关柜的安全防护手段主要包括状态监测及弧光保护，前者主要依靠局放带电检测完成定期巡检，然而传统地电波或超声等局放检测手段易受现场干扰，缺陷检出率和检测置信率较低，诊断结论模糊，缺乏量化手段对初始放电、间歇爬电和闪络电弧做出准确判断，因此无法实现故障前的准确预警和故障后的快速处理，更无法形成主动保护逻辑，防范事故发生。当前在开关柜的弧光保护领域中，对电弧放电所采取的保护措施通常是使用弧光传感器对常见故障区域进行检测，并基于单通道的光放电信号以及电流量幅值的双重判据提取的特征量对放电类型进行诊断识别。上述方法虽然操作简单且具有较高的置信度，但该方法属于事后保护，即对发生电弧放电后的特征数据进行判断，这种方法实际上已经对开关柜进行一定程度的损坏，另外单通道的光放电信号是受气相传播距离的影响的。并且，由于弧光监测传感器仅针对母线故障电弧光，光学灵敏度低，无法响应故障前的初始放电，仅在短路故障发生后进行整定值比较，设备仍然存在安全隐患。综上所述，开关柜的局放和弧光监测方面虽然得到一定程度的应用，但目前还没有防护手段可以量化柜内放电严重程度，并给出准确且高置信度的预警。
实际上，不同能量放电产生的光谱存在差异，光谱中既包含能够直接反映放电过程中电子能量分布的特征谱线，也存在能够表征放电驱动机制和特征波段，通过对光谱信息的解读能够揭示放电的微观过程，可以实现开关柜内放电精细化诊断并准确预警。因此，急需研究一种基于多光谱频带的电弧主动预警方法及***。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于多光谱频带的电弧主动预警方法及***，充分利用放电光信号蕴含的光谱信息，结合多光谱分析技术，通过提取放电光谱特征，实现对不同类型局部放电以及电弧故障的区分并找出放电预击穿阶段的高置信度判据，实现电力设备的主动预警。
本发明采用如下的技术方案。
本发明一方面提出了一种基于多光谱频带的电弧主动预警方法，包括：
步骤1，采集放电过程中多光谱频带；利用多光谱频带与放电类型、放电时序的对应关系建立历史放电特征信息；
步骤2，采用核极限学习机算法，以历史放电特征信息作为输入，对高压开关柜设备的电弧放电预测模型进行训练，训练时使用最小范数最小二乘法并引入阻尼参数对电弧放电预测模型进行求解得到极限学习机网络的输出层权重矩阵的最小二乘估计值，利用极限学习机网络的输出层权重矩阵的最小二乘估计值获得电弧放电预测模型；
其中，极限学习机网络的输出层权重矩阵的最小二乘估计值满足
式中，
为极限学习机网络的输出层权重矩阵的最小二乘估计值，I为对角矩阵，B为正则化系数，μ为阻尼参数；
步骤3，以实时采集的高压开关柜设备的多光谱频带作为输入，利用训练好的电弧放电预测模型给出开关设备的电弧阶段预测结果；
步骤4，将电弧阶段预测结果与故障数据库中的数据进行比对，判断是否将要发生电弧放电，若判断为电弧放电则进行主动预警。
步骤1中，多光谱频带包括：紫外光，可见光，红外光；多光谱频带同时通过不同波段的滤光片获得不同频带的光信号，其中不同频带光信号的强度比例与放电类型一一对应；利用光电转换技术将光信号转换为电信号，对电信号的放电时序进行同步采集。
步骤2包括：
步骤2.1，从历史放电特征信息中提取放电时序
作为极限学习机网络的输入信号；其中，
为放电时刻ti下的不同频带光信号的强度比例，i＝1,2,…m，m为放电时刻的数量；
步骤2.2，设置极限学习机网络的隐含节点数量L和激活函数
l＝1,2,…,L；ωl为第l个隐含节点的权重，bl为第l个隐含节点的偏置；
步骤2.3，基于极限学习机网络的电弧放电预测模型，满足如下关系式：
Hβ＝T
式中，H为极限学习机网络的隐含层输出矩阵，β为极限学习机网络的输出层权重矩阵，T为样本期望输出矩阵，即为预测时序数据输出矩阵；
其中，隐含层输出矩阵，满足如下关系式：
步骤2.4，使用最小范数最小二乘法，对电弧放电预测模型进行求解，得到
式中，
为极限学习机网络的输出层权重矩阵的最小二乘估计值，I为对角矩阵，B为正则化系数，μ为阻尼参数；其中，阻尼参数的初始值μ0满足如下关系式：
式中，
为构造矩阵A0的对角线元素，其中构造矩阵A0满足：
其中
为极限学习机网络的输出层权重矩阵的最小二乘估计值的损失函数；通过多次迭代后得到阻尼参数μ。
步骤2.5，以放电时序
作为电弧放电预测模型的输入信号，由电弧放电预测模型输出预测时序数据
满足如下关系式：
式中，
步骤2.6，定义核函数矩阵ΩELM＝HHT，核函数矩阵中的元素为径向基核函数
其中i≠k，且满足如下关系式：
式中，δ为径向基核函数
的核参数，
和
分别为放电时刻ti下的不同频带光信号的强度比例和放电时刻tk下的不同频带光信号的强度比例；
使用径向基核函数代替随机映射关系；
当以放电时序数据y为电弧放电预测模型的输入信号时，电弧放电预测模型输出的放电预测数据f(y)，满足如下关系式：
式中，
为放电时刻tm下的不同频带光信号的强度比例特征数据。
步骤3中，高压开关柜设备在局部放电发展至贯穿性电弧故障的过程中，实时采集的多光谱频带的放电时序数据作为电弧放电预测模型的输入，由电弧放电预测模型输出的放电预测数据f(y)；利用放电预测数据f(y)得到放电预测波形。
步骤4中，将放电预测波形与放电缺陷特征波形进行比较，根据比较结果确定开关设备的故障阶段，并发出预警。
放电缺陷特征波形包括：电晕放电缺陷特征波形，滑闪放电缺陷特征波形，悬浮放电缺陷特征波形，预击穿缺陷特征波形和电弧放电缺陷特征波形。
步骤4包括：
步骤4.1，放电预测波形与电晕放电缺陷特征波形的拟合度最高时，则判定开关设备处于电弧发生之前的局部放电初级阶段；此时，不发出预警；
步骤4.2，放电预测波形与滑闪放电缺陷特征波形及悬浮放电缺陷特征波形的拟合度最高时，则判定开关设备处于电弧发生之前的局部放电中级阶段；此时，向运维***发送故障位置信号；
步骤4.3，放电预测波形与预击穿放电缺陷特征波形的拟合度最高时，则判定开关设备处于从局部放电到电弧放电的过渡阶段；此时，向运维***发送故障处理需求信号；
步骤4.4，放电预测波形与电弧放电缺陷特征波形的拟合度最高时，则判定开关设备处于电弧放电阶段；此时，向继电保护***发送保护动作信号。
利用放电缺陷特征波形构建故障数据库。
本发明另一方面还提出来一种基于多光谱频带的电弧主动预警方法而实现的一种基于多光谱频带的电弧主动预警***，***包括：放电传感模块、多通道数字采集模块、上位机；
放电传感模块包括：滤光片和放电传感器阵列；放电传感模块，用于采集放电故障光，并将放电故障光同时通过不同波段的滤光片以获得不同光谱频带的光信号，不同波段的放电故障光输入至放电传感器阵列中，由放电传感器阵列将不同光谱频带的光信号同步转换并同步输出为电信号；放电传感模块输出的电信号，作为多通道数字采集模块的输入；其中，电信号包括多个放电脉冲数据；
多通道数字采集模块，用于同步采集放电脉冲数据；在采样时间内，放电脉冲数据和采样时刻共同构成放电时序信息，作为上位机的输入；
上位机包括：放电预测单元和故障阶段判定单元；
放电预测单元，用于基于核极限学习机分类算法，以历史放电特征信息作为输入，对高压开关柜设备的电弧放电预测模型进行训练，训练时使用最小范数最小二乘法并引入阻尼参数对电弧放电预测模型进行求解得到极限学习机网络的输出层权重矩阵的最小二乘估计值，利用极限学习机网络的输出层权重矩阵的最小二乘估计值获得电弧放电预测模型；
故障阶段判定单元，将电弧阶段预测结果与故障数据库中的数据进行比对，判断是否将要发生电弧放电，若判断为电弧放电则进行主动预警。
上位机还包括：历史放电特征信息获取单元；历史放电特征信息获取单元，用于基于聚类算法利用多光谱频带与放电类型、放电时序的对应关系建立历史放电特征信息。
滤光片包括：紫外光滤光片、可见光滤光片、红外光滤光片；其中，
紫外光滤光片的波长范围为251-398nm；可见光滤光片的波长范围为400-780nm；红外光滤光片的波长范围为不小于760nm；
各滤光片的中心透过率均不小于90％。
放电传感阵列包括多个相互独立的单光子级放电传感阵列单元，各阵列单元，用于检测电弧发生前局部放电阶段的光信号，并同步进行光电转换为电信号，然后同步输所得到的电信号；
每个单光子级放电传感阵列单元的性能参数为：量子效率不小于45％，驱动电压不大于30V，单片传感阵列微元尺寸不大于4×4mm2，最大电流不大于10mA，增益不小于4×106，暗计数率不大于50kHz/mm2，串扰不大于10％，残余脉冲不大于1％。
多通道数字采集单元的性能参数为：带宽不小于80MHz，采样速率不小于320MS/s，采集通道不小于4个，最小时基范围不大于100ns/div，脉冲响应不大于1％过冲。
本发明的有益效果在于，与现有技术相比，能够在电弧放电发生之前，通过高置信度的判据判断是否即将发生电弧放电，并作出相应主动预警，该方法具有置信度高、适用性强、诊断效率高、无需相位信息等优点，可应用于开关柜设备的电弧放电的主动预警。
附图说明
图1是本发明一种基于多光谱频带的电弧主动预警方法的步骤框图；
图2是本发明实施例中不同频带下滤光片透过率参数要求示意图；
图3是本发明实施例中局部放电发展至贯穿电弧放电的全过程示意图；
图4是本发明实施例中基于多光谱频带的电弧主动预警***的结构示意图；
图4中的附图标记说明如下：
1-放电传感模块；2-多通道数字采集模块；3-上位机。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
本发明的构思在于，首先放电故障光通过紫外、可见、红外三个波段的滤光片进行波段光数据选择并进入互相独立的单光子放电传感阵列，通过传感阵列的光电转换将多光谱频带的光信号转换成电信号，输入至多通道数字采集单元进行放电数据时序信息的同步采集，最后通过在线检测预测方法预测出未来的多光谱频带数据的变化趋势，并进一步与故障数据库进行比对判断电弧是否将要发生电弧放电，如果将要发生故障则通知运维人员执行相对应的措施，反之，则继续对设备进行检测。
如图1，一种基于多光谱频带的电弧主动预警方法，包括步骤1至6。
步骤1，采集放电过程中多光谱频带；利用多光谱频带与放电类型、放电时序的对应关系建立历史放电特征信息。
步骤1中，多光谱频带包括：紫外光，可见光，红外光；多光谱频带同时通过不同波段的滤光片获得不同频带的光信号，其中不同频带光信号的强度比例与放电类型一一对应；利用光电转换技术将光信号转换为电信号，对电信号的放电时序进行同步采集。
在本发明优选实施例中，所选紫外、可见、红外波段的滤光片可以实现通过三个波段放电数据的相对关系可以区分不同局部放电类型以及电弧放电。紫外滤光片的波长范围为：251-398nm,可见滤光片的波长范围为：400-780nm，红外滤光片为：>760nm，三个波段下的透过率应满足图2所示参数，这样可以使每个独立通道能获得较真实的光信号幅值并且不同频带光通道所接收到的光信号幅值可以保持一致性，以便后续比较分析。从放电类型入手，多光谱频带的强度信息可以反应放电的本征特征，因此对于不同放电会有不同的频带强度比例信息，如电晕放电的紫外频带信息会明显高于其他放电。从放电时序入手，不同频带的比例信息可以反映出不同的危险程度演化过程，如随着放电剧烈程度的增加，沿绝缘子放电的红外频带信息会有明显增加。
在本发明优选实施例中，放电传感阵列包括多个相互独立的单光子级放电传感阵列单元；所选单光子级传感阵列可以检测到发生贯穿电弧前的局部放电现象，如图3所示，可以很明显发现局部放电及电弧放电的多光谱频带成分存在明显差异，通过捕获局部放电发展至电弧的全过程，提取判断发生电弧放电的特征算子及区分局部放电和电弧放电的多光谱频带判据，可以预测电力设备是否会发生电弧，从而进一步实现开关柜设备的电弧主动预警，单光子级传感阵列的性能参数为：量子效率>45％，驱动电压<30V，单片传感阵列微元尺寸小于<4×4mm2，最大电流＜10mA，增益>4×106，暗计数率<50kHz/mm2，串扰<10％，残余脉冲＜1％。
具体地，多通道数字采集单元中以相同的A/D采样率以及模拟带宽对多个同步的放电脉冲数据进行同步采集；以采样时间为横坐标，以放电脉冲数据的数值为纵坐标，在该坐标轴下，获得的连续点构成放电时序信息。
本实施例中，历史放电特征信息获取的步骤还包括：
步骤A1，设置K-means算法的聚类中心数量K；
步骤A2，利用放电时序信息，构成放电时序信息样本集D＝{x1,x2,…,xm}，以放电时序信息样本集为聚类的输入信号；其中xi为第i个采样时刻下的放电脉冲数据，每个放电脉冲数据是一组向量，每组向量包括不同光谱频带的光信号转换得到的电信号，i＝1,2…m，m为采样时刻的总数；
步骤A3，通过聚类迭代，得到聚类簇集合C＝{C1,C2,…,CK}；其中Cj为第j个聚类簇，第j个聚类簇对应第j种局部放电类型；
步骤A4，以聚类簇集合C的误差为指标，对各聚类中心进行校正，其中聚类簇集合C的误差E满足如下关系式：
式中，x为属于第j个聚类簇Cj的放电脉冲数据，μj为第j个聚类簇Cj的均值向量，且满足如下关系式：
可见，E值越小则簇内样本相似度越高，不同放电类型的聚类效果越明显。
步骤A5，取误差E的最小值对应的聚类簇集合C为最终聚类结果；其中，每个聚类簇对应一种局部放电类型，每个聚类簇中的数据就是所对应的局部放电类型下的放电特征数据。
步骤A6，在一个聚类簇中，即在一个局部放电类型下，以采样时间为横坐标，以放电特征数据的数值为纵坐标，在该坐标轴下，获得的连续点构成放电特征时序信息；利用放电特征时序信息，构成历史放电特征信息库。
步骤2，采用核极限学习机算法，以历史放电特征信息作为输入，对高压开关柜设备的电弧放电预测模型进行训练，训练时使用最小范数最小二乘法并引入阻尼参数对电弧放电预测模型进行求解得到极限学习机网络的输出层权重矩阵的最小二乘估计值，利用极限学习机网络的输出层权重矩阵的最小二乘估计值获得电弧放电预测模型；
其中，极限学习机网络的输出层权重矩阵的最小二乘估计值满足
式中，
为极限学习机网络的输出层权重矩阵的最小二乘估计值，I为对角矩阵，B为正则化系数，μ为阻尼参数。
步骤2包括：
步骤2.1，从历史放电特征信息中提取放电时序
作为极限学习机网络的输入信号；其中，
为放电时刻ti下的不同频带光信号的强度比例，i＝1,2,…m，m为放电时刻的数量；
步骤2.2，设置极限学习机网络的隐含节点数量L和激活函数
l＝1,2,…,L；ωl为第l个隐含节点的权重，bl为第l个隐含节点的偏置；
步骤2.3，基于极限学习机网络的电弧放电预测模型，满足如下关系式：
Hβ＝T
式中，H为极限学习机网络的隐含层输出矩阵，β为极限学习机网络的输出层权重矩阵，T为样本期望输出矩阵，即为预测时序数据输出矩阵；
其中，隐含层输出矩阵，满足如下关系式：
步骤2.4，使用最小范数最小二乘法，对电弧放电预测模型进行求解，得到
式中，
为极限学习机网络的输出层权重矩阵的最小二乘估计值，I为对角矩阵，B为正则化系数，μ为阻尼参数；其中，阻尼参数的初始值μ0满足如下关系式：
式中，
为构造矩阵A0的对角线元素，其中构造矩阵A0满足：
其中
为极限学习机网络的输出层权重矩阵的最小二乘估计值的损失函数；通过多次迭代后得到阻尼参数μ。
正则化系数B和核参数δ的选取是提高时序数据预测的关键参数。通过对开关设备中电弧放电预测模型的参数的初始化和迭代，获得放电多光谱信息的预测趋势。
本实施例中，为了避免过拟合，一种手段是使用正则化(Regularizaiton)来限制模型的复杂程度。因此在使用最小范数最小二乘法对电弧放电预测模型进行求解时也引入了正则化系数，为了进一步将正则化系数控制在一定的信赖域之内，从而保证最小二乘法收敛且能够获得最优解效果，本实施例中引入了阻尼参数μ，其中阻尼参数的初始值μ0满足如下关系式：
式中，
为构造矩阵A0的对角线元素，其中构造矩阵A0满足：
其中
为极限学习机网络的输出层权重矩阵的最小二乘估计值的损失函数。
通过多次迭代后得到阻尼参数μ，使得极限学习机网络的输出层权重矩阵的最小二乘估计值满足如下关系式：
步骤2.5，以放电时序
作为电弧放电预测模型的输入信号，由电弧放电预测模型输出预测时序数据
满足如下关系式：
式中，
步骤2.6，定义核函数矩阵ΩELM＝HHT，核函数矩阵中的元素为径向基核函数
其中i≠k，且满足如下关系式：
式中，δ为径向基核函数
的核参数，
和
分别为放电时刻ti下的不同频带光信号的强度比例和放电时刻tk下的不同频带光信号的强度比例；
使用径向基核函数代替随机映射关系；
当以放电时序数据y为电弧放电预测模型的输入信号时，电弧放电预测模型输出的放电预测数据f(y)，满足如下关系式：
式中，
为放电时刻tm下的不同频带光信号的强度比例特征数据。
步骤3中，高压开关柜设备在局部放电发展至贯穿性电弧故障的过程中，实时采集的多光谱频带的放电时序数据作为电弧放电预测模型的输入，由电弧放电预测模型输出的放电预测数据f(y)；利用放电预测数据f(y)得到放电预测波形。
步骤4，将电弧阶段预测结果与故障数据库中的数据进行比对，判断是否将要发生电弧放电，若判断为电弧放电则进行主动预警。
具体来说，步骤4中，将放电预测波形与放电缺陷特征波形进行比较，根据比较结果确定开关设备的故障阶段，并发出预警。
放电缺陷特征波形包括：电晕放电缺陷特征波形，滑闪放电缺陷特征波形，悬浮放电缺陷特征波形，预击穿缺陷特征波形和电弧放电缺陷特征波形。
在本发明中，建立的典型故障数据库，主要是通过对设置典型开关柜设备的局放发展至电弧的典型缺陷(其中包括沿固体绝缘子爬电、悬浮电位及尖端突起等)，获得不同缺陷的多光谱频带数据的本征特征，然后通过与基于核极限学习机(KELM)算法预测的结果进行比对，判断其开关柜的故障发展阶段，并指导运维人员进行相应的预警措施。
步骤4包括：
步骤4.1，放电预测波形与电晕放电缺陷特征波形的拟合度最高时，则判定开关设备处于电弧发生之前的局部放电初级阶段；此时，不发出预警；
步骤4.2，放电预测波形与滑闪放电缺陷特征波形及悬浮放电缺陷特征波形的拟合度最高时，则判定开关设备处于电弧发生之前的局部放电中级阶段；此时，向运维***发送故障位置信号；
步骤4.3，放电预测波形与预击穿放电缺陷特征波形的拟合度最高时，则判定开关设备处于从局部放电到电弧放电的过渡阶段；此时，向运维***发送故障处理需求信号；
步骤4.4，放电预测波形与电弧放电缺陷特征波形的拟合度最高时，则判定开关设备处于电弧放电阶段；此时，向继电保护***发送保护动作信号。
利用放电缺陷特征波形构建故障数据库。
如图4，一种基于多光谱频带的电弧主动预警***，包括：放电传感模块1、多通道数字采集模块2、上位机3。
放电传感模块1包括：滤光片和放电传感器阵列；放电传感模块，用于采集放电故障光，并将放电故障光同时通过不同波段的滤光片以获得不同光谱频带的光信号，不同波段的放电故障光输入至放电传感器阵列中，由放电传感器阵列将不同光谱频带的光信号同步转换并同步输出为电信号；放电传感模块输出的电信号，作为多通道数字采集模块的输入；其中，电信号包括多个放电脉冲数据；
多通道数字采集模块2，用于同步采集放电脉冲数据；在采样时间内，放电脉冲数据和采样时刻共同构成放电时序信息，作为上位机的输入；
上位机3包括：放电预测单元和故障阶段判定单元；
放电预测单元，用于基于核极限学习机分类算法，以历史放电特征信息作为输入，对高压开关柜设备的电弧放电预测模型进行训练，训练时使用最小范数最小二乘法并引入阻尼参数对电弧放电预测模型进行求解得到极限学习机网络的输出层权重矩阵的最小二乘估计值，利用极限学习机网络的输出层权重矩阵的最小二乘估计值获得电弧放电预测模型；
故障阶段判定单元，将电弧阶段预测结果与故障数据库中的数据进行比对，判断是否将要发生电弧放电，若判断为电弧放电则进行主动预警。
上位机还包括：历史放电特征信息获取单元；历史放电特征信息获取单元，用于基于聚类算法利用多光谱频带与放电类型、放电时序的对应关系建立历史放电特征信息。
滤光片包括：紫外光滤光片、可见光滤光片、红外光滤光片；其中，
紫外光滤光片的波长范围为251-398nm；可见光滤光片的波长范围为400-780nm；红外光滤光片的波长范围为不小于760nm；
各滤光片的中心透过率均不小于90％。
放电传感阵列包括多个相互独立的单光子级放电传感阵列单元，各阵列单元，用于检测电弧发生前局部放电阶段的光信号，并同步进行光电转换为电信号，然后同步输所得到的电信号；
每个单光子级放电传感阵列单元的性能参数为：量子效率不小于45％，驱动电压不大于30V，单片传感阵列微元尺寸不大于4×4mm2，最大电流不大于10mA，增益不小于4×106，暗计数率不大于50kHz/mm2，串扰不大于10％，残余脉冲不大于1％。
多通道数字采集单元的性能参数为：带宽不小于80MHz，采样速率不小于320MS/s，采集通道不小于4个，最小时基范围不大于100ns/div，脉冲响应不大于1％过冲。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (13)
1.一种基于多光谱频带的电弧主动预警方法，其特征在于，
所述方法包括：
步骤1，采集放电过程中多光谱频带；利用多光谱频带与放电类型、放电时序的对应关系建立历史放电特征信息；
步骤2，采用核极限学习机算法，以历史放电特征信息作为输入，对高压开关柜设备的电弧放电预测模型进行训练，训练时使用最小范数最小二乘法并引入阻尼参数对电弧放电预测模型进行求解得到极限学习机网络的输出层权重矩阵的最小二乘估计值，利用极限学习机网络的输出层权重矩阵的最小二乘估计值获得电弧放电预测模型；
其中，极限学习机网络的输出层权重矩阵的最小二乘估计值满足
式中，
为极限学习机网络的输出层权重矩阵的最小二乘估计值，I为对角矩阵，B为正则化系数，μ为阻尼参数；
步骤3，以实时采集的高压开关柜设备的多光谱频带作为输入，利用训练好的电弧放电预测模型给出开关设备的电弧阶段预测结果；
步骤4，将电弧阶段预测结果与故障数据库中的数据进行比对，判断是否将要发生电弧放电，若判断为电弧放电则进行主动预警。
2.根据权利要求1所述的一种基于多光谱频带的电弧主动预警方法，其特征在于，
步骤1中，多光谱频带包括：紫外光，可见光，红外光；多光谱频带同时通过不同波段的滤光片获得不同频带的光信号，其中不同频带光信号的强度比例与放电类型一一对应；利用光电转换技术将光信号转换为电信号，对电信号的放电时序进行同步采集。
3.根据权利要求2所述的一种基于多光谱频带的电弧主动预警方法，其特征在于，
步骤2包括：
步骤2.1，从历史放电特征信息中提取放电时序
作为极限学习机网络的输入信号；其中，
为放电时刻ti下的不同频带光信号的强度比例，i＝1,2,…m，m为放电时刻的数量；
步骤2.2，设置极限学习机网络的隐含节点数量L和激活函数
ωl为第l个隐含节点的权重，bl为第l个隐含节点的偏置；
步骤2.3，基于极限学习机网络的电弧放电预测模型，满足如下关系式：
Hβ＝T
式中，H为极限学习机网络的隐含层输出矩阵，β为极限学习机网络的输出层权重矩阵，T为样本期望输出矩阵，即为预测时序数据输出矩阵；
其中，隐含层输出矩阵，满足如下关系式：
步骤2.4，使用最小范数最小二乘法，对电弧放电预测模型进行求解，得到
式中，
为极限学习机网络的输出层权重矩阵的最小二乘估计值，I为对角矩阵，B为正则化系数，μ为阻尼参数；其中，阻尼参数的初始值μ0满足如下关系式：
式中，
为构造矩阵A0的对角线元素，其中构造矩阵A0满足：
其中
为极限学习机网络的输出层权重矩阵的最小二乘估计值的损失函数；通过多次迭代后得到阻尼参数μ。
步骤2.5，以放电时序
作为电弧放电预测模型的输入信号，由电弧放电预测模型输出预测时序数据
满足如下关系式：
式中，
步骤2.6，定义核函数矩阵ΩELM＝HHT，核函数矩阵中的元素为径向基核函数
其中i≠k，且满足如下关系式：
式中，δ为径向基核函数
的核参数，
和
分别为放电时刻ti下的不同频带光信号的强度比例和放电时刻tk下的不同频带光信号的强度比例；
使用径向基核函数代替随机映射关系；
当以放电时序数据y为电弧放电预测模型的输入信号时，电弧放电预测模型输出的放电预测数据f(y)，满足如下关系式：
式中，
为放电时刻tm下的不同频带光信号的强度比例特征数据。
4.根据权利要求3所述的一种基于多光谱频带的电弧主动预警方法，其特征在于，
步骤3中，高压开关柜设备在局部放电发展至贯穿性电弧故障的过程中，实时采集的多光谱频带的放电时序数据作为电弧放电预测模型的输入，由电弧放电预测模型输出的放电预测数据f(y)；利用放电预测数据f(y)得到放电预测波形。
5.根据权利要求4所述的一种基于多光谱频带的电弧主动预警方法，其特征在于，
步骤4中，将放电预测波形与放电缺陷特征波形进行比较，根据比较结果确定开关设备的故障阶段，并发出预警。
6.根据权利要求5所述的一种基于多光谱频带的电弧主动预警方法，其特征在于，
放电缺陷特征波形包括：电晕放电缺陷特征波形，滑闪放电缺陷特征波形，悬浮放电缺陷特征波形，预击穿缺陷特征波形和电弧放电缺陷特征波形。
7.根据权利要求6所述的一种基于多光谱频带的电弧主动预警方法，其特征在于，
步骤4包括：
步骤4.1，放电预测波形与电晕放电缺陷特征波形的拟合度最高时，则判定开关设备处于电弧发生之前的局部放电初级阶段；此时，不发出预警；
步骤4.2，放电预测波形与滑闪放电缺陷特征波形及悬浮放电缺陷特征波形的拟合度最高时，则判定开关设备处于电弧发生之前的局部放电中级阶段；此时，向运维***发送故障位置信号；
步骤4.3，放电预测波形与预击穿放电缺陷特征波形的拟合度最高时，则判定开关设备处于从局部放电到电弧放电的过渡阶段；此时，向运维***发送故障处理需求信号；
步骤4.4，放电预测波形与电弧放电缺陷特征波形的拟合度最高时，则判定开关设备处于电弧放电阶段；此时，向继电保护***发送保护动作信号。
8.根据权利要求6所述的一种基于多光谱频带的电弧主动预警方法，其特征在于，
利用放电缺陷特征波形构建故障数据库。
9.一种基于多光谱频带的电弧主动预警***，用于实现权利要求1至8中任一项所述的一种基于多光谱频带的电弧主动预警方法，其特征在于，
***包括：放电传感模块、多通道数字采集模块、上位机；
放电传感模块包括：滤光片和放电传感器阵列；放电传感模块，用于采集放电故障光，并将放电故障光同时通过不同波段的滤光片以获得不同光谱频带的光信号，不同波段的放电故障光输入至放电传感器阵列中，由放电传感器阵列将不同光谱频带的光信号同步转换并同步输出为电信号；放电传感模块输出的电信号，作为多通道数字采集模块的输入；其中，电信号包括多个放电脉冲数据；
多通道数字采集模块，用于同步采集放电脉冲数据；在采样时间内，放电脉冲数据和采样时刻共同构成放电时序信息，作为上位机的输入；
上位机包括：放电预测单元和故障阶段判定单元；
放电预测单元，用于基于核极限学习机分类算法，以历史放电特征信息作为输入，对高压开关柜设备的电弧放电预测模型进行训练，训练时使用最小范数最小二乘法并引入阻尼参数对电弧放电预测模型进行求解得到极限学习机网络的输出层权重矩阵的最小二乘估计值，利用极限学习机网络的输出层权重矩阵的最小二乘估计值获得电弧放电预测模型；
故障阶段判定单元，将电弧阶段预测结果与故障数据库中的数据进行比对，判断是否将要发生电弧放电，若判断为电弧放电则进行主动预警。
10.根据权利要求9所述的一种基于多光谱频带的电弧主动预警***，其特征在于，
上位机还包括：历史放电特征信息获取单元；历史放电特征信息获取单元，用于基于聚类算法利用多光谱频带与放电类型、放电时序的对应关系建立历史放电特征信息。
11.根据权利要求9所述的一种基于多光谱频带的电弧主动预警***，其特征在于，
滤光片包括：紫外光滤光片、可见光滤光片、红外光滤光片；其中，
紫外光滤光片的波长范围为251-398nm；可见光滤光片的波长范围为400-780nm；红外光滤光片的波长范围为不小于760nm；
各滤光片的中心透过率均不小于90％。
12.根据权利要求9所述的一种基于多光谱频带的电弧主动预警***，其特征在于，
放电传感阵列包括多个相互独立的单光子级放电传感阵列单元，各阵列单元，用于检测电弧发生前局部放电阶段的光信号，并同步进行光电转换为电信号，然后同步输所得到的电信号；
每个单光子级放电传感阵列单元的性能参数为：量子效率不小于45％，驱动电压不大于30V，单片传感阵列微元尺寸不大于4×4mm2，最大电流不大于10mA，增益不小于4×106，暗计数率不大于50kHz/mm2，串扰不大于10％，残余脉冲不大于1％。
13.根据权利要求9所述的一种基于多光谱频带的电弧主动预警***，其特征在于，
多通道数字采集单元的性能参数为：带宽不小于80MHz，采样速率不小于320MS/s，采集通道不小于4个，最小时基范围不大于100ns/div，脉冲响应不大于1％过冲。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211078546.XA CN115598470A (zh) | 2022-09-05 | 2022-09-05 | 一种基于多光谱频带的电弧主动预警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211078546.XA CN115598470A (zh) | 2022-09-05 | 2022-09-05 | 一种基于多光谱频带的电弧主动预警方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115598470A true CN115598470A (zh) | 2023-01-13 |
Family
ID=84842247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211078546.XA Pending CN115598470A (zh) | 2022-09-05 | 2022-09-05 | 一种基于多光谱频带的电弧主动预警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115598470A (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104569684A (zh) * | 2015-01-14 | 2015-04-29 | 上海和伍新材料科技有限公司 | 一种基于电弧光谱信号的故障电弧检测方法 |
| CN104777410A (zh) * | 2015-04-22 | 2015-07-15 | 东北电力大学 | 交联聚乙烯电缆局部放电模式识别方法 |
| CN105445611A (zh) * | 2014-05-30 | 2016-03-30 | 西门子公司 | 故障电弧的检测方法和检测装置 |
| CN109001602A (zh) * | 2018-08-20 | 2018-12-14 | 广东工业大学 | 基于极限学习机算法的局部放电严重程度评估方法 |
| CN110398669A (zh) * | 2019-06-11 | 2019-11-01 | 深圳供电局有限公司 | 电弧故障检测方法 |
| CN110441647A (zh) * | 2019-09-06 | 2019-11-12 | 云南电网有限责任公司电力科学研究院 | 基于光谱强度信息的弧光危险评估方法及装置 |
| CN110514975A (zh) * | 2019-10-14 | 2019-11-29 | 云南电网有限责任公司电力科学研究院 | 一种gis设备的局部放电类型分类方法 |
| CN110969262A (zh) * | 2019-12-03 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器故障诊断方法 |
| CN111308289A (zh) * | 2020-03-06 | 2020-06-19 | 西安交通大学 | 一种局部放电多光谱弱光检测装置及方法 |
| CN112147465A (zh) * | 2020-08-13 | 2020-12-29 | 国网浙江省电力有限公司电力科学研究院 | 基于多重分形与极限学习机的gis局部放电光学诊断方法 |
| CN112147470A (zh) * | 2020-09-03 | 2020-12-29 | 上海交通大学 | 一种gil局部放电源定位方法和*** |
| CN113253069A (zh) * | 2021-05-19 | 2021-08-13 | 云南电网有限责任公司电力科学研究院 | 一种基于多光谱强度的局部放电危险度评估方法 |
| CN113722877A (zh) * | 2021-07-14 | 2021-11-30 | 广东工业大学 | 一种对锂电池放电时温度场分布变化进行在线预测的方法 |
| CN113740671A (zh) * | 2020-10-22 | 2021-12-03 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于vmd和elm的故障电弧识别方法 |
| CN113791318A (zh) * | 2021-09-01 | 2021-12-14 | 上海交通大学 | 基于多光谱检测阵列的局部放电故障识别方法及*** |
| CN114755543A (zh) * | 2022-04-27 | 2022-07-15 | 青岛科技大学 | 一种电力设备局部放电检测方法及设备 |
-
2022
- 2022-09-05 CN CN202211078546.XA patent/CN115598470A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105445611A (zh) * | 2014-05-30 | 2016-03-30 | 西门子公司 | 故障电弧的检测方法和检测装置 |
| CN104569684A (zh) * | 2015-01-14 | 2015-04-29 | 上海和伍新材料科技有限公司 | 一种基于电弧光谱信号的故障电弧检测方法 |
| CN104777410A (zh) * | 2015-04-22 | 2015-07-15 | 东北电力大学 | 交联聚乙烯电缆局部放电模式识别方法 |
| CN109001602A (zh) * | 2018-08-20 | 2018-12-14 | 广东工业大学 | 基于极限学习机算法的局部放电严重程度评估方法 |
| CN110398669A (zh) * | 2019-06-11 | 2019-11-01 | 深圳供电局有限公司 | 电弧故障检测方法 |
| CN110441647A (zh) * | 2019-09-06 | 2019-11-12 | 云南电网有限责任公司电力科学研究院 | 基于光谱强度信息的弧光危险评估方法及装置 |
| CN110514975A (zh) * | 2019-10-14 | 2019-11-29 | 云南电网有限责任公司电力科学研究院 | 一种gis设备的局部放电类型分类方法 |
| CN110969262A (zh) * | 2019-12-03 | 2020-04-07 | 广东电网有限责任公司 | 一种变压器故障诊断方法 |
| CN111308289A (zh) * | 2020-03-06 | 2020-06-19 | 西安交通大学 | 一种局部放电多光谱弱光检测装置及方法 |
| CN112147465A (zh) * | 2020-08-13 | 2020-12-29 | 国网浙江省电力有限公司电力科学研究院 | 基于多重分形与极限学习机的gis局部放电光学诊断方法 |
| CN112147470A (zh) * | 2020-09-03 | 2020-12-29 | 上海交通大学 | 一种gil局部放电源定位方法和*** |
| CN113740671A (zh) * | 2020-10-22 | 2021-12-03 | 国网河北省电力有限公司雄安新区供电公司 | 一种基于vmd和elm的故障电弧识别方法 |
| CN113253069A (zh) * | 2021-05-19 | 2021-08-13 | 云南电网有限责任公司电力科学研究院 | 一种基于多光谱强度的局部放电危险度评估方法 |
| CN113722877A (zh) * | 2021-07-14 | 2021-11-30 | 广东工业大学 | 一种对锂电池放电时温度场分布变化进行在线预测的方法 |
| CN113791318A (zh) * | 2021-09-01 | 2021-12-14 | 上海交通大学 | 基于多光谱检测阵列的局部放电故障识别方法及*** |
| CN114755543A (zh) * | 2022-04-27 | 2022-07-15 | 青岛科技大学 | 一种电力设备局部放电检测方法及设备 |
Non-Patent Citations (3)
| Title |
|---|
| 吴修振 等: "基于单目视觉的GPS辅助相机外参数标定", 光学精密工程, vol. 25, no. 8, 31 August 2017 (2017-08-31), pages 2255 * |
| 周建中 著: "水电机组故障诊断及状态趋势预测理论与方法", 华中科技大学出版社, pages: 151 * |
| 郭忠磊 等: "基于 ＬＭ 方法的大姿态角影像空间后方交会", 武汉大学学 报•信息科学版, vol. 41, no. 4, 31 August 2017 (2017-08-31), pages 566 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6424162B1 (en) | Insulated device diagnosing system that prepares detection data from partial discharge signal such that periodic elements are given to different specific frequencies of the partial discharge signal | |
| CN109116193B (zh) | 基于局放信号综合熵值的电气设备危险性放电判别方法 | |
| CN109932627A (zh) | 一种gis耐压试验局部放电的定位方法及*** | |
| CN105425076A (zh) | 一种基于bp神经网络算法进行变压器故障识别的方法 | |
| CN103091612A (zh) | 一种变压器油纸绝缘多局部放电源信号的分离与识别算法 | |
| CN103777123A (zh) | 用于gis设备的局部放电故障综合诊断方法 | |
| CN108535638B (zh) | 基于多层滤波器的有载分接开关机械状态监测方法及*** | |
| JP6553303B2 (ja) | 部分放電監視システム | |
| CN109444667A (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
| CN108344931A (zh) | 基于紫外图谱技术的电力设备安全分析*** | |
| CN113671361A (zh) | 基于多源信号融合的高压断路器特性参数预测方法及*** | |
| Zheng et al. | Applications of support vector machine and improved k-Nearest Neighbor algorithm in fault diagnosis and fault degree evaluation of gas insulated switchgear | |
| CN112557950A (zh) | 基于矩阵相似性的配电网谐振接地***故障选线方法 | |
| CN112149569A (zh) | 变压器基于模糊c均值聚类算法的声纹故障诊断方法 | |
| CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
| CN117153193B (zh) | 融合物理特性和数据诊断的电力设备故障声纹识别方法 | |
| CN110346666A (zh) | 一种基于加权马氏距离判别的电网变压器状态分析方法 | |
| CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
| CN109375037A (zh) | 一种中压船舶电力***单相接地故障报警器设计方法 | |
| CN115598470A (zh) | 一种基于多光谱频带的电弧主动预警方法及*** | |
| KR101743595B1 (ko) | 부분 방전 진단 방법 및 시스템, 이를 이용한 몰드 변압기 열화 모니터링 시스템. | |
| KR101575204B1 (ko) | 부분 방전 진단 장치 및 그 방법 | |
| Adami et al. | New approach to improve high-voltage transmission line reliability | |
| CN114114001A (zh) | 一种gis设备隔离开关机械状态监测方法及*** | |
| KR20230064416A (ko) | 전력 기기의 결함 진단 장치 및 방법 |
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 |