CN115841662A - 一种基于边缘计算与联邦学习相结合的动力电池监测*** - Google Patents
一种基于边缘计算与联邦学习相结合的动力电池监测*** Download PDFInfo
- Publication number
- CN115841662A CN115841662A CN202211231550.5A CN202211231550A CN115841662A CN 115841662 A CN115841662 A CN 115841662A CN 202211231550 A CN202211231550 A CN 202211231550A CN 115841662 A CN115841662 A CN 115841662A
- Authority
- CN
- China
- Prior art keywords
- data
- power battery
- vehicle
- battery
- model
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于边缘计算与联邦学习相结合的动力电池监测***,涉及动力电池监测技术领域,设置图像数据采集模块在车辆运行时实时采集人体图像数据;设置电池数据采集模块实时采集动力电池的基础数据;设置数据接收模块接收人体图像数据以及动力电池基础数据;设置数据处理模块检测驾驶人员是否具有高危驾驶行为;进一步根据样本动力电池的基础数据,在车辆本地使用LSTM神经网络模型拟合动力电池的SOH衰减趋势图;同时引入联邦学习在具有同样数据结构的多个独立参与方的情况下,协作地训练一个机器学习模型将不同参与方训练的模型进行安全聚合操作;降低了数据传输、开发和运营成本。
Description
技术领域
本发明属于动力电池监测领域,涉及联邦学习技术,具体是一种基于边缘计算与联邦学习相结合的动力电池监测***。
背景技术
目前车载智能终端多为T-BOX形式,通过车载T-BOX采集车辆上面的电池相关数据,通过通信协议上传到云端,在云端进行相关数据处理、计算。具体情况T-BOX除了采集电池数据外同时也采集车辆上其它维度的数据,比如司机照片、视频、经纬度等等数据。这些大量的数据经过高频率的传输到平台,然后通过集中式的云计算中心来集中处理、加工、运算,并展现在平台的相关模块中,让司机和企业可以及时关注到自己的车辆和电池情况;然而车载T-BOX往往存在以下弊端:
1、T-BOX必须安装在车上,传统T-BOX终端无法快速兼容市场上的各种车型,每种车型都有自己的不同CAN协议,而且受到企业保护;从而无法形成以电池数据为核心的第三方平台产品
2、传统T-BOX采集大量数据到平台端,需要在云平台搭建庞大的存储中心,这种方式占用高昂的开发和运营成本。
3、当客户需要对司机或车辆的核心数据信息提出隐私保护需求时,原先的采集、计算方式很难达到要求;
为此,提出一种基于边缘计算与联邦学习相结合的动力电池监测***。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于边缘计算与联邦学习相结合的动力电池监测***,该一种基于边缘计算与联邦学习相结合的动力电池监测***设置图像数据采集模块在车辆运行时实时采集人体图像数据;设置电池数据采集模块实时采集动力电池的基础数据;设置数据接收模块实时接收人体图像数据以及动力电池基础数据进行存储;设置数据处理模块根据人体图像数据检测驾驶人员是否具有高危驾驶行为,并予以告警;并且根据样本动力电池的基础数据,在车辆本地使用LSTM神经网络模型拟合动力电池的SOH衰减趋势图;同时引入联邦学习将不同参与方训练的模型进行安全聚合操作;降低了数据传输、开发和运营成本。
为实现上述目的,根据本发明的第一方面的实施例提出一种基于边缘计算与联邦学习相结合的动力电池监测***,包括图像数据采集模块、电池数据采集模块、数据接收模块以及数据处理模块;其中,各个模块之间通过电气方式连接;
其中,所述图像数据采集模块主要用于在车辆行驶过程中,实时采集驾驶人员人体图像数据;
所述图像数据采集模块包括车载摄像头,所述车载摄像头与车身控制***以电气方式连接;所述车载摄像头实时从车身控制***获取车辆行驶速度;若车辆行驶速度大于0,车载摄像头启动,并实时拍摄车辆驾驶人员的人体图像数据;所述图像数据采集模块实时将采集到的人体图像数据发送至数据接收模块;
其中,所述电池数据采集模块主要用于实时获取动力电池的基础数据;
所述基础数据包括动力电池电流、电压、温度以及故障告警等;所述电池数据采集模块包括车载BMS电池***;所述车载BMS电池***实时收集动力电池的基础数据,并将采集的动力电池基础数据通过电气方式发送至数据接收模块;
其中,所述数据接收模块主要用于实时接收由图像数据采集模块采集的人体图像数据以及由电池数据采集模块采集的动力电池的基础数据;
所述数据接收模块包括车载智能终端的小型存储设备;所述车载智能终端通过电气方式与BMS电池***以及车载摄像头连接,并实时接收人体图像数据以及电池基础数据;所述数据接收模块将接收的数据保存至小型存储设备;
其中,所述数据处理模块主要用于分析人体图像数据以及电池基础数据,用以判断当前行驶是否存在高危行为以及电池的老化情况;所述数据处理模块包括车载智能终端的数据处理器;所述数据处理器与数据接收模块的小型存储设备以电气方式连接,并通过电气方式读取小型存储设备中保存的数据;
所述数据处理模块包括高危行为识别单元以及电池状态监测单元;
其中,所述高危行为识别单元主要用于根据人体图像数据分析驾驶人员是否存在高危行为;
所述高危行为识别单元预先在数据处理器中安装caffe或yolo模型架构;所述高危行为识别单元实时从小型存储设备中读取人体图像数据,并使用动作识别模型分析人体图像数据,当识别出驾驶人员存在高危驾驶行为时,向驾驶人员传达高危驾驶信号;
其中,所述电池状态监测单元主要用于实时监测动力电池的老化情况;
所述电池状态监测单元收集若干组动力电池,并以每组动力电池的IC曲线的峰值强度和老化过程的SOH数据集作为训练样本,输入至LSTM神经网络模型中;在LSTM神经网络模型中,以电池电压、电流、温度以及时间数据作为模型的表征参数;使用粒子群优化算法来优化每个模型的关键参数,生成根据动力电池基础数据预测SOH衰减趋势图的LSTM神经网络模型;
所述电池状态监测单元引入横向联邦学习架构,在这种***中具有同样数据结构的N个参与方在服务器的帮助下,协作地训练一个机器学习模型;联邦学习训练机器学习模型包括以下步骤:
步骤S1:各参与方在本地使用训练好的LSTM神经网络模型计算模型梯度,并使用同态加密、差分隐私等加密技术,对梯度或超参数信息进行掩饰,并将掩饰后的加密结果发送给聚合服务器。
步骤S2:服务器进行安全聚合操作,聚合操作可以为使用基于同态加密的加权平均;
步骤S3:服务器将聚合后的结果发送给各参与方;
步骤S4:各参与方对收到的梯度进行解密,并使用解密后的梯度结果更新各自的模型参数;
步骤S5:重复迭代步骤S1-步骤S4;直到损失函数收敛或达到根据实际经验预设的迭代次数或训练时间的上限;
全局模型聚合包括以下步骤:
步骤P1:第k个参与方使用本地的测试数据集,对现有的横向联邦学习模型进行性能评估;生成本地模型测试结果其中,/>分别代表真阳性、假阳性、真阴性和假阴性的测试结果的数量;参与方k=1,2,…,K都执行此操作;其中,K为参与方数量;
步骤P4:服务器将计算得到的全局模型性能发送给所有的参与方;所述全局模型性能包括准确率、精确率和召回率。
与现有技术相比,本发明的有益效果是:
1、本发明使用车载智能终端实现驾驶人员危险驾驶识别功能,降低了数据传输以及计算成本;
2、本发明使用LSTM神经网络模型拟合动力电池SOH衰减趋势图,提高了预测的准确率;
3、本发明将不同车辆本地训练产生的梯度或超参数进行加密后发送至远程服务器,并引入了联邦学习的方式将各个训练结果进行安全聚合;保证了数据的安全性,同时防止了模型在独立车辆上进行训练产生的过拟合现象。
附图说明
图1为本发明的原理图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种基于边缘计算与联邦学习相结合的动力电池监测***,包括图像数据采集模块、电池数据采集模块、数据接收模块以及数据处理模块;其中,各个模块之间通过电气方式连接;
其中,所述图像数据采集模块主要用于在车辆行驶过程中,实时采集驾驶人员人体图像数据;所述人体图像数据可以是脸部数据;
在一个优选的实施例中,所述图像数据采集模块包括车载摄像头,所述车载摄像头与车身控制***以电气方式连接;所述车载摄像头实时从车身控制***获取车辆行驶速度;若车辆行驶速度大于0,则说明车辆处于行驶状态;车载摄像头启动,并实时拍摄车辆驾驶人员的人体图像数据;所述图像数据采集模块实时将采集到的人体图像数据发送至数据接收模块;
其中,所述电池数据采集模块主要用于实时获取动力电池的基础数据;
在一个优选的实施例中,所述基础数据包括动力电池电流、电压、温度以及故障告警等;所述电池数据采集模块包括车载BMS电池***;车载BMS电池***俗称之为电池保姆或电池管家,车载BMS电池与动力电池以电气方式连接,主要是为了智能化管理及维护各个电池单元,防止电池出现过充电和过放电,延长电池的使用寿命,监控电池的状态;所述车载BMS电池***实时收集动力电池的基础数据,并将采集的动力电池基础数据通过电气方式发送至数据接收模块;
其中,所述数据接收模块主要用于实时接收由图像数据采集模块采集的人体图像数据以及由电池数据采集模块采集的动力电池的基础数据;
在一个优选的实施例中,所述数据接收模块包括车载智能终端的小型存储设备;所述车载智能终端通过电气方式与BMS电池***以及车载摄像头连接,并实时接收人体图像数据以及电池基础数据;所述车载智能终端提前集成新能源32960国家标准协议的所有功能,从而无缝对接这种协议的各种车辆获取车门、灯光、空调、座椅、发动机、变速器、ABS、电机等数据;所述数据接收模块将接收的数据保存至小型存储设备;
其中,所述数据处理模块主要用于分析人体图像数据以及电池基础数据,用以判断当前行驶是否存在高危行为以及电池的老化情况;所述数据处理模块包括车载智能终端的数据处理器;所述数据处理器与数据接收模块的小型存储设备以电气方式连接,并通过电气方式读取小型存储设备中保存的数据;
所述数据处理模块包括高危行为识别单元以及电池状态监测单元;
其中,所述高危行为识别单元主要用于根据人体图像数据分析驾驶人员是否存在高危行为;
在一个优选的实施例中,所述高危行为识别单元预先在数据处理器中安装caffe或yolo模型架构;所述高危行为识别单元实时从小型存储设备中读取人体图像数据,并使用动作识别模型分析人体图像数据,当识别出驾驶人员存在高危驾驶行为时,向驾驶人员传达高危驾驶信号;
其中,所述电池状态监测单元主要用于实时监测动力电池的老化情况;
在一个优选的实施例中,所述电池状态监测单元收集若干组动力电池,并以每组动力电池的IC曲线的峰值强度和老化过程的SOH数据集作为训练样本,输入至LSTM神经网络模型中;在LSTM神经网络模型中,以电池电压、电流、温度以及时间数据作为模型的表征参数;使用粒子群优化算法来优化每个模型的关键参数,生成根据动力电池基础数据预测SOH衰减趋势图的LSTM神经网络模型;
在车辆中安装具有数据处理能力的智能终端让数据在终端就可以提前做大量计算,解决了海量、实时数据传递到云端造成的计算延迟、流量带宽压力、存储压力和AI计算资源紧张的压力;但是无法满足部分核心数据安全保障的要求以及算法本身需要大规模、长周期的数据做训练的情况;
不同车型的电池包的电压、电流、额定容量等特征差别很大;不同车辆的电池充放电习惯差异也不同,例如A车经常等到电池SOC还剩10%以下时再去充电,然后充到100%再使用;B车通常在电池SOC还剩20%以上就开始充电,充到80%左右就停止充电;这两种行为对电池的SOH影响差别非常大;单纯依靠个别电车包的历史数据去训练得到的初始模型很难具备泛化能力,而且会造成过拟合等情况发生;因此需要大量不同数据做训练尤其重要;然而当面对上万辆车/电池的实时数据时,还要满足部分核心数据不上传到云端的情况下,传统的离线训练模型部署的方式无法解决此问题;
在另一个优选的实施例中,所述电池状态监测单元引入横向联邦学习架构,在这种***中具有同样数据结构的N个参与方在服务器的帮助下,协作地训练一个机器学习模型;联邦学习训练机器学习模型包括以下步骤:
步骤S1:各参与方在本地使用训练好的LSTM神经网络模型计算模型梯度,并使用同态加密、差分隐私等加密技术,对梯度或超参数信息进行掩饰,并将掩饰后的加密结果发送给聚合服务器。
步骤S2:服务器进行安全聚合操作,聚合操作可以为使用基于同态加密的加权平均;
步骤S3:服务器将聚合后的结果发送给各参与方;
步骤S4:各参与方对收到的梯度进行解密,并使用解密后的梯度结果更新各自的模型参数;
步骤S5:重复迭代步骤S1-步骤S4;直到损失函数收敛或达到根据实际经验预设的迭代次数或训练时间的上限;
在此联邦学习实验中,全局模型聚合是比较重要的环节,模型训练和评估是在每个参与方中分布地执行的,并且任一方都不能获取其它方的数据集。所以每个参与方都能轻易的使用自己的本地测试数据集来测试本地模型的性能,但得到全局模型的性能评价需要耗费更多资源;
在一个优选的实施例中,全局模型聚合包括以下步骤:
步骤P1:第k个参与方使用本地的测试数据集,对现有的横向联邦学习模型进行性能评估;生成本地模型测试结果其中,/>分别代表真阳性、假阳性、真阴性和假阴性的测试结果的数量;参与方k=1,2,…,K都执行此操作;其中,K为参与方数量;
步骤P4:服务器将计算得到的全局模型性能发送给所有的参与方;所述全局模型性能包括准确率、精确率和召回率。
以上实施例仅用以说明本发明的技术方法而非限制,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法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种基于边缘计算与联邦学习相结合的动力电池监测***,其特征在于,包括图像数据采集模块、电池数据采集模块、数据接收模块以及数据处理模块;其中,各个模块之间通过电气方式连接;
所述图像数据采集模块用于在车辆行驶过程中,采集驾驶人员人体图像数据;
所述电池数据采集模块用于实时获取动力电池的基础数据;
所述图像数据采集模块和电池数据采集模块将采集的人体图像数据和动力电池基础数据通过电气方式发送至数据接收模用以保存;
所述数据处理模块通过电气方式读取数据接收模块中保存的数据;所述数据处理模块包括高危行为识别单元以及电池状态监测单元;
所述高危行为识别单元用于根据人体图像数据分析驾驶人员是否存在高危行为;
所述电池状态监测单元用于在车辆本地使用LSTM神经网络模型拟合动力电池的SOH衰减趋势图;同时在具有同样数据结构的多个独立参与方的情况下,协作地训练一个机器学习模型,将不同参与方训练的模型进行安全聚合操作;且在安全聚合操作过程中,使用加密技术,对梯度或超参数信息对每个参与方的信息进行掩饰,保证每个参与方信息的安全性。
2.根据权利要求1所述的一种基于边缘计算与联邦学习相结合的动力电池监测***,其特征在于,所述基础数据包括动力电池电流、电压、温度以及故障告警;所述图像数据采集模块包括车载摄像头,所述车载摄像头与车身控制***以电气方式连接;所述车载摄像头实时从车身控制***获取车辆行驶速度;若车辆行驶速度大于0,车载摄像头启动,并实时拍摄车辆驾驶人员的人体图像数据。
3.根据权利要求1所述的一种基于边缘计算与联邦学习相结合的动力电池监测***,其特征在于,所述电池数据采集模块包括车载BMS电池***;所述车载BMS电池***实时收集动力电池的基础数据。
4.根据权利要求1所述的一种基于边缘计算与联邦学习相结合的动力电池监测***,其特征在于,所述数据接收模块包括车载智能终端的小型存储设备;所述车载智能终端通过电气方式与BMS电池***以及车载摄像头连接,并实时接收人体图像数据以及电池基础数据;所述数据接收模块将接收的数据保存至小型存储设备。
5.根据权利要求1所述的一种基于边缘计算与联邦学习相结合的动力电池监测***,其特征在于,所述高危行为识别单元预先在数据处理器中安装caffe或yolo模型架构;所述高危行为识别单元实时从小型存储设备中读取人体图像数据,并使用动作识别模型分析人体图像数据,当识别出驾驶人员存在高危驾驶行为时,向驾驶人员传达高危驾驶信号。
6.根据权利要求1所述的一种基于边缘计算与联邦学习相结合的动力电池监测***,其特征在于,所述电池状态监测单元收集若干组动力电池,并以每组动力电池的IC曲线的峰值强度和老化过程的SOH数据集作为训练样本,输入至LSTM神经网络模型中;在LSTM神经网络模型中,以电池电压、电流、温度以及时间数据作为模型的表征参数;使用粒子群优化算法来优化每个模型的关键参数,生成根据动力电池基础数据预测SOH衰减趋势图的LSTM神经网络模型。
7.根据权利要求1所述的一种基于边缘计算与联邦学习相结合的动力电池监测***,其特征在于,所述电池状态监测单元引入横向联邦学习架构,在这种***中具有同样数据结构的N个参与方在服务器的帮助下,协作地训练一个机器学习模型;联邦学习训练机器学习模型包括以下步骤:
步骤S1:各参与方在本地使用训练好的LSTM神经网络模型计算模型梯度,并使用加密技术,对梯度或超参数信息进行掩饰,并将掩饰后的加密结果发送给聚合服务器;
步骤S2:服务器进行安全聚合操作;
步骤S3:服务器将聚合后的结果发送给各参与方;
步骤S4:各参与方对收到的梯度进行解密,并使用解密后的梯度结果更新各自的模型参数;
步骤S5:重复迭代步骤S1-步骤S4;直到损失函数收敛或达到根据实际经验预设的迭代次数或训练时间的上限。
8.根据权利要求7所述的一种基于边缘计算与联邦学习相结合的动力电池监测***,其特征在于,所述安全聚合包括以下步骤:
步骤P1:第k个参与方使用本地的测试数据集,对现有的横向联邦学习模型进行性能评估;生成本地模型测试结果其中,分别代表真阳性、假阳性、真阴性和假阴性的测试结果的数量;参与方k=1,2,…,K都执行此操作;其中,K为参与方数量;
步骤P4:服务器将计算得到的全局模型性能发送给所有的参与方;所述全局模型性能包括准确率、精确率和召回率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231550.5A CN115841662A (zh) | 2022-10-09 | 2022-10-09 | 一种基于边缘计算与联邦学习相结合的动力电池监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231550.5A CN115841662A (zh) | 2022-10-09 | 2022-10-09 | 一种基于边缘计算与联邦学习相结合的动力电池监测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115841662A true CN115841662A (zh) | 2023-03-24 |
Family
ID=85574104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211231550.5A Pending CN115841662A (zh) | 2022-10-09 | 2022-10-09 | 一种基于边缘计算与联邦学习相结合的动力电池监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115841662A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116714437A (zh) * | 2023-06-01 | 2023-09-08 | 西华大学 | 基于大数据的氢燃料电池汽车安全监控***及监控方法 |
CN117576655A (zh) * | 2023-11-04 | 2024-02-20 | 河南工业大学 | 基于联邦学习的交通标志检测方法与*** |
-
2022
- 2022-10-09 CN CN202211231550.5A patent/CN115841662A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116714437A (zh) * | 2023-06-01 | 2023-09-08 | 西华大学 | 基于大数据的氢燃料电池汽车安全监控***及监控方法 |
CN116714437B (zh) * | 2023-06-01 | 2024-03-26 | 西华大学 | 基于大数据的氢燃料电池汽车安全监控***及监控方法 |
CN117576655A (zh) * | 2023-11-04 | 2024-02-20 | 河南工业大学 | 基于联邦学习的交通标志检测方法与*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115841662A (zh) | 一种基于边缘计算与联邦学习相结合的动力电池监测*** | |
WO2022151819A1 (zh) | 一种基于聚类分析的电池***在线故障诊断方法和*** | |
CN108303264B (zh) | 一种基于云的车辆故障诊断方法、装置及其*** | |
WO2022032460A1 (zh) | 一种锂电池的析锂检测方法及装置 | |
CN108749607A (zh) | 一种基于云计算的电动汽车动力电池管理和监控*** | |
CN108872863B (zh) | 一种优化分类的电动汽车充电状态监测方法 | |
CN113835032A (zh) | 一种纯电动汽车远程故障诊断及预警*** | |
CN114692827A (zh) | 面向边缘联邦学习的电动汽车锂电池soh在线预测方法 | |
CN114531662B (zh) | 基于电力5g虚拟专网的终端智能接入认证管理方法 | |
CN113702837A (zh) | 用于动力电池的自放电异常检测方法及设备 | |
CN110518300A (zh) | 一种利用大数据监控动力电池技术 | |
CN106384436A (zh) | 一种智能充电***及方法 | |
CN117087485A (zh) | 一种大功率SiC电动汽车的充电安全监测***及预警*** | |
CN115328088B (zh) | 基于云边协同的汽车故障诊断方法、***及智能汽车 | |
CN216411516U (zh) | 锂电池和模组的析锂检测装置 | |
CN110614933A (zh) | 一种电动汽车充电远程管控平台 | |
CN114358310A (zh) | 一种基于横向安全联邦学习的锂电池soh估计方法 | |
CN115327400A (zh) | 锂电池和模组的析锂检测装置及方法 | |
Zang et al. | Fault diagnosis of charging facilities based on improved RNN | |
Zhong et al. | Estimating Remaining Driving Range of Electric Vehicles Using BPNN Based on Real-world Data | |
CN111693883A (zh) | 一种电池状态检测***及其方法、车辆 | |
CN117698506B (zh) | 一种锂电池充放电管理*** | |
Huang et al. | Research on KNN Algorithm of Charging Device Based on Attack Recognition Method | |
CN111599214B (zh) | 交通路口动态大数据更新方法及存储介质 | |
CN115840157B (zh) | 基于eof分析的锂电池电性能指标协调性分析*** |
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 |