CN116665425B - 用于电力供电的监测预警方法及*** - Google Patents
用于电力供电的监测预警方法及*** Download PDFInfo
- Publication number
- CN116665425B CN116665425B CN202310964309.1A CN202310964309A CN116665425B CN 116665425 B CN116665425 B CN 116665425B CN 202310964309 A CN202310964309 A CN 202310964309A CN 116665425 B CN116665425 B CN 116665425B
- Authority
- CN
- China
- Prior art keywords
- power supply
- early warning
- mode
- switching
- sample data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000002688 persistence Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 230000032683 aging Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008859 change Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Direct Current Feeding And Distribution (AREA)
Abstract
本发明提供了用于电力供电的监测预警方法及***,涉及电力供电技术领域,该方法包括:获取供电样本数据集;获取第一样本数据集和第二样本数据集;根据所述第一样本数据集和所述第二样本数据集进行特征提取,生成切换故障预警模型;接收第一模式切换请求信息,识别所述第一模式切换请求信息中携带的实时模式供电数据和目标模式供电数据;进行故障触发概率计算,输出第一触发概率;当所述第一触发概率大于预设触发概率,返回第一预警信息,解决了现有技术中存在由于大多没有对供电模式的切换数据进行分析,进而导致供电监测预警效果不佳的技术问题,达到提升电力供电的故障监测预警准确性,保障供电电路安全运行的技术效果。
Description
技术领域
本发明涉及电力供电技术领域,具体涉及用于电力供电的监测预警方法及***。
背景技术
从“电”被发明至今,电能已经渗入到人类的方方面面,从居民生活到工业生产,电能已经是必不可少的存在。一般情况下,通过电力公司设置的供电线路将电能输送到每一个用电设备,供电线路上会包括多个用电设备,供电线路的安全,对于人类的生产生活具有重要意义。当前的供电监测预警技术大多只是对供电设备或者线路进行监测预警,没有对供电模式的切换数据进行分析,使得供电模式切换时存在安全风险。
综上,现有技术中存在由于大多没有对供电模式的切换数据进行分析,进而导致供电监测预警效果不佳的技术问题。
发明内容
本发明提供了用于电力供电的监测预警方法及***,用以解决现有技术中存在由于大多没有对供电模式的切换数据进行分析,进而导致供电监测预警效果不佳的技术问题。
根据本发明的第一方面,提供了用于电力供电的监测预警方法,包括:连接第一供电***进行供电数据采集,获取供电样本数据集,其中,所述供电样本数据集包括所述第一供电***中同一电路的供电模式发生切换的样本;对所述供电样本数据集进行识别,获取供电模式内发生切换的第一样本数据集,和供电-保护模式之间发生切换的第二样本数据集;根据所述第一样本数据集和所述第二样本数据集进行特征提取,并根据特征提取结果进行模型训练,生成切换故障预警模型,其中,所述切换故障预警模型包括第一预警通道和第二预警通道;当所述第一供电***接收第一模式切换请求信息,识别所述第一模式切换请求信息中携带的实时模式供电数据和目标模式供电数据;将所述实时模式供电数据和所述目标模式供电数据输入切换故障预警模型中进行故障触发概率计算,输出第一触发概率;当所述第一触发概率大于预设触发概率,返回第一预警信息。
根据本发明的第二方面,提供了用于电力供电的监测预警***,包括:供电样本数据采集模块,所述供电样本数据采集模块用于连接第一供电***进行供电数据采集,获取供电样本数据集,其中,所述供电样本数据集包括所述第一供电***中同一电路的供电模式发生切换的样本;样本数据识别模块,所述样本数据识别模块用于对所述供电样本数据集进行识别,获取供电模式内发生切换的第一样本数据集,和供电-保护模式之间发生切换的第二样本数据集;预警模型生成模块,所述预警模型生成模块用于根据所述第一样本数据集和所述第二样本数据集进行特征提取,并根据特征提取结果进行模型训练,生成切换故障预警模型,其中,所述切换故障预警模型包括第一预警通道和第二预警通道;切换请求接收模块,所述切换请求接收模块用于当所述第一供电***接收第一模式切换请求信息,识别所述第一模式切换请求信息中携带的实时模式供电数据和目标模式供电数据;故障触发概率计算模块,所述故障触发概率计算模块用于将所述实时模式供电数据和所述目标模式供电数据输入切换故障预警模型中进行故障触发概率计算,输出第一触发概率;预警信息获取模块,所述预警信息获取模块用于当所述第一触发概率大于预设触发概率,返回第一预警信息。
根据本发明采用的用于电力供电的监测预警方法,其可达到如下有益效果:
1.连接第一供电***进行供电数据采集,获取供电样本数据集;对所述供电样本数据集进行识别,获取供电模式内发生切换的第一样本数据集,和供电-保护模式之间发生切换的第二样本数据集;根据所述第一样本数据集和所述第二样本数据集进行特征提取,并根据特征提取结果进行模型训练,生成切换故障预警模型;当所述第一供电***接收第一模式切换请求信息,识别所述第一模式切换请求信息中携带的实时模式供电数据和目标模式供电数据;将所述实时模式供电数据和所述目标模式供电数据输入切换故障预警模型中进行故障触发概率计算,输出第一触发概率;当所述第一触发概率大于预设触发概率,返回第一预警信息,达到提升电力供电的故障监测预警准确性,保障供电电路安全运行的技术效果。
2.通过利用所述神经网络,以所述第一样本数据集以及标识故障发生概率的标识信息训练所述第一预警通道;利用所述神经网络,以所述第二样本数据集以及标识故障发生概率的标识信息训练所述第二预警通道;将所述实时模式供电数据和所述目标模式供电数据输入所述切换故障预警模型中,根据数据特征对所述第一预警通道/所述第二预警通道定位标识;根据定位标识的预警通道进行故障触发概率计算,输出第一触发概率,实现对不同的切换模式利用不同的通道进行监测预警,达到提升监测预警的准确度和可信度的技术效果。
3.当所述第一触发概率大于所述预设触发概率,获取第一分步切换指令;按照所述第一分步切换指令,确定多个切换目标,以所述多个切换目标对所述第一模式切换请求信息进行分步执行,达到提升供电模式切换的适应性,防止发生安全事故的技术效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的用于电力供电的监测预警方法的流程示意图;
图2为本发明实施例中输出切换故障预警模型的流程示意图;
图3为本发明实施例中输出第一触发概率的流程示意图;
图4为本发明实施例提供的用于电力供电的监测预警***的结构示意图。
附图标记说明:供电样本数据采集模块11,样本数据识别模块12,预警模型生成模块13,切换请求接收模块14,故障触发概率计算模块15,预警信息获取模块16。
具体实施方式
以下结合附图对本发明的示范性实施例作出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
图1为本发明实施例提供的用于电力供电的监测预警方法图,所述方法包括:
步骤S100:连接第一供电***进行供电数据采集,获取供电样本数据集,其中,所述供电样本数据集包括所述第一供电***中同一电路的供电模式发生切换的样本;
具体而言,所述第一供电***是指由电源***和输配电***组成的产生电能并供应和输送给用电设备的***,其中包括由不同的电源和不同的用电设备组成的多条不同的供电电路。通过连接所述第一供电***,可直接进行历史时间内的供电数据提取,从而获取供电样本数据集,连接方式包括但不限于WIFI、蓝牙等连接方式。通俗地讲,供电样本数据集是指过去一段时间内的供电数据,具体包括所述第一供电***中同一电路的供电模式发生切换的样本。也就是说,在进行历史时间内的供电样本数据采集时,只提取处于供电模式发生切换的一段时间内的供电数据组成供电样本数据集,其中,任一供电数据均包括供电电流、电压等数据,比如,供电模式切换发生于某一时刻,可以提取该时刻前后10分钟内的供电电压、电流等数据。
其中,供电模式切换包括小容量-大容量、大容量-小容量、供电-保护三种切换模式。第一供电***供电时,一定会设置有保护装置,在供电状态出现异常时,及时切断电路,防止造成重大损失,供电-保护切换模式即为由正常供电模式切换至保护状态的切换模式。电力供电时,实际用电设备的使用量不同,其需求的供电容量也可以进行调整,比如某一时刻的供电容量是10kmAh,供电容量较大,在下一时刻由于需求减少,将供电容量切换至2kmAh,提取这一段时间内的供电数据,即为发生大容量-小容量切换的样本。
步骤S200:对所述供电样本数据集进行识别,获取供电模式内发生切换的第一样本数据集,和供电-保护模式之间发生切换的第二样本数据集;
具体而言,对所述供电样本数据集进行识别,就是识别其对应的供电模式切换方式,供电模式内发生切换是指供电时的大小容量的切换,供电-保护模式切换是由正常供电到保护模式的切换,一般情况下,在发生漏电流或者过电流情况时,会启动保护模式,及时切断电源,防止线路和设备受损,因此,供电-保护模式之间发生切换时,样本中的供电数据会由较高的数据变为零,基于此,进行第一样本数据集和第二样本数据集的分类。
步骤S300:根据所述第一样本数据集和所述第二样本数据集进行特征提取,并根据特征提取结果进行模型训练,生成切换故障预警模型,其中,所述切换故障预警模型包括第一预警通道和第二预警通道;
具体而言,对所述第一样本数据集和所述第二样本数据集进行特征分析,简单来说,就是分析数据的变化状况,即在发生供电模式切换时,对应的数据变化特征,从而获取样本故障触发概率,以此作为特征提取结果。进而根据特征提取结果进行模型训练,生成切换故障预警模型,其中,所述切换故障预警模型包括第一预警通道和第二预警通道。切换故障预警模型是机器学习中的神经网络模型,其中,第一预警通道用于在供电模式内发生大小容量的切换时,进行故障触发概率的分析,故障触发概率表征供电发生故障的风险程度。以所述第一样本数据集和对应的特征提取结果进行分第一预警通道的训练、测试;以所述第二样本数据集和对应的特征提取结果进行第二预警通道的训练测试。第一预警通道和第二预警通道均为机器学习中的神经网络模型,第一预警通道和第二预警通道并行组成切换故障预警模型。
其中,如图2所示,本发明实施例步骤S300还包括:
步骤S310:获取所述第一样本数据集,所述第一样本数据集包括供电回路样本数据、实时供电样本数据、切换供电量后的样本数据;
步骤S320:获取所述第二样本数据集,所述第二样本数据集包括供电回路样本数据,保护回路样本数据,实时供电样本数据以及切换保护模式后的样本数据;
步骤S330:搭建全连接神经网络,利用所述神经网络以所述第一样本数据集和所述第二样本数据集进行模型训练,输出所述切换故障预警模型。
具体而言,获取所述第一样本数据集,所述第一样本数据集包括供电回路样本数据、实时供电样本数据、切换供电量后的样本数据,供电回路样本数据是指未进行模式切换的由电源、电键、用电设备等构成的电流通路;实时供电样本数据即为未进行模式切换的电流通路上的供电容量、负载等信息;切换供电量后的样本数据是指切换供电量后的供电容量、负载等信息。实时供电样本数据、切换供电量后的样本数据代表模式切换前后的供电容量,两者之间具有一定的差值,根据差值进行故障触发概率的配置,具体可通过获取实时供电样本数据与切换供电量后的样本数据中的供电容量的差值和负载变化配置对应的样本故障触发概率,供电容量的差值和负载越大,对应的故障触发概率就越大,基于此,由本领域人员自行配置样本故障触发概率。进而搭建第一预警通道的神经网络结构,根据第一样本数据集和对应的样本故障触发概率标识进行第一预警通道的训练、测试。
获取所述第二样本数据集,第二样本数据集包括供电-保护模式之间发生切换,所述第二样本数据集包括供电回路样本数据,保护回路样本数据,实时供电样本数据以及切换保护模式后的样本数据。具体来说,在供电-保护模式切换时,会启动第一供电***的电路保护装置,通过电路保护装置形成一个保护回路,保护回路样本数据是指保护回路上的电流、电压、负载等信息;实时供电样本数据以及切换保护模式后的样本数据是指保护模式切换前后的供电信息。进而为第二样本数据集配置对应的第二样本触发概率,以所述第二样本数据集和对应的第二样本触发概率进行第二预警通道的训练、测试,获得准确率符合要求的第二预警通道。
第一预警通道和第二预警通道组成所述切换故障预警模型,由此达到为后续的故障监测预警提供模型支持的效果。
步骤S400:当所述第一供电***接收第一模式切换请求信息,识别所述第一模式切换请求信息中携带的实时模式供电数据和目标模式供电数据;
具体而言,第一模式切换请求信息是指用于请求进行供电模式切换的信息,包括供电模式内的模式切换和供电-保护模式的切换,比如大容量供电模式向小容量供电模式切换,或者供电模式向保护模式的切换。第一模式切换请求信息可由人工输入,也可通过对第一供电***的用户需求进行监测,当监测到用户的用电需求发生变化时,发出第一模式切换请求信息。当所述第一供电***接收第一模式切换请求信息,识别所述第一模式切换请求信息中携带的实时模式供电数据和目标模式供电数据,实时模式供电数据即为当前的模式下的供电容量、负载等数据,目标模式供电数据即为模式切换后想要达到的供电容量、负载等数据。
步骤S500:将所述实时模式供电数据和所述目标模式供电数据输入切换故障预警模型中进行故障触发概率计算,输出第一触发概率;
具体而言,将所述实时模式供电数据和所述目标模式供电数据输入切换故障预警模型中进行故障触发概率计算,输出第一触发概率,第一触发概率表征进行模式切换时发生故障的可能性大小,第一触发概率越大,发生故障的可能性越大。
其中,如图3所示,本发明实施例步骤S500还包括:
步骤S510:利用所述神经网络,以所述第一样本数据集以及标识故障发生概率的标识信息训练所述第一预警通道;
步骤S520:利用所述神经网络,以所述第二样本数据集以及标识故障发生概率的标识信息训练所述第二预警通道;
步骤S530:将所述实时模式供电数据和所述目标模式供电数据输入所述切换故障预警模型中,根据数据特征对所述第一预警通道/所述第二预警通道定位标识;
步骤S540:根据定位标识的预警通道进行故障触发概率计算,输出第一触发概率。
具体而言,利用所述神经网络,以所述第一样本数据集以及标识故障发生概率的标识信息训练所述第一预警通道,标识信息由本领域技术人员自行根据第一样本数据集中的样本进行配置,可以将其理解为第一样本数据集对应的样本故障触发概率。利用所述神经网络,以所述第二样本数据集以及标识故障发生概率的标识信息训练所述第二预警通道,同理,此处的标识信息也是由本领域技术人员自行根据第二样本数据集中的样本进行配置,可以将其理解为第二样本数据集对应的样本故障触发概率。
将所述实时模式供电数据和所述目标模式供电数据输入所述切换故障预警模型中,根据数据特征对所述第一预警通道/所述第二预警通道定位标识,也就是说,第一预警通道用于分析供电模式内的模式切换的故障触发概率,第二预警通道用于分析供电-保护模式切换的故障触发概率,因此,需要对实时模式供电数据和所述目标模式供电数据进行数据特征分析,比如,如果实时模式供电数据和所述目标模式供电数据中包含的数据类型有供电回路的供电容量以及负载,就对其进行第一预警通道的定位标识,后续将其输入第一预警通道进行故障触发概率分析;如果实时模式供电数据和所述目标模式供电数据中包含的数据类型有保护回路数据,就对其进行第二预警通道的定位标识,后续将其输入第二预警通道进行故障触发概率分析。最后根据定位标识的预警通道进行故障触发概率计算,输出第一触发概率,实现对不同供电切换模式采用不同的通道分析,提升故障监测准确度。
其中,当所述定位标识的预警通道为所述第一预警通道时,本发明实施例步骤S540还包括:
步骤S541-A:对所述实时模式供电数据和所述目标模式供电数据进行数据特征分析,输出切换模式的供电量跨度和切换模式的瞬时最大负载;
步骤S542-A:根据所述切换模式的供电量跨度和所述切换模式的瞬时最大负载进行故障概率识别,得到跨度故障触发概率和负载故障触发概率;
步骤S543-A:基于所述跨度故障触发概率和所述负载故障触发概率进行计算,输出所述第一触发概率。
具体而言,当所述定位标识的预警通道为所述第一预警通道时,对所述实时模式供电数据和所述目标模式供电数据进行数据特征分析,输出切换模式的供电量跨度和切换模式的瞬时最大负载,供电量跨度即为所述实时模式供电数据和所述目标模式供电数据中的供电容量之间的差值,瞬时最大负载是指供电模式切换后出现的最大负载,可根据切换模式后的供电数据分析,比如用切换模式后的供电电压与供电电流的比值表示。进一步根据所述切换模式的供电量跨度和所述切换模式的瞬时最大负载进行故障概率识别,供电量跨度和最大负载越大,对应的跨度故障触发概率和负载故障触发概率也越大,基于所述跨度故障触发概率和所述负载故障触发概率进行计算,简单上来说,可通过求取所述跨度故障触发概率和所述负载故障触发概率的平均值作为所述第一触发概率,也可自行设置不同的权重对所述跨度故障触发概率和所述负载故障触发概率进行加权计算,获取所述第一触发概率,以上即为第一预警通道的工作原理,由此实现对故障的监测,便于工作人员及时了解故障触发概率,提升监测预警准确性,保证供电***的安全运行。
其中,本发明实施例步骤S540还包括:
步骤S541-B:对所述实时模式供电数据和所述目标模式供电数据进行数据特征分析,输出保护模式的反应延迟度和保护模式的负载持续性;
步骤S542-B:根据所述保护模式的反应延迟度和所述保护模式的负载持续性进行故障概率识别,得到延迟故障触发概率和时效故障触发概率;
步骤S543-B:基于所述延迟故障触发概率和所述时效故障触发概率进行计算,输出所述第一触发概率。
具体地,当所述定位标识的预警通道为所述第二预警通道时,对所述实时模式供电数据和所述目标模式供电数据进行数据特征分析,输出保护模式的反应延迟度和保护模式的负载持续性,通俗地讲,将供电模式切换为保护模式时,保护模式并不能立刻启动,对供电***进行保护,其会有一定的延迟时间,比如延迟1秒运行,反应延迟度用于表示其延迟的程度,延迟度获取方案可自行设定,比如将0秒设置为不延迟,根据不同延迟的时间设置不同的延迟度,比如延迟0.5秒将延迟度设置为1%,延迟1秒设为10%等,进而根据延迟时间匹配对应的延迟度;负载持续性表征保护回路可以线路工作的能力,以晶体管保护回路为例,电压形成回路,由于晶体管保护回路全部是弱电***,而供电回路全是强电***,因此在晶体管保护的启动回路以前,必须增加电压形成回路,其功能就是将来自供电线路电流互感器二次侧的交流强电信号转换为晶体管保护所能接受的直流弱电信号,同时也将直流弱电***与交流强电***隔离。采用晶体管电路后,无论是对于继电保护电路还是对于控制及中央信号电路,由于晶体管工作在导通或截止区域,取代了机电型开关状态,而使晶体管处于导通或截止区的前提条件是利用电阻、电容等元件在其基极上获得或失去基极电流而使晶体管处于开通或截止状态,从而获得了无触点开关,但是保护回路的长时间运行,无法承受高强度的电流,会导致保护回路失效,因此,可基于现有技术分析保护回路上的电子元件的电流承受能力,获取保护回路可以承受高强度电流的最长时间,基于此获取负载持续性,保护回路可以承受高强度电流的最长时间越长,对应的负载持续性越大。
根据所述保护模式的反应延迟度和所述保护模式的负载持续性进行故障概率识别,具体来说,可对反应延迟度和负载持续性进行归一化处理后将其转换为百分数据,作为延迟故障触发概率和时效故障触发概率,进而对所述延迟故障触发概率和所述时效故障触发概率进行计算,可以根据实际情况设置不同或者相同的权重,进行加权计算,以加权计算结果作为所述第一触发概率,实现对故障的监测,保证故障监测的全面性和准确性。
步骤S600:当所述第一触发概率大于预设触发概率,返回第一预警信息。
具体而言,预设触发概率由本领域技术人员自行设定,例如,可获取历史故障记录数据,本实施例所述的方法进行历史触发概率分析,获得多组历史故障记录的多个历史触发概率,以多个历史触发概率中的最小值作为预设触发概率。如果所述第一触发概率大于预设触发概率,输出第一预警信息,用于提醒工作人员,如果进行供电模式切换,存在故障风险,提醒工作人员采取措施规避风险。
其中,本发明实施例步骤S600还包括:
步骤S610:当所述第一触发概率大于所述预设触发概率,获取第一分步切换指令;
步骤S620:按照所述第一分步切换指令,确定多个切换目标,以所述多个切换目标对所述第一模式切换请求信息进行分步执行。
具体地,当所述第一触发概率大于所述预设触发概率,也就是收到第一预警信息时,说明此时直接进行供电模式的切换可能会导致供电***发生故障,因此发出第一分步切换指令,第一分步切换指令用于控制进行供电模式切换的方式,通俗地讲,供电模式切换是将实时供电模式切换至目标供电模式,根据实时模式供电数据和目标模式供电数据可以获取需要切换的供电容量,比如要增大的供电容量,比如实时模式供电数据中的供电容量是2kmAh,目标模式供电数据的供电容量为10kmAh,需要切换的供电容量即为8kmAh,此时所述第一触发概率已经大于所述预设触发概率,就不能直接将供电容量调整为10kmAh,需要分多步进行调整。因此,按照所述第一分步切换指令,比如先将供电容量由2kmAh调整为3kmAh,再从3kmAh调整为4kmAh,以此类推,分多步进行调整,以3kmAh、4kmAh等作为多个切换目标,以所述多个切换目标对所述第一模式切换请求信息进行分步执行,从而缓慢进行供电模式的切换,提升模式切换的适应性,防止发生安全事故。
其中,本发明实施例还包括步骤S700:
步骤S710:获取所述第一供电***的电路保护装置信息;
步骤S720:根据所述电路保护装置的信息,生成保护预警识别模块,将所述保护预警识别模块嵌于所述第二预警通道中进行识别。
具体而言,正常情况下,供电***中的每一条供电电路都会配有电路保护装置,比如过电流保护装置,不同电路保护装置的保护回路、连接的元件、保护原理都不同,举例如,比如继电保护装置,在检测到短路电流时会自动将发生故障的电路从供电电路中切除,保证其他供电线路的正常运行。因此,基于电路保护装置信息,生成保护预警识别模块,电路保护装置信息包括保护回路以及保护装置启动和未启动时的供电数据,包括保护装置启动时的保护回电电流、电压等数据,将电路保护装置信息作为一个数据库生成保护预警识别模块,将保护预警识别模块嵌入所述第二预警通道,保护预警识别模块根据输入所述第二预警通道的所述实时模式供电数据和所述目标模式供电数据,在内部的数据库内进行匹配,如果匹配成功,就对所述实时模式供电数据和所述目标模式供电数据进行第二预警通道定位标识,将所述实时模式供电数据和所述目标模式供电数据输入第二预警通道进行故障触发概率分析。由此提升故障概率分析的准确性,进而提升电力供电的监测预警效果。
实施例二
基于与前述实施例中用于电力供电的监测预警方法同样的发明构思,如图4所示,本发明还提供了用于电力供电的监测预警***,所述***包括:
供电样本数据采集模块11,所述供电样本数据采集模块11用于连接第一供电***进行供电数据采集,获取供电样本数据集,其中,所述供电样本数据集包括所述第一供电***中同一电路的供电模式发生切换的样本;
样本数据识别模块12,所述样本数据识别模块12用于对所述供电样本数据集进行识别,获取供电模式内发生切换的第一样本数据集,和供电-保护模式之间发生切换的第二样本数据集;
预警模型生成模块13,所述预警模型生成模块13用于根据所述第一样本数据集和所述第二样本数据集进行特征提取,并根据特征提取结果进行模型训练,生成切换故障预警模型,其中,所述切换故障预警模型包括第一预警通道和第二预警通道;
切换请求接收模块14,所述切换请求接收模块14用于当所述第一供电***接收第一模式切换请求信息,识别所述第一模式切换请求信息中携带的实时模式供电数据和目标模式供电数据;
故障触发概率计算模块15,所述故障触发概率计算模块15用于将所述实时模式供电数据和所述目标模式供电数据输入切换故障预警模型中进行故障触发概率计算,输出第一触发概率;
预警信息获取模块16,所述预警信息获取模块16用于当所述第一触发概率大于预设触发概率,返回第一预警信息。
进一步而言,所述***还包括:
第一样本数据集获取模块,所述第一样本数据集获取模块用于获取所述第一样本数据集,所述第一样本数据集包括供电回路样本数据、实时供电样本数据、切换供电量后的样本数据;
第二样本数据集获取模块,所述第二样本数据集获取模块用于获取所述第二样本数据集,所述第二样本数据集包括供电回路样本数据,保护回路样本数据,实时供电样本数据以及切换保护模式后的样本数据;
模型训练模块,所述模型训练模块用于搭建全连接神经网络,利用所述神经网络以所述第一样本数据集和所述第二样本数据集进行模型训练,输出所述切换故障预警模型。
进一步而言,所述***还包括:
第一预警通道训练模块,所述第一预警通道训练模块用于利用所述神经网络,以所述第一样本数据集以及标识故障发生概率的标识信息训练所述第一预警通道;
第二预警通道训练模块,所述第二预警通道训练模块用于利用所述神经网络,以所述第二样本数据集以及标识故障发生概率的标识信息训练所述第二预警通道;
通道定位标识模块,所述通道定位标识模块用于将所述实时模式供电数据和所述目标模式供电数据输入所述切换故障预警模型中,根据数据特征对所述第一预警通道/所述第二预警通道定位标识;
故障触发概率计算模块,所述故障触发概率计算模块用于根据定位标识的预警通道进行故障触发概率计算,输出第一触发概率。
进一步而言,所述***还包括:
第一数据特征分析模块,所述第一数据特征分析模块用于对所述实时模式供电数据和所述目标模式供电数据进行数据特征分析,输出切换模式的供电量跨度和切换模式的瞬时最大负载;
第一故障概率识别模块,所述第一故障概率识别模块用于根据所述切换模式的供电量跨度和所述切换模式的瞬时最大负载进行故障概率识别,得到跨度故障触发概率和负载故障触发概率;
第一故障触发概率计算模块,所述第一故障触发概率计算模块用于基于所述跨度故障触发概率和所述负载故障触发概率进行计算,输出所述第一触发概率。
进一步而言,所述***还包括:
第二数据特征分析模块,所述第二数据特征分析模块用于对所述实时模式供电数据和所述目标模式供电数据进行数据特征分析,输出保护模式的反应延迟度和保护模式的负载持续性;
第二故障概率识别模块,所述第二故障概率识别模块用于根据所述保护模式的反应延迟度和所述保护模式的负载持续性进行故障概率识别,得到延迟故障触发概率和时效故障触发概率;
第二故障触发概率计算模块,所述第二故障触发概率计算模块用于基于所述延迟故障触发概率和所述时效故障触发概率进行计算,输出所述第一触发概率。
进一步而言,所述***还包括:
第一分步切换指令获取模块,所述第一分步切换指令获取模块用于当所述第一触发概率大于所述预设触发概率,获取第一分步切换指令;
切换目标确定模块,所述切换目标确定模块用于按照所述第一分步切换指令,确定多个切换目标,以所述多个切换目标对所述第一模式切换请求信息进行分步执行。
进一步而言,所述***还包括:
保护装置信息获取模块,所述保护装置信息获取模块用于获取所述第一供电***的电路保护装置信息;
保护预警模块,所述保护预警模块用于根据所述电路保护装置的信息,生成保护预警识别模块,将所述保护预警识别模块嵌于所述第二预警通道中进行识别。
前述实施例一中的用于电力供电的监测预警方法具体实例同样适用于本实施例的用于电力供电的监测预警***,通过前述对用于电力供电的监测预警方法的详细描述,本领域技术人员可以清楚地知道本实施例中用于电力供电的监测预警***,所以为了说明书的简洁,在此不再详述。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行,也可以顺序地执行,也可以不同的次序执行,只要能够实现本发明公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所做的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (6)
1.用于电力供电的监测预警方法,其特征在于,所述方法包括:
连接第一供电***进行供电数据采集,获取供电样本数据集,其中,所述供电样本数据集包括所述第一供电***中同一电路的供电模式发生切换的样本,其中,供电模式切换包括小容量-大容量、大容量-小容量、供电-保护三种切换模式;
对所述供电样本数据集进行识别,获取供电模式内发生切换的第一样本数据集,和供电-保护模式之间发生切换的第二样本数据集,其中,供电模式内发生切换是指供电时的大小容量的切换;
根据所述第一样本数据集和所述第二样本数据集进行特征提取,并根据特征提取结果进行模型训练,生成切换故障预警模型,其中,所述切换故障预警模型包括第一预警通道和第二预警通道;
当所述第一供电***接收第一模式切换请求信息,识别所述第一模式切换请求信息中携带的实时模式供电数据和目标模式供电数据;
将所述实时模式供电数据和所述目标模式供电数据输入切换故障预警模型中,根据数据特征对所述第一预警通道/所述第二预警通道定位标识,当所述定位标识的预警通道为所述第一预警通道时,对所述实时模式供电数据和所述目标模式供电数据进行数据特征分析,输出切换模式的供电量跨度和切换模式的瞬时最大负载;根据所述切换模式的供电量跨度和所述切换模式的瞬时最大负载进行故障概率识别,得到跨度故障触发概率和负载故障触发概率;基于所述跨度故障触发概率和所述负载故障触发概率进行计算,输出第一触发概率;当所述定位标识的预警通道为所述第二预警通道时,对所述实时模式供电数据和所述目标模式供电数据进行数据特征分析,输出保护模式的反应延迟度和保护模式的负载持续性;根据所述保护模式的反应延迟度和所述保护模式的负载持续性进行故障概率识别,得到延迟故障触发概率和时效故障触发概率;基于所述延迟故障触发概率和所述时效故障触发概率进行计算,输出所述第一触发概率;
当所述第一触发概率大于预设触发概率,返回第一预警信息。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述第一样本数据集,所述第一样本数据集包括供电回路样本数据、实时供电样本数据、切换供电量后的样本数据;
获取所述第二样本数据集,所述第二样本数据集包括供电回路样本数据,保护回路样本数据,实时供电样本数据以及切换保护模式后的样本数据;
搭建全连接神经网络,利用所述神经网络以所述第一样本数据集和所述第二样本数据集进行模型训练,输出所述切换故障预警模型。
3.如权利要求2所述的方法,其特征在于,利用所述神经网络以所述第一样本数据集和所述第二样本数据集进行模型训练,输出所述切换故障预警模型,方法包括:
利用所述神经网络,以所述第一样本数据集以及标识故障发生概率的标识信息训练所述第一预警通道;
利用所述神经网络,以所述第二样本数据集以及标识故障发生概率的标识信息训练所述第二预警通道;
将所述实时模式供电数据和所述目标模式供电数据输入所述切换故障预警模型中,根据数据特征对所述第一预警通道/所述第二预警通道定位标识;
根据定位标识的预警通道进行故障触发概率计算,输出第一触发概率。
4.如权利要求1所述的方法,其特征在于,当所述第一触发概率大于所述预设触发概率,方法还包括:
当所述第一触发概率大于所述预设触发概率,获取第一分步切换指令;
按照所述第一分步切换指令,确定多个切换目标,以所述多个切换目标对所述第一模式切换请求信息进行分步执行。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
获取所述第一供电***的电路保护装置信息;
根据所述电路保护装置的信息,生成保护预警识别模块,将所述保护预警识别模块嵌于所述第二预警通道中进行识别。
6.用于电力供电的监测预警***,其特征在于,用于执行权利要求1-5任意一项所述的用于电力供电的监测预警方法,所述***包括:
供电样本数据采集模块,所述供电样本数据采集模块用于连接第一供电***进行供电数据采集,获取供电样本数据集,其中,所述供电样本数据集包括所述第一供电***中同一电路的供电模式发生切换的样本,其中,供电模式切换包括小容量-大容量、大容量-小容量、供电-保护三种切换模式;
样本数据识别模块,所述样本数据识别模块用于对所述供电样本数据集进行识别,获取供电模式内发生切换的第一样本数据集,和供电-保护模式之间发生切换的第二样本数据集,其中,供电模式内发生切换是指供电时的大小容量的切换;
预警模型生成模块,所述预警模型生成模块用于根据所述第一样本数据集和所述第二样本数据集进行特征提取,并根据特征提取结果进行模型训练,生成切换故障预警模型,其中,所述切换故障预警模型包括第一预警通道和第二预警通道;
切换请求接收模块,所述切换请求接收模块用于当所述第一供电***接收第一模式切换请求信息,识别所述第一模式切换请求信息中携带的实时模式供电数据和目标模式供电数据;
故障触发概率计算模块,所述故障触发概率计算模块用于将所述实时模式供电数据和所述目标模式供电数据输入切换故障预警模型中,根据数据特征对所述第一预警通道/所述第二预警通道定位标识,当所述定位标识的预警通道为所述第一预警通道时,对所述实时模式供电数据和所述目标模式供电数据进行数据特征分析,输出切换模式的供电量跨度和切换模式的瞬时最大负载;根据所述切换模式的供电量跨度和所述切换模式的瞬时最大负载进行故障概率识别,得到跨度故障触发概率和负载故障触发概率;基于所述跨度故障触发概率和所述负载故障触发概率进行计算,输出第一触发概率;当所述定位标识的预警通道为所述第二预警通道时,对所述实时模式供电数据和所述目标模式供电数据进行数据特征分析,输出保护模式的反应延迟度和保护模式的负载持续性;根据所述保护模式的反应延迟度和所述保护模式的负载持续性进行故障概率识别,得到延迟故障触发概率和时效故障触发概率;基于所述延迟故障触发概率和所述时效故障触发概率进行计算,输出所述第一触发概率;
预警信息获取模块,所述预警信息获取模块用于当所述第一触发概率大于预设触发概率,返回第一预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310964309.1A CN116665425B (zh) | 2023-08-02 | 2023-08-02 | 用于电力供电的监测预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310964309.1A CN116665425B (zh) | 2023-08-02 | 2023-08-02 | 用于电力供电的监测预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116665425A CN116665425A (zh) | 2023-08-29 |
CN116665425B true CN116665425B (zh) | 2023-10-10 |
Family
ID=87710196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310964309.1A Active CN116665425B (zh) | 2023-08-02 | 2023-08-02 | 用于电力供电的监测预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665425B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117702198B (zh) * | 2024-01-09 | 2024-07-09 | 深圳市瑞盛环保科技有限公司 | 一种电解铜提炼电流控制***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007196767A (ja) * | 2006-01-24 | 2007-08-09 | Hitachi Ltd | 車両制御システム |
CN201242932Y (zh) * | 2008-06-25 | 2009-05-20 | 中国电力科学研究院 | 一种可进行配电监测的有载调容变综合控制器 |
CN101826722A (zh) * | 2010-05-20 | 2010-09-08 | 山西省电力公司电力通信中心 | 高压电力线路继电保护专用通道切换*** |
KR20150030878A (ko) * | 2013-09-13 | 2015-03-23 | 주식회사 티모스정보기술 | 순간 정전의 측정 방법 |
CN106443155A (zh) * | 2012-03-15 | 2017-02-22 | 江苏省电力公司常州供电公司 | 电力变压器近区短路监测方法 |
CN112949729A (zh) * | 2021-03-11 | 2021-06-11 | 广东技术师范大学 | 一种用于微电网电流转换的控制算法 |
CN114242406A (zh) * | 2021-11-04 | 2022-03-25 | 湖南一二三智能科技有限公司 | 一种安全用电装置 |
CN116311854A (zh) * | 2023-05-19 | 2023-06-23 | 苏州时代华景新能源有限公司 | 一种锂电池储能站的运行异常预警方法及*** |
CN116467667A (zh) * | 2023-06-20 | 2023-07-21 | 图观(天津)数字科技有限公司 | 一种基于数据融合的停电监测预警方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070025039A1 (en) * | 2005-07-27 | 2007-02-01 | Sousa Marc D | Priority powerdown system and method for power distribution systems |
US8385029B2 (en) * | 2009-09-10 | 2013-02-26 | Polar Semiconductor, Inc. | Over-current protection device for a switched-mode power supply |
US9077172B2 (en) * | 2012-05-21 | 2015-07-07 | Emprimus, Llc | Self-testing features of sensing and control electronics for a power grid protection system |
FR3108212B1 (fr) * | 2020-03-13 | 2023-04-14 | Schneider Electric Ind Sas | procédé de test de coupure de courant capacitif d’un disjoncteur |
-
2023
- 2023-08-02 CN CN202310964309.1A patent/CN116665425B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007196767A (ja) * | 2006-01-24 | 2007-08-09 | Hitachi Ltd | 車両制御システム |
CN201242932Y (zh) * | 2008-06-25 | 2009-05-20 | 中国电力科学研究院 | 一种可进行配电监测的有载调容变综合控制器 |
CN101826722A (zh) * | 2010-05-20 | 2010-09-08 | 山西省电力公司电力通信中心 | 高压电力线路继电保护专用通道切换*** |
CN106443155A (zh) * | 2012-03-15 | 2017-02-22 | 江苏省电力公司常州供电公司 | 电力变压器近区短路监测方法 |
KR20150030878A (ko) * | 2013-09-13 | 2015-03-23 | 주식회사 티모스정보기술 | 순간 정전의 측정 방법 |
CN112949729A (zh) * | 2021-03-11 | 2021-06-11 | 广东技术师范大学 | 一种用于微电网电流转换的控制算法 |
CN114242406A (zh) * | 2021-11-04 | 2022-03-25 | 湖南一二三智能科技有限公司 | 一种安全用电装置 |
CN116311854A (zh) * | 2023-05-19 | 2023-06-23 | 苏州时代华景新能源有限公司 | 一种锂电池储能站的运行异常预警方法及*** |
CN116467667A (zh) * | 2023-06-20 | 2023-07-21 | 图观(天津)数字科技有限公司 | 一种基于数据融合的停电监测预警方法及*** |
Non-Patent Citations (1)
Title |
---|
颜诚.《 在线保供电储能装置的多模式供电方法》.《高电压技术》.2018,第44卷(第4期),1166-1176. * |
Also Published As
Publication number | Publication date |
---|---|
CN116665425A (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106771545B (zh) | 一种10kV线路短路故障电压的智能识别方法 | |
US20070046261A1 (en) | Method and apparatus for temperature, conductance and/or impedance testing in remote application of battery monitoring systems | |
CN116665425B (zh) | 用于电力供电的监测预警方法及*** | |
US7567060B1 (en) | System and method for advanced power management | |
RU2676334C2 (ru) | Устройство контроля причин расцепления для электронного устройства расцепления | |
CN108539736B (zh) | 基于多源数据的停电事件分析方法、***和计算机设备 | |
CN110764014A (zh) | 电池内短路的检测方法、装置、终端及可读存储介质 | |
CN106841881B (zh) | 用电模块的分析方法及装置 | |
CN116500487B (zh) | 开关电源的故障检测***、方法、终端设备以及介质 | |
CN110739661A (zh) | 一种过流保护装置及板卡 | |
CN103926485B (zh) | 基于电能采集终端的停电事件判断方法 | |
CN115051310A (zh) | 一种电路故障分析智能断电开关***及方法 | |
KR20060061310A (ko) | 배전선 고장감시 기능을 갖는 전자식 전력량계 및 고장감시방법 | |
CN117520951B (zh) | 一种基于多特征量的变压器健康评估方法和*** | |
CN109980782A (zh) | 一种输配电线路安全运行的无线监控探测器及*** | |
CN111796154A (zh) | 一种监测用电设备电源连接部分异常的装置及方法 | |
CN113608125A (zh) | 一种电池故障的识别方法及装置 | |
CN107102633B (zh) | 一种配电终端故障自诊断方法及*** | |
CN111308259A (zh) | 一种基于电动汽车充电桩可靠性数据的便携式评估装置 | |
CN115327282B (zh) | 供电***故障诊断方法 | |
CN110470948A (zh) | 一种基于台区电路拓扑关系的故障定位***和方法 | |
CN115693911A (zh) | 一种配电网的设备状态感知*** | |
CN113949618B (zh) | 基于大数据的通信故障预警*** | |
CN115684829A (zh) | 一种电力二次回路故障检测预警方法及*** | |
CN112470013B (zh) | 电动车辆充电监测装置和方法 |
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 |