CN117031182B - 配电站所终端遥测值异常检测方法及*** - Google Patents
配电站所终端遥测值异常检测方法及*** Download PDFInfo
- Publication number
- CN117031182B CN117031182B CN202311294480.2A CN202311294480A CN117031182B CN 117031182 B CN117031182 B CN 117031182B CN 202311294480 A CN202311294480 A CN 202311294480A CN 117031182 B CN117031182 B CN 117031182B
- Authority
- CN
- China
- Prior art keywords
- telemetry
- abnormal
- feature data
- data
- state
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 242
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000009826 distribution Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 230000005856 abnormality Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2834—Automated test systems [ATE]; using microprocessors or computers
-
- 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
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
- G01R31/2836—Fault-finding or characterising
- G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Medical Informatics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了配电站所终端遥测值异常检测方法及***，涉及遥测值异常检测技术领域，通过训练预测配电站所是否异常的异常状态预测模型以及对异常进行设备定位的异常设备定位模型，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签，基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状态标签，将遥测特征数据转换为遥测统计特征数据，基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位信息；实现对电路故障的自动检测以及自动定位。
Description
技术领域
本发明涉及遥测值异常检测技术领域，具体是配电站所终端遥测值异常检测方法及***。
背景技术
现有配运行所终端遥测***在长期过程中，由于传感器老化、连接故障、外部干扰等原因，会导致遥测参数出现跳变、突发性增大或减小、长期偏差较弱；
而现有的配电站终端***本身无法自动识别遥测参数的异常情况，需要运维人员通过经验判断来发现故障，这导致很多故障无法及时发现，延长了故障响应时间，降低了运维和维护的效率；而且基于经验的故障分析也难以快速的对故障设备进行定位，也难以提供准确的设备故障检测的顺序，从而为配电站的正常工作的维修效率带来挑战。
申请公开号为CN113820561A的中国专利公开了一种基于电流分析的配电站母线故障检测方法，采集所述配电站母线三相电流信号、各支路三相电流信号；计算所述配电站母线特征频带；提取所述特征频带的所述母线三相电流信号、所述各支路三相电流信号；计算瞬时零序电流；计算所述零序电流信号在所述特征频带内n×ΔT时间段内的积分；根据所述积分判断所述配电站母线是否存在异常；然而该方法未能实现故障的定位分析；
为此，本发明提出配电站所终端遥测值异常检测方法及***。
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，本发明提出配电站所终端遥测值异常检测方法及***，提高了配电***的安全稳定运行性。
为实现上述目的，根据本发明的实施例1提出配电站所终端遥测值异常检测方法，包括以下步骤：
步骤一：收集配电站所布局数据，并基于配电站所布局数据，收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据；
步骤二：以历史遥测特征数据为输入，以历史遥测状态标签数据为输出，训练预测配电站所是否异常的异常状态预测模型；
步骤三：将历史遥测特征数据转化为历史遥测统计特征数据，并以历史遥测统计特征数据为输入，以历史遥测异常定位数据为输出，训练对异常进行设备定位的异常设备定位模型；
步骤四：在异常状态预测模型和异常设备定位模型生成后，实时收集配电站所的遥测特征数据；
步骤五：预设遥测值范围集合，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签；若第一状态标签为异常，转至步骤六，否则，继续进行第一状态判断；
步骤六：基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状态标签，若第二状态标签为异常，转至步骤七，否则，转至步骤五；
步骤七：将遥测特征数据转换为遥测统计特征数据，基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位信息；
所述收集配电站所布局数据的方式为：
预先收集配电站所内所有待定位电气设备的位置和编号，所述配电站所布局数据包括每台待定位电气设备的编号与位置的对应关系；
所述收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据的方式为：
收集配电站所中，每一时刻的各项电气特征的遥测值，并将遥测值按时间顺序排列为对应电气特征的遥测值序列；
将各项电气特征的遥测值序列按电路异常状态划分为正常遥测特征数据集合以及异常遥测特征数据集合；
所述划分为正常遥测特征数据集合以及异常遥测特征数据集合的方式为：
在按时间顺序收集遥测值序列的过程中，将遥测值序列收集的开始时刻作为第0序列开始时刻；
若任意时刻中，任意的待定位电气设备发生异常，将该时刻作为第n序列开始时刻，将该待定位电气设备的异常修复完成的时刻作为第n序列结束时刻；其中，n为配电站所中按时间顺序，对出现待定位电气设备发生异常的事件设置的编号，且n>0；
将第0序列开始时刻至第1序列开始时刻的时间段内，各项电气特征的遥测值序列段组成一组正常遥测特征数据；所述遥测值序列段为遥测值序列中的一段遥测值子序列；
对于任意的n>0，将第n序列开始时刻至第n序列结束时刻的时间段内，各项电气特征的遥测值序列段组成一组异常遥测特征数据；
对于任意的n>0，将第n序列结束时刻至第n+1序列开始时刻的时间段内，各项电气特征的遥测值序列段组成一组正常遥测特征数据；
所有的正常遥测特征数据组成正常遥测特征数据集合；
所有的异常遥测特征数据组成异常遥测特征数据集合；
为正常遥测特征数据集合中的每组正常遥测特征数据的状态标签设置为正常，为异常遥测特征数据集合中每组异常遥测特征数据的状态标签设置为异常；
所有正常遥测特征数据和异常遥测特征数据的状态标签组成历史遥测状态标签数据；
在异常遥测特征数据集合中，为每组异常遥测特征数据设置一组定位标签向量，所述定位标签向量的长度为所有待定位电气设备的数量，且每个元素对应一个待定位电气设备，每个元素值为0或1中的一个；
所有异常遥测特征数据的定位标签向量组成历史遥测异常定位数据；
所述训练预测配电站所是否异常的异常状态预测模型的方式为：
使用预设的滑动步长以及滑动窗口长度，使用滑动窗口方法将每组正常遥测特征数据和异常遥测特征数据分别转化为正样本集合和负样本集合，为正样本集合中的每条样本设置预测标签为0，为负样本集合中每条样本设置预测标签为1；
从正样本集合和负样本集合中分别随机选择M%的正样本和负样本作为训练样本，剩余的1-M%的正样本和负样本作为测试样本；
将每条训练样本作为异常状态预测模型的输入，将训练样本对应的预测标签作为异常状态预测模型的输出，对异常状态预测模型进行迭代训练，再通过使用测试样本集合验证异常状态预测模型的预测准确率，直至对测试样本集合的预测准确率达到预设的准确率阈值；
所述将历史遥测特征数据转化为历史遥测统计特征数据的方式为：
对于历史遥测特征数据中的每组异常遥测特征数据，收集异常遥测特征数据中的每项电气特征的遥测值序列段的各项数理统计值；
对于每组异常遥测特征数据，将其各项电气特征的各项数理统计值组成一条遥测统计特征向量；
所有的遥测统计特征向量组成历史遥测统计特征数据；
其中，所述训练对异常进行设备定位的异常设备定位模型的方式为：
构建贝叶斯网络模型结构；
所述构建贝叶斯网络的方式为：
构造层数为2层的贝叶斯网络模型；
其中，将贝叶斯网络模型中第一层的节点数量设置为所有数理统计值的数量，每个节点对应于一项电气特征的数理统计值；
其中，将贝叶斯网络模型中第二层的节点数量设置为所有待定位电气设备的数量；
对于第一层中每个节点，具有一条有向边指向第二层中的任意一个节点；
将历史遥测统计特征数据中的每组遥测统计特征向量作为贝叶斯网络模型的第一层的输入，以第二层中每个节点作为输出节点，每个输出节点输出值的范围为[0，1]；将该组遥测统计特征向量对应的定位标签向量中每个待定位电气设备的定位标签作为预测目标，以最小化贝叶斯网络模型的预测值与预测目标之间的预测误差之和作为预测目标；对贝叶斯网络模型进行训练，直至预测误差之和达到收敛时停止训练；
所述异常设备定位模型为训练完成的所述贝叶斯网络模型；
所述实时收集配电站所的遥测特征数据的方式为：
实时采集配电站所中各项电气特征的实时遥测值，并以滑动窗口长度为时间单位，将各项电气特征的实时遥测值按时间顺序组合为单位遥测值序列；
所述遥测特征数据包括每隔滑动窗口长度的时长中，采集到的各项电气特征的单位遥测值序列；
实时进行第一状态判断，生成第一状态标签的方式为：
为每项电气特征预设各项数理统计值的遥测值范围；
计算遥测特征数据中，每个电气特征的单位遥测值序列对应的各项数理统计值；
则所述第一状态判断的方式为：
将第一状态标签设置为正常；
若单位遥测值序列对应的所有数理统计值中，任意一项数理统计值超过了对应的遥测值范围，将第一状态标签设置为异常；
进行第二状态判断，生成第二状态标签的方式为：
将遥测特征数据中的所有单位遥测值序列输入至异常状态预测模型，获得输出的状态标签的预测值；
则进行第二状态判断的方式为：
若状态标签的预测值表示异常，将第二状态标签设置为异常；若状态标签的预测值表示正常，将第二状态标签设置为正常；
基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位的方式为：
将遥测特征数据中的各条单位遥测值序列对应的各项数理统计值组成的向量输入至异常设备定位模型的第一层中，获得第二层输出的各个待定位电气设备的异常概率；将输出的异常概率从大到小进行排序，获得异常设备的定位信息。
根据本发明的实施例2提出配电站所终端遥测值异常检测***，包括训练数据收集模块、模型训练模块以及异常检测模块；其中，各个模块之间通过电性连接；
训练数据收集模块，用于收集配电站所布局数据，并基于配电站所布局数据，收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据，并将历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据发送至模型训练模块；
模型训练模块，用于以历史遥测特征数据为输入，以历史遥测状态标签数据为输出，训练预测配电站所是否异常的异常状态预测模型，将历史遥测特征数据转化为历史遥测统计特征数据，并以历史遥测统计特征数据为输入，以历史遥测异常定位数据为输出，训练对异常进行设备定位的异常设备定位模型，并将异常状态预测模型以及异常设备定位模型发送至异常检测模块；
异常检测模块，用于在异常状态预测模型和异常设备定位模型生成后，实时收集配电站所的遥测特征数据，预设遥测值范围集合，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签；若第一状态标签为异常，基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状态标签，若第二状态标签为异常，将遥测特征数据转换为遥测统计特征数据，基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位信息。
根据本发明的实施例3提出的一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的基于增强现实技术的配电站所终端遥测值异常检测方法。
根据本发明的实施例4提出的一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的基于增强现实技术的配电站所终端遥测值异常检测方法。
与现有技术相比，本发明的有益效果是：
本发明通过收集配电站所布局数据，并基于配电站所布局数据，收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据，以历史遥测特征数据为输入，以历史遥测状态标签数据为输出，训练预测配电站所是否异常的异常状态预测模型，将历史遥测特征数据转化为历史遥测统计特征数据，并以历史遥测统计特征数据为输入，以历史遥测异常定位数据为输出，训练对异常进行设备定位的异常设备定位模型，在异常状态预测模型和异常设备定位模型生成后，实时收集配电站所的遥测特征数据，预设遥测值范围集合，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签；若第一状态标签为异常，基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状态标签，若第二状态标签为异常，将遥测特征数据转换为遥测统计特征数据，基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位信息；实现了基于配电站所中电路的各项遥测值的表现，实现对电路故障的自动检测以及自动定位，提高了配电***的安全稳定运行性。
附图说明
图1为本发明的实施例1中配电站所终端遥测值异常检测方法的流程图；
图2为本发明的实施例2中配电站所终端遥测值异常检测***的模块连接关系图；
图3为本发明的实施例3中的电子设备结构示意图；
图4为本发明的实施例4中的计算机可读存储介质结构示意图；
图中标号为：100、电子设备；101、总线；102、CPU；103、ROM；104、RAM；105、通信端口；106、输入/输出组件；107、硬盘；108、用户界面；200、计算机可读存储介质。
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。
实施例1
如图1所示，配电站所终端遥测值异常检测方法，包括以下步骤：
步骤一：收集配电站所布局数据，并基于配电站所布局数据，收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据；
步骤二：以历史遥测特征数据为输入，以历史遥测状态标签数据为输出，训练预测配电站所是否异常的异常状态预测模型；
步骤三：将历史遥测特征数据转化为历史遥测统计特征数据，并以历史遥测统计特征数据为输入，以历史遥测异常定位数据为输出，训练对异常进行设备定位的异常设备定位模型；
步骤四：在异常状态预测模型和异常设备定位模型生成后，实时收集配电站所的遥测特征数据；
步骤五：预设遥测值范围集合，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签；若第一状态标签为异常，转至步骤六，否则，继续进行第一状态判断；
步骤六：基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状态标签，若第二状态标签为异常，转至步骤七，否则，转至步骤五；
步骤七：将遥测特征数据转换为遥测统计特征数据，基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位信息；
其中，所述收集配电站所布局数据的方式为：
预先收集配电站所内所有待定位电气设备的位置和编号，所述待定位电气设备是指产生异常时，会影响到电力输送，从而对各种遥测信号产生影响的电气设备，具体的待定位电气设备的选择根据配电站所的实际架构确定；
所述配电站所布局数据包括每台待定位电气设备的编号与位置的对应关系；
其中，所述收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据的方式为：
收集配电站所中，每一时刻的各项电气特征的遥测值，并将遥测值按时间顺序排列为对应电气特征的遥测值序列；具体的，所述电气特征包括但不限于配电站所与外部负荷连接的电路中的电压、电流、功率、频率以及谐波含量等；可以理解的是，不同的电气特征可以分别使用对应的传感器实时获得，例如电压传感器实时收集电路中的电压；
将各项电气特征的遥测值序列按电路异常状态划分为正常遥测特征数据集合以及异常遥测特征数据集合；
具体的，所述划分为正常遥测特征数据集合以及异常遥测特征数据集合的方式为：
在按时间顺序收集遥测值序列的过程中，将遥测值序列收集的开始时刻作为第0序列开始时刻；
若任意时刻中，任意的待定位电气设备发生异常，将该时刻作为第n序列开始时刻，将该待定位电气设备的异常修复完成的时刻作为第n序列结束时刻；其中，n为配电站所中按时间顺序，对出现待定位电气设备发生异常的事件设置的编号，且n>0；需要说明的是，该待定位电气设备发生异常的检测和定位方式可以是通过人为制造或事后人工定位的方式进行，以收集所需要的足够的训练数据；
将第0序列开始时刻至第1序列开始时刻的时间段内，各项电气特征的遥测值序列段组成一组正常遥测特征数据；所述遥测值序列段为遥测值序列中的一段遥测值子序列；
对于任意的n>0，将第n序列开始时刻至第n序列结束时刻的时间段内，各项电气特征的遥测值序列段组成一组异常遥测特征数据；
对于任意的n>0，将第n序列结束时刻至第n+1序列开始时刻的时间段内，各项电气特征的遥测值序列段组成一组正常遥测特征数据；
所有的正常遥测特征数据组成正常遥测特征数据集合；
所有的异常遥测特征数据组成异常遥测特征数据集合；
为正常遥测特征数据集合中的每组正常遥测特征数据的状态标签设置为正常，为异常遥测特征数据集合中每组异常遥测特征数据的状态标签设置为异常；
所有正常遥测特征数据和异常遥测特征数据的状态标签组成历史遥测状态标签数据；
在异常遥测特征数据集合中，为每组异常遥测特征数据设置一组定位标签向量，所述定位标签向量的长度为所有待定位电气设备的数量，且每个元素对应一个待定位电气设备，每个元素值为0或1中的一个；在收集该组异常遥测特征数据时，正常状态的待定位电气设备对应的元素值为0，异常状态的待定位电气设备对应的元素值为1；
所有异常遥测特征数据的定位标签向量组成历史遥测异常定位数据；
进一步的，以历史遥测特征数据为输入，以历史遥测状态标签数据为输出，训练预测配电站所是否异常的异常状态预测模型的方式为：
使用预设的滑动步长以及滑动窗口长度，使用滑动窗口方法将每组正常遥测特征数据和异常遥测特征数据分别转化为正样本集合和负样本集合，为正样本集合中的每条样本设置预测标签为0，为负样本集合中每条样本设置预测标签为1；
需要说明的是，滑动窗口方法作为时间序列类的神经网络模型的常规技术手段，本发明在此不再做原理性说明；但为了本发明更便于理解，本发明提供如下的关于滑动窗口方法的示例：
假设我们要用两项电气特征的遥测值序列数据：[1，2，1，1，2，1]以及[2，3，3，2，1，3]来生成样本集合，滑动步长设置为1以及滑动窗口长度设置为4；则生的样本数据集合为：[[[1,2,1,1],[2,3,3,2]],[[2,1,1,2],[3,3,2,1]],[[1,1,2,1],[3,2,1,3]]]；该集合中每条样本数据为一个二维向量；
从正样本集合和负样本集合中分别随机选择M%的正样本和负样本作为训练样本，剩余的1-M%的正样本和负样本作为测试样本；
将每条训练样本作为异常状态预测模型的输入，将训练样本对应的预测标签作为异常状态预测模型的输出，对异常状态预测模型进行迭代训练，再通过使用测试样本集合验证异常状态预测模型的预测准确率，直至对测试样本集合的预测准确率达到预设的准确率阈值；优选的，所述异常状态预测模型为时间序列类型的神经网络模型，例如RNN神经网络模型或LSTM网络模型；
进一步的，所述将历史遥测特征数据转化为历史遥测统计特征数据的方式为：
对于历史遥测特征数据中的每组异常遥测特征数据，收集异常遥测特征数据中的每项电气特征的遥测值序列段的各项数理统计值；具体的，所述数理统计值可以是平均值、方差值、最大波动值、波动频率等；
对于每组异常遥测特征数据，将其各项电气特征的各项数理统计值组成一条遥测统计特征向量；
所有的遥测统计特征向量组成历史遥测统计特征数据；
其中，所述以历史遥测统计特征数据为输入，以历史遥测异常定位数据为输出，训练对异常进行设备定位的异常设备定位模型的方式为：
构建贝叶斯网络模型结构；
所述构建贝叶斯网络的方式为：
构造层数为2层的贝叶斯网络模型；
其中，将贝叶斯网络模型中第一层的节点数量设置为所有数理统计值的数量，每个节点对应于一项电气特征的数理统计值；
其中，将贝叶斯网络模型中第二层的节点数量设置为所有待定位电气设备的数量；
对于第一层中每个节点，具有一条有向边指向第二层中的任意一个节点；
将历史遥测统计特征数据中的每组遥测统计特征向量作为贝叶斯网络模型的第一层的输入，以第二层中每个节点作为输出节点，每个输出节点输出值的范围为[0，1]，每个输出值作为该节点对应的待定位电气设备异常的概率表达；将该组遥测统计特征向量对应的定位标签向量中每个待定位电气设备的定位标签作为预测目标，以最小化贝叶斯网络模型的预测值与预测目标之间的预测误差之和作为预测目标；对贝叶斯网络模型进行训练，直至预测误差之和达到收敛时停止训练；所述预测误差之和可以为均方误差或交叉熵中的任意一种；
所述异常设备定位模型为训练完成的所述贝叶斯网络模型；
所述实时收集配电站所的遥测特征数据的方式为：
实时采集配电站所中各项电气特征的实时遥测值，并以滑动窗口长度为时间单位，将各项电气特征的实时遥测值按时间顺序组合为单位遥测值序列；
所述遥测特征数据包括每隔滑动窗口长度的时长中，采集到的各项电气特征的单位遥测值序列；
实时进行第一状态判断，生成第一状态标签的方式为：
为每项电气特征预设各项数理统计值的遥测值范围；需要说明的是，遥测值范围为基于实际经验或历史经验设置的在电路正常时，各项数理统计值的一个范围，例如，将过去正常状态下，电压平均值的最小值和最大值作为电压平均值的一个遥测值范围；
计算遥测特征数据中，每个电气特征的单位遥测值序列对应的各项数理统计值；
则所述第一状态判断的方式为：
将第一状态标签设置为正常；
若单位遥测值序列对应的所有数理统计值中，任意一项数理统计值超过了对应的遥测值范围，将第一状态标签设置为异常；
进行第二状态判断，生成第二状态标签的方式为：
将遥测特征数据中的所有单位遥测值序列输入至异常状态预测模型，获得输出的状态标签的预测值；
则进行第二状态判断的方式为：
若状态标签的预测值表示异常，将第二状态标签设置为异常；若状态标签的预测值表示正常，将第二状态标签设置为正常；
基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位的方式为：
将遥测特征数据中的各条单位遥测值序列对应的各项数理统计值组成的向量输入至异常设备定位模型的第一层中，获得第二层输出的各个待定位电气设备的异常概率；将输出的异常概率从大到小进行排序，即为异常设备的定位信息；实现了基于配电站所中电路的各项遥测值的表现，实现对电路故障的自动检测以及自动定位。
实施例2
如图2所示，配电站所终端遥测值异常检测***，包括训练数据收集模块、模型训练模块以及异常检测模块；其中，各个模块之间通过电性连接；
训练数据收集模块，用于收集配电站所布局数据，并基于配电站所布局数据，收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据，并将历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据发送至模型训练模块；
模型训练模块，用于以历史遥测特征数据为输入，以历史遥测状态标签数据为输出，训练预测配电站所是否异常的异常状态预测模型，将历史遥测特征数据转化为历史遥测统计特征数据，并以历史遥测统计特征数据为输入，以历史遥测异常定位数据为输出，训练对异常进行设备定位的异常设备定位模型，并将异常状态预测模型以及异常设备定位模型发送至异常检测模块；
异常检测模块，用于在异常状态预测模型和异常设备定位模型生成后，实时收集配电站所的遥测特征数据，预设遥测值范围集合，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签；若第一状态标签为异常，基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状态标签，若第二状态标签为异常，将遥测特征数据转换为遥测统计特征数据，基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位信息。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的配电站所终端遥测值异常检测方法。
根据本申请实施方式的方法或***也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的配电站所终端遥测值异常检测方法。配电站所终端遥测值异常检测方法可例如包括以下步骤：步骤一：收集配电站所布局数据，并基于配电站所布局数据，收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据；步骤二：以历史遥测特征数据为输入，以历史遥测状态标签数据为输出，训练预测配电站所是否异常的异常状态预测模型；步骤三：将历史遥测特征数据转化为历史遥测统计特征数据，并以历史遥测统计特征数据为输入，以历史遥测异常定位数据为输出，训练对异常进行设备定位的异常设备定位模型；步骤四：在异常状态预测模型和异常设备定位模型生成后，实时收集配电站所的遥测特征数据；步骤五：预设遥测值范围集合，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签；若第一状态标签为异常，转至步骤六，否则，继续进行第一状态判断；步骤六：基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状态标签，若第二状态标签为异常，转至步骤七，否则，转至步骤五；步骤七：将遥测特征数据转换为遥测统计特征数据，基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位信息。
进一步地，电子设备100还可包括用户界面108。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的配电站所终端遥测值异常检测方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
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 (1)
1.一种配电站所终端遥测值异常检测***，其基于一种配电站所终端遥测值异常检测方法实现，其特征在于，
所述配电站所终端遥测值异常检测方法，包括以下步骤：
步骤一：收集配电站所布局数据，并基于配电站所布局数据，收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据；
步骤二：以历史遥测特征数据为输入，以历史遥测状态标签数据为输出，训练预测配电站所是否异常的异常状态预测模型；
步骤三：将历史遥测特征数据转化为历史遥测统计特征数据，并以历史遥测统计特征数据为输入，以历史遥测异常定位数据为输出，训练对异常进行设备定位的异常设备定位模型；
步骤四：在异常状态预测模型和异常设备定位模型生成后，实时收集配电站所的遥测特征数据；
步骤五：预设遥测值范围集合，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签；若第一状态标签为异常，转至步骤六，否则，继续进行第一状态判断；
步骤六：基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状态标签，若第二状态标签为异常，转至步骤七，否则，转至步骤五；
步骤七：将遥测特征数据转换为遥测统计特征数；
所述收集配电站所布局数据的方式为：预先收集配电站所内所有待定位电气设备的位置和编号，所述配电站所布局数据包括每台待定位电气设备的编号与位置的对应关系；
所述收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据的方式为：收集配电站所中，每一时刻的各项电气特征的遥测值，并将遥测值按时间顺序排列为对应电气特征的遥测值序列；
将各项电气特征的遥测值序列按电路异常状态划分为正常遥测特征数据集合以及异常遥测特征数据集合；
为正常遥测特征数据集合中的每组正常遥测特征数据的状态标签设置为正常，为异常遥测特征数据集合中每组异常遥测特征数据的状态标签设置为异常；
所有正常遥测特征数据和异常遥测特征数据的状态标签组成历史遥测状态标签数据；
在异常遥测特征数据集合中，为每组异常遥测特征数据设置一组定位标签向量，所述定位标签向量的长度为所有待定位电气设备的数量，且每个元素对应一个待定位电气设备，每个元素值为0或1中的一个；
所有异常遥测特征数据的定位标签向量组成历史遥测异常定位数据；
所述划分为正常遥测特征数据集合以及异常遥测特征数据集合的方式为：在按时间顺序收集遥测值序列的过程中，将遥测值序列收集的开始时刻作为第0序列开始时刻；
若任意时刻中，任意的待定位电气设备发生异常，将该时刻作为第n序列开始时刻，将该待定位电气设备的异常修复完成的时刻作为第n序列结束时刻；其中，n为配电站所中按时间顺序，对出现待定位电气设备发生异常的事件设置的编号，且n>0；
将第0序列开始时刻至第1序列开始时刻的时间段内，各项电气特征的遥测值序列段组成一组正常遥测特征数据；所述遥测值序列段为遥测值序列中的一段遥测值子序列；
对于任意的n>0，将第n序列开始时刻至第n序列结束时刻的时间段内，各项电气特征的遥测值序列段组成一组异常遥测特征数据；
对于任意的n>0，将第n序列结束时刻至第n+1序列开始时刻的时间段内，各项电气特征的遥测值序列段组成一组正常遥测特征数据；
所有的正常遥测特征数据组成正常遥测特征数据集合；
所有的异常遥测特征数据组成异常遥测特征数据集合；
所述训练预测配电站所是否异常的异常状态预测模型的方式为：使用预设的滑动步长以及滑动窗口长度，使用滑动窗口方法将每组正常遥测特征数据和异常遥测特征数据分别转化为正样本集合和负样本集合，为正样本集合中的每条样本设置预测标签为0，为负样本集合中每条样本设置预测标签为1；
从正样本集合和负样本集合中分别随机选择M%的正样本和负样本作为训练样本，剩余的1-M%的正样本和负样本作为测试样本；
将每条训练样本作为异常状态预测模型的输入，将训练样本对应的预测标签作为异常状态预测模型的输出，对异常状态预测模型进行迭代训练，再通过使用测试样本集合验证异常状态预测模型的预测准确率，直至对测试样本集合的预测准确率达到预设的准确率阈值；
所述将历史遥测特征数据转化为历史遥测统计特征数据的方式为：对于历史遥测特征数据中的每组异常遥测特征数据，收集异常遥测特征数据中的每项电气特征的遥测值序列段的各项数理统计值；
对于每组异常遥测特征数据，将其各项电气特征的各项数理统计值组成一条遥测统计特征向量；
所有的遥测统计特征向量组成历史遥测统计特征数据；
所述训练对异常进行设备定位的异常设备定位模型的方式为：构建贝叶斯网络模型结构；
所述构建贝叶斯网络的方式为：
构造层数为2层的贝叶斯网络模型；
其中，将贝叶斯网络模型中第一层的节点数量设置为所有数理统计值的数量，每个节点对应于一项电气特征的数理统计值；
其中，将贝叶斯网络模型中第二层的节点数量设置为所有待定位电气设备的数量；
对于第一层中每个节点，具有一条有向边指向第二层中的任意一个节点；
将历史遥测统计特征数据中的每组遥测统计特征向量作为贝叶斯网络模型的第一层的输入，以第二层中每个节点作为输出节点，每个输出节点输出值的范围为[0，1]；将该组遥测统计特征向量对应的定位标签向量中每个待定位电气设备的定位标签作为预测目标，以最小化贝叶斯网络模型的预测值与预测目标之间的预测误差之和作为预测目标；对贝叶斯网络模型进行训练，直至预测误差之和达到收敛时停止训练；
所述异常设备定位模型为训练完成的所述贝叶斯网络模型；
所述实时收集配电站所的遥测特征数据的方式为：实时采集配电站所中各项电气特征的实时遥测值，并以滑动窗口长度为时间单位，将各项电气特征的实时遥测值按时间顺序组合为单位遥测值序列；所述电气特征包括配电站所与外部负荷连接的电路中的电压、电流、功率、频率以及谐波含量；
所述遥测特征数据包括每隔滑动窗口长度的时长中，采集到的各项电气特征的单位遥测值序列；
实时进行第一状态判断，生成第一状态标签的方式为：为每项电气特征预设各项数理统计值的遥测值范围；
计算遥测特征数据中，每个电气特征的单位遥测值序列对应的各项数理统计值；
则所述第一状态判断的方式为：
将第一状态标签设置为正常；
若单位遥测值序列对应的所有数理统计值中，任意一项数理统计值超过了对应的遥测值范围，将第一状态标签设置为异常；
进行第二状态判断，生成第二状态标签的方式为：将遥测特征数据中的所有单位遥测值序列输入至异常状态预测模型，获得输出的状态标签的预测值；
则进行第二状态判断的方式为：
若状态标签的预测值表示异常，将第二状态标签设置为异常；若状态标签的预测值表示正常，将第二状态标签设置为正常；
基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位的方式为：将遥测特征数据中的各条单位遥测值序列对应的各项数理统计值组成的向量输入至异常设备定位模型的第一层中，获得第二层输出的各个待定位电气设备的异常概率；将输出的异常概率从大到小进行排序，获得异常设备的定位信息；
所述配电站所终端遥测值异常检测***，包括训练数据收集模块、模型训练模块以及异常检测模块；其中，各个模块之间通过电性连接；
训练数据收集模块，用于收集配电站所布局数据，并基于配电站所布局数据，收集历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据，并将历史遥测特征数据、历史遥测状态标签数据以及历史遥测异常定位数据发送至模型训练模块；
模型训练模块，用于以历史遥测特征数据为输入，以历史遥测状态标签数据为输出，训练预测配电站所是否异常的异常状态预测模型，将历史遥测特征数据转化为历史遥测统计特征数据，并以历史遥测统计特征数据为输入，以历史遥测异常定位数据为输出，训练对异常进行设备定位的异常设备定位模型，并将异常状态预测模型以及异常设备定位模型发送至异常检测模块；
异常检测模块，用于在异常状态预测模型和异常设备定位模型生成后，实时收集配电站所的遥测特征数据，预设遥测值范围集合，基于遥测值范围集合和遥测特征数据，实时进行第一状态判断，生成第一状态标签；若第一状态标签为异常，基于遥测特征数据和异常状态预测模型，进行第二状态判断，生成第二状态标签，若第二状态标签为异常，将遥测特征数据转换为遥测统计特征数据，基于遥测统计特征数据和异常设备定位模型，输出异常设备的定位信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311294480.2A CN117031182B (zh) | 2023-10-09 | 2023-10-09 | 配电站所终端遥测值异常检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311294480.2A CN117031182B (zh) | 2023-10-09 | 2023-10-09 | 配电站所终端遥测值异常检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117031182A CN117031182A (zh) | 2023-11-10 |
| CN117031182B true CN117031182B (zh) | 2024-01-09 |
Family
ID=88630392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311294480.2A Active CN117031182B (zh) | 2023-10-09 | 2023-10-09 | 配电站所终端遥测值异常检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117031182B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574296B (zh) * | 2023-11-23 | 2024-04-23 | 清远市信和实业有限公司 | 电镀槽液流分布的检测***及其方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111537831A (zh) * | 2020-04-01 | 2020-08-14 | 华中科技大学鄂州工业技术研究院 | 一种配电网线路故障定位方法及装置 |
| CN114265010A (zh) * | 2021-11-10 | 2022-04-01 | 国网浙江省电力有限公司绍兴供电公司 | 基于麦克风阵列的变压器故障声源定位方法及*** |
| CN114363949A (zh) * | 2022-01-21 | 2022-04-15 | 杭州北斗时空研究院 | 一种用于uwb定位***的异常数据检测方法 |
| CN116184122A (zh) * | 2023-04-13 | 2023-05-30 | 国网重庆市电力公司电力科学研究院 | 一种故障装置定位方法、装置、设备及存储介质 |
-
2023
- 2023-10-09 CN CN202311294480.2A patent/CN117031182B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111537831A (zh) * | 2020-04-01 | 2020-08-14 | 华中科技大学鄂州工业技术研究院 | 一种配电网线路故障定位方法及装置 |
| CN114265010A (zh) * | 2021-11-10 | 2022-04-01 | 国网浙江省电力有限公司绍兴供电公司 | 基于麦克风阵列的变压器故障声源定位方法及*** |
| CN114363949A (zh) * | 2022-01-21 | 2022-04-15 | 杭州北斗时空研究院 | 一种用于uwb定位***的异常数据检测方法 |
| CN116184122A (zh) * | 2023-04-13 | 2023-05-30 | 国网重庆市电力公司电力科学研究院 | 一种故障装置定位方法、装置、设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于贝叶斯估计的配电网智能分布式故障区段定位算法;郑晨玲;朱革兰;;电网技术(第04期);1561~1567页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117031182A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117031182B (zh) | 配电站所终端遥测值异常检测方法及*** | |
| CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及*** | |
| CN108512222A (zh) | 一种智能变电站综合自动化*** | |
| CN115238831A (zh) | 故障预测方法、装置、计算机设备、存储介质和程序产品 | |
| CN117909906B (zh) | 基于预测模型的电力线路故障预测***及方法 | |
| CN103364669B (zh) | Gis设备运行状态在线检测方法与*** | |
| CN111583594B (zh) | 一种配电箱预警***及预警方法 | |
| CN115879040A (zh) | 电容器的故障预测方法、装置、电子设备及存储介质 | |
| CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
| CN116400165A (zh) | 一种智能电网故障监测方法及*** | |
| CN116298719A (zh) | 设备绝缘老化识别方法、装置、电子设备及存储介质 | |
| CN116086704A (zh) | 一种发电机封闭母线密封检测*** | |
| CN115372752A (zh) | 故障检测方法、装置、电子设备以及存储介质 | |
| CN113533891A (zh) | 一种故障诊断***及装置 | |
| CN113964935B (zh) | 一种配电自动化终端工厂化全闭环调试方法及其*** | |
| CN117872037B (zh) | 基于智慧开关的故障诊断方法、装置及配电网*** | |
| CN118091520B (zh) | 一种10us方波浪涌测试设备智能调控方法及*** | |
| CN115616437B (zh) | 一种epc特种电源的智能调测控制方法及*** | |
| CN103389448B (zh) | Gis设备运行状态在线检测方法与*** | |
| CN117375147B (zh) | 一种储能电站的安全监测预警与运行管理方法及*** | |
| US20230131038A1 (en) | Distribution grid failure symptom cause estimation system | |
| CN116228200A (zh) | 一种电力设备的运检管控方法及装置 | |
| CN114899938A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| Tao et al. | Transformer Fault Diagnosis Method via Approximation Relations in Approximation Space | |
| US20190326756A1 (en) | Microgrid gateway and control method thereof |
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 |