[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112288129A - 一种基于迁移学习和地基云图的超短期光伏功率预测模型 - Google Patents

一种基于迁移学习和地基云图的超短期光伏功率预测模型 Download PDF

Info

Publication number
CN112288129A
CN112288129A CN202010985645.0A CN202010985645A CN112288129A CN 112288129 A CN112288129 A CN 112288129A CN 202010985645 A CN202010985645 A CN 202010985645A CN 112288129 A CN112288129 A CN 112288129A
Authority
CN
China
Prior art keywords
photovoltaic power
cloud
power prediction
prediction model
cloud picture
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
Application number
CN202010985645.0A
Other languages
English (en)
Inventor
施光南
周关连
高捷
王建军
徐子博
金宏波
薄耀龙
周永智
韦巍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Shaoxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Shangyu Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Zhejiang University ZJU
Shaoxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Shangyu Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, Shaoxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd, Shangyu Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202010985645.0A priority Critical patent/CN112288129A/zh
Publication of CN112288129A publication Critical patent/CN112288129A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Astronomy & Astrophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于迁移学习和地基云图的光伏功率预测模型，包括：云图特征提取模块：由卷积神经网络ResNet组成，其输入为当前时刻的地基云图，输出为该云层分布所对应的数字向量，并将该数字向量作为云图特征向量；特征映射模块：由循环神经网络LSTM组成，其输入为云图特征向量与对应时刻环境因子拼接得到的特征向量，输出为未来某一时刻的光伏功率预测值。本发明将光伏功率预测与天空云图的移动和分布联系起来，可最大限度提取当前时刻的环境信息，解决光伏功率预测信息缺失问题，能够显著提高短期光伏功率预测精度。

Description

一种基于迁移学习和地基云图的超短期光伏功率预测模型
技术领域
本发明属于可再生新能源技术领域，具体涉及光伏功率预测技术。
背景技术
我国是人口大国，也是能源消费大国，在全球光伏产业中占有举足轻重的位置。我国有丰富的太阳能资源，全国各地太阳能资源按照辐射强度分为四大类地区，每年的太阳辐射总量达4200-6700MJ/m2。这些为我国发展光伏产业提供了优越的天然条件。浙江省属于三类地区，年平均日照为1000-2000小时。此外我国光伏发电产业链齐全，技术全面，为大力发展光伏产业提供了基础。
但是随着光伏发电在电网中的装机容量比例越来越重，给传统电网带来了严峻挑战，有效的光伏发电输出功率预测对电网的安全、稳定与经济运行十分重要。传统的光伏发电功率预测大多数是采用确定性估计方法，即只能够给决策者提供在下一时刻输出功率值，没有对其可靠性进行评估，然而光伏发电的不确定性与多变性，以及预测方法与气象等检测手段的局限性，使得光伏发电输出功率零误差预测十分困难。
发明内容
针对现有预测方法与气象等检测手段的局限性，本发明所要解决的技术问题就是提供一种基于迁移学习和地基云图的光伏功率预测模型，提高短期光伏功率预测精度。
为解决上述技术问题，本发明采用如下技术方案：
一种基于迁移学习和地基云图的光伏功率预测模型，包括：
云图特征提取模块：由卷积神经网络ResNet组成，其输入为当前时刻的地基云图，输出为该云层分布所对应的数字向量，并将该数字向量作为云图特征向量；
特征映射模块：由循环神经网络LSTM组成，其输入为云图特征向量与对应时刻环境因子拼接得到的特征向量，输出为未来某一时刻的光伏功率预测值。
优选的，输入的地基云图的大小为199x199，且包含了当前天空内20km以内的云层分布。
优选的，输入的地基云图的图片序列长度为10，且10张图片从左向右按照拍摄时间早晚排列。
优选的，对应时刻环境因子包括温度、湿度、压强、风速、地面辐射度。
优选的，该预测模型的预测时间为10分钟。
本发明采用的技术方案，将光伏功率预测与天空云图的移动和分布联系起来，可最大限度提取当前时刻的环境信息，解决光伏功率预测信息缺失问题，能够显著提高短期光伏功率预测精度。
由于图片的特征提取方法并非传统BRBG方法，使用了卷积神经网络ResNet，即使用了迁移学习的智能学习算法，增加了鲁棒性和准确性，显著提高地基云图的特征提取能力。
特征映射模块由循环神经网络LSTM组成，可通过深度学习模型权重调整训练层数，提高了可适用性。
本发明的具体技术方案及其有益效果将会在下面的具体实施方式中进行详细的说明。
附图说明
下面结合附图和具体实施方式对本发明作进一步描述：
图1为云层对光伏功率影响区域划分图；
图2为基于迁移学习的特征提取模块示意图；
图3a为特征向量映射模块示意图一；
图3b为特征向量映射模块示意图二；
图4为深度学习的模型训练和滚动优化示意图；
图5a为本发明与传统方法的光伏功率预测波形对比图(晴天)；
图5b为本发明与传统方法的光伏功率预测波形对比图(多云)；
图5c为本发明与传统方法的光伏功率预测波形对比图(阴天)。
具体实施方式
下面将结合本发明实施例对本发明技术方案进行清楚、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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于迁移学习和地基云图的光伏功率预测模型，包括：
云图特征提取模块：由卷积神经网络ResNet组成，其输入为当前时刻的地基云图，输出为该云层分布所对应的数字向量，作为云图特征向量；
该云层分布对应的数字向量为此云层在ResNet结构下的数据映射，是云层特征对应的抽象数据表示形式，输出形式为2048x1的数据格式，每一维的数据分布在0-1之间。
特征映射模块：由循环神经网络LSTM组成，其输入为云图特征向量与对应时刻环境因子拼接得到的特征向量，输出为未来某一时刻的光伏功率预测值。
优选的，输入的地基云图的大小为199x199，且包含了当前天空内20km以内的云层分布。输入的地基云图的图片序列长度为10，且10张图片从左向右按照拍摄时间早晚排列。对应时刻环境因子包括温度、湿度、压强、风速、地面辐射度。该预测模型的预测时间为10分钟。
图1为云层堆光伏功率影响区域划分结构，对于全天空云图的分析可以将其根据与太阳距离的不同划分不同距离，不同区域的云层信息对于最后的光伏功率的预测影响也不同。图1中的1-4区为核心区，对于当前光伏功率的影响也最为重要。5-8区为潜在信息区，该区存在着超短期预测和中期预测的潜在信息，如云块分类和具体分布，将对未来更长时间的光伏功率预测提供更为丰富的信息内容。
图2为基于迁移学习的特征提取模块，m×n conv，k表示为m×n维度的卷积神经网络，k表示当前卷积神经网络的深度，Pool表示为池化层。上述的卷积神经网络ResNet模型具体可以参考现有技术。
图3a和图3b为特征向量映射模块的结构示意图，图3a表示LSTM模型结构，输入信息从输入节点处获得，输出信息从输出节点处流出，同时隐含层参数在虚线所示流方式传播。图3b表示LSTM元胞结构，其中包含了输入门、输出门和遗忘门。神经元的状态是LSTM模型的核心结构。
图4中深度学习模型训练与滚动优化结构：
MLSTM表示LSTM的模型，即为光伏功率特征映射模型。
MCNN表示特征向量提取模型，{XT-10，XT-9，...，XT-2，XT-1}表示对应时间的图片序列。
上述的循环神经网络LSTM模型具体可以参考现有技术。
实施案例：在不同天气情况下的光伏功率预测对比。
原理分析：光伏电池是以半导体P-N结上接受光照产生光生伏打效应为基础，直接将光能转换为电能的能量转换器。当光照射到半导体光伏器件上时，在器件内产生电子-空穴对，在半导体内部P-N结附近产生的载流子没有被复合而能够到达空间电荷区，受内建电场吸引，电子流入N区，空穴流入P区，结果在N区储存了过剩的电子，P区有过剩的空穴。他们在P-N结附近形成与内建电场方向相反的光生电场。光生电场除了部分抵消势垒电场的作用外，还使P区带正电，N区带负电，在N区和P区之间的薄层就产生电动势。按照光生伏打效应得到的U-I特性用公式表示为：
Figure BDA0002689164500000051
式中：二极管用来表示P-N结特性；Rs和Rsh分别表示等效串联阻抗和并联阻抗；T表示电池温度；q为电子电量；A为无量纲的任意曲线拟合常数，取值范围为[1,2]，当光伏电池输出高电压时A＝1，当光伏电池输出低电压时A＝2；k为玻耳兹曼常数；Iph和Id分别为光生电池和流过二极管的反向饱和漏电流，其值随环境变化，需根据具体的光照强度和温度确定，其计算式分别为
Iph＝Isco[1+ht(T-Tref)]S/Sref (2)
Figure BDA0002689164500000052
式中：Isco是标准日照、标准温度时的短路电流；温度系数ht＝6.4x10-4K-1；T为光伏电池的温度；Tref是标准电池温度，通常取25℃；常数a1＝1.336x104；常数b1约为235；S为光照强度，Sref为标准光照强度，通常取1000MW/m2。按照公式表示，辐照度为影响光伏功率的最重要因素，可将天气类型分为晴天、多云和阴雨，在这不同类型下的光伏功率曲线会有很大区别。
实验结果：图5a、5b、5c为各天气类型的光伏功率预测值和真实值的表现。其中晴天模型中天空云量极少，占全天空领域的十分之一以下，天空中云层多为薄云且气象状态稳定，没有多次变化过程；多云模型中天空云覆盖面占天空十分之四到十分之八，天空中云层多为块状云和碎云，并随着时间有晴朗-多云的多次变化过程；阴天模型中天空中低云层总量大于95％，云层呈现灰色或黑色，比正常状况下要厚，且该情况持续时间从几小时到数天不等，短时间伴随有雨，且随着雨的持续天气情况会有所好转
综上所述，本发明是一种基于迁移学习和地基云图的超短期光伏功率预测方法，将光伏功率预测与天空云图的移动和分布联系起来，可解决大规模数据处理带来的系统延时问题；可解决传统历史数据预测方法带来的预测精度太低问题。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。

Claims (5)

1.一种基于迁移学习和地基云图的光伏功率预测模型，其特征在于包括：
云图特征提取模块：由卷积神经网络ResNet组成，其输入为当前时刻的地基云图，输出为该云层分布所对应的数字向量，并将该数字向量作为云图特征向量；特征映射模块：由循环神经网络LSTM组成，其输入为云图特征向量与对应时刻环境因子拼接得到的特征向量，输出为未来某一时刻的光伏功率预测值。
2.根据权利要求1所述的一种基于迁移学习和地基云图的光伏功率预测模型，其特征在于：输入的地基云图的大小为199x199，且包含了当前天空内20km以内的云层分布。
3.根据权利要求2所述的一种基于迁移学习和地基云图的光伏功率预测模型，其特征在于：输入的地基云图的图片序列长度为10，且10张图片从左向右按照拍摄时间早晚排列。
4.根据权利要求1所述的一种基于迁移学习和地基云图的光伏功率预测模型，其特征在于：对应时刻环境因子包括温度、湿度、压强、风速、地面辐射度。
5.根据权利要求1所述的一种基于迁移学习和地基云图的光伏功率预测模型，其特征在于：该预测模型的预测时间为10分钟。
CN202010985645.0A 2020-09-18 2020-09-18 一种基于迁移学习和地基云图的超短期光伏功率预测模型 Pending CN112288129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010985645.0A CN112288129A (zh) 2020-09-18 2020-09-18 一种基于迁移学习和地基云图的超短期光伏功率预测模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010985645.0A CN112288129A (zh) 2020-09-18 2020-09-18 一种基于迁移学习和地基云图的超短期光伏功率预测模型

Publications (1)

Publication Number Publication Date
CN112288129A true CN112288129A (zh) 2021-01-29

Family

ID=74420607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010985645.0A Pending CN112288129A (zh) 2020-09-18 2020-09-18 一种基于迁移学习和地基云图的超短期光伏功率预测模型

Country Status (1)

Country Link
CN (1) CN112288129A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435539A (zh) * 2021-07-21 2021-09-24 天津大学 基于深度学习的面向南极夜空云图的云量等级分类方法
CN114462723A (zh) * 2022-04-12 2022-05-10 南方电网数字电网研究院有限公司 基于高空风资源影响的云层迁移分钟级光伏功率预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103353952A (zh) * 2013-05-31 2013-10-16 国家电网公司 一种基于地基云图的光伏功率预测方法
CN104200484A (zh) * 2013-12-16 2014-12-10 浙江工业大学 基于云团特征分析的分布式光伏系统超短期出力预测方法
CN108229589A (zh) * 2018-02-09 2018-06-29 天津师范大学 一种基于迁移学习的地基云图分类方法
CN108280551A (zh) * 2018-02-02 2018-07-13 华北电力大学 一种利用长短期记忆网络的光伏发电功率预测方法
CN108388956A (zh) * 2018-01-18 2018-08-10 华北电力大学 考虑辐射衰减的光伏功率预测方法
CN110059878A (zh) * 2019-04-15 2019-07-26 中国计量大学 基于cnn lstm光伏发电功率预测模型及其构建方法
CN110070226A (zh) * 2019-04-24 2019-07-30 河海大学 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN110633862A (zh) * 2019-09-20 2019-12-31 旻投(上海)数据科技有限公司 一种基于卫星云图的光功率预测算法
CN111582555A (zh) * 2020-04-19 2020-08-25 天津大学 基于地基云图图像特征的光伏功率预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103353952A (zh) * 2013-05-31 2013-10-16 国家电网公司 一种基于地基云图的光伏功率预测方法
CN104200484A (zh) * 2013-12-16 2014-12-10 浙江工业大学 基于云团特征分析的分布式光伏系统超短期出力预测方法
CN108388956A (zh) * 2018-01-18 2018-08-10 华北电力大学 考虑辐射衰减的光伏功率预测方法
CN108280551A (zh) * 2018-02-02 2018-07-13 华北电力大学 一种利用长短期记忆网络的光伏发电功率预测方法
CN108229589A (zh) * 2018-02-09 2018-06-29 天津师范大学 一种基于迁移学习的地基云图分类方法
CN110059878A (zh) * 2019-04-15 2019-07-26 中国计量大学 基于cnn lstm光伏发电功率预测模型及其构建方法
CN110070226A (zh) * 2019-04-24 2019-07-30 河海大学 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN110633862A (zh) * 2019-09-20 2019-12-31 旻投(上海)数据科技有限公司 一种基于卫星云图的光功率预测算法
CN111582555A (zh) * 2020-04-19 2020-08-25 天津大学 基于地基云图图像特征的光伏功率预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CAI SHIBO ET AL: ""Convex decomposition of concave clouds for the ultra－short－term power prediction of distributed photovoltaic system"", 《HIGH TECHNOLOGY LETTERS》, vol. 22, no. 3, pages 305 - 312 *
陈志宝 等: ""基于地基云图的光伏功率超短期预测模型"", 《电力系统自动化》, vol. 37, no. 19, pages 20 - 25 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435539A (zh) * 2021-07-21 2021-09-24 天津大学 基于深度学习的面向南极夜空云图的云量等级分类方法
CN114462723A (zh) * 2022-04-12 2022-05-10 南方电网数字电网研究院有限公司 基于高空风资源影响的云层迁移分钟级光伏功率预测方法
CN114462723B (zh) * 2022-04-12 2022-07-29 南方电网数字电网研究院有限公司 基于高空风资源影响的云层迁移分钟级光伏功率预测方法

Similar Documents

Publication Publication Date Title
Verma et al. Data analysis to generate models based on neural network and regression for solar power generation forecasting
CN110334870B (zh) 基于门控循环单元网络的光伏电站短期功率预测方法
CN110533230B (zh) 一种光伏阵列辐照度传感器的位置优化方法
CN109034464A (zh) 一种短期光伏发电系统功率预测及结果校核的方法
CN110766134A (zh) 基于循环神经网络的光伏电站短期功率预测方法
Wang et al. Improved artificial neural network method for predicting photovoltaic output performance
CN112288129A (zh) 一种基于迁移学习和地基云图的超短期光伏功率预测模型
CN117374956A (zh) 一种针对综合能源站光伏发电的短期预测方法
CN110909310A (zh) 一种基于模型参数优化的光伏短期发电量预测方法及系统
CN117421971A (zh) 基于多任务渐进式学习的风-光-荷功率短期预测方法
CN111262275B (zh) 一种模拟空间太阳能电站的全局协同控制方法
Ghaitaoui et al. Study and Simulation of Self-supply of a Building by Photovoltaic Energy
Alanazi et al. Day-ahead solar forecasting based on multi-level solar measurements
Mohanty et al. Influence of wind speed on solar PV plant power production—prediction model using decision-based artificial neural network
CN117748444A (zh) 一种配电系统的运行模拟方法
Gupta et al. Artificial mountain ape optimization algorithm for maximum power point tracking under partial shading condition
Shi et al. Short-term photovoltaic power forecast based on long short-term memory network
Liu et al. Short-term photovoltaic power prediction based on bayesian regularized bp neural networks
Ramadan et al. Parameter extraction of three diode solar photovoltaic model using quantum manta ray foraging optimization algorithm
Xie et al. Ultra-short-term Forecasting Method of Photovoltaic Power Generation Based on Combined Deep Neural Network
Perveen et al. Short-term power prediction using ANN
Lai et al. Data analytics for solar energy in promoting smart cities
Mahmoud et al. Classification of solar variability using K-means method for the evaluation of solar photovoltaic systems performance
Kamono et al. Real time estimation of PV output in distribution systems based on smart meters and irradiance measurement
Shi et al. Influence of regional climate characteristics on short-term photovoltaic power prediction based on fuzzy c-means clustering and Neural Network

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