CN109598386A - 一种基于深度学习的配网优化精准分析方法及系统 - Google Patents
一种基于深度学习的配网优化精准分析方法及系统 Download PDFInfo
- Publication number
- CN109598386A CN109598386A CN201811515090.2A CN201811515090A CN109598386A CN 109598386 A CN109598386 A CN 109598386A CN 201811515090 A CN201811515090 A CN 201811515090A CN 109598386 A CN109598386 A CN 109598386A
- Authority
- CN
- China
- Prior art keywords
- load
- distribution
- node
- data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 53
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title claims description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000012546 transfer Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000013136 deep learning model Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 32
- 240000002853 Nelumbo nucifera Species 0.000 claims description 16
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 16
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 241001123248 Arma Species 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 235000013305 food Nutrition 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的配网优化精准分析方法及系统，包括：建立配网设备台账系统，利用该系统实现对变电站、配电线路及支线的容量、负载信息进行记录；建立配网拓扑结构模型，根据配网设备台账系统中记录的配电网数据确定配电网设备之间的连接关系，实时的展示配电网的拓扑关系；根据配网拓扑结构模型生成的配网拓扑数据，显示线路的负荷数据，对拓扑的支路和节点属性进行试算，根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小；利用神经网络模型对负荷进行预测分析。本公开的技术方案整体上能够实现设备台账的管理、转供路径的规划及负荷的预测。
Description
技术领域
本公开涉及配网技术领域，特别是涉及一种基于深度学习的配网优化精准分析方法及系统。
背景技术
随着我国电力市场的放开，电力市场的竞争也越来越激烈，如何在市场中取得主动权，归根到底是电力客户的满意度，在电力客户体验中，电力的稳定性和质量是其重要指标。但从目前现状看，电力倒供时间过长，稳定性差影响了客户的体验。以临沂市城区为例，该配电网经过多年改造，已形成了一张庞大的众多线路间均可相互倒供的供电网络，一条线路最多可选择5条线路进行倒供。作为决策者在电力发生故障的情况下，如何在短时间内做出科学选择，如何确定哪条线路为负荷转移的最优路径至关重要，对于提高用户的供电可靠性也有着重要的现实意义。
同时电力负荷是电力系统的重要组成部分，电力负荷特性的分析对电力系统的试验研究、规划设计、运行和状态安全评估具有重要意义。负荷特性的分析能够帮助运行人员形成有效的信息，掌握负荷变化规律，指导负荷预测。然而，随着电力行业的技术进步和城市配网建设的快速发展，配电网的建设规模越来越大，网架结构越来越复杂，设备数量越来越多，对设备负荷分析的难度越来越大。
为此引发了本申请中的对配电网设备拓扑结构、负荷优化、精准分析、模拟仿真的研究。
发明内容
为了解决现有技术的不足，本公开提供了一种基于深度学习的配网优化精准分析方法，能够精确的规划出转供路径及可转供负荷的大小。
为了实现上述目的，本申请采用以下技术方案：
一种基于深度学习的配网优化精准分析方法，包括：
建立配网设备台账系统，利用该系统实现对变电站、配电线路及支线的容量、负载信息进行记录；
建立配网拓扑结构模型，根据配网设备台账系统中记录的配电网数据确定配电网设备之间的连接关系，实时的展示配电网的拓扑关系；
根据配网拓扑结构模型生成的配网拓扑数据，显示线路的负荷数据，对拓扑的支路和节点属性进行试算，根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小；
利用神经网络模型对负荷进行预测分析。
进一步的技术方案，所述配网设备台账系统中，首先采集配网设备基本数据，包括设备的容量、负载信息、电压等级、投运时间、上次校验时间、装置生产厂家；
将所有的配网设备的基本数据均传输至设备台账数据库进行存储，以表中表的形式体现；
结合用户的具体需求确定权限，并将级别相同的用户归为一组，对该组设定相应的密码。
上述技术方案中，配网设备台账系统，以表中表的形式体现，在查阅设备台账时，可方便快速地调阅到历史动作记录，使设备尽快投入运行；
结合用户的具体需求确定权限，并将级别相同的用户归为一组，对该组设定相应的密码，且密码只告知设备的负责人，从而确保数据库修改工作的规范性，保证其他部门的工作人员无法修改数据，此外，各项历史操作记录与实时用户信息也能够在系统内完美体现，电子记录的最大好处是不会丢失信息，需要注意的是，务必对各个电子文件进行备份。
进一步的技术方案，所述配网拓扑结构模型也可以实际运行的配网系统中设备之间的连接关系为基础，建立相应的拓扑关系。
进一步的技术方案，根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小，具体步骤为：
首先评估设备运行状态：采集已知设备运行数据，提取特征参数作为输入参数，对于每种运行状态类型特征设定类型标签，存入信息库；
搭建神经网络模型，利用人工蜂群算法优化模型参数，首先，初始化蜂群算法的参数，然后，初始化待优化个体，即极端学习机的输入权值和阈值，最后，根据预设的适应度函数进行寻优，获得最佳的模型参数，并保存最佳模型参数；
基于最佳模型参数，采集待识别的设备运行数据，提取特征参数，将待识别的放电特征参数输入搭建好的神经网络模型，进行识别，根据识别结果评估设备运行状态；
其中，设备运行状态包括：正常状态、不正常状态和故障状态；
当识别出的设备运行状态为正常状态时，分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小，并通过潮流计算检验所提出的转供路径及可转供负荷的大小能否满足各种运行方式的要求，若不满足要求，则重新规划转供路径及可转供负荷的大小直至满足电网各种运行方式的要求。
进一步的技术方案，蜂群算法优化极端学习机的输入权值及阈值的过程，其计算过程描述如下：
(1)根据输入节点个数和隐层节点个数确定每一个待优化个体的维数，应为(n+1)×m，其中n为输入节点个数，m为隐层节点个数；
(2)参数初始化，确定蜂群算法的参数，包括种群规模、最大迭代次数和终止条件；
(3)计算适应度值，计算每一个个体的适应度值，然后对适应度值排序，找出最优个体；
(4)优化算法迭代寻优，通过雇佣蜂和观望蜂的食物源采集学习过程，更新种群个体位置；如果没有达到终止条件，返回(3)继续寻优；否则，找到全局最优个体；
(5)寻优结束，保存最优个体值，即最优的输入权值和隐层阈值；
(6)将最优权阈值带入极端学习机中，求得最佳的输出权值矩阵，将计算得到的输出权值以及输入权值和隐层阈值作为最佳模型参数保存。
进一步的技术方案，利用神经网络模型对负荷进行预测分析的具体步骤为：
获取节点负荷历史数据，包括负荷母线上的再生能源实际出力以及节点实际负荷；
非参数估计拟合可再生能源出力曲线，还原限电状态下的可再生能源理论出力；
还原负荷调节状态下的节点理论负荷；
将节点理论负荷和可再生能源理论出力作为输入，实际节点负荷作为输出，训练神经网络；
得到源荷协同的节点总负荷预测模型；
基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测；
将前期预测结果输入到节点总负荷预测模型进行预测，得到最终的节点负荷预测值。
进一步优选的技术方案，非参数估计拟合可再生能源出力曲线，还原限电状态下的可再生能源理论出力时，具体公式为：
其中x为可再生能源实际出力影响因素，x′i为非限电状态下的可再生能源实际的历史样本数据，y为可再生能源的出力，y′l为可再生能源出力的历史样本数据，n为历史数据的样本数量，K(·)为核函数，h为核函数领域的带宽；
将限电状态下已知的可再生能源实际出力数据带入上式，可求得可再生能源限电状态下的理论出力。
进一步的技术方案，还原负荷调节状态下的节点理论负荷时，根据负荷调节指令数据剔除负荷调节时段的节点实际负荷数据，采用自回归移动平均模型还原负荷调节状态下的节点理论负荷，具体模型如下：
其中{Yt}为节点负荷的时间序列，{et}为均值是零且独立同分布的白噪声序列，p,q分别为时间序列的滞后阶次，φp,θq分别是模型的自回归和移动平均部分的系数；
将非负荷调节状态下的节点实际负荷历史样本数据带入上式可求得节点理论负荷。
进一步优选的技术方案，源荷协同的节点总负荷预测模型为：
Lr＝g(LAs,LBs)
其中g(·)是以神经网络模型形式表征源荷关联关系的函数，LBs为节点理论负荷，LAs为可再生能源限电状态下的理论出力，Lr为节点实际总负荷。
本公开的实施例子还提供了一种基于深度学习的配网优化精准分析系统，包括：
配网设备台账系统，利用该系统实现对变电站、配电线路及支线的容量、负载信息进行记录；
配网拓扑结构模型，根据配网设备台账系统中记录的配电网数据确定配电网设备之间的连接关系，实时的展示配电网的拓扑关系；
负荷转供模块，根据配网拓扑结构模型生成的配网拓扑数据，显示线路的负荷数据，对拓扑的支路和节点属性进行试算，根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小；
负荷预测模块，利用神经网络模型对负荷进行预测分析。
与现有技术相比，本公开的有益效果是：
1、建立设备基础台账，收集设备负荷数据，根据给定的配电网数据对配电网设备之间的连接关系进行分析，能够实时的形成配电网的拓扑关系。
2、在负荷预测上，充分利用了电力系统中不断发展、丰富的量测手段和数据，顺应未来能源互联网背景下电网节点源荷协同作用的必然趋势，为电力系统运行与调度提供更为可靠的决策依据。
3、在设备运行状态的识别上，该方法使极端学习机模型识别精度提高，泛化能力更强。
4、本公开的技术方案整体上能够实现设备台账的管理、转供路径的规划及负荷的预测。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开实施例子的流程示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本申请的一种典型的实施方式中，如图1所示，提供了一种基于深度学习的配网优化精准分析方法，建立配网设备台账系统，利用该系统实现对变电站、配电线路及支线的容量、负载信息进行记录；
建立配网拓扑结构模型，根据配网设备台账系统中记录的配电网数据确定配电网设备之间的连接关系，实时的展示配电网的拓扑关系；
根据配网拓扑结构模型生成的配网拓扑数据，显示线路的负荷数据，对拓扑的支路和节点属性进行试算，根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小；
利用神经网络模型对负荷进行预测分析。
所述配网设备台账系统中，首先采集配网设备基本数据，包括设备的容量、负载信息、电压等级、投运时间、上次校验时间、装置生产厂家；
将所有的配网设备的基本数据均传输至设备台账数据库进行存储，以表中表的形式体现；
结合用户的具体需求确定权限，并将级别相同的用户归为一组，对该组设定相应的密码。
上述技术方案中，配网设备台账系统，以表中表的形式体现，在查阅设备台账时，可方便快速地调阅到历史动作记录，使设备尽快投入运行；
结合用户的具体需求确定权限，并将级别相同的用户归为一组，对该组设定相应的密码，且密码只告知设备的负责人，从而确保数据库修改工作的规范性，保证其他部门的工作人员无法修改数据，此外，各项历史操作记录与实时用户信息也能够在系统内完美体现，电子记录的最大好处是不会丢失信息，需要注意的是，务必对各个电子文件进行备份。
所述配网拓扑结构模型也可以实际运行的配网系统中设备之间的连接关系为基础，建立相应的拓扑关系。
根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小，具体步骤为：
首先评估设备运行状态：采集已知设备运行数据，提取特征参数作为输入参数，对于每种运行状态类型特征设定类型标签，存入信息库；
搭建神经网络模型，利用人工蜂群算法优化模型参数，首先，初始化蜂群算法的参数，然后，初始化待优化个体，即极端学习机的输入权值和阈值，最后，根据预设的适应度函数进行寻优，获得最佳的模型参数，并保存最佳模型参数；
基于最佳模型参数，采集待识别的设备运行数据，提取特征参数，将待识别的放电特征参数输入搭建好的神经网络模型，进行识别，根据识别结果评估设备运行状态；
其中，设备运行状态包括：正常状态、不正常状态和故障状态；
当识别出的设备运行状态为正常状态时，分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小，并通过潮流计算检验所提出的转供路径及可转供负荷的大小能否满足各种运行方式的要求，若不满足要求，则重新规划转供路径及可转供负荷的大小直至满足电网各种运行方式的要求。
蜂群算法优化极端学习机的输入权值及阈值的过程，其计算过程描述如下：
(1)根据输入节点个数和隐层节点个数确定每一个待优化个体的维数，应为(n+1)×m，其中n为输入节点个数，m为隐层节点个数；
(2)参数初始化，确定蜂群算法的参数，包括种群规模、最大迭代次数和终止条件；
(3)计算适应度值，计算每一个个体的适应度值，然后对适应度值排序，找出最优个体；
(4)优化算法迭代寻优，通过雇佣蜂和观望蜂的食物源采集学习过程，更新种群个体位置；如果没有达到终止条件，返回(3)继续寻优；否则，找到全局最优个体；
(5)寻优结束，保存最优个体值，即最优的输入权值和隐层阈值；
(6)将最优权阈值带入极端学习机中，求得最佳的输出权值矩阵，将计算得到的输出权值以及输入权值和隐层阈值作为最佳模型参数保存。
利用神经网络模型对负荷进行预测分析的具体步骤为：
获取节点负荷历史数据，包括负荷母线上的再生能源实际出力以及节点实际负荷；
非参数估计拟合可再生能源出力曲线，还原限电状态下的可再生能源理论出力；
还原负荷调节状态下的节点理论负荷；
将节点理论负荷和可再生能源理论出力作为输入，实际节点负荷作为输出，训练神经网络；
得到源荷协同的节点总负荷预测模型；
基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测；
将前期预测结果输入到节点总负荷预测模型进行预测，得到最终的节点负荷预测值。
非参数估计拟合可再生能源出力曲线，还原限电状态下的可再生能源理论出力时，具体公式为：
其中x为可再生能源实际出力影响因素，x′i为非限电状态下的可再生能源实际的历史样本数据，y为可再生能源的出力，y′l为可再生能源出力的历史样本数据，n为历史数据的样本数量，K(·)为核函数，h为核函数领域的带宽；
将限电状态下已知的可再生能源实际出力数据带入上式，可求得可再生能源限电状态下的理论出力。
还原负荷调节状态下的节点理论负荷时，根据负荷调节指令数据剔除负荷调节时段的节点实际负荷数据，采用自回归移动平均模型还原负荷调节状态下的节点理论负荷，具体模型如下：
其中{Yt}为节点负荷的时间序列，{et}为均值是零且独立同分布的白噪声序列，p,q分别为时间序列的滞后阶次，φp,θq分别是模型的自回归和移动平均部分的系数；
将非负荷调节状态下的节点实际负荷历史样本数据带入上式可求得节点理论负荷。
源荷协同的节点总负荷预测模型为：
Lr＝g(LAs,LBs)
其中g(·)是以神经网络模型形式表征源荷关联关系的函数，LBs为节点理论负荷，LAs为可再生能源限电状态下的理论出力，Lr为节点实际总负荷。
传统的电力预测方法：传统的电力预测方法有两种：第一种是函数预测法，这种方法是利用简单的线性表达式和线性定义域来构建一个电力预测的函数关系。第二种是时间序列方法，这种方法是通过一段时间内的电力信息进行对比汇总，实现对未来电力变化进行预测，这段时间可以是一个月，一个季度，甚至是一年。
专家系统方法：由于专家经常研究电力负荷预测等相关的问题，他们本身具有的经验较多，电力公司可以将这些专家的经验和技术知识通过整理，用计算机语言表达出来，写成相应的专家预测软件。
小波分析法是现代分析学中最重要的成就之一，这种方法包括数值分析、函数分析、Fourier分析等。这种方法广泛应用于众多领域中，如模式识别、图像处理分析、信号处理等。近年来小波分析法受到了广泛的关注，针对负荷预测这一实际应用，可以将小波分析引入其中，对不同性质的负荷进行分类研究，在掌握其规律后选择最适合的预测方法，最终得到最理想负荷预测结果。
神经网络电力负荷预测方法，由于神经网络优点颇多，使得神经网络在各种领域中都有出色的表现。神经网络能够实现非线性的映射关系，并且能够模仿人脑有着很强的自适应能力，可以对实际问题进行无限的逼近。由于它适用于电力负荷预测，所以对基于神经网络的方法进行改进，将其应用到短期电力负荷预测中。
在另一实施例子中，针对负荷的预测，根据采样数据确定BP神经网络的参数，利用同一日期内不同时刻的历史数据预测下一时刻的负荷功率大小和利用不同日期同一时刻的历史数据预测下一日期该时刻负荷功率大小。
本公开的实施例子还提供了一种基于深度学习的配网优化精准分析系统，包括：
配网设备台账系统，利用该系统实现对变电站、配电线路及支线的容量、负载信息进行记录；
配网拓扑结构模型，根据配网设备台账系统中记录的配电网数据确定配电网设备之间的连接关系，实时的展示配电网的拓扑关系；
负荷转供模块，根据配网拓扑结构模型生成的配网拓扑数据，显示线路的负荷数据，对拓扑的支路和节点属性进行试算，根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小；
负荷预测模块，利用神经网络模型对负荷进行预测分析。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于深度学习的配网优化精准分析方法，其特征是，包括：
建立配网设备台账系统，利用该系统实现对变电站、配电线路及支线的容量、负载信息进行记录；
建立配网拓扑结构模型，根据配网设备台账系统中记录的配电网数据确定配电网设备之间的连接关系，实时的展示配电网的拓扑关系；
根据配网拓扑结构模型生成的配网拓扑数据，显示线路的负荷数据，对拓扑的支路和节点属性进行试算，根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小；
利用神经网络模型对负荷进行预测分析。
2.如权利要求1所述的一种基于深度学习的配网优化精准分析方法，其特征是，所述配网设备台账系统中，首先采集配网设备基本数据，包括设备的容量、负载信息、电压等级、投运时间、上次校验时间、装置生产厂家；
将所有的配网设备的基本数据均传输至设备台账数据库进行存储，以表中表的形式体现；
结合用户的具体需求确定权限，并将级别相同的用户归为一组，对该组设定相应的密码。
3.如权利要求1所述的一种基于深度学习的配网优化精准分析方法，其特征是，所述配网拓扑结构模型也可以实际运行的配网系统中设备之间的连接关系为基础，建立相应的拓扑关系。
4.如权利要求1所述的一种基于深度学习的配网优化精准分析方法，其特征是，根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小，具体步骤为：
首先评估设备运行状态：采集已知设备运行数据，提取特征参数作为输入参数，对于每种运行状态类型特征设定类型标签，存入信息库；
搭建神经网络模型，利用人工蜂群算法优化模型参数，首先，初始化蜂群算法的参数，然后，初始化待优化个体，即极端学习机的输入权值和阈值，最后，根据预设的适应度函数进行寻优，获得最佳的模型参数，并保存最佳模型参数；
基于最佳模型参数，采集待识别的设备运行数据，提取特征参数，将待识别的放电特征参数输入搭建好的神经网络模型，进行识别，根据识别结果评估设备运行状态；
其中，设备运行状态包括：正常状态、不正常状态和故障状态；
当识别出的设备运行状态为正常状态时，分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小，并通过潮流计算检验所提出的转供路径及可转供负荷的大小能否满足各种运行方式的要求，若不满足要求，则重新规划转供路径及可转供负荷的大小直至满足电网各种运行方式的要求。
5.如权利要求4所述的一种基于深度学习的配网优化精准分析方法，其特征是，蜂群算法优化极端学习机的输入权值及阈值的过程，其计算过程描述如下：
(1)根据输入节点个数和隐层节点个数确定每一个待优化个体的维数，应为(n+1)×m，其中n为输入节点个数，m为隐层节点个数；
(2)参数初始化，确定蜂群算法的参数，包括种群规模、最大迭代次数和终止条件；
(3)计算适应度值，计算每一个个体的适应度值，然后对适应度值排序，找出最优个体；
(4)优化算法迭代寻优，通过雇佣蜂和观望蜂的食物源采集学习过程，更新种群个体位置；如果没有达到终止条件，返回(3)继续寻优；否则，找到全局最优个体；
(5)寻优结束，保存最优个体值，即最优的输入权值和隐层阈值；
(6)将最优权阈值带入极端学习机中，求得最佳的输出权值矩阵，将计算得到的输出权值以及输入权值和隐层阈值作为最佳模型参数保存。
6.如权利要求1所述的一种基于深度学习的配网优化精准分析方法，其特征是，利用神经网络模型对负荷进行预测分析的具体步骤为：
获取节点负荷历史数据，包括负荷母线上的再生能源实际出力以及节点实际负荷；
非参数估计拟合可再生能源出力曲线，还原限电状态下的可再生能源理论出力；
还原负荷调节状态下的节点理论负荷；
将节点理论负荷和可再生能源理论出力作为输入，实际节点负荷作为输出，训练神经网络；
得到源荷协同的节点总负荷预测模型；
基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测；
将前期预测结果输入到节点总负荷预测模型进行预测，得到最终的节点负荷预测值。
7.如权利要求6所述的一种基于深度学习的配网优化精准分析方法，其特征是，非参数估计拟合可再生能源出力曲线，还原限电状态下的可再生能源理论出力时，具体公式为：
其中x为可再生能源实际出力影响因素，x′i为非限电状态下的可再生能源实际的历史样本数据，y为可再生能源的出力，y′i为可再生能源出力的历史样本数据，n为历史数据的样本数量，K(·)为核函数，h为核函数领域的带宽；
将限电状态下已知的可再生能源实际出力数据带入上式，可求得可再生能源限电状态下的理论出力。
8.如权利要求6所述的一种基于深度学习的配网优化精准分析方法，其特征是，还原负荷调节状态下的节点理论负荷时，根据负荷调节指令数据剔除负荷调节时段的节点实际负荷数据，采用自回归移动平均模型还原负荷调节状态下的节点理论负荷，具体模型如下：
其中{Yt}为节点负荷的时间序列，{et}为均值是零且独立同分布的白噪声序列，p,q分别为时间序列的滞后阶次，φp,θq分别是模型的自回归和移动平均部分的系数；
将非负荷调节状态下的节点实际负荷历史样本数据带入上式可求得节点理论负荷。
9.如权利要求6所述的一种基于深度学习的配网优化精准分析方法，其特征是，源荷协同的节点总负荷预测模型为：
Lr＝g(LAs,LBs)
其中g(·)是以神经网络模型形式表征源荷关联关系的函数，LBs为节点理论负荷，LAs为可再生能源限电状态下的理论出力，Lr为节点实际总负荷。
10.一种基于深度学习的配网优化精准分析系统，其特征是，包括：
配网设备台账系统，利用该系统实现对变电站、配电线路及支线的容量、负载信息进行记录；
配网拓扑结构模型，根据配网设备台账系统中记录的配电网数据确定配电网设备之间的连接关系，实时的展示配电网的拓扑关系；
负荷转供模块，根据配网拓扑结构模型生成的配网拓扑数据，显示线路的负荷数据，对拓扑的支路和节点属性进行试算，根据深度学习模型评估设备运行状态、分析线路的负荷转供大小及限流值，规划出转供路径及可转供负荷的大小；
负荷预测模块，利用神经网络模型对负荷进行预测分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811515090.2A CN109598386A (zh) | 2018-12-12 | 2018-12-12 | 一种基于深度学习的配网优化精准分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811515090.2A CN109598386A (zh) | 2018-12-12 | 2018-12-12 | 一种基于深度学习的配网优化精准分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109598386A true CN109598386A (zh) | 2019-04-09 |
Family
ID=65961674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811515090.2A Pending CN109598386A (zh) | 2018-12-12 | 2018-12-12 | 一种基于深度学习的配网优化精准分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109598386A (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210632A (zh) * | 2019-05-31 | 2019-09-06 | 国网河北省电力有限公司沧州供电分公司 | 基于泛在电力物联网的故障应急处理方法、装置及终端 |
| CN111262275A (zh) * | 2020-03-26 | 2020-06-09 | 西安电子科技大学 | 一种模拟空间太阳能电站的全局协同控制方法 |
| CN111428903A (zh) * | 2019-10-31 | 2020-07-17 | 国家电网有限公司 | 一种基于深度增强学习的可中断负荷优选方法 |
| CN111445119A (zh) * | 2020-03-24 | 2020-07-24 | 清华大学 | 配电设备运行状态关联关系在线检测方法及装置 |
| CN111860617A (zh) * | 2020-07-01 | 2020-10-30 | 国家电网有限公司 | 一种配电网综合优化运行方法 |
| CN112053086A (zh) * | 2020-09-18 | 2020-12-08 | 国网河南省电力公司濮阳供电公司 | 基于大数据电网运行诊断系统的工作方法 |
| CN112069639A (zh) * | 2020-09-09 | 2020-12-11 | 国网山东省电力公司威海供电公司 | 一种电力系统网架规划方法及系统 |
| CN112149347A (zh) * | 2020-09-16 | 2020-12-29 | 北京交通大学 | 基于深度强化学习的配电网负荷转供方法 |
| CN112180188A (zh) * | 2020-09-04 | 2021-01-05 | 国网江苏省电力有限公司电力科学研究院 | 一种基于机器学习的中压配网转供操作识别方法和装置 |
| CN112180197A (zh) * | 2020-10-12 | 2021-01-05 | 国网江苏省电力有限公司 | 一种辩识中压配网线路非正常运行方式的波形分析方法 |
| CN112542834A (zh) * | 2020-12-08 | 2021-03-23 | 中国科学院电工研究所 | 一种电网拓扑结构的控制系统及方法 |
| CN112561303A (zh) * | 2020-12-10 | 2021-03-26 | 清华大学 | 基于集成学习和电网拓扑变化的电力系统动态分析方法 |
| CN112633316A (zh) * | 2020-10-22 | 2021-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
| CN113065218A (zh) * | 2021-05-13 | 2021-07-02 | 南京工程学院 | 考虑lr攻击的电力系统可靠性评估方法、装置及系统 |
| CN113191069A (zh) * | 2021-03-19 | 2021-07-30 | 国网江苏省电力有限公司 | 基于双分支深度学习模型的空调负荷估算方法与系统 |
| CN113313422A (zh) * | 2021-06-24 | 2021-08-27 | 广东电网有限责任公司 | 基于拓扑结构的配电网线路损耗计算方法及相关装置 |
| CN113469432A (zh) * | 2021-06-29 | 2021-10-01 | 海南电网有限责任公司三亚供电局 | 配网转供智能化分析辅助方法 |
| CN114329861A (zh) * | 2021-12-17 | 2022-04-12 | 重庆邮电大学 | 一种基于边际电价的配电网静态拓扑实现方法 |
| CN114697200A (zh) * | 2022-03-30 | 2022-07-01 | 合肥工业大学 | 一种5g配网分布式保护系统的保护装置配比优化方法 |
| CN115907113A (zh) * | 2022-11-09 | 2023-04-04 | 张锴锴 | 一种基于全局辨识的电力保障优化方法 |
| CN116937575A (zh) * | 2023-09-14 | 2023-10-24 | 济南高品伟业信息科技有限公司 | 一种网格系统用的能源监控管理系统 |
| CN117374977A (zh) * | 2023-12-07 | 2024-01-09 | 能拓能源股份有限公司 | 一种储能系统负荷预测及风险分析方法 |
| CN117559445A (zh) * | 2024-01-10 | 2024-02-13 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于电力流动与稳定性分析的配电管理方法及系统 |
| CN117910723A (zh) * | 2023-12-06 | 2024-04-19 | 深圳市广安电力设备有限公司 | 一种基于大数据的配电台区管理方法及系统 |
| CN117977590A (zh) * | 2024-04-02 | 2024-05-03 | 浙电(宁波北仑)智慧能源有限公司 | 一种源网荷储碳一体化配电网调度方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103138397A (zh) * | 2012-11-19 | 2013-06-05 | 江西省电力科学研究院 | 一种基于物联网技术的配网线路动态增容方法 |
| CN104299052A (zh) * | 2014-10-12 | 2015-01-21 | 刘岩 | 一种基于人工蜂群和神经网络的建筑能耗预测方法 |
| US20150058061A1 (en) * | 2013-08-26 | 2015-02-26 | Magdy Salama | Zonal energy management and optimization systems for smart grids applications |
| CN108985508A (zh) * | 2018-07-05 | 2018-12-11 | 国网山东省电力公司经济技术研究院 | 一种计及源荷协同的节点负荷预测方法 |
-
2018
- 2018-12-12 CN CN201811515090.2A patent/CN109598386A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103138397A (zh) * | 2012-11-19 | 2013-06-05 | 江西省电力科学研究院 | 一种基于物联网技术的配网线路动态增容方法 |
| US20150058061A1 (en) * | 2013-08-26 | 2015-02-26 | Magdy Salama | Zonal energy management and optimization systems for smart grids applications |
| CN104299052A (zh) * | 2014-10-12 | 2015-01-21 | 刘岩 | 一种基于人工蜂群和神经网络的建筑能耗预测方法 |
| CN108985508A (zh) * | 2018-07-05 | 2018-12-11 | 国网山东省电力公司经济技术研究院 | 一种计及源荷协同的节点负荷预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘光辉: "小波消噪和人工蜂群优化神经网络的建筑电气故障诊断", 《电气应用》 * |
| 史兴华: "《电网GIS及其应用》", 31 December 2010 * |
| 张书林: "基于深度学习的电力骨干通信网故障诊断研究", 《设计研究与应用》 * |
| 王维虎: "《数据库系统原理》", 30 September 2018 * |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210632A (zh) * | 2019-05-31 | 2019-09-06 | 国网河北省电力有限公司沧州供电分公司 | 基于泛在电力物联网的故障应急处理方法、装置及终端 |
| CN111428903A (zh) * | 2019-10-31 | 2020-07-17 | 国家电网有限公司 | 一种基于深度增强学习的可中断负荷优选方法 |
| CN111445119A (zh) * | 2020-03-24 | 2020-07-24 | 清华大学 | 配电设备运行状态关联关系在线检测方法及装置 |
| CN111262275B (zh) * | 2020-03-26 | 2023-02-24 | 西安电子科技大学 | 一种模拟空间太阳能电站的全局协同控制方法 |
| CN111262275A (zh) * | 2020-03-26 | 2020-06-09 | 西安电子科技大学 | 一种模拟空间太阳能电站的全局协同控制方法 |
| CN111860617A (zh) * | 2020-07-01 | 2020-10-30 | 国家电网有限公司 | 一种配电网综合优化运行方法 |
| CN112180188A (zh) * | 2020-09-04 | 2021-01-05 | 国网江苏省电力有限公司电力科学研究院 | 一种基于机器学习的中压配网转供操作识别方法和装置 |
| CN112180188B (zh) * | 2020-09-04 | 2023-10-24 | 国网江苏省电力有限公司电力科学研究院 | 一种基于机器学习的中压配网转供操作识别方法和装置 |
| CN112069639A (zh) * | 2020-09-09 | 2020-12-11 | 国网山东省电力公司威海供电公司 | 一种电力系统网架规划方法及系统 |
| CN112069639B (zh) * | 2020-09-09 | 2023-09-12 | 国网山东省电力公司威海供电公司 | 一种电力系统网架规划方法及系统 |
| CN112149347A (zh) * | 2020-09-16 | 2020-12-29 | 北京交通大学 | 基于深度强化学习的配电网负荷转供方法 |
| CN112149347B (zh) * | 2020-09-16 | 2023-12-26 | 北京交通大学 | 基于深度强化学习的配电网负荷转供方法 |
| CN112053086A (zh) * | 2020-09-18 | 2020-12-08 | 国网河南省电力公司濮阳供电公司 | 基于大数据电网运行诊断系统的工作方法 |
| CN112180197A (zh) * | 2020-10-12 | 2021-01-05 | 国网江苏省电力有限公司 | 一种辩识中压配网线路非正常运行方式的波形分析方法 |
| CN112633316B (zh) * | 2020-10-22 | 2023-06-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
| CN112633316A (zh) * | 2020-10-22 | 2021-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
| CN112542834B (zh) * | 2020-12-08 | 2022-07-19 | 中国科学院电工研究所 | 一种电网拓扑结构的控制系统及方法 |
| CN112542834A (zh) * | 2020-12-08 | 2021-03-23 | 中国科学院电工研究所 | 一种电网拓扑结构的控制系统及方法 |
| CN112561303A (zh) * | 2020-12-10 | 2021-03-26 | 清华大学 | 基于集成学习和电网拓扑变化的电力系统动态分析方法 |
| CN113191069A (zh) * | 2021-03-19 | 2021-07-30 | 国网江苏省电力有限公司 | 基于双分支深度学习模型的空调负荷估算方法与系统 |
| CN113065218B (zh) * | 2021-05-13 | 2024-02-13 | 南京工程学院 | 考虑lr攻击的电力系统可靠性评估方法、装置及系统 |
| CN113065218A (zh) * | 2021-05-13 | 2021-07-02 | 南京工程学院 | 考虑lr攻击的电力系统可靠性评估方法、装置及系统 |
| CN113313422B (zh) * | 2021-06-24 | 2023-03-14 | 广东电网有限责任公司 | 基于拓扑结构的配电网线路损耗计算方法及相关装置 |
| CN113313422A (zh) * | 2021-06-24 | 2021-08-27 | 广东电网有限责任公司 | 基于拓扑结构的配电网线路损耗计算方法及相关装置 |
| CN113469432A (zh) * | 2021-06-29 | 2021-10-01 | 海南电网有限责任公司三亚供电局 | 配网转供智能化分析辅助方法 |
| CN114329861A (zh) * | 2021-12-17 | 2022-04-12 | 重庆邮电大学 | 一种基于边际电价的配电网静态拓扑实现方法 |
| CN114329861B (zh) * | 2021-12-17 | 2024-03-22 | 重庆邮电大学 | 一种基于边际电价的配电网静态拓扑实现方法 |
| CN114697200A (zh) * | 2022-03-30 | 2022-07-01 | 合肥工业大学 | 一种5g配网分布式保护系统的保护装置配比优化方法 |
| CN115907113A (zh) * | 2022-11-09 | 2023-04-04 | 张锴锴 | 一种基于全局辨识的电力保障优化方法 |
| CN116937575A (zh) * | 2023-09-14 | 2023-10-24 | 济南高品伟业信息科技有限公司 | 一种网格系统用的能源监控管理系统 |
| CN117910723A (zh) * | 2023-12-06 | 2024-04-19 | 深圳市广安电力设备有限公司 | 一种基于大数据的配电台区管理方法及系统 |
| CN117374977A (zh) * | 2023-12-07 | 2024-01-09 | 能拓能源股份有限公司 | 一种储能系统负荷预测及风险分析方法 |
| CN117374977B (zh) * | 2023-12-07 | 2024-02-20 | 能拓能源股份有限公司 | 一种储能系统负荷预测及风险分析方法 |
| CN117559445A (zh) * | 2024-01-10 | 2024-02-13 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于电力流动与稳定性分析的配电管理方法及系统 |
| CN117559445B (zh) * | 2024-01-10 | 2024-03-26 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于电力流动与稳定性分析的配电管理方法及系统 |
| CN117977590A (zh) * | 2024-04-02 | 2024-05-03 | 浙电(宁波北仑)智慧能源有限公司 | 一种源网荷储碳一体化配电网调度方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109598386A (zh) | 一种基于深度学习的配网优化精准分析方法及系统 | |
| Hayati et al. | Artificial neural network approach for short term load forecasting for Illam region | |
| CN103324980B (zh) | 一种风电场风速预测方法 | |
| Pindoriya et al. | Composite reliability evaluation using Monte Carlo simulation and least squares support vector classifier | |
| Rejc et al. | Short-term transmission-loss forecast for the slovenian transmission power system based on a fuzzy-logic decision approach | |
| Huang et al. | Evolving wavelet-based networks for short-term load forecasting | |
| Niu et al. | Research on short-term power load time series forecasting model based on BP neural network | |
| Hong et al. | Artificial intelligence for load forecasting: history, illusions, and opportunities | |
| Mustapha et al. | Correlation and wavelet-based short-term load forecasting using anfis | |
| Niimura et al. | A day-ahead electricity price prediction based on a fuzzy-neuro autoregressive model in a deregulated electricity market | |
| CN111489038B (zh) | 一种提升风电场超短期功率预测准确率的方法 | |
| Ghofrani et al. | Hybrid clustering-time series-bayesian neural network short-term load forecasting method | |
| CN106845711A (zh) | 供电可靠性数据的处理方法及处理装置 | |
| Wang et al. | The application of forecasting algorithms on electric vehicle power load | |
| CN111784019A (zh) | 电力负荷处理方法和装置 | |
| CN114240069A (zh) | 一种基于回归学习与特征挖掘的电网在线风险计算方法 | |
| Tasre et al. | Hourly load forecasting using artificial neural network for a small area | |
| Lu et al. | A real-time adaptive forecasting algorithm for electric power load | |
| Chaturvedi et al. | Improved generalized neuron model for short-term load forecasting | |
| Zhu et al. | Wind power prediction based on the chaos theory and the GABP neural network | |
| Jiahui et al. | Short-term load forecasting based on GA-PSO optimized extreme learning machine | |
| Wang et al. | An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search | |
| CN118157162B (zh) | 基于神经网络的新型电力系统等效惯量评估方法及装置 | |
| Niimura et al. | Machine learning approach to power system dynamic security analysis | |
| Wu et al. | User-Adjustable Capability Mining Technology Based on Improved PSO and LSTM Model |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190409 |