CN111242805B - 一种用电量增长率计算方法和装置 - Google Patents
一种用电量增长率计算方法和装置 Download PDFInfo
- Publication number
- CN111242805B CN111242805B CN202010020125.6A CN202010020125A CN111242805B CN 111242805 B CN111242805 B CN 111242805B CN 202010020125 A CN202010020125 A CN 202010020125A CN 111242805 B CN111242805 B CN 111242805B
- Authority
- CN
- China
- Prior art keywords
- air temperature
- temperature data
- calculating
- month
- evaluated
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 95
- 230000005611 electricity Effects 0.000 claims abstract description 110
- 230000035945 sensitivity Effects 0.000 claims abstract description 92
- 230000000875 corresponding effect Effects 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 59
- 238000000034 method Methods 0.000 claims description 27
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 230000007774 longterm Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000006872 improvement Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- 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
- 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"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明公开了一种用电量增长率计算方法,包括:获取待评估月份的目标气温数据序列和对应的历史气温数据序列;对目标气温数据序列进行分段线性拟合,得到最优拟合函数,并计算最优拟合函数在每一预设的温度区间内的气温负荷灵敏度,进而计算所述待评估月份的日气温影响量序列;根据所述日气温影响量序列和影响小时数计算所述待评估月份的总气温影响电量;通过去除总气温影响电量对实际用电量的影响,计算得到所述待评估月份实际的用电增长率。本发明还公开了对应的电量增长率计算装置。实施本发明实施例,能有效避免天气温度对用电量增长率计算准确性的影响,提高用电量增长率计算的准确性,提高电力系统的用电服务质量。
Description
技术领域
本发明涉及电力系统用电分析领域,尤其涉及一种用电量增长率计算方法和装置。
背景技术
现如今,各行各业的发展均离不开电力的支撑,电力系统的用电量增长率的计算对于电力系统规划、电力系统运行和电力市场等多个方面均有重大的影响,通过对用电量增长率的计算,可以更好地预测用电量需求,提高电力系统的用电服务质量和用电管理效率,保证电力系统的安全可靠运行。在现有技术中,通常采用统计每年同期的用电量的方法来计算用电量增长率。
然而,在实施本发明过程中,发明人发现现有技术至少存在如下问题:电力需求除了受到经济发展的影响及其行业自身周期性规律影响外,还受到其它外在因素的影响。例如,居民大功率耗电设备是制冷、取暖等设备,这些设备的使用与气温等气象要素密切相关,如果今年和去年同期的气温不一样,其用电量需求也必然不同,直接采用同期用电量来计算用电量增长率的方法显然无法很好地反映出实际用电增长率,进而影响电力系统对用电需求的合理预测和调度。
发明内容
本发明实施例的目的是提供一种用电量增长率计算方法和装置,其能有效避免天气温度对用电量增长率计算准确性的影响,提高用电量增长率计算的准确性,提高电力系统的用电服务质量。
为实现上述目的,本发明实施例提供了一种用电量增长率计算方法,包括:
获取待评估月份的目标气温数据序列,以及所述待评估月份在上一年的历史气温数据序列;
对所述目标气温数据序列进行分段线性拟合,得到最优拟合函数,并计算所述最优拟合函数在每一预设的温度区间内的气温负荷灵敏度;
根据所述目标气温数据序列、所述历史气温数据序列和每一温度区间内的气温负荷灵敏度,计算所述待评估月份的日气温影响量序列;
根据所述日气温影响量序列与影响小时数的乘积,得到日气温影响电量序列,以计算所述待评估月份的总气温影响电量;其中,所述影响小时数与日昼时长呈正相关;
计算所述待评估月份的实际用电量与所述总气温影响电量的差值占所述待评估月份在上一年的实际用电量的比值,得到所述待评估月份的用电量增长率。
作为上述方案的改进,所述对所述目标气温数据序列进行分段线性拟合,得到最优拟合函数,并计算所述最优拟合函数在每一预设的温度区间内的气温负荷灵敏度,具体包括:
将所述目标气温数据序列划分为预设的日期类型的气温数据序列;其中,所述预设的日期类型为工作日、节假日和双休日;
分别对每一所述日期类型的气温数据序列通过至少一个预设的拟合函数进行拟合,并根据拟合度R2检验法为每一日期类型的气温数据序列选取最优拟合函数;
通过以下计算公式,计算每一最优拟合函数在每一预设的温度区间内的气温负荷灵敏度:
其中,ts和te分别为每一所述预设的温度区间的起始温度和终止温度;f(ts)和f(te)分别为每一所述预设的温度区间的起始温度和终止温度根据所述最优拟合函数f(x)计算得到的负荷数据。
作为上述方案的改进,所述根据所述目标气温数据序列、所述历史气温数据序列和每一温度区间内的气温负荷灵敏度,计算所述待评估月份的日气温影响量序列,具体包括:
针对所述待评估月份中的每一日期,获取所述目标气温数据序列中的气温数据,以及所述历史气温数据序列中与所述气温数据同一日期的历史气温数据;
根据当前获取的气温数据的日期类型和温度区间,获取对应的气温负荷灵敏度,作为第一气温负荷灵敏度;
根据所述当前获取的气温数据对应的历史气温数据的日期类型和温度区间,获取对应的气温负荷灵敏度,作为第二气温负荷灵敏度;
根据所述当前获取的气温数据、对应的历史气温数据、所述第一气温负荷灵敏度和所述第二气温负荷灵敏度,计算当前日期的日气温影响量,以得到所述待评估月份的日气温影响量序列。
作为上述方案的改进,所述根据所述当前获取的气温数据、对应的历史气温数据、所述第一气温负荷灵敏度和所述第二气温负荷灵敏度,计算当前日期的日气温影响量,具体包括:
当所述当前获取的气温数据与对应的历史气温数据处于同一温度区间时,通过以下计算公式计算所述日气温影响量:
当所述当前获取的气温数据与对应的历史气温数据处于相邻的温度区间时,通过以下计算公式计算所述日气温影响量:
当所述当前获取的气温数据与对应的历史气温数据处于非相邻的温度区间时,通过以下计算公式计算所述日气温影响量:
其中,Pi为所述日气温影响量,为当前获取的第i天气温数据,/>为当前获取的第i天的气温数据对应的历史气温数据,/>为/>所在的温度区间对应的所述第一气温负荷灵敏度,/>为/>所在的温度区间对应的所述第二气温负荷灵敏度,/>为所述当前获取的气温数据/>所处的温度区间,/>为所述当前获取的气温数据对应的历史气温数据/>所处的温度区间,Have为/>到/>之间的所有温度区间对应的气温负荷灵敏度的平均值。
作为上述方案的改进,所述根据所述日气温影响量序列与影响小时数的乘积,得到日气温影响电量序列,以计算所述待评估月份的总气温影响电量,具体包括:
根据每一日期的日昼时长与预设系数的乘积,计算得到每一日期的影响小时数;
将所述日气温影响量序列中的每一日气温影响量,乘以对应日期的影响小时数,以得到所述日气温影响电量序列;
将所述日气温影响电量序列中的每一日气温影响电量相加,计算得到所述待评估月份的总气温影响电量。
作为上述方案的改进,所述计算所述待评估月份的实际用电量与所述总气温影响电量的差值占所述待评估月份在上一年的实际用电量的比值,得到所述待评估月份的用电量增长率,具体包括:
根据所述待评估月份的实际用电量Gp、所述总气温影响电量Gt和所述待评估月份在上一年的实际用电量Ga,通过以下计算公式计算所述待评估月份的用电量增长率:
作为上述方案的改进,所述获取待评估月份的目标气温数据序列,具体包括:
获取所述待评估月份的原始负荷数据序列;
利用时间序列理论,根据所述原始负荷数据序列计算气象负荷数据序列;
分别获取所述待评估月份的日最高气温的气温数据序列、日最低气温的气温数据序列和日平均气温的气温数据序列;
分别计算每一所述气温数据序列与所述气象负荷数据序列的关联性大小,得到气温与负荷相关系数;
获取最大的气温与负荷相关系数对应的气温数据序列,作为所述目标气温数据序列;
其中,所述分别计算每一所述气温数据序列与所述气象负荷数据序列的关联性大小,得到气温与负荷相关系数,具体包括:
根据每一所述气温数据序列与所述气象负荷数据序列,通过以下计算公式计算所述气温与负荷相关系数:
作为上述方案的改进,所述利用时间序列理论,根据所述原始负荷数据序列计算气象负荷数据序列,具体包括:
利用k期移动平均法对所述原始负荷数据序列进行预测,得到趋势循环分量序列;
对所述趋势循环分量序列进行线性拟合,计算得到长期趋势分量;
将所述趋势循环分量序列减去所述长期趋势分量,计算得到所述气象负荷数据序列。
本发明实施例还提供了一种用电量增长率计算装置,包括:气温数据获取模块、气温灵敏度计算模块、日气温影响量计算模块、总气温影响电量计算模块和用电量增长率计算模块;其中,
所述气温数据获取模块,用于获取待评估月份的目标气温数据序列,以及所述待评估月份在上一年的历史气温数据序列;
所述气温灵敏度计算模块,用于对所述目标气温数据序列进行分段线性拟合,得到最优拟合函数,并计算所述最优拟合函数在每一预设的温度区间内的气温负荷灵敏度;
所述日气温影响量计算模块,用于根据所述目标气温数据序列、所述历史气温数据序列和每一温度区间内的气温负荷灵敏度,计算所述待评估月份的日气温影响量序列;
所述总气温影响电量计算模块,用于根据所述日气温影响量序列与影响小时数的乘积,得到日气温影响电量序列,以计算所述待评估月份的总气温影响电量;其中,所述影响小时数与日昼时长呈正相关;
所述用电量增长率计算模块,用于计算所述待评估月份的实际用电量与所述总气温影响电量的差值占所述待评估月份在上一年的实际用电量的比值,得到所述待评估月份的用电量增长率。
本发明实施例还提供了一种用电量增长率计算装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的用电量增长率计算方法。
与现有技术相比,本发明公开的一种用电量增长率计算方法和装置,其通过评估气温数据与负荷的关联性大小,选取相关系数较大的气温数据序列作为待评估月份的目标气温数据序列;对所述目标气温数据序列划分为不同日期类型的气温负荷数据序列进行线性拟合,并计算每一拟合函数在预设的每一温度区间内的气温负荷灵敏度,进而计算所述目标气温数据序列中每一气温数据对应的日气温影响量。根据日气温影响量与影响小时数的乘积,得到日气温影响电量,从而计算得到待评估月份的总气温影响电量。通过去除总气温影响电量对实际用电量的影响,计算得到所述待评估月份实际的用电增长率。通过考虑不同日期类型和不同温度区间下实际用电量的变化,能有效避免气温对用电量增长率计算准确性的影响,提高用电量增长率计算的准确性,从而更好地预测用电量需求,进一步提高电力系统的用电服务质量,保证电力系统对用电需求的预测和调度的合理性。
附图说明
图1是本发明实施例一提供的一种用电量增长率计算方法的步骤流程示意图;
图2是本发明实施例一提供的一种用电量增长率计算方法中计算气温负荷灵敏度的步骤流程示意图;
图3是本发明实施例一提供的一种用电量增长率计算方法中计算日气温影响量序列的步骤流程示意图;
图4是本发明实施例一提供的一种用电量增长率计算方法中计算总气温影响电量的步骤流程示意图;
图5是本发明实施例二提供的一种用电量增长率计算方法中获取目标气温数据序列的步骤流程示意图;
图6是本发明实施例二提供的一种用电量增长率计算方法中计算气象负荷数据序列的步骤流程示意图;
图7是本发明实施例三提供的一种用电量增长率计算装置的结构示意图;
图8是本发明实施例四提供的另一种用电量增长率计算装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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。
参见图1,是本发明实施例一提供的一种用电量增长率计算方法的步骤流程示意图。本发明实施例一提供的用电量增长率计算方法,通过步骤S1至S5执行:
S1、获取待评估月份的目标气温数据序列,以及所述待评估月份在上一年的历史气温数据序列。
在一种实施方式中,通过预先设置气温数据管理装置对气温进行收集、处理和存储等操作。其中,通过气温数据观测站点对该地区的气温进行收集,包括收集该地区的日最高气温数据、日最低气温数据和日平均气温数据等,从而分别生成该地区每一月份的气温数据序列。气温数据处理装置根据预设的校准规则对收集到的气温数据序列进行校准,例如当某日的气温数据比前一日的气温数据相差大于20摄氏度时,则用该日前2日的气温数据的平均值代替该日气温数据,从而保证收集到的气温数据的合理性。通过气温数据存储装置存储经过所述气温处理装置校准后的该地区各年份各月份的气温数据序列。
进一步地,通过与所述气温数据管理装置连接,以获取当前所述待评估月份的日最高气温数据序列、日最低气温数据序列或日平均气温数据序列中任一气温数据序列作为所述待评估月份的目标数据序列。在一优选的实施方式中,通过预设算法分别计算日最高气温数据序列、日最低气温数据序列和日平均气温数据序列与所述待评估月份的负荷数据的关联性,获取其中关联性最大的气温数据序列,作为目标气温数据序列,从而更好地分析气温数据对负荷数据的影响情况。接着,通过所述气温数据管理装置,获取所述待评估月份在上一年时的历史气温数据序列。
S2、对所述目标气温数据序列进行分段线性拟合,得到最优拟合函数,并计算所述最优拟合函数在每一预设的温度区间内的气温负荷灵敏度。
具体地,参见图2,是本发明实施例一提供的一种用电量增长率计算方法中计算气温负荷灵敏度的步骤流程示意图。步骤S2通过步骤S21至S23执行:
S21、将所述目标气温数据序列划分为预设的日期类型的气温数据序列;其中,所述预设的日期类型为工作日、节假日和双休日。
将所述待评估月份中的每一日期按工作日、节假日和双休日进行划分,进而将所述目标气温数据序列对应划分为工作日气温数据序列、节假日气温数据序列和双休日气温数据序列。
S22、分别对每一所述日期类型的气温数据序列通过至少一个预设的拟合函数进行拟合,并根据拟合度R2检验法为每一日期类型的气温数据序列选取最优拟合函数。
通过预设的拟合函数分别对所述工作日气温数据序列、节假日气温数据序列和双休日气温数据序列进行拟合,其中,预设的拟合函数包括一次函数、二次函数、三次函数、指数函数、对数函数等,再针对每一气温数据序列,通过拟合度R2检验其中拟合效果最优的拟合函数作为对应的气温数据序列的最优拟合函数。
作为举例,针对工作日气温数据序列,分别通过一次函数、二次函数、三次函数、指数函数、对数函数等拟合函数进行拟合,根据拟合度R2选择拟合效果最优的拟合函数,作为所述工作日气温数据序列的最优拟合函数f1(x)。而针对节假日气温数据序列和双休日气温数据序列,也同样得到对应的最优拟合函数f2(x)和f3(x)。
S23、通过以下计算公式,计算每一最优拟合函数在每一预设的温度区间内的气温负荷灵敏度:
其中,ts和te分别为每一所述预设的温度区间的起始温度和终止温度;f(ts)和f(te)分别为每一所述预设的温度区间的起始温度和终止温度根据所述最优拟合函数f(x)计算得到的负荷数据。
预先对气温数据划分为不同的温度区间,并根据上述计算公式,计算最优拟合函数f1(x)、f2(x)和f3(x)在每一温度区间内的气温负荷灵敏度H(ts,te)。气温负荷灵敏度的计算单位为万千瓦/摄氏度。作为举例,预先划分出温度区间[25℃,30℃),[30℃,33℃),[33℃,35℃),[35℃,40℃)共4个温度区间,则工作日对应的最优拟合函数f1(x)在第一温度区间[25℃,30℃)上的气温负荷灵敏度为在第二温度区间[30℃,33℃)上的气温负荷灵敏度为H1(30,33),在第三温度区间[33℃,35℃)上的气温负荷灵敏度为H1(33,35),在第四温度区间[35℃,40℃)上的气温负荷灵敏度为H1(35,40)。同理,分别计算节假日对应的最优拟合函数f2(x)在预设的四个温度区间上的气温负荷灵敏度为H2(25,30)、H2(30,33)、H2(33,35)和H2(35,40);双休日对应的最优拟合函数f3(x)在预设的四个温度区间上的气温负荷灵敏度为H3(25,30)、H3(30,33)、H3(33,35)和H3(35,40)。而在温度小于25℃和大于等于40℃的温度区间,最优拟合函数对应的气温负荷灵敏度则设置为0。
可以理解地,上述温度区间的数值设置仅作为举例,在实际应用中,可以根据不同地区的气温数据跨度,对温度区间的数量和温度区间的数值进行调整,在此不做具体限定。
S3、根据所述目标气温数据序列、所述历史气温数据序列和每一温度区间内的气温负荷灵敏度,计算所述待评估月份的日气温影响量序列。
具体地,在计算所述待评估月份的日气温影响量序列之前,还包括:对所述目标气温数据序列、所述历史气温数据序列进行预处理,具体通过步骤S301至S303执行:
S301、判断所述待评估月份的季度;其中,所述季度分为夏秋季和春冬季。具体地,将5月至10月定义为夏秋季;将11月至12月、1月至4月定义为春冬季。
S302、当所述待评估月份为夏秋季时,去除所述目标气温数据序列中低于25摄氏度的气温数据,以更新所述目标气温数据序列;并将所述历史气温数据序列中低于25摄氏度的历史气温数据更新为25摄氏度,以更新所述历史气温数据序列;
S303、当所述待评估月份为春冬季时,去除所述目标气温数据序列中高于10摄氏度的气温数据,以更新所述目标气温数据序列;并将所述历史气温数据序列中高于10摄氏度的历史气温数据更新为10摄氏度,以更新所述历史气温数据序列。
当所述待评估月份为夏秋季时,若目标气温数据序列或历史气温数据序列中存在低于25℃的气温数据时,说明在气温低于25℃到25℃这一温度区间,受气温影响较大的空调降温负荷普遍还未开始运作,因此需要减去这一日期的气温影响。同理,当所述待评估月份为春冬季时,若目标气温数据序列或历史气温数据序列中存在高于10℃的气温数据时,说明在气温10℃到高于10℃这一温度区间,受气温影响较大的取暖升温负荷普遍还未开始运作,因此需要减去这一日期的气温影响。
具体地,参见图3,是本发明实施例一提供的一种用电量增长率计算方法中计算日气温影响量序列的步骤流程示意图。步骤S3通过步骤S31至S34执行:
S31、针对所述待评估月份中的每一日期,获取所述目标气温数据序列中的气温数据,以及所述历史气温数据序列中与所述气温数据同一日期的历史气温数据。
S32、根据当前获取的气温数据的日期类型和温度区间,获取对应的气温负荷灵敏度,作为第一气温负荷灵敏度。
S33、根据所述当前获取的气温数据对应的历史气温数据的日期类型和温度区间,获取对应的气温负荷灵敏度,作为第二气温负荷灵敏度。
具体地,对预处理后的所述待评估月份的目标气温数据序列和历史气温数据序列,依次获取同一日期下的气温数据和历史气温数据。例如,当所述待评估月份为10月时,在所述目标气温数据序列中获取10月1日对应的气温数据,并在所述历史气温数据序列中获取10月1日对应的历史气温数据(假设10月1日的气温数据大于等于25℃而未去除)。接着,判断10月1日为节假日,且气温数据处于[30℃,33℃)温度区间,则获取对应的气温负荷灵敏度H2(30,33)作为第一气温负荷灵敏度;同理,判断10月1日的历史气温数据的温度区间,获取第二气温负荷灵敏度。
S34、根据所述当前获取的气温数据、对应的历史气温数据、所述第一气温负荷灵敏度和所述第二气温负荷灵敏度,计算当前日期的日气温影响量,以得到所述待评估月份的日气温影响量序列。
具体地,当所述当前获取的气温数据与对应的历史气温数据处于同一温度区间时,所述第一气温负荷灵敏度等于所述第二气温负荷灵敏度,则通过以下计算公式计算所述日气温影响量:
当所述当前获取的气温数据与对应的历史气温数据处于相邻的温度区间时,通过以下计算公式计算所述日气温影响量:
当所述当前获取的气温数据与对应的历史气温数据处于非相邻的温度区间时,通过以下计算公式计算所述日气温影响量:
其中,Pi为所述日气温影响量,为当前获取的第i天气温数据,/>为当前获取第i天的气温数据对应的历史气温数据,/>为/>所在的温度区间对应的所述第一气温负荷灵敏度,/>为/>所在的温度区间对应的所述第二气温负荷灵敏度,/>为所述当前获取的气温数据/>所处的温度区间,/>为所述当前获取的气温数据对应的历史气温数据/>所处的温度区间,Have为/>到/>之间的所有温度区间对应的气温负荷灵敏度的平均值。i代表所述待评估月份中的第i天。
作为举例,当预先划分出温度区间[25℃,30℃),[30℃,33℃),[33℃,35℃),[35℃,40℃)共4个温度区间,计算得到节假日对应的最优拟合函数f2(x)在预设的四个温度区间上的气温负荷灵敏度H2(25,30)、H2(30,33)、H2(33,35)和H2(35,40)。当在所述目标气温数据序列中获取10月1日对应的气温数据后,判断10月1日为节假日,且气温数据处于[30℃,33℃)温度区间,则获取对应的气温负荷灵敏度H2(30,33)作为第一气温负荷灵敏度;在所述历史气温数据序列中获取10月1日对应的历史气温数据/>
在第二种情况下,当和/>处于相邻温度区间时,假设/>处于[33℃,35℃)温度区间,则对应的气温负荷灵敏度为H2(33,35),此时10月1日的日气温影响量P1=|30-30|×H2(30,33)+|35-34|×H2(33,35)。
在第三种情况下,当和/>处于非相邻温度区间时,假设/>处于[35℃,40℃)温度区间,则对应的气温负荷灵敏度为H2(35,40),此时10月1日的日气温影响量P1=|30-30|×H2(30,33)+|30-40|×Have+|40-37×H235,40;其中,
通过计算所述待评估月份中每一日期的日气温影响量Pi,以得到所述待评估月份的日气温影响量序列。
S4、根据所述日气温影响量序列与影响小时数的乘积,得到日气温影响电量序列,以计算所述待评估月份的总气温影响电量;其中,所述影响小时数与日昼时长呈正相关。
具体地,参见图4,是本发明实施例一提供的一种用电量增长率计算方法中计算总气温影响电量的步骤流程示意图。步骤S4通过步骤S41至S43执行:
S41、根据每一日期的日昼时长与预设系数的乘积,计算得到每一日期的影响小时数。
S42、将所述日气温影响量序列中的每一日气温影响量,乘以对应日期的影响小时数,以得到所述日气温影响电量序列。
S43、将所述日气温影响电量序列中的每一日气温影响电量相加,计算得到所述待评估月份的总气温影响电量。
所述影响小时数用于表示当日的气温影响量Pi对当日气温对用电量的影响时长,其根据当日的日昼时长与预设系数的乘积计算得到。日昼时长表示当日从日出时刻到日落时刻所经过的时间长度。具体地,第i天的日昼时长其中,/>为第i天日落时刻,/>为第i天日出时刻。
则第i天的影响小时数其中,μ为预设系数,其具体数值根据不同地区受气温影响的情况确定。在一种优选的实施方式中,当该地区的待评估月份的平均气温在33℃以上时,μ取1;平均气温处于30℃到33℃之间时,μ取0.9;平均气温处于25℃到30℃之间时,μ=1;平均气温在30℃到33℃时,μ取0.8。
S5、计算所述待评估月份的实际用电量与所述总气温影响电量的差值占所述待评估月份在上一年的实际用电量的比值,得到所述待评估月份的用电量增长率。
本发明实施例一提供的一种用电量增长率计算方法,其通过获取待评估月份的目标气温数据序列,对所述目标气温数据序列划分为不同日期类型的气温负荷数据序列进行线性拟合,并计算每一拟合函数在预设的每一温度区间内的气温负荷灵敏度,进而计算所述目标气温数据序列中每一气温数据对应的日气温影响量。根据日气温影响量与影响小时数的乘积,得到日气温影响电量,从而计算得到待评估月份的总气温影响电量。通过去除总气温影响电量对实际用电量的影响,计算得到所述待评估月份实际的用电增长率。本实施例通过考虑不同日期类型和不同温度区间下实际用电量的变化,能有效避免气温对用电量增长率计算准确性的影响,提高用电量增长率计算的准确性,从而更好地预测用电量需求,进一步提高电力系统的用电服务质量,保证电力系统对用电需求的预测和调度的合理性。
参见图5,是本发明实施例二提供的一种用电量增长率计算方法中获取目标气温数据序列的步骤流程示意图。本发明实施例二在实施例一的基础上进行实施,包括实施例一中的步骤S1至S5。具体地,步骤S1具体通过步骤S11至S15执行:
S11、获取所述待评估月份的原始负荷数据序列。
S12、利用时间序列理论,根据所述原始负荷数据序列计算气象负荷数据序列。
参见图6,是本发明实施例二提供的一种用电量增长率计算方法中计算气象负荷数据序列的步骤流程示意图。步骤S12通过步骤S121至S123执行:
S121、利用k期移动平均法对所述原始负荷数据序列进行预测,得到趋势循环分量序列。
具体地,通过以下计算公式,对原始负荷数据序列L进行k期移动平均,用以去掉以k为周期的波动分量,从而获得趋势循环分量序列TC:
其中,i=1,2,…,T-k+1,T为所述原始负荷数据序列长度,k为所述原始负荷数据序列变动周期,i为所述原始负荷数据序列中的第i个负荷数据。
作为优选的,所述原始负荷数据序列变动周期k取7或30。
S122、对所述趋势循环分量序列进行线性拟合,计算得到长期趋势分量。
具体地,通过以下计算公式,利用趋势循环分量序列TC对时间t拟合,求出长期趋势分量TM。
S123、将所述趋势循环分量序列减去所述长期趋势分量,计算得到所述气象负荷数据序列。
具体地,通过以下计算公式,用趋势循环分量序列TC减去长期趋势分量TM,得到所述气象负荷数据序列C,即:
C=TC-TM。
S13、分别获取所述待评估月份的日最高气温的气温数据序列、日最低气温的气温数据序列和日平均气温的气温数据序列。
S14、分别计算每一所述气温数据序列与所述气象负荷数据序列的关联性大小,得到气温与负荷相关系数。
具体地,根据每一所述气温数据序列与所述气象负荷数据序列,通过以下计算公式计算所述气温与负荷相关系数:
S15、获取最大的气温与负荷相关系数对应的气温数据序列,作为所述目标气温数据序列。
通过获取连接所述气温数据管理装置,获取所述待评估月份的最高气温的气温数据序列、日最低气温的气温数据序列和日平均气温的气温数据序列。并对获取到的三组气温数据序列分别求气温与负荷相关系数ρ,比较每一气温数据序列对应的气温与负荷相关系数ρ的大小,选取其中最大的ρ对应的气温数据序列,作为所述目标气温数据序列。选取与负荷数据相关性最大的气温数据序列进行分析和计算,能更好地分析气温数据对负荷数据的影响情况。
本发明实施例二提供的一种用电量增长率计算方法,其通过评估气温数据与负荷的关联性大小,选取相关系数较大的气温数据序列作为待评估月份的目标气温数据序列;对所述目标气温数据序列划分为不同日期类型的气温负荷数据序列进行线性拟合,并计算每一拟合函数在预设的每一温度区间内的气温负荷灵敏度,进而计算所述目标气温数据序列中每一气温数据对应的日气温影响量。根据日气温影响量与影响小时数的乘积,得到日气温影响电量,从而计算得到待评估月份的总气温影响电量。通过去除总气温影响电量对实际用电量的影响,计算得到所述待评估月份实际的用电增长率。通过考虑不同日期类型和不同温度区间下实际用电量的变化,能有效避免气温对用电量增长率计算准确性的影响,提高用电量增长率计算的准确性,从而更好地预测用电量需求,进一步提高电力系统的用电服务质量,保证电力系统对用电需求的预测和调度的合理性。
参见图7,是本发明实施例三提供的一种用电量增长率计算装置的结构示意图。本发明实施例三提供的用电量增长率计算装置30,包括:气温数据获取模块31、气温灵敏度计算模块32、日气温影响量计算模块33、总气温影响电量计算模块34和用电量增长率计算模块35;其中,
所述气温数据获取模块31,用于获取待评估月份的目标气温数据序列,以及所述待评估月份在上一年的历史气温数据序列;
所述气温灵敏度计算模块32,用于对所述目标气温数据序列进行分段线性拟合,得到最优拟合函数,并计算所述最优拟合函数在每一预设的温度区间内的气温负荷灵敏度;
所述日气温影响量计算模块33,用于根据所述目标气温数据序列、所述历史气温数据序列和每一温度区间内的气温负荷灵敏度,计算所述待评估月份的日气温影响量序列;
所述总气温影响电量计算模块34,用于根据所述日气温影响量序列与影响小时数的乘积,得到日气温影响电量序列,以计算所述待评估月份的总气温影响电量;其中,所述影响小时数与日昼时长呈正相关;
所述用电量增长率计算模块35,用于计算所述待评估月份的实际用电量与所述总气温影响电量的差值占所述待评估月份在上一年的实际用电量的比值,得到所述待评估月份的用电量增长率。
需要说明的是,本发明实施例提供的一种用电量增长率计算装置用于执行上述实施例一或实施例二中的一种用电量增长率计算方法的所有流程步骤,两者的工作原理和有益效果一一对应,因而不再赘述。
本发明实施例三提供的一种用电量增长率计算装置,其通过气温数据获取模块获取待评估月份的目标气温数据序列和对应的历史气温数据序列;气温灵敏度计算模块对所述目标气温数据序列划分为不同日期类型的气温负荷数据序列进行线性拟合,并计算每一拟合函数在预设的每一温度区间内的气温负荷灵敏度,进而通过日气温影响量计算模块计算所述目标气温数据序列中每一气温数据对应的日气温影响量。总气温影响电量计算模块根据日气温影响量与影响小时数的乘积,得到日气温影响电量,从而计算得到待评估月份的总气温影响电量。用电量增长率计算模块将实际用电量减去总气温影响电量,计算得到所述待评估月份实际的用电增长率。通过考虑不同日期类型和不同温度区间下实际用电量的变化,能有效避免气温对用电量增长率计算准确性的影响,提高用电量增长率计算的准确性,从而更好地预测用电量需求,进一步提高电力系统的用电服务质量,保证电力系统对用电需求的预测和调度的合理性。
参见图8,是本发明实施例四提供的另一种用电量增长率计算装置的结构示意图。本发明实施例四提供的用电量增长率计算装置40,包括处理器41、存储器42以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如实施例一或实施例二中任意一项所述的用电量增长率计算方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种用电量增长率计算方法,其特征在于,包括:
获取待评估月份的目标气温数据序列,以及所述待评估月份在上一年的历史气温数据序列;
对所述目标气温数据序列进行分段线性拟合,得到最优拟合函数,并计算所述最优拟合函数在每一预设的温度区间内的气温负荷灵敏度;
根据所述目标气温数据序列、所述历史气温数据序列和每一温度区间内的气温负荷灵敏度,计算所述待评估月份的日气温影响量序列;
根据所述日气温影响量序列与影响小时数的乘积,得到日气温影响电量序列,以计算所述待评估月份的总气温影响电量;其中,所述影响小时数与日昼时长呈正相关;
计算所述待评估月份的实际用电量与所述总气温影响电量的差值占所述待评估月份在上一年的实际用电量的比值,得到所述待评估月份的用电量增长率;
所述计算所述最优拟合函数在每一预设的温度区间内的气温负荷灵敏度,具体包括:
通过以下计算公式,计算每一最优拟合函数在每一预设的温度区间内的气温负荷灵敏度:
其中,ts和te分别为每一所述预设的温度区间的起始温度和终止温度;f(ts)和f(te)分别为每一所述预设的温度区间的起始温度和终止温度根据所述最优拟合函数f(x)计算得到的负荷数据;
所述根据所述目标气温数据序列、所述历史气温数据序列和每一温度区间内的气温负荷灵敏度,计算所述待评估月份的日气温影响量序列,具体包括:
针对所述待评估月份中的每一日期,获取所述目标气温数据序列中的气温数据,以及所述历史气温数据序列中与所述气温数据同一日期的历史气温数据;
根据当前获取的气温数据的日期类型和温度区间,获取对应的气温负荷灵敏度,作为第一气温负荷灵敏度;
根据所述当前获取的气温数据对应的历史气温数据的日期类型和温度区间,获取对应的气温负荷灵敏度,作为第二气温负荷灵敏度;
根据所述当前获取的气温数据、对应的历史气温数据、所述第一气温负荷灵敏度和所述第二气温负荷灵敏度,计算当前日期的日气温影响量,以得到所述待评估月份的日气温影响量序列。
2.如权利要求1所述的用电量增长率计算方法,其特征在于,所述对所述目标气温数据序列进行分段线性拟合,得到最优拟合函数,具体包括:
将所述目标气温数据序列划分为预设的日期类型的气温数据序列;其中,所述预设的日期类型为工作日、节假日和双休日;
分别对每一所述日期类型的气温数据序列通过至少一个预设的拟合函数进行拟合,并根据拟合度R2检验法为每一日期类型的气温数据序列选取最优拟合函数。
3.如权利要求1所述的用电量增长率计算方法,其特征在于,所述根据所述当前获取的气温数据、对应的历史气温数据、所述第一气温负荷灵敏度和所述第二气温负荷灵敏度,计算当前日期的日气温影响量,具体包括:
当所述当前获取的气温数据与对应的历史气温数据处于同一温度区间时,通过以下计算公式计算所述日气温影响量:
当所述当前获取的气温数据与对应的历史气温数据处于相邻的温度区间时,通过以下计算公式计算所述日气温影响量:
当所述当前获取的气温数据与对应的历史气温数据处于非相邻的温度区间时,通过以下计算公式计算所述日气温影响量:
4.如权利要求1至3任一项所述的用电量增长率计算方法,其特征在于,所述根据所述日气温影响量序列与影响小时数的乘积,得到日气温影响电量序列,以计算所述待评估月份的总气温影响电量,具体包括:
根据每一日期的日昼时长与预设系数的乘积,计算得到每一日期的影响小时数;
将所述日气温影响量序列中的每一日气温影响量,乘以对应日期的影响小时数,以得到所述日气温影响电量序列;
将所述日气温影响电量序列中的每一日气温影响电量相加,计算得到所述待评估月份的总气温影响电量。
6.如权利要求1所述的用电量增长率计算方法,其特征在于,所述获取待评估月份的目标气温数据序列,具体包括:
获取所述待评估月份的原始负荷数据序列;
利用时间序列理论,根据所述原始负荷数据序列计算气象负荷数据序列;
分别获取所述待评估月份的日最高气温的气温数据序列、日最低气温的气温数据序列和日平均气温的气温数据序列;
分别计算每一所述气温数据序列与所述气象负荷数据序列的关联性大小,得到气温与负荷相关系数;
获取最大的气温与负荷相关系数对应的气温数据序列,作为所述目标气温数据序列;
其中,所述分别计算每一所述气温数据序列与所述气象负荷数据序列的关联性大小,得到气温与负荷相关系数,具体包括:
根据每一所述气温数据序列与所述气象负荷数据序列,通过以下计算公式计算所述气温与负荷相关系数:
7.如权利要求6所述的用电量增长率计算方法,其特征在于,所述利用时间序列理论,根据所述原始负荷数据序列计算气象负荷数据序列,具体包括:
利用k期移动平均法对所述原始负荷数据序列进行预测,得到趋势循环分量序列;
对所述趋势循环分量序列进行线性拟合,计算得到长期趋势分量;
将所述趋势循环分量序列减去所述长期趋势分量,计算得到所述气象负荷数据序列。
8.一种用电量增长率计算装置,其特征在于,包括:气温数据获取模块、气温灵敏度计算模块、日气温影响量计算模块、总气温影响电量计算模块和用电量增长率计算模块;其中,
所述气温数据获取模块,用于获取待评估月份的目标气温数据序列,以及所述待评估月份在上一年的历史气温数据序列;
所述气温灵敏度计算模块,用于对所述目标气温数据序列进行分段线性拟合,得到最优拟合函数,并计算所述最优拟合函数在每一预设的温度区间内的气温负荷灵敏度;
所述日气温影响量计算模块,用于根据所述目标气温数据序列、所述历史气温数据序列和每一温度区间内的气温负荷灵敏度,计算所述待评估月份的日气温影响量序列;
所述总气温影响电量计算模块,用于根据所述日气温影响量序列与影响小时数的乘积,得到日气温影响电量序列,以计算所述待评估月份的总气温影响电量;其中,所述影响小时数与日昼时长呈正相关;
所述用电量增长率计算模块,用于计算所述待评估月份的实际用电量与所述总气温影响电量的差值占所述待评估月份在上一年的实际用电量的比值,得到所述待评估月份的用电量增长率;
所述计算所述最优拟合函数在每一预设的温度区间内的气温负荷灵敏度,具体包括:
通过以下计算公式,计算每一最优拟合函数在每一预设的温度区间内的气温负荷灵敏度:
其中,ts和te分别为每一所述预设的温度区间的起始温度和终止温度;f(ts)和f(te)分别为每一所述预设的温度区间的起始温度和终止温度根据所述最优拟合函数f(x)计算得到的负荷数据;
所述日气温影响量计算模块,具体用于:
针对所述待评估月份中的每一日期,获取所述目标气温数据序列中的气温数据,以及所述历史气温数据序列中与所述气温数据同一日期的历史气温数据;
根据当前获取的气温数据的日期类型和温度区间,获取对应的气温负荷灵敏度,作为第一气温负荷灵敏度;
根据所述当前获取的气温数据对应的历史气温数据的日期类型和温度区间,获取对应的气温负荷灵敏度,作为第二气温负荷灵敏度;
根据所述当前获取的气温数据、对应的历史气温数据、所述第一气温负荷灵敏度和所述第二气温负荷灵敏度,计算当前日期的日气温影响量,以得到所述待评估月份的日气温影响量序列。
9.一种用电量增长率计算装置,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的用电量增长率计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020125.6A CN111242805B (zh) | 2020-01-09 | 2020-01-09 | 一种用电量增长率计算方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020125.6A CN111242805B (zh) | 2020-01-09 | 2020-01-09 | 一种用电量增长率计算方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242805A CN111242805A (zh) | 2020-06-05 |
CN111242805B true CN111242805B (zh) | 2023-07-11 |
Family
ID=70874342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010020125.6A Active CN111242805B (zh) | 2020-01-09 | 2020-01-09 | 一种用电量增长率计算方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242805B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113819581B (zh) * | 2021-08-23 | 2022-11-18 | 广西电网有限责任公司电力科学研究院 | 一种夏季空调负荷容量及其气温灵敏性分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1080062A (ja) * | 1996-09-05 | 1998-03-24 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
CN104392274A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 |
CN105760947A (zh) * | 2016-02-02 | 2016-07-13 | 国网江苏省电力公司 | 一种分析气象环境对电网负荷的影响因素的方法 |
CN107273998A (zh) * | 2016-06-30 | 2017-10-20 | 国网江苏省电力公司南通供电公司 | 一种用于台区日用电量预测的气温修正方法 |
CN109299814A (zh) * | 2018-08-30 | 2019-02-01 | 国网江苏电力设计咨询有限公司 | 一种气象影响电量分解预测方法 |
-
2020
- 2020-01-09 CN CN202010020125.6A patent/CN111242805B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1080062A (ja) * | 1996-09-05 | 1998-03-24 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
CN104392274A (zh) * | 2014-10-29 | 2015-03-04 | 南京南瑞集团公司 | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 |
CN105760947A (zh) * | 2016-02-02 | 2016-07-13 | 国网江苏省电力公司 | 一种分析气象环境对电网负荷的影响因素的方法 |
CN107273998A (zh) * | 2016-06-30 | 2017-10-20 | 国网江苏省电力公司南通供电公司 | 一种用于台区日用电量预测的气温修正方法 |
CN109299814A (zh) * | 2018-08-30 | 2019-02-01 | 国网江苏电力设计咨询有限公司 | 一种气象影响电量分解预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111242805A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soldo et al. | Improving the residential natural gas consumption forecasting models by using solar radiation | |
CN111932402B (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
CN111611692B (zh) | 气候变化情景下基于等可靠度的设计洪水推求方法及系统 | |
Zhou et al. | A grey‐box model of next‐day building thermal load prediction for energy‐efficient control | |
KR101515003B1 (ko) | 일사량 예측방법 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN104598985A (zh) | 电力负荷预测方法 | |
JP6032486B2 (ja) | 電力管理システム、電力管理方法 | |
JP2013099143A (ja) | 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN111242805B (zh) | 一种用电量增长率计算方法和装置 | |
CN112819312A (zh) | 气候变化情景下干旱社会经济暴露度评估方法和系统 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
Bossmann et al. | The German load curve in 2050: structural changes through energy efficiency measures and their impacts on the electricity supply side | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN112926772A (zh) | 一种基于lstm-gpr混合模型的光能预测方法 | |
CN110414776B (zh) | 分行业用电特性快速响应分析系统 | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
CN110795698A (zh) | 一种夏季电量分析方法及可读存储介质 | |
Wilson et al. | Use of meteorological data for improved estimation of risk in capacity adequacy studies | |
CN110020409B (zh) | 基于自适应核密度估计算法的地面气温观测资料分析方法 | |
CN115438832A (zh) | 节假日期间燃气负荷预测方法及系统 | |
CN113626763A (zh) | 一种短期全网最大用电负荷预测方法及系统 | |
CN113947007A (zh) | 能源的负荷预测方法、装置及设备 |
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 |