CN112287773A - 一种基于卷积神经网络的一次接线图图元识别方法 - Google Patents

一种基于卷积神经网络的一次接线图图元识别方法 Download PDF

Info

Publication number
CN112287773A
CN112287773A CN202011080157.1A CN202011080157A CN112287773A CN 112287773 A CN112287773 A CN 112287773A CN 202011080157 A CN202011080157 A CN 202011080157A CN 112287773 A CN112287773 A CN 112287773A
Authority
CN
China
Prior art keywords
primitive
neural network
wiring diagram
training
primary wiring
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
CN202011080157.1A
Other languages
English (en)
Inventor
刘进峰
郭兆丰
金石
陈莉娟
王昊
汪燚春
齐玉商
邓捷
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.)
Hubei Central China Technology Development Of Electric Power Co ltd
Shanghai Boban Data Technology Co ltd
State Grid Corp of China SGCC
State Grid Hubei Electric Power Co Ltd
Jingmen Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
Hubei Central China Technology Development Of Electric Power Co ltd
Shanghai Boban Data Technology Co ltd
State Grid Corp of China SGCC
State Grid Hubei Electric Power Co Ltd
Jingmen Power Supply Co of State Grid Hubei 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 Hubei Central China Technology Development Of Electric Power Co ltd, Shanghai Boban Data Technology Co ltd, State Grid Corp of China SGCC, State Grid Hubei Electric Power Co Ltd, Jingmen Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical Hubei Central China Technology Development Of Electric Power Co ltd
Priority to CN202011080157.1A priority Critical patent/CN112287773A/zh
Publication of CN112287773A publication Critical patent/CN112287773A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于卷积神经网络的一次接线图图元识别方法，包括以下步骤：(1)从一次接线图训练集图片中截取图元图形文件，处理后构建图元训练集；(2)将所述图元训练集通过卷积神经网络训练生成图元识别模型；(3)通过所述图元识别模型对输入一次接线图进行图元识别。本发明将神经网络技术和图像识别技术应用于配网及厂站一次接线图，提出一种基于卷积神经网络的一次接线图图元识别方法，实现厂站接线图的自动学习、识别，提高系统建设效率，减少人工工作，为后续实现拓扑模型的智能化处理，确保信息交互的一致性奠定基础。

Description

一种基于卷积神经网络的一次接线图图元识别方法
技术领域
本发明涉及图像识别技术领域，具体是一种基于卷积神经网络的一次接线图图元识别方法。
背景技术
随着电力系统的发展，配电网的拓扑结构越来越复杂，变化更新的频率也越来越快。以往配电网和厂站一次接线图大多依靠人力绘制，由绘图人员根据基础档案数据和拓扑结构，借助AUTOCAD和SCADA图形编辑系统等工具将接线图绘制出来。随着电网的发展，电力系统软件和设备的更新频次越来越快，单纯依靠维护人员作图维护系统，就会跟不上系统更新的节奏。
发明内容
本发明的目的在于提供一种基于卷积神经网络的一次接线图图元识别方法，自动识别一次接线图图像中的图元设备，为后续拓扑模型建立和设备关联自动化奠定基础。
为实现上述目的，本发明提供一种基于卷积神经网络的一次接线图图元识别方法，包括如下步骤：
(1)从一次接线图训练集图片中截取图元图形文件，处理后构建图元训练集；
(2)将所述图元训练集通过卷积神经网络训练生成图元识别模型；
(3)通过所述图元识别模型对输入一次接线图进行图元识别。
进一步的，步骤(1)具体包括以下步骤：
(1.1)从一次接线图训练集图片中截取相关类别图元的部分存成图元图形文件；
(1.2)对图元图形文件进行拉伸、缩小、旋转、腐蚀、裁剪操作，为每一个类型的图元生成8个方向和腐蚀拉伸后的图片，每一个图元共生成40个图例；
(1.3)根据设备类型与图元关系，形成用于训练所需的图元库；
(1.4)从图元库中读取训练所需的图元图形文件，创建电气设备图元识别所需的图元训练集。
进一步的，在步骤(1.1)中，相关类别图元包括但不限于：三卷变压器、两卷变压器、自耦变压器、刀闸、菱形刀闸、开关、接地刀闸、电容器、电抗器、互感器。
进一步的，在步骤(1.3)中，图元库支持动态增加图元和图元类型。
进一步的，步骤(2)具体包括以下步骤：
(2.1)生成训练集加载器，加载器通过训练集所在的地址下载压缩包；
(2.2)根据图元训练集名称生成特征集和标签集；其中特征集由压缩包内不同形态的设备图元图形文件组成，标签集对不同形态的设备图元图形文件标记为同一种设备类型；
(2.3)将图元特征集、标签集逐行对齐，构建训练所需的数据集；
(2.4)将图元图形文件像素值采用min-max scaling进行归一化，得到0～1之间浮点数据矩阵，生成训练数据集；
(2.5)通过卷积神经网络算法对步骤(2.4)所生成的训练数据集进行训练；
(2.6)输出图元分类结果，迭代调优；
(2.7)将本次训练过程迭代调优后的整个神经网络的拓扑结构保存为图元识别模型文件，保存并持续更新。
进一步的，在步骤(2.5)中，卷积神经网络结构设计为27层，分别为输入层、卷积层12层、池化层12层、全连接层、Softmax层和输出层，卷积层激活函数为ReLU，池化类型为最大池化，损失函数为负对数似然函数(Negative log-likelihood)。
进一步的，步骤(3)具体包括以下步骤：
(3.1)加载图元识别模型文件；
(3.2)将待识别的一次接线图载入神经网络，通过所述图元识别模型进行识别；
(3.3)按设备类型分类输出识别到的图元。
本发明将神经网络技术和图像识别技术应用于配网及厂站一次接线图，提出一种基于卷积神经网络的一次接线图图元识别方法，实现厂站接线图的自动学习、识别，提高系统建设效率，减少人工工作，为后续实现拓扑模型的智能化处理，确保信息交互的一致性奠定基础。
附图说明
图1是本发明基于卷积神经网络的一次接线图图元识别方法其中一个实施例的流程示意图；
图2是本发明实施例构建图元训练集的流程图；
图3是本发明实施例生成图元识别模型流程图；
图4是本发明实施例图元识别流程图；
图5是本发明实施例卷积神经网络的结构图；
图6是本发明实施例中待识别的一次接线图；
图7是本发明实施例按图元类型分类输出识别到的图元；
图8是图7的局部放大效果图；
图9是本发明实施例图元识别信息示意图；
图10是本发明实施例线路信息示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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的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。
请参阅图1，本发明实施例提供一种基于卷积神经网络的一次接线图图元识别方法，包括以下步骤：
1)从一次接线图训练集图片中截取图元图形文件，进行处理后构建图元训练集。
如图2所示，所述步骤1)具体包括以下步骤：
1.1)从一次接线图训练集图片中截取相关类别图元的部分存成图元图形文件；其中图元类型包括但不限于：三卷变压器、两卷变压器、自耦变压器、刀闸、菱形刀闸、开关、接地刀闸、电容器、电抗器、互感器。
设备类型、图元、图例对应关系表如表1所示：
表1设备、图元对应关系表；
Figure BDA0002718294050000041
Figure BDA0002718294050000051
1.2)对图元图形文件进行拉伸、缩小、旋转、腐蚀、裁剪操作，为每一个类型的图元生成8个方向和腐蚀拉伸后的图片，每一个图元共生成40个图例；
1.3)根据设备类型与图元关系，形成用于训练所需的图元库，其中图元库支持动态增加图元和图元类型。
1.4)从图元库中读取训练所需的图元图形文件，创建电气设备图元识别所需的训练集，其中电气设备图元训练集以压缩包文件的形式存储。
2)将所述图元训练集通过卷积神经网络训练生成图元识别模型。
如图3所示，所述步骤2)具体包括以下步骤：
2.1)生成训练集加载器，加载器通过训练集所在的地址下载压缩包；
2.2)根据图元训练集名称生成特征集和标签集；其中特征集由压缩包内不同形态的设备图元图形文件组成，标签集对不同形态的设备图元图形文件标记为同一种设备类型；
2.3)将图元特征集、标签集逐行对齐，构建训练所需的数据集；
2.4)将图片文件像素值采用min-max scaling进行归一化，得到0～1之间浮点数据矩阵，将图元特征集、标签集逐行对齐，构建训练所需的数据集；
2.5)通过卷积神经网络算法对步骤(2.4)所生成的训练数据集进行训练；其中，卷积神经网络结构设计为27层，分别为输入层，卷积层12层，池化层12层，全连接层，Softmax层和输出层，卷积神经网络的结构图如图5所示。卷积层激活函数为ReLU，池化类型为最大池化，损失函数为负对数似然函数(Negative log-likelihood)。
2.6)输出图元分类结果，迭代调优；
2.7)将本次训练过程迭代调优后的整个神经网络的拓扑结构保存为图元识别模型文件，保存并持续更新。
3)通过所述图元识别模型对输入一次接线图进行图元识别。
如图4所示，所述步骤(3)具体包括以下步骤：
3.1)加载模型文件；
3.2)将待识别的一次接线图，如图6所示，载入神经网络，通过所述图元识别模型对进行识别；
3.3)按图元类型分类输出识别到的图元。效果如图7所示，放大局部识别效果图如图8所示。图元识别信息如图9所示，每一行代表一个识别图元结果，每一行的前四个数据表示图元的坐标，第五个数据表示图元的类别，如：两卷变0，刀闸1，开关2，地刀3等等。线路信息如图10所示。每一行代表一条线段信息，从左往右，分别表示起点x坐标，起点y坐标，终点x坐标，终点y坐标，以及该条直线类型(0母线；1普通线路)。
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，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于卷积神经网络的一次接线图图元识别方法，其特征在于：包括如下步骤：
(1)从一次接线图训练集图片中截取图元图形文件，处理后构建图元训练集；
(2)将所述图元训练集通过卷积神经网络训练生成图元识别模型；
(3)通过所述图元识别模型对输入一次接线图进行图元识别。
2.如权利要求1所述的基于卷积神经网络的一次接线图图元识别方法，其特征在于：步骤(1)具体包括以下步骤：
(1.1)从一次接线图训练集图片中截取相关类别图元的部分存成图元图形文件；
(1.2)对图元图形文件进行拉伸、缩小、旋转、腐蚀、裁剪操作，为每一个类型的图元生成8个方向和腐蚀拉伸后的图片，每一个图元共生成40个图例；
(1.3)根据设备类型与图元关系，形成用于训练所需的图元库；
(1.4)从图元库中读取训练所需的图元图形文件，创建电气设备图元识别所需的图元训练集。
3.如权利要求2所述的基于卷积神经网络的一次接线图图元识别方法，其特征在于：在步骤(1.1)中，相关类别图元包括但不限于：三卷变压器、两卷变压器、自耦变压器、刀闸、菱形刀闸、开关、接地刀闸、电容器、电抗器、互感器。
4.如权利要求2所述的基于卷积神经网络的一次接线图图元识别方法，其特征在于：在步骤(1.3)中，图元库支持动态增加图元和图元类型。
5.如权利要求1所述的基于卷积神经网络的一次接线图图元识别方法，其特征在于：步骤(2)具体包括以下步骤：
(2.1)生成训练集加载器，加载器通过训练集所在的地址下载压缩包；
(2.2)根据图元训练集名称生成特征集和标签集；其中特征集由压缩包内不同形态的设备图元图形文件组成，标签集对不同形态的设备图元图形文件标记为同一种设备类型；
(2.3)将图元特征集、标签集逐行对齐，构建训练所需的数据集；
(2.4)将图元图形文件像素值采用min-max scaling进行归一化，得到0～1之间浮点数据矩阵，生成训练数据集；
(2.5)通过卷积神经网络算法对步骤(2.4)所生成的训练数据集进行训练；
(2.6)输出图元分类结果，迭代调优；
(2.7)将本次训练过程迭代调优后的整个神经网络的拓扑结构保存为图元识别模型文件，保存并持续更新。
6.如权利要求5所述的基于卷积神经网络的一次接线图图元识别方法，其特征在于：在步骤(2.5)中，卷积神经网络结构设计为27层，分别为输入层、卷积层12层、池化层12层、全连接层、Softmax层和输出层，卷积层激活函数为ReLU，池化类型为最大池化，损失函数为负对数似然函数。
7.如权利要求1所述的基于卷积神经网络的一次接线图图元识别方法，其特征在于：步骤(3)具体包括以下步骤：
(3.1)加载图元识别模型文件；
(3.2)将待识别的一次接线图载入神经网络，通过所述图元识别模型进行识别；
(3.3)按设备类型分类输出识别到的图元。
CN202011080157.1A 2020-10-10 2020-10-10 一种基于卷积神经网络的一次接线图图元识别方法 Pending CN112287773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011080157.1A CN112287773A (zh) 2020-10-10 2020-10-10 一种基于卷积神经网络的一次接线图图元识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011080157.1A CN112287773A (zh) 2020-10-10 2020-10-10 一种基于卷积神经网络的一次接线图图元识别方法

Publications (1)

Publication Number Publication Date
CN112287773A true CN112287773A (zh) 2021-01-29

Family

ID=74421854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011080157.1A Pending CN112287773A (zh) 2020-10-10 2020-10-10 一种基于卷积神经网络的一次接线图图元识别方法

Country Status (1)

Country Link
CN (1) CN112287773A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554012A (zh) * 2021-09-22 2021-10-26 江西博微新技术有限公司 三维工程中图元模型分类方法、系统、设备及存储介质
CN114821599A (zh) * 2022-04-21 2022-07-29 国网河南省电力公司电力科学研究院 识别电学绘图中特征图元的方法
CN114979184A (zh) * 2022-04-25 2022-08-30 佛山智优人科技有限公司 一种电气手工接线质量在线自动检查的方法及系统
CN116310765A (zh) * 2023-05-23 2023-06-23 华雁智能科技(集团)股份有限公司 一种电气接线图图元识别方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105820A (zh) * 2007-08-23 2008-01-16 上海交通大学 电网规划计算机辅助决策支持系统
CN101561830A (zh) * 2008-04-18 2009-10-21 北京数码大方科技有限公司 用于cad的尺寸标注方法和装置
CN102760186A (zh) * 2012-06-12 2012-10-31 中国电力科学研究院 一种智能变电站的矢量图形自动生成方法
CN103208857A (zh) * 2013-03-19 2013-07-17 国电南瑞科技股份有限公司 基于变电站svg一次接线图的五防闭锁拓扑分析方法
CN104133943A (zh) * 2014-07-08 2014-11-05 国家电网公司 基于目标导向的配网图形自动生成方法
CN106383958A (zh) * 2016-09-27 2017-02-08 国网四川省电力公司天府新区供电公司 一种变电站防误闭锁逻辑智能验收系统
CN110363698A (zh) * 2018-04-11 2019-10-22 英特尔Ip公司 用于压缩包围体层级结构（bvh）的叶节点的设备和方法
CN110765891A (zh) * 2019-09-30 2020-02-07 万翼科技有限公司 工程图纸识别方法、电子设备及相关产品
CN110853052A (zh) * 2019-10-25 2020-02-28 湖北民族大学 一种基于深度学习的土家织锦图案图元的分割方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101105820A (zh) * 2007-08-23 2008-01-16 上海交通大学 电网规划计算机辅助决策支持系统
CN101561830A (zh) * 2008-04-18 2009-10-21 北京数码大方科技有限公司 用于cad的尺寸标注方法和装置
CN102760186A (zh) * 2012-06-12 2012-10-31 中国电力科学研究院 一种智能变电站的矢量图形自动生成方法
CN103208857A (zh) * 2013-03-19 2013-07-17 国电南瑞科技股份有限公司 基于变电站svg一次接线图的五防闭锁拓扑分析方法
CN104133943A (zh) * 2014-07-08 2014-11-05 国家电网公司 基于目标导向的配网图形自动生成方法
CN106383958A (zh) * 2016-09-27 2017-02-08 国网四川省电力公司天府新区供电公司 一种变电站防误闭锁逻辑智能验收系统
CN110363698A (zh) * 2018-04-11 2019-10-22 英特尔Ip公司 用于压缩包围体层级结构（bvh）的叶节点的设备和方法
CN110765891A (zh) * 2019-09-30 2020-02-07 万翼科技有限公司 工程图纸识别方法、电子设备及相关产品
CN110853052A (zh) * 2019-10-25 2020-02-28 湖北民族大学 一种基于深度学习的土家织锦图案图元的分割方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554012A (zh) * 2021-09-22 2021-10-26 江西博微新技术有限公司 三维工程中图元模型分类方法、系统、设备及存储介质
CN114821599A (zh) * 2022-04-21 2022-07-29 国网河南省电力公司电力科学研究院 识别电学绘图中特征图元的方法
CN114979184A (zh) * 2022-04-25 2022-08-30 佛山智优人科技有限公司 一种电气手工接线质量在线自动检查的方法及系统
CN116310765A (zh) * 2023-05-23 2023-06-23 华雁智能科技(集团)股份有限公司 一种电气接线图图元识别方法
CN116310765B (zh) * 2023-05-23 2023-09-01 华雁智能科技(集团)股份有限公司 一种电气接线图图元识别方法

Similar Documents

Publication Publication Date Title
CN112287773A (zh) 一种基于卷积神经网络的一次接线图图元识别方法
CN106354976B (zh) 一种基于改进引力斥力模型的配电网单线图自动绘制方法
CN110880200A (zh) 基于三维重建技术的gim模型工程智能验收方法
CN110866320A (zh) 一种智能台区图形自动生成方法及系统
CN106910140B (zh) 一种基于svg格式电力系统接线图网络拓扑分析的方法
CN105204458A (zh) 一种智能组态方法
CN109871567B (zh) 光伏组件排布图纸的自动化生成方法
CN114332104B (zh) 电网输电场景rgb点云语义分割多阶段模型联合优化方法
CN114202027A (zh) 执行配置信息的生成方法、模型训练方法和装置
CN109274742A (zh) 一种物联网数据采集与监视控制系统
CN109086515B (zh) 基于svg的智能变电站ssd中一次设备绘图信息的建模方法
CN109830954A (zh) 适用于电网可视化仿真模型自动生成的拓扑分层识别方法
CN105550256A (zh) 一种面向电网规划的地理接线图自动抽稀方法
CN108563898B (zh) 一种人机交互式电网单线数字化建模方法
CN114996886A (zh) 多元数据融合的配网单线图成套化自动绘制系统及方法
CN116403235A (zh) 一种基于计算机视觉的电气接线图识别系统和方法
CN112632650B (zh) 一种非标防爆电器产品智能设计系统及方法
JPH05233770A (ja) 線画デ−タ検索方式
CN114676959A (zh) 一种配网图模管理方法及装置
CN115035032A (zh) 神经网络训练方法、相关方法、设备、终端及存储介质
CN115422628A (zh) 一种基于提资图的机电图纸绘制方法和系统
CN113609556A (zh) 一种基础c#的gim格式与xdb格式无损转换方法
CN112328538A (zh) 一种pms2.0图模文件导入方法
CN112487124A (zh) 一种使用VBA将CorelDraw地图中点状要素转换到SuperMap的方法
CN111949722A (zh) 一种基于Revit的BIM模型轻量化方法及系统

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