CN113094975B - 智能电网节点脆弱性的评估方法、系统、设备及存储介质 - Google Patents
智能电网节点脆弱性的评估方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN113094975B CN113094975B CN202110304069.3A CN202110304069A CN113094975B CN 113094975 B CN113094975 B CN 113094975B CN 202110304069 A CN202110304069 A CN 202110304069A CN 113094975 B CN113094975 B CN 113094975B
- Authority
- CN
- China
- Prior art keywords
- node
- power grid
- intelligent power
- network topology
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 79
- 238000012217 deletion Methods 0.000 claims abstract description 46
- 230000037430 deletion Effects 0.000 claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 28
- 238000012038 vulnerability analysis Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000010248 power generation Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 10
- 230000001419 dependent effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241000345822 Cylindera <genus> Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于智能电网安全领域，公开了一种智能电网节点脆弱性的评估方法、系统、设备及存储介质，包括：获取智能电网的网络拓扑；根据智能电网的网络拓扑，得到智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度；根据智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度，构建智能电网各节点的特征向量；将智能电网各节点的特征向量输入预设的基于机器学习分类器的脆弱性分析模型，得到智能电网各节点的脆弱性。对节点脆弱性的分析准确率大大提高，不再依赖于复杂的故障模型，具有很强的扩展性，降低计算复杂度。
Description
技术领域
本发明属于智能电网安全领域，涉及一种智能电网节点脆弱性的评估方法、系统、设备及存储介质。
背景技术
智能电网作为重要的基础设施之一，关系到国民生活、社会稳定与经济发展。随着信息和通信技术的发展,智能电网已逐渐成为电力系统与通信网络紧密结合的电力信息物理融合系统。
在带来大量经济效益的同时，智能电网也面临着日益增长的安全问题，现有研究提出的多种攻击手段已经证明，面对网络和物理攻击，智能电网较为脆弱，当节点发生故障或受攻击导致失效引发的级联故障，会导致电网大面积电力中断，给电网造成巨大损失。因此，分析智能电网节点的脆弱性，发现节点失效后破坏效果较大的节点，进而进行加固来提高智能电网的可靠性已成为保全电力系统安全的关键基础技术。
但是，现有智能电网节点脆弱性的分析方法，一部分往往局限于仅使用当前智能电网拓扑的信息进行节点脆弱性分析，分析时往往仅使用单一的特征，不能挖掘大量脆弱拓扑节点的共同特征，没有考虑到节点的局部拓扑结构，没有将电力系统的物理性质与电网拓扑的图性质结合，特征之间缺少交叉，准确率低。另一部分方法依赖于构建完整的故障物理模型，计算复杂度高，分析准确率低，并不能适用于快速准确分析智能电网节点脆弱性的需求。
发明内容
本发明的目的在于克服上述现有技术中，现有智能电网节点脆弱性的分析方法得到的节点脆弱性的准确率低的缺点，提供一种智能电网节点脆弱性的评估方法、系统、设备及存储介质。
为达到上述目的，本发明采用以下技术方案予以实现：
本发明第一方面，一种智能电网节点脆弱性的评估方法，包括以下步骤：
获取智能电网的网络拓扑；
根据智能电网的网络拓扑，得到智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度；
根据智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度，构建智能电网各节点的特征向量；
将智能电网各节点的特征向量输入预设的基于机器学习分类器的脆弱性分析模型，得到智能电网各节点的脆弱性。
本发明智能电网节点脆弱性的评估方法进一步的改进在于：
根据智能电网的网络拓扑，得到智能电网各节点的关联重要度的具体方法为：
根据智能电网的网络拓扑，通过下式得到智能电网各节点的关联重要度：
其中，CS(vi)为节点vi的关联重要度，Cs(vi)为节点vi的度，表示网络拓扑中与节点vi直接相连的节点的个数；n为网络拓扑中节点的总数；
根据智能电网的网络拓扑，得到智能电网各节点的位置重要度的具体方法为：
根据智能电网的网络拓扑，通过下式得到智能电网各节点的位置重要度：
其中，CP(vi)为节点vi的位置重要度，表示节点vi的紧密度；d(vij)为节点vi到节点vj之间最短路径的长度。
根据智能电网的网络拓扑，得到智能电网各节点的中介中心度的具体方法为：
根据智能电网的网络拓扑，通过下式得到智能电网各节点的中介中心度：
其中，CB(vi)为节点vi的中介中心度，σst为节点vs到节点vt间的最短路径的数量，σst(vi)为节点vs到节点vt间经过节点vi的最短路径数量。
根据智能电网的网络拓扑，得到智能电网各节点的节点删除法下的网络连通性损失的具体方法为：
根据智能电网的网络拓扑，通过下式得到智能电网各节点的节点删除法下的网络连通性损失：
其中，TLOS(vi)为节点vi的节点删除法下的网络连通性损失，DLOS(vi)为节点vi在节点删除法下网络连通性的直接损失，dij为节点vi到节点vj之间的距离，S为所有与节点vi连通的节点的集合；ILOS(vi)为节点vi在节点删除法下网络连通性的间接损失，/>dmn为节点vm到节点vn之间的距离，P为所有因删去节点vi后不再连通的节点对的集合；/>n为网络拓扑中节点的总数。
根据智能电网的网络拓扑，得到智能电网各节点的节点嵌入向量的具体方法为：
根据智能电网的网络拓扑，得到网络拓扑的邻接矩阵A和度矩阵D；
根据邻接矩阵A和度矩阵D，得到智能电网的网络拓扑的拉普拉斯矩阵L，以及拉普拉斯矩阵L的特征值Λ与特征向量U；
根据热核特征的谱分析方法，通过下式得到网络拓扑的谱图小波矩阵Ψ：
Ψ＝Ue-sΛUT
其中，谱图小波矩阵Ψ的第j列为Ψj，并与节点vj对应；
通过下式得到Ψj的特征函数φj(t)：
其中，N为网络拓扑的节点的数量，t为属于实数的特征函数自变量，i为虚数单位，e为自然常数，Ψmj为Ψ的第m行第j列；
对特征函数φj(t)进行预设次数的采样，得到节点vj的初始节点嵌入向量；
通过主成分分析方法对节点vj的初始节点嵌入向量进行降维至两维，得到节点vj的节点嵌入向量。
根据智能电网的网络拓扑，得到智能电网各节点的拓展中介中心度的具体方法为：
根据智能电网的网络拓扑，通过下式得到智能电网各节点的拓展中介中心度：
其中，T(vi)为节点vi的拓展中介中心度，G和D分别为网络拓扑内发电节点g和负载节点d的集合，为节点vi上的拓扑连边的集合；/>为从发电节点g注入且从负载节点d输出的最大流量，/>为拓扑连边l的能够输送的最大线路流量，NL为网络拓扑中线路的总数，/> 为单位功率从发电节点g注入且从负载节点d输出时拓扑连边l上功率的变化值，flg为发电节点g上有单位功率注入时拓扑连边l上功率的变化值，fld为负载节点d上有单位功率注入时拓扑连边l上功率的变化值。
所述基于机器学习分类器的脆弱性分析模型通过如下方式构建得到：
获取样本智能电网的网络拓扑；
根据样本智能电网的网络拓扑，得到样本智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度；
根据样本智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量以及拓展中介中心度，构建样本智能电网各节点的特征向量；
通过预设的级联故障仿真模型，模拟样本智能电网各节点失效后故障在样本智能电网的网络拓扑中的传播情况，得到样本智能电网各节点失效后样本智能电网的网络拓扑中损失的线路数量；
根据样本智能电网的各节点失效后样本智能电网的网络拓扑中损失的线路数量，得到样本智能电网各节点的脆弱性；
以样本智能电网各节点的脆弱性为标签，样本智能电网各节点的特征向量为输入，构建训练集和验证集；
通过训练集和验证集，训练并验证预设的机器学习分类器模型，得到基于机器学习分类器的脆弱性分析模型。
本发明第二方面，一种智能电网节点脆弱性确定系统，包括以下步骤：
电网拓扑获取模块，用于获取智能电网的网络拓扑；
参数计算模块，用于根据智能电网的网络拓扑，得到智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度；
特征向量构建模块，用于根据智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度，构建智能电网各节点的特征向量；
脆弱性确定模块，用于将各节点的特征向量输入预设的基于机器学习分类器的脆弱性分析模型，得到各节点的脆弱性。
本发明第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述智能电网节点脆弱性的评估方法的步骤。
本发明第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述智能电网节点脆弱性的评估方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明智能电网节点脆弱性的评估方法，通过计算网络拓扑节点的关联重要度、位置重要度以及中介中心度，通过这些属性信息反应出各节点在智能电网的网络拓扑中的差异，表现节点在网络拓扑中的位置特性，作为节点脆弱性的部分依据。同时，使用节点删除法计算节点损失后对于网络拓扑的网络连通性的影响，甄别出对于网络连通性有着重要和支配作用的节点，将节点失效导致的的网络连通性损失表征为一维特征反映节点的脆弱性。并结合智能电网各节点的节点嵌入向量以及拓展中介中心度，将智能电网的网络拓扑的电气特性与图论特性紧密结合，考虑节点以及线路的最大流量限制，使得该特征比纯粹的复杂网络的拓扑度量更能反应节点的脆弱性。最后，将这些特征组合构建智能电网各节点的特征向量，将智能电网各节点的特征向量输入预设的基于机器学习分类器的脆弱性分析模型，得到智能电网各节点的脆弱性。通过使用机器学习分类器学习大量节点特征与脆弱性之间的联系，相比现有方法的针对单一拓扑的分析更为全面和精确，对节点脆弱性的分析准确率大大提高，同时，不再依赖于复杂的故障模型，具有很强的扩展性，计算复杂度大大降低。
进一步的，计算智能电网各节点的节点嵌入向量时，使用节点嵌入向量的主成分分析，使用基于热核特征的节点嵌入方法，进而能较好的反应节点附近的局部拓扑结构，相似的结构在节点嵌入以及主成分分析后将会生成相似的特征向量，使用这样的嵌入方法生成特征使得节点特征向量包含了节点所在位置局部拓扑结构信息，有利于分类器学习到大量脆弱节点的相似结构，进而提升分析准确率。
附图说明
图1为本发明实施例的智能电网节点脆弱性的评估方法图；
图2为本发明实施例的节点删除法下网络连通性损失计算过程示意图；
图3为本发明实施例的节点嵌入向量计算过程示意图；
图4为本发明实施例的节点拓展中介中心度计算过程示意图；
图5为本发明实施例的节点失效引发的级联故障模型示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明一实施例中，提供一种智能电网节点脆弱性的评估方法，综合多种智能电网的网络拓扑特征，将电网物理特征与图论角度特征结合，使用节点嵌入方法分析节点的局部拓扑结构，通过基于机器学习分类器的脆弱性分析模型进行预测，不再依赖于复杂的级联故障物理模型，能够大幅度提高智能电网各节点的脆弱性的分析准确率。具体的，该智能电网节点脆弱性的评估方法包括以下步骤：
S1：获取智能电网的网络拓扑。
具体的，获取并根据智能电网的电力拓扑、发电功率、负载功率等参数对智能电网电力系统建模，获得智能电网的网络拓扑。智能电网的网络拓扑包括智能电网电力系统的静态参数以及动态参数。
S2：根据智能电网的网络拓扑，得到智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度。
首先，根据智能电网的网络拓扑，计算智能电网各节点的关联重要度。具体的，使用节点关联重要度描述网络拓扑中与该节点直接相连的节点的个数，通过下式得到智能电网各节点的关联重要度：
其中，CS(vi)为节点vi的关联重要度，Cs(vi)为节点vi的度，表示网络拓扑中与节点vi直接相连的节点的个数；n为网络拓扑中节点的总数。
根据智能电网的网络拓扑，计算智能电网各节点的位置重要度。具体的，使用位置重要度描述拓扑中节点在网络拓扑中的位置，通过下式得到智能电网各节点的位置重要度：
其中，CP(vi)为节点vi的位置重要度，表示节点vi的紧密度；d(vij)为节点vi到节点vj之间最短路径的长度。
根据智能电网的网络拓扑，计算智能电网各节点的中介中心度。具体的，使用中介中心度反映节点作为其他节点中介的次数，通过下式得到智能电网各节点的中介中心度：
其中，CB(vi)为节点vi的中介中心度，σst为节点vs到节点vt间的最短路径的数量，σst(vi)为节点vs到节点vt间经过节点vi的最短路径数量。
根据智能电网的网络拓扑，计算智能电网各节点的节点删除法下的网络连通性损失。具体的，参见图2，首先，计算各节点被删去时，被删节点与剩余节点不再联通对网络连通性造成的直接损失，具体的，计算网络拓扑中所有节点对之间的连通性，如连通则进一步通过迪杰斯特拉算法计算最短路径的长度即为节点间的距离，对于无向连通网络，当网络拓扑中的节点被删去后，首先节点不能与剩余节点相互连通，即为节点删除法下网络连通性的直接损失，标记为DLOS：
其中，DLOS(vi)为节点vi在节点删除法下网络连通性的直接损失，dij为节点vi到节点vj之间的距离，S为所有与节点vi连通的节点集合。
其次，计算各节点被删去时，剩余节点因被删节点本起到的桥梁作用的丧失而不再联通对网络连通性造成的间接损失，具体的，剩余节点中的部分节点之间的路径可能由于被删节点起到的中介作用被破坏而不再连通，即为节点删除法下网络连通性的间接损失，标记为ILOS：
其中，ILOS(vi)为节点vi在节点删除法下网络连通性的间接损失，dmn为节点vm到节点vn之间的距离，P为所有因删去节点vi后不再连通的节点对的集合。
为了将多个网络拓扑的节点能够相互比较，需要将计算结果归一化，消除拓扑规模的影响，定义节点删除法下网络连通性损失TLOS的最大值为：
其中，n为网络拓扑中节点的总数。
经过上述的分析，将直接损失与间接损失相加并归一化作为各节点在节点删除法下网络连通性的损失，即可通过下式得到智能电网各节点的节点删除法下的网络连通性损失：
其中，TLOS(vi)为节点vi的节点删除法下的网络连通性损失。
根据智能电网的网络拓扑，得到智能电网各节点的节点嵌入向量。具体的，参见图3，计算智能电网的网络拓扑各节点的节点嵌入向量经过主成分分析降维得到的二维向量。考虑节点的局部拓扑结构，脆弱性较强的节点往往具有相似的拓扑结构，使节点因故障或受攻击破坏后更容易将故障传播，导致较大的级联故障，使用节点嵌入的方法描述节点的局部拓扑结构，本实施例采用基于热核特征的嵌入方法进行节点嵌入，获取智能电网的网络拓扑的邻接矩阵A和度矩阵D。
其中，邻接矩阵A表示拓扑节点的相邻关系且具有如下性质：
度矩阵D是对角阵，对角上的元素为各个节点的度。根据邻接矩阵A和度矩阵D，通过下式：L＝D-A，得到智能电网的网络拓扑的拉普拉斯矩阵L，根据式L*U＝Λ*U，计算拉普拉斯矩阵L的特征值Λ与特征向量U。
根据热核特征的谱分析方法，节点的局部和全局属性可以由热量注入节点后在拓扑上的扩散情况表征。所以网络拓扑的谱图小波矩阵为：
Ψ＝Ue-sΛUT
其中，节点vj对应的列为Ψ的第j列，即为Ψj。将Ψj看成一组随机变量，求出其特征函数φj(t)：
其中，N为网络拓扑的节点的数量，t为属于实数的特征函数自变量，i为虚数单位，e为自然常数，Ψmj为Ψ的第m行第j列。
对特征函数φj(t)采样即可得到节点vj的嵌入向量，按照经验，本实施例中通过采样15次得到15维节点嵌入向量，再使用主成分分析方法(PCA)对每个节点嵌入向量进行降维，得到两维的点嵌入向量作为节点局部拓扑结构特征，得到各节点的节点嵌入向量。
最后，根据智能电网的网络拓扑，得到智能电网各节点的拓展中介中心度。具体的，参见图4，计算智能电网拓扑各节点的拓展中介中心度，首先要计算智能电网的网络拓扑的功率传输分布系数矩阵F；F是一个L*N的矩阵，L为网络拓扑的拓扑连边的数量，N为网络拓扑的节点的数量。
功率传输分布系数矩阵F中的元素flj为节点j上有单位功率注入时拓扑连边l上功率的变化，所以有：其中，/>指单位功率从发电节点g注入从负载节点d输出时连边l上功率的变化值，flg为发电节点g上有单位功率注入时拓扑连边l上功率的变化值，fld为负载节点d上有单位功率注入时拓扑连边l上功率的变化值。
在运行中为了保持稳定和安全，各输电线路都有线路流量限制Pmax。考虑到该流量限制的影响，定义从发电节点g注入且从负载节点d输出的最大流量为：
其中，为拓扑连边l的能够输送的最大线路流量，NL为网络拓扑中线路的总数。
进一步地，根据该最大流量，可以计算出节点vi的拓展中介中心度T(vi)为：
其中，G和D分别是发电节点g和负载节点d的集合，为节点vi上的拓扑连边的集合。
S3：根据智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度，构建智能电网各节点的特征向量。
具体的，将智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度进行组合，可以是随机组合或者按照预设形式的方式进行组合，得到智能电网各节点的特征向量。
S4：将智能电网各节点的特征向量输入预设的基于机器学习分类器的脆弱性分析模型，得到智能电网各节点的脆弱性。
具体的，将智能电网各节点的特征向量依次输入预设的基于机器学习分类器的脆弱性分析模型，得到智能电网各节点的脆弱性的标签，进而能够确定智能电网各节点的脆弱性。
其中，预设的基于机器学习分类器的脆弱性分析模型通过如下方式构建。
获取样本智能电网的网络拓扑。本实施例中，使用的样本智能电网为开源电力系统仿真工具包MATPOWER中提供的标准电网实例，但不以此为限制，其他的智能电网也可以作为样本智能电网。
根据样本智能电网的网络拓扑，得到样本智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度，根据样本智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量以及拓展中介中心度，构建样本智能电网各节点的特征向量，这里各参数的计算方法以及特征向量的组成，均与上述过程相同。
通过预设的级联故障仿真模型，模拟样本智能电网各节点失效后故障在样本智能电网的网络拓扑中的传播情况，得到样本智能电网各节点失效后样本智能电网的网络拓扑中损失的线路数量。具体的，本实施例中，根据电力系统物理约束对样本智能电网各节点失效导致的级联故障建模，得到级联故障仿真模型。根据级联故障仿真模型模拟样本智能电网各节点失效后故障在样本智能电网的网络拓扑中的传播情况，计算样本智能电网各节点失效后的线路损失数量，来衡量智能电网各节点的脆弱性。具体的，在节点失效后，智能电网将采取一系列动作恢复稳态，具体的，参见图5。首先根据智能电网当前网络拓扑各线路的通断情况检测网络拓扑是否存在孤岛。计算网络拓扑各部分是否达到稳态，没有达到稳态，由于负载不均衡导致时，则根据网络拓扑传输线路上的潮流与阈值的大小将进行发电与负载的再分配。具体的，发电再分配的具体方法为：计算当前网络拓扑总的发电功率与负载功率的比值，如果比值大于1，则按比例下调所有发电机的输出功率；如果比值小于1，则按比例上调发电机的功率，直到负载与发电功率平衡或发电机达到输出功率上限。负载再分配的具体方法为：如果发电再分配后发电与负载仍无法达到平衡，则按功率大小逐一切除。进而在这个过程中，得到网络拓扑中损失的线路数量。
根据样本智能电网的各节点失效后样本智能电网的网络拓扑中损失的线路数量，得到样本智能电网各节点的脆弱性。具体的，根据线路损失对各节点进行排序，根据节点所在的次序确定节点的脆弱性类别标签；具体的，根据级联故障模型可得到节点vi失效后会导致的线路损失数量lossi，将同一网络拓扑内所有节点按照线路损失分为三类，其中造成线路损失较大的、占节点总数33％的节点为脆弱节点，标签为1；其中造成线路损失较小的、占节点总数33％的节点为不脆弱节点，标签为2；剩余节点为普通节点，标签为3。即可获得所有样本智能电网拓扑节点的脆弱性标签。
以样本智能电网各节点的脆弱性为标签，样本智能电网各节点的特征向量为输入，构建训练集和验证集。具体的，将样本智能电网的网络拓扑的所有节点的特征向量作为数据集，按照9:1的比例分为训练集与验证集。
通过训练集和验证集，训练并验证预设的机器学习分类器模型，得到基于机器学习分类器的脆弱性分析模型。具体的，使用XGBoost机器学习分类器作为预设的机器学习分类器模型进行迭代训练，确定机器学习分类器模型的各参数，并在验证集上验证机器学习分类器模型效果，进而得到基于机器学习分类器的脆弱性分析模型。
为了证明本发明智能电网节点脆弱性的评估方法的效果，下用一个实例证明该技术方案的可行性。
选用MATPOWER开源电力系统仿真工具包提供的包括case30、case39、case57、case118、case247、case300及case2383在内的7个样本智能电网的网络拓扑所包括的超过3000个节点组成的数据集，按照9:1的比例分为训练集及验证集，训练集节点标签总数为3类，按照级联故障下节点造成的线路损失数量给出，使用XGBoost机器学习分类器迭代训练，最终验证集分类准确率达到85％，相较于现有方式使用的单一特征节点重要度的仅有的57％的分类准确率，本发明方法在分类准确率方面得到了极大的提高。
综上，本发明智能电网节点脆弱性的评估方法，通过计算网络拓扑节点的关联重要度、位置重要度以及中介中心度，通过这些属性信息反应出各节点在智能电网的网络拓扑中的差异，表现节点在网络拓扑中的位置特性，作为节点脆弱性的部分依据。同时，使用节点删除法计算节点损失后对于网络拓扑的网络连通性的影响，甄别出对于网络连通性有着重要和支配作用的节点，将节点失效导致的网络连通性损失表征为一维特征反映节点的脆弱性。并结合智能电网各节点的节点嵌入向量以及拓展中介中心度，将智能电网的网络拓扑的电气特性与图论特性紧密结合，考虑节点以及线路的最大流量限制，使得该特征比纯粹的复杂网络和拓扑度量更能反应节点的脆弱性。最后，将这些特征组合构建智能电网各节点的特征向量，将智能电网各节点的特征向量输入预设的基于机器学习分类器的脆弱性分析模型，得到智能电网各节点的脆弱性。通过使用机器学习分类器学习大量节点特征与脆弱性之间的联系，相比现有方法的针对单一拓扑的分析更为全面和精确，对节点脆弱性的分析准确率大大提高，同时，不再依赖于复杂的故障模型，具有很强的扩展性，计算复杂度大大降低。
优选的，在计算智能电网各节点的节点嵌入向量时，使用节点嵌入向量的主成分分析，使用基于热核特征的节点嵌入方法，进而能较好的反应节点附近的局部拓扑结构，相似的结构在节点嵌入以及主成分分析后将会生成相似的特征向量，使用这样的嵌入方法生成特征使得节点特征向量包含了节点所在位置局部拓扑结构信息，有利于分类器学习到大量脆弱节点的相似结构，进而提升分析准确率。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。
本发明再一实施例中，提供了一种智能电网节点脆弱性的评估系统，能够用于实现上述的智能电网节点脆弱性的评估方法，具体的，该智能电网节点脆弱性的评估系统包括电网拓扑获取模块、参数计算模块、特征向量构建模块及脆弱性确定模块。
其中，电网拓扑获取模块用于获取智能电网的网络拓扑；参数计算模块用于根据智能电网的网络拓扑，得到智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度；特征向量构建模块用于根据智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度，构建智能电网各节点的特征向量；脆弱性确定模块用于将各节点的特征向量输入预设的基于机器学习分类器的脆弱性分析模型，得到各节点的脆弱性。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于智能电网节点脆弱性的评估方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关智能电网节点脆弱性的评估方法的相应步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (5)
1.一种智能电网节点脆弱性的评估方法，其特征在于，包括以下步骤：
获取智能电网的网络拓扑；
根据智能电网的网络拓扑，得到智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度；
根据智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度，构建智能电网各节点的特征向量；
将智能电网各节点的特征向量输入预设的基于机器学习分类器的脆弱性分析模型，得到智能电网各节点的脆弱性；
根据智能电网的网络拓扑，得到智能电网各节点的关联重要度的具体方法为：
根据智能电网的网络拓扑，通过下式得到智能电网各节点的关联重要度：
其中，CS(vi)为节点vi的关联重要度，Cs(vi)为节点vi的度，表示网络拓扑中与节点vi直接相连的节点的个数；n为网络拓扑中节点的总数；
根据智能电网的网络拓扑，得到智能电网各节点的位置重要度的具体方法为：
根据智能电网的网络拓扑，通过下式得到智能电网各节点的位置重要度：
其中，CP9vi)为节点vi的位置重要度，表示节点vi的紧密度；d（vij)为节点vi到节点vj之间最短路径的长度；
根据智能电网的网络拓扑，得到智能电网各节点的中介中心度的具体方法为：
根据智能电网的网络拓扑，通过下式得到智能电网各节点的中介中心度：
其中，CB(vi)为节点vi的中介中心度，σst为节点vs到节点vt间的最短路径的数量，σst(vi)为节点vs到节点vt间经过节点vi的最短路径数量；
根据智能电网的网络拓扑，得到智能电网各节点的节点删除法下的网络连通性损失的具体方法为：
根据智能电网的网络拓扑，通过下式得到智能电网各节点的节点删除法下的网络连通性损失：
其中，TLOS(vi)为节点vi的节点删除法下的网络连通性损失，DLOS(vi)为节点vi在节点删除法下网络连通性的直接损失，dij为节点vi到节点vj之间的距离，S为所有与节点vi连通的节点的集合；ILOS(vi)为节点vi在节点删除法下网络连通性的间接损失，/>dmn为节点vm到节点vn之间的距离，P为所有因删去节点vi后不再连通的节点对的集合；/>n为网络拓扑中节点的总数；
根据智能电网的网络拓扑，得到智能电网各节点的节点嵌入向量的具体方法为：
根据智能电网的网络拓扑，得到网络拓扑的邻接矩阵A和度矩阵D；
根据邻接矩阵A和度矩阵D，得到智能电网的网络拓扑的拉普拉斯矩阵L，以及拉普拉斯矩阵L的特征值Λ与特征向量U；
根据热核特征的谱分析方法，通过下式得到网络拓扑的谱图小波矩阵Ψ：
Ψ＝Ue-sΛUT
其中，谱图小波矩阵Ψ的第j列为Ψj，并与节点vj对应；
通过下式得到Ψj的特征函数φj(t)：
其中，N为网络拓扑的节点的数量，t为属于实数的特征函数自变量，i为虚数单位，e为自然常数，Ψmj为Ψ的第m行第j列；
对特征函数φj(t)进行预设次数的采样，得到节点vj的初始节点嵌入向量；
通过主成分分析方法对节点vj的初始节点嵌入向量进行降维至两维，得到节点vj的节点嵌入向量；
根据智能电网的网络拓扑，得到智能电网各节点的拓展中介中心度的具体方法为：
根据智能电网的网络拓扑，通过下式得到智能电网各节点的拓展中介中心度：
其中，T(vi)为节点vi的拓展中介中心度，G和D分别为网络拓扑内发电节点g和负载节点d的集合，为节点vi上的拓扑连边的集合；/>为从发电节点g注入且从负载节点d输出的最大流量，/> 为拓扑连边l的能够输送的最大线路流量，NL为网络拓扑中线路的总数，fl gd＝flg-fld，fl gd为单位功率从发电节点g注入且从负载节点d输出时拓扑连边l上功率的变化值，flg为发电节点g上有单位功率注入时拓扑连边l上功率的变化值，fld为负载节点d上有单位功率注入时拓扑连边l上功率的变化值。
2.根据权利要求1所述的智能电网节点脆弱性的评估方法，其特征在于，所述基于机器学习分类器的脆弱性分析模型通过如下方式构建得到：
获取样本智能电网的网络拓扑；
根据样本智能电网的网络拓扑，得到样本智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度；
根据样本智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量以及拓展中介中心度，构建样本智能电网各节点的特征向量；
通过预设的级联故障仿真模型，模拟样本智能电网各节点失效后故障在样本智能电网的网络拓扑中的传播情况，得到样本智能电网各节点失效后样本智能电网的网络拓扑中损失的线路数量；
根据样本智能电网的各节点失效后样本智能电网的网络拓扑中损失的线路数量，得到样本智能电网各节点的脆弱性；
以样本智能电网各节点的脆弱性为标签，样本智能电网各节点的特征向量为输入，构建训练集和验证集；
通过训练集和验证集，训练并验证预设的机器学习分类器模型，得到基于机器学习分类器的脆弱性分析模型。
3.一种基于权利要求1或2所述的智能电网节点脆弱性确定的智能电网节点脆弱性确定系统，其特征在于，包括以下步骤：
电网拓扑获取模块，用于获取智能电网的网络拓扑；
参数计算模块，用于根据智能电网的网络拓扑，得到智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度；
特征向量构建模块，用于根据智能电网各节点的关联重要度、位置重要度、中介中心度、节点删除法下的网络连通性损失、节点嵌入向量及拓展中介中心度，构建智能电网各节点的特征向量；
脆弱性确定模块，用于将各节点的特征向量输入预设的基于机器学习分类器的脆弱性分析模型，得到各节点的脆弱性。
4.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述智能电网节点脆弱性的评估方法的步骤。
5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2任一项所述智能电网节点脆弱性的评估方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110304069.3A CN113094975B (zh) | 2021-03-22 | 2021-03-22 | 智能电网节点脆弱性的评估方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110304069.3A CN113094975B (zh) | 2021-03-22 | 2021-03-22 | 智能电网节点脆弱性的评估方法、系统、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113094975A CN113094975A (zh) | 2021-07-09 |
| CN113094975B true CN113094975B (zh) | 2024-04-05 |
Family
ID=76669470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110304069.3A Active CN113094975B (zh) | 2021-03-22 | 2021-03-22 | 智能电网节点脆弱性的评估方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113094975B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115022190B (zh) * | 2022-06-02 | 2023-01-24 | 中电普信(北京)科技发展有限公司 | 一种基于大数据分析的网络拓扑性能计算方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2995864A1 (en) * | 2017-03-09 | 2018-09-09 | General Electric Company | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid |
| AU2020103195A4 (en) * | 2020-11-03 | 2021-01-14 | East China University Of Science And Technology | A Method for Detecting Vulnerability of Large-scale Power Grid Based On Complex Network |
| CN112235283A (zh) * | 2020-10-10 | 2021-01-15 | 南方电网科学研究院有限责任公司 | 一种基于脆弱性描述攻击图的电力工控系统网络攻击评估方法 |
| CN112347716A (zh) * | 2020-10-29 | 2021-02-09 | 武汉市工程科学技术研究院 | 基于q学习的电网脆弱点检测方法、系统、设备及介质 |
| CN112507552A (zh) * | 2020-08-14 | 2021-03-16 | 江苏师范大学 | 一种基于多种攻击策略的电力网络脆弱性评估方法 |
-
2021
- 2021-03-22 CN CN202110304069.3A patent/CN113094975B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2995864A1 (en) * | 2017-03-09 | 2018-09-09 | General Electric Company | Multi-modal, multi-disciplinary feature discovery to detect cyber threats in electric power grid |
| CN112507552A (zh) * | 2020-08-14 | 2021-03-16 | 江苏师范大学 | 一种基于多种攻击策略的电力网络脆弱性评估方法 |
| CN112235283A (zh) * | 2020-10-10 | 2021-01-15 | 南方电网科学研究院有限责任公司 | 一种基于脆弱性描述攻击图的电力工控系统网络攻击评估方法 |
| CN112347716A (zh) * | 2020-10-29 | 2021-02-09 | 武汉市工程科学技术研究院 | 基于q学习的电网脆弱点检测方法、系统、设备及介质 |
| AU2020103195A4 (en) * | 2020-11-03 | 2021-01-14 | East China University Of Science And Technology | A Method for Detecting Vulnerability of Large-scale Power Grid Based On Complex Network |
Non-Patent Citations (2)
| Title |
|---|
| 戴婷婷 ; 刘俊勇 ; 魏震波 ; 陈烨 ; .基于复杂网络理论的电力系统脆弱性分析.现代电力.2010,(01),全文. * |
| 杨至元 ; 张仕鹏 ; 孙浩 ; .电力系统信息物理网络安全综合分析与风险研究.南方能源建设.2020,(03),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113094975A (zh) | 2021-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Al-Muhaini et al. | A novel method for evaluating future power distribution system reliability | |
| Sjöberg et al. | Initializing Wiener–Hammerstein models based on partitioning of the best linear approximation | |
| CN103308824A (zh) | 一种基于概率Petri网的电力系统故障诊断方法 | |
| CN110110529B (zh) | 一种基于复杂网络的软件网络关键节点挖掘方法 | |
| Shi et al. | Optimal generation investment planning: Pt. 1: network equivalents | |
| CN110166483B (zh) | 一种电网故障以及网络攻击的辨识方法、装置及设备 | |
| CN113391943A (zh) | 一种基于因果推断的微服务故障根因定位方法及装置 | |
| CN116610104B (zh) | 基于砷烷合成控制系统的故障分析方法及系统 | |
| CN113094975B (zh) | 智能电网节点脆弱性的评估方法、系统、设备及存储介质 | |
| CN115618269A (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
| Arava et al. | Analyzing the static security functions of a power system dynamic security assessment toolbox | |
| CN108805419B (zh) | 基于网络嵌入与支持向量回归的电网节点重要度计算方法 | |
| Ping et al. | Sparse learning of network-reduced models for locating low frequency oscillations in power systems | |
| Guillen et al. | Data‐driven short‐circuit detection and location in microgrids using micro‐synchrophasors | |
| de Jongh et al. | Physics-informed geometric deep learning for inference tasks in power systems | |
| Stefanidou-Voziki et al. | Feature selection and optimization of a ML fault location algorithm for low voltage grids | |
| Yang et al. | Efficient validation of self-adaptive applications by counterexample probability maximization | |
| CN111695238A (zh) | 一种用于将电力系统暂态仿真数据可视化的系统及方法 | |
| Stefopoulos et al. | A genetic algorithm solution to the governor-turbine dynamic model identification in multi-machine power systems | |
| CN105577432A (zh) | 一种基于关联分析的网络丢包概率预测方法 | |
| Zaitseva et al. | Reliability evaluation of multi-state system based on incompletely specified data and structure function | |
| CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
| CN110391935B (zh) | 计及信息物理耦合特性和信息扰动的量测度评估方法及系统 | |
| Wang et al. | Generating synthetic electric power system data with accurate electric topology and parameters | |
| Sawhney et al. | On-line transient stability assessment using artificial 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |