CN113283641A - 一种考虑风电预测误差时空相关性复合储能优化配置方法 - Google Patents

一种考虑风电预测误差时空相关性复合储能优化配置方法 Download PDF

Info

Publication number
CN113283641A
CN113283641A CN202110476956.9A CN202110476956A CN113283641A CN 113283641 A CN113283641 A CN 113283641A CN 202110476956 A CN202110476956 A CN 202110476956A CN 113283641 A CN113283641 A CN 113283641A
Authority
CN
China
Prior art keywords
energy storage
wind power
model
considering
function
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.)
Granted
Application number
CN202110476956.9A
Other languages
English (en)
Other versions
CN113283641B (zh
Inventor
柴琦
刘晓志
杨东升
张化光
周博文
李广地
金硕巍
罗艳红
王迎春
闫士杰
杨波
郑海洪
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202110476956.9A priority Critical patent/CN113283641B/zh
Publication of CN113283641A publication Critical patent/CN113283641A/zh
Application granted granted Critical
Publication of CN113283641B publication Critical patent/CN113283641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/30—Arrangements for balancing of the load in a network by storage of energy using dynamo-electric machines coupled to flywheels
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/16—Mechanical energy storage, e.g. flywheels or pressurised fluids
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Water Supply & Treatment (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明涉及一种考虑风电预测误差时空相关性复合储能优化配置方法，包括步骤S1：运用核密度估计方法建立多个风电场预测误差的边缘分布函数，针对误差分布的特点，构建混合copula函数模型；步骤S2：使用最大期望值算法估计copula函数参数，并确定每种copula函数所占权重，采用蒙特卡洛场景生成法和K‑means聚类进行场景生成与缩减，得到优化配置所需场景；步骤S3：以系统总成本最小为目标，构建考虑输电网络运行的储能优化配置模型；步骤S4：模型中考虑能量损失比例评价指标与储能效益评价指标；步骤S5：对模型进行线性化处理，采用求解器和狼群算法联合对问题模型进行求解，最终得到最佳配置容量，实现系统的最优经济运行。

Description

一种考虑风电预测误差时空相关性复合储能优化配置方法
技术领域
本发明涉及储能优化配置技术领域，尤其涉及一种考虑风电预测误差时 空相关性复合储能优化配置方法。
背景技术
近年来，世界的环境和能源问题变得日益严重，风力发电作为清洁能 源的重要发电形式之一，已经对电力行业的发展产生了重大影响。随着风 电的跨越式发展，区域性风电集群的增多，风电的间歇性、不确定性对电 力系统安全、稳定和经济运行的影响日益突显。配置储能装置可以作为一 种有效的方法来解决上述问题。但由于储能装置价格昂贵，如何切实的配 置储能装置的最佳容量，已成为越来越重要的问题。
然而，在以往对储能优化配置的研究中，较少考虑风电功率预测误差 对储能优化配置的影响；对于不同风电场预测误差的时空相关性研究较少， 大多采用单一的copula函数描述风电出力相关性；优化场景大多选用单个 风电场出力的单一场景，选取的场景单一，不具有代表性；针对复合储能 的优化配置，大多数只针对单一的化学储能和蓄热罐储能，对于超级电容、 飞轮储能和压缩空气等不同形式的储能配置研究较少；在区域电网优化配 置模型中，对于网络潮流约束考虑不足，没有将其进一步细分，引入目标 函数之中；储能装置对区域电网的能量利用率的提升和系统总成本的减少 的作用没有评价指标；同时在求解方式上过于复杂，传统的优化算法求解 难以满足的优化调度的计算需求。针对上述这些问题，对于考虑风电预测 误差时空相关性的复合储能优化配置方法的研究，对减少储能装置投资， 维持电力系统的安全、稳定运行，具有重要意义。
发明内容
针对上述问题，本发明的目的在于提供一种考虑风电预测误差时空相 关性复合储能优化配置方法。本发明首先确定多个风电场预测误差的边缘 分布函数参数，构建混合copula函数模型；其次估计混合copula函数参 数，运用场景生成和场景缩减技术，得到优化配置所需的多个场景；再次 以系统总成本最小为目标，构建考虑输电网络运行的复合储能配置模型； 模型中引入能量损失比例评价指标与储能效益评价指标；最后对模型进行线性化处理，采用求解器和狼群算法相结合对模型进行求解，得到复合储 能的最佳配置容量，实现系统的最优经济运行。
本发明采用的技术方案如下：
本发明所提出的一种考虑风电预测误差时空相关性复合储能优化配 置方法，包括以下步骤：
步骤S1：运用核密度估计方法建立多个风电场预测误差的边缘分布 函数，针对误差分布的特点，构建混合copula函数模型；
步骤S2：使用最大期望值算法估计copula函数参数，并确定每种 copula函数所占权重，采用蒙特卡洛场景生成法和K-means聚类进行场景 生成与缩减，得到优化配置所需场景；
步骤S3：以系统总成本最小为目标，构建考虑输电网络运行的复合储 能优化配置模型；
步骤S4：模型中考虑能量损失比例评价指标与储能效益评价指标；
步骤S5：对模型进行线性化处理，采用求解器和狼群算法联合对模型 进行求解，最终得到最佳配置容量，实现系统的最优经济运行。
进一步的，所述步骤S1具体包括：首先现在获取风电出力的预测功 率和实际出力值，并对数据缺数造成的数据进行补充，两者求差值确定风 电预测误差的样本集；根据核密度估计公式，计算得出选定的 EPanechnikov核函数的参数，得出风电预测误差的概率密度函数；考虑单 一种类的Copula函数难以准确描述预测误差的时空相关性，根据Frankcopula，Gumbel copula与Clayton copula描述相关性特性的不同，按照一 定比例构建混合copula模型。
进一步的，所述步骤S2具体包括：由于前述所构建的混合copula模 型中含有较多未知参数量，因此采用最大期望值算法求解：首先求得当下 混合copula函数中各函数的权重参数与结构参数的估计值，之后求取完全 数据的对数似然函数关于未知数据的条件期望分布，采用拉格朗日法求取 权重参数与结构参数的极值，借助最优化工具箱中的fminunc函数求解得 到混合Copula函数中各个Copula函数的相依结构参数，采用蒙特卡洛场 景生成法和K-means聚类进行场景生成与缩减，得到优化配置所需场景。
进一步的，所述步骤S3具体包括：以机组运行成本，混合储能装置 配置成本，环境成本和系统的潮流越限成本最小为目标，考虑系统电热功 率平衡约束，机组约束，电热储能装置约束，以及线路潮流越限约束，构 建考虑输电网络运行的复合储能优化配置模型。
进一步的，所述步骤S4具体包括：采用配置储能装置以后，减少系 统风电量与风电出力预测值之间的比值来描述能量损失比例；采用配置储 能装置之后系统年总成本的变化量与储能装置年化投资成本之间的比值 来描述储能效益评价指标；通过上述两种指标描述所构建模型的优劣。
进一步的，所述步骤S5具体包括：方法建立的模型中包含潮流越限 约束，由于线路的传输功率流动包含正、负两种方向，同时，线路也有越 限和非越限两种状态，为了便于求解，提出了线路三态划分线性化方法， 对于求解方式上，采用采用matlab的CPLEX工具箱和狼群算法进行联合 求解，得到储能装置的最优配置和系统最优运行成本。
本发明与现有技术相比具有以下有益效果：
1、本发明考虑多个电厂之间预测误差的时空相关性，并采用混合copula 函数进行描述，生成多个典型场景，能够减少风电预测不准确对储能优化配 置的影响，对比于选用单一的风电场景，配置结果更加准确，更具代表性；
2、本发明以系统总成本最小为主目标，并在目标函数中引入潮流越限惩 罚成本、储能装置配置成本、环境成本、机组运行成本，能够保证在得到储 能装置最优配置的同时，实现系统最佳运行；
3、本发明是包含超级电容储能、飞轮储能、压缩空气储能和热储能等形 式的复合储能优化配置，可以避免单一的电化学储能和蓄热罐储能的造成的 功率超额配置，能够降低系统的投资成本；
4、本发明充分考虑了系统的电、热平衡约束、热电联产机组约束、电储 能装置约束、热储能装置约束，使模型更加符合实际情况；
5、在求解方法上，运用求解器与狼群算法相结合，计算速度更快，精度 更高。
附图说明
图1为本发明一种生成考虑风电预测误差时空相关性风电出力典型场景 的流程示意图；
图2为混合储能优化配置模型求解过程的流程示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下 面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在 不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
本发明所提出的一种考虑风电预测误差时空相关性复合储能优化配置方 法，具体实施步骤如下：
步骤S1：图1为混合copula函数模型构建流程图，运用核密度估计方法 确定多个风电场预测误差的边缘分布函数参数，针对误差分布的特点，构建 混合copula函数模型；
步骤S1.1：风电功率预测误差值的获取：
本实施例选取某地区风电场，风电的预测功率和实际功率可直接从风 电场收集的记录中获得，考虑由于风机停机、数据漏检等造成的数据缺失 问题造成的，需要根据相邻的数据点进行合理补充。设某风电场风电的预 测功率为(Ppr,1,Ppr,2...Ppr,n)，风电的实际输出功率为(Pac,1,Pac,2...Pac,n)，则本 实施例的风电预测误差为两者之差，表示为(Per,1,Per,2...Per,n)。
步骤S1.2：基于核密度函数估计的方法拟合风电预测误差的分布函数：
针对风电场，设其风电预测误差的样本点为
Figure RE-GDA0003145272220000041
其中，
Figure RE-GDA0003145272220000042
表示第N个风电场在T时间段内的第η个风电功率预测误差值。 其概率密度函数为f(x)，则采用核密度估计法的核密度估计公式为：
Figure BDA0003047744180000051
其中：η样本数据总个数，h为窗口的长度且h>0，K(·)表示 EPanechnikov核函数，与其他的核函数相比，该核函数的均方根值更小。 对概率密度函数求积分，就可以得到预测误差出力的边缘分布函数F(x)。
步骤S1.3：混合Copula函数模型的构建：
不同种类的Copula函数特性不同，其中Frank copula函数可以处理对 称的随机变量累计概率分布，能够反映随机变量的正、负相关，但其无法 描述函数的尾部相关性；Gumbel copula可以处理对称分布的随机变量累 计概率分布，但只能反映上尾相关性，下尾渐进独立的分布函数，Clayton copula同样可以处理非对称分布的随机变量累计概率分布，但只能反映下 尾的相关性，上尾渐进独立的分布函数，同时，Gumbel copula函数和Clayton copula只能处理具有正相关的随机变量。
考虑上述原因，对于预测误差分布特性，使用单一种类的Copula函 数难以准确描述。本发明采用具有描述不对称相关性，上尾和下尾特征的 能力的Gumbel copula和Clayton copula以及可以描述变量之间负相关和对 称相关的Frank copula进行混合，函数的具体表达式如下：
CG(u1,u2,α)＝exp[-{(-lnu1)1/α+(-lnu2)1/α}α] (2)
CC(u1,u2,β)＝exp[u1 -β+u2 -β-1]-1/β] (3)
Figure BDA0003047744180000052
α∈[1,∞)β∈[0,∞)δ≠0 (5)
其中CG、CC、CF分别代表Gumbel、Clayton、Frank copula函数；α、 β、δ分别代表三个函数的相依结构参数；u1、u2,分别代表预测误差的边 缘累计分布函数，这里表示F1(x1)、F2(x2)。
如前所述，为了更好的描述风电场之间的时空相关性，将上述三种 copula函数进行混合，最终得到的混合copula函数如下所示：
Cto(u1,u2)＝k1CG(u1,u2,α)+k2CC(u1,u2,β)+k3CF(u1,u2,δ) (6)
其中：Cto表示混合后的总的copula函数；k1、k2、k3分别表示每种 copula函数的比例系数，且k1+k2+k3＝1。
步骤S2：使用最大期望值算法估计copula函数参数，并确定每种 copula函数所占权重，采用蒙特卡洛场景生成法和K-means聚类进行场景 生成与缩减，得到优化配置所需场景。
步骤S2.1：混合copula函数参数估计与权重确定
步骤S1中所构建的混合copula函数函数含有6个未知参数，传统的 单一copula函数大都采用极大似然估计。在本实施例中，考虑运用极大似 然估计的方法求解困难，因而采用最大期望值算法。最大期望值算法的求 解主要由两部分构成，如下所述：
步骤S2.1.1：求期望
求得观测数据
Figure RE-GDA0003145272220000061
和当 下混合copula函数中各函数的权重参数、相依结构参数的估计值
Figure RE-GDA0003145272220000062
之后，求取完全数据的对数似然函数关于未知 数据Y的条件期望分布。完整数据由观测数据和潜在随机向量 Y＝{yi}(i＝1，2...，T)，yi∈{1，2，...，s}组成。如果yi＝k，则第i个样本来自于第k 个Copula函数。完全数据的对数似然函数：
Figure BDA0003047744180000064
随机向量y的条件概率密度函数：
Figure BDA0003047744180000065
经过一系列的数学推导，最后获取完全数据的对数似然函数关于未知 数据Y的数学期望分布为：
Figure BDA0003047744180000071
式中，权重参数λk和相依结构参数θk分别存在于代数和的两项中，因 此可以对两个参数分别进行极大似然估计
步骤S2.1.2：求关于待求参数λk、θk的极值
因为权重参数受到
Figure BDA0003047744180000072
的约束的限制，因此使用拉格朗日法进行求 解。对关于λk求导等于零，
Figure BDA0003047744180000073
可以得到：δ＝T
Figure BDA0003047744180000074
式为λk更新迭代方程。对中第二项关于θk求导等于零，可得：
Figure BDA0003047744180000075
由于式是θk的非线性方程，关于θk没有显式表达式，因此运用BFGS 算法进行求解。最终使用Matlab编程，借助最优化工具箱中的fminunc函 数求解得到混合Copula函数中各个Copula函数的相依结构参数。
步骤S2.2：典型风电场景生成与缩减，得到优化配置所需场景
基于步骤S2.1中所得到的混合copula函数模型后，采用蒙特卡洛场 景生成法生成包含预测误差时空相关性误差场景，然后运用风功率的预测 值减去预测误差场景得到风电功率样本，最后应用K-means聚类方法进行 场景削减，得到最终优化配置所需场景。
步骤S3：以系统总成本最小为目标，构建考虑输电网络运行的储能优 化配置模型.
步骤S3.1：目标函数是最小化系统总成本，包括储能装置配置成本、 机组运行成本、环境成本和潮流越限惩罚成本，具体公式如下：
min F＝Cess+Cchp+Cev+Col (13)
Cess＝Cees+Ctes (14)
其中：Cess、Cchp、Cev、Col分别表示储能装置的配置成本、热电联产机 组的运行成本、环境成本和潮流越限惩罚成本；Cees、Ctes分别表示电储能 (包括电化学储能，飞轮储能和超级电容储能)和热储能装置配置成本。
Figure BDA0003047744180000081
l1+l2+l3＝1 (16)
其中：α、ρ分别表示电、热储能装置折旧率；β、ω分别表示电、热储 能装置生命周期；χe、χf、χc、Pes,i、Pfs,i、Pcs,i分别表示电、飞轮、超级电容储 能的单位功率投资成本系数及其在节点i处的最大配置功率； δe、δf、δc、Ses,i、Sfs,i、Scs,i表示电、飞轮、超级电容储能的单位容量投资成本 系数及其在节点i处的最大配置容量；l1、l2、l3分别表示不同类型的电储能 装置在节点i处所占的比例(比例之和为1)。
Figure BDA0003047744180000082
其中：
Figure BDA0003047744180000083
Hs表示热储能的单位功率投资成本系数及其最大配置功率； φ、Cs表示热储能的单位容量投资成本系数及其最大配置容量；
Figure BDA0003047744180000084
其中：T表示优化调度周期；Nchp表示热电联产机组个数；Pc,i,t、Hc,i,t表示机组在t时刻输出的电功率和热功率；ai,bi,ci,di,ei,fi为常数；
Figure BDA0003047744180000091
其中：Nk表示污染物总数；μk,ηk表示污染物k的治理费用系数和污染 物k的排放系数；
Figure BDA0003047744180000092
其中：ε表示线路过载功率惩罚因子；Ω表示总的线路集合；Pol,l,t表示 线路l在t时刻的过载功率。
步骤S3.2：系统模型中包含热电联产机组、蓄热式电锅炉、电储能装 置，在考虑线路潮流的基础上，还引入了线路过载约束，系统各约束如下：
步骤S3.2.1：电功率平衡约束；
本发明考虑了不同节点之间的潮流，在此基础上的电功率平衡约束如 下：
Figure BDA0003047744180000093
Figure BDA0003047744180000094
其中：Pc,i,t、Pw,i,t、Pess,i,t、Pd,i,t分别表示在t时刻节点i处的热点联产机组输 出的电功率、风电功率、复合电储能输出的总的电功率、电负荷； Qc,i,t、Qw,i,t、Qd,i,t表示表示在t时刻节点i处的热点联产机组输出的无功功率、 风电输出的无功功率、无功负荷；N表示节点数，Ui,t,Uj,t表示在t时刻节点 i、j处的电压值；Gii,Bii表示在t时刻节点i处的自导纳；Gij,Bij表示在t时刻 节点i,j之间的互导纳；θij表示节点i、j之间的电压相角差。
步骤S3.2.2：热功率平衡约束：
Figure BDA0003047744180000095
其中：Hc,i,t表示机组i在t时刻输出的热功率；Hhs,t表示热储能装置在t 时刻的热功率(大于零表示放出热功率，小于零表示吸热功率)；HL,t表 示t时刻的热负荷。
步骤S3.2.3：热电联产机组约束
热电联产机组约束包含输出功率约束、爬坡约束如下所示：
0≤Hc,i,t≤Hc,i,max (24)
Pc,i,max-cv1Hc,i,t≥Pc,i,t≥min{cmHc,i,t+Di，Pc,i,min-cv2Hc,i,t} (25)
Pc,i,t-Pc,i,t-1≤γc,i,up (26)
Pc,i,t-1-Pc,i,t≤γc,i,down (27)
其中：Hc,i,max表示机组i输出的最大热功率；Pc,i,min,Pc,i,max表示机组i输 出的最小、最大热功率；γc,i,up,γc,i,down分别表示机组的上、下爬坡率； cv1,cm,cv2均为常数；
步骤S3.2.4：电储能装置约束
电储能装置约束包括能量平衡、禁止同时充放电、充电状态限制 (SOC)和充放电功率限制，如下所示：
Figure BDA0003047744180000101
其中：ηch表示复合电储能装置的充电效率，ηdch表示复合电储能装置 的放电效率；CHk表示复合电储能装置在第k时段的充电决策变量(1表示 充电)；DCHk表示复合电储能装置在第k时段的放电决策变量(1表示放 电)；SOC k、
Figure BDA0003047744180000102
分别表示复合电储能装置在k时段允许的荷电状态下、 上限；Pess,k,d表示复合电储能装置在第k时段的放电功率；Pess,k,c表示复合电 储装置在第k时段的充电功率；
Figure BDA0003047744180000103
表示复合电储能装置充放电上限。
步骤S3.2.5：热储能装置约束
热储能装置约束如下：
Figure BDA0003047744180000111
其中：Shs,t表示蓄热罐在t时刻存储的热量；Shs,min,Shs,max表示蓄热罐所 能时刻存储的最小、最大热量；Hhs,in,t,Hhs,out,t分别表示蓄热罐在t时刻的输 入。输出热功率；Hhs,max表示蓄热罐的最大热功率；在同一时刻不能同时 吸热或放热。
步骤S3.2.6：线路潮流越限约束
获得线路潮流越限惩罚的关键是判断线路的传输功率是否已经超过 了设定的限制，并且计算超过的限制的功率大小，线路过载计算公式如下 所示：
Figure BDA0003047744180000112
Figure BDA0003047744180000113
其中：h∈[0,1]表示线路潮流功率约束参数；Ptp,l,t表示线路l的传输功率；
Figure BDA0003047744180000114
表示线路l的传输功率的最大值；
步骤S4：模型中考虑能量损失比例评价指标与储能效益评价指标
步骤S4.1：能量损失比例评价指标：
当分布式电源的发电量大于负荷需求时，会造成能量浪费，为了确保 可再生能源的利用，引入能量损失比例评价指标，该评价指标表示引入储 能装置以后，减少系统风电的损失量的比例，探究系统配置储能容量与减 少弃风量之间的关系：
Figure BDA0003047744180000115
其中：Pt loss表示t时段系统风电的损失量；Pt w表示t时段系统风电量；
步骤S4.2：储能效益评价指标
配置储能装置之后，系统各部分出力发生变化，引入储能效益评价指 标，该评价指标表示系统年总成本的变化量与储能装置年化投资成本之间 的比值，
Figure BDA0003047744180000121
其中：ΔCtotal表示系统总成本变化量；ΔCess表示储能装置年化投资成本；
步骤S5：对模型进行线性化处理，采用CPLEX和粒子群算法结合对 问题模型进行求解，最终得到最佳配置容量，实现系统的最优经济运行。
步骤S5.1：约束的线性化处理
本发明所建立的模型中包含潮流越限约束，由于线路l的传输功率流 动包含正、负两种方向，同时，线路l也有越限和非越限两种状态，为了 便于求解，需要对其进行线性化处理。
根据越限标准，传输功率应该分为[-1,h]，[-h,h]，[h,1]三种状态，进一 步的，传输线的功率限制由下(34)—(38)表示，能够计算出越限功率， 公式如下：
Figure BDA0003047744180000122
η1,l,t+η2,l,t+η3,l,t＝1 (35)
Figure BDA0003047744180000123
Figure BDA0003047744180000124
Figure BDA0003047744180000125
其中：η1,l,t,η2,l,t,η3,l,t表示线路状态标志；
式(35)表示线路l在同一时刻只能有一种状态，等式(34)来确定 线路L的状态，并产生相应的线路状态标志。
当线路l的传输功率介于
Figure BDA0003047744180000131
表明线路l没有处于越限状态， 可可以得出η2,l,t＝1，η1,l,t＝η3,l,t＝0，传输线过限功率为零；
当传输线功率l介于
Figure BDA0003047744180000132
此时可以得出k3,l,t＝1，k1,l,t＝k2,l,t＝0， 传输线过限功率可以通过式(30)计算，其他等式自然成立；
当传输线l介于
Figure BDA0003047744180000133
此时可以得出k1,l,t＝1，k2,l,t＝k3,l,t＝0，传输 线过限功率可以通过式(31)计算，其他等式自然成立；
步骤S5.2：根据上述步骤之后，采用matlab的CPLEX工具箱和粒子 群算法进行联合求解，得到储能装置的最优配置和系统最优运行成本，具 体的求解过程如下：
a)计算系统的节点导纳矩阵；
b)产生初始粒子，得到复合储能装置的容量和功率；
c)获得电、热负荷与包含预测误差时空相关性的风电出力曲线；
d)采用cplex求解器求解最优调度计划；
e)计算头狼位置，得到对应本次迭代过程中的群体最优解和每个粒 子的个体最优解；
f)进入下一次迭代并更新狼群参数，返回步骤b)，直到获取最优解；
g)输出粒子最优解，复合储能装置的最优容量与功率。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本 发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术 人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求 书确定的保护范围内。

Claims (6)

1.一种考虑风电预测误差时空相关性复合储能优化配置方法，其特征在于，所述方法包括以下步骤：
步骤S1：运用核密度估计方法建立多个风电场预测误差的边缘分布函数，针对误差分布的特点，构建混合copula函数模型；
步骤S2：使用最大期望值算法估计copula函数参数，并确定每种copula函数所占权重，采用蒙特卡洛场景生成法和K-means聚类进行场景生成与缩减，得到优化配置所需场景；
步骤S3：以系统总成本最小为目标，构建考虑输电网络运行的复合储能优化配置模型；
步骤S4：模型中考虑能量损失比例评价指标与储能效益评价指标；
步骤S5：对模型进行线性化处理，采用求解器和狼群算法联合对模型进行求解，最终得到最佳配置容量，实现系统的最优经济运行。
2.根据权利要求1所述的一种考虑风电预测误差时空相关性复合储能优化配置方法，其特征在于：所述步骤S1具体包括：首先现在获取风电出力的预测功率和实际出力值，并对数据缺数造成的数据进行补充，两者求差值确定风电预测误差的样本集；根据核密度估计公式，计算得出选定的EPanechnikov核函数的参数，得出风电预测误差的概率密度函数；考虑单一种类的Copula函数难以准确描述预测误差的时空相关性，根据Frankcopula，Gumbelcopula与Clayton copula描述相关性特性的不同，按照一定比例构建混合copula模型。
3.根据权利要求1所述的一种考虑风电预测误差时空相关性复合储能优化配置方法，其特征在于：所述步骤S2具体包括：由于前述所构建的混合copula模型中含有较多未知参数量，因此采用最大期望值算法求解：首先求得当下混合copula函数中各函数的权重参数与结构参数的估计值，之后求取完全数据的对数似然函数关于未知数据的条件期望分布，采用拉格朗日法求取权重参数与结构参数的极值，借助最优化工具箱中的fminunc函数求解得到混合Copula函数中各个Copula函数的相依结构参数，采用蒙特卡洛场景生成法和K-means聚类进行场景生成与缩减，得到优化配置所需场景。
4.根据权利要求1所述的一种考虑风电预测误差时空相关性复合储能优化配置方法，其特征在于：所述步骤S3具体包括：以机组运行成本，混合储能装置配置成本，环境成本和系统的潮流越限成本最小为目标，考虑系统电热功率平衡约束，机组约束，电热储能装置约束，以及线路潮流越限约束，构建考虑输电网络运行的复合储能优化配置模型。
5.根据权利要求1所述的一种考虑风电预测误差时空相关性复合储能优化配置方法，其特征在于：所述步骤S4具体包括：采用配置储能装置以后，减少系统风电量与风电出力预测值之间的比值来描述能量损失比例；采用配置储能装置之后系统年总成本的变化量与储能装置年化投资成本之间的比值来描述储能效益评价指标；通过上述两种指标描述所构建模型的优劣。
6.根据权利要求1所述的一种考虑风电预测误差时空相关性复合储能优化配置方法，其特征在于：所述步骤S5具体包括：方法建立的模型中包含潮流越限约束，由于线路的传输功率流动包含正、负两种方向，同时，线路也有越限和非越限两种状态，为了便于求解，提出线路三态划分线性化方法，对于求解方式上，采用matlab的CPLEX工具箱和狼群算法进行联合求解，得到储能装置的最优配置和系统最优运行成本。
CN202110476956.9A 2021-04-29 2021-04-29 一种考虑风电预测误差时空相关性复合储能优化配置方法 Active CN113283641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110476956.9A CN113283641B (zh) 2021-04-29 2021-04-29 一种考虑风电预测误差时空相关性复合储能优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110476956.9A CN113283641B (zh) 2021-04-29 2021-04-29 一种考虑风电预测误差时空相关性复合储能优化配置方法

Publications (2)

Publication Number Publication Date
CN113283641A true CN113283641A (zh) 2021-08-20
CN113283641B CN113283641B (zh) 2024-03-22

Family

ID=77277744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110476956.9A Active CN113283641B (zh) 2021-04-29 2021-04-29 一种考虑风电预测误差时空相关性复合储能优化配置方法

Country Status (1)

Country Link
CN (1) CN113283641B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113962828A (zh) * 2021-10-26 2022-01-21 长春工程学院 考虑碳消耗的综合能源系统协调调度方法
CN113988399A (zh) * 2021-10-22 2022-01-28 石河子大学 综合能源调度方法、装置、电子设备及存储介质
CN114386700A (zh) * 2022-01-13 2022-04-22 广东电网有限责任公司 考虑风光相关性的输电系统规划方法、装置及存储介质
CN114757548A (zh) * 2022-04-22 2022-07-15 国网福建省电力有限公司电力科学研究院 一种采用场景构建的风电储能设备调节性能评估方法
CN114893362A (zh) * 2022-05-26 2022-08-12 中国华能集团清洁能源技术研究院有限公司 一种评估潜在退役风机叶片时空分布的方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160129332A1 (en) * 2008-10-09 2016-05-12 Golf Impact, Llc Inductive sensing system for sports performance improvement
CN107147110A (zh) * 2017-05-17 2017-09-08 山东大学 考虑多风场预测误差时空相关性的储能容量优化配置方法
CN109378861A (zh) * 2018-12-28 2019-02-22 东南大学 计及时空相关性的主动配电网的鲁棒优化调度方法
WO2019233134A1 (zh) * 2018-06-06 2019-12-12 南京工程学院 数据驱动下基于风电不确定性的电热气网三阶段调度方法
CN110648006A (zh) * 2018-06-26 2020-01-03 南京理工大学 一种考虑风光相关性的日前优化调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160129332A1 (en) * 2008-10-09 2016-05-12 Golf Impact, Llc Inductive sensing system for sports performance improvement
CN107147110A (zh) * 2017-05-17 2017-09-08 山东大学 考虑多风场预测误差时空相关性的储能容量优化配置方法
WO2019233134A1 (zh) * 2018-06-06 2019-12-12 南京工程学院 数据驱动下基于风电不确定性的电热气网三阶段调度方法
CN110648006A (zh) * 2018-06-26 2020-01-03 南京理工大学 一种考虑风光相关性的日前优化调度方法
CN109378861A (zh) * 2018-12-28 2019-02-22 东南大学 计及时空相关性的主动配电网的鲁棒优化调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHITIAN XU等: "Correlation Analysis of Wind and Photovoltaic Power Based on Mixed Copula Theory and Its Application into Optimum Capacity Allocation", 《PREPRINTS OF THE 3RD IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION》, 9 April 2020 (2020-04-09), pages 976 - 980 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988399A (zh) * 2021-10-22 2022-01-28 石河子大学 综合能源调度方法、装置、电子设备及存储介质
CN113962828A (zh) * 2021-10-26 2022-01-21 长春工程学院 考虑碳消耗的综合能源系统协调调度方法
CN113962828B (zh) * 2021-10-26 2024-05-10 长春工程学院 考虑碳消耗的综合能源系统协调调度方法
CN114386700A (zh) * 2022-01-13 2022-04-22 广东电网有限责任公司 考虑风光相关性的输电系统规划方法、装置及存储介质
CN114757548A (zh) * 2022-04-22 2022-07-15 国网福建省电力有限公司电力科学研究院 一种采用场景构建的风电储能设备调节性能评估方法
CN114893362A (zh) * 2022-05-26 2022-08-12 中国华能集团清洁能源技术研究院有限公司 一种评估潜在退役风机叶片时空分布的方法和系统
CN114893362B (zh) * 2022-05-26 2023-04-21 中国华能集团清洁能源技术研究院有限公司 一种评估潜在退役风机叶片时空分布的方法和系统

Also Published As

Publication number Publication date
CN113283641B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN113283641B (zh) 一种考虑风电预测误差时空相关性复合储能优化配置方法
Zhao et al. Comprehensive assessment for battery energy storage systems based on fuzzy-MCDM considering risk preferences
Wang et al. Energy management and optimization of vehicle-to-grid systems for wind power integration
CN106410861B (zh) 一种基于可调度能力的微电网优化运行实时控制方法
CN105071389B (zh) 计及源网荷互动的交直流混合微电网优化运行方法及装置
CN112488362B (zh) 一种协调电动汽车参与辅助服务市场的储能优化配置方法
CN111200293B (zh) 基于电池损耗和分布式电网电池储能日前随机调度的方法
CN108964050A (zh) 基于需求侧响应的微电网双层优化调度方法
CN108964103B (zh) 一种考虑微网系统可调度性的微网储能配置方法
Li et al. Optimization between the PV and the retired EV battery for the residential microgrid application
CN112952820A (zh) 考虑退役电池的智能社区微网超多目标能量管理方法
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
CN116151486B (zh) 含储能系统的光伏充电站多时间尺度随机优化方法及装置
CN114069678A (zh) 一种考虑储能退化成本的光储直流微电网能量调度方法
Tong et al. Reusing electric vehicle battery for demand side management integrating dynamic pricing
CN114243791A (zh) 风光氢蓄系统的多目标优化配置方法、系统及存储介质
CN111293718A (zh) 基于场景分析的交直流混合微网分区二层优化运行方法
CN117559526A (zh) 一种基于光储充一体化充电站的拟路由器能量调控方法
CN117575709A (zh) 基于CVaR的多能虚拟电厂分布式点对点电热碳联合交易方法
Li et al. Research on optimal scheduling method of hybrid energy storage system considering health state of echelon-use lithium-ion battery
Li et al. Multi-constrained optimal control of energy storage combined thermal power participating in frequency regulation based on life model of energy storage
Lin et al. Two-stage multi-strategy decision-making framework for capacity configuration optimization of grid-connected PV/battery/hydrogen integrated energy system
CN114386663A (zh) 一种含电动汽车虚拟电厂的区间主从博弈优化调度方法
Zhu et al. Dynamic multi-objective dispatch considering wind power and electric vehicles with probabilistic characteristics
CN112186808A (zh) 一种微网能量优化调度方法

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