CN113410875B - 基于云计算与大数据的微电网分布式能源管理方法 - Google Patents

基于云计算与大数据的微电网分布式能源管理方法 Download PDF

Info

Publication number
CN113410875B
CN113410875B CN202110953023.4A CN202110953023A CN113410875B CN 113410875 B CN113410875 B CN 113410875B CN 202110953023 A CN202110953023 A CN 202110953023A CN 113410875 B CN113410875 B CN 113410875B
Authority
CN
China
Prior art keywords
power
sequence
grid
micro
distributed
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
Application number
CN202110953023.4A
Other languages
English (en)
Other versions
CN113410875A (zh
Inventor
郭少明
马彦兵
郭延双
张元吉
杜锋
亢丽平
王伟
徐西甲
李菲菲
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.)
Windsun Science and Technology Co Ltd
Original Assignee
Windsun Science and Technology 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 Windsun Science and Technology Co Ltd filed Critical Windsun Science and Technology Co Ltd
Priority to CN202110953023.4A priority Critical patent/CN113410875B/zh
Publication of CN113410875A publication Critical patent/CN113410875A/zh
Application granted granted Critical
Publication of CN113410875B publication Critical patent/CN113410875B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously

Abstract

本发明涉及基于云计算与大数据的微电网分布式能源管理方法，其获取不同时序下的微电网的输出功率序列，得到微电网的功率变化序列；当所述功率变化序列大于第一设定变化区间的上限值时：计算微电网预测功率变化序列的电力增量；比较当前储能系统剩余存储电量与所述电力增量的大小，若当前储能系统剩余存储电量大于电力增量，则向储能系统充电；若当前储能系统剩余存储电量小于电力增量，则按照设定规则计算有效电力增量；比较当前储能系统剩余存储电量与有效电力增量的大小，当前储能系统剩余存储电量大于有效电力增量，则确定切除的分布式电源的子集。本发明能够准确合理的获得切除的分布式电源，确保电网的稳定性。

Description

基于云计算与大数据的微电网分布式能源管理方法
技术领域
本发明涉及微电网分布式能源管理领域，具体涉及基于云计算与大数据的微电网分布式能源管理方法。
背景技术
分布式能源包括风能、太阳能、潮汐能、生物质能等可再生能源，还包括蓄电池、储热罐等储能装置。其中，可再生能源受气候、地理、环境等外部因素的影响，具有波动性、不确定性的特点。如果不能对这类可再生能源进行有效的管理，系统的能效、环保、经济效益往往难以实现，甚至会威胁到大电网的安全运行。因此，对可再生能源的分布式能源系统进行合理的管理和控制就显得很有必要。
分布式能源并入大电网后，由于分布式能源输出功率的不稳定性，会影响大电网的稳定性和可靠性，为了尽可能的维持大电网安全稳定可靠的运行，需要将分布式电源与储能系统结合在一起并入大电网中；具体地：当微电网的波动幅度不大时，当分布式电源输出的功率变高时，为储能系统充电；当分布式电源输出功率过低时，储能系统放电，通过控制储能系统的充放电可以在分布式电源输出不稳定的情况下尽可能维持微电网和大电网的稳定与安全。因此当微电网出现较小的功率波动时，储能系统可以保持微电网功率的稳定。
但是，当微电网的波动幅度较大时，只依靠储能系统依旧无法维持电网的功率稳定，此时需要控制分布式电源的输出功率来平衡微电网的功率波动，但是分布式电源一般采用最大功率跟踪模式来控制输出功率，虽然可以通过逆变器改变分布式电源的输出功率，但是响应速度慢效果不理想，因此微电网扰动过大时往往将分布式电源改为切机运行模式，即切除掉一部分分布式电源来确保微电网的稳定运行。另外，为了高效充分的利用可再生的分布式能源以及维持大电网的稳定，需要对分布式电源进行合理的管控，但是如何在合适的时机调控分布式电源的输出功率并配合储能系统来维护微电网的稳定性和可靠性是需要解决的问题。
发明内容
本发明的目的在于提供基于云计算与大数据的微电网分布式能源管理方法，用于解决如何在合适的时机调控分布式电源的输出并配合储能系统来维护微电网的稳定性和可靠性的问题。
为了实现上述目的，本发明提供的基于云计算与大数据的微电网分布式能源管理方法的技术方案，包括：
获取不同时序下的微电网的输出功率序列，根据所述输出功率序列，得到微电网的功率变化序列；当所述功率变化序列超出第一设定变化区间的上限值或下限值，判断微电网出现异常波动；
当所述功率变化序列大于第一设定变化区间的上限值时：
根据所述微电网的功率变化序列，利用网络模型，预测未来设定时间内的微电网预测功率变化序列；根据所述微电网预测功率变化序列，计算微电网预测功率变化序列的电力增量；
比较当前储能系统剩余存储电量与所述电力增量的大小，若当前储能系统剩余存储电量大于电力增量，则向储能系统充电；若当前储能系统剩余存储电量小于电力增量，则按照设定规则计算有效电力增量；
比较当前储能系统剩余存储电量与所述有效电力增量的大小，当前储能系统剩余存储电量大于有效电力增量，则确定切除的分布式电源的子集；所述子集为去掉有效电力增量对应的分布式电源后剩余的分布式电源；
其中，所述设定规则为：
获取各组分布式电源的输出功率序列，并构成一个分布式电源集合；
随机获取分布式电源集合中任意非空的子集，根据所述子集中的各组分布式电源的输出功率序列，获取各组分布式电源的预测输出功率序列，对子集中所有组的预测输出功率序列中对应的元素求和，得到融合输出功率序列，并将融合输出功率序列与微电网预测输出功率序列作差，得到微电网调控预期功率序列；将微电网调控预期功率序列中的元素分别与电网稳定时的目标功率作差，进而得到微电网调控预期功率变化序列；所述微电网预测输出功率序列是将所述微电网预测功率变化序列中的元素分别与所述目标功率求和得到的序列；
比较微电网调控预期功率变化序列与第一设定变化区间的上限值的大小，将微电网调控预期功率变化序列中小于上限值的元素置0，大于上限值的元素不变，得到有效调控序列，并计算所述有效调控序列的有效电力增量。
进一步地，还包括获取所述子集的出力特征集合，并根据所述出力特征集合以及所述分布式电源的子集，得到切除的最优子集的步骤。
进一步地，获取最优子集的方法为：
构建目标函数模型；
预先构建一个大数据系统，将微电网的实时输出功率序列存储在大数据系统；利用大数据系统以及穷举法，计算目标函数的最大值，并得到使目标函数值最大时的分布式电源的子集为最优子集；
所述目标函数模型为：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
表示子集S的切除合理性，
Figure 100002_DEST_PATH_IMAGE006
其中，
Figure 100002_DEST_PATH_IMAGE008
为第i个出力特征,
Figure 100002_DEST_PATH_IMAGE010
为第m个出力特征,
Figure 100002_DEST_PATH_IMAGE012
为第n个出力特征，N1为出力特征数量，N1≥2，
Figure 100002_DEST_PATH_IMAGE014
表示
Figure 15403DEST_PATH_IMAGE008
的欧式范数，
Figure 100002_DEST_PATH_IMAGE016
表示子集S中的任意两个不同出力特征的差值的欧式范数的均值；
Figure 100002_DEST_PATH_IMAGE018
为储能系统利用率，
Figure 100002_DEST_PATH_IMAGE020
为微电网能源利用率。
进一步地，所述微电网能源利用率为：
Figure 100002_DEST_PATH_IMAGE022
其中，
Figure 100002_DEST_PATH_IMAGE024
为有效电力增量，
Figure 100002_DEST_PATH_IMAGE026
为微电网调控预期功率变化序列对应的预期电力增量；
其中，
Figure 100002_DEST_PATH_IMAGE028
其中的
Figure 100002_DEST_PATH_IMAGE030
为衰减系数，
Figure 100002_DEST_PATH_IMAGE032
，
Figure 100002_DEST_PATH_IMAGE034
为微电网的有效调控序列中第k个元素，t为间隔时间，K为有效调控序列的长度，N为微电网的功率变化序列的长度；
其中，
Figure 100002_DEST_PATH_IMAGE036
其中，
Figure 874685DEST_PATH_IMAGE030
为衰减系数，
Figure 564555DEST_PATH_IMAGE032
，
Figure 100002_DEST_PATH_IMAGE038
为微电网调控预期功率变化序列中第k个元素，t为间隔时间，K为微电网调控预期功率变化序列的长度，N为微电网的功率变化序列的长度；
所述储能系统利用率
Figure 294613DEST_PATH_IMAGE018
：
Figure 100002_DEST_PATH_IMAGE040
其中，Q为储能系统余量。
进一步地，所述出力特征集合的获取方法为：
1）获取与所述功率变化序列对应的设定时间内的多组分布式电源的输出功率序列，计算各组输出功率序列的方差，将所述方差作为各组输出功率序列的不稳定程度；
2）计算各组分布式电源的能量损失率；
3）计算所述功率变化序列与所述的各组分布式电源的输出功率序列的相关性；
4）将各组分布式电源的不稳定程度、能量损失率以及相关性构成一个三维向量，将对应的所述三维向量作为子集中的对应组分布式电源的出力特征，并构成子集的出力特征集合。
进一步地，所述相关性为：
Figure 100002_DEST_PATH_IMAGE042
其中，
Figure 100002_DEST_PATH_IMAGE044
表示功率变化序列与对应的分布式电源的输出功率序列的整体变化趋势的相似度，
Figure 100002_DEST_PATH_IMAGE046
表示功率变化序列L1中第k个元素的多项式曲线期望值，
Figure 100002_DEST_PATH_IMAGE048
为功率变化序列L1中第k个元素，
Figure 100002_DEST_PATH_IMAGE050
表示功率变化序列L1中第k个元素偏离期望值，
Figure 100002_DEST_PATH_IMAGE052
表示各组分布式电源的输出功率序列L3中第k个元素偏离期望值，
Figure 100002_DEST_PATH_IMAGE054
表示功率变化序列与对应的分布式电源的输出功率序列中相同位置的元素偏离期望值的差值。
本发明与现有技术相比，其有益效果为：
本发明通过预测微电网功率的变化，并根据储能系统的工作状态确定是否需要切除部分分布式电源，能够准确合理的获得切除部分分布式电源的时机，确保电网的稳定安全；同时，根据分布式电源的输出功率的以及微电网的功率变化，获得分布式电源的出力特征，合理准确的描述了分布式电源在微电网中的工作状态，为后续的分布式电源的切除提供了完备的参考依据。
本发明通过构建目标函数模型对切除的分布式电源的子集进行优化计算，来获得切除哪些分布式电源才能最大化的合理利用可能再生能源，提高了能源的利用率，又可以维护电网的稳定运行。
附图说明
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。
图1示出了微电网分系统的结构框图；
图2示出了本发明的基于云计算与大数据的微电网分布式能源管理方法实施例的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于云计算与大数据的微电网分布式能源管理方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明针对的是微电网系统，如图1所示，微电网系统包括多组分布式能源（即分布式电源）和储能系统。其中分布式电源包括光伏发电系统和风机发电系统（风机组）；储能系统为锂电池电池组；当然也可以是现有的储能产品有高压级联储能变流器、低压储能变流器等。
其中的分布式电源、储能系统、负荷以及馈线组成了一个微电网。
微电网通过断路开关实现与大电网的并网或离网，通常情况下断路开关是闭合的（微电网与大电网实现并网），同时多组负荷消耗的电能来自于分布式电源和大电网，其中，断路开关与馈线之间的节点为并网点（见图1中的a点）。
需要说明的是，本发明针对的是当微电网的负荷出现波动或者大电网出现扰动，再加上分布式电源的输出不稳定会导致微电网的波动过大，短时间内出现功率忽大忽小等的情况，此时微电网系统中的储能系统不足以平衡电网波动，就需要改变分布式电源的出力（输出功率）来维持电网的稳定，确定合适的时机控制分布式电源的切除。
具体地，如图2所示，本发明的基于云计算与大数据的微电网分布式能源管理方法，包括以下步骤：
步骤1，获取不同时序下的微电网的功率序列，根据所述功率序列，得到微电网的功率变化序列；当所述功率变化序列超出第一设定变化区间的上限值和下限值，判断微电网出现异常波动；
本实施例中，获取设定时间内的不同时序下的微电网的功率序列是是在设定时间内每隔设定时间间隔，实时采集微电网馈线与大电网连接的并网点的功率P，其中的设定时间间隔为0.4s。
本实施例中并网点处的目标功率为
Figure 100002_DEST_PATH_IMAGE056
，则微电网的功率变化为
Figure DEST_PATH_IMAGE058
，即可根据设定时间内的功率序列获取微电网的功率变化序列。
需要说明的是，本实施例中的微电网的功率序列以及功率变化序列的长度均为N；本实施例中的设定时间可以为5min，具体地可以根据实际情况确定。
需要说明的是，本发明所提到的输出功率均为有功能率，没有对无功设备（例如电容器等）进行调节。
步骤2，当所述功率变化序列大于第一设定变化区间的上限值时：
根据所述微电网的功率变化序列，利用网络模型，预测未来设定时间内的微电网预测功率变化序列；根据所述微电网预测功率变化序列，计算微电网预测功率变化序列的电力增量；
比较当前储能系统剩余存储电量与所述电力增量的大小，若当前储能系统剩余存储电量大于电力增量，则向储能系统充电；若当前储能系统剩余存储电量小于电力增量，则按照设定规则计算有效电力增量；
本实施例中的第一设定变化区间TH，用于判断电网是否发生异常，即当功率变化序列超出第一设定变化区间TH的上限值和下限值，则认为电网发生了异常波动。本实施例中的第一设定变化区间TH为功率变化区间，为[-3%P 0 ，3%P 0 ]，其中P 0 为并网点处的目标功率；需要说明的是，本实施例是根据国家标准的电压波动范围，并由P=UI公式，对实施例的微电网所允许的第一设定变化区间TH进行了设定，当然也可以采用现有的国家标准的电压波动范围，并进行电压到功率的转换；由于现有的国家标准的电压波动范围为现有技术，此处不再过多赘述。
本实施例中，直接根据功率变化序列，获取相应的电量变化值（电力增量），从而结合当前时刻储能系统已经存储的电量以及储能系统总的电力存储量，判断当前储能系统是否能够存储相应的电量变化值，如果能够将电能变化值存储到储能系统中，就进入下一时刻的计算；反之，储能系统存储满电量之后电网功率仍不能恢复稳定，那么此时就需要切除一部分分布式电源（减少分布式电源的出力），来降低微电网功率，来平衡电网功率波动。
具体地，进行未来设定时间内的功率变化序列的预测的过程为：
构建网络模型，并对网络模型进行训练，得到训练好的网络模型；
将所述微电网功率变化序列输入训练好的网络模型，得到下一时间段的微电网预测功率变化序列；
根据所述微电网预测功率变化序列，计算该时间段内的微电网的电力增量；
其中的电力增量为：
Figure DEST_PATH_IMAGE060
其中的
Figure 304770DEST_PATH_IMAGE030
为衰减系数，
Figure 32555DEST_PATH_IMAGE032
，l k 为微电网预测功率变化序列L2中第k个元素，t为设定间隔时间，K为微电网预测功率变化序列L2的长度，N为微电网的功率变化序列L1的长度。
本实施例中网络模型为TCN网络；由于该网络为公知技术。本发明不再赘述其具体网络结构和训练方法。
需要说明的是，本实施例中的电力增量为预测的未来设定时间内的微电网功率变化序列对应的电量变化值，也即电力增量。
本实施例中引入的衰减系统的作用：一方面是认为k越大
Figure DEST_PATH_IMAGE062
的可信度度越低，因此
Figure 724567DEST_PATH_IMAGE030
越小，当
Figure DEST_PATH_IMAGE064
时
Figure 415574DEST_PATH_IMAGE030
随k减小的较慢，表示L2中的前N的元素的可信度相对较高，而
Figure DEST_PATH_IMAGE066
时表示
Figure 204538DEST_PATH_IMAGE030
随k减小的较快，表示L2中靠后的元素可信度相对较低。另一方面是如果将L2中所有元素直接求和，获得的结果就是未来一段时间内真实的微电网累积增加的电力，通过引入衰减系数，使得A相比真实的微电网累积增加的电力要小一点，这样有助于避免提前对分布式电源调控，即将调控分布式电源的时机向后延，增加分布式电源的输出时间，有效利用可再生生能源。
本实施例中的设定规则为：
1）获取各组分布式电源的输出功率序列，并构成一个分布式电源集合；
2）随机获取分布式电源集合任意非空的分布式电源的子集，所述子集为切除的分布式电源；根据所述子集中的各组分布式电源的输出功率序列，获取各组分布式电源的预测输出功率序列，对子集中所有组的预测输出功率序列中对应的元素求和，得到融合输出功率序列，并将融合输出功率序列与微电网预测输出功率序列作差，得到微电网调控预期功率序列；将微电网调控预期功率序列中的元素分别与电网稳定时的目标功率作差，进而得到微电网调控预期功率变化序列；所述微电网预测输出功率序列是将所述微电网预测功率变化序列中的元素分别与所述目标功率求和得到的序列；
本实施例中，将所有分布式电源构成一个分布式电源集合，获取这个集合的任意一个非空子集，将该子集中每组分布式电源的输出功率序列L3分别输入TCN网络中(和步骤1)的TCN网络相同)，输出当前时间之后T时间段内每组分布式电源的预测输出功率序列，称为每组分布式电源的预测输出功率序列；将该子集内所有组分布式电源的预测输出功率序列求和（多个序列对应元素求和，结果仍旧是一个序列），获得一个融合输出功率序列，然后将微电网预测功率变化序列L2与所述目标功率求和后得到微电网预测输出功率序列，将该微电网预测输出功率序列与融合输出功率序列相减(序列对应元素相减，结果依旧是一个序列)，获得给定子集时的微电网调控预期功率序列，并将微电网调控预期功率序列中的元素分别与目标功率作差，进而得到微电网调控预期功率变化序列，该微电网调控预期功率变化序列表示切除掉该子集所有组分布式电源时剩余的分布式电源对应的未来时间内微电网预期的功率变化序列。
3）比较微电网调控预期功率变化序列与第一设定变化区间的上限值的大小，将微电网调控预期功率变化序列中小于上限值的元素置0，大于上限值的元素不变，得到有效调控序列，并计算所述有效调控序列的有效电力增量。
其中，微电网调控预期功率变化序列的预期电力增量为
Figure 306486DEST_PATH_IMAGE026
：
Figure DEST_PATH_IMAGE068
其中的
Figure 735063DEST_PATH_IMAGE030
为衰减系数，
Figure 541345DEST_PATH_IMAGE032
，l sk 为微电网调控预期功率变化序列中第k个元素，t为时间间隔，K为微电网调控预期功率变化序列的长度，N为微电网的功率变化序列的长度；
其中，有效电力增量
Figure 919236DEST_PATH_IMAGE024
：
Figure DEST_PATH_IMAGE070
其中的
Figure 611992DEST_PATH_IMAGE030
为衰减系数，
Figure 75335DEST_PATH_IMAGE032
，l s’k 为微电网的有效调控序列中第k个元素，t为时间间隔，K为有效调控序列的长度，N为微电网的功率变化序列的长度。
本实施例中的有效电力增量为切除部分分布式电源（也称为“分布式电源的子集”）后的剩余的分布式电源的输出功率变化序列（该输出功率变化序列为微电网调控预期功率变化序列）对应的电量变化值。
上述实施例中，电力增量、预期电力增量以及有效电力增量都是根据对应的微电网的有功功率进行的电量变化值的计算。
上述实施例中，微电网预测功率变化序列、分布式电源的预测输出功率序列、微电网调控预期功率变化序列、有效调控序列、微电网调控预期功率序列以及微电网预测输出功率序列的长度均为K，子集中每组分布式电源的输出功率序列的长度为N。
步骤3，比较当前储能系统剩余存储电量与所述有效电力增量的大小，当前储能系统剩余存储电量大于有效电力增量，则确定切除的分布式电源的子集，所述子集为去掉有效电力增量对应的分布式电源后剩余的分布式电源；
本实施例中的分布式电源的子集为多个切除分布式电源的组合，即满足切除后，能够平衡电网的异常波动。
进一步的，由于步骤3确定切除的分布式电源的子集有多种方式，为了从切除的多种分布式电源的子集中获取最优子集，本发明还包括步骤4，即获取最优子集的步骤，如下：
步骤4，获取所述子集的出力特征集合，并根据所述出力特征集合以及所述分布式电源的子集，得到切除的最优子集的步骤。
本实施例中，分布式电源的出力特征集合的获取过程为：
1）获取与所述功率变化序列对应的设定时间内的多组分布式电源的输出功率序列，计算各组输出功率序列的方差，将所述方差作为各组输出功率的不稳定程度。
本实施例中的多组分布式电源包括若干组光伏发电系统和若干组风机发电系统。
上述中的不稳定程度越大，表示该组分布式电源输出功率越不稳定，对电网的影响越大。
2）计算各组分布式电源的能量损失率；
本实施例中的分布式电源为光伏发电系统以及风机发电系统，对于光伏发电系统的能量损失率，由于现有已经公开了光伏发电系统的综合效率，因此，光伏发电系统的能量损失率=1-光伏发电系统的综合效率；对于风机发电系统的能量损失率，由于现有技术公开了风机发电系统的可利用率，因此，风机发电系统的能量损失率=1-风机发电系统的可利用率，其中风机发电系统的可利用率一般为30%-40%，具体取值是根据风机发电系统的实际情况确定；作为其他实施方式，关于风机发电系统的能量损失率，也可以采用其他现有技术，此处不再赘述。
需要说明的是，本实施例中的若干组光伏发电系统的能量损失率相同，风机发电系统的能量损失率也相同。
3）计算所述功率变化序列与所述的各组分布式电源的输出功率序列的相关性；
其中相关性的获取方法为：
分别采用最小二乘法拟合出功率变化序列、两组分布式电源的输出功率序列的多项式曲线；
计算功率变化序列与各组分布式电源的输出功率序列的多相关性；
其中相关性为：
Figure DEST_PATH_IMAGE042A
其中，
Figure 91832DEST_PATH_IMAGE044
表示功率变化序列与对应的分布式电源的输出功率序列的整体变化趋势的相似度，
Figure 386548DEST_PATH_IMAGE046
表示功率变化序列L1中第k个元素的多项式曲线期望值，
Figure 892615DEST_PATH_IMAGE048
为功率变化序列L1中第k个元素，
Figure 764625DEST_PATH_IMAGE050
表示功率变化序列L1中第k个元素偏离期望值，
Figure 178289DEST_PATH_IMAGE052
表示各组分布式电源的输出功率序列L3中第k个元素偏离期望值，
Figure 265194DEST_PATH_IMAGE054
表示功率变化序列与对应的分布式电源的输出功率序列中相同位置的元素偏离期望值的差值。
其中，
Figure DEST_PATH_IMAGE072
，d为将两个多项式曲线的曲线参数分别视为一个参数向量，这两个参数向量的欧式距离。
上述计算的相关性中的
Figure DEST_PATH_IMAGE074
越小说明两个序列偏离期望值的趋势越一致，
Figure DEST_PATH_IMAGE076
越大说明两个序列的波动变化趋势一样。
因此，p越大，说明每组分布式电源的输出功率波动对微电网的影响就越大，即微电网的不稳定就越受分布式电源的影响。
4）将各组分布式电源的不稳定程度、能量损失率以及相关性构成一个三维向量，将对应的所述三维向量作为子集中的对应组分布式电源的出力特征。
本实施例中，获取最优子集的过程为：
1）构建目标函数模型；
本实施例中的目标函数模型为：
Figure DEST_PATH_IMAGE002A
其中，
Figure 833840DEST_PATH_IMAGE004
表示子集S的切除合理性，
Figure DEST_PATH_IMAGE078
其中，
Figure 130830DEST_PATH_IMAGE008
为第i个出力特征,
Figure 82605DEST_PATH_IMAGE010
为第m个出力特征,
Figure 289596DEST_PATH_IMAGE012
为第n个出力特征，N1为出力特征数量，N1≥2，
Figure 75149DEST_PATH_IMAGE014
表示
Figure 734800DEST_PATH_IMAGE008
的欧式范数，
Figure 490267DEST_PATH_IMAGE016
表示子集S中的任意两个不同出力特征的差值的欧式范数的均值；
Figure 706091DEST_PATH_IMAGE018
为储能系统利用率，
Figure 787180DEST_PATH_IMAGE020
为微电网能源利用率。
本实施例中的
Figure 934127DEST_PATH_IMAGE008
的欧式范数为出力特征
Figure 368651DEST_PATH_IMAGE008
的模长，而子集S中的任意两个不同出力特征的差值的欧式范数为对应的两个不同出力特征的差值的模长。
其中，
Figure DEST_PATH_IMAGE080
其中，Q为储能系统余量。
其中，微电网能源利用率为：
Figure DEST_PATH_IMAGE022A
其中，
Figure 533922DEST_PATH_IMAGE024
为有效电力增量，
Figure 458015DEST_PATH_IMAGE026
为微电网调控预期功率变化序列对应的预期电力增量。
需要说明的是，设当前储能系统剩余存储电量为Q，也称为储能系统余量，即当微电网预期的有效电力增量小于储能系统余量时,说明切除掉子集S中的分布式电源后，未来微电网增加的且超出第一设定变化区间TH的上限值的电量可以被储能系统平衡掉（存储掉），此时
Figure 764363DEST_PATH_IMAGE018
越大储能系统的利用率就越高，浪费的电能就越少；当微电网预期的有效电力增量大于储能系统余量时，表示储能系统不能有效的平衡掉未来设定时间内的微电网增加电量，这时可能会使电网继续处于不稳定状态，或者不稳定状态变得更严重,此时将
Figure 861632DEST_PATH_IMAGE018
置为0。
需要说明的是，
Figure DEST_PATH_IMAGE082
越大表示子集S中分布式电源的不稳定程度、能量损失率、每组分布式电源的输出功率序列和微电网功率变化序列的相关性大，越需要切除。
Figure 320557DEST_PATH_IMAGE016
表示子集S中任意两个不同出力特征的差值的L2范数（欧式范数）的均值，该值越小，说明子集S中的出力特征越相似，越集中。因此，
Figure 212290DEST_PATH_IMAGE004
越大说明子集S中的分布式电源的不稳定程度、能量损失率、每组分布式电源的输出功率序列和微电网功率变化序列的相关性大，同时这些出力特征相似。而
Figure 5934DEST_PATH_IMAGE020
值越大说明某些超出第一设定变化区间TH上限值的电量就越多，这些电量虽然超出了第一设定变化区间，导致微电网失衡，但是这些电量如果能被储能系统存储起来的话无疑是减少了能源的浪费，增加了微电网能量利用率。
2）预先构建一个大数据系统，将微电网的实时输出功率数据，存储在大数据系统；利用大数据系统以及穷举法，计算
Figure DEST_PATH_IMAGE084
的最大值，并确定对应的分布式电源的子集S为最优子集。
本实施例中的实时数据包括功率数据、储能系统存储量数据等；其中常用的大数据系统框架包括Hadoop、mapreduce等，由于数据量过大，因此微电网的实时数据可以分布式存储在云平台的节点上，每个云节点除了有数据存储功能，还具有计算能力，这些云节点由中心服务器控制。
上述实施例中，在计算
Figure 562686DEST_PATH_IMAGE084
的最大值时，穷举子集S，分别计算出子集S取不同值时
Figure 250019DEST_PATH_IMAGE084
的值，具体的计算过程可以交给大数据系统中的云平台的节点一同计算，然后各端将计算的结果共享给中心服务器，中心服务器获取取值最大的
Figure 781494DEST_PATH_IMAGE084
以及对应的子集S，即利用云平台获得了使
Figure 796855DEST_PATH_IMAGE084
达到最大值的子集S，该子集S为切除的最优子集。
本发明通过确定切除的最优子集，能够切除子集S中的分布式电源（转为切机运行模式），不仅能够减小微电网的功率波动，使得微电网趋于稳定；还能够在切除掉多组分布式电源后，保证微电网能量利用率和储能系统的利用率。
另外，当
Figure DEST_PATH_IMAGE086
小于第一设定变化区间TH的下限值时，说明微电网功率降低，此时储能系统需要持续放电，当储能系统的剩余电量为0（或接近于0）时，将所有的分布式电源并入电网，以此来提高微电网的功率，如果微电网功率持续降低，那么此时只能切除负荷，牺牲电力用户的利益来维护整个微电网和大电网的稳定，避免出现电网事故。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于云计算与大数据的微电网分布式能源管理方法，其特征在于，包括：
获取不同时序下的微电网的输出功率序列，根据所述输出功率序列，得到微电网的功率变化序列；当所述功率变化序列超出第一设定变化区间的上限值或下限值，判断微电网出现异常波动；
当所述功率变化序列大于第一设定变化区间的上限值时：
根据所述微电网的功率变化序列，利用网络模型，预测未来设定时间内的微电网预测功率变化序列；根据所述微电网预测功率变化序列，计算微电网预测功率变化序列的电力增量；
比较当前储能系统剩余存储电量与所述电力增量的大小，若当前储能系统剩余存储电量大于电力增量，则向储能系统充电；若当前储能系统剩余存储电量小于电力增量，则按照设定规则计算有效电力增量；
比较当前储能系统剩余存储电量与所述有效电力增量的大小，当前储能系统剩余存储电量大于有效电力增量，则确定切除的分布式电源的子集；所述子集为去掉有效电力增量对应的分布式电源后剩余的分布式电源；
其中，所述设定规则为：
获取各组分布式电源的输出功率序列，并构成一个分布式电源集合；随机获取分布式电源集合中任意非空的子集，根据所述子集中的各组分布式电源的输出功率序列，获取各组分布式电源的预测输出功率序列，对子集中所有组的预测输出功率序列中对应的元素求和，得到融合输出功率序列，并将融合输出功率序列与微电网预测输出功率序列作差，得到微电网调控预期功率序列；将微电网调控预期功率序列中的元素分别与电网稳定时的目标功率作差，进而得到微电网调控预期功率变化序列；所述微电网预测输出功率序列是将所述微电网预测功率变化序列中的元素分别与所述目标功率求和得到的序列；比较微电网调控预期功率变化序列与第一设定变化区间的上限值的大小，将微电网调控预期功率变化序列中小于上限值的元素置0，大于上限值的元素不变，得到有效调控序列，并计算所述有效调控序列的有效电力增量；
还包括获取所述子集的出力特征集合，并根据所述出力特征集合以及所述分布式电源的子集，得到切除的最优子集的步骤；
获取最优子集的方法为：
构建目标函数模型；
预先构建一个大数据系统，将微电网的实时输出功率序列存储在大数据系统；利用大数据系统以及穷举法，计算目标函数的最大值，并得到使目标函数值最大时的分布式电源的子集为最优子集；
所述目标函数模型为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示子集S的切除合理性，
Figure DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE008
为第i个出力特征,
Figure DEST_PATH_IMAGE010
为第m个出力特征,
Figure DEST_PATH_IMAGE012
为第n个出力特征，N1为出力特征数量，N1≥2，
Figure DEST_PATH_IMAGE014
表示
Figure 546169DEST_PATH_IMAGE008
的欧式范数，
Figure DEST_PATH_IMAGE016
表示子集S中的任意两个不同出力特征的差值的欧式范数的均值；
Figure DEST_PATH_IMAGE018
为储能系统利用率，
Figure DEST_PATH_IMAGE020
为微电网能源利用率；
所述微电网能源利用率为：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
为有效电力增量，
Figure DEST_PATH_IMAGE026
为微电网调控预期功率变化序列对应的预期电力增量；
其中，
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE030
为衰减系数，
Figure DEST_PATH_IMAGE032
，
Figure DEST_PATH_IMAGE034
为微电网的有效调控序列中第k个元素，t为间隔时间，K为有效调控序列的长度，N为微电网的功率变化序列的长度；
其中，
Figure DEST_PATH_IMAGE036
其中，
Figure 645668DEST_PATH_IMAGE030
为衰减系数，
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE040
为微电网调控预期功率变化序列中第k个元素，t为间隔时间，K’为微电网调控预期功率变化序列的长度，N为微电网的功率变化序列的长度；
所述储能系统利用率
Figure 815618DEST_PATH_IMAGE018
：
Figure DEST_PATH_IMAGE042
其中，Q为储能系统余量。
2.根据权利要求1所述的基于云计算与大数据的微电网分布式能源管理方法，其特征在于，所述出力特征集合的获取方法为：
1）获取与所述功率变化序列对应的设定时间内的多组分布式电源的输出功率序列，计算各组输出功率序列的方差，将所述方差作为各组输出功率序列的不稳定程度；
2）计算各组分布式电源的能量损失率；
3）计算所述功率变化序列与所述的各组分布式电源的输出功率序列的相关性；
4）将各组分布式电源的不稳定程度、能量损失率以及相关性构成一个三维向量，将对应的所述三维向量作为子集中的对应组分布式电源的出力特征，并构成子集的出力特征集合。
3.根据权利要求2所述的基于云计算与大数据的微电网分布式能源管理方法，其特征在于，
所述相关性为：
Figure DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE046
表示功率变化序列与对应的分布式电源的输出功率序列的整体变化趋势的相似度，
Figure DEST_PATH_IMAGE048
表示功率变化序列L1中第k个元素的多项式曲线期望值，
Figure DEST_PATH_IMAGE050
为功率变化序列L1中第k个元素，
Figure DEST_PATH_IMAGE052
表示功率变化序列L1中第k个元素偏离期望值，
Figure DEST_PATH_IMAGE054
表示各组分布式电源的输出功率序列L3中第k个元素偏离期望值，
Figure DEST_PATH_IMAGE056
表示功率变化序列与对应的分布式电源的输出功率序列中相同位置的元素偏离期望值的差值。
CN202110953023.4A 2021-08-19 2021-08-19 基于云计算与大数据的微电网分布式能源管理方法 Active CN113410875B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110953023.4A CN113410875B (zh) 2021-08-19 2021-08-19 基于云计算与大数据的微电网分布式能源管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110953023.4A CN113410875B (zh) 2021-08-19 2021-08-19 基于云计算与大数据的微电网分布式能源管理方法

Publications (2)

Publication Number Publication Date
CN113410875A CN113410875A (zh) 2021-09-17
CN113410875B true CN113410875B (zh) 2021-11-02

Family

ID=77688880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110953023.4A Active CN113410875B (zh) 2021-08-19 2021-08-19 基于云计算与大数据的微电网分布式能源管理方法

Country Status (1)

Country Link
CN (1) CN113410875B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117277355B (zh) * 2023-11-09 2024-03-22 一能电气有限公司 一种智慧监测数据的输电方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001099048A2 (en) * 2000-06-22 2001-12-27 Lifef/X Networks, Inc. Non-linear morphing of faces and their dynamics
US20130238530A1 (en) * 2012-03-07 2013-09-12 International Business Machines Corporation Systems and methods for generating wind power scenarios for wind-power-integrated stochastic unit commitment problems
CN105375533A (zh) * 2015-09-23 2016-03-02 许继集团有限公司 一种含风、光可再生能源的独立微电网运行模式预测方法
CN107508303A (zh) * 2017-08-09 2017-12-22 国电南瑞科技股份有限公司 一种面向微电网的模块化储能装置优化配置及控制方法
CN107834605A (zh) * 2017-12-05 2018-03-23 江苏大航电子商务有限公司 一种微电网功率盈余切除控制方法及系统
CN109494723A (zh) * 2018-11-21 2019-03-19 西安特变电工电力设计有限责任公司 一种微电网系统及其控制与发电量预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001099048A2 (en) * 2000-06-22 2001-12-27 Lifef/X Networks, Inc. Non-linear morphing of faces and their dynamics
US20130238530A1 (en) * 2012-03-07 2013-09-12 International Business Machines Corporation Systems and methods for generating wind power scenarios for wind-power-integrated stochastic unit commitment problems
CN105375533A (zh) * 2015-09-23 2016-03-02 许继集团有限公司 一种含风、光可再生能源的独立微电网运行模式预测方法
CN107508303A (zh) * 2017-08-09 2017-12-22 国电南瑞科技股份有限公司 一种面向微电网的模块化储能装置优化配置及控制方法
CN107834605A (zh) * 2017-12-05 2018-03-23 江苏大航电子商务有限公司 一种微电网功率盈余切除控制方法及系统
CN109494723A (zh) * 2018-11-21 2019-03-19 西安特变电工电力设计有限责任公司 一种微电网系统及其控制与发电量预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An Improved Quick Detection Method For Fundamental Wave and Harmonics in Single-phase AC Source;Yuanji Zhang;《2013 IEEE 10th International Conference on Power Electronics and Drive Systems (PEDS)》;20130610;全文 *
Combining design of experiments, machine learning, and principal component analysis for predicting energy consumption and product quality of a natural gas processing plant;Ladan Khoshnevisan;《INTERNATIONAL JOURNAL OF ENERGY RESEARCH》;20201027;全文 *
考虑机组动态特性的超短期风电功率预测及不确定性量化分析;黄慧;《电力系统保护与控制》;20210416;全文 *
风电功率组合预测方法及其应用研究;李晓曦;《中国优秀硕士学位论文全文数据库》;20161215;全文 *

Also Published As

Publication number Publication date
CN113410875A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
Liu et al. Model-free fast frequency control support with energy storage system
CN105406496B (zh) 一种基于实测频率响应辨识的孤立微电网调频控制方法
Jallad et al. Improved UFLS with consideration of power deficit during shedding process and flexible load selection
Kumar et al. Biogeography based tuning of PID controllers for Load Frequency Control in microgrid
US11398729B1 (en) Adaptive load management based on system capacity in a microgrid environment
CN112072711A (zh) 基于动态优先级的配电网灵活性优化调度方法
WO2020016808A1 (en) System and method for fluctuating renewable energy-battery optimization to improve battery life-time
CN113410875B (zh) 基于云计算与大数据的微电网分布式能源管理方法
Soni et al. Load frequency control of two interconnected area hybrid microgrid system using various optimization for the robust controller
Gonzalez et al. Model predictive control for the energy management of a hybrid PV/battery/fuel cell power plant
Goya et al. Optimal operation of controllable load and battery considering transmission constraint in smart grid
Kim et al. SOC management algorithm of battery energy storage system for PV ramp rate control
Pereira et al. Application of periodic economic MPC to a grid-connected micro-grid
Mditshwa et al. A review on sustaining power system frequency stability considering the integration of distributed energy resources (DERs)
KR20200129555A (ko) 충전율 제어가 가능한 에너지 저장 시스템 및 이의 제어 방법
Cetinkaya et al. Impact of increasing renewable energy sources on power system stability and determine optimum demand response capacity for frequency control
Jusoh et al. Control strategy of a grid-connected photovoltaic with battery energy storage system for hourly power dispatch
Liu et al. Renewable Energy Power System Frequency Control by using PID controller and Genetic Algorithm
KR101936293B1 (ko) 에너지 저장 시스템
Kazari et al. Predictive Utilization of Energy Storage for Wind Power Fluctuation Mitigation
Li et al. Development of control strategy to increase the lifetime of grid-connected Li-ion battery
Deven et al. Fast Frequency Response Constrained Unit Commitment for Low Inertia Grids
Said et al. Enhancement of microgrid stability using a novel scheme of load shedding based-DFR coordinated with SMES
Cong et al. A power smoothing approach based on battery energy storage system for power fluctuations of wind power generation
CN112952875B (zh) 用户侧电池储能系统保护方法、装置、设备及存储介质

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