CN113723003B - 基于模糊神经网络的配电网三相不平衡源定位方法及装置 - Google Patents

基于模糊神经网络的配电网三相不平衡源定位方法及装置 Download PDF

Info

Publication number
CN113723003B
CN113723003B CN202111028587.3A CN202111028587A CN113723003B CN 113723003 B CN113723003 B CN 113723003B CN 202111028587 A CN202111028587 A CN 202111028587A CN 113723003 B CN113723003 B CN 113723003B
Authority
CN
China
Prior art keywords
phase
neural network
fuzzy neural
fundamental wave
output
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
CN202111028587.3A
Other languages
English (en)
Other versions
CN113723003A (zh
Inventor
栾乐
许中
莫文雄
王勇
彭和平
孔令明
崔屹平
刘俊翔
罗思敏
周凯
徐硕
范旭娟
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid 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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111028587.3A priority Critical patent/CN113723003B/zh
Publication of CN113723003A publication Critical patent/CN113723003A/zh
Application granted granted Critical
Publication of CN113723003B publication Critical patent/CN113723003B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • 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
    • H02J3/26—Arrangements for eliminating or reducing asymmetry in polyphase networks
    • 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
    • Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供的基于模糊神经网络的配电网三相不平衡源定位方法及装置，在配电网的公共耦合点处获取三相相电压和三相相电流，以保证采样数据的可靠性，当获取到三相相电压和三相相电流后，接着可以确定三相相电压的基波幅值和相位，以及三相相电流的基波幅值和相位，并将其输入到预先配置的模糊神经网络中，以便通过模糊神经网络来预测三相不平衡源贡献度差值，进而利用三相不平衡源贡献度差值来确定对应的三相不平衡源，相较于现有技术而言，本申请无需过多的计算分析过程，即可确定三相不平衡源的具体位置，耗时较短，有效提高工作效率。

Description

基于模糊神经网络的配电网三相不平衡源定位方法及装置
技术领域
本发明涉及配电网技术领域，尤其涉及一种基于模糊神经网络的配电网三相不平衡源定位方法、装置、存储介质及计算机设备。
背景技术
电力系统的电压不平衡一般是由供电环节的不平衡和用电环节的不平衡共同造成。供电环节即发、输、变、配电环节，其中所涉及的三相元件均可导致电压不平衡；用电环节的不平衡主要由系统中的各类不平衡负荷引起，如电铁、电弧炉以及家用单相负荷等。电力系统中单相负荷在各相之间的分布不均匀以及不对称传输线路的不完全换相是电压不平衡产生的两个主要因素。
国家标准GB-T15543-2008对三相电压不平衡作了如下规定：电网正常运行时，负序电压不平衡度不超过2％，短时不超过4％；接于公共耦合点PCC(Point of CommonCoupling)的每个用户引起该点负序电压不平衡度允许值一般为1.3％，短时不超过2.6％。
当电力系统处于三相不平衡运行状态时，电压和电流中所含的负序分量将对电气设备产生诸多不良影响，如引起电动机的附加发热、降低电动机效率；使变压器局部过热、缩短绝缘寿命；增加输电线路的附加功率损耗、降低电力系统运行的经济性等；另外，负序分量偏大还可导致电力系统的保护和自动装置误动作，威胁电力系统的安全运行。当系统在正常运行状态下的公共连接点电压不平衡度超过国标规定时，如何判定三相不平衡扰动源的位置，对采取进一步的治理措施尤为重要。
近年来，有专家和学者针对三相不平衡扰动源的定位问题也开展了研究，所提出的定位方法大多需要基于通过系统序分量的戴维南等值或诺顿等值电路的分析。因此，负序阻抗的估算问题成了三相不平衡扰动源定位的关键。
已有的阻抗估计方法大多针对谐波源，是在假设系统三相对称的情况下开展分析和研究的，并且所提出的方法在实际应用中往往会受到采样数据不同步、系统频率变化等问题的影响。同时，已有的定位方法分析过程较为复杂，参数实时性欠佳。以根据序分量法计算三序参数为例，该过程涉及相量方程组运算，计算过程复杂，耗时相对较长，亟需改进。
发明内容
本发明的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中的定位方法分析过程较为复杂，耗时相对较长的技术缺陷。
本发明提供了一种基于模糊神经网络的配电网三相不平衡源定位方法，所述方法包括：
获取配电网中公共耦合点处的三相相电压和三相相电流；
确定与所述三相相电压对应的基波幅值和相位，以及与所述三相相电流对应的基波幅值和相位；
将所述三相相电压对应的基波幅值和相位，以及所述三相相电流对应的基波幅值和相位输入至预先配置的模糊神经网络中，得到所述模糊神经网络输出的三相不平衡源贡献度差值；
其中，所述模糊神经网络为，以训练三相相电压对应的基波幅值和相位，以及训练三相相电流对应的基波幅值和相位为训练样本，以实际三相不平衡源贡献度差值为样本标签训练得到的；
基于所述三相不平衡贡献度差值确定对应的三相不平衡源。
可选地，所述确定与所述三相相电压对应的基波幅值和相位，以及与所述三相相电流对应的基波幅值和相位的步骤，包括：
在所述公共耦合点处获取预设周期内多次采集的三相相电压和三相相电流；
对所述多次采集的三相相电压和三相相电流进行快速傅里叶变换，得到与所述三相相电压对应的基波幅值和相位，以及与所述三相相电流对应的基波幅值和相位。
可选地，所述模糊神经网络包括输入层、RBF层、规则化层和输出层；
所述将所述三相相电压对应的基波幅值和相位，以及所述三相相电流对应的基波幅值和相位输入至预先配置的模糊神经网络中，得到所述模糊神经网络输出的三相不平衡源贡献度差值的步骤，包括：
将所述三相相电压对应的基波幅值和相位，以及所述三相相电流对应的基波幅值和相位分别输入至所述输入层中的各个神经元，得到各个神经元输出的输出变量；
通过所述RBF层对各个神经元输出的输出变量进行模糊化处理，得到每个输出变量对应的隶属度函数；
利用所述规则化层对各个输出变量对应的隶属度函数进行多种可能性组合，并得到每种可能性组合对应的组合结果；
通过所述输出层对每种可能性组合对应的组合结果进行加权求和后，得到所述模糊神经网络输出的三相不平衡源贡献度差值。
可选地，所述通过所述RBF层对各个神经元输出的输出变量进行模糊化处理，得到每个输出变量对应的隶属度函数的步骤，包括：
通过所述RBF层确定与每个神经元输出的输出变量对应的预设分割数的语义变量的可能值；
根据所述语义变量的可能值确定每个输出变量对应的隶属度函数。
可选地，所述模糊神经网络还包括归一化层；
所述通过所述输出层对每种可能性组合对应的组合结果进行加权求和后，得到所述模糊神经网络输出的三相不平衡源贡献度差值的步骤之前，还包括：
通过所述归一化层对每种可能性组合对应的组合结果进行归一化处理，并将归一化处理后的组合结果输入至所述输出层。
可选地，所述模糊神经网络的训练过程包括：
将所述训练三相相电压对应的基波幅值和相位，以及所述训练三相相电流对应的基波幅值和相位输入至模糊神经网络中，得到所述模糊神经网络输出的预测三相不平衡源贡献度差值；
以所述预测三相不平衡源贡献度差值趋近于所述实际三相不平衡源贡献度差值为训练目标，更新模型参数；
当所述模糊神经网络满足预设的训练条件时，则停止更新所述模型参数，得到最终的模糊神经网络。
可选地，所述基于所述三相不平衡贡献度差值确定对应的三相不平衡源的步骤，包括：
若所述三相不平衡贡献度差值为正，则所述配电网的电源侧为三相不平衡源；
若所述三相不平衡贡献度差值为负，则所述配电网的负荷侧为三相不平衡源。
本发明还提供了一种基于模糊神经网络的配电网三相不平衡源定位装置，包括：
数据获取模块，用于获取配电网中公共耦合点处的三相相电压和三相相电流；
幅值相位确定模块，用于确定与所述三相相电压对应的基波幅值和相位，以及与所述三相相电流对应的基波幅值和相位；
贡献度差值确定模块，用于将所述三相相电压对应的基波幅值和相位，以及所述三相相电流对应的基波幅值和相位输入至预先配置的模糊神经网络中，得到所述模糊神经网络输出的三相不平衡源贡献度差值；
其中，所述模糊神经网络为，以训练三相相电压对应的基波幅值和相位，以及训练三相相电流对应的基波幅值和相位为训练样本，以实际三相不平衡源贡献度差值为样本标签训练得到的；
不平衡源定位模块，用于基于所述三相不平衡贡献度差值确定对应的三相不平衡源。
本发明还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述基于模糊神经网络的配电网三相不平衡源定位方法的步骤。
本发明还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述基于模糊神经网络的配电网三相不平衡源定位方法的步骤。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明提供的基于模糊神经网络的配电网三相不平衡源定位方法、装置、存储介质及计算机设备，在配电网的公共耦合点处获取三相相电压和三相相电流，以保证采样数据的可靠性，当获取到三相相电压和三相相电流后，接着可以确定三相相电压的基波幅值和相位，以及三相相电流的基波幅值和相位，并将其输入到预先配置的模糊神经网络中，以便通过模糊神经网络来预测三相不平衡源贡献度差值，进而利用三相不平衡源贡献度差值来确定对应的三相不平衡源，相较于现有技术而言，本申请无需过多的计算分析过程，即可确定三相不平衡源的具体位置，耗时较短，有效提高工作效率。
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，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地介绍，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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于模糊神经网络的配电网三相不平衡定位方法的流程示意图；
图2为本发明实施例提供的电源侧不平衡源与负荷侧不平衡源之间的矢量关系结构示意图；
图3为本发明实施例提供的一种基于模糊神经网络的配电网三相不平衡源定位装置的结构示意图；
图4为本发明实施例提供的一种计算机设备的内部结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
近年来，有专家和学者针对三相不平衡扰动源的定位问题也开展了研究，所提出的定位方法大多需要基于通过系统序分量的戴维南等值或诺顿等值电路的分析。因此，负序阻抗的估算问题成了三相不平衡扰动源定位的关键。
已有的阻抗估计方法大多针对谐波源，是在假设系统三相对称的情况下开展分析和研究的，并且所提出的方法在实际应用中往往会受到采样数据不同步、系统频率变化等问题的影响。同时，已有的定位方法分析过程较为复杂，参数实时性欠佳。以根据序分量法计算三序参数为例，该过程涉及相量方程组运算，计算过程复杂，耗时相对较长，亟需改进。
因此，本申请为解决上述技术问题，提出如下技术方案，具体如下所示：
在一个实施例中，如图1所示，图1为本发明实施例提供的一种基于模糊神经网络的配电网三相不平衡定位方法的流程示意图；本发明提供了一种基于模糊神经网络的配电网三相不平衡源定位方法，具体包括如下：
S110：获取配电网中公共耦合点处的三相相电压和三相相电流。
本步骤中，为了对配电网中的三相不平衡源进行定位，可以在配电网的运行过程中，采集配电网中的三相相电压和三相相电流，继而对三相相电压和三相相电流进行后续分析。
进一步地，在采集配电网的三相相电压和三相相电流的过程中，考虑到配电网的结构较为复杂，且采集设备成本等因素，本申请在配电网的公共耦合点(PCC)处统一采集三相相电压和三相相电流，进而保证采集数据的可靠性。
需要说明的是，当电力系统产生三相不平衡源时，PCC处三相相电压、三相相电流均会由三相平衡转变为三相不平衡，并且，三相相电压、三相相电流均和三相不平衡源的位置存在电气对应关系，因此，本申请通过对采集到的三相相电压和三相相电流进行一定的分析计算后，即可确定对应的三相不平衡源。
S120：确定与三相相电压对应的基波幅值和相位，以及与三相相电流对应的基波幅值和相位。
本步骤中，通过S110获取公共耦合点处的三相相电压和三相相电流后，由于三相相电压和三相相电流均为相量，因而本申请可以采用两个标量(幅值和相位)来描述三相相电压和三相相电流。
进一步地，本申请获取到三相相电压和三相相电流后，由于三相相电压和三相相电流为离散数据，因此，本申请可以运用快速傅里叶变化对离散采样数据进行处理，并分析相电压相电流参数。
S130：将三相相电压对应的基波幅值和相位，以及三相相电流对应的基波幅值和相位输入至预先配置的模糊神经网络中，得到模糊神经网络输出的三相不平衡源贡献度差值。
本步骤中，通过S120确定三相相电压的基波幅值和相位，以及三相相电流的基波幅值和相位后，接着，可以将三相相电压的基波幅值和相位，以及三相相电流的基波幅值和相位输入至预先配置的模糊神经网络中，以通过该模糊神经网络预测三相不平衡贡献度差值。
具体地，本发明自定义一种三相不平衡源对三相不平衡现象的贡献度，构建贡献度差值，并以之定位三相不平衡源；该过程主要是基于模糊神经网络来构建三相相电压、三相相电流基波相量和三相不平衡源贡献度差值的模糊关系逻辑，从而简化基于三相相电压、三相相电流采样数据定位三相不平衡源位置的分析过程，降低相关计算难度，提升分析实时性。
举例来说，三相不平衡源包括电源侧不平衡源和负荷侧不平衡源，本申请定义电源侧不平衡源的贡献度为：
Figure BDA0003244254260000071
其中，Usource为电源侧不平衡源单独存在时，PCC处产生的负序不平衡电压幅值，U2为电源侧不平衡源和负荷侧不平衡源同时存在时PCC处的实际负序电压幅值，Fsource为电源侧不平衡源对三相不平衡的贡献度。
定义负荷侧不平衡源的贡献度为：
Figure BDA0003244254260000072
其中，Uload为负荷侧不平衡源单独存在时，PCC处产生的负序不平衡电压幅值，Fload为负荷侧不平衡源对三相不平衡的贡献度。
需要说明的是，本申请考虑到矢量性，电源侧不平衡源与负荷侧不平衡源对三相不平衡的贡献度之和大于1，且各自的贡献度均属于[0，1]，两者的贡献度差值属于[-1，1]，如图2所示，图2为本发明实施例提供的电源侧不平衡源与负荷侧不平衡源之间的矢量关系结构示意图；由图2可知，本申请中矢量性对判别贡献度较大者没有影响，因此，三相不平衡贡献度差值的定义如下：
y＝Fsource-Fload
其中，y表示三相不平衡贡献度差值，是由电源侧不平衡源对不平衡的贡献度减去负荷侧不平衡源对不平衡的贡献度得到的。
进一步地，本申请中的模糊神经网络是以训练三相相电压对应的基波幅值和相位，以及训练三相相电流对应的基波幅值和相位为训练样本，以实际三相不平衡源贡献度差值为样本标签训练得到的。其中，模糊神经网络可以包括多个级联的网络构建而成的，如输入层、RBF层、规则化层和输出层等。
另外，在将三相相电压的基波幅值和相位，以及三相相电流的基波幅值和相位输入至模糊神经网络之前，还可以对三相相电压的基波幅值和相位，以及三相相电流的基波幅值和相位进行归一化处理，以便将输入相量映射到[0，1]范围内。
S140：基于三相不平衡贡献度差值确定对应的三相不平衡源。
本步骤中，通过S130得到三相不平衡贡献度差值后，接着可以根据该三相不平衡贡献度差值确定对应的三相不平衡源。
具体地，当电源侧出现三相不平衡源时，PCC处的三相相电压、三相相电流基波参数的不平衡贡献完全来自电源侧不平衡源，反之完全来自负荷侧；当PCC两侧均有三相不平衡源时，两者对PCC三相相电压、三相相电流基波参数不平衡均有一定程度贡献，因此，本申请定义三相不平衡源贡献度差值为电源侧贡献度减去负荷侧贡献度，当三相不平衡源贡献度差值为正时，即电源侧不平衡源贡献度大于负荷侧不平衡源贡献度，此时主要不平衡源则位于电源侧，反之在负荷侧。
可以理解的是，本申请中三相不平衡源贡献度差值存在[-1，1]的模糊状态，属于具有模糊性的单一变量，因此，可根据该参数对主要三相不平衡源进行定位。
上述实施例中，在配电网的公共耦合点处获取三相相电压和三相相电流，以保证采样数据的可靠性，当获取到三相相电压和三相相电流后，接着可以确定三相相电压的基波幅值和相位，以及三相相电流的基波幅值和相位，并将其输入到预先配置的模糊神经网络中，以便通过模糊神经网络来预测三相不平衡源贡献度差值，进而利用三相不平衡源贡献度差值来确定对应的三相不平衡源，相较于现有技术而言，本申请无需过多的计算分析过程，即可确定三相不平衡源的具体位置，耗时较短，有效提高工作效率。
在一个实施例中，S120中确定与所述三相相电压对应的基波幅值和相位，以及与所述三相相电流对应的基波幅值和相位的步骤，可以包括：
S121：在所述公共耦合点处获取预设周期内多次采集的三相相电压和三相相电流。
S122：对所述多次采集的三相相电压和三相相电流进行快速傅里叶变换，得到与所述三相相电压对应的基波幅值和相位，以及与所述三相相电流对应的基波幅值和相位。
本实施例中，考虑到PCC处测量仪表获取的三相相电压、三相相电流为离散数据，因此，可以利用快速傅里叶变换对上述数据进行分析，获取三相相电压、三相相电流的基波幅值和相位，接着以它们作为两大类共十二个输入，输送至模糊神经网络中。
具体地，本申请对三相相电压、三相相电流进行快速傅里叶变换之前，可以获取PCC处在预设周期内多次采样后得到的多组三相相电压、三相相电流数据，并按照下述公式进行快速傅里叶变换，公式如下：
Figure BDA0003244254260000101
其中，M为单个电网工频周期(即1/50秒，0.02秒)内的采样点数，x(n)为第n次采样时的采样数据，该采样数据即为PCC处采集的三相相电压、三相相电流，A为三相相电压、三相相电流对应的基波幅值，a，b为其实部和虚部，
Figure BDA0003244254260000102
为三相相电压、三相相电流基波对应的相位。
在一个实施例中，所述模糊神经网络可以包括输入层、RBF层、规则化层和输出层。
S130中将所述三相相电压对应的基波幅值和相位，以及所述三相相电流对应的基波幅值和相位输入至预先配置的模糊神经网络中，得到所述模糊神经网络输出的三相不平衡源贡献度差值的步骤，可以包括：
S131：将所述三相相电压对应的基波幅值和相位，以及所述三相相电流对应的基波幅值和相位分别输入至所述输入层中的各个神经元，得到各个神经元输出的输出变量。
S132：通过所述RBF层对各个神经元输出的输出变量进行模糊化处理，得到每个输出变量对应的隶属度函数。
S133：利用所述规则化层对各个输出变量对应的隶属度函数进行多种可能性组合，并得到每种可能性组合对应的组合结果。
S134：通过所述输出层对每种可能性组合对应的组合结果进行加权求和后，得到所述模糊神经网络输出的三相不平衡源贡献度差值。
本实施例中，用于三相不平衡源定位的模糊神经网络共四层，分别为输入层、RBF层、规则化层和输出层。其中，模糊神经网络的初始连接方式可以是确定其12-P-Q-Q-1，即输入层神经元个数是12，RBF层神经元个数是P，规则化层的神经元个数为Q，输出层神经元个数为1。
可以理解的是，本申请中采集的是三相相电压和三相相电流数据，因此，在对三相相电压和三相相电流进行快速傅里叶变换后，可以得到十二个标量，该十二个对应于输入层的十二个神经元。
具体地，本申请中，输入层中的各个神经元仅负责接收信号，不对输入变量做任何处理，因此，输入层对应的公式如下：
ui(t)＝ri(t)
其中，ri(t)为第i个神经元的输入，ui(t)为第i个神经元的输出。
当得到输入层中的各个神经元的输出变量后，可以通过RBF层对各个神经元的输出变量进行模糊化处理，得到每个输出变量对应的隶属度函数，接着利用规则化层对各个输出变量对应的隶属度函数进行多种可能性组合，并得到每种可能性组合对应的组合结果。
比如说，在对各个神经元的输出变量进行模糊化处理时，可以先确定与每个神经元输出的输出变量对应的预设分割数的语义变量的可能值，接着可以根据每个输出变量对应的语义变量的可能值确定每个输出变量的隶属度函数。
由于每个输出变量对应的语义变量的可能值有多个，因此，每个输出变量的隶属度函数也有多个。利用规则化层对各个输出变量对应的隶属度函数进行多种可能性组合时，可以在每个输出变量中抽取一个隶属度函数对应的语义变量的可能值，并对各个输出变量中抽取的可能值进行组合后，得到该组合方式的组合结果，每一种组合结果产生一种主要不平衡源位置的判定结果，即本申请中的三相不平衡贡献度差值。
当得到每种可能性组合对应的组合结果后，可以通过输出层对每种可能性组合对应的组合结果进行加权求和后，从而得到模糊神经网络输出的三相不平衡源贡献度差值。
在一个实施例中，S132中通过所述RBF层对各个神经元输出的输出变量进行模糊化处理，得到每个输出变量对应的隶属度函数的步骤，可以包括：
S1321：通过所述RBF层确定与每个神经元输出的输出变量对应的预设分割数的语义变量的可能值。
S1322：根据所述语义变量的可能值确定每个输出变量对应的隶属度函数。
本实施例中，通过RBF层对各个神经元输出的输出变量进行模糊化处理时，可以先确定预设分割数，如预设分割数为3个，则代表语义变量有3个可能值，每个可能值对应1个隶属度函数，所以总共36个可能值，即有36个隶属度函数。
具体地，RBF层选取高斯函数作为隶属度函数对输入层的输出变量进行模糊化处理，公式如下：
Figure BDA0003244254260000121
其中，
Figure BDA0003244254260000122
为第j个神经元的输出，该神经元用以表征输入层中第i个输入变量对应模糊语义的某个语义变量的隶属度函数，cij(t)、σij(t)分别为隶属度函数的中心值和宽度。
本申请中，三相相电压、三相相电流的基波幅值对应隶属度函数中心分别为80％额定值、额定值和120％额定值，语义变量分别为负偏离、未偏离和正偏离；三相相电压、三相相电流的相位对应隶属度中心分别在额定相位基础上滞后120°、额定值、超前120°，语义变量分别为滞后、正常和超前。
可以理解的是，三相对称时，相电压相电流相位对应值满足对称条件，所以额定值分别为0、120、240；幅值取决于对应配电网规划，例如110KV等级配电网三相相电压幅值均为100KV，相电流同样取决于线路规划。
当通过RBF层得到多个隶属度函数后，规则化层可以构建来自RBF层中不同模糊语义的模糊变量组成的模糊条件与模糊结果对应规则的实用度，对应公式如下：
Figure BDA0003244254260000123
或
Figure BDA0003244254260000124
其中，
Figure BDA0003244254260000131
为RBF层中对应输入层中的第i个输入的第ki个语义变量的隶属度函数的神经元输出。
在一个实施例中，所述模糊神经网络还可以包括归一化层。
S134中通过所述输出层对每种可能性组合对应的组合结果进行加权求和后，得到所述模糊神经网络输出的三相不平衡源贡献度差值的步骤之前，还可以包括：通过所述归一化层对每种可能性组合对应的组合结果进行归一化处理，并将归一化处理后的组合结果输入至所述输出层。
本实施例中，归一化层的神经元对应函数如下：
Figure BDA0003244254260000132
其中，Q为该层神经元个数，αl(t)为RBF层第l个神经元的输出。
可以理解的是，由于RBF层中的组合种类过多，每一种组合均对最终计算结果(三相不平衡贡献度差值)有所贡献，将导致最终结果汇总的范围过大，甚至大于1(限定在[-1,1]，根据正负判断主要不平衡源位置)，因此，本申请为了将其映射到目标范围内，可以对规则化层的输出进行归一化处理。
归一化处理后的各个神经元的输出传入至输出层，输出层中的神经元对应函数如下：
Figure BDA0003244254260000133
其中，Q为归一化层神经元个数；vj(t)为归一化层第j个神经元的输出；wj为vj(t)的权值。
在一个实施例中，所述模糊神经网络的训练过程可以包括：
S151：将所述训练三相相电压对应的基波幅值和相位，以及所述训练三相相电流对应的基波幅值和相位输入至模糊神经网络中，得到所述模糊神经网络输出的预测三相不平衡源贡献度差值。
S152：以所述预测三相不平衡源贡献度差值趋近于所述实际三相不平衡源贡献度差值为训练目标，更新模型参数。
S153：当所述模糊神经网络满足预设的训练条件时，则停止更新所述模型参数，得到最终的模糊神经网络。
本实施例中，在利用模糊神经网络进行预测之前，本申请可以利用训练样本和样本标签来对模糊神经网络进行训练，以使模糊神经网络模型的预测准确率得到保障。
举例来说，本申请的模糊神经网络训练流程如下：
1)给定模糊神经网络RBF层和归一化层的神经元个数P，模糊神经网络输入为三相相电压、相电流基波幅值和相位参数；对应的期望输出为三相不平衡贡献度差值(考虑到PCC两侧三相不平衡源贡献度均为50％的可能性较低，认为贡献度差值为0即为三相平衡)；三相相电压、三相相电流基波、期望值误差设为小于0.01；幅值隶属度函数中心宽度区间均为额定值的[0，40％]；三相相电压、三相相电流基波相角隶属度函数中心宽度为[0，120°]；初始权值赋值区间设置为[-1，1]；
2)设置学习步数s＝1；
3)t＝s，利用模糊神经网络预测三相不平衡贡献度差值，运用快速二次型学习算法调整计算中心制、中心宽度和权值的增量：
ΔΘ(t)＝(t)+λ(t))-1×Ω(t)
其中，Θ(t)＝[c1(t),c2(t),…,cP(t),σ1(t),σ2(t),…,σP(t),w(t)]为模糊神经网络在t时刻的参数相量，并且：
Ω(t)＝jT(t)×e(t)
Ψ(t)＝jT(t)×j(t)
e(t)＝y(t)-yd(t)
Ω(t)是t时刻模糊神经网络的梯度相量，Ψ(t)是t时刻模糊神经网络的Hessian矩阵，jT(t)是j(t)的转置，e(t)是t时刻的模糊神经网络型输出y(t)与期望值输出yd(t)的误差，Jacobian相量j(t)和学习率λ(t)的计算公式如下：
Figure BDA0003244254260000141
λ(t)＝μ×λ(t-1)
其中，μ∈(0，0.1)，μ表示影响因子，λ(1)＝0.1；
4)调整模糊神经网络的参数：
Θ(t+1)＝Θ(t)+ΔΘ(t)
其中，Θ(t)为模糊神经网络调整前的参数相量；Θ(t+1)为调整后的参数相量；
5)学习步数s增加1，若步数s<r，则转向步骤2进行继续训练；若s＝r，则转向步骤6；
6)计算出神经网络模型的性能，若E(t)≥Ed(t)，则转向步骤2进行继续训练，否则停止，计算公式如下：
Figure BDA0003244254260000151
其中，yd(t)和y(t)分别为期望输出和实际输出，r为训练样本数，t为下表，用以区分不同次的训练及校验。
在一个实施例中，S140中基于所述三相不平衡贡献度差值确定对应的三相不平衡源的步骤，可以包括：
S141：若所述三相不平衡贡献度差值为正，则所述配电网的电源侧为三相不平衡源。
S142：若所述三相不平衡贡献度差值为负，则所述配电网的负荷侧为三相不平衡源。
本实施例中，当电源侧出现三相不平衡源时，PCC处的三相相电压、三相相电流基波参数的不平衡贡献完全来自电源侧不平衡源，反之完全来自负荷侧；当PCC两侧均有三相不平衡源时，两者对PCC三相相电压、三相相电流基波参数不平衡均有一定程度贡献，因此，本申请定义三相不平衡源贡献度差值为电源侧贡献度减去负荷侧贡献度，当三相不平衡源贡献度差值为正时，即电源侧不平衡源贡献度大于负荷侧不平衡源贡献度，此时主要不平衡源则位于电源侧，反之在负荷侧。
下面对本申请实施例提供的基于模糊神经网络的配电网三相不平衡源定位装置进行描述，下文描述的基于模糊神经网络的配电网三相不平衡源定位文本处理装置与上文描述的基于模糊神经网络的配电网三相不平衡源定位方法可相互对应参照。
在一个实施例中，如图3所示，图3为本发明实施例提供的一种基于模糊神经网络的配电网三相不平衡源定位装置的结构示意图；本发明还提供了一种基于模糊神经网络的配电网三相不平衡源定位装置，包括数据获取模块210、幅值相位确定模块220、贡献度差值确定模块230、不平衡源定位模块240，具体包括如下：
数据获取模块210，用于获取配电网中公共耦合点处的三相相电压和三相相电流。
幅值相位确定模块220，用于确定与所述三相相电压对应的基波幅值和相位，以及与所述三相相电流对应的基波幅值和相位。
贡献度差值确定模块230，用于将所述三相相电压对应的基波幅值和相位，以及所述三相相电流对应的基波幅值和相位输入至预先配置的模糊神经网络中，得到所述模糊神经网络输出的三相不平衡源贡献度差值。
其中，所述模糊神经网络为，以训练三相相电压对应的基波幅值和相位，以及训练三相相电流对应的基波幅值和相位为训练样本，以实际三相不平衡源贡献度差值为样本标签训练得到的。
不平衡源定位模块240，用于基于所述三相不平衡贡献度差值确定对应的三相不平衡源。
上述实施例中，在配电网的公共耦合点处获取三相相电压和三相相电流，以保证采样数据的可靠性，当获取到三相相电压和三相相电流后，接着可以确定三相相电压的基波幅值和相位，以及三相相电流的基波幅值和相位，并将其输入到预先配置的模糊神经网络中，以便通过模糊神经网络来预测三相不平衡源贡献度差值，进而利用三相不平衡源贡献度差值来确定对应的三相不平衡源，相较于现有技术而言，本申请无需过多的计算分析过程，即可确定三相不平衡源的具体位置，耗时较短，有效提高工作效率。
在一个实施例中，本发明还提供了一种存储介质，所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述基于模糊神经网络的配电网三相不平衡源定位方法的步骤。
在一个实施例中，本发明还提供了一种计算机设备，所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述实施例中任一项所述基于模糊神经网络的配电网三相不平衡源定位方法的步骤。
示意性地，如图4所示，图4为本发明实施例提供的一种计算机设备的内部结构示意图，该计算机设备300可以被提供为一服务器。参照图4，计算机设备300包括处理组件302，其进一步包括一个或多个处理器，以及由存储器301所代表的存储器资源，用于存储可由处理组件302的执行的指令，例如应用程序。存储器301中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件302被配置为执行指令，以执行上述任意实施例的文本识别方法。
计算机设备300还可以包括一个电源组件303被配置为执行计算机设备300的电源管理，一个有线或无线网络接口304被配置为将计算机设备300连接到网络，和一个输入输出(I/O)接口305。计算机设备300可以操作基于存储在存储器301的操作系统，例如WindowsServer TM、Mac OS XTM、Unix TM、Linux TM、Free BSDTM或类似。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于模糊神经网络的配电网三相不平衡源定位方法，其特征在于，所述方法包括：
获取配电网中公共耦合点处的三相相电压和三相相电流；
确定与所述三相相电压对应的基波幅值和相位，以及与所述三相相电流对应的基波幅值和相位；
将所述三相相电压对应的基波幅值和相位，以及所述三相相电流对应的基波幅值和相位输入至预先配置的模糊神经网络中，所述模糊神经网络包括输入层、RBF层、规则化层和输出层；
将所述三相相电压对应的基波幅值和相位，以及所述三相相电流对应的基波幅值和相位分别输入至所述输入层中的各个神经元，得到各个神经元输出的输出变量；
通过所述RBF层对各个神经元输出的输出变量进行模糊化处理，得到每个输出变量对应的隶属度函数；
利用所述规则化层对各个输出变量对应的隶属度函数进行多种可能性组合，并得到每种可能性组合对应的组合结果；
通过所述输出层对每种可能性组合对应的组合结果进行加权求和后，得到所述模糊神经网络输出的三相不平衡源贡献度差值；
其中，所述模糊神经网络为，以训练三相相电压对应的基波幅值和相位，以及训练三相相电流对应的基波幅值和相位为训练样本，以实际三相不平衡源贡献度差值为样本标签训练得到的；
基于所述三相不平衡贡献度差值确定对应的三相不平衡源。
2.根据权利要求1所述的基于模糊神经网络的配电网三相不平衡源定位方法，其特征在于，所述确定与所述三相相电压对应的基波幅值和相位，以及与所述三相相电流对应的基波幅值和相位的步骤，包括：
在所述公共耦合点处获取预设周期内多次采集的三相相电压和三相相电流；
对所述多次采集的三相相电压和三相相电流进行快速傅里叶变换，得到与所述三相相电压对应的基波幅值和相位，以及与所述三相相电流对应的基波幅值和相位。
3.根据权利要求1所述的基于模糊神经网络的配电网三相不平衡源定位方法，其特征在于，所述通过所述RBF层对各个神经元输出的输出变量进行模糊化处理，得到每个输出变量对应的隶属度函数的步骤，包括：
通过所述RBF层确定与每个神经元输出的输出变量对应的预设分割数的语义变量的可能值；
根据所述语义变量的可能值确定每个输出变量对应的隶属度函数。
4.根据权利要求1所述的基于模糊神经网络的配电网三相不平衡源定位方法，其特征在于，所述模糊神经网络还包括归一化层；
所述通过所述输出层对每种可能性组合对应的组合结果进行加权求和后，得到所述模糊神经网络输出的三相不平衡源贡献度差值的步骤之前，还包括：
通过所述归一化层对每种可能性组合对应的组合结果进行归一化处理，并将归一化处理后的组合结果输入至所述输出层。
5.根据权利要求1所述的基于模糊神经网络的配电网三相不平衡源定位方法，其特征在于，所述模糊神经网络的训练过程包括：
将所述训练三相相电压对应的基波幅值和相位，以及所述训练三相相电流对应的基波幅值和相位输入至模糊神经网络中，得到所述模糊神经网络输出的预测三相不平衡源贡献度差值；
以所述预测三相不平衡源贡献度差值趋近于所述实际三相不平衡源贡献度差值为训练目标，更新模型参数；
当所述模糊神经网络满足预设的训练条件时，则停止更新所述模型参数，得到最终的模糊神经网络。
6.根据权利要求1所述的基于模糊神经网络的配电网三相不平衡源定位方法，其特征在于，所述基于所述三相不平衡贡献度差值确定对应的三相不平衡源的步骤，包括：
若所述三相不平衡贡献度差值为正，则所述配电网的电源侧为三相不平衡源；
若所述三相不平衡贡献度差值为负，则所述配电网的负荷侧为三相不平衡源。
7.一种基于模糊神经网络的配电网三相不平衡源定位装置，其特征在于，包括：
数据获取模块，用于获取配电网中公共耦合点处的三相相电压和三相相电流；
幅值相位确定模块，用于确定与所述三相相电压对应的基波幅值和相位，以及与所述三相相电流对应的基波幅值和相位；
贡献度差值确定模块，用于将所述三相相电压对应的基波幅值和相位，以及所述三相相电流对应的基波幅值和相位输入至预先配置的模糊神经网络中，所述模糊神经网络包括输入层、RBF层、规则化层和输出层；
将所述三相相电压对应的基波幅值和相位，以及所述三相相电流对应的基波幅值和相位分别输入至所述输入层中的各个神经元，得到各个神经元输出的输出变量；
通过所述RBF层对各个神经元输出的输出变量进行模糊化处理，得到每个输出变量对应的隶属度函数；
利用所述规则化层对各个输出变量对应的隶属度函数进行多种可能性组合，并得到每种可能性组合对应的组合结果；
通过所述输出层对每种可能性组合对应的组合结果进行加权求和后，得到所述模糊神经网络输出的三相不平衡源贡献度差值；
其中，所述模糊神经网络为，以训练三相相电压对应的基波幅值和相位，以及训练三相相电流对应的基波幅值和相位为训练样本，以实际三相不平衡源贡献度差值为样本标签训练得到的；
不平衡源定位模块，用于基于所述三相不平衡贡献度差值确定对应的三相不平衡源。
8.一种存储介质，其特征在于：所述存储介质中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至6中任一项所述基于模糊神经网络的配电网三相不平衡源定位方法的步骤。
9.一种计算机设备，其特征在于：所述计算机设备中存储有计算机可读指令，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至6中任一项所述基于模糊神经网络的配电网三相不平衡源定位方法的步骤。
CN202111028587.3A 2021-09-02 2021-09-02 基于模糊神经网络的配电网三相不平衡源定位方法及装置 Active CN113723003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111028587.3A CN113723003B (zh) 2021-09-02 2021-09-02 基于模糊神经网络的配电网三相不平衡源定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111028587.3A CN113723003B (zh) 2021-09-02 2021-09-02 基于模糊神经网络的配电网三相不平衡源定位方法及装置

Publications (2)

Publication Number Publication Date
CN113723003A CN113723003A (zh) 2021-11-30
CN113723003B true CN113723003B (zh) 2022-08-12

Family

ID=78681226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111028587.3A Active CN113723003B (zh) 2021-09-02 2021-09-02 基于模糊神经网络的配电网三相不平衡源定位方法及装置

Country Status (1)

Country Link
CN (1) CN113723003B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8849614B2 (en) * 2002-11-06 2014-09-30 Gridquant, Inc. System and method for monitoring and managing three-phase power flows in electrical transmission and distribution networks
DK2485358T4 (da) * 2011-02-07 2022-01-10 Siemens Gamesa Renewable Energy As System og fremgangsmåde til at dæmpe en elektrisk ubalance af en trefasestrøm ved et fælles koblingspunkt mellem en vindmøllepark og et forsyningsnet
CN105915136B (zh) * 2016-05-29 2018-10-12 南京理工大学 基于模糊神经网络的电机电流谐波抑制控制系统及方法
CN109617097B (zh) * 2018-12-26 2022-06-21 贵州电网有限责任公司 基于模糊神经网络算法的三相负荷不平衡自决策治理方法

Also Published As

Publication number Publication date
CN113723003A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
Wang et al. Fuzzy-neuro approach to fault classification for transmission line protection
CN102074955B (zh) 基于知识发现技术的电力系统稳定评估及控制方法
US10073148B2 (en) Fault detection in energy supply networks
Makasa et al. On-line voltage stability load index estimation based on PMU measurements
Varshney et al. ANN based integrated security assessment of power system using parallel computing
CN115480203B (zh) 一种电流互感器误差状态在线定量评估方法及系统
Saito et al. Security monitoring systems including fast transient stability studies
Sepehrirad et al. Intelligent differential protection scheme for controlled islanding of microgrids based on decision tree technique
CN111091223B (zh) 一种基于物联网智能感知技术的配变短期负荷预测方法
CN114046869B (zh) 基于电力系统日常扰动响应的宽频振荡信息在线监测方法与系统
Hong et al. A heuristic and algorithmic approach to VAR planning
Lin et al. Two-level fault diagnosis RBF networks for auto-transformer rectifier units using multi-source features
CN110783913A (zh) 基于群的计及预想事故集最佳电网拓扑在线优化方法
CN113723003B (zh) 基于模糊神经网络的配电网三相不平衡源定位方法及装置
CN103825270B (zh) 一种配电网三相状态估计雅可比矩阵常数化的处理方法
CN110472373A (zh) 一种电力系统扰动后的动态频率估计测量方法
CN117517915A (zh) 换流阀组件级回路故障检测方法、装置和计算机设备
Muzzammel et al. Wavelet multiscale principal components and traveling waves enabled machine learning technique for protection of MT-HVDC systems
Wilson et al. Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning
Jiang et al. Distributed state estimation method of distribution networks based on LSTM
Ali et al. ANFIS based synchro-phasors measurements for real-time estimation of critical clearing time
Tapia-Olvera et al. An adaptive scheme to improve prony’s method performance to estimate signal parameters of power system oscillations
Shi et al. Study on stability feature extraction of power system using deep learning
Kandenkavil et al. Performance Analysis of Optimization Based Static Distribution State Estimation Techniques
Yu et al. Real-Time Monitoring Method for Thyristor Losses in Ultra High Voltage Converter Station Based on Wavelet Optimized GA-BP 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