CN113779875A - 基于图神经模型的风力发电量预测方法及其相关设备 - Google Patents
基于图神经模型的风力发电量预测方法及其相关设备 Download PDFInfo
- Publication number
- CN113779875A CN113779875A CN202111015724.XA CN202111015724A CN113779875A CN 113779875 A CN113779875 A CN 113779875A CN 202111015724 A CN202111015724 A CN 202111015724A CN 113779875 A CN113779875 A CN 113779875A
- Authority
- CN
- China
- Prior art keywords
- fan
- power generation
- matrix
- model
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 126
- 230000001537 neural effect Effects 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011159 matrix material Substances 0.000 claims abstract description 135
- 230000015654 memory Effects 0.000 claims description 40
- 230000002457 bidirectional effect Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 230000007787 long-term memory Effects 0.000 claims description 13
- 230000006403 short-term memory Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本申请实施例属于计算机技术领域,涉及一种基于图神经模型的风力发电量预测方法及其相关设备,包括获取预设空间内风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵;将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中,获得输出的风机空间特征;将所述风机空间特征输入至预先训练的发电量预测模型中,获得输出的风机发电量预测值。本申请能够提高对发电量预测的准确性。
Description
技术领域
本申请涉及风力发电技术领域,尤其涉及基于图神经模型的风力发电量预测方法及其相关设备。
背景技术
随着计算机技术的发展和先进控制系统的应用,现代工业系统设备和结构日趋复杂,工业过程积累了大量的历史数据,这些数据包含过程的运行规律、操作者经验、产品质量和过程出现的问题等丰富的信息。风力发电是一种再生能源,其在发电过程中能够有效节省标煤并减少二氧化硫、二氧化碳和氮氧化物等气体排放量。开展风力发电量的短期预测对于电力系统调度人员制定发电计划、安排备用容量、增加系统运行的可靠性、减少对系统稳定性的影响以及规划电力系统的发展和计划检修安排等有着十分重要的意义。风力发电的发电量依赖于气象因素和环境条件的制约,存在很大的随机性和不确定性,对电网的稳定运行造成一定的影响。
常见的风力发电量预测方法包括灰色预测、神经网络、支持向量机以及自回归滑动平均模型等。而风电场风力发电量不仅受天气因素影响大,还与风电场设备运行、调度管理等因素有关。风力发电量时间序列数值波动范围大,建模和预测相对较为困难,现有预测方法的准确性不够高。
发明内容
本申请实施例的目的在于提出一种基于图神经模型的风力发电量预测方法及其相关设备,提高对发电量预测的准确性。
为了解决上述技术问题,本申请实施例提供一种基于图神经模型的风力发电量预测方法,采用了如下所述的技术方案:
一种基于图神经模型的风力发电量预测方法,包括下述步骤:
获取预设空间内风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵;
将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中进行风机空间特征提取,获得输出的风机空间特征;
将所述风机空间特征输入至预先训练的发电量预测模型中,获得输出的风机发电量预测值。
进一步的,所述发电量预测模型包括双向长短期记忆模型和全连接层,所述将所述风机空间特征输入至预先训练的发电量预测模型中,获得输出的风机发电量预测值的步骤包括:
基于时间顺序将所述风机空间特征依次输入至所述双向长短期记忆模型中,基于所述双向长短期记忆模型中的输入门、遗忘门以及输出门记忆历史时刻的风机空间特征,并与当前时刻的风机空间特征进行融合,获得输出的风机记忆特征;
将所述风机记忆特征输入至所述全连接层中,以对所述风机记忆特征进行概率预测,获得下一时刻的所述风机发电量预测值。
进一步的,所述图神经模型包括傅里叶域滤波器和多个隐藏层,所述将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中进行风机空间特征提取,获得输出的风机空间特征的步骤包括:
将所述风机特征矩阵和所述风机邻接矩阵经过所述傅里叶域滤波器,通过所述傅里叶域录波器的一阶邻域捕获所有风机之间的空间性特征,获得初始风机空间特征;
将所述初始风机空间特征经过所述多个隐藏层,以对所述初始风机空间特征进行多层次的抽象,获得所述风机空间特征。
进一步的,所述获取预设空间内风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵的步骤包括:
获取各风机的特征,并组合所述风机的特征,生成所述风机特征矩阵;
基于在每个风机的预设影响范围内的剩余风机的风机数量和风机编码生成所述风机邻接矩阵。
进一步的,将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中,获得输出的风机空间特征的步骤包括:
基于时间顺序将所述风机特征矩阵和所述风机邻接矩阵依次输入至所述图神经模型中,获得所述风机空间特征。
进一步的,在所述将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中,获得输出的风机空间特征的步骤之前:
接收历史风机特征矩阵和历史风机邻接矩阵,并将对应的历史发电量作为所述历史风机特征矩阵和历史风机邻接矩阵的标签,生成训练数据;
基于所述训练数据训练预设的初始图神经模型和初始发电量预测模型,直到所述初始图神经模型和所述初始发电量预测模型收敛,获得所述图神经模型和所述发电量预测模型。
为了解决上述技术问题,本申请实施例还提供一种基于图神经模型的风力发电量预测装置,采用了如下所述的技术方案:
一种基于图神经模型的风力发电量预测装置,包括:
获取模块,用于获取预设空间内风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵;
输入模块,用于将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中,获得输出的风机空间特征;
预测模块,用于将所述风机空间特征输入至预先训练的发电量预测模型中,获得输出的风机发电量预测值。
进一步的,所述获取模块包括第一风机特征生成子模块和第二风机特征生成子模块;
所述第一风机特征生成子模块用于获取各风机的特征,并组合所述风机的特征,生成所述风机特征矩阵;
所述第二风机特征生成子模块用于基于在每个风机的预设影响范围内的剩余风机的风机数量和风机编码生成所述风机邻接矩阵。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述的基于图神经模型的风力发电量预测方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述的基于图神经模型的风力发电量预测方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请基于风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵,基于风机特征矩阵和风机邻接矩阵进行风力发电量的预测。能够充分考虑到风机之间分布的空间拓扑特征,提升对风力发电量预测的准确性。同时,通过图神经模型进行风机空间特征的提取,进而将风机空间特征输入至发电量预测模型中进行风力发电量预测,即通过图神经模型和发电量预测模型之间的配合,实现对风力发电量的准确预测。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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。
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的基于图神经模型的风力发电量预测方法的一个实施例的流程图;
图3是根据本申请的基于图神经模型的风力发电量预测装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记:200、计算机设备;201、存储器;202、处理器;203、网络接口;300、基于图神经模型的风力发电量预测装置;301、获取模块;302、输入模块;303、预测模块。
具体实施方式
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申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于图神经模型的风力发电量预测方法一般由服务器/终端设备执行,相应地,基于图神经模型的风力发电量预测装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的基于图神经模型的风力发电量预测方法的一个实施例的流程图。所述的基于图神经模型的风力发电量预测方法,包括以下步骤:
S1:获取预设空间内风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵。
在本实施例中,预设空间指风场,风场内有N个风机,所有风机的特征组成风机特征矩阵。每一个风机作为一个节点,节点间的关系组成了一个N×N的风机邻接矩阵A。
具体的,所述获取预设空间内风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵的步骤包括:
获取各风机的特征,并组合所述各风机的特征,获得所述风机特征矩阵;
基于在每个风机的预设影响范围内的剩余风机的风机数量和风机编码生成所述风机邻接矩阵。
在本实施例中,每个风机都有自己的特征,这些特征组成了一个N×D的风机特征矩阵X。具体的:每个风机都有D维特征,共有N个风机,组成了N×D的风机特征矩阵。其中,所述风机的特征至少包括风机设备参数、位置、风力以及风向。其中,风机设备参数、位置等信息从用户设备接收,位置也可以根据GPS进行定位获得,风力以及风向从风力风向测定设备接收。基于在每个风机的预设影响范围内的剩余风机的风机数量和风机编码生成所述风机邻接矩阵,例如,1号风机周围有2、3号风机,则该风机邻接矩阵的第1行的第2列和第3列为1,第一行的其余位置为0。2号风机周围有3号风机和5号风机,则该风机邻接矩阵的第二行的第3列和第5列为1,第二行的其余位置为0。以此类推,生成风机邻接矩阵。
在本实施例中,风机的D维特征包括设备参数、位置、状态特征编码(例如风力、风向)等特征变量。
S2:将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中,获得输出的风机空间特征。
在本实施例中,图神经模型为GCN模型,将风机特征矩阵X及风机邻接矩阵A(也称关系矩阵)一起输入至GCN模型进行风机空间特征提取。
具体的,将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中,获得输出的风机空间特征的步骤包括:
基于时间顺序将所述风机特征矩阵和所述风机邻接矩阵依次输入至所述图神经模型中,获得所述风机空间特征。
在本实施例中,以长度为n的历史时间序列的数据作为输入,其中,历史时间序列的每一时刻都有对应的风机特征矩阵X,历史时间序列即指连续一段时间。例如,t-n到t时刻的n个风机特征矩阵X。由于风机特征矩阵和风机邻接矩阵是基于时间顺序输入的,故风机空间特征也是依据时间顺序输出的,则后续将风机空间特征输入至双向长短期记忆模型中,同样根据时间顺序输入。
其中,所述图神经模型包括傅里叶域滤波器和多个隐藏层,所述将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中进行风机空间特征提取,获得输出的风机空间特征的步骤包括:
将所述风机特征矩阵和所述风机邻接矩阵经过所述傅里叶域滤波器,通过所述傅里叶域录波器的一阶邻域捕获所有风机之间的空间性特征,获得初始风机空间特征;
将所述初始风机空间特征经过所述多个隐藏层,获得所述风机空间特征。
在本实施例中,本申请提取空间依赖特征(即风机空间特征):对于风机邻接矩阵A和风机特征矩阵X。GCN模型在傅里叶域中构造一个滤波器。该滤波器作用于所有风机上,滤波器通过其一阶邻域捕获到t时刻所有风机之间的空间性的特征,然后通过叠加多个隐藏层来构建GCN模型。若某一节点为中心风机,GCN模型可以获取中心风机与其周围风机之间的拓扑关系(即风机邻接矩阵),对风机邻接矩阵A和风机特征矩阵X进行编码,得到空间依赖特征(即风机空间特征)。多个隐藏层其实是对输入特征多层次的抽象,最终的目的就是为了更好的线性划分不同类型的数据(隐藏层的作用)。换言之,为了解决非线性的问题,引入了隐藏层。隐藏层的作用就如softmax运行时,将输入到输出进行映射处理,如果在这个映射中的标签还能一一对应的话,这种映射就是有效的,所以映射过程必须是线性的。这个过程感觉就跟支持向量机的核函数作用是相同的,将数据投影到其他平面,更好区分特征。
傅里叶的思想为任何函数都可以表示为不同频率的正弦/余弦之和的形式。傅里叶域是将很多函数变换到频率域,滤波器在频率域进行滤波,总体称为傅里叶域滤波器。傅里叶思想就是把看似杂乱无章的信号考虑成由一定振幅、相位、频率的基本正弦(余弦)信号组合而成,傅里叶思想的目的就是找出这些基本正弦(余弦)信号中振幅较大(能量较高)信号对应的频率,从而找出杂乱无章的信号中的主要振动频率特点。
S3:将所述风机空间特征输入至预先训练的发电量预测模型中,获得输出的风机发电量预测值。
在本实施例中,基于风机空间特征进行发电量预测,充分考虑了风机之间的位置关系,提高预测的准确度。
具体的,所述发电量预测模型包括双向长短期记忆模型和全连接层,所述将所述风机空间特征输入至预先训练的发电量预测模型中,获得输出的风机发电量预测值的步骤包括:
基于时间顺序将所述风机空间特征依次输入至所述双向长短期记忆模型中,基于所述双向长短期记忆模型中的输入门、遗忘门以及输出门记忆历史时刻的风机空间特征,并与当前时刻的风机空间特征进行融合,获得输出的风机记忆特征;
将所述风机记忆特征输入至所述全连接层中,以对所述风机记忆特征进行概率预测,获得下一时刻的所述风机发电量预测值。
在本实施例中,将风机空间特征依据时间顺序输入双向长短期记忆模型(BiLSTM)中,获取各个节点间的动态信息变化,即获得了时间性的特征,实现发电量预测模型同时考虑风机的时间特征和风机的风机空间特征,提高对风力发电量预测的准确率。最后通过一层全连接层,获得风机发电量预测值,风机发电量预测值即为下个T时刻的风场的发电量。全连接层(fully connected layers,FC)在整个网络中起到“分类器”的作用。
循环神经网络(RNN)因梯度爆炸的原因,不适用于长周期的预测。LSTM作为循环神经网络的变种,克服了上述问题,其原理都是利用门级机制储存尽可能长的周期信息。在普通RNN基础上,在隐藏层各神经单元中增加记忆单元,从而使时间序列上的记忆信息可控,每次在隐藏层各单元间传递时通过几个可控门(遗忘门、输入门、候选门、输出门),可以控制之前信息和当前信息的记忆和遗忘程度,从而使RNN网络具备了长期记忆功能,对于RNN的实际应用,有巨大作用。但单向的LSTM只能通过历史状态来预测未来,本申请为了提取出时间完整的时间依赖信息,采用双向长短期记忆模型(BiLSTM),双向长短期记忆模型(BiLSTM)中每一个训练序列向前和向后分别是两个LSTM,并且连接着同一个输出层。这个结构提供给输出层输入序列中每一个点的完整的过去和未来的上下文信息。本申请将风机空间特征输入到双向长短期记忆模型(BiLSTM)中进行前向及后向的时间依赖特征的提取及预测。
在本实施例的一些可选的实现方式中,在步骤S2之前,即在所述将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中,获得输出的风机空间特征的步骤之前,上述电子设备还可以执行以下步骤:
接收历史风机特征矩阵和历史风机邻接矩阵,并将对应的历史发电量作为所述历史风机特征矩阵和历史风机邻接矩阵的标签,生成训练数据;
基于所述训练数据训练预设的初始图神经模型和初始发电量预测模型,直到所述初始图神经模型和所述初始发电量预测模型收敛,获得所述图神经模型和所述发电量预测模型。
在本实施例中,通过将历史发电量作为历史风机特征矩阵和历史风机邻接矩阵的标签,对初始图神经模型和初始发电量预测模型进行训练,以使图神经模型和所述发电量预测模型能够用于发电量预测。
本申请同时考虑了空间和时间两个维度的影响因素,特别是风电场风机之间的影响,因此模型在预测精准度、时空预测能力和长周期预测能力上都展现了较好的性能,且适用性较强。对风力发电量进行有效的且准确的短期预测,可以为电力调度提供参考,对风力发电的推广和应用也起到了促进作用。
本申请基于风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵,基于风机特征矩阵和风机邻接矩阵进行风力发电量的预测。能够充分考虑到风机之间分布的空间拓扑特征,提升对风力发电量预测的准确性。同时,通过图神经模型进行风机空间特征的提取,进而将风机空间特征输入至发电量预测模型中进行风力发电量预测,即通过图神经模型和发电量预测模型之间的配合,实现对风力发电量的准确预测。
在本实施例中,基于图神经模型的风力发电量预测方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收历史风机特征矩阵和历史风机邻接矩阵。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种基于图神经模型的风力发电量预测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的基于图神经模型的风力发电量预测装置300包括:获取模块301、输入模块302以及预测模块303。其中:所述获取模块301,用于获取预设空间内风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵;所述输入模块302,用于将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中,获得输出的风机空间特征;所述预测模块303,用于将所述风机空间特征输入至预先训练的发电量预测模型中,获得输出的风机发电量预测值。
在本实施例中,本申请基于风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵,基于风机特征矩阵和风机邻接矩阵进行风力发电量的预测。能够充分考虑到风机之间分布的空间拓扑特征,提升对风力发电量预测的准确性。同时,通过图神经模型进行风机空间特征的提取,进而将风机空间特征输入至发电量预测模型中进行风力发电量预测,即通过图神经模型和发电量预测模型之间的配合,实现对风力发电量的准确预测。
在本实施例的一些可选的实现方式中,所述获取模块301包括第一风机特征生成子模块和第二风机特征生成子模块;
所述第一风机特征生成子模块用于获取各风机的特征,并组合所述风机的特征,生成所述风机特征矩阵;
所述第二风机特征生成子模块用于基于在每个风机的预设影响范围内的剩余风机的风机数量和风机编码生成所述风机邻接矩阵。
在本实施例的一些可选的实现方式中,上述输入模块302进一步用于:基于时间顺序将所述风机特征矩阵和所述风机邻接矩阵依次输入至所述图神经模型中,获得所述风机空间特征。
在本实施例的一些可选的实现方式中,所述图神经模型包括傅里叶域滤波器和隐藏层,上述输入模块302包括滤波子模块和获得子模块,其中,滤波子模块用于将所述风机特征矩阵和所述风机邻接矩阵经过所述傅里叶域滤波器,通过所述傅里叶域录波器的一阶邻域捕获所有风机之间的空间性特征,获得初始风机空间特征;获得子模块用于将所述初始风机空间特征经过所述多个隐藏层,获得所述风机空间特征。
所述发电量预测模型包括双向长短期记忆模型和全连接层,所述预测模块303包括输入子模块和预测子模块,其中,所述输入子模块用于基于时间顺序将所述风机空间特征依次输入至所述双向长短期记忆模型中,基于所述双向长短期记忆模型中的输入门、遗忘门以及输出门记忆历史时刻的风机空间特征,并与当前时刻的风机空间特征进行融合,获得输出的风机记忆特征;所述预测子模块用于将所述风机记忆特征输入至所述全连接层中,以对所述风机记忆特征进行概率预测,获得下一时刻的所述风机发电量预测值。
在本实施例的一些可选的实现方式中,上述装置300还包括:接收模块和训练模块,其中,所述接收模块,用于接收历史风机特征矩阵和历史风机邻接矩阵,并将对应的历史发电量作为所述历史风机特征矩阵和历史风机邻接矩阵的标签,生成训练数据;所述训练模块,用于基于所述训练数据训练预设的初始图神经模型和初始发电量预测模型,直到所述初始图神经模型和所述初始发电量预测模型收敛,获得所述图神经模型和所述发电量预测模型。
本申请基于风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵,基于风机特征矩阵和风机邻接矩阵进行风力发电量的预测。能够充分考虑到风机之间分布的空间拓扑特征,提升对风力发电量预测的准确性。同时,通过图神经模型进行风机空间特征的提取,进而将风机空间特征输入至发电量预测模型中进行风力发电量预测,即通过图神经模型和发电量预测模型之间的配合,实现对风力发电量的准确预测。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过系统总线相互通信连接存储器201、处理器202、网络接口203。需要指出的是,图中仅示出了具有组件201-203的计算机设备200,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器201至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器201可以是所述计算机设备200的内部存储单元,例如该计算机设备200的硬盘或内存。在另一些实施例中,所述存储器201也可以是所述计算机设备200的外部存储设备,例如该计算机设备200上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器201还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中,所述存储器201通常用于存储安装于所述计算机设备200的操作系统和各类应用软件,例如基于图神经模型的风力发电量预测方法的计算机可读指令等。此外,所述存储器201还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器202在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器202通常用于控制所述计算机设备200的总体操作。本实施例中,所述处理器202用于运行所述存储器201中存储的计算机可读指令或者处理数据,例如运行所述基于图神经模型的风力发电量预测方法的计算机可读指令。
所述网络接口203可包括无线网络接口或有线网络接口,该网络接口203通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
在本实施例中,基于风机特征矩阵和风机邻接矩阵进行风力发电量的预测。能够充分考虑到风机之间分布的空间拓扑特征,提升对风力发电量预测的准确性。通过图神经模型和发电量预测模型之间的配合,实现对风力发电量的准确预测。
本申请还提供了另一种实施方式,即提供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可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的基于图神经模型的风力发电量预测方法的步骤。
在本实施例中,基于风机特征矩阵和风机邻接矩阵进行风力发电量的预测。能够充分考虑到风机之间分布的空间拓扑特征,提升对风力发电量预测的准确性。通过图神经模型和发电量预测模型之间的配合,实现对风力发电量的准确预测。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种基于图神经模型的风力发电量预测方法,其特征在于,包括下述步骤:
获取预设空间内风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵;
将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中进行风机空间特征提取,获得输出的风机空间特征;
将所述风机空间特征输入至预先训练的发电量预测模型中,获得输出的风机发电量预测值。
2.根据权利要求1所述的基于图神经模型的风力发电量预测方法,其特征在于,所述发电量预测模型包括双向长短期记忆模型和全连接层,所述将所述风机空间特征输入至预先训练的发电量预测模型中,获得输出的风机发电量预测值的步骤包括:
基于时间顺序将所述风机空间特征依次输入至所述双向长短期记忆模型中,基于所述双向长短期记忆模型中的输入门、遗忘门以及输出门记忆历史时刻的风机空间特征,并与当前时刻的风机空间特征进行融合,获得输出的风机记忆特征;
将所述风机记忆特征输入至所述全连接层中,以对所述风机记忆特征进行概率预测,获得下一时刻的所述风机发电量预测值。
3.根据权利要求1所述的基于图神经模型的风力发电量预测方法,其特征在于,所述图神经模型包括傅里叶域滤波器和多个隐藏层,所述将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中进行风机空间特征提取,获得输出的风机空间特征的步骤包括:
将所述风机特征矩阵和所述风机邻接矩阵经过所述傅里叶域滤波器,通过所述傅里叶域录波器的一阶邻域捕获所有风机之间的空间性特征,获得初始风机空间特征;
将所述初始风机空间特征经过所述多个隐藏层,以对所述初始风机空间特征进行多层次的抽象,获得所述风机空间特征。
4.根据权利要求1所述的基于图神经模型的风力发电量预测方法,其特征在于,所述获取预设空间内风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵的步骤包括:
获取各风机的特征,并组合所述风机的特征,生成所述风机特征矩阵;
基于在每个风机的预设影响范围内的剩余风机的风机数量和风机编码生成所述风机邻接矩阵。
5.根据权利要求1所述的基于图神经模型的风力发电量预测方法,其特征在于,将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中,获得输出的风机空间特征的步骤包括:
基于时间顺序将所述风机特征矩阵和所述风机邻接矩阵依次输入至所述图神经模型中,获得所述风机空间特征。
6.根据权利要求1所述的基于图神经模型的风力发电量预测方法,其特征在于,在所述将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中,获得输出的风机空间特征的步骤之前:
接收历史风机特征矩阵和历史风机邻接矩阵,并将对应的历史发电量作为所述历史风机特征矩阵和历史风机邻接矩阵的标签,生成训练数据;
基于所述训练数据训练预设的初始图神经模型和初始发电量预测模型,直到所述初始图神经模型和所述初始发电量预测模型收敛,获得所述图神经模型和所述发电量预测模型。
7.一种基于图神经模型的风力发电量预测装置,其特征在于,包括:
获取模块,用于获取预设空间内风机的特征和风机之间的关系,分别生成风机特征矩阵和风机邻接矩阵;
输入模块,用于将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中,获得输出的风机空间特征;
预测模块,用于将所述风机空间特征输入至预先训练的发电量预测模型中,获得输出的风机发电量预测值。
8.根据权利要求7所述的基于图神经模型的风力发电量预测装置,其特征在于,所述获取模块包括第一风机特征生成子模块和第二风机特征生成子模块;
所述第一风机特征生成子模块用于获取各风机的特征,并组合所述风机的特征,生成所述风机特征矩阵;
所述第二风机特征生成子模块用于基于在每个风机的预设影响范围内的剩余风机的风机数量和风机编码生成所述风机邻接矩阵。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的基于图神经模型的风力发电量预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的基于图神经模型的风力发电量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015724.XA CN113779875A (zh) | 2021-08-31 | 2021-08-31 | 基于图神经模型的风力发电量预测方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015724.XA CN113779875A (zh) | 2021-08-31 | 2021-08-31 | 基于图神经模型的风力发电量预测方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113779875A true CN113779875A (zh) | 2021-12-10 |
Family
ID=78840315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111015724.XA Pending CN113779875A (zh) | 2021-08-31 | 2021-08-31 | 基于图神经模型的风力发电量预测方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779875A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020105468A1 (ja) * | 2018-11-22 | 2020-05-28 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法及びプログラムが格納された非一時的なコンピュータ可読媒体 |
CN111832825A (zh) * | 2020-07-14 | 2020-10-27 | 山东大学 | 融合长短期记忆网络和极限学习机的风电预测方法及系统 |
CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
CN112686464A (zh) * | 2021-01-07 | 2021-04-20 | 云南电力技术有限责任公司 | 短期风电功率预测方法及装置 |
CN113240187A (zh) * | 2021-05-26 | 2021-08-10 | 合肥工业大学 | 预测模型生成方法、系统、设备、存储介质及预测方法 |
-
2021
- 2021-08-31 CN CN202111015724.XA patent/CN113779875A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020105468A1 (ja) * | 2018-11-22 | 2020-05-28 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法及びプログラムが格納された非一時的なコンピュータ可読媒体 |
CN111832825A (zh) * | 2020-07-14 | 2020-10-27 | 山东大学 | 融合长短期记忆网络和极限学习机的风电预测方法及系统 |
CN112418547A (zh) * | 2020-12-03 | 2021-02-26 | 北京工业大学 | 一种基于gcn-lstm组合模型的公交车站点客流量预测方法 |
CN112686464A (zh) * | 2021-01-07 | 2021-04-20 | 云南电力技术有限责任公司 | 短期风电功率预测方法及装置 |
CN113240187A (zh) * | 2021-05-26 | 2021-08-10 | 合肥工业大学 | 预测模型生成方法、系统、设备、存储介质及预测方法 |
Non-Patent Citations (1)
Title |
---|
朱尤成 等: "基于ELSTM算法的区域风电发电量预测方法的研究", 电气应用, vol. 40, no. 1, 31 January 2021 (2021-01-31), pages 55 - 59 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326991B (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
CN112766596B (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
CN112365202B (zh) | 一种多目标对象的评价因子筛选方法及其相关设备 | |
CN112085087B (zh) | 业务规则生成的方法、装置、计算机设备及存储介质 | |
CN112184169A (zh) | 用户待办事项的动态规划方法、装置、设备及存储介质 | |
CN112508118A (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
Chen et al. | Combined probabilistic forecasting method for photovoltaic power using an improved Markov chain | |
CN115329876A (zh) | 一种设备故障处理方法、装置、计算机设备及存储介质 | |
CN113254445A (zh) | 实时数据存储方法、装置、计算机设备及存储介质 | |
Wong et al. | Long-term user location prediction using deep learning and periodic pattern mining | |
CN114418093B (zh) | 训练路径表征模型、输出信息的方法和装置 | |
CN113283222B (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
CN113506023A (zh) | 工作行为数据分析方法、装置、设备及存储介质 | |
CN105432038A (zh) | 应用排名计算装置和使用信息收集装置 | |
CN110390342A (zh) | 时间序列预测方法和装置 | |
CN117093477A (zh) | 一种软件质量评估方法、装置、计算机设备及存储介质 | |
CN113779875A (zh) | 基于图神经模型的风力发电量预测方法及其相关设备 | |
CN116186295A (zh) | 基于注意力的知识图谱链接预测方法、装置、设备及介质 | |
Ren et al. | Incremental broad learning for real‐time updating of data‐driven power system dynamic security assessment models | |
CN115292580A (zh) | 数据查询方法、装置、计算机设备及存储介质 | |
CN112002352B (zh) | 随机播放音乐方法、装置、计算机设备及存储介质 | |
Zheng et al. | Offshore wind power ramp prediction based on optimal combination model | |
CN112560325A (zh) | 换电业务的预测方法、系统、设备及存储介质 | |
CN112949317B (zh) | 文本语义识别方法、装置、计算机设备及存储介质 | |
CN117688193B (zh) | 图文统一编码方法、装置、计算机设备及介质 |
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 |