CN114624602A - 一种储能电池系统并联支路电流估计值矫正方法 - Google Patents

一种储能电池系统并联支路电流估计值矫正方法 Download PDF

Info

Publication number
CN114624602A
CN114624602A CN202210253218.2A CN202210253218A CN114624602A CN 114624602 A CN114624602 A CN 114624602A CN 202210253218 A CN202210253218 A CN 202210253218A CN 114624602 A CN114624602 A CN 114624602A
Authority
CN
China
Prior art keywords
current
branch
correcting
estimated value
neural network
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
Application number
CN202210253218.2A
Other languages
English (en)
Inventor
于全庆
刘玉坤
穆浩
龙胜文
李俊夫
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.)
Beijing Institute of Spacecraft System Engineering
Harbin Institute of Technology Weihai
Original Assignee
Beijing Institute of Spacecraft System Engineering
Harbin Institute of Technology Weihai
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 Beijing Institute of Spacecraft System Engineering, Harbin Institute of Technology Weihai filed Critical Beijing Institute of Spacecraft System Engineering
Priority to CN202210253218.2A priority Critical patent/CN114624602A/zh
Publication of CN114624602A publication Critical patent/CN114624602A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种储能电池系统并联支路电流估计值矫正方法，获取干路电路和支路电流估计值，对支路电流估计值进行矫正。对比现有技术，本发明的有益效果在于：通过记录干路电流不同变化情况以及对应的绝对误差的值，确定误差变量和干路电流之间的比例系数，将支路电流估计值减去误差变量得到矫正后的支路电流，所用的矫正方法新颖，矫正流程简单直观。

Description

一种储能电池系统并联支路电流估计值矫正方法
技术领域
本发明涉及电池技术领域，具体是一种储能电池系统并联支路电流估计值矫正方法。
背景技术
锂离子电池因其能量密度高、循环寿命长、重量轻而在电动汽车中得到广泛的应用。在车用锂离子电池的使用中，为了满足高功率输出的需求，成百上千个单体电池通常串并联使用。但是由于各个电池单体的制造过程不可避免的存在不同，所以在使用过程中每个单体电池的容量、温度、老化程度等特性会存在差异，这些差异会导致并联电池组的支路电流不同，进而会使不同电池单体的充放电深度存在差异，并且随着时间的推移，并联电池之间的差异会进一步增大，从而影响电池组的使用寿命并且存在安全隐患，因此对支路电流的估计以及对估计值进行适当矫正十分重要。
目前对支路电流估计的研究较少，因此对支路电流的估计值进行矫正的研究更少。虽然现有技术中有用BP神经网络实现电池系统支路电流估计，但是存在不足。如由于干路电流存在突变导致支路电流估计值和真实值之间的绝对误差不能稳定地保持较低水平。在DST工况下，用BP神经网络进行支路电流估计时绝对误差最大为2A左右，约为支路电流真实值的5％，相对误差较大，对后续研究的展开的造成影响。
发明内容
为解决现有技术中的不足，本发明提供一种储能电池系统并联支路电流估计值矫正方法，通过干路电流和绝对误差之间函数关系即可对支路电流估计值进行矫正，所用的矫正方法新颖，矫正流程简单直观。
本发明为实现上述目的，通过以下技术方案实现：一种储能电池系统并联支路电流估计值矫正方法，包括以下步骤：
一种储能电池系统并联支路电流估计值矫正方法，包括以下步骤：
S1、获取干路电路和2个支路电流估计值：
S2、对2个支路电流估计值采用以下方法进行矫正：
S2.1对支路1电流估计值进行矫正时：
若|I(t)|≤α，则误差变量D(t)＝0，支路电流I’1(t)＝I’1(t)+D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若|I(t)|＜-α，则误差变量
Figure BDA0003547732230000021
支路电流I’1(t)＝I’1(t)+D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若I(t)＞α，则误差变量
Figure BDA0003547732230000022
支路电流I’1(t)＝I’1(t)+D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
此处α＝1A，K1＝100，K2＝180；
S2.2对支路2电流估计值进行矫正时：
若|I(t)|≤α，则误差变量D(t)＝0；支路电流I’2(t)＝I’2(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若I(t)＞α，则误差变量
Figure BDA0003547732230000023
支路电流I’2(t)＝I’2(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若I(t)＜-α，则误差变量
Figure BDA0003547732230000024
支路电流I’2(t)＝I’2(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
此处α＝1A，K3＝200，K4＝40。
进一步的，S1步骤中干路电路和2个支路电流估计值通过以下方法获得：
S1.1、获取DST，FUDS，UDDS，HPPC四个动态工况下的并联电池组的干路电流和支路的电压和电流；
S1.2、将其中三个工况下的干路电流和两个支路电压以及两个支路电流依次整合到一个干路电流数据集I、两个支路电压数据集V1、V2，以及两个支路电流数据集I1，I2，并将整合的数据集进行归一化；
S1.3、训练BP神经网络；
S1.4、将剩余一个工况下的干路电流I’和两条支路的电压V’1、V’2作为输入特征输入已经训练好的BP神经网络中，得到估计结果后将结果进行反归一化，得到支路电流估计值I’1、I’2。
进一步的，S1.3中采用以下方法训练BP神经网络：
S1.3.1设置BP神经网络的参数
S1.3.2将干路电流数据集I和两个支路电压数据集V1、V2作为输入，支路电流数据集I1，I2作为输出，对BP神经网络进行训练，得到训练好的BP神经网络。
进一步的，S1步骤中记载的数据通过以下方法获得：在并联的电池组的干路和两条支路分别串联电流传感器，在两条支路分别并联电压传感器，以此得到并联电池组的干路电流和两条支路的电压和电流。
进一步的，S1.2中采用Min-Max标准化方法实现数据集归一化。
对比现有技术，本发明的有益效果在于：
本发明通过记录干路电流不同变化情况以及对应的绝对误差的值，确定误差变量和干路电流之间的比例系数，将支路电流估计值减去误差变量得到矫正后的支路电流，所用的矫正方法新颖，矫正流程简单直观。
附图说明
附图1是本发明并联电池组模型；
附图2是本发明BP神经网络的结构；
附图3是本发明支路电流估计值流程图；
附图4是本发明对估计值进行矫正的流程图；
附图5是本发明矫正结果示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所限定的范围。
本发明公开了一种储能电池系统并联支路电流估计值矫正方法，
一种储能电池系统并联支路电流估计值矫正方法，包括以下步骤：
S1、获取干路电路和2个支路电流估计值：
S2、对2个支路电流估计值采用以下方法进行矫正：
S2.1对支路1电流估计值进行矫正时：
若|I(t)|≤α，则误差变量D(t)＝0，支路电流I’1(t)＝I’1(t)+D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若I(t)＜-α，则误差变量
Figure BDA0003547732230000041
支路电流I’1(t)＝I’1(t)+D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若I(t)＞α，则误差变量
Figure BDA0003547732230000051
支路电流I’1(t)＝I’1(t)+D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
此处α＝1A，K1＝100，K2＝180；
S2.2对支路2电流估计值进行矫正时：
若|I(t)|≤α，则误差变量D(t)＝0；支路电流I’2(t)＝I’2(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若I(t)＞α，则误差变量
Figure BDA0003547732230000052
支路电流I’2(t)＝I’2(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若I(t)＜-α，则误差变量
Figure BDA0003547732230000053
支路电流I’2(t)＝I’2(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
此处α＝1A，K3＝200，K4＝40。
作为优化，S1步骤中干路电路和2个支路电流估计值通过以下方法获得：
S1.1、获取DST，FUDS，UDDS，HPPC四个动态工况下的并联电池组的干路电流和支路的电压和电流；
S1.2、将其中三个工况下的干路电流和两个支路电压以及两个支路电流依次整合到一个干路电流数据集I、两个支路电压数据集V1、V2，以及两个支路电流数据集I1，I2，并将整合的数据集进行归一化；
S1.3、训练BP神经网络；
S1.4、将剩余一个工况下的干路电流I’和两条支路的电压V’1、V’2作为输入特征输入已经训练好的BP神经网络中，得到估计结果后将结果进行反归一化，得到支路电流估计值I’1、I’2。
作为优化，S1.3中采用以下方法训练BP神经网络：
S1.3.1设置BP神经网络的参数
S1.3.2将干路电流数据集I和两个支路电压数据集V1、V2作为输入，支路电流数据集I1，I2作为输出，对BP神经网络进行训练，得到训练好的BP神经网络。
作为优化，S1步骤中记载的数据通过以下方法获得：在并联的电池组的干路和两条支路分别串联电流传感器，在两条支路分别并联电压传感器，以此得到并联电池组的干路电流和两条支路的电压和电流。
作为优化，S1.2中采用Min-Max标准化方法实现数据集归一化。
为了能够更清楚的了解本发明的方法，下面结合附图进行详细描述：
如图1所示，并联电池组选用了2节标称容量分别为30.244Ah的锂离子Cell1和29.927Ah的锂离子电池Cell2，实验中在干路和一条支路分别串联电流传感器，在两条支路分别并联电压传感器，以此得到并联电池组的干路电流和两条支路的电压，Arbin采样时间固定为1s，dspace采样时间固定为50ms。
如图3所示得到支路电路估计值：S1.1、获取DST，FUDS，UDDS，HPPC四个动态工况下的并联电池组的干路电流和支路的电压和电流；
S1.2、将DST，UDDS，HPPC三个工况下的干路电流和两个支路电压以及l两个支路电流依次整合到一个干路电流数据集I、两个支路电压数据集V1、V2，以及两个支路电流数据集I1，I2，并将整合的数据集进行归一化，采用Min-Max标准化方法实现数据集归一化。
S1.3、设置BP神经网络的参数，将干路电流数据集I和两个支路电压数据集V1、V2作为输入，支路电流数据集I1，I2作为输出，对BP神经网络进行训练，得到训练好的BP神经网络；
S1.4、将FUDS工况下的干路电流IFUDS和两条支路的电压V1-FUDS、V2-FUDS作为输入特征输入已经训练好的BP神经网络中，得到估计结果后将结果进行反归一化，得到FUDS工况下的支路电流估计值I1-FUDS，I2-FUDS；
S1.5、对得到支路电流估计值进行矫正。
作为优化，S1.3中BP算法采用链式法则，从最后一层计算导数，再通过整个网络反向传播，利用链式法则得到隐含层的导数。BP属于一种有监督学习，因为每个训练向量都有一个目标向量进行匹配。BP神经网络采用了BP算法，它的结构如附图2所示。BP神经网络的结构分为三个部分，单个输入层，单个或多个隐含层和单个输出层。不同类型层的结点数量可以根据需要自行设置。xj表示输入层第j个结点，j＝1，…，m。wi，j表示隐含层第i个结点与输入层第j个结点之间的权值，θi为隐含层第i个结点的阈值。
Figure BDA0003547732230000071
为隐含层的激活函数。wk，i表示输出层第k个结点与隐含层第i个结点之间的权值，i＝1，…，q。ak表示输出层结点k的阈值，C表示输出层的激活函数，ok是结点k的输出。
BP神经网络的结构分为三个部分，一个输入层，一个或多个隐含层和一个输出层。不同类型层的结点数量可以根据需要自行设置。x1，xi，xk，xm代表输入特征。f1，f2代表激活函数。y1，yk，yl代表输出参数。wi，j，wk，i代表不同结点之间的权值。θ1，1，θ1，2，θ1，i，θ1，j，θ1，q，θ2，1，θ2，k，θ2，l代表不同结点的阈值。设置BP神经网络的参数，输入层节点数为3，隐含层节点数为10，输出层节点数为2，输入层与隐含层之间的激活函数为logsig，隐含层与输出层之间的激活函数为purelin，训练算法为trainlm，网络迭代次数设置为1000，网络训练精度为0.000027，学习率设置为0.01，验证样本的误差连续20次不再下降则训练结束。然后将干路电流数据集I和两个支路电压数据集V1、V2作为输入，支路电流数据集I1，I2作为输出，对BP神经网络进行训练，得到训练好的BP神经网络。将DST工况下的干路电流I-DST和两条支路的电压V1-DST、V2-DST作为输入特征输入已经训练好的BP神经网络中。
如图4所示对支路电流估计值进行矫正：引入误差变量D(t)和干路电流值IFUDS，令初值D(1)＝0，令时间变量t初值为2，输入干路电流IFUDS(t)；
对支路1电流估计值进行矫正时：
如果，|IFUDS(t)|≤α，令D(t)＝0，支路电流估计值
I1-FUDS(t)＝I1-FUDS(t)+D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
如果IFUDS(t)＜-α，令
Figure BDA0003547732230000081
支路电流估计值
I1-FUDS(t)＝I1-FUDS(t)+D(t)。令t＝t+1，对下一个时刻的估计值进行矫正；
如果IFUDS(t)＞α，令
Figure BDA0003547732230000082
支路电流估计值
I1-FUDS(t)＝I1-FUDS(t)+D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
此处α＝1A，K1＝100，K2＝180。
对支路2电流估计值进行矫正时：
如果，|IFUDS(t)|≤α，令D(t)＝0，支路电流估计值
I2-FUDS(t)＝I2-FUDS(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
如果IFUDS(t)＜-α，令
Figure BDA0003547732230000091
支路电流估计值
I2-FUDS(t)＝I2-FUDS(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
如果IFUDS(t)＞α，令
Figure BDA0003547732230000092
支路电流估计值
I2-FUDS(t)＝I2-FUDS(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
此处α＝1A，K3＝200，K4＝40。
为了能够更清晰的了解本发明矫正方法，下面进一步举例说明：
假设支路1的两个连续时刻的电流估计值分别为I1-FUDS(t)＝35.6A，I1-FUDS(t+1)＝37.8A。FUDS工况下干路电流IFUDS(t)＝50.2A，IFUDS(t+1)＝-26.7A。对t时刻进行矫正时，因为IFUDS(t)＞α，则
Figure BDA0003547732230000093
Figure BDA0003547732230000094
因此该时刻的支路电流估计值的矫正值为I1-FUDS(t)＝35.6+0.28＝35.88A。对t+1时刻进行矫正时，因为IFUDS(t+1)＜-α则
Figure BDA0003547732230000095
因此该时刻的支路电流估计值的矫正值为I1-FUDS(t+1)＝37.8-(-0.67)＝38.47A。

Claims (5)

1.一种储能电池系统并联支路电流估计的矫正方法，其特征在于，包括以下步骤：
S1、获取干路电路和2个支路电流估计值；
S2、对2个支路电流估计值采用以下方法进行矫正；
S2.1对支路1电流估计值进行矫正时：
若|I(t)|≤α，则误差变量D(t)＝0，支路电流I’1(t)＝I’1(t)+D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若I(t)＜-α，则误差变量
Figure FDA0003547732220000011
支路电流I’1(t)＝I’1(t)+D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若I(t)＞α，则误差变量
Figure FDA0003547732220000012
支路电流I’1(t)＝I’1(t)+D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
此处α＝1A，K1＝100，K2＝180；
S2.2对支路2电流估计值进行矫正时：
若|I(t)|≤α，则误差变量D(t)＝0；支路电流I’2(t)＝I’2(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若I(t)＞α，则误差变量
Figure FDA0003547732220000013
支路电流I’2(t)＝I’2(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
若I(t)＜--α，则误差变量
Figure FDA0003547732220000014
支路电流I’2(t)＝I’2(t)-D(t)；令t＝t+1，对下一个时刻的估计值进行矫正；
此处α＝1A，K3＝200，K4＝40。
2.根据权利要求1所述的一种储能电池系统并联支路电流估计的矫正方法，其特征在于：S1步骤中干路电路和2个支路电流估计值通过以下方法获得
S1.1、获取DST，FUDS，UDDS，HPPC四个动态工况下的并联电池组的干路电流和支路的电压和电流；
S1.2、将其中三个工况下的干路电流和两个支路电压以及两个支路电流依次整合到一个干路电流数据集I、两个支路电压数据集V1、V2，以及两个支路电流数据集I1，I2，并将整合的数据集进行归一化；
S1.3、训练BP神经网络；
S1.4、将剩余一个工况下的干路电流I’和两条支路的电压V’1、V’2作为输入特征输入已经训练好的BP神经网络中，得到估计结果后将结果进行反归一化，得到支路电流估计值I’1、I’2。
3.根据权利要求2所述的一种储能电池系统并联支路电流估计值矫正方法，其特征在于：
S1.3中采用以下方法训练BP神经网络：
S1.3.1设置BP神经网络的参数
S1.3.2将干路电流数据集I和两个支路电压数据集V1、V2作为输入，支路电流数据集I1，I2作为输出，对BP神经网络进行训练，得到训练好的BP神经网络。
4.根据权利要求1所述一种储能电池系统并联支路电流估计的矫正方法，其特征在于：
S1步骤中记载的数据通过以下方法获得：在并联的电池组的干路和两条支路分别串联电流传感器，在两条支路分别并联电压传感器，以此得到并联电池组的干路电流和两条支路的电压和电流。
5.根据权利要求1所述一种储能电池系统并联支路电流估计的矫正方法，其特征在于：S1.2中采用Min-Max标准化方法实现数据集归一化。
CN202210253218.2A 2022-03-15 2022-03-15 一种储能电池系统并联支路电流估计值矫正方法 Pending CN114624602A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210253218.2A CN114624602A (zh) 2022-03-15 2022-03-15 一种储能电池系统并联支路电流估计值矫正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210253218.2A CN114624602A (zh) 2022-03-15 2022-03-15 一种储能电池系统并联支路电流估计值矫正方法

Publications (1)

Publication Number Publication Date
CN114624602A true CN114624602A (zh) 2022-06-14

Family

ID=81902225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210253218.2A Pending CN114624602A (zh) 2022-03-15 2022-03-15 一种储能电池系统并联支路电流估计值矫正方法

Country Status (1)

Country Link
CN (1) CN114624602A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117554681A (zh) * 2024-01-08 2024-02-13 银河航天(西安)科技有限公司 一种应用于卫星的电力监测方法、装置及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117554681A (zh) * 2024-01-08 2024-02-13 银河航天(西安)科技有限公司 一种应用于卫星的电力监测方法、装置及存储介质
CN117554681B (zh) * 2024-01-08 2024-03-22 银河航天(西安)科技有限公司 一种应用于卫星的电力监测方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN112067998A (zh) 一种基于深度神经网络的锂离子电池荷电状态估计方法
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN110941929A (zh) 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法
CN111965559B (zh) 一种锂离子电池soh在线估计方法
CN111208438B (zh) 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法
CN112986830A (zh) 一种基于卷积时间记忆神经网络的锂电池容量估计方法
CN105425153A (zh) 一种估计电动车辆的动力电池的荷电状态的方法
CN112630659A (zh) 一种基于改进bp-ekf算法的锂电池soc估算方法
CN110287540B (zh) 一种基于精英群众差分进化算法的光伏电池参数辨识方法
CN114740357A (zh) 一种并联电池组支路电流、荷电状态和功率状态的联合估计方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN114660464A (zh) 一种锂离子电池荷电状态估算方法
CN112649736A (zh) 一种用于退役电池的soc、soh联合估算方法
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法
CN115656838A (zh) 一种基于布谷鸟算法的电池soc估算方法
CN114624602A (zh) 一种储能电池系统并联支路电流估计值矫正方法
CN115308606A (zh) 一种基于邻近特征的锂离子电池健康状态估计方法
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
Hu et al. State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation
CN112114254B (zh) 一种动力电池开路电压模型融合方法
CN111999651B (zh) 一种纯电动汽车用锂离子电池的功率性能测试方法
CN117169731A (zh) 基于储能电池剩余电量智能估测的充放电流给定方法
CN112462281A (zh) 一种基于气液动力学模型带参数修正的soc估计方法及系统
CN114295987B (zh) 一种基于非线性卡尔曼滤波的电池soc状态估计方法

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