CN115238568A - 一种数字孪生模型构建方法、装置及终端设备 - Google Patents

一种数字孪生模型构建方法、装置及终端设备 Download PDF

Info

Publication number
CN115238568A
CN115238568A CN202210687099.1A CN202210687099A CN115238568A CN 115238568 A CN115238568 A CN 115238568A CN 202210687099 A CN202210687099 A CN 202210687099A CN 115238568 A CN115238568 A CN 115238568A
Authority
CN
China
Prior art keywords
information
equipment
model
service
devices
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
CN202210687099.1A
Other languages
English (en)
Inventor
冯喜春
韩璟琳
王涛
陈志永
王聪
张章
翟广心
李铁良
宋航程
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.)
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Hebei Electric Power 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 State Grid Corp of China SGCC, State Grid Hebei Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Hebei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210687099.1A priority Critical patent/CN115238568A/zh
Publication of CN115238568A publication Critical patent/CN115238568A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请适用于数字孪生技术领域，提供了一种数字孪生模型构建方法、装置及终端设备，该方法包括：接收来自电网系统中物理传感器发送的多个设备的设备信息，其中，设备信息包括设备位置信息和设备业务信息；聚类多个设备的设备位置信息，获得多个位置聚类簇，每个位置聚类簇对应一个设备集群，每个位置聚类簇包括该设备集群中每个设备的设备位置信息；采用自动编码器对多个设备的设备业务信息进行融合，获得不同设备间的业务关联信息；基于位置聚类簇和业务关联信息，构建多尺度模型目标函数；将目标函数映射到数字孪生系统，获得电网系统的数字孪生模型。本申请可以对未来时刻的电网运行提供指导依据，从而提升电网运行效率。

Description

一种数字孪生模型构建方法、装置及终端设备
技术领域
本申请属于数字孪生技术领域，尤其涉及一种数字孪生模型构建方法、装置及终端设备。
背景技术
受映射技术和信息技术不完善的局限，传统电网系统主要以物理实体的形式发挥作用，导致电力企业具体业务效率低、能耗损失高。近年来数字孪生技术在电网中的应用逐渐完善，已实现了电网实体在物理空间和信息空间的实时交互，以及对光伏电池及周围环境的孪生模拟并可预测最终结果。
然而，现有针对数字孪生技术的研究在面对分层电网时只局限于单个层级的数据处理，对该层级与相邻层级或其他层级之间的业务交互、数据信息及约束条件没有进行关注，致使电网运行效率提升有限。
因此，亟需一种能够提供综合考量的数字孪生方法，用以对电网运行提供指导依据，从而提升电网运行效率。
发明内容
为克服相关技术中存在的问题，本申请实施例提供了一种数字孪生模型构建方法、装置及终端设备，用于对电网运行提供指导依据，从而提升电网运行效率。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种数字孪生模型构建方法，包括：
接收来自物理传感器的电网系统中多个设备的设备信息，其中，设备信息包括设备位置信息和设备业务信息；聚类多个设备的设备位置信息，获得多个位置聚类簇，每个位置聚类簇对应一个设备集群，每个位置聚类簇包括该设备集群中每个设备的设备位置信息；采用自动编码器对多个设备的设备业务信息进行融合，获得不同设备间的业务关联信息；基于位置聚类簇和业务关联信息，构建多尺度模型目标函数；将目标函数映射到数字孪生系统，获得电网系统的数字孪生模型。
在第一方面的一种可能的实现方式中，采用自动编码器对多个设备的设备业务信息进行融合，获得不同设备间的业务关联信息，包括：构建数据重构模型，将多个设备的设备业务信息重构为第一数据；编码多个设备的设备业务信息的关联规则，其中，关联规则服从第一损失函数模型；解码基于第一数据和关联规则，获得不同设备间的业务关联信息，其中，业务关联信息服从第二损失函数模型。
在第一方面的一种可能的实现方式中，构建数据重构模型，将多个设备的设备业务信息重构为第一数据，包括：将多个设备的业务信息输入到自动编码器；构建数据重构模型，数据重构模型的表达式为：
Figure BDA0003698381430000021
式中，xi表示第一数据，第一数据包括第i个设备的设备业务信息以及与第i个设备相邻的设备业务信息，vi表示第i个设备，vj表示第j个设备，vj∈N(vi)表示第j个设备与第i个设备相邻，
Figure BDA0003698381430000022
表示第i个设备在t时刻的设备业务信息，
Figure BDA0003698381430000023
表示第j个设备在t时刻的设备业务信息，ωij表示第i个设备的设备业务信息与第j个设备的设备业务信息之间的关联权重，ωij＞0表示有权网络，ωij＝1表示无权网络。
在第一方面的一种可能的实现方式中，编码多个设备的设备业务信息的关联规则，包括：在编码层构建构编码层模型，以制定对多个设备的设备业务信息的关联规则，构建的编码层模型包括：
编码层前K-2层的表达式为：
Figure BDA0003698381430000031
Figure BDA0003698381430000032
编码层的第K-1层的表达式为：
Figure BDA0003698381430000033
Figure BDA0003698381430000034
编码层的第K层的表达式为：
Figure BDA0003698381430000035
式中，σ(·)表示激活函数，ωk表示转移矩阵，bk表示偏置向量，K表示的是编码层与解码层的层数，yu和yσ表示第K-1层通过学习得到的向量输出，E表示分布函数，E～(0，1)服从标准正态分布，
Figure BDA0003698381430000036
表示第K层通过学习得到的向量输出，向量输出
Figure BDA0003698381430000037
为关联规则。
其中，编码层模型服从第一损失函数模型，第一损失函数模型的表达式为：
Figure BDA0003698381430000038
在第一方面的一种可能的实现方式中，解码基于第一数据和关联规则，获得不同设备间的业务关联信息，包括：
在解码层构建解码层模型，其中，构建的解码层模型与编码层模型的层数和参数相同；
基于第一数据xi和关联规则
Figure BDA0003698381430000039
获得是解码层的输出结果Xi，输出结果Xi即不同设备间的业务关联信息；
其中，将输出结果Xi和第i个设备业务信息以及与第i个设备相邻的设备业务信息xi进行比较，比较结果服从第二损失函数模型，第二损失函数模型的表达式为：
Figure BDA00036983814300000310
在第一方面的一种可能的实现方式中，基于位置聚类簇和业务关联信息，构建多尺度模型目标函数，包括：多尺度模型目标函数的表达式为：
L＝αLRE+βLKL+γdis
式中，α表示超参数保证编码器及Skip-gram之间参数平衡，LRE表示第二损失函数模型，β表示保证关联规则服从设定函数分布，LKL表示第一损失函数模型，γ表示偏执矩阵及权重矩阵的超参数，dis表示设备位置信息。
在第一方面的一种可能的实现方式中，设备信息表达式为
Figure BDA0003698381430000041
Figure BDA0003698381430000042
表示第i个设备在t时刻的设备位置信息，
Figure BDA0003698381430000043
表示第i个设备在t时刻的设备业务信息，其中，设备位置信息包括设备的三维坐标
Figure BDA0003698381430000044
Figure BDA0003698381430000045
表示第i个设备在t时刻X轴向上的坐标，Yt i表示第i个设备在t时刻Y轴向上的坐标，
Figure BDA0003698381430000046
表示第i个设备在t时刻Z轴向上的坐标。聚类多个设备的设备位置信息，获得多个位置聚类簇，包括：采用DBSCAN法聚类多个设备的设备位置信息，获得多个位置聚类簇。
第二方面，本申请实施例提供了一种数字孪生模型构建装置，包括：接收模块，用于接收来自物理传感器的电网系统中多个设备的设备信息，其中，设备信息包括设备位置信息和设备业务信息；聚类模块，用于聚类多个设备的设备位置信息，获得多个位置聚类簇，每个位置聚类簇对应一个设备集群，每个位置聚类簇包括该设备集群中每个设备的设备位置信息；神经网络模块，用于采用自动编码器对多个设备的设备业务信息进行融合，获得不同设备间的业务关联信息，基于位置聚类簇和业务关联信息，构建多尺度模型目标函数；映射模块，用于将目标函数映射到数字孪生系统，获得数字孪生模型。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项的一种数字孪生模型构建方法。
第四方面，本申请实施例提供了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程序，所述计算机程序被处理器执行时实现如第一方面任一项的一种数字孪生模型构建方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项的一种数字孪生模型构建方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例，通过接收来自电网系统中物理传感器的设备信息，聚类多个设备的位置信息形成位置聚类簇，以及融合不同设备间的业务信息形成设备间的业务关联信息，再基于设备位置聚类簇和业务关联信息构建多尺度模型目标函数，最后将目标函数映射到数字孪生系统，获得电网系统的数字孪生模型。本申请的数字孪生构建方法可以根据现有电网数据，对未来时刻的电脑瓦王云霞提供指导依据，从而提升电网运行效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的基于数字孪生技术的场景示意图；
图2是本申请一实施例提供的多尺度建模的示意图；
图3是本申请一实施例提供的多尺度建模流程的示意图；
图4是本申请一实施例提供的数字孪生模型构建的流程示意图；
图5是本申请一实施例提供的设备业务信息融合的的流程示意图；
图6是本申请实施例提供的数字孪生模型构建装置的结构框图；
图7是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
数字孪生是充分利用物理模型、传感器更新、历史运行数据等信息，集成多学科、多物理量、多尺度、多概率的仿真过程。其在虚拟空间完成映射，从而反映相对应的实体装备的全生命周期过程。
在电网系统中，随着电网数据规模的不断扩大增加，在利用传统方式建立的数字孪生在海量的节点感知和数据传输中存在高延迟的现象，导致不能很好预测未来时刻的电网状态。
基于上述问题，本申请实施例中的一种数字孪生模型构建方法，利用数字孪生物理端的传感器收集电网中设备的属性以及设备执行的业务信息等数据，并借助数字孪生技术进行多尺度建模，根据实际电网中设备间的属性和执行业务信息等进行计算，最后映射到电网中，用以预测未来时刻的电网状态，为电网的高效率运行提供指导依据。
举例说明，本申请实施例可以应用到如图1所示的示例性场景中。在该场景中，电网系统中的物理领域和电网原则完全平移到数字孪生中，数字孪生通过物理传感器接收来自电网系统的信息，并将通过数字孪生模型计算所得的数据反馈到电网系统中。
示例性的，图2是本申请一实施例提供的多尺度建模的示意图，参照图2，P表示处在电网系统中的某集群，现将集群P分解细化为s、t、i、j四个分层，分别对应图1中的复杂系统层、系统层和单元层等。在现有技术中，通过计算不同集群间的欧式距离，未考虑到两个集群间业务驱动这一关联，因此相应的虚拟映射会存在偏差。图中，Mps表示是处在某一层面问题节点粒度与处理方案粒度之间的映射关系。Msc表示是处理方案与最终计算粒度之间的映射关系。Mpc表示的是问题节点粒度与最终计算粒度之间的映射关系。Mpc表示的是从当前最优计算粒度方案反馈给问题节点，实现了数字孪生的闭环反馈。
示例性的，图3是本申请一实施例提供的多尺度建模流程的示意图。参照图3，多尺度建模流程的主要步骤为：首先通过电网系统的物理传感器收集每个设备的自身属性及执行的业务数据等信息；再将电网中设备的关联关系转换为以节点属性和业务信息为导向的粒度结构，在每一层的尺度空间中根据设备集群间的三维欧氏距离进行聚类；然后再根据设备集群间的拓扑结构并结合历史数据和现有时刻数据计算业务关联，并采用神经网络算法求解目标函数，使得目标函数满足映射需求；最后计算获得的目标函数被数字孪生体接收，将建模方案展示出来，并反馈给电网系统。
以下结合图3，对本申请提供的数字孪生模型方法进行详细说明。
图4是本申请一实施例提供的数字孪生模型构建方法的流程示意图，参照图4，对该方法的详述如下：
在步骤101中，接收来自电网系统中物理传感器发送的多个设备的设备信息。
在数字孪生体中，电网系统中所有设备都有对应的物理传感器，物理传感器用于将设备的相关信息传输给数字孪生系统。
示例性的，设备信息可以包括设备数量、设备编号、设备型号、设备状态、设备运行数据、设备位置信息以及设备业务信息等各种数据。为便于理解，本申请不在对设备信息作进一步限定，仅就本申请实施例用到的设备信息进行示例性说明。
举例性的，设备信息的表达式可以为
Figure BDA0003698381430000081
Figure BDA0003698381430000082
表示第i个设备在t时刻的设备位置信息，
Figure BDA0003698381430000083
表示第i个设备在t时刻的设备业务信息。
可选的，设备位置信息dis可以包括设备的二维坐标或三维坐标。
例如，二维坐标可以表示为
Figure BDA0003698381430000084
Figure BDA0003698381430000085
表示第i个设备在t时刻X轴向上的坐标，
Figure BDA0003698381430000086
表示第i个设备在t时刻Y轴向上的坐标
例如，三维坐标表示为
Figure BDA0003698381430000087
其中，
Figure BDA0003698381430000088
表示第i个设备在t时刻X轴向上的坐标，
Figure BDA0003698381430000089
表示第i个设备在t时刻Y轴向上的坐标，
Figure BDA00036983814300000810
表示第i个设备在t时刻Z轴向上的坐标。
在步骤102中，聚类多个设备的设备位置信息，获得多个位置聚类簇。
在一些实施例中，采用DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)法聚类多个设备位置信息，获得多个位置聚类簇。因每个位置聚类簇对应一个设备集群，故每个位置聚类簇中包含该设备集群中每个设备的设备位置信息。
示例性的，用DBSCAN法聚类设备位置信息的具体流程为：
Step1、以获取到的设备位置信息作为聚类样本，并预设聚类半径Eps和预设最小聚类样本数目MinPts。
Step2、以任意的一个样本作为聚类的起始点，结合预设聚类半径Eps和预设最小聚类样本数目MinPts，计算判断该样本点是否为核对象，若该样本点为核对象则创建聚类簇S。
示例性的，通过计算欧氏距离判断该样本是否为核对象，欧氏距离计算表达式为：
Figure BDA0003698381430000091
式中，
Figure BDA0003698381430000092
为t时刻第i个设备和第j个设备位置的欧式距离，n为维度，k∈[1，n]，
Figure BDA0003698381430000093
和
Figure BDA0003698381430000094
表示t时刻第i个和第j个设备在k维度的位置坐标。若
Figure BDA0003698381430000095
小于或等于预设聚类半径Eps，则将样本纳入聚类簇S内。
Step3、在聚类簇S内寻找未被访问的设备位置信息，通过欧式距离计算判断是否为核对象，若是，则将该核对象领域内的样本归入聚类簇S中。
Step4、重复Step1至Step3的操作，直至所有设备位置信息都有相应的聚类簇。
需要指出的是，预设的聚类半径Eps和预设的最小聚类样本数目MinPts根据实际情况以及经验进行设定，本申请不再进行进一步的限定。
步骤102中，通过预设的聚类半径Eps和预设的最小聚类样本数目MinPts，将不同维度的设备转化为统一维度，为后续建立多尺度模型，实现不同尺度的映射做准备。
在步骤103中，采用自动编码器对多个设备的设备业务信息进行融合，获得不同设备间的业务关联信息。
在一些实施例中，有一些设备在地理位置上的距离较远，但执行的业务是紧密联系，或执行的业务是相同的。为了实现对个设备的设备业务信息进行融合，找到不同设备间的业务关联信息，本申请采用自动编码器对设备业务信息进行融合。
自编码器(autoencoder,AE)是一类在半监督学习和无监督学习中使用的人工神经网络，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习。
图5为本申请一实施例提供的设备业务信息融合的流程示意图，参照图5。
在步骤1031中，构建数据重构模型，将多个设备的设备业务信息重构为第一数据。
在一些实施例中，将多个设备的业务信息输入到自动编码器。
可选的，将接收电网系统中物理传感器发送的设备业务信息
Figure BDA0003698381430000101
分解为在t时刻的一个向量组
Figure BDA0003698381430000102
进一步的，构建数据重构模型，获得第一数据，数据重构模型的表达式为：
Figure BDA0003698381430000103
式中，xi表示第一数据，第一数据包括第i个设备的业务信息以及与第i个设备相邻的设备的业务信息，vi表示第i个设备，vj表示第j个设备，vj∈N(vi)表示第j个设备与第i个设备相邻，
Figure BDA0003698381430000104
表示第i个设备在t时刻的设备业务信息，
Figure BDA0003698381430000105
表示第j个设备在t时刻的设备业务信息，ωij表示第i个设备的设备业务信息与第j个设备的设备业务信息之间的关联权重，ωij>0表示有权网络，ωij＝1表示无权网络。
在步骤1032中，编码多个设备的设备业务信息的关联规则。
在一些实施例中，在自动编码器的编码层构建编码层模型，以制定对多个设备的设备业务信息的关联规则，构建的编码层模型可以是：
编码层前K-2层的表达式为：
Figure BDA0003698381430000111
Figure BDA0003698381430000112
编码层第K-1层的表达式为：
Figure BDA0003698381430000113
Figure BDA0003698381430000114
编码层第K层的表达式为：
Figure BDA0003698381430000115
式中，σ(·)表示激活函数，ωk表示转移矩阵，bk表示偏置向量，K表示的是编码层与解码层的层数，yu和yσ表示第K-1层通过学习得到的向量输出，E表示分布函数，E～(0，1)服从标准正态分布，
Figure BDA0003698381430000116
表示第K层通过学习得到的向量输出，向量输出
Figure BDA0003698381430000117
即为关联规则。
进一步的，为了保证数据的损失在可控范围内，编码层模型还需服从第一损失函数模型，第一损失函数模型的表达式为：
Figure BDA0003698381430000118
在步骤1033中，解码基于第一数据和关联规则，获得不同设备间的业务关联信息。
在一些实施例中，在解码层构建解码层模型，其中，所构建的解码层模型与编码层模型的层数和参数相同。基于第一数据xi和所述关联规则
Figure BDA0003698381430000119
获得是解码层的输出结果Xi，输出结果Xi即不同设备间的业务关联信息。
进一步的，为了保证设备间的业务关联信息损失在可控范围内，将输出结果Xi和第i个设备业务信息以及与第i个设备相邻的设备业务信息xi进行比较，且比较结果服从第二损失函数模型，第二损失函数模型的表达式为：
Figure BDA0003698381430000121
在步骤103通过重构设备业务信息，并建立设备间的关联规则，将不同设备的设备业务信息进行了融合，充分挖据了不同的设备业务间的隐藏信息，找到了不同设备间的业务关联信息。并且设立第一损失函数模型和第二损失函数模型对自动编码器进行了约束，保证了获取的业务关联信息的准确性。
步骤103还将相邻的设备之间的业务信息进行了融合，结果了多尺度下设备实体之间在较远的地理位置情况下，业务信息不能融合的问题。为后续建立多尺度模型做准备。
需要说明的是，步骤102和步骤103之间没有先后顺序，即可以先执行步骤102，也可以先执行步骤103，也可以同步进行，本申请不再做进一步限定。
在步骤104中，基于位置聚类簇和业务关联信息，构建多尺度模型目标函数。
在一些实施例中，基于设备的位置聚类簇和设备件的业务关联信息，构建多尺度模型目标函数，多尺度模型目标函数的表达式可以是：
L＝αLRE+βLKL+γdis
式中，α表示超参数保证编码器及Skip-gram之间参数平衡，LRE表示第二损失函数模型，β表示保证关联规则服从设定函数分布，LKL表示第一损失函数模型，γ表示偏执矩阵及权重矩阵的超参数，dis表示所述设备位置信息。
本步骤克服了现有技术中，针对数字孪生技术中面对分层电网时只局限于单个层级的数据处理，没有对该层级与相邻层级或其他层级之间的业务交互、数据信息及约束条件缺少关注的问题。
在步骤105中，将目标函数映射到数字孪生系统，获得电网系统的数字孪生模型。
本步骤将设计的多尺度模型目标函数输入数字孪生系统中，数字孪生系统进而将解决方案反馈至电网系统物理层，为未来时刻的电网运行提供指导依据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的数字孪生模型构建方法，图6示出了本申请实施例提供的数字孪生模型构建装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图6，本申请实施例中的数字孪生模型构建装置可以包括接收模块201、聚类模块202、神经网络模块203和映射模块204。
接收模块201，用于接收来自电网系统中物理传感器发送的多个设备的设备信息，其中，设备信息包括设备位置信息和设备业务信息。
其中，设备信息表达式为
Figure BDA0003698381430000131
Figure BDA0003698381430000132
表示第i个设备在t时刻的设备位置信息，
Figure BDA0003698381430000133
表示第i个设备在t时刻的设备业务信息，其中，设备位置信息包括设备的三维坐标
Figure BDA0003698381430000134
Figure BDA0003698381430000135
表示第i个设备在t时刻X轴向上的坐标，Yt i表示第i个设备在t时刻Y轴向上的坐标，
Figure BDA0003698381430000136
表示第i个设备在t时刻Z轴向上的坐标。
聚类模块202，用于聚类多个设备的设备位置信息，获得多个位置聚类簇，每个位置聚类簇对应一个设备集群，每个位置聚类簇包括该设备集群中每个设备的设备位置信息。
可选的，聚类多个设备的设备位置信息，获得多个位置聚类簇，包括：采用DBSCAN法聚类多个设备的设备位置信息，获得多个位置聚类簇。
神经网络模块203，用于采用自动编码器对多个设备的设备业务信息进行融合，获得不同设备间的业务关联信息。
其中，采用自动编码器对多个设备的设备业务信息进行融合，获得不同设备间的业务关联信息，包括：构建数据重构模型，将多个设备的设备业务信息重构为第一数据；编码多个设备的设备业务信息的关联规则，其中，关联规则服从第一损失函数模型；解码基于第一数据和关联规则，获得不同设备间的业务关联信息，其中，业务关联信息服从第二损失函数模型。
可选的，构建数据重构模型，将多个设备的设备业务信息重构为第一数据，包括：将多个设备的业务信息输入到自动编码器；构建数据重构模型，数据重构模型的表达式为：
Figure BDA0003698381430000141
式中，xi表示第一数据，第一数据包括第i个设备的设备业务信息以及与第i个设备相邻的设备业务信息，vi表示第i个设备，vj表示第j个设备，vj∈N(vi)表示第j个设备与第i个设备相邻，
Figure BDA0003698381430000142
表示第i个设备在t时刻的设备业务信息，
Figure BDA0003698381430000143
表示第j个设备在t时刻的设备业务信息，ωij表示第i个设备的设备业务信息与第j个设备的设备业务信息之间的关联权重，ωij＞0表示有权网络，ωij＝1表示无权网络。
可选的，编码多个设备的设备业务信息的关联规则，包括：在编码层构建构编码层模型，以制定对多个设备的设备业务信息的关联规则，构建的编码层模型包括：
编码层前K-2层的表达式为：
Figure BDA0003698381430000144
Figure BDA0003698381430000145
编码层的第K-1层的表达式为：
Figure BDA0003698381430000146
Figure BDA0003698381430000147
编码层的第K层的表达式为：
Figure BDA0003698381430000148
式中，σ(·)表示激活函数，ωk表示转移矩阵，bk表示偏置向量，K表示的是编码层与解码层的层数，yu和yσ表示第K-1层通过学习得到的向量输出，E表示分布函数，E～(0，1)服从标准正态分布，
Figure BDA0003698381430000149
表示第K层通过学习得到的向量输出，向量输出
Figure BDA0003698381430000151
为关联规则。
其中，编码层模型服从第一损失函数模型，第一损失函数模型的表达式为：
Figure BDA0003698381430000152
可选的，解码基于第一数据和关联规则，获得不同设备间的业务关联信息，包括：
在解码层构建解码层模型，其中，构建的解码层模型与编码层模型的层数和参数相同；基于第一数据xi和关联规则
Figure BDA0003698381430000153
获得是解码层的输出结果Xi，输出结果Xi即不同设备间的业务关联信息。
其中，将输出结果Xi和第i个设备业务信息以及与第i个设备相邻的设备业务信息xi进行比较，比较结果服从第二损失函数模型，第二损失函数模型的表达式为：
Figure BDA0003698381430000154
神经网络模块203，还用于基于所述位置聚类簇和所述业务关联信息，构建多尺度模型目标函数。
可选的，基于位置聚类簇和业务关联信息，构建多尺度模型目标函数，包括：多尺度模型目标函数的表达式为：
L＝αLRE+βLKL+γdis
式中，α表示超参数保证编码器及Skip-gram之间参数平衡，LRE表示第二损失函数模型，β表示保证关联规则服从设定函数分布，LKL表示第一损失函数模型，γ表示偏执矩阵及权重矩阵的超参数，dis表示设备位置信息。
映射模块204，用于将目标函数映射到数字孪生系统，获得数字孪生模型。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图7，该终端设300可以包括：至少一个处理器310、存储器320以及存储在所述存储器320中并可在所述至少一个处理器310上运行的计算机程序321，所述处理器310执行所述计算机程序321时实现上述任意各个方法实施例中的步骤，例如图4所示实施例中的步骤101至步骤105。或者，处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块201至204的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器320中，并由处理器310执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备300中的执行过程。
本领域技术人员可以理解，图7仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器320用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的数字孪生模型构建方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、手机等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了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程序，所述计算机程序被处理器执行时实现可实现上述数字孪生模型构建方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述数字孪生模型构建方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例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同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种数字孪生模型构建方法，应用于电网系统，其特征在于，包括：
接收来自所述电网系统中物理传感器发送的多个设备的设备信息，其中，所述设备信息包括设备位置信息和设备业务信息；
聚类所述多个设备的设备位置信息，获得多个位置聚类簇，每个位置聚类簇对应一个设备集群，每个所述位置聚类簇包括该设备集群中每个设备的设备位置信息；
采用自动编码器对所述多个设备的设备业务信息进行融合，获得不同设备间的业务关联信息；
基于所述位置聚类簇和所述业务关联信息，构建多尺度模型目标函数；
将所述目标函数映射到数字孪生系统，获得所述电网系统的数字孪生模型。
2.如权利要求1所述的方法，其特征在于，所述采用自动编码器对所述多个设备的设备业务信息进行融合，获得不同设备间的业务关联信息，包括：
构建数据重构模型，将所述多个设备的设备业务信息重构为第一数据；
编码所述多个设备的设备业务信息的关联规则，其中，所述关联规则服从第一损失函数模型；
解码基于所述第一数据和所述关联规则，获得不同设备间的业务关联信息，其中，所述业务关联信息服从第二损失函数模型。
3.如权利要求2所述的方法，其特征在于，所述构建数据重构模型，将所述多个设备的设备业务信息重构为第一数据，包括：
将所述多个设备的业务信息输入到所述自动编码器；
构建数据重构模型，获得所述第一数据，所述数据重构模型的表达式为：
Figure FDA0003698381420000011
式中，xi表示第一数据，第一数据包括第i个设备的设备业务信息以及与第i个设备相邻设备的设备业务信息，vi表示第i个设备，vj表示第j个设备，vj∈N(vi)表示第j个设备与第i个设备相邻，
Figure FDA0003698381420000021
表示第i个设备在t时刻的设备业务信息，
Figure FDA0003698381420000022
表示第j个设备在t时刻的设备业务信息，ωij表示第i个设备的设备业务信息与第j个设备的设备业务信息之间的关联权重，ωij＞0表示有权网络，ωij＝1表示无权网络。
4.如权利要求3所述的方法，其特征在于，所述编码所述多个设备的设备业务信息的关联规则，包括：
在编码层构建构编码层模型，以制定对所述多个设备的设备业务信息的关联规则，构建的所述编码层模型包括：
编码层前K-2层的表达式为：
Figure FDA0003698381420000023
Figure FDA0003698381420000024
编码层第K-1层的表达式为：
Figure FDA0003698381420000025
Figure FDA0003698381420000026
编码层第K层的表达式为：
Figure FDA0003698381420000027
式中，σ(·)表示激活函数，ωk表示转移矩阵，bk表示偏置向量，K表示的是编码层与解码层的层数，yu和yσ表示第K-1层通过学习得到的向量输出，E表示分布函数，E～(0，1)服从标准正态分布，
Figure FDA0003698381420000028
表示第K层通过学习得到的向量输出，所述向量输出
Figure FDA0003698381420000029
为所述关联规则；
其中，所述编码层模型服从第一损失函数模型，所述第一损失函数模型的表达式为：
Figure FDA00036983814200000210
5.如权利要求4所述的方法，其特征在于，所述解码基于所述第一数据和所述关联规则，获得不同设备间的业务关联信息，包括：
在解码层构建解码层模型，其中，构建的所述解码层模型与所述编码层模型的层数和参数相同；
基于所述第一数据xi和所述关联规则
Figure FDA0003698381420000031
获得是解码层的输出结果Xi，所述输出结果Xi即不同设备间的业务关联信息；
其中，将输出结果Xi和第i个设备业务信息以及与第i个设备相邻的设备业务信息xi进行比较，且比较结果服从第二损失函数模型，所述第二损失函数模型的表达式为：
Figure FDA0003698381420000032
6.如权利要求5所述的方法，其特征在于，所述基于所述位置聚类簇和所述业务关联信息，构建多尺度模型目标函数，包括：
所述多尺度模型目标函数的表达式为：
L＝αLRE+βLKL+γdis
式中，α表示超参数保证编码器及Skip-gram之间参数平衡，LRE表示第二损失函数模型，β表示保证关联规则服从设定函数分布，LKL表示第一损失函数模型，γ表示偏执矩阵及权重矩阵的超参数，dis表示所述设备位置信息。
7.如权利要求1所述的方法，其特征在于，所述设备信息表达式为
Figure FDA0003698381420000033
Figure FDA0003698381420000034
表示第i个设备在t时刻的设备位置信息，
Figure FDA0003698381420000035
表示第i个设备在t时刻的设备业务信息，其中，所述设备位置信息包括设备的三维坐标
Figure FDA0003698381420000036
Figure FDA0003698381420000037
表示第i个设备在t时刻X轴向上的坐标，
Figure FDA0003698381420000038
表示第i个设备在t时刻Y轴向上的坐标，
Figure FDA0003698381420000039
表示第i个设备在t时刻Z轴向上的坐标；
所述聚类所述多个设备的设备位置信息，获得多个位置聚类簇，包括：采用DBSCAN法聚类所述多个设备的设备位置信息，获得多个位置聚类簇。
8.一种数字孪生模型构建装置，应用于电网系统，其特征在于，包括：
接收模块，用于接收来自所述电网系统中物理传感器发送的多个设备的设备信息，其中，所述设备信息包括设备位置信息和设备业务信息；
聚类模块，用于聚类所述多个设备的设备位置信息，获得多个位置聚类簇，每个位置聚类簇对应一个设备集群，每个所述位置聚类簇包括该设备集群中每个设备的设备位置信息；
神经网络模块，用于采用自动编码器对所述多个设备的设备业务信息进行融合，获得不同设备间的业务关联信息，基于所述位置聚类簇和所述业务关联信息，构建多尺度模型目标函数；
映射模块，用于将所述目标函数映射到数字孪生系统，获得数字孪生模型。
9.一种终端设备，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202210687099.1A 2022-06-16 2022-06-16 一种数字孪生模型构建方法、装置及终端设备 Pending CN115238568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210687099.1A CN115238568A (zh) 2022-06-16 2022-06-16 一种数字孪生模型构建方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210687099.1A CN115238568A (zh) 2022-06-16 2022-06-16 一种数字孪生模型构建方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN115238568A true CN115238568A (zh) 2022-10-25

Family

ID=83669210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210687099.1A Pending CN115238568A (zh) 2022-06-16 2022-06-16 一种数字孪生模型构建方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN115238568A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116305420A (zh) * 2023-01-30 2023-06-23 中国公路工程咨询集团有限公司 一种公路养护数字孪生体构建方法、系统、设备及介质
CN116703131A (zh) * 2023-08-08 2023-09-05 北京国电通网络技术有限公司 电力资源分配方法、装置、电子设备和计算机可读介质
CN117289078A (zh) * 2023-09-25 2023-12-26 国网江苏省电力有限公司南通供电分公司 一种基于数字孪生的电网故障分析方法及系统
CN117479306A (zh) * 2023-09-20 2024-01-30 广东省电信规划设计院有限公司 一种数字孪生的数据处理方法及系统
CN118411476A (zh) * 2024-06-26 2024-07-30 山东联峰精密科技有限公司 一种用于精密五金产品的三维建模方法及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116305420A (zh) * 2023-01-30 2023-06-23 中国公路工程咨询集团有限公司 一种公路养护数字孪生体构建方法、系统、设备及介质
CN116305420B (zh) * 2023-01-30 2023-10-17 中国公路工程咨询集团有限公司 一种公路养护数字孪生体构建方法、系统、设备及介质
CN116703131A (zh) * 2023-08-08 2023-09-05 北京国电通网络技术有限公司 电力资源分配方法、装置、电子设备和计算机可读介质
CN116703131B (zh) * 2023-08-08 2023-10-27 北京国电通网络技术有限公司 电力资源分配方法、装置、电子设备和计算机可读介质
CN117479306A (zh) * 2023-09-20 2024-01-30 广东省电信规划设计院有限公司 一种数字孪生的数据处理方法及系统
CN117479306B (zh) * 2023-09-20 2024-04-30 广东省电信规划设计院有限公司 一种数字孪生的数据处理方法及系统
CN117289078A (zh) * 2023-09-25 2023-12-26 国网江苏省电力有限公司南通供电分公司 一种基于数字孪生的电网故障分析方法及系统
CN117289078B (zh) * 2023-09-25 2024-07-26 国网江苏省电力有限公司南通供电分公司 一种基于数字孪生的电网故障分析方法及系统
CN118411476A (zh) * 2024-06-26 2024-07-30 山东联峰精密科技有限公司 一种用于精密五金产品的三维建模方法及系统

Similar Documents

Publication Publication Date Title
CN115238568A (zh) 一种数字孪生模型构建方法、装置及终端设备
CN106919769B (zh) 一种基于多层次方法和赋权超图的层次式fpga布局布线方法
CN111465944A (zh) 用于生成对象的结构化表示的图形神经网络系统
CN111627065A (zh) 一种视觉定位方法及装置、存储介质
CN114493050B (zh) 多维度融合的新能源功率并联预测方法和装置
Wu et al. DeepDualMapper: A gated fusion network for automatic map extraction using aerial images and trajectories
CN114281950B (zh) 基于多图加权融合的数据检索方法与系统
CN109034232B (zh) 城市规划条件核实成果报告的自动化输出系统及控制方法
CN114418189A (zh) 水质等级预测方法、系统、终端设备及存储介质
CN113569955A (zh) 一种模型训练方法、用户画像生成方法、装置及设备
Wang et al. Joint gated co-attention based multi-modal networks for subregion house price prediction
CN112269875A (zh) 文本分类方法、装置、电子设备及存储介质
CN114936701A (zh) 综合能源消耗实时监测方法、装置及终端设备
CN115412401B (zh) 训练虚拟网络嵌入模型及虚拟网络嵌入的方法和装置
CN109299725B (zh) 一种张量链并行实现高阶主特征值分解的预测系统和装置
CN113723712B (zh) 风电功率预测方法、系统、设备及介质
CN114757097B (zh) 一种线路故障诊断方法及装置
US20230042464A1 (en) Methods and systems for of generating an instantaneous quote of any part without toolpathing
CN113435519B (zh) 基于对抗插值的样本数据增强方法、装置、设备及介质
Kousounadis-Knousen et al. A New Co-Optimized Hybrid Model Based on Multi-Objective Optimization for Probabilistic Wind Power Forecasting in a Spatiotemporal Framework
CN115878989A (zh) 模型训练方法、装置及存储介质
CN116883862B (zh) 一种光学遥感图像多尺度目标检测方法及装置
CN117474128B (zh) 一种基于多云服务器的分布式在线机器学习模型构建方法
CN117911662B (zh) 基于深度霍夫投票的数字孪生场景语义分割方法及系统
CN118312158B (zh) 基于模板的代码生成方法、装置和电子设备

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