CN115719967A - 一种用于提高供电可靠性的有源配电网储能装置优化配置方法 - Google Patents
一种用于提高供电可靠性的有源配电网储能装置优化配置方法 Download PDFInfo
- Publication number
- CN115719967A CN115719967A CN202211489624.5A CN202211489624A CN115719967A CN 115719967 A CN115719967 A CN 115719967A CN 202211489624 A CN202211489624 A CN 202211489624A CN 115719967 A CN115719967 A CN 115719967A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- power
- distribution network
- storage device
- reliability
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 226
- 238000009826 distribution Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000011084 recovery Methods 0.000 claims abstract description 29
- 238000003066 decision tree Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 238000007599 discharging Methods 0.000 claims description 21
- 230000008901 benefit Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 5
- 238000002955 isolation Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种用于提高供电可靠性的有源配电网储能装置优化配置方法,属控制领域。获取配电网包括各节点的相关运行数据;生成CART回归决策树,预估配电网各区块可靠性需求值,并将各区块按失负荷风险进行排序,得到储能装置待接入节点集合Dess;假定配电网相应的线路发生故障,通过仿真得出恢复方案并记录,得到孤岛内恢复负荷量最多的区块,得到区块接入评价值;对Dess节点中各接入区块的评价值进行从小到大排序,选取评价值最高的接入点作为最优接入点。其以供电可靠性最大化为储能装置目标选择选址,以储能投资成本和运行成本最小为目标,以可靠性提示最大化为目标,采用双层优化算法,对系统的储能选址和规模进行优化。适用于电网储能装置的规划与设计领域。
Description
技术领域
本发明属于电力控制领域,尤其涉及一种用于有源配电网储能装置的优化配置方法。
背景技术
随着社会对环境的关注,传统的不可再生能源发电已经被绿色可再生能源所取代,大量的光伏、风力发电等分布式电源接入。
由于景观的间歇性和随机性的特点,大量分布式电源对电网的安全稳定运行提出了巨大的挑战。
储能系统(Energy Storage System,ESS),作为一种减少风力的分布式电力的丢弃和驯服。当ESS接入配电网时,可以有效提高配电网运行的安全性和可靠性。该地区配电网自愈能力比较弱,供需不平衡导致供电可靠性低、运行风险增大等。ESS为配电网故障后的隔离供电状态提供了可能,弥补了风光输出和负荷不确定性所造成的短期不稳定孤岛。
如何有效降低储能单元投资成本和运行成本,提高配电网运行的安全性和可靠性,是储能配置规划中迫切需要解决的问题。
现有文献对输电网和配电网中ESS的规模和选址进行了研究。在这些文献中,主要目标是降低电网运行损耗的成本,提高恢复能力,提高电压和频率的稳定性。
例如,在输电网络中,文献《考虑输电线路物理攻击的稳健储能系统选址策略》(K.Lai et al.in Proc.North Amer.Power Symp.,2018,pp.1–6.)提出了一个三级优化模型,用于确定输电系统中ESS的大小和选址,以防止极端天气或物理事件对输电线路造成损坏。
在文献《在传输受限的网络中优化存储选址、规模和技术组合》(S.Wogrin andD.F.Gayme,IEEE Trans.Power Syst.,vol.30,no.6,pp.3304–3313,Nov.2015.)中,提出了一种基于ESS的改进策略来解决输电网络中的约束问题,并根据约束的严重程度来选择储能容量的大小和选址。
另外,在授权公告日为2020年8月11日,授权公告号为CN 107508303 B的发明专利中,公开了“一种面向微电网的模块化储能装置优化配置及控制方法”,其包括1)配置储能功率;2)计算得到储能电池容量;3)根据实际的储能电池选型原则选择储能电池;4)微网系统运行过程中,根据各分布式电源出力值以及储能电池SOC和SOH的状况确立储能系统充放电状态及充放电数值;5)需要进行并离网切换时,采用无缝切换方式,即离网转并网、计划性离网和非计划性离网均实现无缝切换。
授权公告日为2022年6月17日,授权公告号为CN 111969603 B的发明专利,公开了“一种微能源网系统及其协同优化运行控制方法”,其通过合理配置供能侧以及能量转化装置所包含的具体设备,微能源网系统不仅具备较高的新能源接入比例,还能通过储能装置优化配置,通过电网、热网和气网满足用户用能需求,达到本地能源生产与用户用能负荷的基本平衡,并利用该协同优化运行控制方法对微能源网系统进行滚动优化,不断调整微能源网系统中可控供能设备的功率输出值,在满足供需的实时平衡前提下,使微能源网系统经济运行,从而达到节能的目的。将用能、供能和储能统一协同调度,实现微能源网系统中多供能互补,提高微能源网中多供能的综合利用效率和阶梯利用,减少排放,实现能源就地消纳。
然而,上述这些方法或技术方案中,并没有涉及或考虑储能配置节点对配电网供电可靠性的影响。
如何选择储能装置的安装地点,才能最大限度地提高配电网的供电可靠性,是本发明技术方案研究的重点。
发明内容
本发明所要解决的技术问题是提供一种用于提高供电可靠性的有源配电网储能装置优化配置方法。其以储能装置为研究对象,以供电可靠性最大化为目标选择选址,以储能投资成本和运行成本最小为目标,以可靠性提示最大化为目标,采用双层优化算法,对系统的储能选址和规模进行优化。
本发明的技术方案是:提供一种用于提高供电可靠性的有源配电网储能装置优化配置方法,包括储能装置接入位置的选取,其特征是储能装置接入位置的选取包括以下步骤:
步骤1:获取配电网包括各节点负荷故障数据、风机光伏出力数据以及配电网拓扑结构在内的相关数据;
步骤2:生成CART回归决策树,预估配电网各区块可靠性需求值,并将各区块按失负荷风险进行排序,得到储能装置待接入节点集合Dess;
步骤3:假定配电网相应的线路发生故障,通过仿真得出恢复方案并记录,得到孤岛内恢复负荷量最多的区块,得到区块接入评价值;
步骤4:对Dess节点中各接入区块的评价值进行从小到大排序,选取评价值最高的接入点作为最优接入点。
具体的,所述的有源配电网储能装置优化配置方法,以储能装置为研究对象,以供电可靠性最大化为目标选择选址,以储能投资成本和运行成本最小为目标,以可靠性提示最大化为目标。采用双层优化算法对系统的储能选址和规模进行优化。上层使用节点可靠性需求来确定储能装置的选址,下层使用粒子群优化算法来获得最佳装置选址处的储能装置尺寸和功率。
进一步的,所述CART回归决策树的建立过程如下:
1)构造一个训练样本数据集,其中包含故障影响特征向量X和特征向量对应的可靠性需求值Y,并计算数据集中Y的均值和方差;
2)采用启发式方法将特征空间划分为子节点;在每个分区中调查每个集合中所有特征的所有值;根据子节点各自可靠性需求值Y的平方误差最小准则选择最优分界点,对数据集进行分段;
3)在找到每个子节点的最优分界点后,将输入空间依次划分为两个区域,然后对每个区域重复上述划分过程,直到每个子节点的Y方差足够小并满足停止条件;
4)生成CART回归决策树;回归树的子节点的输出值是子节点数据集中Y的平均值,该值是通过训练得到的回归树的预测值。
利用训练样本和CART生成规则生成CART回归决策树,然后根据决策规则对故障特征向量X已知但可靠性需求值Y未知的待预测事件进行可靠性需求值预测。
具体的,在配电网故障时段内,储能当前最大供电能力和故障时段内光伏以及燃气轮机出力作为孤岛的最大恢复容量,以储能作为孤岛的供电中心,向与储能相连的各支路搜索尽可能多容量的负荷节点,直到形成一个可以由孤岛内分布式电源出力支撑的最大范围的孤岛,以该搜索结果为孤岛划分结果;
在馈线分区搜索时,若检测到故障区段,则停止该馈线方向搜索,对于故障隔离区段的负荷节点不能包含在孤岛范围内。
进一步的,所述储能装置的充放电模型为:
ΔP(t)=PPV(t)+PWT(t)-PL(t)
式中:ΔP(t)表示t时刻储能充放电功率;PPV(t)表示t时刻光伏出力;PWT(t)表示t时刻风机出力;PL(t)表示t时刻负荷大小;
所述储能装置的时序充放电模型如下:
储能装置充电时,ΔP(t)>0,t+1时刻的荷电状态模型为:
S(t+1)=(1-ηΔt)S(t)+PCΔtηc/Q
储能装置放电时,ΔP(t)<0,t时刻的荷电状态模型为:
S(t+1)=(1-ηΔt)S(t)-PDΔtηc/ηdQ
式中:S(t)为t时刻储能装置的荷电状态SOC;η为储能自放电率;Pi c和Pi d分别表示i储能的充电、放电功率;ηc和ηd别表示储能的充电、放电效率;C为储能装置的额定容量;
当储能装置对孤岛内负荷供电时,在某一荷电状态下对应的最大放电功率为:
PD,m(t)=min((S(t)-SOCmin)ηd/Δt,PD,max)
式中:SOCmin表示储能的最小荷电状态;PD,max表示储能允许的最大放电功率;
定义孤岛可成功运行的状态集合如下:
MT={(i,j)|ΔP(t)i≤PD,m(t)j}
因此某时刻配电网发生故障后进入孤岛状态,且可以成功运行t小时的概率为:
式中,pSOC,i(t)为储能在故障t时段内SOC的概率分布,假设该分布服从正态分布。
具体的,所述的有源配电网储能装置优化配置方法,通过“区块失电损失量”指标来定量表示某区块中负荷在失电后造成的经济损失大小,其中某区块失电损失量越大,则证明该区块中负荷重要性越高,在选择储能接入点时需要优先考虑提高该区块中的负荷的供电可靠性;区块失电损失量指标计算表达式如下:
式中:Pim表示某个区块中i节点中负荷的有功功率需求大小;ωk表示k级负荷失单位电量所造成的经济损失,其中k∈[1,3];TB表示区块故障后的平均停电时间。
进一步的,配电网中某一区块的故障概率由该区块中各个元件故障概率之和,因此每一个区块失负荷风险计算如下:
式中:Kj表示区块j的失负荷风险。
具体的,在规划配置储能装置时,考虑其投资的经济性,以储能装置全寿命周期内经济效益最大为目标函数:
max P=F/C
式中:P为储能装置的净收益;F为配置储能装置而产生的可靠性收益;C为储能配置成本费用。
进一步的,定义配置储能的可靠性收益为配置储能前后,配电网某区块发生故障后所减少的失负荷损失大小。
F=FLa-FLb
式中:M为区块数量,Ki为区块i的停电次数,Pik为区块i第k次停电时的负荷值,ωik为区块i第k次停电时的单位电量平均停电损失费用,由负荷类型和停电时间共同决定,FLb、FLa分别表示储能配置前后发生相同故障时造成的经济损失。
本发明技术方案所述的有源配电网储能装置优化配置方法,采用双层优化算法求解储能装置的接入位置及配置容量问题,其中对于上层储能装置安装位置的选择问题,根据配电网中某节点的故障损失度以及网损灵敏度来确定,而下层储能最优配置容量问题,则利用粒子群算法确定储能装置的最优配置容量。
与现有技术比较,本发明的优点是:
1.本发明技术方案所述的基于回归决策树理论的可靠性需求值预测方法,以供电可靠性最大化为目标选择选址,以储能投资成本和运行成本最小为目标,以可靠性提示最大化为目标;储能设备配置后,一旦发生故障,部分负荷可通过孤岛运行恢复供电,缩短了停电时间,大大减少了系统缺电,显著提高了系统可靠性;
2.本发明的技术方案,针对有源配电网供电自愈恢复问题,提出了提高储能接入后供电可靠性的配电网最佳选址和规模确定方案,建立了配电网故障块模型,并基于回归决策树方法估计了可靠性需求值,从而提高配电网中可靠性较低节点的供电可靠性,增强自愈供电恢复能力;
3.本发明的技术方案,建立了储能成本和可靠性效益模型,基于储能成本效益,研究了储能建设对配电网可靠性的影响,建立了基于粒子群算法的双层求解模型,评价和计算了提高供电可靠性带来的经济效益;可以确定配电网中储能系统的最佳选址以及每个选址的储能规模和功率,满足经济合理性,使整个配电网系统的总成本最小。并最大限度地提高了供电可靠性,减少了配电网故障后停电区域的停电损失,提高了可靠性效益。
附图说明
图1是本发明连续孤岛可持续供电概率计算流程的方框示意图;
图2是配电网的拓扑结构示意图;
图3是配电网受故障影响的模块示意图;
图4是本发明双层算法流程方框示意图;
图5是有源配电网测试算例系统拓扑结构示意图;
图6是实施例光伏与风机的典型日出力曲线图;
图7是节点可靠性需求值和孤岛运行成功率仿真图;
图8a和图8b是储能容量、最大充放电功率对系统可靠性影响示意图;
图9是配置成本与储能容量和充放电功率的关系示意图;
图10是配电网故障岛划分示例图;
图11是储能配置后的SOC曲线和充放电功率曲线图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
ESS的应用,可以提高可再生能源的消耗,提供系统备用、调频、调峰等系统辅助服务,提高电网的可靠性、稳定性和安全性。本发明的技术方案,以储能装置为研究对象,以供电可靠性最大化为目标选择选址,以储能投资成本和运行成本最小为目标,以可靠性提示最大化为目标。采用双层优化算法对系统的储能选址和规模进行优化。上层使用节点可靠性需求来确定储能装置的选址,下层使用粒子群优化算法来获得最佳装置选址处的储能装置尺寸和功率。
(1)基于储能连续供电概率的孤岛划分策略
1)孤岛划分及功率平衡策略:
配电网正常运行时,通过10kV母线与上级电网进行功率交互,以保证区域内负荷运行的可靠性与经济性。
当配电网发生故障时,其内部故障类型主要分为内部分布式电源故障及非电源式元件故障,当分布式电源发生故障时,可以通过控制装置将故障电源切除,而其他电源可正常对负荷供电。
当非电源式元件故障时,可以通过继电保护和配电自动化设备对故障进行定位、隔离,并恢复部分非故障负荷。而对于故障元件下游的失电负荷,若可以通过闭合联络开关进行负荷转移,则动作联络开关恢复供电;若线路末端不可进行负荷转移,故障下游负荷从系统中解列形成孤岛,并通过孤岛内的分布式电源进行供电恢复。
在对孤岛划分情况分析前,首先要解决孤岛应对可再生能源出力及负荷需求波动的策略。在划分孤岛时,为减少停电损失,孤岛应尽可能包含能提供的最大出力的负荷。然而分布式电源因其出力的间歇性和波动性,使得故障后孤岛内电源出力与负荷不匹配,造成负荷节点在停电与供电状态,将导致负荷点可靠性下降。因此本专利的技术方案,假设在孤岛运行时若分布式电源无法满足负荷需求,则孤岛运行停止,直到故障修复后重新恢复供电。
本专利技术方案所采用的孤岛划分策略为:在配电网故障时段内,储能当前最大供电能力和故障时段内光伏以及燃气轮机出力作为孤岛的最大恢复容量,以储能作为孤岛的供电中心,向与储能相连的各支路搜索尽可能多容量的负荷节点,直到形成一个可以由孤岛内分布式电源出力支撑的最大范围的孤岛,以该搜索结果为孤岛划分结果。
在馈线分区搜索时,若检测到故障区段,则停止该馈线方向搜索,对于故障隔离区段的负荷节点不能包含在孤岛范围内。
2)基于时序概率的孤岛连续供电分析:
储能装置可以有效平抑分布式电源的出力波动,提高系统稳定性和可靠性。
当配电网发生故障后,储能装置作为孤岛系统的主电源,与DG共同为孤岛内的失电负荷进行供电,降低系统失负荷量,减少区域经济损失,提高孤岛运行能力。
储能装置的充放电功率主要由孤岛内的DG出力和负荷功率共同决定,其充放电策略主要有两种:当孤岛内的DG资源总出力之和小于孤岛内总失电负荷的功率时,储能装置释放能量参与恢复供电;若孤岛内DG资源总出力之和大于孤岛内总失电负荷的功率,储能装置利用分布式电源剩余出力存储能量,以减少弃风弃光充分利用可再生能源。
在孤岛恢复时,储能装置是重要的能源供给点,其时序充放电策略会直接影响电负荷的供给。若风机和光伏的出力之和大于该时刻负荷,储能装置进行充电;若小于负荷,储能向外放电,此种运行方式可充分利用风力及太阳能资源。假设中压配电网中的DG资源主要为光伏与风机,因此可建立储能装置的充放电模型为:
ΔP(t)=PPV(t)+PWT(t)-PL(t) (1)
式中:ΔP(t)表示t时刻储能充放电功率;PPV(t)表示t时刻光伏出力;PWT(t)表示t时刻风机出力;PL(t)表示t时刻负荷大小。
在孤岛运行时,储能的充放电功率受光伏、风机出力波动和负荷时变性等多种不确定因素所影响,可以看作为一个随机变量,因此储能的荷电状态也具有一定的随机性。
当前时段的荷电状态与前一段时间的大小有密切关系,具有较强的时序耦合性关系。因此确定当前储能装置是否能够填补可再生能源出力与负荷之间的缺额,并且可靠地维持孤岛运行直到故障修复,则需要对荷电状态的时序变化过程进行分析。
当储能装置充放电时,电池在t+1时刻的荷电状态由t时刻的SOC(State OfCharge,荷电状态,亦称剩余电量)、容量、功率、充放电效率以及自放电率共同决定。储能装置的时序充放电模型如下:
储能装置充电时,ΔP(t)>0,t+1时刻的荷电状态模型为:
S(t+1)=(1-ηΔt)S(t)+PCΔtηc/Q (2)
储能装置放电时,ΔP(t)<0,t时刻的荷电状态模型为:
S(t+1)=(1-ηΔt)S(t)-PDΔtηc/ηdQ (3)
式中:S(t)为t时刻储能装置的荷电状态SOC;η为储能自放电率;Pi c和Pi d分别表示i储能的充电、放电功率;ηc和ηd别表示储能的充电、放电效率;C为储能装置的额定容量。
在孤岛运行期间内,储能的荷电状态与孤岛内DG出力与负荷需求之间的差值有关,因此荷电状态的变化属于时序变化过程。当储能对孤岛内负荷供电时,在某一荷电状态下对应的最大放电功率为:
PD,m(t)=min((S(t)-SOCmin)ηd/Δt,PD,max) (4)
式中:SOCmin表示储能的最小荷电状态;PD,max表示储能允许的最大放电功率。
孤岛运行时,其内部功率平衡是维持孤岛稳定的关键,当储能某时段的荷电状态所对应的最大供电功率大于或等于孤岛内供需缺额ΔP(t)时,孤岛可持续运行。
定义孤岛可成功运行的状态集合如下:
MT={(i,j)|ΔP(t)i≤PD,m(t)j} (5)
因此某时刻配电网发生故障后进入孤岛状态,且可以成功运行t小时的概率为
式中:psoC,i(t)为储能在故障t时段内SOC的概率分布,假设该分布服从正态分布。
设故障后孤岛连续运行时长为Toff,则时序孤岛可持续供电概率计算流程如图1中所示。
(2)储能装置选址策略:
1)故障影响区块分析及可靠性需求建模:
配电网中有许多部件,这需要大量的工作来分析单个部件的故障。同时,分布式电源接入配电网增加了故障分析的复杂性。因此,在分析储能可靠性之前,首先分析配电网的拓扑结构,简化了网络的拓扑结构。如图2中所示,是一个简单的有源配电网示意图。从图2可以看出,开关的位置和类型与故障后配电网的影响范围有着密切的关系,对负荷供电的可靠性有着重要的影响。
在本技术方案中,将不受切换动作影响的元件之间的连接元件称为块,因为从负载供电的角度来看,上游切换动作对块中元件故障的影响是相同的。
通过对图2的具体分析,4号线和5号线的供电状态是一致的。如果2号线或3号线发生故障,则开关CB1和S1一起工作,以隔离故障区段,因此2号线和3号线可以形成阻塞。故障修复前,断电区域为2号线、3号线和负载点1。1号线通过隔离故障区段恢复供电,而4号线、5号线、6号线以及负载点2和3通过DG供电形成孤岛恢复。
经过方框分析,图2所示的配电网结构图可以简化,简化后的具体结构如图3中所示。
与重复分析单个元件的故障相比,分析故障对阻塞单元的影响可以减少大量的分析,提高配电网元件故障分析的效率。由于每个模块的可靠性可通过串联可靠性模型计算,配电网中每个模块的故障率和故障修复时间计算如下。
式中:ri、ti分别表示单个元件故障概率和修复时间;rj、tj分别表示由若干个元件构成区块的故障概率和平均修复时间。
当配电网内线路、开关元件或变压器发生故障时,故障元件上游最近的断路器动作,切除故障元件,然后故障元件上游最近的分段开关打开,隔离故障元件后,上游非故障区域恢复供电,因此,上游受影响的停电负荷累计一次停电次数,且由于配电网中自动化装置的存在,不考虑故障定位和隔离时间。因此,上游区域停电时间较短,可以忽略不计。而故障影响到的下游的孤岛外负荷则累计一次停电次数,并根据设备维修时间累加统计故障停电时间。上述均为孤岛外部负荷的处理方式,针对孤岛内部负荷则根据孤岛是否可无缝切换以及孤岛运行持续时间来统计其停电次数和停电时间。当孤岛内电源无法满足孤岛内所有负荷时,则根据重要程度,将负荷进行排序,优化选择部分负荷供电。
为选择最佳的储能安装位置,以最大限度地提升储能装置接入后对配电网的供电可靠性,本技术方案定义一个“区块失电损失量”指标,该指标用来定量表示某区块中负荷在失电后造成的经济损失大小,其中某区块失电损失量越大则证明该区块中负荷重要性越高,在选择储能接入点时需要优先考虑提高该区块中的负荷的供电可靠性。该指标计算表达式如下:
式中:Pim表示某个区块中i节点中负荷的有功功率需求大小;ωk表示k级负荷失单位电量所造成的经济损失,其中k∈[1,3];TB表示区块故障后的平均停电时间。
对于选择储能装置的接入点,在最佳的位置安装使得其提升供电可靠性最大,配电网发生故障后造成的总经济损失最小,则要对配电网中元件发生故障的概率进行分析。由前述提出的故障区块故障分析可以得出,配电网中某一区块的故障概率由该区块中各个元件故障概率之和,因此每一个区块失负荷风险计算如下:
式中:Kj表示区块j的失负荷风险。
2)基于分类回归树的可靠性需求估计:
当配电网某一元件发生故障时,利用储能作为主电源向岛内负荷供电,以提高供电可靠性。在选择储能配置接入点时,需要同时考虑故障前后的各种影响因素,以确定通过储能配置获得的可靠性效益不限于单个故障段的情况。在故障发生之前,本技术方案主要考虑的影响因素是配电网中元件的故障概率及其修复时间,以及模块中的功率损耗。考虑到与可靠DG的电气距离、故障后是否能转移到负荷和维护费用,并综合考虑上述影响因素对储能接入节点的选择,本技术方案采用回归决策树对储能接入点进行评估。
分类和回归树(CART)是一种用于分类和预测的决策树。在学习历史数据后,可以根据一组无序和不规则的给定特征对事件进行分类和预测。CART决策树利用已知的多变量数据构造预测准则,然后根据其他变量的值预测一个变量。CART决策树包括分类和回归两部分。前者可以通过测量对象并使用一定的分类标准来确定对象的归属类别;后者用于预测对象的某个值。CART预测准则是在对已知数据集进行系统分析的基础上构建的。在可靠性需求值预测中,数据集由故障事件的许多特征及其相应的需求程度组成。本技术方案将故障前后上述元件对可靠性的影响因素作为可靠性需求值的影响程度,形成故障特征向量来预测可靠性需求值。建立回归决策树的核心问题是划分点和产值的确定。
基于CART的回归决策树的建立过程如下:
1)构造一个训练样本数据集,其中包含故障影响特征向量X和特征向量对应的可靠性需求值Y,并计算数据集中Y的均值和方差;
2)采用启发式方法将特征空间划分为子节点;在每个分区中调查每个集合中所有特征的所有值;根据子节点各自可靠性需求值Y的平方误差最小准则选择最优分界点,对数据集进行分段;
3)在找到每个子节点的最优分界点后,将输入空间依次划分为两个区域,然后对每个区域重复上述划分过程,直到每个子节点的Y方差足够小并满足停止条件;
4)生成CART回归决策树;回归树的子节点的输出值是子节点数据集中Y的平均值,该值是通过训练得到的回归树的预测值。
利用训练样本和CART生成规则生成CART回归决策树,然后根据决策规则对故障特征向量X已知但可靠性需求值Y未知的待预测事件进行可靠性需求值预测。
3)储能装置接入位置选取流程:
为提高接入储能装置后配电网供电可靠性,在分析计算配电网中元件故障损失度最高的元件下游优先接入储能装置;为使其发挥最大的供电恢复能力,需要对配电网各区块的可靠性需求以及区块内元件的故障概率进行分析,得出储能待接入区块集合Dess,对可靠性较低且负荷较重要的区块优先供电,减少故障负荷损失,以此评估该接入点配置储能装置后所能提供的最大供电能力。
储能接入位置选取具体流程如下:
步骤1:获取配电网相关数据,其中包括各节点负荷故障数据、风机光伏出力数据以及配电网拓扑结构等信息;
步骤2:根据前述的方法生成CART回归决策树,预估配电网各区块可靠性需求值,并将各区块按失负荷风险进行排序,得到储能装置待接入节点集合Dess;
步骤3:假定配电网相应的线路发生故障,通过仿真得出恢复方案并记录,得到孤岛内恢复负荷量最多的区块,得到区块接入评价值;
步骤4:对Dess节点中各接入区块的评价值进行从小到大排序,选取评价值最高的接入点作为最优接入点。
(3)储能装置优化配置模型
1)目标函数:
实际工程中常遇到已建充电站运行一段时期后,为提高收益而配置储能的实际问题,一方面充电站已积累实际运行数据,为储能优化配置提供基础,另一方面电池成本快速下降,投资积极性提高为充电站配置储能提供契机。由于储能装置初期投资较大,且资金回收周期较长,因此在规划配置储能装置时需要考虑其投资的经济性。以储能装置全寿命周期内经济效益最大为目标函数,如式(11)所示。
max P=F/C (11)
式中:P为储能装置的净收益;F为配置储能装置而产生的可靠性收益;C为储能配置成本费用。
其中,由于本技术方案主要考虑配置储能前后对可靠性提升的效果,因此本技术方案不考虑安装储能所获得的峰谷电价收益,以及因减少弃风、弃光而产生的容量收益等收益,而主要考虑提高供电可靠性的可靠性收益。
考虑配置储能可以提升配电网的供电可靠性,本技术方案定义配置储能的可靠性收益为配置储能前后,配电网某区块发生故障后所减少的失负荷损失大小。
F=FLa-FLb (13)
式中:M为区块数量,Ki为区块i的停电次数,Pik为区块i第k次停电时的负荷值,ωik为区块i第k次停电时的单位电量平均停电损失费用,由负荷类型和停电时间共同决定,FLb、FLa分别表示储能配置前后发生相同故障时造成的经济损失。
配置储能装置的成本C主要由初期的建设成本C1以及后期的运行维护成本C2。其中初期建设成本C1主要由储能装置的安装容量EB,i和充放电功率PB,i共同决定。将初期建设成本C1表示如下:
式中:kE表示储能单位容量建设成本;kP为充放电功率成本。
后期运行维护成本C2是指在储能装置在运行寿命周期内,由于设备故障、老化等原因需要进行保养或者维护而产生的资金投入,该部分成本主要由储能装置年充放电电量决定。该部分成本在储能全寿命周期内不断发生变化,通常包括储能装置的检修、调试等费用。储能装置的年运行维护成本与其运行情况有关,该部分成本可表示为:
式中:Cd为单位电量动态成本,其值随着年限发生波动;s表示贴现率。
约束条件:
配置储能装置优化问题的约束条件主要有:一是设备特性约束,即对储能装置和配电网系统进行功率约束,以及防止储能装置充放电过度造成的设备损坏,其荷电状态SOC、储能充放电功率上下限需要满足一定约束。二是约束为系统运行约束,即系统在运行周期的每个时刻都需满足的功率平衡约束以及储能装置在运行周期内的初始与终止时刻其荷电状态SOC需保持一致。具体约束条件如下式所示:
1、系统运行约束:
Pij=ViVj(Gijcosθij+Bijsinθij)-Vi 2Gij(18)
式中:Pi、Qi分别表示节点i注入的有功、无功功率大小;Vi、Vj分别表示节点i与节点j的电压幅值;θij为节点i与节点j之间的电压相角差;Gij、Bij分别表示节点i与节点j之间线路的电导与电纳。Vimin、Vimax分别表示节点i电压幅值的最小、最大值;θimin、θimax分别表示节点i电压相角的最小最大值;Pij是i节点和j节点之间的线路潮流,是i节点和j节点之间的最大线路传输容量。
2、设备特性约束:
SOCmin≤SOCt≤SOCmax (21)
EB≤Emax (22)
式中:PC、PD分别表示储能装置的最大充、放电功率;α、β分别表示储能装置充放电功率最小运行系数。SOCmin、SOCmax分别表示储能装置允许的最小、最大放电容量;SOCt表示t时刻储能装置的荷电状态,其中t∈[1,24]。Emax为可容许安装的最大储能容量,该容量受其投资成本及安装场地的影响。Zmax表示配电网中允许接入储能装置的最大个数。
2)优化模型求解:
如图4中所示,本技术方案采用双层优化算法求解储能装置的接入位置及配置容量问题,其中对于上层储能装置安装位置的选择问题,根据配电网中某节点的故障损失度以及网损灵敏度来确定,而下层储能最优配置容量问题,则利用粒子群算法确定储能装置的最优配置容量。
实施例:
1)算例说明:
采用系统拓扑如图5中所示的41节点测试系统进行仿真分析,其中在节点8、9、24、26、28五个节点处分别接有不同类型的分布式电源,其中具有独立调频调压能力的MT1台,共同组成有源配电网系统。其光伏与风机的典型日出力曲线如图6所示。
根据负荷曲线特征,0-6时为负荷低谷时段,8-11时和17-21时为负荷高峰时段。该分时电价具体如表1所示。
表1电网分时电价
假设每个节点的储能系统允许的最大连接数为1,最大安装容量为4MW·h。计算示例使用典型的一天来表示全年。
由于样本数据的选择不会影响储能选址和规模确定的优化方法,因此选择一个典型日来代表全年,以验证所提出方法的有效性。
2)仿真结果:
通过对本技术方案所述方法的仿真验证,配置储能后各节点的可靠性要求与孤岛运行成功率的关系如图7所示。
其中,示例测试系统中节点11的可靠性要求最高,孤岛运行成功率较高,因此储能系统连接到节点11。
选择储能接入点后,为了研究接入点的储能容量和充放电功率对提高供电可靠性的影响,仿真结果如图8a和图8b中所示。
从图8a和图8b的曲线可以看出,随着储能容量和最大充放电功率的增加,系统的平均停电时间逐渐减少,用户的平均供电可用性逐渐增加,系统的可靠性水平显著提高。然而,随着容量和充放电功率的逐渐增大,储能可靠性水平的提高逐渐降低。
对于所示的测试系统,通过储能容量和充放电功率提高配电网供电可靠性如图9所示。当储能接入容量为2.5MW·h,充放电功率为0.8MW时,整个系统的电网是可靠的。性能改进最大,运营成本最小,总投资成本636.42万元。
假设变压器在上午10点发生故障,根据分支定界算法获得孤岛划分方案,如图10所示。
此时,配电网的可恢复区域被划分为三个孤岛,其中ESS是调频和调压的主要电源。孤岛风机机组DG2的装机容量高于光伏机组DG1的额定容量。从图10中可以看出,在孤岛运行的初始阶段,峰值功率达到1.52MW。此时,孤岛I的恢复容量占总失电负荷容量的38.1%。孤岛Ⅱ主电源为微型燃气轮机。岛内两台光伏发电机组DG3和DG5支撑岛内负荷,恢复能力占总失电负荷的26.4%。孤岛Ⅲ中的负荷通过馈线传输,并通过联络线供电。具有相对稳定的支撑能力,恢复能力占10点失电负荷能力的20.6%。
采用本技术方案提出的储能配置方案时,通过比较非选择性储能配置方法,当配电网在岛上运行时,ESS所在岛的恢复功率高出798.5kW·h,如表2所示。这是因为在考虑了可靠性需求的储能接入方法后,储能可以在发生故障时支持大多数负荷的需求。从表2可以看出,对于无选择方案,整个网络的恢复率和可靠性效益成本较高。
表2不同ESS配置方案的结果比较
上述储能系统的充放电功率曲线和SOC曲线如图11所示。可以看出,储能系统在低时段充电,即从上午0点到上午7点,储能SOC在此时段逐渐增加,储能系统在高峰时段(8-11)和(17-21)放电。在此期间,储能SOC逐渐降低。同时可以看出,除了低谷时段自动充电和高峰时段自动放电外,储能系统还可以在平谷时段合理自动充电和放电。
对上述实施例计算了以下三种情况下的可靠性指标:
1)不配置储能;
2)配置储能时配电网不考虑供电可靠性;
3)采用本专利所提的储能配置方案时配电网供电可靠性。
采用本技术方案所述方法计算仿真,计算结果见表3。
共选择了四种可靠性指标:平均供电可用率ASAI、系统平均停电频率SAIFI、系统平均停电持续时间SAIDI和缺供电期望ENS以及避免的故障损失ΔFL。
表3储能配置前后对系统可靠性的影响
从表三可以看出,储能设备配置后,一旦发生故障,部分负荷可通过孤岛运行恢复供电,缩短了停电时间,大大减少了系统缺电,显著提高了系统可靠性。采用本专利提出的储能配置方案后,系统可靠性进一步提高。
仿真算例以41节点系统为例进行仿真验证。算例结果表明,本专利方法最终可以确定配电网中储能系统的最佳选址以及每个选址的储能规模和功率,满足经济合理性,使整个配电网系统的总成本最小。并最大限度地提高了供电可靠性,减少了配电网故障后停电区域的停电损失,提高了可靠性效益。
储能具有响应速度快、灵活性强的特点。它可以为电网提供多种辅助服务。吸收大量可再生能源是一种重要的灵活资源。本专利的技术方案,针对有源配电网供电自愈恢复问题,提出了提高储能接入后供电可靠性的配电网最佳选址和规模确定方案,建立了配电网故障块模型,建立了基于粒子群算法的双层求解模型,并基于回归决策树方法估计了可靠性需求值,从而提高配电网中可靠性较低节点的供电可靠性,增强自愈供电恢复能力。在此基础上,建立了储能成本和可靠性效益模型。基于储能成本效益,研究了储能建设对配电网可靠性的影响,评价和计算了提高供电可靠性带来的经济效益。
本发明可广泛用于有源配电网储能装置的规划与设计领域。
Claims (10)
1.一种用于提高供电可靠性的有源配电网储能装置优化配置方法,包括储能装置接入位置的选取,其特征是储能装置接入位置的选取包括以下步骤:
步骤1:获取配电网包括各节点负荷故障数据、风机光伏出力数据以及配电网拓扑结构在内的相关数据;
步骤2:生成CART回归决策树,预估配电网各区块可靠性需求值,并将各区块按失负荷风险进行排序,得到储能装置待接入节点集合Dess;
步骤3:假定配电网相应的线路发生故障,通过仿真得出恢复方案并记录,得到孤岛内恢复负荷量最多的区块,得到区块接入评价值;
步骤4:对Dess节点中各接入区块的评价值进行从小到大排序,选取评价值最高的接入点作为最优接入点。
2.按照权利要求1所述的用于提高供电可靠性的有源配电网储能装置优化配置方法,其特征是所述的有源配电网储能装置优化配置方法,以储能装置为研究对象,以供电可靠性最大化为目标选择选址,以储能投资成本和运行成本最小为目标,以可靠性提示最大化为目标。采用双层优化算法对系统的储能选址和规模进行优化。上层使用节点可靠性需求来确定储能装置的选址,下层使用粒子群优化算法来获得最佳装置选址处的储能装置尺寸和功率。
3.按照权利要求1所述的用于提高供电可靠性的有源配电网储能装置优化配置方法,其特征是所述CART回归决策树的建立过程如下:
1)构造一个训练样本数据集,其中包含故障影响特征向量X和特征向量对应的可靠性需求值Y,并计算数据集中Y的均值和方差;
2)采用启发式方法将特征空间划分为子节点;在每个分区中调查每个集合中所有特征的所有值;根据子节点各自可靠性需求值Y的平方误差最小准则选择最优分界点,对数据集进行分段;
3)在找到每个子节点的最优分界点后,将输入空间依次划分为两个区域,然后对每个区域重复上述划分过程,直到每个子节点的Y方差足够小并满足停止条件;
4)生成CART回归决策树;回归树的子节点的输出值是子节点数据集中Y的平均值,该值是通过训练得到的回归树的预测值。
利用训练样本和CART生成规则生成CART回归决策树,然后根据决策规则对故障特征向量X已知但可靠性需求值Y未知的待预测事件进行可靠性需求值预测。
4.按照权利要求1所述的用于提高供电可靠性的有源配电网储能装置优化配置方法,其特征是在配电网故障时段内,储能当前最大供电能力和故障时段内光伏以及燃气轮机出力作为孤岛的最大恢复容量,以储能作为孤岛的供电中心,向与储能相连的各支路搜索尽可能多容量的负荷节点,直到形成一个可以由孤岛内分布式电源出力支撑的最大范围的孤岛,以该搜索结果为孤岛划分结果;
在馈线分区搜索时,若检测到故障区段,则停止该馈线方向搜索,对于故障隔离区段的负荷节点不能包含在孤岛范围内。
5.按照权利要求1所述的用于提高供电可靠性的有源配电网储能装置优化配置方法,其特征是所述储能装置的充放电模型为:
ΔP(t)=PPV(t)+PWT(t)-PL(t)
式中:ΔP(t)表示t时刻储能充放电功率;PPV(t)表示t时刻光伏出力;PWT(t)表示t时刻风机出力;PL(t)表示t时刻负荷大小;
所述储能装置的时序充放电模型如下:
储能装置充电时,ΔP(t)>0,t+1时刻的荷电状态模型为:
S(t+1)=(1-ηΔt)S(t)+PCΔtηc/Q
储能装置放电时,ΔP(t)<0,t时刻的荷电状态模型为:
S(t+1)=(1-ηΔt)S(t)—PDΔtηc/ηdQ
当储能装置对孤岛内负荷供电时,在某一荷电状态下对应的最大放电功率为:
PD,m(t)=min((S(t)-SOCmin)ηd/Δt,PD,max)
式中:SOCmin表示储能的最小荷电状态;PD,max表示储能允许的最大放电功率;
定义孤岛可成功运行的状态集合如下:
MT={(i,j)|ΔP(t)i≤PD,m(t)j}
因此某时刻配电网发生故障后进入孤岛状态,且可以成功运行t小时的概率为:
式中,pSOC,i(t)为储能在故障t时段内SOC的概率分布,假设该分布服从正态分布。
8.按照权利要求1所述的用于提高供电可靠性的有源配电网储能装置优化配置方法,其特征是在规划配置储能装置时,考虑其投资的经济性,以储能装置全寿命周期内经济效益最大为目标函数:
maxP=F/C
式中:P为储能装置的净收益;F为配置储能装置而产生的可靠性收益;C为储能配置成本费用。
10.按照权利要求1所述的用于提高供电可靠性的有源配电网储能装置优化配置方法,其特征是所述的有源配电网储能装置优化配置方法,采用双层优化算法求解储能装置的接入位置及配置容量问题,其中对于上层储能装置安装位置的选择问题,根据配电网中某节点的故障损失度以及网损灵敏度来确定,而下层储能最优配置容量问题,则利用粒子群算法确定储能装置的最优配置容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211489624.5A CN115719967A (zh) | 2022-11-25 | 2022-11-25 | 一种用于提高供电可靠性的有源配电网储能装置优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211489624.5A CN115719967A (zh) | 2022-11-25 | 2022-11-25 | 一种用于提高供电可靠性的有源配电网储能装置优化配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115719967A true CN115719967A (zh) | 2023-02-28 |
Family
ID=85256443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211489624.5A Pending CN115719967A (zh) | 2022-11-25 | 2022-11-25 | 一种用于提高供电可靠性的有源配电网储能装置优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115719967A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273309A (zh) * | 2023-08-28 | 2023-12-22 | 国家电网有限公司华东分部 | 一种储能系统容量配置方法、装置、存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103178536A (zh) * | 2013-02-06 | 2013-06-26 | 上海交通大学 | 基于供蓄能力的配电网储能装置选址定容方法 |
CN109149622A (zh) * | 2017-06-15 | 2019-01-04 | 国网山西省电力公司经济技术研究院 | 考虑失负荷风险的配电网光/储与计划孤岛协同规划方法 |
CN110943465A (zh) * | 2019-12-16 | 2020-03-31 | 贵州电网有限责任公司 | 一种储能系统选址定容优化方法 |
CN113780722A (zh) * | 2021-07-30 | 2021-12-10 | 广东电网有限责任公司广州供电局 | 配电网的联合规划方法、装置、计算机设备和存储介质 |
-
2022
- 2022-11-25 CN CN202211489624.5A patent/CN115719967A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103178536A (zh) * | 2013-02-06 | 2013-06-26 | 上海交通大学 | 基于供蓄能力的配电网储能装置选址定容方法 |
CN109149622A (zh) * | 2017-06-15 | 2019-01-04 | 国网山西省电力公司经济技术研究院 | 考虑失负荷风险的配电网光/储与计划孤岛协同规划方法 |
CN110943465A (zh) * | 2019-12-16 | 2020-03-31 | 贵州电网有限责任公司 | 一种储能系统选址定容优化方法 |
CN113780722A (zh) * | 2021-07-30 | 2021-12-10 | 广东电网有限责任公司广州供电局 | 配电网的联合规划方法、装置、计算机设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273309A (zh) * | 2023-08-28 | 2023-12-22 | 国家电网有限公司华东分部 | 一种储能系统容量配置方法、装置、存储介质及电子设备 |
CN117273309B (zh) * | 2023-08-28 | 2024-04-30 | 国家电网有限公司华东分部 | 一种储能系统容量配置方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107332234B (zh) | 一种考虑可再生能源间歇性的主动配电网多故障修复方法 | |
CN110311398B (zh) | 一种新型储能电池系统的连接拓扑、控制系统及方法 | |
CN104851053A (zh) | 一种含风光储的配电网供电可靠性评估方法 | |
CN111861029A (zh) | 一种计及孤岛划分和网络重构的供电可靠性评估方法 | |
CN110245858B (zh) | 一种含电动汽车充电站的微电网可靠性评估方法 | |
Liu et al. | Bi-level coordinated power system restoration model considering the support of multiple flexible resources | |
CN114142461B (zh) | 考虑电网形态演变和结构发展的新能源差异化配置方法 | |
CN115719967A (zh) | 一种用于提高供电可靠性的有源配电网储能装置优化配置方法 | |
CN113657619B (zh) | 考虑故障连锁的关键弹性提升元件辨识及故障恢复方法 | |
CN105552880A (zh) | 基于状态枚举法的电力系统典型故障集确定方法 | |
Saadaoui et al. | Hybridization and energy storage high efficiency and low cost | |
CN105896533B (zh) | 一种主动配电网静态安全评估方法 | |
CN116014790A (zh) | 一种含分布式能源的配电网弹性评估方法 | |
Sonwane et al. | Optimal allocation of distributed generator placement: An optimal approach to enhance the reliability of micro-grid | |
Ramabhotla et al. | A review on reliability of microgrid | |
CN111106622B (zh) | 一种基于rmpc的主动配电网供电恢复方法 | |
Li et al. | Reliability evaluation of distribution network considering distributed intermittent renewable energy access | |
Niu et al. | Power supply reliability evaluation method for DC distribution network with power energy router | |
CN110768306A (zh) | 一种提高保底电网中微电网应急能力的电源容量配置方法 | |
Ding et al. | Reliability evaluation of direct current distribution system for intelligent buildings based on big data analysis | |
Xiao et al. | Research on self-healing restoration power supply strategy of active distribution network based on energy storage | |
Li et al. | Reliability Analysis of Diamond-shaped Distribution Network under Large-scale Distribution generation integration Access | |
Xu et al. | Planning of Energy Storage for Resilience Enhancement of microgrid | |
Liu et al. | Investment Model and its Multi-year Rolling Deduction Based on a Data-driven Method for Distribution Network | |
Peng et al. | Research on Real-Time Reconfiguration of Distribution Network Based on Data-Driven Approaches |
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 |