CN116227704A - 基于边缘计算和云计算的供热能耗诊断及节能调控方法 - Google Patents

基于边缘计算和云计算的供热能耗诊断及节能调控方法 Download PDF

Info

Publication number
CN116227704A
CN116227704A CN202310209571.5A CN202310209571A CN116227704A CN 116227704 A CN116227704 A CN 116227704A CN 202310209571 A CN202310209571 A CN 202310209571A CN 116227704 A CN116227704 A CN 116227704A
Authority
CN
China
Prior art keywords
energy
data
energy consumption
saving
feature
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
CN202310209571.5A
Other languages
English (en)
Inventor
谢金芳
金鹤峰
穆佩红
方大俊
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.)
Changzhou Engipower Technology Co ltd
Original Assignee
Changzhou Engipower Technology 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 Changzhou Engipower Technology Co ltd filed Critical Changzhou Engipower Technology Co ltd
Priority to CN202310209571.5A priority Critical patent/CN116227704A/zh
Publication of CN116227704A publication Critical patent/CN116227704A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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"
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
    • F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24D—DOMESTIC- OR SPACE-HEATING SYSTEMS, e.g. CENTRAL HEATING SYSTEMS; DOMESTIC HOT-WATER SUPPLY SYSTEMS; ELEMENTS OR COMPONENTS THEREFOR
    • F24D19/00—Details
    • F24D19/10—Arrangement or mounting of control or safety devices
    • F24D19/1006—Arrangement or mounting of control or safety devices for water heating systems
    • F24D19/1009—Arrangement or mounting of control or safety devices for water heating systems for central heating
    • F24D19/1048—Counting of energy consumption
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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
    • G06Q50/08—Construction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Primary Health Care (AREA)
  • Thermal Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开了一种基于边缘计算和云计算的供热能耗诊断及节能调控方法，包括：在热力站部署边缘计算节点，并通过边缘计算节点接收历史运行参数和室外气象数据，进行数据预处理和特征提取后，选取供热系统运行与能耗相关性较大的数据作为输入变量，与能耗直接相关的数据作为输出变量，并上传至云计算中心；云计算中心构建供热系统能耗诊断模型并下发至边缘计算节点进行供热系统能耗诊断，并将供热系统能耗诊断结果上传至云计算中心；云计算中心根据供热系统能耗诊断结果计算和分析节能特性，若不满足节能指标，则对循环泵和电动调节阀建立节能调控预测模型并下发至边缘计算节点进行供热系统节能调控。

Description

基于边缘计算和云计算的供热能耗诊断及节能调控方法
技术领域
本发明属于智慧供热技术领域，具体涉及一种基于边缘计算和云计算的供热能耗诊断及节能调控方法。
背景技术
建筑能耗占社会总能耗的25％～30％，在建筑能耗组成中，供热能耗已经占到了公共建筑能耗的重要占比，而且还有继续增长的趋势，供热系统运行所带来的能耗问题越来越引起关注。中国北方地区大多都采取市政热水集中供热的方式，供热系统是热水经过二次换热把能量从一次供热端传递到用户末端的过程。从供热系统节能的定义上，在满足热负荷需求的情况下，尽可能减少能耗是节能优化的目标。
目前，针对供热系统的能耗诊断和节能调控研究较少，从诊断的视角出发，时间序列方法成本低，速度快，但只能用来定性比较和控制能耗，获得的供热系统能耗诊断及节能调控结果与实际供热系统运行状况存在偏差，可以通过时间序列预测得到能耗值与实际能耗值相比较看能耗的相对大小，但是却无法找出造成这种能耗高低的系统性原因，而且供热系统运行数据量较大和实时性较高，通过需要将处理的供热运行参数上传到供热系统后台，数据处理过程较慢，能耗诊断和节能调控模型的训练学习任务量也相对复杂。因此如何根据供热系统的实际运行状况，对供热系统进行能耗诊断，并制定科学合理、计算处理速度快的节能改造方案是目前急需解决的问题。
基于上述技术问题，需要设计一种新的基于边缘计算和云计算的供热能耗诊断及节能调控方法。
发明内容
本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于边缘计算和云计算的供热能耗诊断及节能调控方法，通过将边缘计算引入供热系统，作为一种新的计算范式应运而生，它靠近生产现场，数据传输链路短，通过建立供热系统运行数据处理机制，减少边缘计算节点上传至云计算中心的数据量，保障了供热系统实时能耗诊断及节能调控。同时在云计算中心设立能耗诊断模型和节能调控预测模型，通过对历史数据进行处理，对供热系统未来的能耗诊断和节能调控做出预测，实现对供热系统的能耗状况和节能状况提前进行监测。
为了解决上述技术问题，本发明的技术方案是：
本发明提供了一种基于边缘计算和云计算的供热能耗诊断及节能调控方法，它包括：
步骤S1、采集供热系统历史运行参数和室外气象数据；
步骤S2、在热力站部署边缘计算节点，并通过边缘计算节点接收历史运行参数和室外气象数据，进行数据预处理和特征提取后，选取供热系统运行与能耗相关性较大的数据作为输入变量，与能耗直接相关的数据作为输出变量，并上传至云计算中心；
步骤S3、云计算中心根据边缘计算节点上传的数据进行网络模型的训练更新后，构建供热系统能耗诊断模型并下发至边缘计算节点；
步骤S4、边缘计算节点根据下发的能耗诊断模型进行供热系统能耗诊断，并将供热系统能耗诊断结果上传至云计算中心；
步骤S5、云计算中心根据供热系统能耗诊断结果计算和分析节能特性，若不满足节能指标，则对循环泵和电动调节阀建立节能调控预测模型并下发至边缘计算节点；
步骤S6、边缘计算节点根据下发的节能调控预测模型进行供热系统节能调控，并将供热系统节能调控结果上传至云计算中心进行分析判断和节能调控预测模型的修正，直至满足节能指标。
进一步，所述历史运行参数包括一次供回水温度、二次供回水温度、一次热水流量、二次热水流量、一次供回水压差、二次供回水压差、热力站运行参数、供热机组运行参数、用户末端温度和供热量；所述室外气象数据包括室外温度、湿度、风向和太阳辐照度。
进一步，所述步骤S2包括：
对原有热力站进行设备改造：在原有PLC控制柜的基础上部署边缘计算节点，由原有PLC控制柜进行现场设备的数据采集和上传数据至边缘计算节点，以及由边缘计算节点下发节能调控指令至PLC控制柜，再由PLC控制柜对供热系统现场设备进行调控；或者撤销原有PLC控制柜，直接部署具有数据采集和控制功能的边缘计算节点；
通过各个热力站部署的边缘计算节点接收相对应的历史运行参数和室外气象数据，进行数据异常值检测与识别、缺失值与非正常零值填补、数据归一化处理后，采用Relief算法对预处理后的数据集计算每个输入数据特征的权重后，再引入邻域互信息获得去冗余的经排序后的特征集合，选取供热系统运行与能耗相关性较大的数据作为能耗诊断模型的输入变量，选取与能耗直接相关的供热量作为输出变量，并上传至云计算中心。
进一步，所述采用Relief算法对预处理后的数据集计算每个输入数据特征的权重后，再引入邻域互信息获得去冗余的经排序后的特征集合，包括：
设预处理后的数据集为D，随机选取样本Ri，寻找和样本Ri属于同一类别的最近邻样本H，寻找和样本Ri属于不同类别的最近邻样本M，计算n个数据特征的权重wi＝{w1,w2,...,wn}；其中，数据特征A的权重表示为：
W(A)＝W(A)-diff(A,Ri,H)/m+diff(A,Ri,M)/m；
diff()函数为计算两个样本I1和I2之间数据特征A的价值差异，I1＝Ri，I2为最近邻样本H或M；m为抽样次数；
设目标特征索引集合为S，初始化S＝{1}，1表示经过特征选择排序后集合S中的第一个特征的索引值，该特征的权重值是最大的；
设S＝{1，2，...,l}-S，定义集合中第i个特征关于特征子集S的冗余度为：
Figure BDA0004112214310000031
NMIδ(Fi,Fj)为任意两个连续特征Fi、Fj之间的邻域互信息；
定义评价指标：
Figure BDA0004112214310000032
通过比较评价指标，将特征索引集合S中具有最高权值的特征索引筛选出来放入到集合S中，获得去冗余的经排序后的特征集合。
进一步，所述步骤S3包括：
云计算中心根据边缘计算节点上传的数据，从去冗余的经排序后的特征集合中选取能耗诊断模型的输入变量，选取供热量作为能耗诊断模型的输出变量，形成训练集样本数据；
选取不同种类的机器学习算法作为基学习器对训练集样本数据进行训练学习后，构建不同的供热系统能量诊断模型，获得对应的能量诊断预测值；
计算不同能量诊断预测值和训练集中真实值之间的误差，再根据各个误差计算每个样本的相对误差、基学习器系数；
根据基学习器系数取对数并规范化获得各个基学习器的权重；
根据Voting模型的加法集成原理进行线性融合获得最终的供热系统能量诊断模型。
进一步，所述选取不同种类的机器学习算法作为基学习器，包括：Light GBM模型、Random Forest模型、XGBoost模型、Adaboost模型、SVM模型。
进一步，所述步骤S5包括：
云计算中心根据供热系统能耗诊断结果计算MAP指标和节能率，分别表示为：
Figure BDA0004112214310000033
Figure BDA0004112214310000041
Figure BDA0004112214310000042
分别为能量诊断模型输出的供热量预测值、供热量实际值；n为数据量；s为负值表示不节能，正值表示节能；η为节能率，正值表示不节能，负值表示节能；
云计算中心根据计算的MAP指标和节能率判断系统节能特性是否满足期望的节能指标，若不满足节能指标，则对循环泵和电动调节阀采用机器学习方法建立节能调控预测模型，并下发至边缘计算节点。
进一步，所述对循环泵和电动调节阀采用机器学习方法建立节能调控预测模型，包括：
云计算中心向边缘计算节点发送数据请求消息，请求获取包括循环泵和电动调节阀运行参数的供热系统历史运行数据，包括一次供回水温度、二次供回水温度、一次热水流量、二次热水流量、热力站运行参数、用户末端温度、供热量和循环泵运行参数、电动调节阀运行参数；
边缘计算节点对要发送给云计算中心的供热系统历史运行数据进行预处理后，将数据按照一定比例划分为训练数据集和测试数据集；其中，将训练数据集作为节能调控预测模型的输入，训练获得节能调控预测模型后，再将测试数据集作为节能调控预测模型的输入，获得模型的调控准确率；
边缘计算节点采用Fisher Score算法对供热系统历史运行参数进行特征重要性排序后，再计算数据特征间的最大信息系数，进行重新排序后发送至云计算中心；
云计算中心采用改进的鸡群优化算法优化BP反向传播神经网络后，从重新排序的数据特征中选取特征输入至优化的BP反向传播神经网络中进行模型训练，构建节能调控预测模型。
进一步，所述采用Fisher Score算法对供热系统历史运行参数进行特征重要性排序后，再计算数据特征间的最大信息系数，进行重新排序，包括：
采用Fisher Score算法对供热系统历史运行参数进行特征重要性计算，将特征按照计算所得重要性从高到低排序，表示为：
Figure BDA0004112214310000043
F(fi)为特征重要性得分；
Figure BDA0004112214310000044
为第i个特征fi的平均值；/>
Figure BDA0004112214310000045
为第i个特征fi的在第k类中的平均值；nk为第k类数据的个数；fj,i为第i个特征在第j个数据集中的值；
计算特征与特征之间的最大信息系数mic(x,y)，并进行重新排序，表示为：
Figure BDA0004112214310000051
max(I(X:Y))为最大互信息值；B为网格划分x×y的上限值。
进一步，所述采用改进的鸡群优化算法优化BP反向传播神经网络，包括：
设置BP反向传播神经网络的相关参数，包括对BP反向传播神经网络的各个权值、阈值进行初始化设置，并设置误差函数，作为鸡群优化算法的适应度函数；
设置改进的鸡群优化算法的相关参数，包括最大迭代次数、空间维度、种群规模，以及根据BP反向传播神经网络中参数个数设置公鸡、母鸡、小鸡比例因子与每只鸡的位置；
计算鸡群中个体的适应度值，并按照适应度值大小顺序对鸡群个体进行排序，设置前RN个鸡群个体为公鸡，后CN个鸡群个体为小鸡，剩余中间个体为母鸡；以及设置带小鸡的母鸡数量，确定鸡群中小鸡与母鸡的母子对应等级关系，并初始化鸡群中每个个体的位置；
设置迭代次数与迭代步长，并在迭代的过程中，不断更新鸡群中各个个体的位置信息，计算更新位置后的适应度值，当适应度值比前一位置的适应度值更优，则更新其位置信息，否则不更新；
不断迭代直至迭代次数达到设定的最大次数时停止，输出此时的权值和阈值作为BP反向传播神经网络权值与阈值的最新结果；
其中，所述改进的鸡群优化算法包括：采用反向学习机制来对失败供给的位置信息进行更新，设失败公鸡粒子i的当前位置为xi，反向位置为
Figure BDA0004112214310000056
通过反向学习策略使失败公鸡粒子跳跃到相对应的反向解的位置，表示为：
Figure BDA0004112214310000052
xi,j为公鸡粒子i在第j维的位置；
Figure BDA0004112214310000053
为xi,j对应的反向解位置；/>
Figure BDA0004112214310000054
和/>
Figure BDA0004112214310000055
分别为该公鸡粒子在第j维上的最小值和最大值；所述失败公鸡是指适应度排名后1/4的公鸡粒子。
本发明的有益效果是：
本发明通过在热力站部署边缘计算节点，并通过边缘计算节点接收历史运行参数和室外气象数据，进行数据预处理和特征提取后，选取供热系统运行与能耗相关性较大的数据作为输入变量，与能耗直接相关的数据作为输出变量，并上传至云计算中心；云计算中心根据边缘计算节点上传的数据进行网络模型的训练更新后，构建供热系统能耗诊断模型并下发至边缘计算节点；边缘计算节点根据下发的能耗诊断模型进行供热系统能耗诊断，并将供热系统能耗诊断结果上传至云计算中心；云计算中心根据供热系统能耗诊断结果计算和分析节能特性，若不满足节能指标，则对循环泵和电动调节阀建立节能调控预测模型并下发至边缘计算节点；边缘计算节点根据下发的节能调控预测模型进行供热系统节能调控，并将供热系统节能调控结果上传至云计算中心进行分析判断和节能调控预测模型的修正，直至满足节能指标；通过将边缘计算引入供热系统，作为一种新的计算范式应运而生，它靠近生产现场，数据传输链路短，通过建立供热系统运行数据处理机制，减少边缘计算节点上传至云计算中心的数据量，保障了供热系统实时能耗诊断及节能调控。同时在云计算中心设立能耗诊断模型和节能调控预测模型，通过对历史数据进行处理，对供热系统未来的能耗诊断和节能调控做出预测，实现对供热系统的能耗状况和节能状况提前进行监测。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明一种基于边缘计算和云计算的供热能耗诊断及节能调控方法流程图；
图2为本发明边缘计算和云计算原理示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
实施例1
图1是本发明所涉及的一种基于边缘计算和云计算的供热能耗诊断及节能调控方法流程图。
图2是本发明所涉及的边缘计算和云计算原理示意图。
如图1-2所示，本实施例1提供了一种基于边缘计算和云计算的供热能耗诊断及节能调控方法，它包括：
步骤S1、采集供热系统历史运行参数和室外气象数据；
步骤S2、在热力站部署边缘计算节点，并通过边缘计算节点接收历史运行参数和室外气象数据，进行数据预处理和特征提取后，选取供热系统运行与能耗相关性较大的数据作为输入变量，与能耗直接相关的数据作为输出变量，并上传至云计算中心；
步骤S3、云计算中心根据边缘计算节点上传的数据进行网络模型的训练更新后，构建供热系统能耗诊断模型并下发至边缘计算节点；
步骤S4、边缘计算节点根据下发的能耗诊断模型进行供热系统能耗诊断，并将供热系统能耗诊断结果上传至云计算中心；
步骤S5、云计算中心根据供热系统能耗诊断结果计算和分析节能特性，若不满足节能指标，则对循环泵和电动调节阀建立节能调控预测模型并下发至边缘计算节点；
步骤S6、边缘计算节点根据下发的节能调控预测模型进行供热系统节能调控，并将供热系统节能调控结果上传至云计算中心进行分析判断和节能调控预测模型的修正，直至满足节能指标。
需要说明的是，边缘计算作为一种新的计算范式应运而生，它靠近生产现场，数据传输链路短，通过建立供热系统运行数据处理机制，减少边缘计算节点上传至云计算中心的数据量，保障了供热系统实时能耗诊断及节能调控。同时在云计算中心设立能耗诊断模型和节能调控预测模型，通过对历史数据进行处理，对供热系统未来的能耗诊断和节能调控做出预测，实现对供热系统的能耗状况和节能状况提前进行监测。
在本实施例中，所述历史运行参数包括一次供回水温度、二次供回水温度、一次热水流量、二次热水流量、一次供回水压差、二次供回水压差、热力站运行参数、供热机组运行参数、用户末端温度和供热量；所述室外气象数据包括室外温度、湿度、风向和太阳辐照度。
在本实施例中，所述步骤S2包括：
对原有热力站进行设备改造：在原有PLC控制柜的基础上部署边缘计算节点，由原有PLC控制柜进行现场设备的数据采集和上传数据至边缘计算节点，以及由边缘计算节点下发节能调控指令至PLC控制柜，再由PLC控制柜对供热系统现场设备进行调控；或者撤销原有PLC控制柜，直接部署具有数据采集和控制功能的边缘计算节点；
通过各个热力站部署的边缘计算节点接收相对应的历史运行参数和室外气象数据，进行数据异常值检测与识别、缺失值与非正常零值填补、数据归一化处理后，采用Relief算法对预处理后的数据集计算每个输入数据特征的权重后，再引入邻域互信息获得去冗余的经排序后的特征集合，选取供热系统运行与能耗相关性较大的数据作为能耗诊断模型的输入变量，选取与能耗直接相关的供热量作为输出变量，并上传至云计算中心。
在本实施例中，所述采用Relief算法对预处理后的数据集计算每个输入数据特征的权重后，再引入邻域互信息获得去冗余的经排序后的特征集合，包括：
设预处理后的数据集为D，随机选取样本Ri，寻找和样本Ri属于同一类别的最近邻样本H，寻找和样本Ri属于不同类别的最近邻样本M，计算n个数据特征的权重wi＝{w1,w2,...,wn}；其中，数据特征A的权重表示为：
W(A)＝W(A)-diff(A,Ri,H)/m+diff(A,Ri,M)/m；
diff()函数为计算两个样本I1和I2之间数据特征A的价值差异，I1＝Ri，I2为最近邻样本H或M；m为抽样次数；
设目标特征索引集合为S，初始化S＝{1}，1表示经过特征选择排序后集合S中的第一个特征的索引值，该特征的权重值是最大的；
设S＝{1，2，...,l}-S，定义集合中第i个特征关于特征子集S的冗余度为：
Figure BDA0004112214310000081
NMIδ(Fi,Fj)为任意两个连续特征Fi、Fj之间的邻域互信息；
定义评价指标：
Figure BDA0004112214310000082
通过比较评价指标，将特征索引集合S中具有最高权值的特征索引筛选出来放入到集合S中，获得去冗余的经排序后的特征集合。
需要说明的是，在Relief算法的基础上引入邻域互信息的概念，能够最大程度地减少特征之间的冗余度。该算法在数值型数据的处理上也表现良好，既可以通过减少预处理步骤来减少运行时间，又可以在一定程度上避免数据的信息发生丢失，加深对数据的学习。
在本实施例中，所述步骤S3包括：
云计算中心根据边缘计算节点上传的数据，从去冗余的经排序后的特征集合中选取能耗诊断模型的输入变量，选取供热量作为能耗诊断模型的输出变量，形成训练集样本数据；
选取不同种类的机器学习算法作为基学习器对训练集样本数据进行训练学习后，构建不同的供热系统能量诊断模型，获得对应的能量诊断预测值；
计算不同能量诊断预测值和训练集中真实值之间的误差，再根据各个误差计算每个样本的相对误差、基学习器系数；
根据基学习器系数取对数并规范化获得各个基学习器的权重；
根据Voting模型的加法集成原理进行线性融合获得最终的供热系统能量诊断模型。
在本实施例中，所述选取不同种类的机器学习算法作为基学习器，包括：LightGBM模型、Random Forest模型、XGBoost模型、Adaboost模型、SVM模型。
在本实施例中，所述步骤S5包括：
云计算中心根据供热系统能耗诊断结果计算MAP指标和节能率，分别表示为：
Figure BDA0004112214310000091
Figure BDA0004112214310000092
Figure BDA0004112214310000093
分别为能量诊断模型输出的供热量预测值、供热量实际值；n为数据量；s为负值表示不节能，正值表示节能；η为节能率，正值表示不节能，负值表示节能；
云计算中心根据计算的MAP指标和节能率判断系统节能特性是否满足期望的节能指标，若不满足节能指标，则对循环泵和电动调节阀采用机器学习方法建立节能调控预测模型，并下发至边缘计算节点。
在本实施例中，所述对循环泵和电动调节阀采用机器学习方法建立节能调控预测模型，包括：
云计算中心向边缘计算节点发送数据请求消息，请求获取包括循环泵和电动调节阀运行参数的供热系统历史运行数据，包括一次供回水温度、二次供回水温度、一次热水流量、二次热水流量、热力站运行参数、用户末端温度、供热量和循环泵运行参数、电动调节阀运行参数；
边缘计算节点对要发送给云计算中心的供热系统历史运行数据进行预处理后，将数据按照一定比例划分为训练数据集和测试数据集；其中，将训练数据集作为节能调控预测模型的输入，训练获得节能调控预测模型后，再将测试数据集作为节能调控预测模型的输入，获得模型的调控准确率；
边缘计算节点采用Fisher Score算法对供热系统历史运行参数进行特征重要性排序后，再计算数据特征间的最大信息系数，进行重新排序后发送至云计算中心；
云计算中心采用改进的鸡群优化算法优化BP反向传播神经网络后，从重新排序的数据特征中选取特征输入至优化的BP反向传播神经网络中进行模型训练，构建节能调控预测模型。
在本实施例中，所述采用Fisher Score算法对供热系统历史运行参数进行特征重要性排序后，再计算数据特征间的最大信息系数，进行重新排序，包括：
采用Fisher Score算法对供热系统历史运行参数进行特征重要性计算，将特征按照计算所得重要性从高到低排序，表示为：
Figure BDA0004112214310000101
F(fi)为特征重要性得分；
Figure BDA0004112214310000102
为第i个特征fi的平均值；/>
Figure BDA0004112214310000103
为第i个特征fi的在第k类中的平均值；nk为第k类数据的个数；fj,i为第i个特征在第j个数据集中的值；
计算特征与特征之间的最大信息系数mic(x,y)，并进行重新排序，表示为：
Figure BDA0004112214310000104
max(I(X:Y))为最大互信息值；B为网格划分x×y的上限值。
需要说明的是，采用最大信息系数来评价特征与特征之间的相关性，需要给定一个n条样本的特征集F＝{f1,f2,...,fk}，其特征数为k，将特征集内任意两类特征fi和fj的相关性记为mic(fi,fj)，mic(fi,fj)值越大，表明特征fi和fj之间的冗余性越强，可替代性就越强，理想情况下，mic(fi,fj)值为0，则表明特征fi和fj之间是相互独立的；对于特征集F，若特征fi和fj的Fisher Score值F(fi)>F(fj)，且mic(fi,fj)大于预设值，则视fj为fi的冗余特征。
在本实施例中，所述采用改进的鸡群优化算法优化BP反向传播神经网络，包括：
设置BP反向传播神经网络的相关参数，包括对BP反向传播神经网络的各个权值、阈值进行初始化设置，并设置误差函数，作为鸡群优化算法的适应度函数；
设置改进的鸡群优化算法的相关参数，包括最大迭代次数、空间维度、种群规模，以及根据BP反向传播神经网络中参数个数设置公鸡、母鸡、小鸡比例因子与每只鸡的位置；
计算鸡群中个体的适应度值，并按照适应度值大小顺序对鸡群个体进行排序，设置前RN个鸡群个体为公鸡，后CN个鸡群个体为小鸡，剩余中间个体为母鸡；以及设置带小鸡的母鸡数量，确定鸡群中小鸡与母鸡的母子对应等级关系，并初始化鸡群中每个个体的位置；
设置迭代次数与迭代步长，并在迭代的过程中，不断更新鸡群中各个个体的位置信息，计算更新位置后的适应度值，当适应度值比前一位置的适应度值更优，则更新其位置信息，否则不更新；
不断迭代直至迭代次数达到设定的最大次数时停止，输出此时的权值和阈值作为BP反向传播神经网络权值与阈值的最新结果；
其中，所述改进的鸡群优化算法包括：采用反向学习机制来对失败供给的位置信息进行更新，设失败公鸡粒子i的当前位置为xi，反向位置为
Figure BDA0004112214310000111
通过反向学习策略使失败公鸡粒子跳跃到相对应的反向解的位置，表示为：
Figure BDA0004112214310000112
xi,j为公鸡粒子i在第j维的位置；
Figure BDA0004112214310000113
为xi,j对应的反向解位置；/>
Figure BDA0004112214310000114
和/>
Figure BDA0004112214310000115
分别为该公鸡粒子在第j维上的最小值和最大值；所述失败公鸡是指适应度排名后1/4的公鸡粒子。
需要说明的是，改进的鸡群优化算法加快了BP神经网络的收敛速度，改善了BP神经网络训练时学习效率低，速度慢，易陷入局部极值点的问题，提高了BP神经网络模型的预测精度。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (10)

1.一种基于边缘计算和云计算的供热能耗诊断及节能调控方法，其特征在于，它包括：
步骤S1、采集供热系统历史运行参数和室外气象数据；
步骤S2、在热力站部署边缘计算节点，并通过边缘计算节点接收历史运行参数和室外气象数据，进行数据预处理和特征提取后，选取供热系统运行与能耗相关性较大的数据作为输入变量，与能耗直接相关的数据作为输出变量，并上传至云计算中心；
步骤S3、云计算中心根据边缘计算节点上传的数据进行网络模型的训练更新后，构建供热系统能耗诊断模型并下发至边缘计算节点；
步骤S4、边缘计算节点根据下发的能耗诊断模型进行供热系统能耗诊断，并将供热系统能耗诊断结果上传至云计算中心；
步骤S5、云计算中心根据供热系统能耗诊断结果计算和分析节能特性，若不满足节能指标，则对循环泵和电动调节阀建立节能调控预测模型并下发至边缘计算节点；
步骤S6、边缘计算节点根据下发的节能调控预测模型进行供热系统节能调控，并将供热系统节能调控结果上传至云计算中心进行分析判断和节能调控预测模型的修正，直至满足节能指标。
2.根据权利要求1所述的供热能耗诊断及节能调控方法，其特征在于，所述历史运行参数包括一次供回水温度、二次供回水温度、一次热水流量、二次热水流量、一次供回水压差、二次供回水压差、热力站运行参数、供热机组运行参数、用户末端温度和供热量；所述室外气象数据包括室外温度、湿度、风向和太阳辐照度。
3.根据权利要求1所述的供热能耗诊断及节能调控方法，其特征在于，所述步骤S2包括：
对原有热力站进行设备改造：在原有PLC控制柜的基础上部署边缘计算节点，由原有PLC控制柜进行现场设备的数据采集和上传数据至边缘计算节点，以及由边缘计算节点下发节能调控指令至PLC控制柜，再由PLC控制柜对供热系统现场设备进行调控；或者撤销原有PLC控制柜，直接部署具有数据采集和控制功能的边缘计算节点；
通过各个热力站部署的边缘计算节点接收相对应的历史运行参数和室外气象数据，进行数据异常值检测与识别、缺失值与非正常零值填补、数据归一化处理后，采用Relief算法对预处理后的数据集计算每个输入数据特征的权重后，再引入邻域互信息获得去冗余的经排序后的特征集合，选取供热系统运行与能耗相关性较大的数据作为能耗诊断模型的输入变量，选取与能耗直接相关的供热量作为输出变量，并上传至云计算中心。
4.根据权利要求3所述的供热能耗诊断及节能调控方法，其特征在于，所述采用Relief算法对预处理后的数据集计算每个输入数据特征的权重后，再引入邻域互信息获得去冗余的经排序后的特征集合，包括：
设预处理后的数据集为D，随机选取样本Ri，寻找和样本Ri属于同一类别的最近邻样本H，寻找和样本Ri属于不同类别的最近邻样本M，计算n个数据特征的权重wi＝{w1,w2,,wn}；其中，数据特征A的权重表示为：
W(A)＝W(A)-diff(A,Ri,H)/m+diff(A,Ri,M)/m；
diff()函数为计算两个样本I1和I2之间数据特征A的价值差异，I1＝Ri，I2为最近邻样本H或M；m为抽样次数；
设目标特征索引集合为S，初始化S＝{1}，1表示经过特征选择排序后集合S中的第一个特征的索引值，该特征的权重值是最大的；
设S＝{1，2，,l}-S，定义集合中第i个特征关于特征子集S的冗余度为：
Figure FDA0004112214300000021
NMIδ(Fi,Fj)为任意两个连续特征Fi、Fj之间的邻域互信息；
定义评价指标：
Figure FDA0004112214300000022
通过比较评价指标，将特征索引集合S中具有最高权值的特征索引筛选出来放入到集合S中，获得去冗余的经排序后的特征集合。
5.根据权利要求1所述的供热能耗诊断及节能调控方法，其特征在于，所述步骤S3包括：
云计算中心根据边缘计算节点上传的数据，从去冗余的经排序后的特征集合中选取能耗诊断模型的输入变量，选取供热量作为能耗诊断模型的输出变量，形成训练集样本数据；
选取不同种类的机器学习算法作为基学习器对训练集样本数据进行训练学习后，构建不同的供热系统能量诊断模型，获得对应的能量诊断预测值；
计算不同能量诊断预测值和训练集中真实值之间的误差，再根据各个误差计算每个样本的相对误差、基学习器系数；
根据基学习器系数取对数并规范化获得各个基学习器的权重；
根据Voting模型的加法集成原理进行线性融合获得最终的供热系统能量诊断模型。
6.根据权利要求5所述的供热能耗诊断及节能调控方法，其特征在于，所述选取不同种类的机器学习算法作为基学习器，包括：Light GBM模型、Random Forest模型、XGBoost模型、Adaboost模型、SVM模型。
7.根据权利要求1所述的供热能耗诊断及节能调控方法，其特征在于，所述步骤S5包括：
云计算中心根据供热系统能耗诊断结果计算MAP指标和节能率，分别表示为：
Figure FDA0004112214300000031
Figure FDA0004112214300000032
Figure FDA0004112214300000033
分别为能量诊断模型输出的供热量预测值、供热量实际值；n为数据量；s为负值表示不节能，正值表示节能；η为节能率，正值表示不节能，负值表示节能；
云计算中心根据计算的MAP指标和节能率判断系统节能特性是否满足期望的节能指标，若不满足节能指标，则对循环泵和电动调节阀采用机器学习方法建立节能调控预测模型，并下发至边缘计算节点。
8.根据权利要求7所述的供热能耗诊断及节能调控方法，其特征在于，所述对循环泵和电动调节阀采用机器学习方法建立节能调控预测模型，包括：
云计算中心向边缘计算节点发送数据请求消息，请求获取包括循环泵和电动调节阀运行参数的供热系统历史运行数据，包括一次供回水温度、二次供回水温度、一次热水流量、二次热水流量、热力站运行参数、用户末端温度、供热量和循环泵运行参数、电动调节阀运行参数；
边缘计算节点对要发送给云计算中心的供热系统历史运行数据进行预处理后，将数据按照一定比例划分为训练数据集和测试数据集；其中，将训练数据集作为节能调控预测模型的输入，训练获得节能调控预测模型后，再将测试数据集作为节能调控预测模型的输入，获得模型的调控准确率；
边缘计算节点采用Fisher Score算法对供热系统历史运行参数进行特征重要性排序后，再计算数据特征间的最大信息系数，进行重新排序后发送至云计算中心；
云计算中心采用改进的鸡群优化算法优化BP反向传播神经网络后，从重新排序的数据特征中选取特征输入至优化的BP反向传播神经网络中进行模型训练，构建节能调控预测模型。
9.根据权利要求8所述的供热能耗诊断及节能调控方法，其特征在于，所述采用FisherScore算法对供热系统历史运行参数进行特征重要性排序后，再计算数据特征间的最大信息系数，进行重新排序，包括：
采用Fisher Score算法对供热系统历史运行参数进行特征重要性计算，将特征按照计算所得重要性从高到低排序，表示为：
Figure FDA0004112214300000041
F(fi)为特征重要性得分；
Figure FDA0004112214300000042
为第i个特征fi的平均值；/>
Figure FDA0004112214300000043
为第i个特征fi的在第k类中的平均值；nk为第k类数据的个数；fj,i为第i个特征在第j个数据集中的值；
计算特征与特征之间的最大信息系数mic(x,y)，并进行重新排序，表示为：
Figure FDA0004112214300000044
max(I(X:Y))为最大互信息值；B为网格划分x×y的上限值。
10.根据权利要求8所述的供热能耗诊断及节能调控方法，其特征在于，所述采用改进的鸡群优化算法优化BP反向传播神经网络，包括：
设置BP反向传播神经网络的相关参数，包括对BP反向传播神经网络的各个权值、阈值进行初始化设置，并设置误差函数，作为鸡群优化算法的适应度函数；
设置改进的鸡群优化算法的相关参数，包括最大迭代次数、空间维度、种群规模，以及根据BP反向传播神经网络中参数个数设置公鸡、母鸡、小鸡比例因子与每只鸡的位置；
计算鸡群中个体的适应度值，并按照适应度值大小顺序对鸡群个体进行排序，设置前RN个鸡群个体为公鸡，后CN个鸡群个体为小鸡，剩余中间个体为母鸡；以及设置带小鸡的母鸡数量，确定鸡群中小鸡与母鸡的母子对应等级关系，并初始化鸡群中每个个体的位置；
设置迭代次数与迭代步长，并在迭代的过程中，不断更新鸡群中各个个体的位置信息，计算更新位置后的适应度值，当适应度值比前一位置的适应度值更优，则更新其位置信息，否则不更新；
不断迭代直至迭代次数达到设定的最大次数时停止，输出此时的权值和阈值作为BP反向传播神经网络权值与阈值的最新结果；
其中，所述改进的鸡群优化算法包括：采用反向学习机制来对失败供给的位置信息进行更新，设失败公鸡粒子i的当前位置为xi，反向位置为
Figure FDA0004112214300000045
通过反向学习策略使失败公鸡粒子跳跃到相对应的反向解的位置，表示为：
Figure FDA0004112214300000051
xi,j为公鸡粒子i在第j维的位置；
Figure FDA0004112214300000052
为xi,j对应的反向解位置；/>
Figure FDA0004112214300000053
和/>
Figure FDA0004112214300000054
分别为该公鸡粒子在第j维上的最小值和最大值；所述失败公鸡是指适应度排名后1/4的公鸡粒子。/>
CN202310209571.5A 2023-03-07 2023-03-07 基于边缘计算和云计算的供热能耗诊断及节能调控方法 Pending CN116227704A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310209571.5A CN116227704A (zh) 2023-03-07 2023-03-07 基于边缘计算和云计算的供热能耗诊断及节能调控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310209571.5A CN116227704A (zh) 2023-03-07 2023-03-07 基于边缘计算和云计算的供热能耗诊断及节能调控方法

Publications (1)

Publication Number Publication Date
CN116227704A true CN116227704A (zh) 2023-06-06

Family

ID=86582123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310209571.5A Pending CN116227704A (zh) 2023-03-07 2023-03-07 基于边缘计算和云计算的供热能耗诊断及节能调控方法

Country Status (1)

Country Link
CN (1) CN116227704A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117190281A (zh) * 2023-09-05 2023-12-08 北京市煤气热力工程设计院有限公司 一种用于热力站的边缘计算器及控制系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117190281A (zh) * 2023-09-05 2023-12-08 北京市煤气热力工程设计院有限公司 一种用于热力站的边缘计算器及控制系统

Similar Documents

Publication Publication Date Title
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN109002915B (zh) 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
CN106765959A (zh) 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法
CN112116144B (zh) 一种区域配电网短期负荷预测方法
CN111237988B (zh) 地铁车载空调机组控制方法及系统
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN108596242A (zh) 基于小波神经网络和支持向量机的电网气象负荷预测方法
CN113762387B (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN111461466A (zh) 基于lstm时间序列的供暖户阀调节方法、系统及设备
CN114811713B (zh) 基于混合深度学习的二级网户间均衡供热调控方法
CN109934422A (zh) 一种基于时间序列数据分析的神经网络风速预测方法
CN110070228A (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN116227704A (zh) 基于边缘计算和云计算的供热能耗诊断及节能调控方法
CN117498400B (zh) 一种分布式光伏与储能数据的处理方法及系统
CN115470862A (zh) 动态自适应负荷预测模型组合方法
CN114777192B (zh) 基于数据关联和深度学习的二级网供热自主优化调控方法
CN116628972A (zh) 基于预测模型的工业余热并入热网的供热系统控制方法
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN115189416A (zh) 基于日前电价分级预测模型的发电系统控制方法及系统
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN115481788B (zh) 相变储能系统负荷预测方法及系统
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN116499023A (zh) 一种地热耦合太阳能供热站智能控制方法及系统
CN116154875A (zh) 基于tcn和误差函数的光伏电站有功功率优化分配方法

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