CN117057486B - 电力系统的运维成本预测方法、装置、设备及存储介质 - Google Patents
电力系统的运维成本预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117057486B CN117057486B CN202311311728.1A CN202311311728A CN117057486B CN 117057486 B CN117057486 B CN 117057486B CN 202311311728 A CN202311311728 A CN 202311311728A CN 117057486 B CN117057486 B CN 117057486B
- Authority
- CN
- China
- Prior art keywords
- variable
- data
- environment
- historical
- data set
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012417 linear regression Methods 0.000 claims abstract description 73
- 238000010248 power generation Methods 0.000 claims abstract description 53
- 230000007613 environmental effect Effects 0.000 claims abstract description 39
- 230000001419 dependent effect Effects 0.000 claims abstract description 38
- 238000007635 classification algorithm Methods 0.000 claims abstract description 13
- 230000000007 visual effect Effects 0.000 claims description 19
- 230000032683 aging Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 9
- 230000006872 improvement Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
Abstract
本申请公开了一种电力系统的运维成本预测方法、装置、设备及存储介质,涉及电数字数据处理技术领域,方法通过获取当前类型的发电设备基于预设自然时长周期的历史环境数据集以及历史运维成本数据集;通过朴素贝叶斯分类算法将历史环境数据集分类至环境变量类型,每个环境变量类型包括至少一个变量数据;通过多元线性回归模型定义因变量与自变量的线性回归关系;通过最小二乘法计算多元线性回归模型的回归系数;将回归系数代入多元线性回归模型中,以得到预测模型;获取当前类型的发电设备的环境预测数据并代入预测模型,以得到当前类型的发电设备的运维成本预测数据。本申请数据处理快速,结果更为准确,且没有调节参数,从而减少了人工干预。
Description
技术领域
本申请涉及电数字数据处理技术领域,尤其涉及一种电力系统的运维成本预测方法、装置、设备及存储介质。
背景技术
电力系统的运维费用是电力投资的重要组成部分,以风电为例,一个风电场在全寿命周期内,运维成本占总投入成本的比例为5%-20%。通过对电力系统部件的运维费用进行估计,能够帮助电力系统运营方制定合理的预算计划,预算计划可以包括设备维修、保养、更换以及人员培训等方面的费用,以确保电力系统的可靠运行。
运维费用估计可以帮助电力系统运营方合理分配资源,根据不同部件的运维费用估计结果,可以决定哪些部件需要更多的资源进行维护,以降低故障风险,延长设备寿命,并提高电力系统的整体效率。通过对运维费用进行估计,还可以识别出潜在的高费用部件,这些部件可能需要更频繁的维修或更换,对其进行预警可以帮助电力系统运营方及时采取措施,预防设备故障,并减少由故障引起的停机时间和生产损失。
由于影响电力系统部件运维的因素繁多,主要包括环境因素和电力系统部件自身的磨损和老化因素;环境因素包括温度、湿度、风速等,例如大风与盐雾对风力发电机、冰雹与沙尘暴对光伏电池板、河流含沙量对水电机组的运维费用具有显著影响;电力系统部件自身的磨损和老化因素是由于机械疲劳与零件老化,以及每年的环境因素的变化,使得电力系统部件在运行期内的不同年份的运维费用都有所不同。
目前,对于电力系统的运维费用估计较为粗放,通过年度核算和年初预算环节采取资产规模乘以一定系数的方式确定,并根据上一年度运维费用进行适当调整。这种简单的预测方法倾向于经验判断,使得预测数据不准确。
发明内容
本申请的主要目的在于提供一种电力系统的运维成本预测方法、装置、设备及存储介质,以解决现有技术中简单的预测方法倾向于经验判断,使得预测数据不准确的问题。
为了实现上述目的,本申请提供了如下技术方案:
一种电力系统的运维成本预测方法,所述电力系统包括不同类型的发电设备,所述运维成本计算方法包括:
获取当前类型的发电设备基于预设自然时长周期的历史环境数据集以及历史运维成本数据集;
定义预设个数的环境变量类型,通过朴素贝叶斯分类算法将所述历史环境数据集分类至所述环境变量类型,每个环境变量类型包括至少一个变量数据;
定义所述历史运维成本数据为因变量、所述变量数据为自变量;
通过多元线性回归模型定义所述因变量与所述自变量的线性回归关系;
通过最小二乘法计算所述多元线性回归模型的回归系数;
将所述回归系数代入所述多元线性回归模型中,以得到预测模型;
获取当前类型的发电设备的环境预测数据并代入所述预测模型,以得到当前类型的发电设备的运维成本预测数据。
作为本申请的进一步改进,定义预设个数的环境变量类型,通过朴素贝叶斯分类算法将所述历史环境数据集分类至所述环境变量类型,包括:
基于预设策略定义所述预设个数的数量;
根据所述历史环境数据集定义待分类数据集合,其中/>为所述待分类数据集合/>中的第/>个历史环境数据,/>为所述历史环境数据的个数;
根据所述预设个数的数量定义所述环境变量的类别集合,其中,/>为所述类别集合/>中的第/>个环境变量类型,/>为所述预设个数;
根据式(1)计算每个历史环境数据分别在每个环境变量类型下的条件概率:
(1);
其中,为在第/>个环境变量类型下所述待分类数据集合/>的条件概率;为第/>个环境变量的边缘概率;/>为在第/>个环境变量类型下,第/>个历史环境数据的条件概率;
分别将每个历史环境数据分类至各自的条件概率最高的环境变量类型中,每个变量类型包括一个基于所述预设自然时长周期的变量数据,所述变量数据通过表征,/>为第/>个环境变量类型下的变量数据/>,即自变量为/>。
作为本申请的进一步改进,通过多元线性回归模型定义所述因变量与所述自变量的线性回归关系,包括:
根据式(2)定义所述因变量与所述自变量的线性回归关系:
(2);
其中,为所述因变量;/>为当前类型的发电设备的老化成本;/>为第/>个变量数据/>的线性回归系数;/>为随机误差。
作为本申请的进一步改进,通过最小二乘法计算所述多元线性回归模型的回归系数,包括:
通过式(3)计算所述多元线性回归模型的回归系数:
(3);
其中,为/>的估计值;/>为所有变量数据的矩阵,/>;/>为矩阵/>的转置矩阵。
作为本申请的进一步改进,获取当前类型的发电设备的环境预测数据并代入所述预测模型,以得到当前类型的发电设备的运维成本预测数据,之后,包括:
基于所述预设自然时长周期截取所述运维成本预测数据,形成至少两个预测数据包,所述运维成本预测数据经历的自然时长大于等于一个预设自然时长周期;
分别发送每个预测数据包至外部接收端。
作为本申请的进一步改进,获取当前类型的发电设备的环境预测数据并代入所述预测模型,以得到当前类型的发电设备的运维成本预测数据,之后,包括:
以自然时长为一个横轴、分别以每个变量数据的单位为一个纵轴,生成个直角坐标系;
分别将每个变量数据输出至对应的直角坐标系,以形成可视化布局。
作为本申请的进一步改进,分别将每个变量数据输出至对应的直角坐标系,以形成可视化布局,之后,包括:
发送所述可视化布局至外部可视化终端。
为了实现上述目的,本申请还提供了如下技术方案:
一种电力系统的运维成本预测装置,其应用于如上述的电力系统的运维成本预测方法,所述电力系统的运维成本预测装置包括:
数据集获取模块,用于获取当前类型的发电设备基于预设自然时长周期的历史环境数据集以及历史运维成本数据集;
历史环境数据集分类模块,用于定义预设个数的环境变量类型,通过朴素贝叶斯分类算法将所述历史环境数据集分类至所述环境变量类型,每个环境变量类型包括至少一个变量数据;
因变量与自变量定义模块,用于定义所述历史运维成本数据为因变量、所述变量数据为自变量;
线性回归关系定义模块,用于通过多元线性回归模型定义所述因变量与所述自变量的线性回归关系;
回归系数计算模块,用于通过最小二乘法计算所述多元线性回归模型的回归系数;
预测模型获取模块,用于将所述回归系数代入所述多元线性回归模型中,以得到预测模型;
预测数据获取模块,用于获取当前类型的发电设备的环境预测数据并代入所述预测模型,以得到当前类型的发电设备的运维成本预测数据。
为了实现上述目的,本申请还提供了如下技术方案:
一种电子设备,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如上述的电力系统的运维成本预测方法。
为了实现上述目的,本申请还提供了如下技术方案:
一种存储介质,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现能够实现如上述的电力系统的运维成本预测方法。
本申请通过获取当前类型的发电设备基于预设自然时长周期的历史环境数据集以及历史运维成本数据集;定义预设个数的环境变量类型,通过朴素贝叶斯分类算法将历史环境数据集分类至环境变量类型,每个环境变量类型包括至少一个变量数据;定义历史运维成本数据为因变量、变量数据为自变量;通过多元线性回归模型定义因变量与自变量的线性回归关系;通过最小二乘法计算多元线性回归模型的回归系数;将回归系数代入多元线性回归模型中,以得到预测模型;获取当前类型的发电设备的环境预测数据并代入预测模型,以得到当前类型的发电设备的运维成本预测数据。本申请通过对现有发电设备的运行环境数据及逐年运维费用数据建立部件运维成本随运行年份的多元线性回归关系,根据目标电力系统所在区域的环境数据预测值,对部件每年的运维成本进行计算,本申请数据处理快速,相比于现有技术的经验判断更为准确,且本申请的模型没有调节参数,从而减少了人工干预,从而提高了运维成本预测的准确性。
附图说明
图1为本申请电力系统的运维成本预测方法一个实施例的步骤流程示意图;
图2为本申请电力系统的运维成本预测装置一个实施例的功能模块示意图;
图3为本申请电子设备一个实施例的结构示意图;
图4为本申请存储介质一个实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请中的术语“第一”“第二”“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”“第二”“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
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,也不是与其他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他实施例相结合。
如图1所示,本实施例提供了电力系统的运维成本预测方法的一个实施例,在本实施例中,电力系统包括不同类型的发电设备。
优选地,电力系统中的发电设备主要分为发电部件与储能部件,发电部件指风力发电机、太阳能光伏板与水电机组等整机设备,储能部件指蓄电池、抽水蓄能中的水泵、飞轮储能中的飞轮等设备。
该运维成本计算方法包括如下步骤:
步骤S1,获取当前类型的发电设备基于预设自然时长周期的历史环境数据集以及历史运维成本数据集。
优选地,同类型发电设备目前的应用场景(环境)指的是一些现有的已经正常运行一段时间的电力系统,包括发电厂、微型电网等,这些电力系统的组成部分中包含与所研究的部件同型号的部件。
优选地,历史环境数据集以及历史运维成本数据集可通过发电站直接检测以及统计直接获取,或者通过公开渠道直接获取。
优选地,历史环境数据集包括平均温度、最高温度、最低温度、平均湿度、最高湿度、最低湿度、最大风速、年平均辐照强度、年台风天数与年沙尘暴天数等环境变量类型,每个环境变量类型包括一个自然年(预设自然时长周期)的观测数据,预测数据同理。
步骤S2,定义预设个数的环境变量类型,通过朴素贝叶斯分类算法将历史环境数据集分类至环境变量类型,每个环境变量类型包括至少一个变量数据。
优选地,贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。其中,贝叶斯定理为设试验E的样本空间为S,A为E的事件,为S的一个划分,且/>,则贝叶斯定理通过下式①表征:
①。
需要说明的是,贝叶斯定理为公知定理,其符号含义不再赘述,且该定理的符号含义与本实施例其他公式的符号含义不互通。
优选地,朴素贝叶斯分类假设类中特定特征的存在与任何其他特征的存在无关,即每个特征彼此独立。因此对实际情况有所约束,如果属性之间存在关联,分类准确率会降低,但在实际应用过程中朴素贝叶斯的分类效果均较为准确。朴素贝叶斯通过对于给出的待分类项,求解在此项出现的条件下各个类别出现的概率,哪个最大,就认为此待分类项属于哪个类别。
具体地,朴素贝叶斯的定义如下:
①设x={a1,a2,a3,……,an}为一个待分类项,而每个a为x的一个特征。
②有类别集合c={y1,y2,y3,……,ym}。
③计算P(y1|x),P(y2|x),……,P(ym|x)。
④如果P(yk|x)=max{P(y1|x),P(y2|x),……,P(ym|x)},则x∈yk。
再通过如下步骤计算第③步中的各个条件概率:
1.找到一个已知分类的待分类项集合,这个集合叫做训练样本集。
2.统计得到在各类别下各个特征属性的条件概率估计。即:
P(a1|y1),P(a2|y1),……,P(an|y1)
P(a1|y2),P(a2|y2),……,P(an|y2);
……
P(a1|ym),P(a2|ym),……,P(an|ym);
3.假设各个特征属性是条件独立的,则根据贝叶斯原理有:
P(yi|x)=P(x|yi)P(yi)/p(x)。
由于分母对于所有类别为常数,所以只需将分子最大化即可。又因为各特征属性是条件独立的,则:
P(x|yi)P(yi)=P(a1|yi)P(a2|yi)……P(an|yi)P(yi)。
需要说明的是,上述优选内容同样为原理说明,其符号含义与本实施例其他公式的符号含义不互通。
步骤S3,定义历史运维成本数据为因变量、变量数据为自变量。
优选地,因变量和自变量均为线性回归的固有属性。
步骤S4,通过多元线性回归模型定义因变量与自变量的线性回归关系。
步骤S5,通过最小二乘法计算多元线性回归模型的回归系数。
步骤S6,将回归系数代入多元线性回归模型中,以得到预测模型。
优选地,为了防止多元线性回归模型过拟合导致模型的目标函数不准确,可通过如下方法规避:
① 增加训练集样本点个数。
② 降低模型复杂度,即模型阶数。
③ 正则化。
④ 缩短训练轮数或降低精度限制,在模型过拟合之前停止训练模型。
⑤ 数据增强和添加噪音。
⑥ 深度学习:Dropout和Dropconnect。
步骤S7,获取当前类型的发电设备的环境预测数据并代入预测模型,以得到当前类型的发电设备的运维成本预测数据。
进一步地,步骤S2具体包括如下步骤:
步骤S21,基于预设策略定义预设个数的数量。
步骤S22,根据历史环境数据集定义待分类数据集合,其中/>为待分类数据集合/>中的第/>个历史环境数据,/>为历史环境数据的个数。
步骤S23,根据预设个数的数量定义环境变量的类别集合,其中,/>为类别集合/>中的第/>个环境变量类型,/>为预设个数。
步骤S24,根据式(1)计算每个历史环境数据分别在每个环境变量类型下的条件概率:
(1)。
其中,为在第/>个环境变量类型下待分类数据集合/>的条件概率;/>为第/>个环境变量的边缘概率;/>为在第/>个环境变量类型下,第/>个历史环境数据的条件概率。
步骤S25,分别将每个历史环境数据分类至各自的条件概率最高的环境变量类型中,每个变量类型包括一个基于预设自然时长周期的变量数据,变量数据通过表征,/>为第/>个环境变量类型下的变量数据/>,即自变量为/>。
进一步地,步骤S4具体包括如下步骤:
步骤S41,根据式(2)定义因变量与自变量的线性回归关系,该线性回归关系即为上述的多元线性回归模型:
(2)。
其中,为因变量;/>为当前类型的发电设备的老化成本;/>为第/>个变量数据的线性回归系数;/>为随机误差。
进一步地,步骤S5具体包括如下步骤:
步骤S51,通过式(3)计算多元线性回归模型的回归系数:
(3)。
其中,为/>的估计值;/>为所有变量数据的矩阵,/>;/>为矩阵/>的转置矩阵。
优选地,可通过残差平方检验回归模型的显著性,若/>,则说明模型的显著性较强;若/>,则说明模型的显著性一般;若/>,则说明模型的显著性欠佳,且模型的显著性与残差平方线性正相关。
进一步地,步骤S6之后,还包括如下步骤:
步骤S10,基于预设自然时长周期截取运维成本预测数据,形成至少两个预测数据包,该运维成本预测数据经历的自然时长大于等于一个预设自然时长周期。
步骤S20,分别发送每个预测数据包至外部接收端。
进一步地,步骤S6之后,还包括如下步骤:
步骤S100,以自然时长为一个横轴、分别以每个变量数据的单位为一个纵轴,生成个直角坐标系。
步骤S200,分别将每个变量数据输出至对应的直角坐标系,以形成可视化布局。
进一步地,步骤S200之后,还包括如下步骤:
步骤S1000,发送可视化布局至外部可视化终端。
本实施例通过获取当前类型的发电设备基于预设自然时长周期的历史环境数据集以及历史运维成本数据集;定义预设个数的环境变量类型,通过朴素贝叶斯分类算法将历史环境数据集分类至环境变量类型,每个环境变量类型包括至少一个变量数据;定义历史运维成本数据为因变量、变量数据为自变量;通过多元线性回归模型定义因变量与自变量的线性回归关系;通过最小二乘法计算多元线性回归模型的回归系数;将回归系数代入多元线性回归模型中,以得到预测模型;获取当前类型的发电设备的环境预测数据并代入预测模型,以得到当前类型的发电设备的运维成本预测数据。本实施例通过对现有发电设备的运行环境数据及逐年运维费用数据建立部件运维成本随运行年份的多元线性回归关系,根据目标电力系统所在区域的环境数据预测值,对部件每年的运维成本进行计算,本实施例数据处理快速,相比于现有技术的经验判断更为准确,且本实施例的模型没有调节参数,从而减少了人工干预,从而提高了运维成本预测的准确性。
如图2所示,本实施例提供了电力系统的运维成本预测装置的一个实施例,本实施例应用于如上述实施例中的电力系统的运维成本预测方法,该电力系统的运维成本预测装置包括依次电性连接的数据集获取模块1、历史环境数据集分类模块2、因变量与自变量定义模块3、线性回归关系定义模块4、回归系数计算模块5、预测模型获取模块6、预测数据获取模块7。
其中,数据集获取模块1用于获取当前类型的发电设备基于预设自然时长周期的历史环境数据集以及历史运维成本数据集;历史环境数据集分类模块2用于定义预设个数的环境变量类型,通过朴素贝叶斯分类算法将历史环境数据集分类至环境变量类型,每个环境变量类型包括至少一个变量数据;因变量与自变量定义模块3用于定义历史运维成本数据为因变量、变量数据为自变量;线性回归关系定义模块4用于通过多元线性回归模型定义因变量与自变量的线性回归关系;回归系数计算模块5用于通过最小二乘法计算多元线性回归模型的回归系数;预测模型获取模块6用于将回归系数代入多元线性回归模型中,以得到预测模型;预测数据获取模块7用于获取当前类型的发电设备的环境预测数据并代入预测模型,以得到当前类型的发电设备的运维成本预测数据。
进一步地,历史环境数据集分类模块具体包括依次电性连接的第一历史环境数据集分类子模块、第二历史环境数据集分类子模块、第三历史环境数据集分类子模块、第四历史环境数据集分类子模块、第五历史环境数据集分类子模块;第一历史环境数据集分类子模块与数据集获取模块电性连接,第五历史环境数据集分类子模块与因变量与自变量定义模块电性连接。
其中,第一历史环境数据集分类子模块用于基于预设策略定义预设个数的数量。
第二历史环境数据集分类子模块用于根据历史环境数据集定义待分类数据集合,其中/>为待分类数据集合/>中的第/>个历史环境数据,/>为历史环境数据的个数。
第三历史环境数据集分类子模块用于根据预设个数的数量定义环境变量的类别集合,其中,/>为类别集合/>中的第/>个环境变量类型,/>为预设个数。
第四历史环境数据集分类子模块用于根据式(1)计算每个历史环境数据分别在每个环境变量类型下的条件概率:
(1)。
其中,为在第/>个环境变量类型下待分类数据集合/>的条件概率;/>为第/>个环境变量的边缘概率;/>为在第/>个环境变量类型下,第/>个历史环境数据的条件概率。
第五历史环境数据集分类子模块用于分别将每个历史环境数据分类至各自的条件概率最高的环境变量类型中,每个变量类型包括一个基于预设自然时长周期的变量数据,变量数据通过表征,/>为第/>个环境变量类型下的变量数据/>,即自变量为/>。
进一步地,线性回归关系定义模块具体用于根据式(2)定义因变量与自变量的线性回归关系:
(2)。
其中,为因变量;/>为当前类型的发电设备的老化成本;/>为第/>个变量数据的线性回归系数;/>为随机误差。
进一步地,回归系数计算模块具体用于通过式(3)计算多元线性回归模型的回归系数:
(3)。
其中,为/>的估计值;/>为所有变量数据的矩阵,/>;/>为矩阵/>的转置矩阵。
进一步地,电力系统的运维成本预测装置还包括依次电性连接的预测数据包截取模块和预测数据包发送模块;预测数据包截取模块与预测数据获取模块电性连接。
其中,预测数据包截取模块用于基于预设自然时长周期截取运维成本预测数据,形成至少两个预测数据包;预测数据包发送模块用于分别发送每个预测数据包至外部接收端。
进一步地,电力系统的运维成本预测装置还包括依次电性连接的直角坐标系生成模块和可视化布局形成模块;直角坐标系生成模块与预测数据获取模块电性连接。
其中,直角坐标系生成模块用于以自然时长为一个横轴、分别以每个变量数据的单位为一个纵轴,生成个直角坐标系;可视化布局形成模块用于分别将每个变量数据输出至对应的直角坐标系,以形成可视化布局。
进一步地,电力系统的运维成本预测装置还包括电性连接于可视化布局形成模块的可视化布局发送模块。
其中,可视化布局发送模块用于发送可视化布局至外部可视化终端。
需要说明的是,本实施例为基于上述方法实施例的装置实施例,本实施例的优选、拓展、举例、原理说明等附加内容参见上述实施例即可,本实施例不再赘述。
本实施例通过获取当前类型的发电设备基于预设自然时长周期的历史环境数据集以及历史运维成本数据集;定义预设个数的环境变量类型,通过朴素贝叶斯分类算法将历史环境数据集分类至环境变量类型,每个环境变量类型包括至少一个变量数据;定义历史运维成本数据为因变量、变量数据为自变量;通过多元线性回归模型定义因变量与自变量的线性回归关系;通过最小二乘法计算多元线性回归模型的回归系数;将回归系数代入多元线性回归模型中,以得到预测模型;获取当前类型的发电设备的环境预测数据并代入预测模型,以得到当前类型的发电设备的运维成本预测数据。本实施例通过对现有发电设备的运行环境数据及逐年运维费用数据建立部件运维成本随运行年份的多元线性回归关系,根据目标电力系统所在区域的环境数据预测值,对部件每年的运维成本进行计算,本实施例数据处理快速,相比于现有技术的经验判断更为准确,且本实施例的模型没有调节参数,从而减少了人工干预,从而提高了运维成本预测的准确性。
如图3所示,本实施例提供了电子设备的一个实施例,在本实施例中,该电子设备8包括处理器81及和处理器81耦接的存储器82。
存储器82存储有用于实现上述任一实施例的电力系统的运维成本预测方法的程序指令。
处理器81用于执行存储器82存储的程序指令以进行电力系统的运维成本预测。
其中,处理器81还可以称为CPU(Central Processing Unit,中央处理单元)。处理器81可能是一种集成电路芯片,具有数据的处理能力。处理器81还可以是通用处理器、数字数据处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。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。
进一步地,图4为本申请一实施例的存储介质的结构示意图,本申请实施例的存储介质9存储有能够实现上述所有方法的程序指令91,其中,该程序指令91可以以软件产品的形式存储在上述存储介质中,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)或处理器(processor)执行本申请各个实施方式所述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-OnlyMemory)、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,或者是计算机、服务器、手机、平板等终端设备。
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,装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
另外,在本申请各个实施例中的各功能单元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。以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所做的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围。
以上对本申请的具体实施方式进行了详细说明,但其只作为范例,本申请并不限制于以上描述的具体实施方式。对于本领域的技术人员而言,任何对本申请进行的等同修改或替代也都在本申请的范畴之中,因此,在不脱离本申请的精神和原则范围下所作的均等变换和修改、改进等,都应涵盖在本申请的范围内。
Claims (8)
1.一种电力系统的运维成本预测方法,所述电力系统包括不同类型的发电设备,其特征在于,所述运维成本计算方法包括:
获取当前类型的发电设备基于预设自然时长周期的历史环境数据集以及历史运维成本数据集;
定义预设个数的环境变量类型,通过朴素贝叶斯分类算法将所述历史环境数据集分类至所述环境变量类型,每个环境变量类型包括至少一个变量数据;
定义所述历史运维成本数据为因变量、所述变量数据为自变量;
通过多元线性回归模型定义所述因变量与所述自变量的线性回归关系;
通过最小二乘法计算所述多元线性回归模型的回归系数;
将所述回归系数代入所述多元线性回归模型中,以得到预测模型;
获取当前类型的发电设备的环境预测数据并代入所述预测模型,以得到当前类型的发电设备的运维成本预测数据;
定义预设个数的环境变量类型,通过朴素贝叶斯分类算法将所述历史环境数据集分类至所述环境变量类型,包括:
基于预设策略定义所述预设个数的数量;
根据所述历史环境数据集定义待分类数据集合,其中/>为所述待分类数据集合/>中的第/>个历史环境数据,/>为所述历史环境数据的个数;
根据所述预设个数的数量定义所述环境变量的类别集合,其中,/>为所述类别集合/>中的第/>个环境变量类型,/>为所述预设个数;
根据式(1)计算每个历史环境数据分别在每个环境变量类型下的条件概率:
(1);
其中,为在第/>个环境变量类型下所述待分类数据集合/>的条件概率;/>为第/>个环境变量的边缘概率;/>为在第/>个环境变量类型下,第/>个历史环境数据的条件概率;
分别将每个历史环境数据分类至各自的条件概率最高的环境变量类型中,每个变量类型包括一个基于所述预设自然时长周期的变量数据,所述变量数据通过表征,/>为第/>个环境变量类型下的变量数据/>,即自变量为/>;
通过多元线性回归模型定义所述因变量与所述自变量的线性回归关系,包括:
根据式(2)定义所述因变量与所述自变量的线性回归关系:
(2);
其中,为所述因变量;/>为当前类型的发电设备的老化成本;/>为第/>个变量数据的线性回归系数;/>为随机误差;
环境变量类型包括平均温度、最高温度、最低温度、平均湿度、最高湿度、最低湿度、最大风速、年平均辐照强度、年台风天数、年沙尘暴天数,每个环境变量类型包括至少一个所述预设自然时长周期的变量数据。
2.根据权利要求1所述的电力系统的运维成本预测方法,其特征在于,通过最小二乘法计算所述多元线性回归模型的回归系数,包括:
通过式(3)计算所述多元线性回归模型的回归系数:
(3);
其中,为/>的估计值;/>为所有变量数据的矩阵,/>;/>为矩阵/>的转置矩阵。
3.根据权利要求1所述的电力系统的运维成本预测方法,其特征在于,获取当前类型的发电设备的环境预测数据并代入所述预测模型,以得到当前类型的发电设备的运维成本预测数据,之后,包括:
基于所述预设自然时长周期截取所述运维成本预测数据,形成至少两个预测数据包,所述运维成本预测数据经历的自然时长大于等于一个预设自然时长周期;
分别发送每个预测数据包至外部接收端。
4.根据权利要求1所述的电力系统的运维成本预测方法,其特征在于,获取当前类型的发电设备的环境预测数据并代入所述预测模型,以得到当前类型的发电设备的运维成本预测数据,之后,包括:
以自然时长为一个横轴、分别以每个变量数据的单位为一个纵轴,生成个直角坐标系;
分别将每个变量数据输出至对应的直角坐标系,以形成可视化布局。
5.根据权利要求4所述的电力系统的运维成本预测方法,其特征在于,分别将每个变量数据输出至对应的直角坐标系,以形成可视化布局,之后,包括:
发送所述可视化布局至外部可视化终端。
6.一种电力系统的运维成本预测装置,其应用于如权利要求1至5之一所述的电力系统的运维成本预测方法,其特征在于,所述电力系统的运维成本预测装置包括:
数据集获取模块,用于获取当前类型的发电设备基于预设自然时长周期的历史环境数据集以及历史运维成本数据集;
历史环境数据集分类模块,用于定义预设个数的环境变量类型,通过朴素贝叶斯分类算法将所述历史环境数据集分类至所述环境变量类型,每个环境变量类型包括至少一个变量数据;
因变量与自变量定义模块,用于定义所述历史运维成本数据为因变量、所述变量数据为自变量;
线性回归关系定义模块,用于通过多元线性回归模型定义所述因变量与所述自变量的线性回归关系;
回归系数计算模块,用于通过最小二乘法计算所述多元线性回归模型的回归系数;
预测模型获取模块,用于将所述回归系数代入所述多元线性回归模型中,以得到预测模型;
预测数据获取模块,用于获取当前类型的发电设备的环境预测数据并代入所述预测模型,以得到当前类型的发电设备的运维成本预测数据;
历史环境数据集分类模块具体包括依次电性连接的第一历史环境数据集分类子模块、第二历史环境数据集分类子模块、第三历史环境数据集分类子模块、第四历史环境数据集分类子模块、第五历史环境数据集分类子模块;第一历史环境数据集分类子模块与数据集获取模块电性连接,第五历史环境数据集分类子模块与因变量与自变量定义模块电性连接;
其中,第一历史环境数据集分类子模块用于基于预设策略定义预设个数的数量;
第二历史环境数据集分类子模块用于根据历史环境数据集定义待分类数据集合,其中/>为待分类数据集合/>中的第/>个历史环境数据,/>为历史环境数据的个数;
第三历史环境数据集分类子模块用于根据预设个数的数量定义环境变量的类别集合,其中,/>为类别集合/>中的第/>个环境变量类型,/>为预设个数;
第四历史环境数据集分类子模块用于根据式(1)计算每个历史环境数据分别在每个环境变量类型下的条件概率:
(1);
其中,为在第/>个环境变量类型下待分类数据集合/>的条件概率;/>为第个环境变量的边缘概率;/>为在第/>个环境变量类型下,第/>个历史环境数据的条件概率;
第五历史环境数据集分类子模块用于分别将每个历史环境数据分类至各自的条件概率最高的环境变量类型中,每个变量类型包括一个基于预设自然时长周期的变量数据,变量数据通过表征,/>为第/>个环境变量类型下的变量数据/>,即自变量为/>;
线性回归关系定义模块具体用于根据式(2)定义因变量与自变量的线性回归关系:
(2);
其中,为因变量;/>为当前类型的发电设备的老化成本;/>为第/>个变量数据/>的线性回归系数;/>为随机误差。
7.一种电子设备,其特征在于,包括处理器、以及与所述处理器耦接的存储器,所述存储器存储有可被所述处理器执行的程序指令;所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至5中任一项所述的电力系统的运维成本预测方法。
8.一种存储介质,其特征在于,所述存储介质内存储有程序指令,所述程序指令被处理器执行时实现能够实现如权利要求1至5中任一项所述的电力系统的运维成本预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311311728.1A CN117057486B (zh) | 2023-10-11 | 2023-10-11 | 电力系统的运维成本预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311311728.1A CN117057486B (zh) | 2023-10-11 | 2023-10-11 | 电力系统的运维成本预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057486A CN117057486A (zh) | 2023-11-14 |
CN117057486B true CN117057486B (zh) | 2023-12-22 |
Family
ID=88653883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311311728.1A Active CN117057486B (zh) | 2023-10-11 | 2023-10-11 | 电力系统的运维成本预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057486B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892982A (zh) * | 2024-03-14 | 2024-04-16 | 国家电投集团云南国际电力投资有限公司 | 光储直柔建筑的用电调度方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411106A (zh) * | 2011-11-18 | 2012-04-11 | 广东电网公司广州供电局 | 电力变压器故障监测方法及装置 |
KR20140142872A (ko) * | 2013-06-05 | 2014-12-15 | 연세대학교 산학협력단 | 열화 모형에 기반하여 기후 환경의 변화를 고려한 시설물의 상태 예측 방법 및 시스템 |
CN106484496A (zh) * | 2016-10-28 | 2017-03-08 | 云南大学 | 基于贝叶斯网的虚拟机底层环境特征分析与性能度量方法 |
CN111723519A (zh) * | 2020-05-29 | 2020-09-29 | 国网四川省电力公司电力科学研究院 | 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法 |
CN114037144A (zh) * | 2021-11-05 | 2022-02-11 | 国网经济技术研究院有限公司 | 一种电网工程运维成本预测方法及系统 |
WO2022213024A1 (en) * | 2021-03-30 | 2022-10-06 | University Of Florida Research Foundation, Inc. | Predictive models for infectious diseases |
CN116011665A (zh) * | 2023-01-18 | 2023-04-25 | 国家电网有限公司 | 基于多元线性回归模型的新能源发电行业补贴预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10776706B2 (en) * | 2016-02-25 | 2020-09-15 | Honeywell International Inc. | Cost-driven system and method for predictive equipment failure detection |
US11537459B2 (en) * | 2020-03-27 | 2022-12-27 | EMC IP Holding Company LLC | Automatically predicting device failure using machine learning techniques |
US20220147852A1 (en) * | 2020-11-10 | 2022-05-12 | International Business Machines Corporation | Mitigating partiality in regression models |
CN114548571A (zh) * | 2022-02-25 | 2022-05-27 | 国网山东省电力公司潍坊供电公司 | 基于贝叶斯岭回归的光伏发电预测方法及装置 |
-
2023
- 2023-10-11 CN CN202311311728.1A patent/CN117057486B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411106A (zh) * | 2011-11-18 | 2012-04-11 | 广东电网公司广州供电局 | 电力变压器故障监测方法及装置 |
KR20140142872A (ko) * | 2013-06-05 | 2014-12-15 | 연세대학교 산학협력단 | 열화 모형에 기반하여 기후 환경의 변화를 고려한 시설물의 상태 예측 방법 및 시스템 |
CN106484496A (zh) * | 2016-10-28 | 2017-03-08 | 云南大学 | 基于贝叶斯网的虚拟机底层环境特征分析与性能度量方法 |
CN111723519A (zh) * | 2020-05-29 | 2020-09-29 | 国网四川省电力公司电力科学研究院 | 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法 |
WO2022213024A1 (en) * | 2021-03-30 | 2022-10-06 | University Of Florida Research Foundation, Inc. | Predictive models for infectious diseases |
CN114037144A (zh) * | 2021-11-05 | 2022-02-11 | 国网经济技术研究院有限公司 | 一种电网工程运维成本预测方法及系统 |
CN116011665A (zh) * | 2023-01-18 | 2023-04-25 | 国家电网有限公司 | 基于多元线性回归模型的新能源发电行业补贴预测方法 |
Non-Patent Citations (3)
Title |
---|
Posterior mean and variance approximation for regression and time series problem;STATISTICS;第32卷(第4期);329-350 * |
一种基于朴素贝叶斯分类的性能预测方法;李祥;周波;;计算机应用与软件(第01期);231-234+290 * |
风电场风能资源评估的测量―关联―预测方法综述;叶林;杨丹萍;赵永宁;;电力系统自动化(第03期);140-151 * |
Also Published As
Publication number | Publication date |
---|---|
CN117057486A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaytez | A hybrid approach based on autoregressive integrated moving average and least-square support vector machine for long-term forecasting of net electricity consumption | |
Qu et al. | Prediction of electricity generation from a combined cycle power plant based on a stacking ensemble and its hyperparameter optimization with a grid-search method | |
Zhang et al. | Time series anomaly detection for smart grids: A survey | |
CN117057486B (zh) | 电力系统的运维成本预测方法、装置、设备及存储介质 | |
Niu et al. | Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed | |
EP3549234A1 (en) | System and method for dynamic energy storage system control | |
Fioriti et al. | Optimal sizing of residential battery systems with multi-year dynamics and a novel rainflow-based model of storage degradation: An extensive Italian case study | |
CN104252649A (zh) | 一种计及多风电场相关性的区域风电出力预测方法 | |
Firouzi et al. | Reliability evaluation of a composite power system in the presence of renewable generations | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
Ahmed et al. | Computationally expedient Photovoltaic power Forecasting: A LSTM ensemble method augmented with adaptive weighting and data segmentation technique | |
CN109636066A (zh) | 一种基于模糊时间序列挖掘的风电输出功率预测方法 | |
CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
Yang et al. | Power transfer characteristics in fluctuation partition algorithm for wind speed and its application to wind power forecasting | |
CN115730755A (zh) | 一种双碳目标实现路径规划方法、装置、终端设备及介质 | |
Li et al. | Two-stage stochastic programming based model predictive control strategy for microgrid energy management under uncertainties | |
CN104346659A (zh) | 应用于高倍聚光光伏发电系统的短期发电量预测方法 | |
Astolfi et al. | Long term wind turbine performance analysis through scada data: A case study | |
Tastu | Short-term wind power forecasting: probabilistic and space-time aspects | |
Feng et al. | A novel hybrid model for short-term prediction of PV power based on KS-CEEMDAN-SE-LSTM | |
Aizpurua et al. | Probabilistic machine learning aided transformer lifetime prediction framework for wind energy systems | |
JP2011233584A (ja) | 太陽光発電システムの異常診断装置 | |
Hakami et al. | A Comprehensive Review of Sampling Techniques for Probabilistic Stability Analysis of Future Power Grids | |
CN111652449A (zh) | 一种基于条件随机场模型预测短期光伏发电系统发电量的系统模型 | |
Liu et al. | A Bayesian Deep Learning-Based Probabilistic Risk Assessment and Early-Warning Model for Power Systems Considering Meteorological Conditions |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |