CN117076965A - 一种薄弱节点识别方法、装置及储存介质 - Google Patents

一种薄弱节点识别方法、装置及储存介质 Download PDF

Info

Publication number
CN117076965A
CN117076965A CN202310841592.9A CN202310841592A CN117076965A CN 117076965 A CN117076965 A CN 117076965A CN 202310841592 A CN202310841592 A CN 202310841592A CN 117076965 A CN117076965 A CN 117076965A
Authority
CN
China
Prior art keywords
node
nodes
network
voltage
curvature radius
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
CN202310841592.9A
Other languages
English (en)
Inventor
斯建东
吴志
余才阳
徐一骏
张驰
吴元熙
朱逸芝
胡鹏程
罗进圣
顾伟
朱敏捷
杨坚
李剑
曾晓
杨威
钟磊
许楚航
罗啸远
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.)
Southeast University
Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Southeast University
Taizhou Power Supply Co of State Grid Zhejiang 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 Southeast University, Taizhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Southeast University
Priority to CN202310841592.9A priority Critical patent/CN117076965A/zh
Publication of CN117076965A publication Critical patent/CN117076965A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/50—Controlling the sharing of the out-of-phase component
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种薄弱节点识别方法、装置及储存介质，属于电力系统质量识别技术领域，解决薄弱节点识别方法不能利用有限的节点状态信息，获取全网节点的状态信息识别薄弱节点的问题，解决该问题的方法包括以下步骤，构建配电系统模型获得PMU量测装置配置矩阵并进行网络拓扑分层；获取全网节点的状态信息进行第一次静态稳定性判断；构建节点复电压变化曲线，计算节点曲率半径和曲率半径变化速率；利用改进后的K‑means聚类方法对所有节点进行第二次静态电压稳定性判断，识别配电系统模型的薄弱节点。本方法能够利用有限的节点状态信息，快速获取全网节点的状态信息识别薄弱节点，进而判断配电系统稳定性。

Description

一种薄弱节点识别方法、装置及储存介质
技术领域
本发明涉及电力系统质量识别技术领域，尤其是指一种薄弱节点识别方法、装置及储存介质。
背景技术
随着电力系统的发展，配电网的负荷变化和复杂性不断增加，使得电压稳定问题也变得越来越突出。现有在线监控系统不能够准确评估电网的稳定态势和提供可靠的预警信息，这是因为它们缺乏对电网真实物理运动行为的多层次全面感知和多维度精确协调控制。在电网逐渐恶化的阶段，这种缺陷变得尤为明显，研究数据驱动的电力系统稳定分析方法对于我们理解电网行为并采取适当的措施具有重要意义。
在中国专利公开号为CN112103995A，公开日为2020年12月18日，名称为一种有源配电网薄弱节点识别方法及装置的发明专利中，公开了一种有源配电网薄弱节点识别方法及装置，所述方法包括以下步骤：将预测日的数据作为小波神经网络模型的输入，获得各节点的分布式电源在预测日的各相有功功率和各相无功功率；基于所述各节点的分布式电源在预测日的各相有功功率、各相无功功率和预先建立的小波神经网络模型的预测误差均值确定各节点的分布式电源在预测日的各相有功功率对应的仿射值和各相无功功率对应的仿射值；基于各节点的分布式电源在预测日的各相有功功率对应的仿射值和各相无功功率对应的仿射值获得各节点在预测日的各相电压对应的仿射值；基于各节点在预测日的各相电压对应的仿射值识别预测日的薄弱节点；本发明考虑了分布式电源的预测误差，提高了识别薄弱节点的准确性，但不足之处在于，该薄弱节点识别方法不能利用有限的节点状态信息，获取全网节点的状态信息识别薄弱节点。
发明内容
本发明的目的是克服现有技术中，薄弱节点识别方法不能利用有限的节点状态信息，获取全网节点的状态信息识别薄弱节点的缺点，提供一种薄弱节点识别方法、装置及储存介质，所述方法基于构建的配电系统模型获得PMU量测装置配置矩阵，并以PMU量测装置所在节点作为初始节点，对配电系统模型进行网络拓扑分层，根据电压降落对所述网络拓扑分层中每一层非PMU量测装置所在配置节点进行状态估计，获取全网节点电压和全网节点电压相角信息，根据所述全网节点电压和全网节点电压相角信息进行第一次静态电压稳定性判断，获得所有节点的初始稳定状态，基于所述初始稳定状态构建节点复电压变化曲线，计算节点曲率半径，基于节点曲率半径计算固定时间内节点曲率半径的算数平均值和固定时间内的节点曲率半径变化速率，对节点曲率半径的算数平均值进行K-means聚类，并根据聚类结果对所有节点进行第二次静态电压稳定性判断，根据两次静态电压稳定性判断结果、K-means聚类结果以及匹配的节点曲率半径变化速率，识别配电系统模型的薄弱节点，能够及时监测全网节点的变化趋势及变化速率，并对薄弱节点进行快速判断，减少计算时间，为工作人员的快速调度提供依据，同时可以通过全网节点的变化状态及电压稳定状态判断配电系统稳定性。
本发明的目的是通过下述技术方案予以实现：
一种薄弱节点识别方法，包括以下步骤：
基于构建的配电系统模型获得PMU量测装置配置矩阵，并以PMU量测装置所在节点作为初始节点，对配电系统模型进行网络拓扑分层；
根据电压降落对所述网络拓扑分层中每一层非PMU量测装置所在配置节点进行状态估计，获取全网节点电压和全网节点电压相角信息；
根据所述全网节点电压和全网节点电压相角信息进行第一次静态电压稳定性判断，获得所有节点的初始稳定状态；
基于所述初始稳定状态构建节点复电压变化曲线，计算节点曲率半径；
基于节点曲率半径计算固定时间内节点曲率半径的算数平均值和固定时间内的节点曲率半径变化速率；
对节点曲率半径的算数平均值进行K-means聚类，并根据聚类结果对所有节点进行第二次静态电压稳定性判断；
根据两次静态电压稳定性判断结果、K-means聚类结果以及匹配的节点曲率半径变化速率，识别配电系统模型的薄弱节点。基于构建的配电系统模型获得PMU量测装置配置矩阵，并以PMU量测装置所在节点作为初始节点，对配电系统模型进行网络拓扑分层，根据电压降落对所述网络拓扑分层中每一层非PMU量测装置所在配置节点进行状态估计，获取全网节点电压和全网节点电压相角信息，根据所述全网节点电压和全网节点电压相角信息进行第一次静态电压稳定性判断，获得所有节点的初始稳定状态，基于所述初始稳定状态构建节点复电压变化曲线，计算节点曲率半径，基于节点曲率半径计算固定时间内节点曲率半径的算数平均值和固定时间内的节点曲率半径变化速率，对节点曲率半径的算数平均值进行K-means聚类，并根据聚类结果对所有节点进行第二次静态电压稳定性判断，根据两次静态电压稳定性判断结果、K-means聚类结果以及匹配的节点曲率半径变化速率，识别配电系统模型的薄弱节点，能够及时监测全网节点的变化趋势及变化速率，并对薄弱节点进行快速判断，减少计算时间，为工作人员的快速调度提供依据，同时可以通过全网节点的变化状态及电压稳定状态判断配电系统稳定性。
进一步地，所述基于构建的配电系统模型获得PMU量测装置配置矩阵，并以PMU量测装置所在节点作为初始节点，对配电系统模型进行网络拓扑分层，包括：
读取配电系统模型的网络拓扑结构，获得PMU量测装置配置矩阵；
根据PMU量测装置配置矩阵判断是否完成网络拓扑分层，若完成网络拓扑分层，则结束网络拓扑分层流程，输出网络拓扑分层结果，若没有完成网络拓扑分层，则继续执行网络拓扑分层流程，构建PMU量测装置配置矩阵的相邻矩阵，更新PMU量测装置配置矩阵，得到新的PMU量测装置配置矩阵，根据新的PMU量测装置配置矩阵判断是否完成网络拓扑结构，若完成网络拓扑分层，则结束网络拓扑分层流程，输出网络拓扑分层结果，若没有完成网络拓扑分层，则重复网络拓扑分层流程。通过读取配电系统模型的网络拓扑结构，获得PMU量测装置配置矩阵，根据PMU量测装置配置矩阵判断是否完成网络拓扑分层，若完成网络拓扑分层，则结束网络拓扑分层流程，输出网络拓扑分层结果，若没有完成网络拓扑分层，则继续对配电系统继续进行网络拓扑分层，直至网络拓扑结构分层结束，此做法能够对其他未知电压信息的节点进行状态估计节约了时间，加快了薄弱节点的识别。
进一步地，所述根据电压降落对所述网络拓扑分层中每一层非PMU量测装置所在配置节点进行状态估计，获取全网节点电压和全网节点电压相角信息，包括：
通过网络拓扑分层，获得以每一个PMU配置节点作为初始节点的拓扑网络层；
根据网络拓扑层的PMU量测信息以及负荷信息，计算电压降落；
根据电压降落获取非PMU配置节点的电压信息，计算配电系统模型的全网节点电压；
根据电压降落和全网节点电压计算得到全网节点电压相角信息。通过网络拓扑分层，获取了以每一个PMU配置节点作为初始节点的拓扑网络层，通过PMU量测信息以及负荷信息，计算电压降落，获取非PMU配置节点电压信息，计算配电系统模型的全网节点电压，最后根据电压降落和全网节点电压计算得到全网节点电压相角信息，可以快速通过有限的节点信息得到整个配电系统的全网节点电压相角信息，从而能够提高获取全网节点状态信息的效率。
进一步地，所述根据所述全网节点电压和全网节点电压相角信息进行第一次静态电压稳定性判断，获得所有节点的初始稳定状态，包括：
计算静态电压稳定裕量；
根据静态电压稳定裕量进行初始节点稳定位置判断。通过计算静态电压稳定裕量，能够进行初始节点稳定位置判断，能够在全网节点的电压变化时，计算复电压值以及绘制节点复电压曲线图，为后续精准判断薄弱节点提供依据。
进一步地，所述基于所述初始稳定状态构建节点复电压变化曲线，计算节点曲率半径，包括：
以每个节点的电压相角作为横坐标，电压幅值作为纵坐标，构建节点复电压曲线；
根据所述节点复电压曲线计算节点曲率半径。通过PMU量测信息和伪量测信息，获取了全网的节点状态信息，包括全网节点电压和全网节点电压相角信息，以每个节点的电压相角作为横坐标，电压幅值作为纵坐标，绘制节点复电压曲线，配电系统负荷变化、光伏出力变化以及电动汽车充电负荷波动都对每个节点产生影响，且各不同的，所以每个节点构建出来的复电压变化曲线也是不同的，从而得到每条曲线的曲率半径，能够精准的地获取节点电压的变化情况。
进一步地，所述基于节点曲率半径计算固定时间内节点曲率半径的算数平均值和固定时间内的节点曲率半径变化速率，包括：
根据节点曲率半径计算固定时间内节点曲率半径的算数平均值，形成曲率半径集合；
根据节点曲率半径计算固定时间内的节点曲率半径变化速率，形成曲率半径变化速率集合。通过根据节点曲率半径计算固定时间内节点曲率半径的算数平均值，形成曲率半径集合，能够得到聚类的输入数据，从而使得聚类结果能够精准贴合配电系统，同时也能表征节点状态的波动大小，通过根据节点曲率半径计算固定时间内的节点曲率半径变化速率，曲率半径变化速率集合，能够表征节点状态波动的快慢，同时也为识别薄弱节点提供依据。
进一步地，所述对节点曲率半径的算数平均值进行K-means聚类，并根据聚类结果对所有节点进行第二次静态电压稳定性判断，包括：
将配网历史运行数据作为输入数据进行K-means聚类，获得k个初始聚类中心mi：m1、m2、m3、...、mk；
将配电网节点复电压变化曲率的曲率半径集合作为聚类的输入数据，设置聚类数为k；
计算每个节点的曲率半径与初始聚类中心mi的距离/>其中h为迭代次数，取距离最小值min(di)作为聚类结果；
计算新的聚类中心：Ni为第一次聚类结果中的一类的和，ri为该类中曲率半径；
计算两次迭代的聚类中心差值，若两次迭代的聚类中心差值满足|mi(h+1)-mi(h)|＜ε时，迭代结束；否则重新计算曲率半径与新的聚类中心的距离，继续迭代；
根据聚类结果对所有节点进行第二次静态电压稳定性判断。改进后的k-means聚类方法的初始聚类中心并不是毫无依据的随机选择，而是根据历史运行数据聚类得来，避免了聚类结果陷入局部最优的情况，同时提高的收敛速度和稳定性。
进一步地，所述根据两次静态电压稳定性判断结果、K-means聚类结果以及匹配的节点曲率半径变化速率，识别配电系统模型的薄弱节点，包括：
根据第一次静态电压稳定性判断，将全网节点分为安全类和不安全类；
通过节点曲率半径的聚类结果，得到全网节点的波动状态；
对全网节点进行第二次静态电压稳定性判断，得到全网的稳定节点、较薄弱节点以及薄弱节点；
计算较薄弱节点的曲率半径变化速率和薄弱节点的曲率半径变化速率；
通过较薄弱节点的曲率半径变化速率和薄弱节点的曲率半径变化速率识别出全网的薄弱节点。通过根据第一次静态电压稳定性判断，将全网节点分为安全类和不安全类，根据节点曲率半径的聚类结果，得到全网节点的波动状态，在此基础上，对全网节点进行第二次静态电压稳定性判断，得到全网的稳定节点、较薄弱节点以及薄弱节点，接下来计算较薄弱节点的曲率半径变化速率和薄弱节点的曲率半径变化速率，并根据计算较薄弱节点的曲率半径变化速率和薄弱节点的曲率半径变化速率识别出全网的薄弱节点，通过上述判断过程以提高薄弱节点判断的准确性，并且不同对每次负荷变化时节点静态电压稳定性进行判断，结合拓扑分层结构，加快了薄弱节点的判断速度，为工作人员赢得调度时间。
本发明还提供一种薄弱节点识别装置，所述薄弱节点识别装置包括以下模块：
信息采集模块：用于采集配电系统模型中全网节点的状态信息；
信息处理模块：用于处理信息采集模块中全网节点的状态信息，识别出配电系统模型中的薄弱节点；
信息显示模块：用于显示信息处理模块中识别出的薄弱节点。信息采集模块将采集到的全网节点状态信息输送至信息处理模块，信息处理模块根据全网节点的状态信息进行第一次静态电压稳定性判断，获得所有节点的初始稳定状态，接着根据所有节点的初始稳定状态构建节点复电压变化曲线，计算节点曲率半径，再基于曲率半径计算固定时间内节点曲率半径的算数平均值和节点曲率半径变化速率，对节点曲率半径的算数平均值进行K-means聚类，并根据K-means聚类结果对所有节点进行第二次静态电压稳定性判断，然后根据两次静态电压稳定性判断结果、K-means聚类结果以及匹配的节点曲率半径变化速率进行处理，识别出配电系统模型中的薄弱节点，并将处理结果输送至信息显示模块，信息显示模块接收指令，最后显示配电系统模型中的薄弱节点，能够提高配电系统模型识别出薄弱节点的效率。
本发明还提供一种储存介质，所述储存介质为计算机可读储存介质，其上储存有计算机程序，所述计算机程序被处理器执行时，实现所述的一种薄弱节点识别方法。通过将薄弱节点识别方法的各个步骤编写成计算机程序，储存在储存介质中，当计算机程序被处理器执行时，薄弱节点识别方法执行各个步骤，能够快速高效地识别出配电系统模型中的薄弱节点。
本发明的有益效果是：基于构建的配电系统模型获得PMU量测装置配置矩阵，并以PMU量测装置所在节点作为初始节点，对配电系统模型进行网络拓扑分层，根据电压降落对所述网络拓扑分层中每一层非PMU量测装置所在配置节点进行状态估计，获取全网节点电压和全网节点电压相角信息，根据所述全网节点电压和全网节点电压相角信息进行第一次静态电压稳定性判断，获得所有节点的初始稳定状态，基于所述初始稳定状态构建节点复电压变化曲线，计算节点曲率半径，基于节点曲率半径计算固定时间内节点曲率半径的算数平均值和固定时间内的节点曲率半径变化速率，对节点曲率半径的算数平均值进行K-means聚类，并根据聚类结果对所有节点进行第二次静态电压稳定性判断，根据两次静态电压稳定性判断结果、K-means聚类结果以及匹配的节点曲率半径变化速率，识别配电系统模型的薄弱节点，能够及时监测全网节点的变化趋势及变化速率，并对薄弱节点进行快速判断，减少计算时间，为工作人员的快速调度提供依据，同时可以通过全网节点的变化状态及电压稳定状态判断配电系统稳定性。通过改进后的K-means聚类方法，避免了聚类结果陷入局部最优的情况，同时提高的收敛速度和稳定性。
附图说明
图1是本发明实施例的一种薄弱节点识别方法流程图；
图2是本发明实施例的网络拓扑分层步骤图；
图3是本发明实施例的静态电压稳定性判断过程中第一种情况图；
图4是本发明实施例的静态电压稳定性判断过程中第二种情况图；
图5是本发明实施例的静态电压稳定性判断过程中第三种情况图；
图6是本发明实施例的静态电压稳定性判断过程中第四种情况图；
图7是本发明实施例的静态电压稳定性判断过程中第五种情况图；
图8是本发明实施例的薄弱节点识别过程图；
图9是本发明实施例的薄弱节点识别装置结构示意图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例1：一种薄弱节点识别方法，如图1所示，包括以下步骤：
基于构建的配电系统模型获得PMU量测装置配置矩阵，并以PMU量测装置所在节点作为初始节点，对配电系统模型进行网络拓扑分层。
具体地，构建配电系统模型的步骤如下：基于K-means聚类方法对光伏历史出力年数据处理，得到三种天气条件下光伏全日整体代表性指标，光伏平均出力基于K-means聚类方法对光伏历史出力年数据处理，得到三种天气条件下光伏全日整体代表性指标，光伏平均出力/>
其中，T0为该光伏电站的可进行发电的时间段；为光伏电站可发电的总时间；Pt为该光伏电站t时刻的光伏出力。
而考虑用户出行特性的电动汽车充电负荷，需要将盖亚平台提供的D天的车辆轨迹数据包以“天”为单位进行分组，再对同一天内的订单进行数据整合：
去除不属于研究范围的轨迹数据，去除GPS同一车辆相邻轨迹坐标点之间的时间间隔超过100s的轨迹，去除平均速度Vi大于120km/h的轨迹，去除整个轨迹起始直线距离小于500米的轨迹。将剩余符合要求的轨迹数据进行交通起止数据OD提取，利用python中leuven map matching工具，将GPS数据与研究区域路网进行道路匹配，同时根据载客参数P的0、1变化，区别空载和载客状态，形成第x天的轨迹网络；
其中，交通网电动汽车轨迹数据集包含每辆车的编号Ni、车辆运行时间Ti、车辆GPS定位(Xi，Yi)、车辆速度Vi以及是否载客P(1为载客，0为未载客)、电动汽车出行时刻电池状态Si,o信息。通过轨迹信息和电动汽车出行时刻电池状态，预测用户充电时刻以及充电时间，形成考虑用户出行特性的电动汽车充电负荷曲线。
基于构建的配电系统模型对配电系统模型进行网络拓扑分层。
具体地，包括以下步骤：
读取配电系统模型的网络拓扑结构，获得PMU量测装置配置矩阵；
根据PMU量测装置配置矩阵判断是否完成网络拓扑分层，若完成网络拓扑分层，则结束网络拓扑分层流程，输出网络拓扑分层结果，若没有完成网络拓扑分层，则继续执行网络拓扑分层流程，构建PMU量测装置配置矩阵的相邻矩阵，更新PMU量测装置配置矩阵，得到新的PMU量测装置配置矩阵，根据新的PMU量测装置配置矩阵判断是否完成网络拓扑结构，若完成网络拓扑分层，则结束网络拓扑分层流程，输出网络拓扑分层结果，若没有完成网络拓扑分层，则重复网络拓扑分层流程。
具体地，如图2所示，展示的是IEEE7节点配电网络，其中在节点2和节点4配置了PMU量测装置。其中，PMU配置矩阵A1的数学表达式为：
式中，0为该节点配置未配置PMU装置，1为配置了PMU装置。通过判断A1中“1”的个数是否等于该网络总节点数N，来确定是否完成了拓扑分层，上式中，“1”的个数为2，小于网络总节点数N＝7，所以需要继续对该网络进行分层。其中，构建A1的相邻矩阵X1，根据节点2和节点3之间的阻抗小于节点3和节点4之间的阻抗，所以将节点3归入节点2所在层。
相邻矩阵X1的数学表达式为：
从而得到新的A2：
此时，A2中的“1”的个数为6，依旧小于网络节点总数N＝7，需要继续对该网络拓扑进行分层，获取A2新的相邻矩阵X2：
再次更新PMU配置矩阵A3：
此时PMU配置节点矩阵A3中“1”的个数为7，等于节点总节点数N＝7，从而完成了拓扑分层的全部步骤，将原本7节点的网络结构分为了三层，为之后对其他未知电压信息的节点进行状态估计节约了时间，加速了薄弱节点的识别。
根据电压降落对网络拓扑分层中每一层非PMU量测装置所在配置节点进行状态估计，获取全网节点电压和全网节点电压相角信息。
具体地，包括以下步骤：
通过网络拓扑分层，获得以每一个PMU配置节点作为初始节点的拓扑网络层；
根据网络拓扑层的PMU量测信息以及负荷信息，计算电压降落；
根据电压降落获取非PMU配置节点的电压信息，计算配电系统模型的全网节点电压；
根据电压降落和全网节点电压计算得到全网节点电压相角信息。
根据全网节点电压和全网节点电压相角信息进行第一次静态电压稳定性判断，获得所有节点的初始稳定状态。
具体地，包括以下步骤：
计算静态电压稳定裕量；
根据静态电压稳定裕量进行初始节点稳定位置判断。
具体地，静态电压稳定裕度量化公式如下：
f(θ,V)+λ·b＝0；
式中，θ为节点电压相角；v为节点电压幅值；λ为负荷与发电机增长参数；b为系统中各节点的负荷增长方式常数。
如图3至图7所示，节点电压初始状态到迭代结束之间所处变化区域有如下五种情况，目前我国静态电压稳定评价标准是由区域负荷有功功率裕度Kp和母线负荷无功功率裕度Kq定义。
式中，Pmax为最大传输功率临界点的有功功率值；P0为初始传输的有功功率；Qmax为最大传输功率临界点的无功功率值；Q0为初始传输的无功功率。
本申请更多考虑负荷节点的有功增长对系统电压稳定造成的影响，所以选择Kp＝8％作为临界状态，在图3至图7中，当Kp＜8％为不安全状态，当Kp≥8％时为安全状态。在随着负荷变化，计算复电压变化及绘制复电压变化曲线之前，进行初始节点稳定位置判断，对应图3至图7的五种情况进行划分。还需在负荷达到最大时再次按照图3至图7的五种情况进行判断归类，给出第二次判断结果，为后续精准判断薄弱节点提供依据。
基于初始稳定状态构建节点复电压变化曲线，计算节点曲率半径。
具体地，包括以下步骤：
以每个节点的电压相角作为横坐标，电压幅值作为纵坐标，构建节点复电压曲线；
根据节点复电压曲线计算节点曲率半径。
具体地，以每个节点的电压相角作为横坐标，电压幅值作为纵坐标，绘制节点复电压曲线。下面是复电压曲率半径rn,i的计算公式：
式中，rn,i为节点n第i时刻的复电压曲线曲率半径，vn,i为节点n第i时刻的电压幅值，θn,i为节点n第i时刻的电压相角。
基于节点曲率半径计算固定时间内节点曲率半径的算数平均值和固定时间内的节点曲率半径变化速率。
具体地，包括以下步骤：
根据节点曲率半径计算固定时间内节点曲率半径的算数平均值，形成曲率半径集合；
根据节点曲率半径计算固定时间内的节点曲率半径变化速率，形成曲率半径变化速率集合。
对节点曲率半径的算数平均值进行K-means聚类，并根据聚类结果对所有节点进行第二次静态电压稳定性判断。
具体地，包括以下步骤：
将配网历史运行数据作为输入数据进行K-means聚类，获得k个初始聚类中心mi：m1、m2、m3、...、mk；
将配电网节点复电压变化曲率的曲率半径集合作为聚类的输入数据，设置聚类数为k；
计算每个节点的曲率半径与初始聚类中心mi的距离/>其中h为迭代次数，取距离最小值min(di)作为聚类结果；
计算新的聚类中心：Ni为第一次聚类结果中的一类的和，ri为该类中曲率半径；
计算两次迭代的聚类中心差值，若两次迭代的聚类中心差值满足|mi(h+1)-mi(h)|＜ε时，迭代结束；否则重新计算曲率半径与新的聚类中心的距离，继续迭代；
根据聚类结果对所有节点进行第二次静态电压稳定性判断。
根据两次静态电压稳定性判断结果、K-means聚类结果以及匹配的节点曲率半径变化速率，识别配电系统模型的薄弱节点。
具体地，包括以下步骤：
根据第一次静态电压稳定性判断，将全网节点分为安全类和不安全类；
通过节点曲率半径的聚类结果，得到全网节点的波动状态；
对全网节点进行第二次静态电压稳定性判断，得到全网的稳定节点、较薄弱节点以及薄弱节点；
计算较薄弱节点的曲率半径变化速率和薄弱节点的曲率半径变化速率；
通过较薄弱节点的曲率半径变化速率和薄弱节点的曲率半径变化速率识别出全网的薄弱节点。
具体地，如图8所示，根据第一次静态电压稳定性判断，将节点分为两类。第一类是“安全”类，即静态电压稳定判断中Kp≥8％，第二类为“不安全”类，即静态电压稳定判断中Kp＜8％。
再通过节点变化状态的曲率半径聚类结果，将其分类两类，第一类为①②，即节点波动较小，曲率半径较大；第二类为③，即节点波动较大，曲率半径较小。
第三步则通过第二次静态电压稳定性判断，与第一次判断一样，将其分为两类。一类是“安全”类，即静态电压稳定判断中Kp≥8％，另一类为“不安全”类，即静态电压稳定判断中Kp＜8％。
通过上述判断结果，根据图8，可以得出相应的节点薄弱性初步判断结果，分为三类：稳定节点、较薄弱节点、薄弱节点。
最后计算较薄弱节点、薄弱节点的曲率半径变化速率，通过判断节点波动速率，再次对较薄弱节点和薄弱节点进行分类，若速率较快，同样采取S7中改进的K-means聚类方法将节点波动速率分为2类，①较快，②较慢。若原本属于较薄弱节点，则升级为薄弱节点；若速率较慢，原本属于较薄弱节点不变。经过以上步骤，得到最终薄弱节点的分布情况。
这样的判断过程可以提高薄弱节点判断的准确性，并且在每次负荷变化时，对节点静态电压稳定性进行判断，结合拓扑分层结构，可以提高判断薄弱节点的判断速度，为工作人员赢得调度时间。
实施例2：
本发明还提供一种薄弱节点识别装置10，如图9所示，包括信息采集模块11、信息处理模块12以及信息显示模块13。信息采集模块11用于采集配电系统模型中全网节点的状态信息；用于处理信息采集模块11中全网节点的状态信息，识别出配电系统模型中的薄弱节点；信息显示模块13用于显示信息处理模块12中识别出的薄弱节点。
具体地，信息采集模块11将采集到的全网节点状态信息输送至信息处理模块12，信息处理模块12根据全网节点的状态信息进行第一次静态电压稳定性判断，获得所有节点的初始稳定状态，接着根据所有节点的初始稳定状态构建节点复电压变化曲线，计算节点曲率半径，再基于曲率半径计算固定时间内节点曲率半径的算数平均值和节点曲率半径变化速率，对节点曲率半径的算数平均值进行K-means聚类，并根据K-means聚类结果对所有节点进行第二次静态电压稳定性判断，然后根据两次静态电压稳定性判断结果、K-means聚类结果以及匹配的节点曲率半径变化速率进行处理，识别出配电系统模型中的薄弱节点，并将处理结果输送至信息显示模块13，信息显示模块13接收指令，最后显示配电系统模型中的薄弱节点，能够提高配电系统模型识别出薄弱节点的效率。
本实施例提供一种储存介质，储存介质为计算机可读储存介质，其上储存有计算机程序，计算机程序被处理器执行时，实现薄弱节点识别方法。通过将薄弱节点识别方法的各个步骤编写成计算机程序，储存在储存介质中，当计算机程序被处理器执行时，薄弱节点识别方法执行各个步骤，能够快速高效地识别出配电系统模型中的薄弱节点。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种薄弱节点识别方法，其特征在于，包括以下步骤：
基于构建的配电系统模型获得PMU量测装置配置矩阵，并以PMU量测装置所在节点作为初始节点，对配电系统模型进行网络拓扑分层；
根据电压降落对所述网络拓扑分层中每一层非PMU量测装置所在配置节点进行状态估计，获取全网节点电压和全网节点电压相角信息；
根据所述全网节点电压和全网节点电压相角信息进行第一次静态电压稳定性判断，获得所有节点的初始稳定状态；
基于所述初始稳定状态构建节点复电压变化曲线，计算节点曲率半径；
基于节点曲率半径计算固定时间内节点曲率半径的算数平均值和固定时间内的节点曲率半径变化速率；
对节点曲率半径的算数平均值进行K-means聚类，并根据聚类结果对所有节点进行第二次静态电压稳定性判断；
根据两次静态电压稳定性判断结果、K-means聚类结果以及匹配的节点曲率半径变化速率，识别配电系统模型的薄弱节点。
2.根据权利要求1所述的薄弱节点识别方法，其特征在于，所述基于构建的配电系统模型获得PMU量测装置配置矩阵，并以PMU量测装置所在节点作为初始节点，对配电系统模型进行网络拓扑分层，包括：
读取配电系统模型的网络拓扑结构，获得PMU量测装置配置矩阵；
根据PMU量测装置配置矩阵判断是否完成网络拓扑分层，若完成网络拓扑分层，则结束网络拓扑分层流程，输出网络拓扑分层结果，若没有完成网络拓扑分层，则继续执行网络拓扑分层流程，构建PMU量测装置配置矩阵的相邻矩阵，更新PMU量测装置配置矩阵，得到新的PMU量测装置配置矩阵，根据新的PMU量测装置配置矩阵判断是否完成网络拓扑结构，若完成网络拓扑分层，则结束网络拓扑分层流程，输出网络拓扑分层结果，若没有完成网络拓扑分层，则重复网络拓扑分层流程。
3.根据权利要求2所述的一种薄弱节点识别方法，其特征在于，所述根据电压降落对所述网络拓扑分层中每一层非PMU量测装置所在配置节点进行状态估计，获取全网节点电压和全网节点电压相角信息，包括：
通过网络拓扑分层，获得以每一个PMU配置节点作为初始节点的拓扑网络层；
根据网络拓扑层的PMU量测信息以及负荷信息，计算电压降落；
根据电压降落获取非PMU配置节点的电压信息，计算配电系统模型的全网节点电压；
根据电压降落和全网节点电压计算得到全网节点电压相角信息。
4.根据权利要求3所述的一种薄弱节点识别方法，其特征在于，所述根据所述全网节点电压和全网节点电压相角信息进行第一次静态电压稳定性判断，获得所有节点的初始稳定状态，包括：
计算静态电压稳定裕量；
根据静态电压稳定裕量进行初始节点稳定位置判断。
5.根据权利要求4所述的一种薄弱节点识别方法，其特征在于，所述基于所述初始稳定状态构建节点复电压变化曲线，计算节点曲率半径，包括：
以每个节点的电压相角作为横坐标，电压幅值作为纵坐标，构建节点复电压曲线；
根据所述节点复电压曲线计算节点曲率半径。
6.根据权利要求5所述的一种薄弱节点识别方法，其特征在于，所述基于节点曲率半径计算固定时间内节点曲率半径的算数平均值和固定时间内的节点曲率半径变化速率，包括：
根据节点曲率半径计算固定时间内节点曲率半径的算数平均值，形成曲率半径集合；
根据节点曲率半径计算固定时间内的节点曲率半径变化速率，形成曲率半径变化速率集合。
7.根据权利要求6所述的一种薄弱节点识别方法，其特征在于，所述对节点曲率半径的算数平均值进行K-means聚类，并根据聚类结果对所有节点进行第二次静态电压稳定性判断，包括：
将配网历史运行数据作为输入数据进行K-means聚类，获得k个初始聚类中心mi：m1、m2、m3、...、mk；
将配电网节点复电压变化曲率的曲率半径集合作为聚类的输入数据，设置聚类数为k；
计算每个节点的曲率半径与初始聚类中心mi的距离/>其中h为迭代次数，取距离最小值min(di)作为聚类结果；
计算新的聚类中心：Ni为第一次聚类结果中的一类的和，ri为该类中曲率半径；
计算两次迭代的聚类中心差值，若两次迭代的聚类中心差值满足|mi(h+1)-mi(h)|＜ε时，迭代结束；否则重新计算曲率半径与新的聚类中心的距离，继续迭代；
根据聚类结果对所有节点进行第二次静态电压稳定性判断。
8.根据权利要求7所述的一种薄弱节点识别方法，其特征在于，所述根据两次静态电压稳定性判断结果、K-means聚类结果以及匹配的节点曲率半径变化速率，识别配电系统模型的薄弱节点，包括：
根据第一次静态电压稳定性判断，将全网节点分为安全类和不安全类；
通过节点曲率半径的聚类结果，得到全网节点的波动状态；
对全网节点进行第二次静态电压稳定性判断，得到全网的稳定节点、较薄弱节点以及薄弱节点；
计算较薄弱节点的曲率半径变化速率和薄弱节点的曲率半径变化速率；
通过较薄弱节点的曲率半径变化速率和薄弱节点的曲率半径变化速率识别出全网的薄弱节点。
9.一种薄弱节点识别装置，适用于权利要求1-8任意一项所述的一种薄弱节点识别方法，其特征在于，包括以下模块：
信息采集模块：用于采集配电系统模型中全网节点的状态信息；
信息处理模块：用于处理信息采集模块中全网节点的状态信息，识别出配电系统模型中的薄弱节点；
信息显示模块：用于显示信息处理模块中识别出的薄弱节点。
10.一种储存介质，所述储存介质为计算机可读储存介质，其上储存有计算机程序，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1-8任意一项所述的一种薄弱节点识别方法。
CN202310841592.9A 2023-07-10 2023-07-10 一种薄弱节点识别方法、装置及储存介质 Pending CN117076965A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310841592.9A CN117076965A (zh) 2023-07-10 2023-07-10 一种薄弱节点识别方法、装置及储存介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310841592.9A CN117076965A (zh) 2023-07-10 2023-07-10 一种薄弱节点识别方法、装置及储存介质

Publications (1)

Publication Number Publication Date
CN117076965A true CN117076965A (zh) 2023-11-17

Family

ID=88708702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310841592.9A Pending CN117076965A (zh) 2023-07-10 2023-07-10 一种薄弱节点识别方法、装置及储存介质

Country Status (1)

Country Link
CN (1) CN117076965A (zh)

Similar Documents

Publication Publication Date Title
CN111301426B (zh) 基于gru网络模型预测未来行驶过程能耗的方法
Qin et al. State of health prediction for lithium-ion battery using a gradient boosting-based data-driven method
CN107037370A (zh) 基于监控数据的电动汽车剩余电量计算方法
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN111142027A (zh) 一种基于神经网络的磷酸铁锂电池荷电状态监测预警方法
Bi et al. Residual range estimation for battery electric vehicle based on radial basis function neural network
WO2022021726A1 (zh) 一种基于pmu的电力系统状态估计性能评价方法
CN112101684B (zh) 一种插电式混合动力车辆实时能量管理方法和系统
CN111369070A (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
Wu et al. SOC prediction method based on battery pack aging and consistency deviation of thermoelectric characteristics
CN113715629B (zh) 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法
CN111191824B (zh) 一种动力电池容量衰减预测方法及系统
CN111898867B (zh) 一种基于深度神经网络的飞机总装生产线产能预测方法
Jafari et al. Prediction of the battery state using the digital twin framework based on the battery management system
Chang et al. A probabilistic approach for prognosis of battery pack aging
Yang et al. Battery state of charge estimation using temporal convolutional network based on electric vehicles operating data
Zhao et al. A state of health estimation framework based on real-world electric vehicles operating data
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN113406503A (zh) 基于深度神经网络的锂电池soh在线估算方法
CN114529049A (zh) 一种基于vmd-cnn-lstm短期电力负荷预测方法
Wen et al. Lithium battery health state assessment based on vehicle-to-grid (V2G) real-world data and natural gradient boosting model
CN115221153A (zh) 一种缺失数据填补方法、装置和计算机可读存储介质
Wang et al. Research on electric vehicle (EV) driving range prediction method based on PSO-LSSVM
CN117863886B (zh) 增程车辆的续航预测方法、装置、电子设备及介质
CN115097312A (zh) 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型

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