CN117077986B - 电力系统极端运行风险场景的态势感知方法及相关设备 - Google Patents
电力系统极端运行风险场景的态势感知方法及相关设备 Download PDFInfo
- Publication number
- CN117077986B CN117077986B CN202311333701.2A CN202311333701A CN117077986B CN 117077986 B CN117077986 B CN 117077986B CN 202311333701 A CN202311333701 A CN 202311333701A CN 117077986 B CN117077986 B CN 117077986B
- Authority
- CN
- China
- Prior art keywords
- scene
- information
- time sequence
- matrix
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000005457 optimization Methods 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000003860 storage Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 230000009194 climbing Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 239000003245 coal Substances 0.000 claims description 2
- 239000000446 fuel Substances 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000010521 absorption reaction Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力系统极端运行风险场景的态势感知方法及相关设备,涉及电力系统运行优化领域,主要为解决针对电力系统的极端运行场景缺少一种提前感知的方法的问题。该方法包括:获取目标预测场景的系统负荷时序曲线和天气时序信息;基于所述系统负荷时序曲线和所述天气时序信息确定所述目标预测场景的预测GAF矩阵的图像信息;基于所述目标预测场景的预测GAF矩阵的图像信息通过目标卷积神经网络模型确定所述目标预测场景的目标运行场景信息。本发明用于电力系统极端运行风险场景的态势感知过程。
Description
技术领域
本发明涉及电力系统运行优化领域,尤其涉及一种电力系统极端运行风险场景的态势感知方法及相关设备。
背景技术
在含高比例可再生能源的新型电力系统中,极热无风、极寒无光、高温静稳等极端天气所导致的新能源极端大发、小发事件的频发,对系统电力供应保障和新能源高效消纳提出了严峻的挑战。然而目前针对电力系统的极端运行场景仍缺少一种提前感知的方法。
发明内容
鉴于上述问题,本发明提供一种电力系统极端运行风险场景的态势感知方法及相关设备,主要目的在于解决针对电力系统的极端运行场景缺少一种提前感知的方法的问题。
为解决上述至少一种技术问题,第一方面,本发明提供了一种电力系统极端运行风险场景的态势感知方法,该方法包括:
获取目标预测场景的系统负荷时序曲线和天气时序信息;
基于上述系统负荷时序曲线和上述天气时序信息确定上述目标预测场景的预测GAF矩阵的图像信息;
基于上述目标预测场景的预测GAF矩阵的图像信息通过目标卷积神经网络模型确定上述目标预测场景的目标运行场景信息,其中,运行场景信息包括运行风险场景和运行正常场景,上述运行风险场景包括系统负荷削减风险场景和风电消纳风险场景,上述目标卷积神经网络模型是基于预设历史总场景中各场景的历史运行场景信息和历史GAF矩阵的图像信息确定的。
可选的,上述方法还包括:
获取上述预设历史总场景的态势察觉信息,其中,上述预设历史总场景为映射电力系统运行优化的场景,上述态势察觉信息包括电力系统的电源结构、电力系统的技术经济参数、系统负荷时序曲线、天气时序信息、系统风电时序出力曲线;
基于上述态势察觉信息构建时序运行优化模型。
可选的,上述基于上述态势察觉信息构建时序运行优化模型包括:
基于上述电力系统的电源结构和上述电力系统的技术经济参数构建时序运行优化模型中的目标函数;
基于上述电力系统的电源结构、上述电力系统的技术经济参数、上述系统负荷时序曲线和上述系统风电时序出力曲线确定上述时序运行优化模型的约束条件,
其中,上述约束条件包括系统功率平衡约束、机组发电出力约束、机组最小开停机时间约束和机组爬坡速率约束。
可选的,上述方法还包括:
基于上述时序运行优化模型确定预设历史总场景的各场景下的运行优化结果;
基于风险场景判定指标和上述各场景下的运行优化结果确定上述各场景的历史运行场景信息,
其中,上述风险场景判定指标包括负荷供应保障率、负荷供应保障时长和风电消纳率。
可选的,上述方法还包括:
对基础数值信息进行归一化处理以获取归一化基础数值信息,
其中,上述基础数值信息包括各场景二十四小时的天气时序信息和系统负荷时序曲线。
可选的,上述方法还包括:
对上述归一化基础数值信息进行极坐标形式变换以获取极坐标基础数值信息;
基于上述极坐标基础数值信息确定历史GAF矩阵。
可选的,上述方法还包括:
构建初始卷积神经网络模型,其中,上述初始卷积神经网络模型包括卷积层、池化层、扁平层、全连接层和输出层;
基于上述各场景的历史运行场景信息和上述历史GAF矩阵的图像信息训练上述初始卷积神经网络模型以获取目标卷积神经网络模型。
第二方面,本发明实施例还提供了一种电力系统极端运行风险场景的态势感知装置,包括:
获取单元,用于获取目标预测场景的系统负荷时序曲线和天气时序信息;
第一确定单元,用于基于上述系统负荷时序曲线和上述天气时序信息确定上述目标预测场景的预测GAF矩阵的图像信息;
第二确定单元,用于基于上述目标预测场景的预测GAF矩阵的图像信息通过目标卷积神经网络模型确定上述目标预测场景的目标运行场景信息,其中,运行场景信息包括运行风险场景和运行正常场景,上述运行风险场景包括系统负荷削减风险场景和风电消纳风险场景,上述目标卷积神经网络模型是基于预设历史总场景中各场景的历史运行场景信息和历史GAF矩阵的图像信息确定的。
为了实现上述目的,根据本发明的第三方面,提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,其中,在上述程序被处理器执行时实现上述的电力系统极端运行风险场景的态势感知方法的步骤。
为了实现上述目的,根据本发明的第四方面,提供了一种电子设备,包括至少一个处理器、以及与上述处理器连接的至少一个存储器;其中,上述处理器用于调用上述存储器中的程序指令,执行上述的电力系统极端运行风险场景的态势感知方法的步骤。
借由上述技术方案,本发明提供的电力系统极端运行风险场景的态势感知方法及相关设备,对于针对电力系统的极端运行场景缺少一种提前感知的方法的问题,本发明通过获取目标预测场景的系统负荷时序曲线和天气时序信息;基于上述系统负荷时序曲线和上述天气时序信息确定上述目标预测场景的预测GAF矩阵的图像信息;基于上述目标预测场景的预测GAF矩阵的图像信息通过目标卷积神经网络模型确定上述目标预测场景的目标运行场景信息,其中,运行场景信息包括运行风险场景和运行正常场景,上述运行风险场景包括系统负荷削减风险场景和风电消纳风险场景,上述目标卷积神经网络模型是基于预设历史总场景中各场景的历史运行场景信息和历史GAF矩阵的图像信息确定的。在上述方案中,基于海量历史数据,对系统电力电量平衡状态进行评估以确定各场景所对应的运行场景信息,通过GAF矩阵对气象及负荷时序数据进行可视化重构,最后构建目标卷积神经网络模型,以寻求海量天气、负荷信息与基于时序运行优化所判别的运行场景之间的复杂非线性映射关系,实现通过天气及负荷预报信息对未来风险场景进行智能化的超前感知和快速判定。
相应地,本发明实施例提供的电力系统极端运行风险场景的态势感知装置、设备和计算机可读存储介质,也同样具有上述技术效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种电力系统极端运行风险场景的态势感知方法的流程示意图;
图2示出了本发明实施例提供的一种电力系统极端运行风险场景的态势感知装置的组成示意框图;
图3示出了本发明实施例提供的一种电力系统极端运行风险场景的态势感知电子设备的组成示意框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了解决针对电力系统的极端运行场景缺少一种提前感知的方法的问题,本发明实施例提供了一种电力系统极端运行风险场景的态势感知方法,如图1所示,该方法包括:
S101、获取目标预测场景的系统负荷时序曲线和天气时序信息;
示例性的,目标预测场景为预计确定所属目标运行场景信息的场景,上述系统负荷时序曲线用于表征目标预测场景的电力负荷需求,上述天气时序信息用于表征目标预测场景的天气预报情况。本发明实施例获取目标预测场景的系统负荷时序曲线和天气时序信息用于作为后续预测过程的数据支持。
S102、基于上述系统负荷时序曲线和上述天气时序信息确定上述目标预测场景的预测GAF矩阵的图像信息;
示例性的,本发明实施例在获取上述系统负荷时序曲线和上述天气时序信息后,对上述系统负荷时序曲线和上述天气时序信息进行数值信息归一化处理,将归一化处理后的系统负荷时序曲线和天气时序信息进行极坐标形式变换,利用各极坐标点之间的角度和的余弦运算生成GAF矩阵,由此可以确定上述目标预测场景的预测GAF矩阵的图像信息。
S103、基于上述目标预测场景的预测GAF矩阵的图像信息通过目标卷积神经网络模型确定上述目标预测场景的目标运行场景信息,其中,运行场景信息包括运行风险场景和运行正常场景,上述运行风险场景包括系统负荷削减风险场景和风电消纳风险场景,上述目标卷积神经网络模型是基于预设历史总场景中各场景的历史运行场景信息和历史GAF矩阵的图像信息确定的。
示例性的,上述预设历史总场景可以为过去的任意一段时间,例如:一个月、一年或几年,可以理解的是,上述预设历史总场景的时间长短会影响最终的模型精度,预设历史总场景的时间越长,模型的精度越高。上述系统负荷削减风险场景为极端天气下电力系统风电、光伏极端小发且负荷激增而导致的大量切负荷的场景,上述风电消纳风险场景为极端天气下电力系统风电、光伏高出力而出现的大量弃电的场景。
在上述方案中,基于海量历史数据,对系统电力电量平衡状态进行评估以确定各场景所对应的运行场景信息,通过GAF矩阵对气象及负荷时序数据进行可视化重构,最后构建目标卷积神经网络模型,以寻求海量天气、负荷信息与基于时序运行优化所判别的运行场景之间的复杂非线性映射关系,实现通过天气及负荷预报信息对未来风险场景进行智能化的超前感知和快速判定。
在一种实施例中,上述方法还包括:
获取上述预设历史总场景的态势察觉信息,其中,上述预设历史总场景为映射电力系统运行优化的场景,上述态势察觉信息包括电力系统的电源结构、电力系统的技术经济参数、系统负荷时序曲线、天气时序信息、系统风电时序出力曲线;
基于上述态势察觉信息构建时序运行优化模型。
示例性的,本发明实施例对预设历史总场景中影响电力系统运行优化的重要元素和信息进行态势察觉以获取态势察觉信息。
进一步的,基于上述态势察觉信息,采用时序运行优化方法对包含态势察觉信息的场景进行态势理解,以单日为运行调度周期,构建以系统整体运行成本最低为目标的时序运行优化模型,基于上述时序运行优化模型可以对场景的运行态势进行理解和评估。
在一种实施例中,上述基于上述态势察觉信息构建时序运行优化模型包括:
基于上述电力系统的电源结构和上述电力系统的技术经济参数构建时序运行优化模型中的目标函数;
基于上述电力系统的电源结构、上述电力系统的技术经济参数、上述系统负荷时序曲线和上述系统风电时序出力曲线确定上述时序运行优化模型的约束条件,
其中,上述约束条件包括系统功率平衡约束、机组发电出力约束、机组最小开停机时间约束和机组爬坡速率约束。
示例性的,基于上述电力系统的电源结构和上述电力系统的技术经济参数构建时序运行优化模型中的目标函数的步骤包括:
上式中,电力系统的电源结构和技术经济参数包括有:F为系统整体运行成本;为发电煤耗成本;/>为起停成本;/>分别为系统切负荷、弃风成本;T为调度周期总时段数,T取24;N为火电机组总台数,a i 、b i 、c i 分别为机组i的燃料成本系数;P i,t 为机组i在t时段的发电出力;u i,t 为机组i在t时段的开停机状态,1表示开机状态,0表示停机状态;/>为机组i的起停成本;c curL为系统单位切负荷惩罚系数;/>为系统在t时段的切负荷量;c curW系统弃风惩罚系数;/>为系统在t时段的弃风电量。
示例性的,基于上述电力系统的电源结构、上述电力系统的技术经济参数、上述系统负荷时序曲线和上述系统风电时序出力曲线确定上述时序运行优化模型的约束条件的步骤,包括:
1)确定系统功率平衡约束
式中为t时段风电出力和负荷功率。
2)确定机组发电出力约束
式中为机组i的最小、最大技术出力。
3)确定机组最小开停机时间约束
式中、/>分别为机组i的最小开机、停机时间。
4)确定机组爬坡速率约束
式中、/>分别为机组i的单位时段最大上、下爬坡速率。
在一种实施例中,上述方法还包括:
基于上述时序运行优化模型确定预设历史总场景的各场景下的运行优化结果;
基于风险场景判定指标和上述各场景下的运行优化结果确定上述各场景的历史运行场景信息,
其中,上述风险场景判定指标包括负荷供应保障率、负荷供应保障时长和风电消纳率。
示例性的,在确定上述时序运行优化模型的目标函数和约束条件后,可以基于CPLEX求解器对时序运行优化模型进行求解以确定预设历史总场景的各场景下的运行优化结果。
示例性的,上述风险场景判定指标具体包括有:
1)负荷供应保障率(RLSG)
2)负荷供应保障时长(DLSG)
3)风电消纳率(RWPC)
上式中,在或/>的情况下,判断该场景为系统负荷削减风险场景;在/>的情况下,判断该场景为风电消纳风险场景;在RWPC≥/>且RLSG≥且DLSG≥/>的情况下,判断该场景为运行正常场景。可以理解的是,/>、/>、/>的取值可根据电力系统调度人员根据实际运行情况进行抉择。
在该技术方案中,本发明实施例基于系统各时序场景下的运行优化结果构建风险场景判定指标,以判断运行场景信息。通过构建负荷供应保障率及负荷供应保障时长作为定量指标评判是否存在运行风险场景。
在一种实施例中,上述方法还包括:
对基础数值信息进行归一化处理以获取归一化基础数值信息,
其中,上述基础数值信息包括各场景二十四小时的天气时序信息和系统负荷时序曲线。
示例性的,本发明实施例选取各场景二十四小时的天气时序信息和系统负荷时序曲线,包括:单日24h温度、湿度、风速和负荷值,作为预测模型输入信息,对各类输入信息分别进行归一化处理,将数据区间缩放至[-1,1]。
将归一化处理后的数值通过反余弦计算变化为角度,对应时间戳变换为半径,实现时序数值从直角坐标系到极坐标系的转换,其数学描述为:
上式中,为时序数值在极坐标下的角度编码,取值范围为/>,/>为时序数值信息在t时刻的归一化值,/>为数值在极坐标系下的半径编码。
在一种实施例中,上述方法还包括:
对上述归一化基础数值信息进行极坐标形式变换以获取极坐标基础数值信息;
基于上述极坐标基础数值信息确定历史GAF矩阵。
示例性的,本发明实施例在获得数值信息的极坐标形式后,利用各极坐标点之间的角度和的余弦运算生成GAF矩阵,计算方法为:
上式中,G为数值信息对应的GAF矩阵即上述历史GAF矩阵。
基于上述方案,基于GAF(Gramian angular field,格拉姆角和场)对气象、负荷时序数据进行可视化重构。可以将提取数值信息在时域变化的相关性特征,可提升下一步卷积神经网络模型学习的训练能力。
在一种实施例中,上述方法还包括:
构建初始卷积神经网络模型,其中,上述初始卷积神经网络模型包括卷积层、池化层、扁平层、全连接层和输出层;
基于上述各场景的历史运行场景信息和上述历史GAF矩阵的图像信息训练上述初始卷积神经网络模型以获取目标卷积神经网络模型。
示例性的,本发明实施例构建卷积神经网络进行模型的训练和求解。卷积神经网络的基本框架包括卷积层、池化层、扁平层、全连接层和输出层,其中卷积层为卷积神经网络的关键层级。卷积层通过卷积核滑动遍历输入历史GAF矩阵的图像信息,对历史GAF矩阵的图像的各局部像素信息进行点乘内积计算,对特征信息进行了强化和筛选。卷积计算过程为:
上式中,分别为矩阵x,w,y中的元素,x为卷积计算输入矩阵即上述历史GAF矩阵,w为大小为U×V的卷积核,y为卷积计算输出矩阵即对应上述运行场景信息。
基于上述方案,本发明实施例构建目标卷积神经网络模型以求解海量气象及负荷数值信息与基于态势理解技术所判别的风险场景之间的复杂非线性映射关系。可以实现通过气象、负荷预报信息对未来风险场景进行智能化的超前感知和快速判定。
进一步的,以下示出了本发明实施例实现的另一种方式:
1、获取预设历史总场景的态势察觉信息,其中,上述预设历史总场景为映射电力系统运行优化的场景,上述态势察觉信息包括电力系统的电源结构、电力系统的技术经济参数、系统负荷时序曲线、天气时序信息、系统风电时序出力曲线;
2、基于上述电力系统的电源结构、上述电力系统的技术经济参数构建时序运行优化模型中的目标函数;
3、基于上述电力系统的电源结构、上述电力系统的技术经济参数、上述系统负荷时序曲线、上述系统风电时序出力曲线确定上述时序运行优化模型的约束条件,其中,上述约束条件包括系统功率平衡约束、机组发电出力约束、机组最小开停机时间约束和机组爬坡速率约束;
4、基于上述目标函数和约束条件对上述时序运行优化模型进行求解以获取预设历史总场景的各场景下的运行优化结果;
5、基于风险场景判定指标和上述各场景运行优化结果确定各场景的历史运行场景信息,其中,上述风险场景判定指标包括负荷供应保障率、负荷供应保障时长和风电消纳率,运行场景信息包括运行风险场景和运行正常场景,上述运行风险场景包括系统负荷削减风险场景和风电消纳风险场景;
6、对基础数值信息进行归一化处理以获取归一化基础数值信息,其中,上述基础数值信息包括各场景二十四小时的天气时序信息和系统负荷时序曲线;
7、对上述归一化基础数值信息进行极坐标形式变换以获取极坐标形式的基础数值信息;
8、基于上述极坐标形式的基础数值信息确定历史GAF矩阵;
9、基于上述各场景的历史运行场景信息和历史GAF矩阵的图像信息训练卷积神经网络模型以获取目标卷积神经网络模型;
10、基于目标预测场景的系统负荷时序曲线和天气时序信息确定预测GAF矩阵的图像信息;
11、基于上述预测GAF矩阵的图像信息通过目标卷积神经网络模型确定上述目标预测场景的目标运行场景信息。
更进一步的,作为对上述图1所示方法的实现,本发明实施例还提供了一种电力系统极端运行风险场景的态势感知装置,用于对上述图1所示的方法进行实现。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图2所示,该装置包括:获取单元21、第一确定单元22及第二确定单元23,其中
获取单元21,用于获取目标预测场景的系统负荷时序曲线和天气时序信息;
第一确定单元22,用于基于上述系统负荷时序曲线和上述天气时序信息确定上述目标预测场景的预测GAF矩阵的图像信息;
第二确定单元23,用于基于上述目标预测场景的预测GAF矩阵的图像信息通过目标卷积神经网络模型确定上述目标预测场景的目标运行场景信息,其中,运行场景信息包括运行风险场景和运行正常场景,上述运行风险场景包括系统负荷削减风险场景和风电消纳风险场景,其中,上述目标卷积神经网络模型是基于预设历史总场景中各场景的历史运行场景信息和历史GAF矩阵的图像信息确定的。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现一种电力系统极端运行风险场景的态势感知方法,能够解决针对电力系统的极端运行场景缺少一种提前感知的方法的问题。
本发明实施例提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,该程序被处理器执行时实现上述电力系统极端运行风险场景的态势感知方法。
本发明实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述电力系统极端运行风险场景的态势感知方法。
本发明实施例提供了一种电子设备,上述电子设备包括至少一个处理器、以及与上述处理器连接的至少一个存储器;其中,上述处理器用于调用上述存储器中的程序指令,执行如上述的电力系统极端运行风险场景的态势感知方法
本发明实施例提供了一种电子设备30,如图3所示,电子设备包括至少一个处理器301、以及与处理器连接的至少一个存储器302、总线303;其中,处理器301、存储器302通过总线303完成相互间的通信;处理器301用于调用存储器中的程序指令,以执行上述的电力系统极端运行风险场景的态势感知方法。
本文中的智能电子设备可以是PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在流程管理电子设备上执行时,适于执行初始化有上述电力系统极端运行风险场景的态势感知方法步骤的程序。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
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。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、嵌入式计算机或者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。
本申请实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机软件指令,当计算机软件指令在处理设备上运行时,使得处理设备执行如图1对应实施例中的存储器的控制的流程。
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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,可以通过其它的方式实现。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,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请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全部或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)执行本申请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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种电力系统极端运行风险场景的态势感知方法,其特征在于,包括:
获取目标预测场景的系统负荷时序曲线和天气时序信息;
基于所述系统负荷时序曲线和所述天气时序信息确定所述目标预测场景的预测GAF矩阵的图像信息;
基于所述目标预测场景的预测GAF矩阵的图像信息通过目标卷积神经网络模型确定所述目标预测场景的目标运行场景信息,其中,运行场景信息包括运行风险场景和运行正常场景,所述运行风险场景包括系统负荷削减风险场景和风电消纳风险场景,所述目标卷积神经网络模型是基于预设历史总场景中各场景的历史运行场景信息和历史GAF矩阵的图像信息确定的,所述历史运行场景信息包括系统负荷削减风险场景、风电消纳风险场景和运行正常场景,所述预设历史总场景为映射电力系统运行优化的场景,为过去的任意一段时间;
构建卷积神经网络进行模型的训练和求解,卷积神经网络的基本框架包括卷积层、池化层、扁平层、全连接层和输出层,其中卷积层为卷积神经网络的关键层级,卷积层通过卷积核滑动遍历输入历史GAF矩阵的图像信息,对历史GAF矩阵的图像的各局部像素信息进行点乘内积计算,对特征信息进行了强化和筛选,卷积计算过程为:
上式中,分别为矩阵x,w,y中的元素,x为卷积计算输入矩阵即所述历史GAF矩阵,w为大小为U×V的卷积核,y为卷积计算输出矩阵即对应所述运行场景信息。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取所述预设历史总场景的态势察觉信息,其中,所述态势察觉信息包括电力系统的电源结构、电力系统的技术经济参数、系统负荷时序曲线、天气时序信息、系统风电时序出力曲线;
基于所述态势察觉信息构建时序运行优化模型;
所述基于所述态势察觉信息构建时序运行优化模型包括:
基于所述电力系统的电源结构和所述电力系统的技术经济参数构建时序运行优化模型中的目标函数;
基于所述电力系统的电源结构和所述电力系统的技术经济参数构建时序运行优化模型中的目标函数的步骤包括:
上式中,电力系统的电源结构和技术经济参数包括有:F为系统整体运行成本;为发电煤耗成本;/>为起停成本;/>分别为系统切负荷、弃风成本;T为调度周期总时段数,T取24;N为火电机组总台数,ai、bi、ci分别为机组i的燃料成本系数;Pi,t为机组i在t时段的发电出力;ui,t为机组i在t时段的开停机状态,1表示开机状态,0表示停机状态;/>为机组i的起停成本;ccurL为系统单位切负荷惩罚系数;/>为系统在t时段的切负荷量;ccurW系统弃风惩罚系数;/>为系统在t时段的弃风电量;
基于所述电力系统的电源结构、所述电力系统的技术经济参数、所述系统负荷时序曲线和所述系统风电时序出力曲线确定所述时序运行优化模型的约束条件,
其中,所述约束条件包括系统功率平衡约束、机组发电出力约束、机组最小开停机时间约束和机组爬坡速率约束;
基于所述电力系统的电源结构、所述电力系统的技术经济参数、所述系统负荷时序曲线和所述系统风电时序出力曲线确定所述时序运行优化模型的约束条件的步骤,包括:
1)确定系统功率平衡约束
式中为t时段风电出力和负荷功率;
2)确定机组发电出力约束
式中为机组i的最小、最大技术出力;
3)确定机组最小开停机时间约束
式中、/>分别为机组i的最小开机、停机时间;
4)确定机组爬坡速率约束
式中、/>分别为机组i的单位时段最大上、下爬坡速率。
3.根据权利要求2所述的方法,其特征在于,还包括:
基于所述时序运行优化模型确定预设历史总场景的各场景下的运行优化结果;
基于风险场景判定指标和所述各场景下的运行优化结果确定所述各场景的历史运行场景信息,
其中,所述风险场景判定指标包括负荷供应保障率、负荷供应保障时长和风电消纳率;
在确定所述时序运行优化模型的目标函数和约束条件后,可以基于CPLEX求解器对时序运行优化模型进行求解以确定预设历史总场景的各场景下的运行优化结果;
所述风险场景判定指标具体包括有:
负荷供应保障率RLSG:
负荷供应保障时长DLSG:
风电消纳率RWPC:
上式中,在RLSG<或DLSG</>的情况下,判断该场景为系统负荷削减风险场景;在RWPC<的情况下,判断该场景为风电消纳风险场景;在RWPC≥/>且RLSG≥/>且DLSG≥/>的情况下,判断该场景为运行正常场景,/>、/>、/>的取值根据电力系统调度人员根据实际运行情况进行抉择。
4.根据权利要求1所述的方法,其特征在于,还包括:
对基础数值信息进行归一化处理以获取归一化基础数值信息,
其中,所述基础数值信息包括各场景二十四小时的天气时序信息和系统负荷时序曲线。
5.根据权利要求4所述的方法,其特征在于,还包括:
对所述归一化基础数值信息进行极坐标形式变换以获取极坐标基础数值信息;
基于所述极坐标基础数值信息确定历史GAF矩阵。
6.一种电力系统极端运行风险场景的态势感知装置,其特征在于,包括:
获取单元,用于获取目标预测场景的系统负荷时序曲线和天气时序信息;
第一确定单元,用于基于所述系统负荷时序曲线和所述天气时序信息确定所述目标预测场景的预测GAF矩阵的图像信息;
第二确定单元,用于基于所述目标预测场景的预测GAF矩阵的图像信息通过目标卷积神经网络模型确定所述目标预测场景的目标运行场景信息,其中,运行场景信息包括运行风险场景和运行正常场景,所述运行风险场景包括系统负荷削减风险场景和风电消纳风险场景,
其中,所述目标卷积神经网络模型是基于预设历史总场景中各场景的历史运行场景信息和历史GAF矩阵的图像信息确定的,所述历史运行场景信息包括系统负荷削减风险场景、风电消纳风险场景和运行正常场景,所述预设历史总场景为映射电力系统运行优化的场景,为过去的任意一段时间;
构建卷积神经网络进行模型的训练和求解,卷积神经网络的基本框架包括卷积层、池化层、扁平层、全连接层和输出层,其中卷积层为卷积神经网络的关键层级,卷积层通过卷积核滑动遍历输入历史GAF矩阵的图像信息,对历史GAF矩阵的图像的各局部像素信息进行点乘内积计算,对特征信息进行了强化和筛选,卷积计算过程为:
上式中,分别为矩阵x,w,y中的元素,x为卷积计算输入矩阵即所述历史GAF矩阵,w为大小为U×V的卷积核,y为卷积计算输出矩阵即对应所述运行场景信息。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序被处理器执行时实现如权利要求1至权利要求5中任一项所述的电力系统极端运行风险场景的态势感知方法。
8.一种电子设备,其特征在于,所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器;其中,所述处理器用于调用所述存储器中的程序指令,执行如权利要求1至权利要求5中任一项所述的电力系统极端运行风险场景的态势感知方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333701.2A CN117077986B (zh) | 2023-10-16 | 2023-10-16 | 电力系统极端运行风险场景的态势感知方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311333701.2A CN117077986B (zh) | 2023-10-16 | 2023-10-16 | 电力系统极端运行风险场景的态势感知方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077986A CN117077986A (zh) | 2023-11-17 |
CN117077986B true CN117077986B (zh) | 2024-01-30 |
Family
ID=88706418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311333701.2A Active CN117077986B (zh) | 2023-10-16 | 2023-10-16 | 电力系统极端运行风险场景的态势感知方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077986B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003304642A (ja) * | 2002-04-09 | 2003-10-24 | Hitachi Ltd | 電力託送管理方法及び管理システム |
JP2013005465A (ja) * | 2011-06-10 | 2013-01-07 | Azbil Corp | 負荷量予測装置、負荷量予測方法および負荷量予測プログラム |
CN104600747A (zh) * | 2015-01-21 | 2015-05-06 | 西安交通大学 | 协调运行风险与风能消纳的电力系统运行优化方法 |
CN112633316A (zh) * | 2020-10-22 | 2021-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
CN113452018A (zh) * | 2021-06-29 | 2021-09-28 | 湖南大学 | 一种电力系统备用不足风险场景辨识方法 |
WO2022160705A1 (zh) * | 2021-01-26 | 2022-08-04 | 中国电力科学研究院有限公司 | 综合能源系统调度模型构建方法、装置、介质及电子设备 |
CN115422844A (zh) * | 2022-09-22 | 2022-12-02 | 中国电力科学研究院有限公司 | 基于人工智能辨识的电力系统运行场景辨识方法及系统 |
CN115986728A (zh) * | 2022-12-09 | 2023-04-18 | 国网福建省电力有限公司经济技术研究院 | 一种计及不确定性因素的电网态势预测方法与终端 |
-
2023
- 2023-10-16 CN CN202311333701.2A patent/CN117077986B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003304642A (ja) * | 2002-04-09 | 2003-10-24 | Hitachi Ltd | 電力託送管理方法及び管理システム |
JP2013005465A (ja) * | 2011-06-10 | 2013-01-07 | Azbil Corp | 負荷量予測装置、負荷量予測方法および負荷量予測プログラム |
CN104600747A (zh) * | 2015-01-21 | 2015-05-06 | 西安交通大学 | 协调运行风险与风能消纳的电力系统运行优化方法 |
CN112633316A (zh) * | 2020-10-22 | 2021-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于边界估值理论的负荷预测方法和装置 |
WO2022160705A1 (zh) * | 2021-01-26 | 2022-08-04 | 中国电力科学研究院有限公司 | 综合能源系统调度模型构建方法、装置、介质及电子设备 |
CN113452018A (zh) * | 2021-06-29 | 2021-09-28 | 湖南大学 | 一种电力系统备用不足风险场景辨识方法 |
CN115422844A (zh) * | 2022-09-22 | 2022-12-02 | 中国电力科学研究院有限公司 | 基于人工智能辨识的电力系统运行场景辨识方法及系统 |
CN115986728A (zh) * | 2022-12-09 | 2023-04-18 | 国网福建省电力有限公司经济技术研究院 | 一种计及不确定性因素的电网态势预测方法与终端 |
Non-Patent Citations (7)
Title |
---|
Toward the Prediction Level of Situation Awareness for Electric Power Systems Using CNN-LSTM Network;Qi Wang;IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS;第VOL.17卷(第NO.10期);6951-6961 * |
基于在线数据挖掘的交直流混联电网态势感知方法;薛盖超;王丹;镐俊杰;畅广辉;郭少青;;电气应用(11);全文 * |
基于多场景风险分析的含风电互联电网机组组合策略研究;张琪;贾燕冰;宋天昊;张佰富;郑惠萍;毛思杰;;电力建设(05);全文 * |
基于大数据技术的智能电网态势感知分析;周凯;马智远;许中;;电器与能效管理技术(21);全文 * |
计及源-荷不确定性的高比例可再生能源系统协同优化运行;刘梦依;邱晓燕;张楷;张浩禹;李凌昊;;电力建设(12);全文 * |
计及离散控制偏差的典型温控负荷态势感知及调控策略;许鹏;孙毅;杨万清;李彬;祁兵;;中国电机工程学报(21);全文 * |
高比例可再生能源电力系统的协同优化运行技术展望;姚良忠;朱凌志;周明;林振智;罗凤章;赵大伟;;电力系统自动化(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117077986A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4245583B2 (ja) | 分散型エネルギーシステムの制御装置、制御方法、プログラム、および記録媒体 | |
CN112215442B (zh) | 电力系统短期负荷预测方法、系统、设备及介质 | |
CN108429256B (zh) | 电力系统运行优化方法及终端设备 | |
CN112950098B (zh) | 基于综合能源系统的能源规划方法、装置及终端设备 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN117096504B (zh) | 温度控制方法及装置、设备、存储介质 | |
CN115333100B (zh) | 屋顶光伏发电功率协同控制方法及系统 | |
CN105140967B (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN117595332B (zh) | 一种基于储能系统的配电网均衡供电方法 | |
CN113947007A (zh) | 能源的负荷预测方法、装置及设备 | |
CN108846505B (zh) | 可再生能源并网消纳信息多维度校核方法及设备 | |
CN117077986B (zh) | 电力系统极端运行风险场景的态势感知方法及相关设备 | |
CN116523148B (zh) | 一种配电网配变重过载预警方法、装置和设备 | |
CN117875638A (zh) | 一种基于大数据的供电需求分配方法及系统 | |
CN116862172A (zh) | 一种全周期变时段有序用电调度方法及存储介质 | |
Dechgummarn et al. | Predictive reliability analysis of power distribution systems considering the effects of seasonal factors on outage data using Weibull analysis combined with polynomial regression | |
CN115130842A (zh) | 风光火一体化基地配置方法及装置 | |
CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
CN117691583B (zh) | 一种用于虚拟电厂的电力调度系统及方法 | |
CN117555284B (zh) | 一种基于plc的动力优化方法、系统、装置和介质 | |
CN114298444B (zh) | 一种风速概率预测方法、装置、设备及存储介质 | |
CN117477581B (zh) | 一种电力系统负荷均衡控制方法及电力系统 | |
CN117293916B (zh) | 一种面向用户的电网调度方法及装置、计算设备 | |
CN117646935A (zh) | 一种多功能型空气源热泵控制方法及系统 |
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 |