CN117394308A - 一种多时间尺度风力发电功率预测方法、系统及电子设备 - Google Patents
一种多时间尺度风力发电功率预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117394308A CN117394308A CN202311234381.5A CN202311234381A CN117394308A CN 117394308 A CN117394308 A CN 117394308A CN 202311234381 A CN202311234381 A CN 202311234381A CN 117394308 A CN117394308 A CN 117394308A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- time
- wind power
- generation 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.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000002354 daily effect Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000668842 Lepidosaphes gloverii Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
-
- 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
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种多时间尺度风力发电功率预测方法、系统及电子设备,本申请旨在结合多时间尺度和智能AI技术,提供一种高精度的风力发电功率预测方法,结合多时间尺度(从分钟级到小时级等)的数据和人工智能技术,以支持电力系统的稳定运行和可再生能源的最大化利用。利用不同时间尺度的数据集进行模型训练,得到不同时间尺度的功率预测模型,并进一步灵活运用不同时间尺度的预测模型进行功率值预测,可以实现短期调度和长期规划预测,基于多时间尺度进行不同尺度下的风力发电功率预测方法,提高预测效率和适用范围,系统使用灵活,有助于推广使用。
Description
技术领域
本申请涉及风力发电技术领域,尤其涉及一种多时间尺度风力发电功率预测方法、系统和电子设备。
背景技术
发电功率预测方法,可根据预测物理量、数学模型、数据源和时间尺度等分类。其中,基于时间尺度的风力发电功率预测,可以根据预测的时间尺度分类,将发电功率预测可分为超短期(日内)预测、短期(日前)预测和中长期预测。
而不同时间尺度是有本质区别的,对于日内预测,因其变化主要由大气条件的持续性决定。因为天气变化具备一定的不确定性原因,则需使用数值天气预报方法才能满足预测需求,单纯依赖时间序列外推,不能保证预测精度。
因此,从实际的天气预报来看,发电功率的预测,一般是采用超短期(日内)预测和短期(日前)预测的,因为其更加贴合实际生产和工作需要,其对电力生产运行指导意义也最大。比如发明专利CN102562469A公开了一种基于校正算法的短期风力发电机输出功率预测方法,发明专利CN116565850A公开了一种基于QR-BLSTM的风电功率超短期预测方法,等等。
但是在短期风电功率预测中,实测数据和数值天气预报(Numerical WeatherPrediction,NWP)是最重要的输入参数之一,也是最主要的误差源之一。因此短期风电功率预测因为其数据的局限性,也导致其短期风力发电机输出功率预测模型,也只能以短期的一定预测为用户提供有限的功率预测,具有应用上的局限性。
除此之外,其短期的风电功率预测,预测类型比较单一,无法结合多时间尺度而进行灵活的预测选择,方案应用灵活性不高,应用范围比较小且单一,为推广带来难度。若是更改预测模式,后期又会增加更大的硬软件成本。
发明内容
为了解决上述问题,本申请提出一种多时间尺度风力发电功率预测方法、系统和电子设备。
本申请一方面,提出一种多时间尺度风力发电功率预测方法,包括如下步骤:
收集风力发电功率训练数据M:
M={气象数据S,
时间戳数据T,
历史功率数据P};
提取所述风力发电功率训练数据M中的时间戳数据T的时间戳特征,并分类得到不同时间尺度的时间戳特征数据集Tp;
重组训练数据集Mp:
Mp={气象数据S,
时间戳特征数据集Tp,
历史功率数据P};
以所述训练数据集Mp为输入,基于深度学习技术进行模型训练,生成风力发电功率预测模型P;
将所述风力发电功率预测模型P,部署于后台服务器上,用于风力发电功率预测。
作为本申请的一可选实施方案,可选地,提取所述风力发电功率训练数据M中的时间戳数据T的时间戳特征,并分类得到不同时间尺度的时间戳特征数据集Tp,包括:
将所述风力发电功率训练数据M中的时间戳数据T,导入预设的时间序列预测模型,进行时间序列处理;
将时间序列处理结果,按照时间尺度进行分类,划分为不同时间尺度的时间戳数据:
分钟级时间戳数据,
小时级时间戳数据,
日级时间戳数据,
月级时间戳数据
......;
将获取的不同时间尺度的时间戳数据,通过长短时记忆网络-LSTM,依次进行时间戳特征提取,得到由不同时间尺度的时间戳特征构成的数据集Tp:
Tp={分钟级时间戳特征Tp1,
小时级时间戳特征Tp2,
日级时间戳特征Tp3,
月级时间戳特征Tp4
......}。
作为本申请的一可选实施方案,可选地,重组训练数据集Mp:
Mp={气象数据S,
时间戳特征数据集Tp,
历史功率数据P},
包括:
根据不同时间尺度的时间戳特征,匹配找到对应所述时间戳特征的气象数据S和历史功率数据P:
Mp1={气象数据S1,分钟级时间戳特征Tp1,历史功率数据P1},
Mp2={气象数据S2,小时级时间戳特征Tp2,历史功率数据P2},
Mp3={气象数据S3,日级时间戳特征Tp3,历史功率数据P3},
Mp4={气象数据S4,月级时间戳特征Tp4,历史功率数据P4},
......;
构建由不同时间尺度的时间戳特征组成的训练数据集Mp:
Mp={Mp1,Mp2,Mp3,Mp4......}。
作为本申请的一可选实施方案,可选地,以所述训练数据集Mp为输入,基于深度学习技术进行模型训练,生成风力发电功率预测模型P,包括:
预设模型优化迭代停止条件;
依次提取所述训练数据集Mp中的子集:Mp1,Mp2,Mp3,Mp4......,并将所述子集作为训练集输入至预设的深度学习模型,进行模型优化迭代训练;
当达到所述模型优化迭代停止条件之时,停止训练,依次生成对应的所述风力发电功率预测模型P:
P={PTp1,PTp2,PTp3,PTp4......},
其中,
PTp1,为分钟级尺度风力发电功率预测模型,
PTp2,为小时级尺度风力发电功率预测模型,
PTp3,为日级尺度风力发电功率预测模型,
PTp4,为月级尺度风力发电功率预测模型,
......。
作为本申请的一可选实施方案,可选地,在生成风力发电功率预测模型P之后,还包括:
构建对应不同时间尺度的验证数据集;
利用所述验证数据集,对相应的所述风力发电功率预测模型P进行验证,包括:独立验证和交叉验证;
验证通过之后,通知后台管理员部署所述风力发电功率预测模型P。
作为本申请的一可选实施方案,可选地,将所述风力发电功率预测模型P,部署于后台服务器上,用于风力发电功率预测,包括:
收集风力发电实时数据Ms并上传至后台服务器;
所述后台服务器浏览所述风力发电实时数据Ms,并识别出其中的时间戳实时数据Ts;
根据所述时间戳实时数据Ts,判断出所述时间戳实时数据Ts的时间尺度,并根据所述时间尺度,从所述风力发电功率预测模型P:P={PTp1,PTp2,PTp3,PTp4......}中,匹配找到对应时间尺度的预测模型Ps;
将所述风力发电实时数据Ms导入所述预测模型Ps,利用所述预测模型Ps进行风力发电功率预测,并输出对应的风力发电功率预测值p;
所述后台服务器将所述风力发电功率预测值p发送并展示在前端页面上。
作为本申请的一可选实施方案,可选地,将所述风力发电功率预测模型P,部署于后台服务器上,用于风力发电功率预测,包括:
收集风力发电实时数据Ms并上传至后台服务器;
所述后台服务器将所述风力发电实时数据Ms,分别导入所述风力发电功率预测模型P:P={PTp1,PTp2,PTp3,PTp4......}中的各个预测模型;
各个预测模型分别对所述风力发电实时数据Ms进行风力发电功率预测,并输出对应的风力发电功率预测值:p1,p2,p3,p4......;
计算风力发电功率预测值p:
所述后台服务器浏览所述风力发电实时数据Ms,并识别出其中的时间戳实时数据Ts;
根据所述时间戳实时数据Ts,判断出所述时间戳实时数据Ts的时间尺度,并根据所述时间尺度,计算:
p=(α×pa+β×pb)/n,其中,
α+β=1,且α>β>0;
n为模型数量;
pa为对应所述时间尺度的风力发电功率预测值,α为其系数;
pb为对应所述时间尺度之外的其他风力发电功率预测值之和,β为其系数;
所述后台服务器将所述风力发电功率预测值p发送并展示在前端页面上。
本申请另一方面,提出一种多时间尺度风力发电功率预测系统,包括:
数据采集模块,用于收集风力发电实时数据Ms并上传至后台服务器;
后台服务器,用于通过部署的风力发电功率预测模型P,对所述风力发电实时数据Ms进行风力发电功率预测,并输出对应的风力发电功率预测值p;
前端页面,用于展示所述风力发电功率预测值p。
本申请另一方面,还提出一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现所述的一种多时间尺度风力发电功率预测方法。
本发明的技术效果:
本申请通过结合多时间尺度和智能AI技术,提供一种高精度的风力发电功率预测方法,结合多时间尺度(从分钟级到小时级等)的数据和人工智能技术,以支持电力系统的稳定运行和可再生能源的最大化利用。利用不同时间尺度的数据集进行模型训练,得到不同时间尺度的功率预测模型,并进一步灵活运用不同时间尺度的预测模型进行功率值预测,可以实现短期调度和长期规划预测,基于多时间尺度进行不同尺度下的风力发电功率预测方法,提高预测效率和适用范围,系统使用灵活,有助于推广使用。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出为本发明的实施流程示意图;
图2示出为本发明时间戳特征的提取示意图;
图3示出为本发明预测模型独立训练的示意图;
图4示出为本发明按照时间尺度进行模型调取应用的示意图;
图5示出为本发明电子设备的应用示意图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
实施例1
如图1所示,本申请提出一种多时间尺度风力发电功率预测方法,包括如下步骤:
S1、收集风力发电功率训练数据M:
M={气象数据S,
时间戳数据T,
历史功率数据P};
S2、提取所述风力发电功率训练数据M中的时间戳数据T的时间戳特征,并分类得到不同时间尺度的时间戳特征数据集Tp;
S3、重组训练数据集Mp:
Mp={气象数据S,
时间戳特征数据集Tp,
历史功率数据P};
S4、以所述训练数据集Mp为输入,基于深度学习技术进行模型训练,生成风力发电功率预测模型P;
S5、将所述风力发电功率预测模型P,部署于后台服务器上,用于风力发电功率预测。
下面将具体描述各个步骤的应用方案。
在步骤S1中,风力发电功率预测需要多维度的风力发电功率训练数据M,包括:
气象数据:包括风速、风向、温度、湿度等。这些数据可以从气象站、卫星数据、气象模型等获得。
历史功率数据:过去的发电功率数据,用于训练模型和分析历史趋势。
时间戳数据:时间维度信息,以支持多时间尺度的分析。
从数据库中提取得到上述各项数据之后,对M中的各项子集进行数据检视,判断是否存在数据缺陷并进行数据预处理。
数据预处理,包含:
数据筛选、清洗等等,将异常的数据可以排除;
对数据进行缺失值填充、异常值处理和数据标准化等预处理步骤。
后台可以提前向工作人员发出数据检视通知,让后台工作人员提前对
M={气象数据S,
时间戳数据T,
历史功率数据P}
进行数据检视和预处理,后期收集训练数据集之时,可以直接用于模型训练应用,以便节省时间。
在步骤S2中,本实施例需要构建不同时间尺度的初始训练集。
作为本申请的一可选实施方案,可选地,提取所述风力发电功率训练数据M中的时间戳数据T的时间戳特征,并分类得到不同时间尺度的时间戳特征数据集Tp,包括:
将所述风力发电功率训练数据M中的时间戳数据T,导入预设的时间序列预测模型,进行时间序列处理;
将时间序列处理结果,按照时间尺度进行分类,划分为不同时间尺度的时间戳数据:
分钟级时间戳数据,
小时级时间戳数据,
日级时间戳数据,
月级时间戳数据
......;
将获取的不同时间尺度的时间戳数据,通过长短时记忆网络-LSTM,依次进行时间戳特征提取,得到由不同时间尺度的时间戳特征构成的数据集Tp:
Tp={分钟级时间戳特征Tp1,
小时级时间戳特征Tp2,
日级时间戳特征Tp3,
月级时间戳特征Tp4
......}。
如图2所示。时间序列预测模型,可以使用循环神经网络(RNN)、长短时记忆网络(LSTM)或卷积神经网络(CNN)等,以处理时间序列数据。
本处将对风力发电功率训练数据M进行数据处理,将风力发电功率训练数据M中的时间戳数据T,按照时间尺度进行划分,划分为不同时间尺度的训练数据,便于构建适配不同时间尺度下的功率预测模型。
为了快速进行时间尺度区分,本方案采用了时间序列预测模型(一种可以处理时间序列的模型),将时间戳数据T导入并进行时特征识别和分类,以便于按照时序输出不同时间尺度的时间戳数据,并可以进一步提示对应的时间戳特征。
经过时间尺度分类,划分为不同时间尺度的时间戳数据,可以得到不同时间尺度的时间戳数据:分钟级、小时级、日级,月级等时间戳数据。
比如日级时间戳数据,为每日的时间尺度所所对应的训练数据,按照日级时间戳数据,将原始训练数据集,重新划分为每日的训练数据,即每日的气象数据和历史功率数据。
时间戳数据得到之后,可以采用时间特征提取模型网络,进行时间戳特征提取。
本处,继续沿用时间序列预测模型,尤其采用长短时记忆网络-LSTM,对划分后的不同时间尺度的时间戳数据,通过长短时记忆网络-LSTM,依次进行时间戳特征提取,得到由不同时间尺度的时间戳特征,并集成各个不同时间尺度的时间戳特征,构成时间戳特征数据集Tp:
Tp={分钟级时间戳特征Tp1,
小时级时间戳特征Tp2,
日级时间戳特征Tp3,
月级时间戳特征Tp4
......}。
即,可以得到不同时间尺度的时间戳特征。各个不同时间尺度的时间戳特征所对应的气象数据和历史功率数据,将为每个时间尺度的训练数据,便于构建对应时间尺度的功率预测模型。
比如以小时级时间戳特征Tp2为例,可以小时级时间戳特征Tp2和对应的气象数据S2、历史功率数据P2,构建“小时级尺度风力发电功率预测模型”,用于预测小时级尺度的风力发电功率,或者利用该“小时级尺度风力发电功率预测模型”,对输入的实时数据进行预测并输出一个小时级预测值,后期参与综合加权计算,对每天各个小时的预测数据进行加权求和计算后,得到每日的日级预测值。
以此类推,用户若是不想通过对应级别的风力发电功率预测模型进行功率预测,则可以利用下一级的模型预测值进行加权求和,以此来精确计算上一级功率预测值:可以对下一级的各个预测值进行加权求和计算,得到上一级的功率预测值。
用于可以在后台服务器上设定并选择待使用的模型,比如想要预测月级时间(每月)的风力发电功率,可以在后台上调用“PTp4-月级尺度风力发电功率预测模型”,对输入的数据进行特征识别和预测。
也可以采用融合模型(下述第二种方式),进行模型集成预测。
具体选择时,短时尺度预测:使用分钟级数据进行短时尺度功率预测,以支持电网的短期调度。长时尺度预测:使用小时级或更长时间跨度的数据进行长时尺度功率预测,用于规划和长期调度。由用户根据规划进行选择即可。
每次预测之时,也可以直接根据待需要预测的时间尺度,直接向后台服务器输入对应的时间尺度,由后台服务器根据所输入的时间尺度,调取对应时间尺度的上中下级模型,用于本次的预测,可以将本次想要预测的时间尺度和上下级时间尺度的模型进行调取使用。
比如需要预测每个月的发电功率,则调度日级、月级和年级,在预测时,可以直接由后台调度三个模型,分别输出对应时间尺度的功率预测值,便于用户对本级的月级尺度的功率以及上下级的功率进行参照对比,根据相邻两个级别的功率预测值,交叉判断本月的功率值,便于找到本月功率的变化趋势,优化功率预测模式。采用上中下三级参照对比,便于功率预测的趋势参照,实现多尺度的风力发电功率预测走向判读。
在步骤S3中,需要按照不同时间尺度的特征数据,重组训练数据集。
作为本申请的一可选实施方案,可选地,重组训练数据集Mp:
Mp={气象数据S,
时间戳特征数据集Tp,
历史功率数据P},
包括:
根据不同时间尺度的时间戳特征,匹配找到对应所述时间戳特征的气象数据S和历史功率数据P:
Mp1={气象数据S1,分钟级时间戳特征Tp1,历史功率数据P1},
Mp2={气象数据S2,小时级时间戳特征Tp2,历史功率数据P2},
Mp3={气象数据S3,日级时间戳特征Tp3,历史功率数据P3},
Mp4={气象数据S4,月级时间戳特征Tp4,历史功率数据P4},
......;
构建由不同时间尺度的时间戳特征组成的训练数据集Mp:
Mp={Mp1,Mp2,Mp3,Mp4......}。
上述重组训练数据集的过程,可以结合附图2以及步骤S2的描述进行理解。得到不同时间尺度的时间戳特征之后,结合对应时间尺度的气象数据S和历史功率数据P,重组对应时间尺度的训练数据:Mp1,Mp2,Mp3,Mp4......;集成由不同时间尺度的时间戳特征组成的训练数据集Mp。
在步骤S4中,将利用深度学习技术,对各个数据集进行数据特征识别和学习,构建对应的模型。
作为本申请的一可选实施方案,可选地,以所述训练数据集Mp为输入,基于深度学习技术进行模型训练,生成风力发电功率预测模型P,包括:
预设模型优化迭代停止条件;
依次提取所述训练数据集Mp中的子集:Mp1,Mp2,Mp3,Mp4......,并将所述子集作为训练集输入至预设的深度学习模型,进行模型优化迭代训练;
当达到所述模型优化迭代停止条件之时,停止训练,依次生成对应的所述风力发电功率预测模型P:
P={PTp1,PTp2,PTp3,PTp4......},
其中,
PTp1,为分钟级尺度风力发电功率预测模型,
PTp2,为小时级尺度风力发电功率预测模型,
PTp3,为日级尺度风力发电功率预测模型,
PTp4,为月级尺度风力发电功率预测模型,
......。
本方案可以采用两种模型构建方式。
第一种,单一模型的构建:
如图3所示,本处可以采用CNN卷积神经网络深度学习模型对所输入的训练数据集中的每个子集进行数据特征识别和训练学习,依次构建对应时间尺度的风力发电功率预测模型。在训练之时,可以由后台管理员设定不同时间尺度的模型优化迭代停止条件。当对应时间尺度的预测模型达到所设定的对应迭代停止条件之时,停止训练,得到对应的预测模型P={PTp1,PTp2,PTp3,PTp4......}。
优化迭代停止条件由后台管理员根据不同时间尺度分别为各个时间尺度的训练数据进行设定,并配置在后台服务器上。
在进行模型训练之时,可以依次将各个训练子集输入至CNN卷积神经网络深度学习模型之中,训练生成对应的预测模型,比如将分钟级尺度的训练数据输入CNN进行网络学习,优化迭代停止之后,得到对应的分钟级风力发电功率预测模型。
采用上述方式可以依次对不各个时间尺度的训练数据进行学习训练,生成对应时间尺度的风力发电功率预测模型,具体可以结合卷积神经网络的模型训练过程进行理解,本处不再赘述。
第二种,集成模型的构建:
在本实施例中,还可以采用模型集成的方式,利用CNN卷积神经网络深度学习模型对各个时间尺度的数据进行集成学习和训练,以此识别不同时间尺度的时间戳特征所对应的气象数据特征以及功率特征,可以采用一个模型对不同时间尺度的气象特征以及功率特征进行识别,这样可以生成一个风力发电功率预测模型P,对不同时间尺度的特征进行识别和功率预测输出。
与上述构建不同时间尺度的若干个预测模型相比较,采用一个预测模型进行特征集成和模型融合的方案,可以采用一个模型对所输入训练数据的不同时间尺度所对应的数据特征进行分别识别。这样的话可以不需要根据数据属性调度对应的预测模型,节省软件部署成本。相对于第一种,本方案通过一个模型对不同时间尺度的数据特征进行识别,可以对输入数据进行单一持续的功率预测,只不过模型P的识别能力集成,将各个单一模型能力集成在一个模型上,便于节省硬软件部署成本。
采用单一预测模型的训练以及融合模型的训练将分别采对应下述第一种和第二种两种模型的应用。
作为本申请的一可选实施方案,可选地,在生成风力发电功率预测模型P之后,还包括:
构建对应不同时间尺度的验证数据集;
利用所述验证数据集,对相应的所述风力发电功率预测模型P进行验证,包括:独立验证和交叉验证;
验证通过之后,通知后台管理员部署所述风力发电功率预测模型P。
利用本方案的方式,将风力发电功率预测模型P部署于后台服务器之后,可以对用户收集的实时风力发电数据(实时气象数据、时间序列信息),进行功率预测。
对于不同时间尺度的模型验证,由管理员构建对应的验证数据即可比如验证发现月级功率预测模型的预测精度达标,则验证通过。
本处,可以采用独立验证和交叉验证方式。
独立验证,即上述方式分别构建验证集,对各个模型进行独立验证。
交叉验证,则对于本级的模型,构建本级的上下级验证集进行验证,结合“第二种”的方式,比如对于日级模型,可以构建小时级和月级数据,对日级模型进行交叉验证,通过小时级的验证数据预测和月级预测,来判断日级模型对两种数据的预测趋势,以及判定日级模型输出数据的分布是否一致。
在步骤S5中,利用训练模型进行功率预测。
本方案具有如下两种预测方式:
1、第一种
作为本申请的一可选实施方案,可选地,将所述风力发电功率预测模型P,部署于后台服务器上,用于风力发电功率预测,包括:
收集风力发电实时数据Ms并上传至后台服务器;
所述后台服务器浏览所述风力发电实时数据Ms,并识别出其中的时间戳实时数据Ts;
根据所述时间戳实时数据Ts,判断出所述时间戳实时数据Ts的时间尺度,并根据所述时间尺度,从所述风力发电功率预测模型P:P={PTp1,PTp2,PTp3,PTp4......}中,匹配找到对应时间尺度的预测模型Ps;
将所述风力发电实时数据Ms导入所述预测模型Ps,利用所述预测模型Ps进行风力发电功率预测,并输出对应的风力发电功率预测值p;
所述后台服务器将所述风力发电功率预测值p发送并展示在前端页面上。
如附图4所示,采集风力发电实时数据Ms之后,通过后台服务器对风力发电实时数据Ms进行时间尺度识别,识别风力发电实时数据Ms的时间尺度。具体根据风力发电实时数据Ms中的时间戳实时数据Ts,进行时间尺度识别,可以参考上述时间序列预测模型的时序处理和特征识别方案。
找到时间尺度之后,可以根据时间尺度,从后台部署的各个风力发电功率预测模型P中,调取与当前时间尺度相匹配的预测模型Ps,用于预测当前时间尺度的风力发电实时数据Ms。
将风力发电实时数据Ms导入该调取的预测模型Ps,进行功率预测,并输出对应的风力发电功率预测值p。后台将模型输出的风力发电功率预测值p发送并展示在前端页面上。
上述方案采用时间尺度识别和对应预测模型的匹配调取,采用单一预测模型的方式进行功率预测,可以分别对应不同时间尺度的功率预测,因此选择性比较灵活,适用范围广。
2、第二种
结合上述模型集成的方式,本方案适用于风力发电长时间的规划中,适用于中长期的预测,利用了模型集成预测的功能,结合时间尺度的偏差(α),进行功率综合预测。
在功率预测之时,会根据风力发电功率的规划尺度,将对应尺度的预测值进行偏向加权计算,以此计算得到当前规划期的功率值。
作为本申请的一可选实施方案,可选地,将所述风力发电功率预测模型P,部署于后台服务器上,用于风力发电功率预测,包括:
收集风力发电实时数据Ms并上传至后台服务器;
所述后台服务器将所述风力发电实时数据Ms,分别导入所述风力发电功率预测模型P:P={PTp1,PTp2,PTp3,PTp4......}中的各个预测模型;
各个预测模型分别对所述风力发电实时数据Ms进行风力发电功率预测,并输出对应的风力发电功率预测值:p1,p2,p3,p4......;
计算风力发电功率预测值p:
所述后台服务器浏览所述风力发电实时数据Ms,并识别出其中的时间戳实时数据Ts;
根据所述时间戳实时数据Ts,判断出所述时间戳实时数据Ts的时间尺度,并根据所述时间尺度,计算:
p=(α×pa+β×pb)/n,其中,
α+β=1,且α>β>0;
n为模型数量;
pa为对应所述时间尺度的风力发电功率预测值,α为其系数;
pb为对应所述时间尺度之外的其他风力发电功率预测值之和,β为其系数;
所述后台服务器将所述风力发电功率预测值p发送并展示在前端页面上。
利用模型集成的方式,通过上述集成模型,可以通过各个预测模型对输入的风力发电实时数据Ms皆做一次功率预测(虽然各个模型对应的尺度不通过,但是依旧是功率预测模型,仅仅各个模型在不同时间尺度上的预测精度有所偏差),得到各个模型对应输出的风力发电功率预测值:p1,p2,p3,p4......。
再结合各个模型输出值进行加权求和、权重分配,以此得到未来某个时间段的功率值。
本处,不是将各个输出值进行平均计算而将均值作为本次预测结果,而是需要根据本次长时间(比如3月-1年)的时间计划,进行权重分配,需要根据时间计划的偏重,进行权重系数分配,比如本次时间计划更偏重于月级,则对PTp4-月级尺度风力发电功率预测模型的输出设定大于0.6的系数α,设定其他模型的输出总值的系数为0<(1-β)<0.4。
集成模型输出之后,对于PTp4-月级尺度风力发电功率预测模型的输出配置系数α,对于其他模型的输出进行求和再配置系数β,经过计算之后,再按照上述公式进行输出结果计算,得到本次长时间规划的风力发电功率预测值p。
因此,本申请结合多时间尺度和智能AI技术,提供一种高精度的风力发电功率预测方法,结合多时间尺度(从分钟级到小时级等)的数据和人工智能技术,以支持电力系统的稳定运行和可再生能源的最大化利用。利用不同时间尺度的数据集进行模型训练,得到不同时间尺度的功率预测模型,并进一步灵活运用不同时间尺度的预测模型进行功率值预测,可以实现短期调度和长期规划预测,基于多时间尺度进行不同尺度下的风力发电功率预测方法,提高预测效率和适用范围,系统使用灵活,有助于推广使用。
显然,本领域的技术人员应该明白,实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各控制的实施例的流程。本领域技术人员可以理解,实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各控制的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
实施例2
基于实施例1的实施原理,本申请另一方面,提出一种多时间尺度风力发电功率预测系统,包括:
数据采集模块,用于收集风力发电实时数据Ms并上传至后台服务器;
后台服务器,用于通过部署的风力发电功率预测模型P,对所述风力发电实时数据Ms进行风力发电功率预测,并输出对应的风力发电功率预测值p;
前端页面,用于展示所述风力发电功率预测值p。
上述系统的具体应用,请详见实施例1的原理描述,本实施例不再赘述。
上述的本发明的各模块或各步骤可以用通用的计算系统来实现,它们可以集中在单个的计算系统上,或者分布在多个计算系统所组成的网络上,可选地,它们可以用计算系统可执行的程序代码来实现,从而,可以将它们存储在存储系统中由计算系统来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
实施例3
如附图5所示,更进一步地,本申请另一方面,还提出一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现所述的一种多时间尺度风力发电功率预测方法。
本申请实施例来电子设备包括处理器以及用于存储处理器可执行指令的存储器。其中,处理器被配置为执行可执行指令时实现前面任一所述的一种多时间尺度风力发电功率预测方法。
此处,应当指出的是,处理器的个数可以为一个或多个。同时,在本申请实施例的电子设备中,还可以包括输入系统和输出系统。其中,处理器、存储器、输入系统和输出系统之间可以通过总线连接,也可以通过其他方式连接,此处不进行具体限定。
存储器作为一计算机可读存储介质,可用于存储软件程序、计算机可执行程序和各种模块,如:本申请实施例的一种多时间尺度风力发电功率预测方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块,从而执行电子设备的各种功能应用及数据处理。
输入系统可用于接收输入的数字或信号。其中,信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出系统可以包括显示屏等显示设备。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种多时间尺度风力发电功率预测方法,其特征在于,包括如下步骤:
收集风力发电功率训练数据M:
M={气象数据S,
时间戳数据T,
历史功率数据P};
提取所述风力发电功率训练数据M中的时间戳数据T的时间戳特征,并分类得到不同时间尺度的时间戳特征数据集Tp;
重组训练数据集Mp:
Mp={气象数据S,
时间戳特征数据集Tp,
历史功率数据P};
以所述训练数据集Mp为输入,基于深度学习技术进行模型训练,生成风力发电功率预测模型P;
将所述风力发电功率预测模型P,部署于后台服务器上,用于风力发电功率预测。
2.根据权利要求1所述的多时间尺度风力发电功率预测方法,其特征在于,提取所述风力发电功率训练数据M中的时间戳数据T的时间戳特征,并分类得到不同时间尺度的时间戳特征数据集Tp,包括:
将所述风力发电功率训练数据M中的时间戳数据T,导入预设的时间序列预测模型,进行时间序列处理;
将时间序列处理结果,按照时间尺度进行分类,划分为不同时间尺度的时间戳数据:
分钟级时间戳数据,
小时级时间戳数据,
日级时间戳数据,
月级时间戳数据
......;
将获取的不同时间尺度的时间戳数据,通过长短时记忆网络-LSTM,依次进行时间戳特征提取,得到由不同时间尺度的时间戳特征构成的数据集Tp:
Tp={分钟级时间戳特征Tp1,
小时级时间戳特征Tp2,
日级时间戳特征Tp3,
月级时间戳特征Tp4
......}。
3.根据权利要求2所述的多时间尺度风力发电功率预测方法,其特征在于,重组训练数据集Mp:
Mp={气象数据S,
时间戳特征数据集Tp,
历史功率数据P},
包括:
根据不同时间尺度的时间戳特征,匹配找到对应所述时间戳特征的气象数据S和历史功率数据P:
Mp1={气象数据S1,分钟级时间戳特征Tp1,历史功率数据P1},
Mp2={气象数据S2,小时级时间戳特征Tp2,历史功率数据P2},
Mp3={气象数据S3,日级时间戳特征Tp3,历史功率数据P3},
Mp4={气象数据S4,月级时间戳特征Tp4,历史功率数据P4},
......;
构建由不同时间尺度的时间戳特征组成的训练数据集Mp:
Mp={Mp1,Mp2,Mp3,Mp4......}。
4.根据权利要求1所述的多时间尺度风力发电功率预测方法,其特征在于,以所述训练数据集Mp为输入,基于深度学习技术进行模型训练,生成风力发电功率预测模型P,包括:
预设模型优化迭代停止条件;
依次提取所述训练数据集Mp中的子集:Mp1,Mp2,Mp3,Mp4......,并将所述子集作为训练集输入至预设的深度学习模型,进行模型优化迭代训练;
当达到所述模型优化迭代停止条件之时,停止训练,依次生成对应的所述风力发电功率预测模型P:
P={PTp1,PTp2,PTp3,PTp4......},
其中,
PTp1,为分钟级尺度风力发电功率预测模型,
PTp2,为小时级尺度风力发电功率预测模型,
PTp3,为日级尺度风力发电功率预测模型,
PTp4,为月级尺度风力发电功率预测模型,
......。
5.根据权利要求4所述的多时间尺度风力发电功率预测方法,其特征在于,在生成风力发电功率预测模型P之后,还包括:
构建对应不同时间尺度的验证数据集;
利用所述验证数据集,对相应的所述风力发电功率预测模型P进行验证,包括:独立验证和交叉验证;
验证通过之后,通知后台管理员部署所述风力发电功率预测模型P。
6.根据权利要求4所述的多时间尺度风力发电功率预测方法,其特征在于,将所述风力发电功率预测模型P,部署于后台服务器上,用于风力发电功率预测,包括:
收集风力发电实时数据Ms并上传至后台服务器;
所述后台服务器浏览所述风力发电实时数据Ms,并识别出其中的时间戳实时数据Ts;
根据所述时间戳实时数据Ts,判断出所述时间戳实时数据Ts的时间尺度,并根据所述时间尺度,从所述风力发电功率预测模型P:P={PTp1,PTp2,PTp3,PTp4......}中,匹配找到对应时间尺度的预测模型Ps;
将所述风力发电实时数据Ms导入所述预测模型Ps,利用所述预测模型Ps进行风力发电功率预测,并输出对应的风力发电功率预测值p;
所述后台服务器将所述风力发电功率预测值p发送并展示在前端页面上。
7.根据权利要求4所述的多时间尺度风力发电功率预测方法,其特征在于,将所述风力发电功率预测模型P,部署于后台服务器上,用于风力发电功率预测,包括:
收集风力发电实时数据Ms并上传至后台服务器;
所述后台服务器将所述风力发电实时数据Ms,分别导入所述风力发电功率预测模型P:P={PTp1,PTp2,PTp3,PTp4......}中的各个预测模型;
各个预测模型分别对所述风力发电实时数据Ms进行风力发电功率预测,并输出对应的风力发电功率预测值:p1,p2,p3,p4......;
计算风力发电功率预测值p:
所述后台服务器浏览所述风力发电实时数据Ms,并识别出其中的时间戳实时数据Ts;
根据所述时间戳实时数据Ts,判断出所述时间戳实时数据Ts的时间尺度,并根据所述时间尺度,计算:
p=(α×pa+β×pb)/n,其中,
α+β=1,且α>β>0;
n为模型数量;
pa为对应所述时间尺度的风力发电功率预测值,α为其系数;
pb为对应所述时间尺度之外的其他风力发电功率预测值之和,β为其系数;
所述后台服务器将所述风力发电功率预测值p发送并展示在前端页面上。
8.一种多时间尺度风力发电功率预测系统,其特征在于,包括:
数据采集模块,用于收集风力发电实时数据Ms并上传至后台服务器;
后台服务器,用于通过部署的风力发电功率预测模型P,对所述风力发电实时数据Ms进行风力发电功率预测,并输出对应的风力发电功率预测值p;
前端页面,用于展示所述风力发电功率预测值p。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现权利要求1-7中任一项所述的一种多时间尺度风力发电功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311234381.5A CN117394308A (zh) | 2023-09-24 | 2023-09-24 | 一种多时间尺度风力发电功率预测方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311234381.5A CN117394308A (zh) | 2023-09-24 | 2023-09-24 | 一种多时间尺度风力发电功率预测方法、系统及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117394308A true CN117394308A (zh) | 2024-01-12 |
Family
ID=89439988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311234381.5A Pending CN117394308A (zh) | 2023-09-24 | 2023-09-24 | 一种多时间尺度风力发电功率预测方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117394308A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
CN114725923A (zh) * | 2022-02-18 | 2022-07-08 | 国网辽宁省电力有限公司电力科学研究院 | 一种配电网多级调度控制策略 |
CN115145901A (zh) * | 2022-06-30 | 2022-10-04 | 浙江天垂科技有限公司 | 一种基于多尺度的时间序列预测方法及系统 |
WO2023093774A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习的风电集群功率预测方法 |
WO2023093010A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习融合模型的风电功率预测方法及设备 |
-
2023
- 2023-09-24 CN CN202311234381.5A patent/CN117394308A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
WO2023093774A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习的风电集群功率预测方法 |
WO2023093010A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习融合模型的风电功率预测方法及设备 |
CN114725923A (zh) * | 2022-02-18 | 2022-07-08 | 国网辽宁省电力有限公司电力科学研究院 | 一种配电网多级调度控制策略 |
CN115145901A (zh) * | 2022-06-30 | 2022-10-04 | 浙江天垂科技有限公司 | 一种基于多尺度的时间序列预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
SAMEER AL-DAHIDI等: "Assessment of Artificial Neural Networks Learning Algorithms and Training Datasets for Solar Photovoltaic Power Production Prediction", 《 SUSTAINABLE ENERGY SYSTEMS》, 15 November 2019 (2019-11-15) * |
徐恒山等: "基于时间戳特征提取和 CatBoost-LSTM 模型的光伏短期发电功率预测", 《太阳能学报》, 3 August 2023 (2023-08-03), pages 1 - 11 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cervone et al. | Short-term photovoltaic power forecasting using Artificial Neural Networks and an Analog Ensemble | |
Bozorg et al. | Bayesian bootstrap quantile regression for probabilistic photovoltaic power forecasting | |
US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
JP2009225550A (ja) | 電力の需要予測処理方法及び装置、並びに発電予測処理方法 | |
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 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
US20210334914A1 (en) | System and method for determining power production in an electrical power grid | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
Nejati et al. | A new solar power prediction method based on feature clustering and hybrid-classification-regression forecasting | |
Yang et al. | Photovoltaic power forecasting with a rough set combination method | |
Ziyabari et al. | A spatio-temporal hybrid deep learning architecture for short-term solar irradiance forecasting | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
Buonanno et al. | Comprehensive method for modeling uncertainties of solar irradiance for PV power generation in smart grids | |
Tavares et al. | Comparison of PV power generation forecasting in a residential building using ANN and DNN | |
Wu et al. | Design of A battery energy management system for capacity charge reduction | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
Graditi et al. | Machine Learning Applications for Renewable-Based Energy Systems | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
CN116646917A (zh) | 一种校园多步概率电力负荷预测方法及系统 | |
CN117394308A (zh) | 一种多时间尺度风力发电功率预测方法、系统及电子设备 | |
TW202123603A (zh) | 一種太陽能預測的方法 | |
Swide et al. | Energy Demand Prediction Based on Deep Learning Techniques | |
Ku et al. | Self-learning mechanism for prediction of energy consumption and generation |
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 |