CN117522014A - 一种考虑多重不确定性的储配网联合规划方法 - Google Patents

一种考虑多重不确定性的储配网联合规划方法 Download PDF

Info

Publication number
CN117522014A
CN117522014A CN202311449615.8A CN202311449615A CN117522014A CN 117522014 A CN117522014 A CN 117522014A CN 202311449615 A CN202311449615 A CN 202311449615A CN 117522014 A CN117522014 A CN 117522014A
Authority
CN
China
Prior art keywords
distribution network
uncertainty
planning
power
energy storage
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
CN202311449615.8A
Other languages
English (en)
Inventor
李伟
董绍光
李磊
叶润潮
韦亚敏
周天
叶丽雅
赵能能
李海峰
何杲杳
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.)
Training Center of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Training Center 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 Training Center of State Grid Zhejiang Electric Power Co Ltd filed Critical Training Center of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202311449615.8A priority Critical patent/CN117522014A/zh
Publication of CN117522014A publication Critical patent/CN117522014A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • H02J3/004—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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑多重不确定性的储配网联合规划方法，属于配电网规划技术领域，包括：S1、获取设备投资数据、运行维护成本数据和约束条件数据；S2、基于设备投资数据和运行维护成本数据计算目标函数；S3、基于约束条件数据对目标函数进行约束构建确定性联合规划模型；S4、通过确定性联合规划模型考虑分布式发电出力和负荷水平的不确定性构建二阶段不确定性鲁棒优化模型；S5、对二阶段不确定性鲁棒优化模型进行迭代求解，得到储配网联合规划结果。本方案通过约束条件对目标函数进行约束得到确定性联合规划模型，然后对确定性联合规划模型的分布式发电出力和负荷水平的不确定性进行优化，能够显著提高配电网规划的可行性。

Description

一种考虑多重不确定性的储配网联合规划方法
技术领域
本发明属于配电网规划技术领域，尤其是涉及一种考虑多重不确定性的储配网联合规划方法。
背景技术
配电网处于电力系统的末端，直接连接着电力用户。负荷存在的峰谷特性为配电网系统稳定运行带来了消极影响，除此之外，某些偏远地区经常出现的线路故障问题也给配电网的稳定供电任务带来了极大挑战。安装储能设备是保障配电网的安全可靠运行，提高供电质量、促进实现电力工业现代化的一种重要措施。在配电网的长期运行中，针对给定的储能配置方案，需要进行全方位、多层次的可靠性评估。合理规划的含储能配电网系统需要满足系统的持续可靠供电要求和系统的经济高效运行要求，尤其要体现储能装置对系统可靠性与经济性的影响。
中国专利，公开号：CN115062821A，公开日：2022年09月16日，公开了一种有源配电网储能两阶鲁棒规划方法、装置、设备及介质，其方法包括：采集相关参数，其中，相关参数包括有源配电网的线路参数，分布式电源接入出力和负荷预测基准值；基于相关参数，确定有源配电网的目标函数及约束条件；基于相关参数、目标函数及约束条件构建有源配电网储能规划模型；基于有源配电网储能规划模型中分布式电源出力的不确定性构建有源配电网储能两阶段鲁棒规划模型；迭代求解有源配电网储能两阶段鲁棒规划模型，输出电池储能规划结果。本发明减少了电池储能规划结果的保守性。此方案存在以下问题：在构建规划模型时直接通过分布式电源接入出力和负荷预测基准值，没有考虑配电网规划的成本效益以及负荷水平的不确定性对规划模型的影响，得到的规划模型在进行规划时可行性低。
发明内容
本发明的目的是解决现有技术中的配电网规划方法可行性低的问题，提供一种考虑多重不确定性的储配网联合规划方法。通过设备投资数据和运行维护成本数据计算目标函数，能够给约束条件数据对目标函数进行约束构建确定性联合规划模型，对确定性联合规划模型的不确定因素进行优化得到二阶段不确定性鲁棒优化模型并进行迭代求解，得到储能-配电网联合规划结果，本方案是通过设备投资数据和运行维护成本数据计算目标函数，同时考虑了分布式发电出力的不确定性和负荷水平的不确定性的不确定因素对规划模型的影响，能够显著提高配电网规划的可行性。
为了实现上述目的，本发明采用以下技术方案：
一种考虑多重不确定性的储配网联合规划方法，包括如下步骤：
S1、获取设备投资数据、运行维护成本数据和约束条件数据；
S2、基于所述设备投资数据和运行维护成本数据计算目标函数；
S3、基于约束条件数据对所述目标函数进行约束构建确定性联合规划模型；
S4、通过所述确定性联合规划模型考虑分布式发电出力的不确定性和负荷水平的不确定性构建二阶段不确定性鲁棒优化模型；
S5、对所述二阶段不确定性鲁棒优化模型进行迭代求解，得到储配网联合规划结果。
上述技术方案中，通过考虑了设备投资、运行维护成本以及各种约束条件，使得规划过程更加全面和综合，有助于确保规划结果的可行性和可持续性；通过考虑多重不确定性因素，提高了规划结果的精准性和可靠性，不仅能够进行确定性的规划，还能够在不确定性因素的影响下进行鲁棒性优化，提高了规划方案对各种不确定性因素的适应能力；通过迭代求解过程使得规划方案更加灵活，能够根据不同阶段的数据和情况进行调整，增加了规划方案的实用性；通过考虑运行维护成本和设备投资等因素，有助于优化资源配置，可以实现成本效益最大化；通过进行储能和配电网的联合规划，考虑了各种约束条件的约束构建确定性联合规划模型，通过同时考虑分布式发电出力的不确定性和负荷水平的不确定性的不确定因素来构建二阶段不确定性鲁棒优化模型来求解联合规划结果，显著提高了配电网规划的可行性。
优选的，所述设备投资数据包括配电网设备投资CDIS和储能设备投资CES；所述运行维护成本数据包括设备维护费用CMA、电网发电费用CGE和切除惩罚费用CCUT。
上述技术方案中，通过考虑配电网设备投资和储能设备投资，能够使规划更加全面，可以有效协调两者以实现更高的效率和性能；通过考虑设备维护费用、电网发电费用和切除惩罚费用，有助于推动可持续能源的使用，合理规划储能系统，可以更好地整合可再生能源，减少碳排放，降低电网发电费用；通过考虑切除惩罚费用能够提高系统的鲁棒性，降低因不确定性引起的潜在风险。
优选的，所述目标函数通过设备投资数据和运行维护成本数据进行求和得到，其数学表达式为：obj＝CDIS+CES+CGE+CCUT+CMA。
上述技术方案中，通过将不同成本因素整合到目标函数中，使得规划过程变得更加综合，有助于找到一个全局最优解，其中各个成本因素得到适当权衡，从而提高了资源的有效利用，可以更好地在不同成本之间做出权衡，以找到一个经济可行的规划方案。
优选的：
所述配电网设备投资的计算公式为：
所述储能设备投资的计算公式为：
所述设备维护费用的计算公式为：
所述电网发电费用的计算公式为：
所述切除惩罚费用的计算公式为：
其中，ΩT、ΩL、ΩES、ΩDG、ΩD分别表示变压器、传输线路、储能系统、分布式发电、负荷节点的集合；下标s、t分别表示场景、时间；cT、cL分别为变压器、传输线路的建设成本，cEES、cPES分别为储能的容量成本与功率成本,cmT、cmL、cmES分别为变压器、传输线路、储能的年维护费用，cbuy、cdg分别为配电网向输电网购电的成本、分布式发电成本，ccDG、ccD分别为分布式发电弃电惩罚费用与切负荷惩罚费用；xi T、xij L、xi ES分别为决定变压器、传输线路、储能系统是否建设的0-1变量；τT、τL、τES分别为变压器、传输线路、储能系统的资本回收系数，根据其使用年限将建设成本均摊至寿命期各年；Ei ES、Pi ES分别为储能i的额定容量与额定功率；分别表示分布式发电的预测出力值、实际出力值，负荷的预测水平、实际负荷水平。
上述技术方案中，通过具体的成本计算公式，可以更准确地估算不同成本因素，有助于确保规划结果的成本估算更为精确，从而降低了不确定性的影响；可以根据不同的场景和项目进行调整和扩展，以适应不同的规划需求，增加了技术方案的通用性，并应用于不同的配电网规划案例。
优选的，所述S3包括如下步骤：
S31、基于约束条件数据确定对应的约束条件，包括配电网建设约束条件、配电网潮流约束条件、储能运行约束条件和切除约束条件；
S32、基于各个约束条件分别对目标函数的对应约束项进行约束；
所述S32包括如下子步骤：
基于所述配电网建设约束条件分别对配电网的设备容量、线路容量、拓扑结构和虚拟功率进行约束；
基于所述配电网潮流约束条件对配电网的电压进行约束；
基于所述储能运行约束条件分别对配电网的功率上下限、储能工作状态、储能的功率与容量比值、以及储能能量进行约束；
基于所述切除约束条件对配电网进行分布式可再生能源发电机组弃电约束，以及对进行配电网切负荷约束；
S33、基于约束后的目标函数的得到配电网的确定性联合规划模型。
上述技术方案中，通过在规划过程中对目标函数进行了建设约束、潮流约束、储能运行约束和切除约束得到确定性联合规划模型，确保了规划结果在不同方面的可行性，提高了规划的精确性。
优选的，所述确定性联合规划模型的数学表达式为：
式中：x为模型中规划决策变量组成的向量，包括变压器、线路、储能建设的0-1变量；yd为运行决策0-1变量组成的向量，包括线路的投运方向与储能充放电0-1变量；yc为运行决策连续变量组成的向量，包括储能的充放电功率与实际可再生能源机组出力、实际负荷水平；u为不确定的可再生能源出力值与负荷水平组成的向量。
上述技术方案中，通过将目标函数和约束条件进行抽象表示得到确定性联合规划模型的数学表达式，可以将规划方法应用于不同的储配网规划案例，提高了规划的通用性和可扩展性，使其适用于各种不同规模和情境的项目，提高了规划方法的适用性、灵活性和有效性。
优选的，所述S4包括如下步骤：
S41、获取配电网的不确定因素，包括分布式发电出力的不确定性和负荷水平的不确定性；
S42、基于所述不确定因素分别对目标函数的分布式发电出力的不确定性和负荷水平的不确定性进行优化，得到一阶段不确定性鲁棒优化模型；
S43、调整不确定因素的决策变量以减小不确定因素的影响，得到二阶段不确定性鲁棒优化模型。
上述技术方案中，通过不确定因素对目标函数进行优化获取不确定性鲁棒优化模型，考虑了不确定性的影响，能够为不同情景下的规划提供了解决方案，二阶段模型通过调整决策变量来减小不确定性的影响，进一步提高了规划方案的鲁棒性，使其能够更好地应对不确定性，提高能源系统的效率和可靠性。
优选的，所述S43包括如下步骤：
S431、确定可以调整以减小不确定因素的决策变量；
S432、对配电网的分布式发电出力和负荷水平的统计分析，获取对应的取值范围；
S433、调整决策变量对一阶段不确定性鲁棒优化模型的不确定因素进行最小化，获取二阶段不确定性鲁棒优化模型。
上述技术方案中，通过确定可以调整以减小不确定因素的决策变量，允许规划在面对不确定性时做出针对性的调整，从而降低风险，有助于规划方案更好地适应不同情况，降低潜在的不确定性引发的问题；通过对配电网的分布式发电出力和负荷水平进行统计分析，获取对应的取值范围，有助于提高规划方案的可行性，确定可行的变量值范围，确保规划结果在实际中可操作；通过调整决策变量以最小化一阶段不确定性鲁棒优化模型的不确定因素，提高了规划结果的鲁棒性，有助于确保规划方案在不同情况下都具有优良性能，降低不确定性风险。
优选的，所述二阶段不确定性鲁棒优化模型的数学表达式为：
其中，不确定性向量的表达式为：
式中：分别表示分布式发电出力与负荷水平总量的预测值归一化系数上下限，/>分别表示分布式发电出力与负荷水平的预测值上下限。
上述技术方案中，通过二阶段不确定性鲁棒优化模型，能够允许在不同不确定性情况下进行规划，有助于应对储能-配电网规划中存在的多种不确定性因素；通过将不确定因素表示为概率分布或不确定集合，可以在多个可能情景下进行规划，从而更好地管理风险；通过考虑不同不确定性情况下的规划解决方案，可以选择出对于各种情况都能够良好执行的规划方案，提高了规划结果的鲁棒性，使系统更能够应对不确定性的挑战；通过在不同情景下进行规划，可以考虑多个目标的优化，有助于权衡不同目标之间的冲突，使成本最小化、效率最大化和可靠性提高，使规划更全面，能够满足不同利益相关者的需求。
优选的，所述S5包括如下步骤：
S51、设置外层迭代的上下界初始值UBo＝+∞，LBo＝-∞，外层迭代次数I＝1；
S52、根据可再生能源出力、负荷水平的预测值求解外层迭代主问题，计算得到规划决策变量值并利用其更新目标函数值下界，设置内层迭代的上下界初始值UBi＝+∞，LBi＝-∞，内层迭代次数J＝1；
S53、通过式迭代求解内层迭代上层问题，得到运行决策0-1变量值更新内层迭代的目标函数上界UBi；
S54、通过式求解内层迭代下层问题，得到不确定变量值更新内层迭代的目标函数下界LBi；
S55、如果满足内层迭代收敛条件UBi-LBi<εi，则更新原问题目标函数上界UBo，执行S56；否则更新内层迭代次数J＝J+1，执行S53；
S56、如果满足外层迭代收敛条件UBo-LBo<εo，则输出规划决策变量求解完成；否则更新外层迭代次数I＝I+1，执行S52。
上述技术方案中，通过外层迭代和内层迭代相结合，允许逐步优化规划决策变量值，外层迭代通过逐渐改进目标函数值下界，以获得更好的规划解决方案，内层迭代通过求解上下层问题来进一步提高规划决策的性能；外层迭代和内层迭代的结构提供了多尺度的优化方法，外层迭代关注全局优化，而内层迭代更专注于局部优化，有助于找到更全局和局部均衡的解决方案；通过逐渐改进目标函数值下界和上界，有助于逐步逼近最优解，对于复杂的规划问题非常有帮助，因为它们可能有多个局部最小值，而迭代方法有助于跳出局部最小值并找到更好的解决方案；通过设置不同的迭代次数、收敛条件和初始值，可以调整迭代方法以满足不同规划问题的需求，能够适用于各种复杂的规划问题，提高适应性。
本发明的有益效果：通过考虑了设备投资、运行维护成本以及各种约束条件，使得规划过程更加全面和综合，有助于确保规划结果的可行性和可持续性；通过考虑多重不确定性因素，提高了规划结果的精准性和可靠性，不仅能够进行确定性的规划，还能够在不确定性因素的影响下进行鲁棒性优化，提高了规划方案对各种不确定性因素的适应能力；通过迭代求解过程使得规划方案更加灵活，能够根据不同阶段的数据和情况进行调整，增加了规划方案的实用性；通过考虑运行维护成本和设备投资等因素，有助于优化资源配置，可以实现成本效益最大化；通过进行储能和配电网的联合规划，考虑了各种约束条件的约束构建确定性联合规划模型，通过考虑不确定因素来构建二阶段不确定性鲁棒优化模型来求解联合规划结果，显著提高了配电网规划的可行性。通过在规划过程中对目标函数进行了建设约束、潮流约束、储能运行约束和切除约束得到确定性联合规划模型，确保了规划结果在不同方面的可行性，提高了规划的精确性。通过不确定因素对目标函数进行优化获取不确定性鲁棒优化模型，考虑了不确定性的影响，能够为不同情景下的规划提供了解决方案，二阶段模型通过调整决策变量来减小不确定性的影响，进一步提高了规划方案的鲁棒性，使其能够更好地应对不确定性，提高能源系统的效率和可靠性。通过外层迭代和内层迭代相结合，允许逐步优化规划决策变量值，外层迭代通过逐渐改进目标函数值下界，以获得更好的规划解决方案，内层迭代通过求解上下层问题来进一步提高规划决策的性能；外层迭代和内层迭代的结构提供了多尺度的优化方法，外层迭代关注全局优化，而内层迭代更专注于局部优化，有助于找到更全局和局部均衡的解决方案；通过逐渐改进目标函数值下界和上界，有助于逐步逼近最优解，对于复杂的规划问题非常有帮助，因为它们可能有多个局部最小值，而迭代方法有助于跳出局部最小值并找到更好的解决方案；通过设置不同的迭代次数、收敛条件和初始值，可以调整迭代方法以满足不同规划问题的需求，能够适用于各种复杂的规划问题，提高适应性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。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。
图1为本发明一种考虑多重不确定性的储配网联合规划方法的流程图；
图2为本发明实施例24节点配电网的拓扑图；
图3为本发明实施例24节点配电网进行储能-配电网联合规划后的结果示意图。
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤；处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例：
如图1所示，本发明实施例中提供的一种考虑多重不确定性的储配网联合规划方法，包括如下步骤：
一种考虑多重不确定性的储配网联合规划方法，包括如下步骤：
S1、获取设备投资数据、运行维护成本数据和约束条件数据。
具体地，设备投资数据包括配电网设备投资CDIS和储能设备投资CES；运行维护成本数据包括设备维护费用CMA、电网发电费用CGE和切除惩罚费用CCUT。
本实施例中，通过考虑配电网设备投资和储能设备投资，能够使规划更加全面，可以有效协调两者以实现更高的效率和性能；通过考虑设备维护费用、电网发电费用和切除惩罚费用，有助于推动可持续能源的使用，合理规划储能系统，可以更好地整合可再生能源，减少碳排放，降低电网发电费用；通过考虑切除惩罚费用能够提高系统的鲁棒性，降低因不确定性引起的潜在风险。
S2、基于设备投资数据和运行维护成本数据计算目标函数。
具体地，目标函数通过设备投资数据和运行维护成本数据进行求和得到，其数学表达式为：obj＝CDIS+CES+CGE+CCUT+CMA (1)。
本实施例中，将不同成本因素整合到目标函数中，使得规划过程变得更加综合这有助于找到一个全局最优解，其中各个成本因素得到适当权衡，从而提高了资源的有效利用，可以更好地在不同成本之间做出权衡，以找到一个经济可行的规划方案。
具体地：
配电网设备投资的计算公式为：
储能设备投资的计算公式为：
设备维护费用的计算公式为：
电网发电费用的计算公式为：
切除惩罚费用的计算公式为：
其中，ΩT、ΩL、ΩES、ΩDG、ΩD分别表示变压器、传输线路、储能系统、分布式发电、负荷节点的集合；下标s、t分别表示场景、时间；cT、cL分别为变压器、传输线路的建设成本，cEES、cPES分别为储能的容量成本与功率成本,cmT、cmL、cmES分别为变压器、传输线路、储能的年维护费用，cbuy、cdg分别为配电网向输电网购电的成本、分布式发电成本，ccDG、ccD分别为分布式发电弃电惩罚费用与切负荷惩罚费用；xi T、xij L、xi ES分别为决定变压器、传输线路、储能系统是否建设的0-1变量；τT、τL、τES分别为变压器、传输线路、储能系统的资本回收系数，根据其使用年限将建设成本均摊至寿命期各年；Ei ES、Pi ES分别为储能i的额定容量与额定功率；分别表示分布式发电的预测出力值、实际出力值，负荷的预测水平、实际负荷水平。
本实施例中，通过具体的成本计算公式，可以更准确地估算不同成本因素，有助于确保规划结果的成本估算更为精确，从而降低了不确定性的影响；可以根据不同的场景和项目进行调整和扩展，以适应不同的规划需求，增加了技术方案的通用性，并应用于不同的配电网规划案例。
具体地，通过配电网建设约束条件来确定各个配电网设备的扩建方案，配电网建设约束条件中的容量约束，其对应的表达式为：
式中：分别表示节点i、线路L(i,j)上的有功功率，线路上的功率从i节点流向j节点；/>分别表示节点i处的变压器额定容量与线路L(i,j)的额定传输容量。除设备约束外，配电网进行扩建时还需要满足网架结构的拓扑约束，即配网的线路必须连接成树状结构，避免环路形成，同时须保证线路的连通性。变电站所在的节点仅存在功率流出的支路，负荷节点仅存在功率流入的支路，其他节点至多存在一条功率流出的支路、一条功率流入的支路。拓扑约束对应的表达式为：
式中：表示线路L(i,j)从i端到j端投运，/>表示线路L(i,j)从j端到i端投运。在进行配电网建设中，引入虚拟功率来建立连通性约束，各变电站节点注入功率，各负荷节点流出值为1的功率，确保每个负荷节点有且只有一个变电站对其供电，连通性约束的表达式为：
式中：Pi FT、Pi FD、Pi FL分别为节点i的注入虚拟功率、输出虚拟功率、线路ij上流过的虚拟功率，NL为负荷节点的数量。
具体地，由于配电网中通常设有并联电容器、同步调相机、静止补偿器等电压调节设备，因此配电网各节点电压可近似为额定值。简化后的配电网潮流约束的表达式为：
式中：为节点j可再生能源发电机组在s场景t时刻的实际发电功率；/>为节点j安装的储能在s场景t时刻的放电功率；/>为节点j处负荷在s场景t时刻的有功功率需量；Bij为配电网节点导纳矩阵i行j列的元素，θj为节点j功率的相角。
具体地，储能运行约束如式(14)～式(22)所示。式(14)、(15)为储能的功率上下限约束。式(16)为储能的注入功率表达式。式(17)为储能的工作状态约束，保证储能在同一时刻只能处于充电状态、放电状态或停机状态三者之一。式(18)为储能的功率与容量比值约束。式(19)为储能的能量状态表达式。式(20)表示储能的能量须保持在一定工作区间内。式(21)、(22)分别表示储能在0时刻与T时刻的能量约束；
ei,s,T＝ei,s,0 (22)
式中：分别为储能的放电、充电功率，μi为储能的充放电裕度系数，分别为储能的放电、充电工作状态0-1变量，a为储能的容量功率比值系数，ei,s,t为储能在当前时刻储存的电量，δi为储能的能量自损耗系数，/>分别为储能的放电效率、充电效率系数，/>分别为储能的能量上下限归一化系数。
具体地，式(23)描述了分布式可再生能源发电机组的弃电约束，任意时刻其弃电量都不能超过某以固定比例。式(24)描述了配电网的切负荷约束，同样不得超过一定的比例；
式中：αDG为分布式发电机组的最大弃电比例，αD为负荷切除的最大比例。
具体地，确定性联合规划模型的数学表达式为：
式中：x为模型中规划决策变量组成的向量，包括变压器、线路、储能建设的0-1变量；yd为运行决策0-1变量组成的向量，包括线路的投运方向与储能充放电0-1变量；yc为运行决策连续变量组成的向量，包括储能的充放电功率与实际可再生能源机组出力、实际负荷水平；u为不确定的可再生能源出力值与负荷水平组成的向量。约束条件中，不等式约束对应式(7)-(10)、式(14)-(15)、式(17)-(18)、式(20)、式(23)-(24)，等式约束对应式(11)-(12)、式(13)、式(16)、式(19)和式(21)-(22)。
本实施例中，通过将目标函数和约束条件进行抽象表示得到确定性联合规划模型的数学表达式，可以将规划方法应用于不同的储配网规划案例，提高了规划的通用性和可扩展性，使其适用于各种不同规模和情境的项目，提高了规划方法的适用性、灵活性和有效性。
S3、基于约束条件数据对目标函数进行约束构建确定性联合规划模型。
具体地，S3包括如下步骤：
S31、基于约束条件数据确定对应的约束条件，包括配电网建设约束条件、配电网潮流约束条件、储能运行约束条件和切除约束条件；
S32、基于各个约束条件分别对目标函数的对应约束项进行约束；
S32包括如下子步骤：
基于配电网建设约束条件分别对配电网的设备容量、线路容量、拓扑结构和虚拟功率进行约束；
基于配电网潮流约束条件对配电网的电压进行约束；
基于储能运行约束条件分别对配电网的功率上下限、储能工作状态、储能的功率与容量比值、以及储能能量进行约束；
基于切除约束条件对配电网进行分布式可再生能源发电机组弃电约束，以及对进行配电网切负荷约束；
S33、基于约束后的目标函数的得到配电网的确定性联合规划模型。
本实施例中，通过在规划过程中对目标函数进行了建设约束、潮流约束、储能运行约束和切除约束得到确定性联合规划模型，确保了规划结果在不同方面的可行性，提高了规划的精确性。
S4、通过所述确定性联合规划模型考虑分布式发电出力的不确定性和负荷水平的不确定性构建二阶段不确定性鲁棒优化模型。
具体地，S4包括如下步骤：
S41、获取配电网的不确定因素，包括分布式发电出力的不确定性和负荷水平的不确定性；
S42、基于不确定因素分别对目标函数的分布式发电出力的不确定性和负荷水平的不确定性进行优化，得到一阶段不确定性鲁棒优化模型；
S43、调整不确定因素的决策变量以减小不确定因素的影响，得到二阶段不确定性鲁棒优化模型。
本实施例中，通过不确定因素对目标函数进行优化获取不确定性鲁棒优化模型，考虑了不确定性的影响，能够为不同情景下的规划提供了解决方案，二阶段模型通过调整决策变量来减小不确定性的影响，进一步提高了规划方案的鲁棒性，使其能够更好地应对不确定性，提高能源系统的效率和可靠性。
具体地，S43包括如下步骤：
S431、确定可以调整以减小不确定因素的决策变量；
S432、对配电网的分布式发电出力和负荷水平的统计分析，获取对应的取值范围；
S433、调整决策变量对一阶段不确定性鲁棒优化模型的不确定因素进行最小化，获取二阶段不确定性鲁棒优化模型。
本实施例中，通过确定可以调整以减小不确定因素的决策变量，允许规划在面对不确定性时做出针对性的调整，从而降低风险，有助于规划方案更好地适应不同情况，降低潜在的不确定性引发的问题；通过对配电网的分布式发电出力和负荷水平进行统计分析，获取对应的取值范围，有助于提高规划方案的可行性，确定可行的变量值范围，确保规划结果在实际中可操作；通过调整决策变量以最小化一阶段不确定性鲁棒优化模型的不确定因素，提高了规划结果的鲁棒性，有助于确保规划方案在不同情况下都具有优良性能，降低不确定性风险。
具体地，二阶段不确定性鲁棒优化模型的数学表达式为：
其中，不确定性向量的表达式为：
式中：分别表示分布式发电出力与负荷水平总量的预测值归一化系数上下限，/>分别表示分布式发电出力与负荷水平的预测值上下限。
本实施例中，通过二阶段不确定性鲁棒优化模型，能够允许在不同不确定性情况下进行规划，有助于应对储配网规划中存在的多种不确定性因素；通过将不确定因素表示为概率分布或不确定集合，可以在多个可能情景下进行规划，从而更好地管理风险；通过考虑不同不确定性情况下的规划解决方案，可以选择出对于各种情况都能够良好执行的规划方案，提高了规划结果的鲁棒性，使系统更能够应对不确定性的挑战；通过在不同情景下进行规划，可以考虑多个目标的优化，有助于权衡不同目标之间的冲突，使成本最小化、效率最大化和可靠性提高，使规划更全面，能够满足不同利益相关者的需求。
S5、对二阶段不确定性鲁棒优化模型进行迭代求解，得到储配网联合规划结果。
具体地，S5包括如下步骤：
S51、设置外层迭代的上下界初始值UBo＝+∞，LBo＝-∞，外层迭代次数I＝1；
S52、根据可再生能源出力、负荷水平的预测值求解外层迭代主问题，计算得到规划决策变量值并利用其更新目标函数值下界，设置内层迭代的上下界初始值UBi＝+∞，LBi＝-∞，内层迭代次数J＝1；
S53、通过式迭代求解内层迭代上层问题，得到运行决策0-1变量值更新内层迭代的目标函数上界UBi；
S54、通过式求解内层迭代下层问题，得到不确定变量值更新内层迭代的目标函数下界LBi；
S55、如果满足内层迭代收敛条件UBi-LBi<εi，则更新原问题目标函数上界UBo，执行S56；否则更新内层迭代次数J＝J+1，执行S53；
S56、如果满足外层迭代收敛条件UBo-LBo<εo，则输出规划决策变量求解完成；否则更新外层迭代次数I＝I+1，执行S52。
本实施例中，通过外层迭代和内层迭代相结合，允许逐步优化规划决策变量值，外层迭代通过逐渐改进目标函数值下界，以获得更好的规划解决方案，内层迭代通过求解上下层问题来进一步提高规划决策的性能；外层迭代和内层迭代的结构提供了多尺度的优化方法，外层迭代关注全局优化，而内层迭代更专注于局部优化，有助于找到更全局和局部均衡的解决方案；通过逐渐改进目标函数值下界和上界，有助于逐步逼近最优解，对于复杂的规划问题非常有帮助，因为它们可能有多个局部最小值，而迭代方法有助于跳出局部最小值并找到更好的解决方案；通过设置不同的迭代次数、收敛条件和初始值，可以调整迭代方法以满足不同规划问题的需求，能够适用于各种复杂的规划问题，提高适应性。
本实施例中，基于24节点配电网的网络参数与某地四季度典型日可再生能源出力预测数据、负荷水平预测数据，对该配电网进行储配网联合规划，得到如图2所示的24节点配电网的拓扑图，图2中显示了由分布式发电站、已有变电站、代建变电站、负荷节点、已有线路以及待建线路组成的24个节点的配电网拓扑结构，表示配电网中各个节点之间的物理连接和电力流向。这对于电力系统的运行和管理非常重要，因为它展示了能源从发电站经过变电站传输到最终用户的路径和节点之间的相互关系。图2中，节点21、节点22为已有的变电站，节点23、节点24为待建变电站，节点1～20为配电网的负荷节点，其中节点的连接线为实线则两节点之间的线路为已有线路，节点的连接线为虚线则为待建线路；如图3所示为24节点配电网进行储配网联合规划后的结果示意图，由图3可知，节点23、节点24已经由待建变电站变更为新建变电站，节点23和节点24对应的变电站已经建设完成。节点8与节点11、节点8与节点24、节点5与节点24、节点20与节点24、节点4与节点16、节点10与节点16、节点3与节点23、节点11与节点23、节点17与节点22之间的线路已经由待建线路变更为新建线路，已经建设完成。节点1与节点14、节点2与节点21、节点3与节点10、节点3与节点16、节点6与节点22、节点7与节点11之间的线路变更为未投运线路，表示还未投运到实际的生产作业中。在节点14和节点20处各建设了一个储能节点用于储存配电网的电能。
本实施例的有益效果：通过考虑设备投资、运行维护成本和多重约束条件，规划过程更全面和综合，确保规划结果的可行性和可持续性。通过考虑多重不确定性因素，提高了规划结果的精准性和可靠性，使规划方案更具鲁棒性，适应不同不确定性情况。通过迭代求解使规划方案更加灵活，能够根据不同阶段的数据和情况进行调整，提高了规划方案的实用性。规划考虑设备维护费用、电网发电费用和切除惩罚费用，有助于优化资源配置，实现成本效益最大化。通过储能和配电网的联合规划，综合考虑了各种约束条件，提高了规划的可行性和精确性。规划方法的抽象表示使其适用于不同的储配网规划案例，增加了技术方案的通用性和可扩展性。通过二阶段不确定性鲁棒优化模型，规划方案更具鲁棒性，能够应对不同不确定性因素。规划方法能够考虑多个目标的优化，权衡不同目标之间的冲突，提高了规划的全面性。通过本实施例，提供了全面、精确且鲁棒性高的储配网规划方法，有助于提高系统性能、降低成本，并适应多重不确定性因素的挑战。
以上之具体实施方式为本发明一种考虑多重不确定性的储配网联合规划方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。

Claims (10)

1.一种考虑多重不确定性的储配网联合规划方法，其特征在于，包括如下步骤：
S1、获取设备投资数据、运行维护成本数据和约束条件数据；
S2、基于所述设备投资数据和运行维护成本数据计算目标函数；
S3、基于约束条件数据对所述目标函数进行约束构建确定性联合规划模型；
S4、通过所述确定性联合规划模型考虑分布式发电出力的不确定性和负荷水平的不确定性构建二阶段不确定性鲁棒优化模型；
S5、对所述二阶段不确定性鲁棒优化模型进行迭代求解，得到储配网联合规划结果。
2.根据权利要求1所述的一种考虑多重不确定性的储配网联合规划方法，其特征在于，所述设备投资数据包括配电网设备投资CDIS和储能设备投资CES；所述运行维护成本数据包括设备维护费用CMA、电网发电费用CGE和切除惩罚费用CCUT。
3.根据权利要求2所述的一种考虑多重不确定性的储配网联合规划方法，其特征在于，所述目标函数通过设备投资数据和运行维护成本数据进行求和得到，其数学表达式为：obj＝CDIS+CES+CGE+CCUT+CMA。
4.根据权利要求2所述的一种考虑多重不确定性的储配网联合规划方法，其特征在于：
所述配电网设备投资的计算公式为：
所述储能设备投资的计算公式为：
所述设备维护费用的计算公式为：
所述电网发电费用的计算公式为：
所述切除惩罚费用的计算公式为：
式中：ΩT、ΩL、ΩES、ΩDG、ΩD分别表示变压器、传输线路、储能系统、分布式发电、负荷节点的集合；下标s、t分别表示场景、时间；cT、cL分别为变压器、传输线路的建设成本，cEES、cPES分别为储能的容量成本与功率成本,cmT、cmL、cmES分别为变压器、传输线路、储能的年维护费用，cbuy、cdg分别为配电网向输电网购电的成本、分布式发电成本，ccDG、ccD分别为分布式发电弃电惩罚费用与切负荷惩罚费用；xi T、xij L、xi ES分别为决定变压器、传输线路、储能系统是否建设的0-1变量；τT、τL、τES分别为变压器、传输线路、储能系统的资本回收系数，根据其使用年限将建设成本均摊至寿命期各年；Ei ES、Pi ES分别为储能i的额定容量与额定功率；分别表示分布式发电的预测出力值、实际出力值，负荷的预测水平、实际负荷水平。
5.根据权利要求1所述的一种考虑多重不确定性的储配网联合规划方法，其特征在于，所述S3包括如下步骤：
S31、基于约束条件数据确定对应的约束条件，包括配电网建设约束条件、配电网潮流约束条件、储能运行约束条件和切除约束条件；
S32、基于各个约束条件分别对目标函数的对应约束项进行约束；
所述S32包括如下子步骤：
基于所述配电网建设约束条件分别对配电网的设备容量、线路容量、拓扑结构和虚拟功率进行约束；
基于所述配电网潮流约束条件对配电网的电压进行约束；
基于所述储能运行约束条件分别对配电网的功率上下限、储能工作状态、储能的功率与容量比值、以及储能能量进行约束；
基于所述切除约束条件对配电网进行分布式可再生能源发电机组弃电约束，以及对进行配电网切负荷约束；
S33、基于约束后的目标函数的得到配电网的确定性联合规划模型。
6.根据权利要求5所述的一种考虑多重不确定性的储配网联合规划方法，其特征在于，所述确定性联合规划模型的数学表达式为：
式中：x为模型中规划决策变量组成的向量，包括变压器、线路、储能建设的0-1变量；yd为运行决策0-1变量组成的向量，包括线路的投运方向与储能充放电0-1变量；yc为运行决策连续变量组成的向量，包括储能的充放电功率与实际可再生能源机组出力、实际负荷水平；u为不确定的可再生能源出力值与负荷水平组成的向量。
7.根据权利要求1所述的一种考虑多重不确定性的储配网联合规划方法，其特征在于，所述S4包括如下步骤：
S41、获取配电网的不确定因素，包括分布式发电出力的不确定性和负荷水平的不确定性；
S42、基于所述不确定因素分别对目标函数的分布式发电出力的不确定性和负荷水平的不确定性进行优化，得到一阶段不确定性鲁棒优化模型；
S43、调整不确定因素的决策变量以减小不确定因素的影响，得到二阶段不确定性鲁棒优化模型。
8.根据权利要求1所述的一种考虑多重不确定性的储配网联合规划方法，其特征在于，所述S43包括如下步骤：
S431、确定可以调整以减小不确定因素的决策变量；
S432、对配电网的分布式发电出力和负荷水平的统计分析，获取对应的取值范围；
S433、调整决策变量对一阶段不确定性鲁棒优化模型的不确定因素进行最小化，获取二阶段不确定性鲁棒优化模型。
9.根据权利要求1所述的一种考虑多重不确定性的储配网联合规划方法，其特征在于，所述二阶段不确定性鲁棒优化模型的数学表达式为：
其中，不确定性向量的表达式为：
式中：分别表示分布式发电出力与负荷水平总量的预测值归一化系数上下限，/>分别表示分布式发电出力与负荷水平的预测值上下限。
10.根据权利要求1所述的一种考虑多重不确定性的储配网联合规划方法，其特征在于，所述S5包括如下步骤：
S51、设置外层迭代的上下界初始值UBo＝+∞，LBo＝-∞，外层迭代次数I＝1；
S52、根据可再生能源出力、负荷水平的预测值求解外层迭代主问题，计算得到规划决策变量值并利用其更新目标函数值下界，设置内层迭代的上下界初始值UBi＝+∞，LBi＝-∞，内层迭代次数J＝1；
S53、通过式迭代求解内层迭代上层问题，得到运行决策0-1变量值更新内层迭代的目标函数上界UBi；
S54、通过式求解内层迭代下层问题，得到不确定变量值更新内层迭代的目标函数下界LBi；
S55、如果满足内层迭代收敛条件UBi-LBi＜εi，则更新原问题目标函数上界UBo，执行S56；否则更新内层迭代次数J＝J+1，执行S53；
S56、如果满足外层迭代收敛条件UBo-LBo＜εo，则输出规划决策变量求解完成；否则更新外层迭代次数I＝I+1，执行S52。
CN202311449615.8A 2023-11-01 2023-11-01 一种考虑多重不确定性的储配网联合规划方法 Pending CN117522014A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311449615.8A CN117522014A (zh) 2023-11-01 2023-11-01 一种考虑多重不确定性的储配网联合规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311449615.8A CN117522014A (zh) 2023-11-01 2023-11-01 一种考虑多重不确定性的储配网联合规划方法

Publications (1)

Publication Number Publication Date
CN117522014A true CN117522014A (zh) 2024-02-06

Family

ID=89765492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311449615.8A Pending CN117522014A (zh) 2023-11-01 2023-11-01 一种考虑多重不确定性的储配网联合规划方法

Country Status (1)

Country Link
CN (1) CN117522014A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118035608A (zh) * 2024-04-12 2024-05-14 广东电网有限责任公司珠海供电局 代价数据的获取方法、装置、存储介质和处理器

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118035608A (zh) * 2024-04-12 2024-05-14 广东电网有限责任公司珠海供电局 代价数据的获取方法、装置、存储介质和处理器

Similar Documents

Publication Publication Date Title
Wong et al. Review on the optimal placement, sizing and control of an energy storage system in the distribution network
Yang et al. Optimal sizing and placement of energy storage system in power grids: A state-of-the-art one-stop handbook
CN109980685B (zh) 一种考虑不确定性的主动配电网分布式优化运行方法
Niknam et al. An efficient scenario-based stochastic programming framework for multi-objective optimal micro-grid operation
Ranamuka et al. Flexible AC power flow control in distribution systems by coordinated control of distributed solar-PV and battery energy storage units
Hemmati et al. System modeling and optimization for islanded micro-grid using multi-cross learning-based chaotic differential evolution algorithm
Xie et al. Microgrid system energy storage capacity optimization considering multiple time scale uncertainty coupling
Zhao et al. Distributed risk-limiting load restoration for wind power penetrated bulk system
Vosoogh et al. An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles
CN117522014A (zh) 一种考虑多重不确定性的储配网联合规划方法
CN117833285A (zh) 一种基于深度强化学习的微电网储能优化调度方法
Wen et al. Optimal distributed energy storage investment scheme for distribution network accommodating high renewable penetration
CN115841187A (zh) 柔性配电网运行策略的优化方法、装置、设备及存储介质
CN115496273A (zh) 一种可再生能源集群分布鲁棒优化配置方法及系统
CN113780722B (zh) 配电网的联合规划方法、装置、计算机设备和存储介质
CN111325423A (zh) 一种区域多能源互联运营优化方法和计算设备
CN113162049A (zh) 一种概率分布不确定条件下输配协同调度方法及系统
Morais et al. Integration of renewable energy in smart grid
Ge et al. Improved harris hawks optimization for configuration of PV intelligent edge terminals
CN107104429B (zh) 一种计及分布式储能系统的电力系统负荷调度方法
CN113283105B (zh) 一种考虑电压安全约束的能源互联网分布式优化调度方法
Elmouatamid et al. Review of control and energy management approaches in micro-grid systems. Energies 2021, 14, 168
Li et al. Analysis of distribution network planning with distributed power supply based on ELM algorithm
CN113725904A (zh) 考虑老化发电机组退役的电网转型方法、装置及设备
Salazar et al. Optimum energy management of islanded nanogrids through nonlinear stochastic dynamic programming

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