CN117674294A - 场景削减方法、装置、计算机设备和存储介质 - Google Patents
场景削减方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117674294A CN117674294A CN202311682923.5A CN202311682923A CN117674294A CN 117674294 A CN117674294 A CN 117674294A CN 202311682923 A CN202311682923 A CN 202311682923A CN 117674294 A CN117674294 A CN 117674294A
- Authority
- CN
- China
- Prior art keywords
- scene
- probability
- scenes
- value
- probability distance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 98
- 230000009467 reduction Effects 0.000 title claims description 30
- 238000010248 power generation Methods 0.000 claims abstract description 47
- 238000004590 computer program Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000011410 subtraction method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000014759 maintenance of location Effects 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
- 238000011160 research Methods 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种场景削减方法、装置、计算机设备和存储介质。所述方法包括:先获取电力发电系统对应的场景集;场景集包括多个场景,再根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和,然后根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。与现有只保留常规出力场景的方法相比,上述方法基于场景与场景之间的概率距离参数和概率距离和,不仅考虑了常规出力场景还考虑了极端出力场景,这使得最终保留场景集中的场景更能有效地反映风电场的实际出力情况,进而提高了风电场运作的安全性和可靠性。
Description
技术领域
本申请涉及电力系统电源规划技术领域,特别是涉及一种场景削减方法、装置、计算机设备和存储介质。
背景技术
新能源发电受天气和季节性变化的影响,具有波动性和不确定性,因而存在大量的出力场景。尤其是在面临较为极端的天气条件时,新能源出力可能会出现极端出力场景。
场景削减法是一种能够通过少量的典型场景来等效描述大量场景、减少计算复杂度和时间的方法,广泛应用于电力系统电源规划技术领域。目前,现有的场景削减方法更倾向于,将大量出力场景中常规的新能源出力场景保留。
因此,上述场景削减方法存在准确性低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高场景的削减准确度的场景削减方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种场景削减方法,包括:
获取电力发电系统对应的场景集;场景集包括多个场景;
根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和;
根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。
在其中一个实施例中,上述根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集,包括:
确定各场景的概率距离和中最小的概率距离和;
将最小的概率距离和对应的场景确定为目标场景;
从场景集中将目标场景削减,得到保留场景集。
在其中一个实施例中,上述方法还包括:
将保留场景集中与目标场景中概率距离值最小的场景,确定为候选场景;
根据目标场景的概率值对候选场景的概率值进行更新,得到候选场景的新概率值。
在其中一个实施例中,上述方法还包括:
确定保留集中的场景数量是否小于预设场景数量,若大于,则将保留场景集作为电力发电系统对应的新的场景集,并返回执行根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和的步骤;
若不大于,则停止削减。
在其中一个实施例中,上述根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和,包括:
获取各场景的概率值;
根据各场景的概率值,确定各场景与任一其他场景之间的概率距离参数;
对各场景与所有其他场景之间的概率距离参数进行加和运算,确定各场景的概率距离和。
在其中一个实施例中,上述根据各场景的概率值,确定各场景与任一其他场景之间的概率距离参数,包括:
针对每个场景,获取场景和任一其他场景在不同时刻的出力值和概率值;
对场景和任一其他场景在多个不同时刻的出力值和概率值进行运算处理,得到场景与任一其他场景之间的概率距离参数。
在其中一个实施例中,上述对场景的概率值和任一其他场景在不同时刻的出力值进行运算处理,得到场景与任一其他场景之间的概率距离参数,包括:
对场景和任一其他场景在不同时刻的出力值进行差值运算,得到不同时刻的出力值差;
对不同时刻出力值差进行平方运算,确定不同时刻的出力值参数;
对不同时刻的出力值参数进行加和运算,得到加和参数;
根据加和参数、场景的概率值和任一其他场景的概率值,得到场景和任一其他场景之间的概率距离参数。
第二方面,本申请还提供了一种场景削减装置,包括:
获取模块,用于获取电力发电系统对应的场景集;场景集包括多个场景;
确定模块,用于根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和;
削减模块,用于根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取电力发电系统对应的场景集;场景集包括多个场景;
根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和;
根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取电力发电系统对应的场景集;场景集包括多个场景;
根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和;
根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电力发电系统对应的场景集;场景集包括多个场景;
根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和;
根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。
上述场景削减方法、装置、计算机设备和存储介质。所述方法包括:先获取电力发电系统对应的场景集;场景集包括多个场景,再根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和,然后根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。与现有只保留常规出力场景的方法相比,上述方法基于场景与场景之间的概率距离参数和概率距离和,不仅考虑了常规出力场景还考虑了极端出力场景,这使得最终保留场景集中的场景更能有效地反映风电场的实际出力情况,进而提高了风电场运作的安全性和可靠性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中场景削减方法的应用环境图;
图2为一个实施例中场景削减方法的流程示意图;
图3为另一个实施例中场景削减方法的流程示意图;
图4为另一个实施例中场景削减方法的流程示意图;
图5为另一个实施例中场景削减方法的流程示意图;
图6为另一个实施例中场景削减方法的流程示意图;
图7为另一个实施例中场景削减方法的流程示意图;
图8为另一个实施例中场景削减方法的流程示意图;
图9为另一个实施例中场景削减方法的流程示意图;
图10为一个实施例中场景削减方法得到的风电典型场景;
图11为一个实施例中传统的场景削减方法得到的风电典型场景;
图12为一个实施例中场景削减装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本申请实施例的描述中,技术术语“第一”“第二”等仅用于区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
新能源发电受天气和季节性变化的影响,具有波动性和不确定性,因而存在大量的出力场景。尤其是在面临较为极端的天气条件时,新能源出力可能会出现极端出力场景。场景削减法是一种能够通过少量的典型场景来等效描述大量场景、减少计算复杂度和时间的方法,广泛应用于电力系统电源规划技术领域。目前,现有的场景削减方法更倾向于,将大量出力场景中常规的新能源出力场景保留。因此,上述场景削减方法存在准确性低的问题。本申请旨在解决该问题。
在上述介绍完本申请实施例提供的场景削减方法的背景技术之后,下面,将对本申请实施例提供的场景削减方法所涉及到的实施环境进行简要说明。本申请实施例提供的场景削减方法,可以应用于如图1所示的计算机设备中。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储场景出力值数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种场景削减方法。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
上述介绍了本申请实施例提供的场景削减方法的应用场景后,下面重点介绍本申请所述的场景削减方法。
在一个实施例中,如图2所示,提供了一种场景削减方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
S201、获取电力发电系统对应的场景集。
其中,场景集是指电力发电系统中客观存在的场景,或者可能会存在的场景,场景集可以存储于计算机设备上的电力发电系统中。场景集包括多个场景,场景可以是风电场景、光伏场景和负荷场景等。
本申请实施例中,在需要对电力发电系统中的场景集进行削减,以根据削减后的场景得到发电情况,那么在对电力发电系统中的场景集进行削减之前,需要从电力发电系统中获取场景集。
S202、根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和。
其中,概率距离参数是根据场景在不同时刻的概率值与出力值构建,各场景与其他场景之间的概率距离参数是根据各场景在不同时刻的概率值与出力值,以及其他场景在不同时刻的概率值与出力值构建。某场景的概率距离和是指该场景与其他场景的概率距离参数的累加和。
本申请实施例中,在上述从电力发电系统中获取了对应的场景集之后,可以根据场景集中各场景在不同时刻的概率值与出力值,确定各场景与其他场景之间的概率距离参数,并将各场景与其他场景之间的概率距离值进行累加和运算,得到各场景的概率距离和。
S203、根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。
其中,目标场景可以是场景集中概率距离和最小的场景,也可以是场景集中概率距离和最大的场景,还可以是场景集中概率距离和处于中间位置的场景。
本申请实施例中,在上述确定了各场景的概率距离和之后,根据各场景的概率距离和确定目标场景,并将目标场景从场景集中削减,得到削减后的场景集,并将削减后的场景集确定为保留场景集。
本申请实施例提供的场景削减方法,先获取电力发电系统对应的场景集;场景集包括多个场景,再根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和,然后根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。与现有只保留常规出力场景的方法相比,上述方法基于场景与场景之间的概率距离参数和概率距离和,不仅考虑了常规出力场景还考虑了极端出力场景,这使得最终保留场景集中的场景更能有效地反映风电场的实际出力情况,进而提高了风电场运作的安全性和可靠性。
在一个实施例中,在图2所示实施例的基础上,可以对保留场景集的获取过程进行描述,如图3所示,上述S203“根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集”,包括:
S301、确定各场景的概率距离和中最小的概率距离和。
本申请实施例中,在上述确定了各场景的概率距离和之后,可以将各场景的概率距离和中最小的概率距离和确定出来。
S302、将最小的概率距离和对应的场景确定为目标场景。
本申请实施例中,在上述确定了最小概率距离和了之后,将最小概率距离和对应的场景确定为目标场景。可选的,如下公式(1)提供一种目标场景的确定过程:
其中,P(m-1)表示保留场景集中的各个场景,例如,保留场景集为场景集,那么P(m-1)即为场景集中的各个场景,表示场景集中的各个场景的概率距离和。
S303、从场景集中将目标场景削减,得到保留场景集。
本申请实施例中,在上述确定了目标场景之后,可以从场景集中将目标场景进行削减,得到削减后的场景集,并将削减后的场景集确定为保留场景集。
本申请实施例提供的保留场景集的获取方法,通过将最小的概率距离和对应的场景从场景集中削减,在考虑常规出力场景的情况下,还基于各场景的概率值考虑了极端出力场景,这使得保留场景集中的场景更具真实性。
在一个实施例中,在图3或者图2所示实施例的基础上,如图4所示,上述方法还包括:
S204、将保留场景集中与目标场景中概率距离值最小的场景,确定为候选场景。
本申请实施例中,在上述确定了保留场景集中的各个场景之后,可以分别获取目标场景与保留场景集中的各个场景之间的概率距离值,并从各概率距离值中确定最小的概率距离值,并将最小的概率距离值对应的保留场景集中的场景,确定为候选场景。例如,候选场景km的确定过程可以用如下公式(2)表示:
其中,P(m)是指保留场景集中的各个场景,lm是指目标场景,si表示保留场景集中各个场景的出力值,表示目标场景的出力值,/>表示保留场景集中各个场景与目标场景之间的概率距离值。
S205、根据目标场景的概率值对候选场景的概率值进行更新,得到候选场景的新概率值。
其中,目标场景的概率值可以是目标场景还未被削减时,即还处于场景集中时,预先从电力发电场获取的场景的概率值。候选场景的概率值是候选场景在处于场景集中时,预先从电力发电场获取的场景的概率值。
本申请实施例中,在上述确定了候选场景之后,可以从电力发电系统中获取目标场景的概率值和候选场景的概率值,以及将目标场景的概率值和候选场景的概率值进行累加和运算,得到和概率值,然后将和概率值确定为候选场景的新概率值。例如,候选场景km的新概率值的确定过程可以用如下公式(3)表示:
其中,是指候选场景km的概率值,/>是指目标场景的概率值。
本申请实施例提供的候选场景的新概率值的获取方法,基于目标场景的概率值对候选场景的概率值进行更新,从而为下一次对保留场景集中的场景进行删减提供新的概率基础。
在一个实施例中,在图4所示实施例的基础上,如图5所示,上述方法还包括:
S206、确定保留集中的场景数量是否小于预设场景数,若大于,则转S207,若不大于,则转S208。
本申请实施例中,在上述确定了保留场景集之后,可以确定保留场景集中的场景数量,并确定保留场景集中的场景数量是否小于预设场景数。
S207、将保留场景集作为电力发电系统对应的新的场景集,并返回执行上述步骤S202。
本申请实施例中,在确定保留场景集中的场景数量大于预设场景数的情况下,将保留场景集作为电力发电系统对应的新的场景集,并根据新的场景集中各场景在不同时刻的概率值与出力值,确定新的场景集中各场景与其他场景之间的概率距离参数,并将新的场景集中各场景与其他场景之间的概率距离参数进行累加和运算,得到各场景的概率距离和;然后根据各场景的概率距离和确定新的目标场景,并将新的目标场景从新的场景集中削减,得到削减后的新的场景集,并将削减后的新的场景集确定为新的保留场景集,然后确定新的保留场景集中的场景数量是否小于预设场景数量,若大于,则将新的保留场景集作为电力发电系统对应的新场景集,......,直至新的保留场景集中的场景数量不大于预设场景数量为止。
S208、若不大于,停止削减。
本申请实施例中,在确定保留场景集中的场景数量不大于预设场景数的情况下,停止削减,并将保留场景集作为电力发电系统中需要进行分析的场景集,以便进行发电情况分析。
本申请实施例提供的场景的削减方法,在保留集中的场景数量满足预设场景数量的情况下,停止削减,将保留集作为最终需要分析的场景集,为场景集中场景的削减提供了截止条件。
在一个实施例中,在图2所示实施例的基础上,可以对确定各场景的概率距离和的过程进行描述,如图6所示,上述S202“根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和”,包括:
S401、获取各场景的概率值。
其中,场景的概率值是指场景可能会发生的可能性大小,场景发生的可能性越大则该场景的概率值越大,场景发生的可能性越小则该场景的概率值越小。
本申请实施例中,在上述获取了电力发电系统对应的场景集之后,可以继续从电力发电系统中获取场景集中各个场景的概率值。需要说明的是,各场景的概率值可以预先存储在电力发电系统中。
S402、根据各场景的概率值,确定各场景与任一其他场景之间的概率距离参数。
本申请实施例中,在上述获取了各场景的概率值之后,可以根据各场景的概率值确定各场景与任一其他场景之间的概率距离参数。
可选的,下面以场景集中的一个场景为例,提供了一种获取各场景与任一其他场景之间的概率距离参数的方法,如图7所示,即上述S402“根据各场景的概率值,确定各场景与任一其他场景之间的概率距离参数”,包括:
S4021、针对每个场景,获取场景和任一其他场景在不同时刻的出力值和概率值。
其中,场景的出力值是指场景的发电情况分析值。
本申请实施例中,在上述获取了电力发电系统对应的场景集之后,可以继续从电力发电系统中获取场景集中各个场景在不同时刻的出力值和概率值。需要说明的是,各场景的出力值可以预先存储在电力发电系统中。
S4022、对场景和任一其他场景在多个不同时刻的出力值和概率值进行运算处理,得到场景与任一其他场景之间的概率距离参数。
本申请实施例中,在上述获取了各个场景在不同时刻的出力值和概率值之后,对于任一场景,可以对该场景与其他各场景在不同时刻的出力值和概率值进行运算处理,得到该场景与其他各场景之间的概率距离参数,进一步的,对于场景集中的任意场景,可以对任意场景与其他各场景在不同时刻的出力值和概率值进行运算处理,得到任意场景与其他各场景之间的概率距离参数。
可选的,下面提供了一种获取场景与任一其他场景之间的概率距离参数的方法,如图8所示,即上述S4022“对场景的概率值和任一其他场景在不同时刻的出力值进行运算处理,得到场景与任一其他场景之间的概率距离参数”,包括:
S40221、对场景和任一其他场景在不同时刻的出力值进行差值运算,得到不同时刻的出力值差。
本申请实施例中,在上述获取了各场景在不同时刻的出力值和概率值之后,对场景和任一其他场景在不同时刻的出力值进行差值运算,得到不同时刻的出力值差。例如,对于场景si,i∈{1,2,...,n},n为场景集中的场景数,分别计算场景si与场景集中的任一其他各场景sj在不同时刻的出力值的差值,获取不同时刻的出力值差的过程如下公式(4)所示:
D=si(t)-sj(t),t∈{1,2,...,T} (4);
其中,si(t)表示t时刻场景si的出力值,sj(t)表示t时刻场景sj的出力值,T表示最终时刻。例如,s1(t)表示t时刻场景s1的出力值,那么sj(t)表示t时刻任一个场景s2,s3,......,sn的出力值,s2(t)表示t时刻场景s2的出力值,那么sj(t)表示t时刻任一个场景s1,s3,......,sn的出力值。上述公式(4)可以得到T个时刻的出力值差D。
S40222、对不同时刻出力值差进行平方运算,确定不同时刻的出力值参数。
本申请实施例中,在上述确定了场景与场景集中的任一其他各场景之间的不同时刻出力值差之后,可以对不同时刻出力值差进行平方运算,确定不同时刻的出力值参数。例如,对于不同时刻出力值差D进行平方运算,确定不同时刻的出力值参数D2,进一步对的,对上述公式(4)中得到的T个时刻的出力值差D进行平方运算,得到T个时刻的出力值参数D2。
S40223、对不同时刻的出力值参数进行加和运算,得到加和参数。
本申请实施例中,在上述确定了T个不同时刻的出力值参数D2之后,对T个不同时刻的出力值参数D2进行加和运算,得到加和参数。例如,获取加和参数的过程可以用下述公式(5)表示:
其中,A表示场景集中任意两个场景之间的加和参数,si(t)表示场景si在t时刻的出力值,sj(t)表示场景sj在t时刻的出力值。
S40224、根据加和参数、场景的概率值和任一其他场景的概率值,得到场景和任一其他场景之间的概率距离参数。
本申请实施例中,在上述获取到加和参数、场景的概率值和任一其他场景的概率值之后,可以对任意两个场景之间的加和参数、这两个场景的概率值进行运算处理,得到任意两个场景之间的概率距离参数;进一步的,对场景集中其他所有任意两个场景之间的加和参数、其他所有任意两个场景的概率值进行运算处理,得到场景集中场景与任一其他场景之间的概率距离参数。可选的,下面提供一种对场景集中任意两个场景之间的加和参数、这两个场景的概率值进行运算处理,得到任意两个场景之间的概率距离参数的过程,如下公式(6)所示:
其中,pi表示场景si的概率值,pj表示场景sj的概率值。z(si,sj)表示场景si和场景sj之间的概率距离参数。
S403、对各场景与所有其他场景之间的概率距离参数进行加和运算,确定各场景的概率距离和。
本申请实施例中,在上述确定了各场景与所有其他场景之间的概率距离参数之后,可以将各场景与所有其他场景之间的概率距离参数进行加和运算,得到各场景的概率距离和。例如,场景sj的概率距离和可以用如下公式(7)表示:
其中,为第m次迭代时,保留集中的场景sj与保留集中所有其他场景之间的概率距离和,例如,/>为初次迭代时,场景集中的场景sj与场景集中所有其他场景之间的概率距离和。P(m-1)表示第m-1次迭代之后保留集中的场景,P(m-1)-{j}表示第m-1次迭代之后保留集除了场景sj之外的其他场景。
本申请实施例提供的各场景的概率距离和的获取方法,为后续基于各场景的概率距离和确定目标场景提供数据基础。
在一个实施例中,在图2所示实施例的基础上,如图9所示,提供了一个完整的场景削减,包括:
S10、获取电力发电系统对应的场景集;
S11、获取各场景在不同时刻的概率值和出力值;
S12、对场景和任一其他场景在多个不同时刻的出力值和概率值进行运算处理,得到场景与任一其他场景之间的概率距离参数;
S13、对各场景与所有其他场景之间的概率距离参数进行加和运算,确定各场景的概率距离和;
S14、确定各场景的概率距离和中最小的概率距离和;
S15、将最小的概率距离和对应的场景确定为目标场景;
S16、从场景集中将目标场景削减,得到保留场景集;
S17、将保留场景集中与目标场景中概率距离值最小的场景,确定为候选场景;
S18、根据目标场景的概率值对候选场景的概率值进行更新,得到候选场景的新概率值;
S19、确定保留集中的场景数量是否小于预设场景数量,若大于,转S20,若不大于,则转S21;
S20、将保留场景集作为电力发电系统对应的新的场景集,并返回执行上述S11;
S21、停止削减。
上述方法基于场景与场景之间的概率距离参数和概率距离和,不仅考虑了常规出力场景还考虑了极端出力场景,这使得最终保留场景集中的场景更能有效地反映风电场的实际出力情况,进而提高了风电场运作的安全性和可靠性。
下面,提供了一种上述削减方法的实例,例如,以我国秦皇岛地区为研究对象,使用的数据为该地区2017年1月1日至2017年12月31日的风电、光伏、负荷实测值,数据分辨率为15min。由于上述场景削减方法属于电力系统电源规划技术领域,因此先利用场景生成方法生成未来30年该地区的风光荷数据,再进行场景削减,得到风光荷的典型场景。例如,设定风电为8个典型场景,光伏为8个典型场景,负荷为3个典型场景。
以风电典型场景为例,说明本发明提出的方法的有效性,图10为上述削减方法得到的风电典型场景,图11为传统场景削减方法得到的风电典型场景。可以看到图10中风电场景加粗曲线的部分时刻出力在1左右,这说明本发明提出的场景削减方法可以有效地保留新能源的极端出力场景,而对比图11中所有风电典型场景的最大出力仅为0.9左右,即传统的场景削减方法不能有效保留新能源极端出力场景。
进一步的,利用得到的风光荷典型场景进行未来30年的电源规划,设定新能源装机容量占比达到70%,发电量占比达到50%,失负荷率小于0.001%。用传统的场景削减方法、快速前代方法、K-means方法,并以原始方法作为参照,与上述场景削减方法作为对比方法,对比结果如下表1所示。
表1不同场景削减方法得到的规划方案
/>
为评价规划方案,利用原始一年数据对规划方案进行运行模拟。以失负荷率、弃风弃光率以及总成本作为校验评价指标,结果如下表2所示。
表2不同规划方案的运行模拟指标结果
/>
从表2中可以看到,利用上述场景削减方法得到的规划方案的运行模拟表现最好,其总成本、弃风弃光率以及失负荷率均为最低,提升了系统的经济性与安全性。
总的来说,利用传统削减方法进行电源规划时,由于未考虑新能源极端场景,规划总成本会偏低,系统灵活性资源和火电机组会由于优先考虑经济性而少装。因此在进行运行模拟时,会出现更多的失负荷和弃电情况,使得弃风弃光率和失负荷率增大,进一步使得系统总成本增大。而上述场景削减方法的电源规划方案中,火电机组容量会增大,系统灵活性资源容量会增大,以应对极端新能源出力场景,使得其在运行模拟时,在弃风弃光、失负荷以及总成本等指标上均要优于其他规划方案。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的场景削减方法的场景削减装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个场景削减装置实施例中的具体限定可以参见上文中对于场景削减方法的限定,在此不再赘述。
在一个示例性的实施例中,如图12所示,提供了一种场景削减装置,包括:获取模块10、确定模块11和削减模块12,其中:
获取模块10,用于获取电力发电系统对应的场景集;场景集包括多个场景。
确定模块11,用于根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和。
削减模块12,用于根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。
在一个示例性的实施例中,上述削减模块12,包括:第一确定单元、第二确定单元和削减单元,其中:
第一确定单元,具体用于确定各场景的概率距离和中最小的概率距离和;
第二确定单元,具体用于将最小的概率距离和对应的场景确定为目标场景;
削减单元,具体用于从场景集中将目标场景削减,得到保留场景集。
在一个示例性的实施例中,上述装置还包括:确定模块和更新模块,其中:
确定模块,用于将保留场景集中与目标场景中概率距离值最小的场景,确定为候选场景;
更新模块,用于根据目标场景的概率值对候选场景的概率值进行更新,得到候选场景的新概率值。
在一个示例性的实施例中,上述装置还包括:确定模块和停止模块,其中:
确定模块,用于确定保留集中的场景数量是否小于预设场景数量,若大于,则将保留场景集作为电力发电系统对应的新的场景集,并返回上述确定模块11;
停止模块,用于停止削减。
在一个示例性的实施例中,上述确定模块11,包括:获取单元、确定单元和运算单元,其中:
获取单元,具体用于获取各场景的概率值;
确定单元,具体用于根据各场景的概率值,确定各场景与任一其他场景之间的概率距离参数;
运算单元,具体用于对各场景与所有其他场景之间的概率距离参数进行加和运算,确定各场景的概率距离和。
在一个示例性的实施例中,上述确定单元,具体用于针对每个场景,获取场景和任一其他场景在不同时刻的出力值和概率值;对场景和任一其他场景在多个不同时刻的出力值和概率值进行运算处理,得到场景与任一其他场景之间的概率距离参数。
在一个示例性的实施例中,上述确定单元,具体用于对场景和任一其他场景在不同时刻的出力值进行差值运算,得到不同时刻的出力值差;对不同时刻出力值差进行平方运算,确定不同时刻的出力值参数;对不同时刻的出力值参数进行加和运算,得到加和参数;根据加和参数、场景的概率值和任一其他场景的概率值,得到场景和任一其他场景之间的概率距离参数。
上述场景削减装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图1所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储场景出力值数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种场景削减方法。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取电力发电系统对应的场景集;场景集包括多个场景;
根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和;
根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定各场景的概率距离和中最小的概率距离和;
将最小的概率距离和对应的场景确定为目标场景;
从场景集中将目标场景削减,得到保留场景集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将保留场景集中与目标场景中概率距离值最小的场景,确定为候选场景;
根据目标场景的概率值对候选场景的概率值进行更新,得到候选场景的新概率值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
确定保留集中的场景数量是否小于预设场景数量,若大于,则将保留场景集作为电力发电系统对应的新的场景集,并返回执行根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和的步骤;
若不大于,则停止削减。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取各场景的概率值;
根据各场景的概率值,确定各场景与任一其他场景之间的概率距离参数;
对各场景与所有其他场景之间的概率距离参数进行加和运算,确定各场景的概率距离和。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
针对每个场景,获取场景和任一其他场景在不同时刻的出力值和概率值;
对场景和任一其他场景在多个不同时刻的出力值和概率值进行运算处理,得到场景与任一其他场景之间的概率距离参数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对场景和任一其他场景在不同时刻的出力值进行差值运算,得到不同时刻的出力值差;
对不同时刻出力值差进行平方运算,确定不同时刻的出力值参数;
对不同时刻的出力值参数进行加和运算,得到加和参数;
根据加和参数、场景的概率值和任一其他场景的概率值,得到场景和任一其他场景之间的概率距离参数。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取电力发电系统对应的场景集;场景集包括多个场景;
根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和;
根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定各场景的概率距离和中最小的概率距离和;
将最小的概率距离和对应的场景确定为目标场景;
从场景集中将目标场景削减,得到保留场景集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将保留场景集中与目标场景中概率距离值最小的场景,确定为候选场景;
根据目标场景的概率值对候选场景的概率值进行更新,得到候选场景的新概率值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定保留集中的场景数量是否小于预设场景数量,若大于,则将保留场景集作为电力发电系统对应的新的场景集,并返回执行根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和的步骤;
若不大于,则停止削减。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取各场景的概率值;
根据各场景的概率值,确定各场景与任一其他场景之间的概率距离参数;
对各场景与所有其他场景之间的概率距离参数进行加和运算,确定各场景的概率距离和。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对每个场景,获取场景和任一其他场景在不同时刻的出力值和概率值;
对场景和任一其他场景在多个不同时刻的出力值和概率值进行运算处理,得到场景与任一其他场景之间的概率距离参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对场景和任一其他场景在不同时刻的出力值进行差值运算,得到不同时刻的出力值差;
对不同时刻出力值差进行平方运算,确定不同时刻的出力值参数;
对不同时刻的出力值参数进行加和运算,得到加和参数;
根据加和参数、场景的概率值和任一其他场景的概率值,得到场景和任一其他场景之间的概率距离参数。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取电力发电系统对应的场景集;场景集包括多个场景;
根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和;
根据各场景的概率距离和确定目标场景,并从场景集中将目标场景削减,得到保留场景集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定各场景的概率距离和中最小的概率距离和;
将最小的概率距离和对应的场景确定为目标场景;
从场景集中将目标场景削减,得到保留场景集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将保留场景集中与目标场景中概率距离值最小的场景,确定为候选场景;
根据目标场景的概率值对候选场景的概率值进行更新,得到候选场景的新概率值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
确定保留集中的场景数量是否小于预设场景数量,若大于,则将保留场景集作为电力发电系统对应的新的场景集,并返回执行根据场景集中的各场景与其他场景之间的概率距离参数,确定各场景的概率距离和的步骤;
若不大于,则停止削减。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取各场景的概率值;
根据各场景的概率值,确定各场景与任一其他场景之间的概率距离参数;
对各场景与所有其他场景之间的概率距离参数进行加和运算,确定各场景的概率距离和。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
针对每个场景,获取场景和任一其他场景在不同时刻的出力值和概率值;
对场景和任一其他场景在多个不同时刻的出力值和概率值进行运算处理,得到场景与任一其他场景之间的概率距离参数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对场景和任一其他场景在不同时刻的出力值进行差值运算,得到不同时刻的出力值差;
对不同时刻出力值差进行平方运算,确定不同时刻的出力值参数;
对不同时刻的出力值参数进行加和运算,得到加和参数;
根据加和参数、场景的概率值和任一其他场景的概率值,得到场景和任一其他场景之间的概率距离参数。
本领域普通技术人员可以理解实现上述实施例方法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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory,MRAM)、铁电存储器(Ferroelectric RandomAccess Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static RandomAccess Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccessMemory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种场景削减方法,其特征在于,所述方法包括:
获取电力发电系统对应的场景集;所述场景集包括多个场景;
根据所述场景集中的各场景与其他场景之间的概率距离参数,确定各所述场景的概率距离和;
根据各所述场景的概率距离和确定目标场景,并从所述场景集中将所述目标场景削减,得到保留场景集。
2.根据权利要求1所述的方法,其特征在于,所述根据各所述场景的概率距离和确定目标场景,并从所述场景集中将所述目标场景削减,得到保留场景集,包括:
确定各所述场景的概率距离和中最小的概率距离和;
将所述最小的概率距离和对应的场景确定为目标场景;
从所述场景集中将所述目标场景削减,得到保留场景集。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
将所述保留场景集中与所述目标场景中概率距离值最小的场景,确定为候选场景;
根据所述目标场景的概率值对所述候选场景的概率值进行更新,得到所述候选场景的新概率值。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
确定所述保留集中的场景数量是否小于预设场景数量,若大于,则将所述保留场景集作为所述电力发电系统对应的新的场景集,并返回执行所述根据所述场景集中的各场景与其他场景之间的概率距离参数,确定各所述场景的概率距离和的步骤;
若不大于,则停止削减。
5.根据权利要求1所述的方法,其特征在于,所述根据所述场景集中的各场景与其他场景之间的概率距离参数,确定各所述场景的概率距离和,包括:
获取各所述场景的概率值;
根据各所述场景的概率值,确定各所述场景与任一所述其他场景之间的概率距离参数;
对各所述场景与所有其他场景之间的概率距离参数进行加和运算,确定各所述场景的概率距离和。
6.根据权利要求5所述的方法,其特征在于,所述根据各所述场景的概率值,确定各所述场景与任一其他场景之间的概率距离参数,包括:
针对每个所述场景,获取所述场景和任一其他场景在不同时刻的出力值和概率值;
对所述场景和任一其他场景在多个不同时刻的出力值和概率值进行运算处理,得到所述场景与任一其他场景之间的概率距离参数。
7.根据权利要求6所述的方法,其特征在于,所述对所述场景的概率值和任一其他场景在不同时刻的出力值进行运算处理,得到所述场景与任一其他场景之间的概率距离参数,包括:
对所述场景和任一其他场景在不同时刻的出力值进行差值运算,得到不同时刻的出力值差;
对所述不同时刻出力值差进行平方运算,确定不同时刻的出力值参数;
对所述不同时刻的出力值参数进行加和运算,得到加和参数;
根据所述加和参数、所述场景的概率值和所述任一其他场景的概率值,得到所述场景和任一其他场景之间的概率距离参数。
8.一种场景削减装置,其特征在于,所述装置包括:
获取模块,用于获取电力发电系统对应的场景集;所述场景集包括多个场景;
确定模块,用于根据所述场景集中的各场景与其他场景之间的概率距离参数,确定各所述场景的概率距离和;
削减模块,用于根据各所述场景的概率距离和确定目标场景,并从所述场景集中将所述目标场景削减,得到保留场景集。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311682923.5A CN117674294A (zh) | 2023-12-08 | 2023-12-08 | 场景削减方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311682923.5A CN117674294A (zh) | 2023-12-08 | 2023-12-08 | 场景削减方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117674294A true CN117674294A (zh) | 2024-03-08 |
Family
ID=90063821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311682923.5A Pending CN117674294A (zh) | 2023-12-08 | 2023-12-08 | 场景削减方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117674294A (zh) |
-
2023
- 2023-12-08 CN CN202311682923.5A patent/CN117674294A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111090780B (zh) | 可疑交易信息的确定方法及装置、存储介质、电子设备 | |
Shortridge et al. | Scenario discovery with multiple criteria: An evaluation of the robust decision‐making framework for climate change adaptation | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN114428937A (zh) | 一种基于时空图神经网络的时间序列数据预测方法 | |
CN110517154A (zh) | 数据模型训练方法、系统及计算机设备 | |
Cavalcante et al. | Niche overlap between two sympatric frugivorous Neotropical primates: improving ecological niche models using closely-related taxa | |
Buckland et al. | Measuring temporal trends in biodiversity | |
Tang et al. | A hybrid estimate for the finite-time ruin probability in a bivariate autoregressive risk model with application to portfolio optimization | |
Zeileis et al. | A toolbox of permutation tests for structural change | |
Hyndman et al. | Monash electricity forecasting model | |
CN113570106A (zh) | 基于高速公路神经网络的电力负荷预测方法及设备 | |
Vandeskog et al. | Quantile based modeling of diurnal temperature range with the five‐parameter lambda distribution | |
CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 | |
CN117674294A (zh) | 场景削减方法、装置、计算机设备和存储介质 | |
CN115391746B (zh) | 针对气象要素数据的插值方法、装置、电子设备及介质 | |
CN113420831A (zh) | 热带气旋分析方法、装置、设备及存储介质 | |
de Matos et al. | Assessment of the long-term hydrothermal scheduling operation polices with alternative inflow modeling | |
CN117852968A (zh) | 评估模型确定方法、装置、设备、存储介质和程序产品 | |
WO2022156743A1 (zh) | 特征构建方法和装置、模型训练方法和装置、设备、介质 | |
CN114840506A (zh) | 数据降维方法、装置、计算机设备和存储介质 | |
CN117649052A (zh) | 光伏电站联合出力典型场景生成方法、装置和计算机设备 | |
CN116796926B (zh) | 低压侧新能源资源聚合容量评估方法及装置、介质、设备 | |
CN116613738A (zh) | 风机出力预测方法、装置、设备、介质及程序产品 | |
Zhou | Comparative Analysis of Machine Learning Performance in House Price Prediction for Ames Iowa | |
CN116596128A (zh) | 一种电动汽车充电场站负荷预测方法、装置及计算机可读存储介质 |
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 |