CN117713211B - 基于环境分析的光伏并网智能调度方法及系统 - Google Patents
基于环境分析的光伏并网智能调度方法及系统 Download PDFInfo
- Publication number
- CN117713211B CN117713211B CN202311736506.4A CN202311736506A CN117713211B CN 117713211 B CN117713211 B CN 117713211B CN 202311736506 A CN202311736506 A CN 202311736506A CN 117713211 B CN117713211 B CN 117713211B
- Authority
- CN
- China
- Prior art keywords
- prediction
- power generation
- power
- grid
- result
- 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 51
- 238000003891 environmental analysis Methods 0.000 title claims abstract description 12
- 238000010248 power generation Methods 0.000 claims abstract description 162
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims description 51
- 230000006978 adaptation Effects 0.000 claims description 34
- 238000012423 maintenance Methods 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 23
- 238000012549 training Methods 0.000 description 11
- 238000005286 illumination Methods 0.000 description 7
- 238000004146 energy storage Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000712 assembly Effects 0.000 description 3
- 238000000429 assembly Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 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
- G06Q10/06315—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
- H02J3/004—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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本公开提供了一种基于环境分析的光伏并网智能调度方法及系统，涉及新能源发电技术领域，方法包括：获取并网的需求额定功率；基于光源预测信息和光伏发电特征集进行发电的稳态预测，建立稳态发电节点；以需求额定功率进行稳态发电节点的节点匹配，建立并网连接，并配置补偿功率；进行功率供给并配置更新预测窗口；基于更新预测窗口进行环境信息采集，生成补偿控制信息；依据补偿控制信息进行并网连接和补偿功率的调度管理。能够解决现有的光伏并网调度方法存在并网时间节点和调度电量设置不合理导致光伏并网时电网运行稳定性较差的技术问题，可以提高光伏并网过程中并网时间节点和调度电量设置的准确性，从而保障电网的安全平稳运行。
Description
技术领域
本公开涉及新能源发电技术领域，并且更具体地，涉及一种基于环境分析的光伏并网智能调度方法及系统。
背景技术
光伏并网调度是指通过自动化技术集成一系列技术手段，实现光伏并网的自动调度，保证光伏并网时电网供电的电能质量。光伏发电能力由于受到天气以及光照条件的影响，会存在间歇性、出力不稳定的情况，现有的光伏并网调度方法存在对光伏发电功率进行预测的准确性较低，导致光伏并网时间节点和调度电量设置准确性较低，对光伏并网时电网的平稳运行造成不良影响。
现有的光伏并网调度方法存在的不足之处在于：由于并网时间节点和调度电量设置不合理导致光伏并网时电网运行稳定性较差。
发明内容
因此，为了解决上述技术问题，本公开的实施例采用的技术方案如下：
基于环境分析的光伏并网智能调度方法，包括以下步骤：建立光伏发电特征集，其中，所述光伏发电特征集为通过采集光伏发电设备的设备信息构建的特征集合；获取并网的需求额定功率；获取光源的预测信息，基于所述预测信息和光伏发电特征集进行发电的稳态预测，建立稳态发电节点；以所述需求额定功率进行稳态发电节点的节点匹配，根据节点匹配结果建立并网连接，并根据适配结果配置补偿功率；将建立的并网连接和所述补偿功率进行所述需求额定功率的功率供给，并配置更新预测窗口；基于所述更新预测窗口进行环境信息的实时采集，并基于实时采集结果生成补偿控制信息；依据所述补偿控制信息进行并网连接和补偿功率的调度管理。
基于环境分析的光伏并网智能调度系统，包括：光伏发电特征集建立模块，所述光伏发电特征集建立模块用于建立光伏发电特征集，其中，所述光伏发电特征集为通过采集光伏发电设备的设备信息构建的特征集合；需求额定功率获取模块，所述需求额定功率获取模块用于获取并网的需求额定功率；发电稳态预测模块，所述发电稳态预测模块用于获取光源的预测信息，基于所述预测信息和光伏发电特征集进行发电的稳态预测，建立稳态发电节点；补偿功率配置模块，所述补偿功率配置模块用于以所述需求额定功率进行稳态发电节点的节点匹配，根据节点匹配结果建立并网连接，并根据适配结果配置补偿功率；更新预测窗口配置模块，所述更新预测窗口配置模块用于将建立的并网连接和所述补偿功率进行所述需求额定功率的功率供给，并配置更新预测窗口；补偿控制信息生成模块，所述补偿控制信息生成模块用于基于所述更新预测窗口进行环境信息的实时采集，并基于实时采集结果生成补偿控制信息；调度管理模块，所述调度管理模块用于依据所述补偿控制信息进行并网连接和补偿功率的调度管理。
由于采用了上述技术方法，本公开相对于现有技术来说，取得的技术进步有如下几点：
可以解决现有的光伏并网调度方法存在并网时间节点和调度电量设置不合理导致光伏并网时电网运行稳定性较差的技术问题，首先，通过采集光伏发电设备的设备信息构建光伏发电特征集；获取光伏并网时的需求额定功率；获取预设时间周期内的光源预测信息，并根据所述预测信息和所述光伏发电特征集进行发电的稳态预测，构建稳态发电节点；基于所述预设时间周期内时间节点的先后顺序，将所述需求额定功率和稳态发电节点进行节点匹配，并根据节点匹配结果建立并网连接，进一步根据适配结果配置补偿功率；然后基于建立的并网连接和所述补偿功率进行所述需求额定功率的功率供给，并在功率供给过程中配置更新预测窗口；在所述更新预测窗口内进行环境信息的实时采集，并基于实时采集结果生成补偿控制信息；最后根据所述补偿控制信息进行并网连接和补偿功率的调度管理。通过上述方法可以提高光伏并网过程中并网时间节点和调度电量设置的准确性，从而进一步提高光伏并网调度质量，保障电网的安全平稳运行。
附图说明
为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的描述中所需要使用的附图作简单的介绍。
图1为本申请提供了一种基于环境分析的光伏并网智能调度方法的流程示意图；
图2为本申请提供了一种基于环境分析的光伏并网智能调度方法中基于时序影响结果进行稳态预测重构结果补偿的流程示意图；
图3为本申请提供了一种基于环境分析的光伏并网智能调度系统的结构示意图。
附图标记说明：光伏发电特征集建立模块01、需求额定功率获取模块02、发电稳态预测模块03、补偿功率配置模块04、更新预测窗口配置模块05、补偿控制信息生成模块06、调度管理模块07。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整的描述。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
基于上述描述，如图1所示，本公开提供了一种基于环境分析的光伏并网智能调度方法，包括：
光伏发电是指通过太阳能电池将太阳能转化为电能的一种发电方式，由于光伏发电能力受到天气以及光照条件的影响，会存在间歇性、出力不稳定的情况。本申请提供的方法用于通过对光伏发电时的光源、温度等环境信息进行分析，提高光伏发电功率预测的准确性，进而提高光伏并网过程中并网时间节点和调度电量设置的准确性，实现光伏并网的智能调度，从而提高光伏并网调度质量，保障电网的安全平稳运行。
建立光伏发电特征集，其中，所述光伏发电特征集为通过采集光伏发电设备的设备信息构建的特征集合；
在本申请实施例中，首先，对光伏发电设备的设备信息进行采集，其中所述设备信息包括太阳能电池板安装面积、太阳能电池种类、太阳能电池光电转换效率等，然后根据所述设备信息构建光伏发电特征集，其中所述光伏发电特征集包括装机容量、发电效率、并网发电量、发电成本等信息，本领域技术人员可根据光伏发电设备的实际类型及装机情况进行设置。通过获得光伏发电特征集，为下一步进行光伏发电预测提供了数据支持。
获取并网的需求额定功率；
在本申请实施例中，首先，设置第一时间窗口，其中第一时间窗口为未来时段内的一个时间周期，本领域技术人员可根据实际需求进行设置，其中第一时间窗口为一个较长的时间周期，例如：设置第一时间窗口为未来一个月之内。获取所述第一时间窗口内光伏发电设备并网时的需求额定功率，其中所述需求额定功率为所述第一时间窗口内多个时间节点下的需求额定功率，可根据时间节点下的实际用电需求信息进行设置，其中时间节点本领域技术人员可根据实际情况自行设置，例如：设置一个月之内的每天为一个时间节点。通过获得第一时间窗口内的需求额定功率，为下一步进行光伏并网调度分析提供了数据支持。
获取光源的预测信息，基于所述预测信息和光伏发电特征集进行发电的稳态预测，建立稳态发电节点；
在本申请实施例中，获取所述第一时间窗口内的光源预测信息，其中所述光源预测信息包括第一时间窗口内多个时间节点下的光照时长、光照强度等数据，本领域技术人员可通过天气预报、卫星地图等手段进行获取。
按照所述第一时间窗口内的多个时间节点，根据所述光源预测信息和所述光伏发电特征集进行多个时间节点下的光伏发电稳态预测，其中光伏发电稳态预测是指对可靠程度较高的光伏发电量进行预测，排除可靠程度较低或波动较大的光伏发电量。其中光伏发电稳态预测方法可基于BP神经网络构建稳态发电预测模型，其中所述稳态发电预测模型输入数据为光源信息和光伏发电特征集，输出数据为预测稳态发电功率，并采用相同光伏发电特征集下的历史光伏发电数据作为训练数据对稳态发电预测模型进行监督训练，得到训练完成的稳态发电预测模型，然后将所述预测信息和光伏发电特征集输入训练完成的稳态发电预测模型进行多个时间节点下的稳态光伏发电功率预测，获得多个时间节点下的稳态发电功率预测结果，最后将多个稳态发电功率预测结果按照时间节点的先后顺序进行排列，构建稳态发电节点。通过构建稳态发电节点，为下一步进行光伏并网的调度分析提供了数据支持。
以所述需求额定功率进行稳态发电节点的节点匹配，根据节点匹配结果建立并网连接，并根据适配结果配置补偿功率；
在本申请实施例中，基于所述第一时间窗口内的多个时间节点，将所述需求额定功率和所述稳态发电节点进行节点匹配，得到节点匹配结果，并根据节点匹配结果建立并网连接，然后根据节点匹配结果进行补偿功率分析，当相同时间节点下的稳态发电功率预测结果小于需求额定功率时，表征该时间节点下的光伏发电功率不能满足用电需求，此时需要进行用电补偿，然后将所述需求额定功率减去所述稳态发电功率预测结果，将两者之差设定为该时间节点下的用电补偿功率偏差即所述补偿功率，并根据所述补偿功率在该时间节点下进行供电补偿，其中供电补偿方法本领域技术人员可根据实际情况进行设置，例如：可通过光伏电站的储能电池进行供电补偿。
在一个实施例中，所述方法还包括：
判断所述适配结果是否满足预设适配值；
当所述适配结果满足所述预设适配值时，则生成分流补电指令；
依据分流补电指令控制稳态发电节点进行分流充电。
在本申请实施例中，当相同时间节点下的稳态发电功率预测结果大于需求额定功率时，表征该时间节点下的光伏发电功率满足用电需求，此时则将所述稳态发电功率预测结果减去所述需求额定功率，将两者之差作为盈余功率偏差。然后根据预设适配值对所述盈余功率偏差进行判断，其中所述预设适配值本领域技术人员可根据实际情况进行设置，当所述盈余功率偏差大于所述预设适配值时，表征稳态发电功率预测结果远大于需求额定功率，此时则需要通过光伏电站的储能系统将盈余功率保留下来，避免电能浪费，则生成分流补电指令。最后根据所述分流补电指令在稳态发电节点下控制光伏发电设备进行分流充电，其中分流充电是指将盈余发电功率通过蓄电池等储能装置进行保存。
在一个实施例中，所述方法还包括：
建立评价适应度函数，其中，所述评价适应度函数包括成本评价适应度函数和稳态评价适应度函数；
通过所述评价适应度函数进行分流充电和并网连接的寻优评价，根据寻优评价结果更新并网连接和分流充电的连接节点。
在本申请实施例中，在控制光伏发电设备进行分流充电时，首先，建立评价适应度函数，其中所述评价适应度函数包括成本评价适应度函数和稳态评价适应度函数。
在光伏发电设备运行过程中，其中光伏发电设备包括多块太阳能电池板组件，且每块太阳能电池板组件均包括并网线路和储能线路，其中并网线路用于光伏并网供电，储能线路用于电量存储。所述成本评价适应度函数用于对多块太阳能电池板组件的使用线路进行成本评价，其中使用线路越少，则线路使用和维护成本越低，则成本适应度越高；线路使用越多，则线路使用和维护成本越高，则成本适应度越低。所述稳态评价适应度函数用于对多块太阳能电池板组件进行并网供电的稳定性进行评价，由于太阳能电池板进行发电时，所受到的光照角度、环境、云层遮挡等情况各不相同，因此供电稳定性存在差异，因此需要选择供电稳定性较高的太阳能电池板组件进行光伏并网供电，以此来提高光伏并网供电的稳定性，其中光伏供电稳定性越高，则稳态适应度越大。
在满足光伏并网需求额定功率的前提下，根据多块太阳能电池板组件随机生成多种供电线路方案，然后利用寻优算法对多种供电线路方案进行寻优评价，首先，在多种供电线路方案中不放回的随机选取第一供电线路方案和第二供电线路方案，然后根据所述成本评价适应度函数和所述稳态评价适应度函数分别对第一供电线路方案和第二供电线路方案进行适应度评价，获得第一供电线路方案的第一成本适应度和第一稳态适应度，第二供电线路方案的第二成本适应度和第二稳态适应度。
获取成本适应度和稳态适应度的预设权重，其中所述预设权重本领域技术人员可根据成本和稳态的重要度进行设置，其中哪项指标的重要度越大，则对应的权重越大，可通过现有的变异系数法进行权重设置，其中变异系数法为本领域技术人员常用的赋权方法，在此不进行展开说明。然后根据所述预设权重分别对第一供电线路方案的第一成本适应度和第一稳态适应度，第二供电线路方案的第二成本适应度和第二稳态适应度进行综合适应度计算，并根据加权计算结果得到第一综合适应度和第二综合适应度。
将所述第一综合适应度和所述第二综合适应度进行比对，当所述第一综合适应度小于等于所述第二综合适应度时，则将所述第二供电线路方案设定为当前最优供电线路方案；当所述第一综合适应度大于所述第二综合适应度时，则按照概率将所述第二供电线路方案设定为当前最优供电线路方案，其中所述概率随着寻优次数的增加而减少。对多个供电线路方案不断进行迭代寻优，直到当前寻优次数等于预设寻优次数时，其中预设寻优次数可基于实际需求进行设置，其中寻优需求精度越高，则预设寻优次数越大，输出当前最优供电线路方案作为寻优评价结果。
最后根据所述寻优评价结果对并网连接和分流充电的线路连接节点进行更新设置，并根据更新后的连接节点进行并网供电和盈余功率存储。通过构建成本评价适应度函数和稳态评价适应度函数对光伏发电设备并网和分流充电的连接线路进行寻优，并根据最优连接线路方案对并网连接和分流充电的连接节点进行更新，可以提高线路连接节点设置的准确性，同时可以在保证光伏并网稳定性的前提下减少线路运营和维护成本。
将建立的并网连接和所述补偿功率进行所述需求额定功率的功率供给，并配置更新预测窗口；
在本申请实施例中，在所述第一时间窗口的时间节点下，根据建立的并网连接和所述补偿功率对光伏并网的需求额定功率进行功率供给，并在功率供给过程中设置更新预测窗口，其中所述更新预测窗口用于对光伏供电设备所处的实时环境数据进行采集，为一个较短的时间周期，本领域技术人员可根据实际情况进行设置，例如：10分钟。
基于所述更新预测窗口进行环境信息的实时采集，并基于实时采集结果生成补偿控制信息；
在本申请实施例中，在所述更新预测窗口内，通过多个传感器对光伏供电设备所处的实时环境信息进行采集，其中所述实时环境信息包括光源信息和温度信息，其中光源信息包括光照强度、光照角度等数据，其中温度会影响光伏供电设备的输出功率，相同辐照情况下，输出功率会随着环境温度的升高而下降，获得实时环境信息采集结果。然后根据所述实时环境信息采集结果进行光伏并网时的功率补偿分析，生成补偿控制信息。
在一个实施例中，所述方法还包括：
通过所述更新预测窗口进行窗口内的光源预测数据采集，生成光源验证信息；
基于所述光源验证信息进行所述预测信息的信息校正，根据信息校正结果和光伏发电特征集进行发电的稳态预测重构；
在本申请实施例中，在所述更新预测窗口内进行光源预测数据采集，并将光源预测数据采集结果作为光源验证信息。然后根据所述光源验证信息对相同时间节点下的预测信息进行信息校正，获得光源信息校正结果。将所述光源信息校正结果和光伏发电特征集输入所述稳态发电预测模型进行稳态发电预测，完成该时间节点下光伏发电的稳态预测更新。
如图2所示，在一个实施例中，所述方法还包括：
基于所述更新预测窗口进行环境温度预测，建立环境温度数据集；
获取光伏发电设备的实时温度状态，并基于所述环境温度数据集和所述实时温度状态进行设备的温升预测；
在本申请实施例中，通过温度传感器在所述更新预测窗口内进行环境温度采集，获得环境温度数据，并根据所述环境温度数据进行相同时间节点下未来时间周期内的温度预测，例如：未来5小时，根据环境温度预测结果获得环境温度数据集，其中环境温度数据集为多个时间节点下的温度预测结果。
通过温度传感器获取光伏发电设备的实时温度状态，然后根据所述环境温度数据集和所述实时温度状态对光伏发电设备进行温升预测，获得温升预测结果。
在一个实施例中，所述方法还包括：
建立光伏发电设备的负荷与环境温度和设备温升的影响数据集；
以所述影响数据集配置温升预测网络；
以所述稳态发电节点对应的稳态功率进行基准负荷转换，并将基准负荷转换结果、环境温度数据集输入温升预测网络，生成初始温升预测结果；
通过所述实时温度状态进行设备的状态补偿，并通过状态补偿结果进行初始温升预测结果修正，获得所述温升预测结果。
在本申请实施例中，首先，查询光伏发电设备的历史发电记录数据，并根据所述历史发电记录数据获取光伏发电设备的负荷与环境温度和设备温升的影响数据集，其中光伏发电设备负荷是指供电负载占比，其中供电负载占比越大，则负荷越大。
基于BP神经网络构建温升预测网络，其中所述温升预测网络用于对光伏发电设备进行温升预测，为机器学习中可以进行迭代优化的神经网络模型，通过训练数据集进行监督训练获得，其中温升预测网络包括输入层、预测层和输出层，其中所述输入层的输入数据为设备负荷、环境温度数据集，输出层的输出数据为设备温升。将所述影响数据集作为训练数据对所述温升预测网络进行监督训练，首先，在所述影响数据集中随机选择第一影响数据，其中第一影响数据包括第一设备负荷、第一环境温度、第一设备温升；然后通过所述第一影响数据对所述温升预测网络进行监督训练，获得第一温升预测结果；将所述第一温升预测结果与所述第一设备温升进行比对，当两者一致时，则进行下一影响数据的监督训练；当两者不一致时，则根据两者之间的偏差对所述温升预测网络的权重参数进行校正，然后进行下一影响数据的监督训练；不断进行迭代训练，直到温升预测网络趋于收敛状态时，获得训练完成的温升预测网络。通过基于BP神经网络构建温升预测网络进行设备温升预测，可以提高设备温升预测的准确性和效率，从而提高补偿控制信息获得的准确性和效率。
将所述稳态发电节点对应的稳态功率进行基准负荷转换，其中基准负荷转换是指将稳态功率转换为设备负荷即供电负载占比，得到基准负荷转换结果。然后将基准负荷转换结果、环境温度数据集输入训练完成的温升预测网络进行设备温升预测，获得初始温升预测结果。
根据所述实时温度状态进行设备温度状态设置补偿，获得设备温度补偿结果，然后根据设备温度补偿结果对初始温升结果进行校正，得到温升预测结果。通过获得温升预测结果，为下一步进行设备发电状态影响分析提供了数据支持。
通过温升预测结果进行光伏发电设备的发电状态影响分析，建立时序影响结果；
基于时序影响结果进行稳态预测重构结果补偿。
在本申请实施例中，根据温升预测结果进行光伏发电设备的发电状态影响分析，其中发电状态影响分析是指根据设备温度对光伏发电设备的输出功率偏差进行预测，获得多个时间节点下的输出功率偏差，并根据时间节点的先后顺序构建功率影响序列即所述时序影响结果。最后根据所述时序影响结果对稳态预测重构结果进行补偿。
通过稳态预测重构结果生成补偿控制信息。
在本申请实施例中，根据稳态预测重构结果和相同时间节点下的需求额定功率进行功率补偿分析，得到补偿控制信息。
依据所述补偿控制信息进行并网连接和补偿功率的调度管理。
在本申请实施例中，最后根据所述补偿控制信息进行并网连接和补偿功率的调度管理。通过上述方法可以提高光伏并网过程中并网时间节点和调度电量设置的准确性，从而进一步提高光伏并网调度质量，保障电网的安全平稳运行。
在一个实施例中，所述方法还包括：
获取光源的连续预测，建立连续预测周期；
配置补偿设备的设备维护周期；
通过所述连续预测周期和所述设备维护周期进行周期的适配评价；
基于适配评价结果定位维护节点，基于所述维护节点进行补偿设备的维护管理。
在本申请实施例中，获取光源的连续预测结果，并根据预测时间节点的先后顺序建立连续预测周期。获取补偿设备的设备维护周期，其中补偿设备是指在光伏并网时提供补偿功率的设备，其中所述设备维护周期本领域技术人员可根据补偿设备的实际维护情况进行设置。然后根据所述连续预测周期和所述设备维护周期进行周期的适配评价，其中在光源特别充足的时候，此时补偿设备处于空闲状态，因此在这个时间段进行补偿设备维护并不会影响光伏并网质量，则此时间段的适配评价越高，获得多个时间段的适配评价结果。
然后将多个适配评价结果中评价结果最高的时间段设定为补偿设备维护节点，并根据所述补偿设备维护节点进行补偿设备的维护管理。通过根据光源预测结果设置补偿设备维护节点，可以在不影响光伏并网稳定性的前提下对补偿设备进行维护，从而进一步提高光伏并网质量。
在一个实施例中，如图3所示提供了一种基于环境分析的光伏并网智能调度系统，包括：光伏发电特征集建立模块01、需求额定功率获取模块02、发电稳态预测模块03、补偿功率配置模块04、更新预测窗口配置模块05、补偿控制信息生成模块06、调度管理模块07，其中：
光伏发电特征集建立模块01，所述光伏发电特征集建立模块01用于建立光伏发电特征集，其中，所述光伏发电特征集为通过采集光伏发电设备的设备信息构建的特征集合；
需求额定功率获取模块02，所述需求额定功率获取模块02用于获取并网的需求额定功率；
发电稳态预测模块03，所述发电稳态预测模块03用于获取光源的预测信息，基于所述预测信息和光伏发电特征集进行发电的稳态预测，建立稳态发电节点；
补偿功率配置模块04，所述补偿功率配置模块04用于以所述需求额定功率进行稳态发电节点的节点匹配，根据节点匹配结果建立并网连接，并根据适配结果配置补偿功率；
更新预测窗口配置模块05，所述更新预测窗口配置模块05用于将建立的并网连接和所述补偿功率进行所述需求额定功率的功率供给，并配置更新预测窗口；
补偿控制信息生成模块06，所述补偿控制信息生成模块06用于基于所述更新预测窗口进行环境信息的实时采集，并基于实时采集结果生成补偿控制信息；
调度管理模块07，所述调度管理模块07用于依据所述补偿控制信息进行并网连接和补偿功率的调度管理。
在一个实施例中，所述系统还包括：
光源验证信息生成模块，所述光源验证信息生成模块用于通过所述更新预测窗口进行窗口内的光源预测数据采集，生成光源验证信息；
稳态预测重构模块，所述稳态预测重构模块用于基于所述光源验证信息进行所述预测信息的信息校正，根据信息校正结果和光伏发电特征集进行发电的稳态预测重构；
补偿控制信息生成模块，所述补偿控制信息生成模块用于通过稳态预测重构结果生成补偿控制信息。
在一个实施例中，所述系统还包括：
环境温度预测模块，所述环境温度预测模块用于基于所述更新预测窗口进行环境温度预测，建立环境温度数据集；
设备温升预测模块，所述设备温升预测模块用于获取光伏发电设备的实时温度状态，并基于所述环境温度数据集和所述实时温度状态进行设备的温升预测；
时序影响结果建立模块，所述时序影响结果建立模块用于通过温升预测结果进行光伏发电设备的发电状态影响分析，建立时序影响结果；
稳态预测重构结果补偿模块，所述稳态预测重构结果补偿模块用于基于时序影响结果进行稳态预测重构结果补偿。
在一个实施例中，所述系统还包括：
影响数据集建立模块，所述影响数据集建立模块用于建立光伏发电设备的负荷与环境温度和设备温升的影响数据集；
温升预测网络配置模块，所述温升预测网络配置模块用于以所述影响数据集配置温升预测网络；
初始温升预测结果生成模块，所述初始温升预测结果生成模块用于以所述稳态发电节点对应的稳态功率进行基准负荷转换，并将基准负荷转换结果、环境温度数据集输入温升预测网络，生成初始温升预测结果；
温升预测结果获得模块，所述温升预测结果获得模块用于通过所述实时温度状态进行设备的状态补偿，并通过状态补偿结果进行初始温升预测结果修正，获得所述温升预测结果。
在一个实施例中，所述系统还包括：
适配结果判断模块，所述适配结果判断模块用于判断所述适配结果是否满足预设适配值；
分流补电指令生成模块，所述分流补电指令生成模块用于当所述适配结果满足所述预设适配值时，则生成分流补电指令；
分流充电模块，所述分流充电模块用于依据分流补电指令控制稳态发电节点进行分流充电。
在一个实施例中，所述系统还包括：
评价适应度函数建立模块，所述评价适应度函数建立模块用于建立评价适应度函数，其中，所述评价适应度函数包括成本评价适应度函数和稳态评价适应度函数；
节点更新模块，所述节点更新模块用于通过所述评价适应度函数进行分流充电和并网连接的寻优评价，根据寻优评价结果更新并网连接和分流充电的连接节点。
在一个实施例中，所述系统还包括：
连续预测周期建立模块，所述连续预测周期建立模块用于获取光源的连续预测，建立连续预测周期；
设备维护周期配置模块，所述设备维护周期配置模块用于配置补偿设备的设备维护周期；
适配评价模块，所述适配评价模块用于通过所述连续预测周期和所述设备维护周期进行周期的适配评价；
设备维护管理模块，所述设备维护管理模块用于基于适配评价结果定位维护节点，基于所述维护节点进行补偿设备的维护管理。
综上所述，与现有技术相比，本公开的实施例具有以下技术效果：
(1)通过生成补偿控制信息进行并网连接和补偿功率的调度管理，可以提高光伏并网过程中并网时间节点和调度电量设置的准确性，从而进一步提高光伏并网调度质量，保障电网的安全平稳运行。
(2)通过构建成本评价适应度函数和稳态评价适应度函数对光伏发电设备并网和分流充电的连接线路进行寻优，并根据最优连接线路方案对并网连接和分流充电的连接节点进行更新，可以提高线路连接节点设置的准确性，同时可以在保证光伏并网稳定性的前提下减少线路运营和维护成本。
(3)通过根据光源预测结果设置补偿设备维护节点，可以在不影响光伏并网稳定性的前提下对补偿设备进行维护，从而进一步提高光伏并网质量。
以上所述实施例仅表达了本公开的几种实施方式，但并不能因此而理解为对发明专利范围的限制。因此，在不脱离如由所附权利要求限定的本公开构思的范围的情况下，本领域普通技术人员可做出各种类型的替换、修改和变更，并且这些替换、修改和变更都属于本公开的保护范围。
Claims (7)
1.基于环境分析的光伏并网智能调度方法，其特征在于，所述方法包括：
建立光伏发电特征集，其中，所述光伏发电特征集为通过采集光伏发电设备的设备信息构建的特征集合；
获取并网的需求额定功率；
获取光源的预测信息，基于所述预测信息和光伏发电特征集进行发电的稳态预测，建立稳态发电节点；
以所述需求额定功率进行稳态发电节点的节点匹配，根据节点匹配结果建立并网连接，并根据适配结果配置补偿功率；
将建立的并网连接和所述补偿功率进行所述需求额定功率的功率供给，并配置更新预测窗口；
基于所述更新预测窗口进行环境信息的实时采集，并基于实时采集结果生成补偿控制信息；
依据所述补偿控制信息进行并网连接和补偿功率的调度管理；
所述基于所述更新预测窗口进行环境信息的实时采集，还包括：
通过所述更新预测窗口进行窗口内的光源预测数据采集，生成光源验证信息；
基于所述光源验证信息进行所述预测信息的信息校正，根据信息校正结果和光伏发电特征集进行发电的稳态预测重构；
通过稳态预测重构结果生成补偿控制信息。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述更新预测窗口进行环境温度预测，建立环境温度数据集；
获取光伏发电设备的实时温度状态，并基于所述环境温度数据集和所述实时温度状态进行设备的温升预测；
通过温升预测结果进行光伏发电设备的发电状态影响分析，建立时序影响结果；
基于时序影响结果进行稳态预测重构结果补偿。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
建立光伏发电设备的负荷与环境温度和设备温升的影响数据集；
以所述影响数据集配置温升预测网络；
以所述稳态发电节点对应的稳态功率进行基准负荷转换，并将基准负荷转换结果、环境温度数据集输入温升预测网络，生成初始温升预测结果；
通过所述实时温度状态进行设备的状态补偿，并通过状态补偿结果进行初始温升预测结果修正，获得所述温升预测结果。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述适配结果是否满足预设适配值；
当所述适配结果满足所述预设适配值时，则生成分流补电指令；
依据分流补电指令控制稳态发电节点进行分流充电。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
建立评价适应度函数，其中，所述评价适应度函数包括成本评价适应度函数和稳态评价适应度函数；
通过所述评价适应度函数进行分流充电和并网连接的寻优评价，根据寻优评价结果更新并网连接和分流充电的连接节点。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取光源的连续预测，建立连续预测周期；
配置补偿设备的设备维护周期；
通过所述连续预测周期和所述设备维护周期进行周期的适配评价；
基于适配评价结果定位维护节点，基于所述维护节点进行补偿设备的维护管理。
7.基于环境分析的光伏并网智能调度系统，其特征在于，用于执行权利要求1-6中所述的基于环境分析的光伏并网智能调度方法中任意一项方法的步骤，所述系统包括：
光伏发电特征集建立模块，所述光伏发电特征集建立模块用于建立光伏发电特征集，其中，所述光伏发电特征集为通过采集光伏发电设备的设备信息构建的特征集合；
需求额定功率获取模块，所述需求额定功率获取模块用于获取并网的需求额定功率；
发电稳态预测模块，所述发电稳态预测模块用于获取光源的预测信息，基于所述预测信息和光伏发电特征集进行发电的稳态预测，建立稳态发电节点；
补偿功率配置模块，所述补偿功率配置模块用于以所述需求额定功率进行稳态发电节点的节点匹配，根据节点匹配结果建立并网连接，并根据适配结果配置补偿功率；
更新预测窗口配置模块，所述更新预测窗口配置模块用于将建立的并网连接和所述补偿功率进行所述需求额定功率的功率供给，并配置更新预测窗口；
补偿控制信息生成模块，所述补偿控制信息生成模块用于基于所述更新预测窗口进行环境信息的实时采集，并基于实时采集结果生成补偿控制信息；
调度管理模块，所述调度管理模块用于依据所述补偿控制信息进行并网连接和补偿功率的调度管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311736506.4A CN117713211B (zh) | 2023-12-18 | 2023-12-18 | 基于环境分析的光伏并网智能调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311736506.4A CN117713211B (zh) | 2023-12-18 | 2023-12-18 | 基于环境分析的光伏并网智能调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117713211A CN117713211A (zh) | 2024-03-15 |
| CN117713211B true CN117713211B (zh) | 2024-05-14 |
Family
ID=90154944
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311736506.4A Active CN117713211B (zh) | 2023-12-18 | 2023-12-18 | 基于环境分析的光伏并网智能调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117713211B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484833A (zh) * | 2014-12-02 | 2015-04-01 | 常州大学 | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 |
| CN110048462A (zh) * | 2019-05-17 | 2019-07-23 | 广东工业大学 | 一种并网型光伏储能系统的能量调度方法、装置及系统 |
| CN110190628A (zh) * | 2019-06-12 | 2019-08-30 | 西南交通大学 | 一种基于综合能源的复线全并联at牵引供电系统及方法 |
| CN111835037A (zh) * | 2020-08-11 | 2020-10-27 | 中国人民解放军国防科技大学 | 一种基于分布式发电的供电调度方法、设备及存储介质 |
| CN112990538A (zh) * | 2021-02-03 | 2021-06-18 | 合肥阳光新能源科技有限公司 | 一种山地光伏电站集电线路确定方法、装置及设备 |
| CN115693757A (zh) * | 2022-09-14 | 2023-02-03 | 国网浙江省电力有限公司嘉善县供电公司 | 一种基于数字孪生技术的光伏能源优化调控方法 |
| CN115833109A (zh) * | 2022-12-19 | 2023-03-21 | 江苏尚诚能源科技有限公司 | 光伏发电预测评估数字化系统 |
| US11693376B1 (en) * | 2016-11-15 | 2023-07-04 | Homer Alan Mantooth | Smart green power node |
| CN116911471A (zh) * | 2023-09-14 | 2023-10-20 | 山东浪潮新基建科技有限公司 | 一种供电系统的传输性能优化方法及系统 |
-
2023
- 2023-12-18 CN CN202311736506.4A patent/CN117713211B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104484833A (zh) * | 2014-12-02 | 2015-04-01 | 常州大学 | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 |
| US11693376B1 (en) * | 2016-11-15 | 2023-07-04 | Homer Alan Mantooth | Smart green power node |
| CN110048462A (zh) * | 2019-05-17 | 2019-07-23 | 广东工业大学 | 一种并网型光伏储能系统的能量调度方法、装置及系统 |
| CN110190628A (zh) * | 2019-06-12 | 2019-08-30 | 西南交通大学 | 一种基于综合能源的复线全并联at牵引供电系统及方法 |
| CN111835037A (zh) * | 2020-08-11 | 2020-10-27 | 中国人民解放军国防科技大学 | 一种基于分布式发电的供电调度方法、设备及存储介质 |
| CN112990538A (zh) * | 2021-02-03 | 2021-06-18 | 合肥阳光新能源科技有限公司 | 一种山地光伏电站集电线路确定方法、装置及设备 |
| CN115693757A (zh) * | 2022-09-14 | 2023-02-03 | 国网浙江省电力有限公司嘉善县供电公司 | 一种基于数字孪生技术的光伏能源优化调控方法 |
| CN115833109A (zh) * | 2022-12-19 | 2023-03-21 | 江苏尚诚能源科技有限公司 | 光伏发电预测评估数字化系统 |
| CN116911471A (zh) * | 2023-09-14 | 2023-10-20 | 山东浪潮新基建科技有限公司 | 一种供电系统的传输性能优化方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Zufeng Hou et al..Optimal dispatching strategy of active distribution network based on multi-source cooperation.《2022 14th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA)》.2022,第936-942页. * |
| 陈国良等.大型光伏并网电站功率预测系统设计.《电力与能源》.2014,第35卷(第1期),第93-95页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117713211A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115912351A (zh) | 光伏日内日前模型预测方法、系统、设备及介质 | |
| KR20200119367A (ko) | 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법 | |
| CN117833285A (zh) | 一种基于深度强化学习的微电网储能优化调度方法 | |
| CN113410874B (zh) | 基于虚拟电厂调峰辅助服务的负荷资源优化控制方法 | |
| CN113794201B (zh) | 一种基于最优潮流的微电网等值建模方法 | |
| KR101793149B1 (ko) | 마이크로그리드 운영 시스템 및 방법 | |
| CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
| CN115423153A (zh) | 基于概率预测的光伏储能系统能量管理方法 | |
| CN116384039A (zh) | 一种基于模型预测的智能电网能源优化高效管理方法 | |
| CN117578420A (zh) | 一种基于数据分析的园区电能管理系统及方法 | |
| CN106786702B (zh) | 用于混合储能系统的全状态模型预测能量调度方法 | |
| CN114865715A (zh) | 基于mpc的源网荷储灵活性资源实时优化调度方法 | |
| CN118432124A (zh) | 一种柔性光储一体智能化能量管理方法和系统 | |
| CN112036735B (zh) | 一种用于光伏电站的储能系统的储能容量规划方法及系统 | |
| CN117713211B (zh) | 基于环境分析的光伏并网智能调度方法及系统 | |
| CN116885840A (zh) | 一种基于实时数据的分布式新能源在线监测方法及系统 | |
| CN115800306A (zh) | 考虑风机故障的风光储无功补偿方法、装置及介质 | |
| Alanqar et al. | Solar Power Monitoring and Forecasting System using Artificial Intelligence | |
| CN117663503B (zh) | 一种智能调节熔盐储热速率的方法及系统 | |
| Makhsoos et al. | Evaluation of High-Efficiency Hydrogen Production from Solar Energy using Artificial Neural Network at the Université du Québec à Trois-Rivières | |
| CN117691685B (zh) | 一种光伏逆变器智能调控系统 | |
| Matrone et al. | Deep Learning-Based Predictive Control for Optimal Battery Management in Microgrids | |
| CN118842095A (zh) | 用于低压分布式光伏并网点的调控方法 | |
| Li et al. | A Forecasting Based Hierarchical Energy Management for Sustainable Data Centers | |
| CN116760097A (zh) | 一种光伏并网柔性控制系统 |
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 |