CN117913920A - 计及机组爬坡速率约束与系统初始状态的调度方法及系统 - Google Patents
计及机组爬坡速率约束与系统初始状态的调度方法及系统 Download PDFInfo
- Publication number
- CN117913920A CN117913920A CN202410308875.1A CN202410308875A CN117913920A CN 117913920 A CN117913920 A CN 117913920A CN 202410308875 A CN202410308875 A CN 202410308875A CN 117913920 A CN117913920 A CN 117913920A
- Authority
- CN
- China
- Prior art keywords
- unit
- look
- time scale
- period
- ahead
- 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.)
- Granted
Links
- 230000009194 climbing Effects 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000007246 mechanism Effects 0.000 claims abstract description 25
- 230000014509 gene expression Effects 0.000 claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 22
- 230000000630 rising effect Effects 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000002222 downregulating effect Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 238000005096 rolling process Methods 0.000 description 9
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了计及机组爬坡速率约束与系统初始状态的调度方法及系统，包括：基于机组爬坡速率约束和对应的系统初始状态对最优前瞻时间尺度的影响机理建立相应的解析化表达；制定最优前瞻时间尺度随机组爬坡速率及系统初始运行状态变化而自动调整的自适应最优前瞻时间尺度决策机制，决策调度周期内各时段最优前瞻时间尺度；基于最优前瞻时间尺度建立含前瞻时间尺度截断的动态经济调度模型，完成电力系统调度求解。
Description
技术领域
本发明属于电力系统调度技术领域，尤其涉及计及机组爬坡速率约束与系统初始状态的调度方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着当今电力工业的体制逐步完善，传统的电力系统经济调度已被赋予诸多新的意义。静态经济调度仅仅考虑静态约束，试图在一个时间断面上对目标函数进行最优化求解。然而，作为机组运行人员，为保证机组设备的正常使用寿命，总是设法使机组设备在安全寿命期限内进行调节。这一机械约束通常被转换成机组爬坡速率约束。这一约束的引入使经济调度不能像静态调度那样仅在一个负荷断面上求解，而应在时间与空间的连续区域上求出各机组运行的轨迹，这类经济调度一般隶属于动态经济调度的范畴。
机组爬坡速率的影响也使得电力系统动态经济调度问题在时间层面的耦合不断加深，计算效率亟待提升。当下，随着电力体制的逐步完善，电力系统的运行规模日益增大，对计算速度的要求亦日益苛刻，如何显著提升动态经济调度模型的计算效率成为了当下亟需解决的重要问题。
机组爬坡速率约束具有跨时段性质，机组自身固有的爬坡速率约束将会限制其在相邻时段出力的调整范围，这种相邻时段间的耦合效应也会导致优化调度模型中约束和变量的数目会随着机组数量和时段数量的增加而加倍增长。当系统有N个机组、L条支路、T个时段时，经济调度问题的规模是NT和LT的倍数。对大型电力系统来说，这是一个复杂的求解问题，且面临着计算效率较低的难题。然而，幸运的是，机组爬坡速度约束在时间上的耦合程度相对较弱，许多研究人员抓住这一特点提出了各种形式的解耦或松弛算法，以实现经济调度问题的高效求解，考虑机组爬坡速率约束的经济调度时间解耦算法在近年来受到尤为广泛的关注与研究。
与此同时，自上世纪90年代明确了电力系统动态经济调度的思想以来，动态经济调度在理论和算法上都取得了很大的进步。在研究的初期，学者们全程调度周期内进行整体的动态优化，但由于模型所包含的时间范围过于庞大以及算法等方面的缺陷，优化时存在难以克服的维数灾，因此以后的研究工作转向每次只对一个时段进行动态优化调度解算。这时，由于发电机组调节容量和机组爬坡速率的有限性，使得在优化这一时段的同时必须计及前方和后方各时段与其关联作用，这通常是通过引入前瞻后顾约束来考虑的。对于动态经济调度的单时段优化，上一时刻初始状态不断作为已知数据，传递至下一时段，在调度周期内依次进行滚动优化。
现有文献中“考虑机组爬坡速度和网络安全约束的经济调度解耦算法”存在的问题包含以下三点：
（1）在仅考虑机组爬坡速率对前瞻时间尺度的影响时（参考文中解耦条件的公式9-10），利用round函数求取Nui和Ndi，会造成过于激进的结果，可能无法获得全局最优解；
（2）另外，文中没有考虑系统初始状态对前瞻时间尺度的影响；
（3）还有，文中题目提到的“网络安全约束”，仅作为约束条件参与到优化问题的求解中，文中实际并没有考虑网络安全约束对前瞻时间尺度的具体影响。
目前的机组配置存在问题主要是：随着机组爬坡速率以及系统初始状态的变化，机组可行域进而发生变化。在面对强烈的负荷波动时，若要保证系统有解，机组必须要在可行域范围内自由波动且需满足负荷变化。即需要在可行域范围内配置机组的运行基点以应对负荷波动。
因此，系统初始状态会影响机组爬坡速率约束对时间解耦问题的研究。
发明内容
为克服上述现有技术的不足，本发明提供了计及机组爬坡速率约束与系统初始状态的调度方法及系统，在考虑机组爬坡速率约束的基础上，叠加考虑系统初始状态，并据此开展经济调度时间解耦计算，以提升经济调度问题的求解效率。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
第一方面，公开了计及机组爬坡速率约束与系统初始状态的调度方法，包括：
基于机组爬坡速率约束和对应的系统初始状态对最优前瞻时间尺度的影响机理建立相应的解析化表达；
基于解析化表达，制定最优前瞻时间尺度随机组爬坡速率及系统初始运行状态变化而自动调整的自适应最优前瞻时间尺度决策机制，决策调度周期内各时段最优前瞻时间尺度；
基于最优前瞻时间尺度建立含前瞻时间尺度截断的动态经济调度模型，完成电力系统调度求解。
作为进一步的技术方案，从起始时段到终止时段之间的每一时段，构建含前瞻时间尺度截断的动态经济调度模型，所述动态经济调度模型包括：以日内经济调度费用最小为优化目标的目标函数、约束条件；
其中，所述约束条件包括功率平衡约束、机组爬坡速率约束及机组容量约束。
作为进一步的技术方案，基于机组上爬速率约束以及系统初始状态，求解过程为：
当仅考虑机组向上爬坡时，受影响的是可行域的上限，此时，t时刻机组i的可行域上限由P i max被压缩为P i,t-1+R i up；
若机组上爬能力足够强，在m个时段内可以保证机组功率从可行域下限P i min上升到可行域上限，那么则无需继续前瞻，此时，t+m时段之外的机组爬坡速率约束将无法有效限制t时刻的机组可行域；
若机组的爬坡能力相对不强，在m个时段内无法保证机组功率从可行域下限上升到可行域上限，那么仍需继续前瞻，直至m个时段内系统所具有的最大上调能力足以覆盖t时刻的机组可行域上限为止。
作为进一步的技术方案，基于机组下爬速率约束以及系统初始状态，求解过程为：
若机组下爬能力足够强，在m个时段内可以保证机组功率从可行域上限P i max下降到可行域下限，那么则无需继续前瞻；反之则需要继续前瞻，直至m个时段内系统所具有的最大下调能力足以覆盖t时刻的机组可行域下限/>为止。
作为进一步的技术方案，基于机组上爬及下爬速率约束，将m时段定义为t时段机组备用上升/下降时段数。
作为进一步的技术方案，对于当前下一时刻t的单时段优化子问题，从某一台机组i的角度出发，当前瞻时间尺度NO大于等于机组i的t时段机组状态上升/下降时段数的最大值时，已足以覆盖其可行域；
此时，前瞻时间尺度NO之后时段间的机组爬坡速率约束将无法有效限制t时刻机组i的出力范围，即机组i的爬坡速率约束无法耦合到NO个时段以外。
作为进一步的技术方案，在考虑机组爬坡速率约束以及系统初始状态的情况下，上述中的前瞻时间尺度NO便为当前下一时刻t机组i的最优前瞻时间尺度。
作为进一步的技术方案，t时段机组i的最优前瞻时间尺度被定义为t时段机组i的状态前瞻时间尺度，其取值为t时段内机组i状态上升/下降时段数的最大值。
作为进一步的技术方案，机组爬坡速率约束叠加系统初始状态这一牵制因素后，动态经济调度模型的自适应最优前瞻时间尺度依据系统内所有机组的状态前瞻时间尺度的最大值制定即可，其解析表达如下：
(11)
式中，是t时刻内系统状态前瞻时间尺度，取值为系统内所有机组在t时刻内的状态前瞻时间尺度的最大值。
第二方面，公开了计及机组爬坡速率约束与系统初始状态的调度系统，包括：
解析化表达建立模块，被配置为：基于机组爬坡速率约束和对应的系统初始状态对最优前瞻时间尺度的影响机理建立相应的解析化表达；
最优前瞻时间尺度确定模块，被配置为：基于解析化表达，制定最优前瞻时间尺度随机组爬坡速率及系统初始运行状态变化而自动调整的自适应最优前瞻时间尺度决策机制，决策调度周期内各时段最优前瞻时间尺度；
求解模块，被配置为：基于最优前瞻时间尺度建立含前瞻时间尺度截断的动态经济调度模型，完成电力系统调度求解。
进一步的，从起始时段到终止时段之间的每一时段，构建含前瞻时间尺度截断的动态经济调度模型，所述动态经济调度模型包括：以日内经济调度费用最小为优化目标的目标函数、约束条件。
进一步的，约束条件包括功率平衡约束、机组爬坡速率约束及机组容量约束。
以上一个或多个技术方案存在以下有益效果：
本实施例子技术方案中的时间解耦算法充分解析化表达了最优前瞻时间尺度与机组爬坡速率约束及系统初始状态的影响机理，将动态优化问题解耦为多个单时段静态优化问题滚动求解，确保全局最优的同时从最大程度上缩减前瞻时间尺度，减少优化时段数量，提升计算效率，实现动态经济调度问题在时间维度上的有效解耦。
本实施例子技术方案在考虑机组爬坡速率的基础上，叠加考虑了系统初始状态对前瞻时间尺度的影响，考虑更为全面。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本公开实施例一中的计及机组爬坡速率约束与系统初始状态的经济调度时间解耦算法的流程图；
图2是基于最优前瞻时间尺度的滚动优化过程图；
图3是基于机组上爬约束的前瞻时间尺度决策示意图；
图4是基于机组下爬约束的前瞻时间尺度决策示意图；
图5是基于机组上爬约束与初始状态的前瞻时间尺度决策示意图；
图6是基于机组下爬约束与初始状态的前瞻时间尺度决策示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
电力系统的优化调度问题就已得到了广泛地研究与应用，并逐步形成了电力系统的调度运行理论体系。近年来，随着新型电力系统建设的推进，电源、负荷、市场环境、参数等不确定性因素愈加凸显，系统运行规模愈发增大，相互耦合关联程度日趋增强，问题规模和计算效率之间的矛盾日益加深，电力系统优化调度问题的高效计算领域面临极大挑战，也逐渐吸引了更多国内外学者的青睐。
然而，目前国内外已对电力系统优化调度问题的时间解耦算法做了大量研究，已取得了丰富成果，但在求解方法上仍存在不足。目前的时间解耦算法大多是通过将优化问题生硬分解为多个子问题，再通过优化子问题间的相互迭代求解，找到近似的全局最优解，决策精度无法保证，存在一定程度的误差。同时，算法大多为启发式算法，缺乏严格的理论证明。
对比于研究优化调度问题的时间解耦算法，时间解耦内部机理的相关研究基于问题本质，显然可靠度更高，且更能从根本上解决问题。从理论上讲，电力系统动态经济调度问题在时间层面的耦合主要来源于机组爬坡速率约束这一跨时段约束，其难点也正是多时段间发电机组爬坡速率约束和问题计算规模之间的矛盾。此外，随着滚动优化的不断进行，上一时刻初始状态不断作为已知数据，传递至当前下一时刻，从而限制当前下一时刻的可行域，进而对机组爬坡速率约束的约束效果产生影响。系统初始状态因而会影响机组爬坡速率约束对时间解耦问题的研究。
因此，亟需从机组爬坡速率约束及系统初始状态入手，剖析时间解耦的内部机理，研究相关解耦算法，实现更加精确的解耦，确保优化调度问题获得全局最优解，避免启发式算法只能得到次优解的情况。
实施例一
参见附图1所示，本实施例公开了计及机组爬坡速率约束与系统初始状态的调度方法，包括：
以日内经济调度费用最小为优化目标，在电力系统动态经济调度模型中引入功率平衡、机组输出功率、机组爬坡速率等约束。对于一个动态经济调度问题，从起始时段到终止时段之间的每一时段t，构建含前瞻时间尺度截断的动态经济调度模型，具体指的是式（1）中的目标函数值以及式（2）-（4）的约束条件。优化时段数由日内全程调度周期24h缩减为有限的最优前瞻时间尺度；
基于含前瞻时间尺度截断的动态经济调度模型，针对调度周期内的每一时段，逐一分析机组爬坡速率约束和对应的牵制因素，即系统初始状态，对最优前瞻时间尺度的影响机理并建立相应的解析化表达。随着滚动的不断进行，逐渐形成随机组爬坡速率与系统初始运行状态变化的当前下一时刻的自适应最优前瞻时间尺度决策机制，完成计及机组爬坡速率约束与系统初始状态的经济调度时间解耦算法设计。
本实施例子技术方案充分考虑机组物理特性，通过定义机组的全程前瞻时间尺度和状态前瞻时间尺度，使得优化时段由原本的24h缩减为有限个时段，在确保全局最优的同时从最大程度上缩减前瞻时间尺度，减少优化时段数量，实现动态经济调度问题在时间维度上的有效解耦。
需要说明的是，最优前瞻时间尺度的解析化表达在计及机组爬坡速率约束和系统初始状态时是不同的。在仅考虑机组爬坡速率约束时，其解析化表达为公式（8），在叠加系统初始状态后，其解析化表达为公式（11）。仅考虑机组爬坡速率约束时，动态经济调度模型的自适应最优前瞻时间尺度决策机制：依据系统内所有机组的全程前瞻时间尺度的最大值制定即可。其中，机组的全程前瞻时间尺度参照机组全程上升/下降时段数制定。叠加考虑初始状态后，动态经济调度模型的自适应最优前瞻时间尺度决策机制：依据系统内所有机组的状态前瞻时间尺度的最大值制定即可。其中，机组的状态前瞻时间尺度参照机组状态上升/下降时段数制定。
更为具体的，若实际的调度过程中，需要获取的数据有：
机组的各类物理参数，具体包含机组出力上下限、爬坡速率（上爬速率及下爬速率）、初始功率、机组运行成本等；
实际系统在每个时段的负荷需求，包含新能源的接入情况；
输出的物理量数据主要包含：机组在调度周期中各时段的出力；系统的运行成本。
参见附图1所示，求解的具体过程包括：
（1）逐一分析机组爬坡速率约束和对应的牵制因素（系统初始状态）对最优前瞻时间尺度的影响规律，以明晰电力系统经济调度问题的时间解耦机理；
（2）建立最优前瞻时间尺度与机组爬坡速率约束及系统初始状态的解析表达；
（3）动态滚动求取调度周期内每一时刻的最优前瞻时间尺度，制定最优前瞻时间尺度随机组爬坡速率约束及系统初始状态变化而自动调整的在线自适应决策机制；
（4）针对当前下一时刻单时段优化子问题，建立动态经济调度的自适应最优前瞻时间尺度模型，形成计及机组爬坡速率约束与系统初始状态的经济调度时间解耦算法，完成电力系统优化调度求解，具体为具体输出的是机组在调度周期中各时段的出力以及系统总成本。
利用动态经济调度的自适应最优前瞻时间尺度模型完成最优前瞻时间尺度的决策，逐步形成计及机组爬坡速率约束与系统初始状态的经济调度时间解耦算法，并据此针对不同的实际系统进行具体求解。
本实施例子技术方案的求解是针对已有的电力系统调度问题，进行优化的过程。电力系统调度是在给定负荷预测功率和可再生能源预测功率的条件下，制定各种发电机组的出力计划，以满足负荷的供应和系统的安全运行要求，同时预留充足的旋转备用容量以应对负荷和可再生能源功率预测误差的影响。
关于计及机组爬坡速率约束与系统初始状态的经济调度时间解耦算法
动态经济调度的自适应最优前瞻时间尺度模型：
关于目标函数：
对于一个动态经济调度问题，从起始时段到终止时段之间的每一时段t，由于机组爬坡速率约束的时间局域性，均存在一个最优的前瞻时间尺度。随着滚动的不断进行，逐渐形成随系统运行状态变化的当前时刻的自适应最优前瞻时间尺度。动态经济调度的自适应最优前瞻时间尺度模型如下：
Min（1）
如式（1）所示，式中，i,t分别为机组与优化时刻的索引；N G为机组数量；C i,t(P i,t)为第i个机组在t时段的运行成本函数，本文用三段式分段线性函数表示；P i,t为机组i在t时段的出力。N t opt为时段t的最优前瞻时间尺度，i∈N G，t∈[t,N t opt]，CT参数含义为：调度周期T内的系统总成本。
关于约束条件：
（1）功率平衡约束
（2）
式中，D m,t为负荷m在t时间段的期望负荷需求。P i,t为机组i在t时间段的出力。N G为机组数量；N D为负荷时段数量。
（2）机组爬坡速率约束
（3）
式中，和/>分别为机组i单位时间内的最大上爬及下爬速率；ΔT为每个时段所持续的时间，/>为机组i在时段t的最优前瞻时间尺度。
（3）机组容量约束
（4）
式中，及/>分别为机组i容量的上下限。
本公开研究经济调度时间解耦算法的关键就是在考虑机组爬坡速率约束与系统初始状态的基础上，研究所有机组最优前瞻时间尺度的取值问题。关于式（1）中时段t的最优前瞻时间尺度的决策问题，在“动态经济调度的自适应最优前瞻时间尺度决策”中详细阐述。图2形象的展示了含前瞻时间尺度截断的滚动优化过程。
关于动态经济调度的自适应最优前瞻时间尺度决策：
一、计及机组爬坡速率约束的经济调度时间解耦算法
机组爬坡速率约束具有跨时段性质，对前瞻优化的影响会滚动到未来时段，严重影响全局优化结果。对于当前下一时刻t的单时段优化子问题，其初始可行域为机组完整的可行域[P i min,P i max]。
由于爬坡约束的时间局域性，不断延伸的未来时刻，对当前下一时刻结果的影响不断衰减，当超过一个时间阈值后，机组爬坡速率约束将无法有效限制t时刻的机组可行域[P i min,P i max]。因此，求解动态经济调度的当前下一时刻的全局最优解，某时间阈值之后的时段不用再考虑，仅运行一个前瞻时间尺度截断的滚动模型即可。下面将分别基于上爬及下爬约束，展开对动态经济调度模型的自适应最优前瞻时间尺度的分析。
1)仅考虑上爬约束
图3从机组上爬的角度，形象的阐述了前瞻时间尺度与t时段机组出力范围的关系。
由图3可以看出，在t+1时刻，对于任意一台机组i，因为负荷急剧波动等因素，需要机组提供最大的上爬能力，所以t+1时刻机组i需要处于最小出力状态P i min以储备最大的上爬能力。因为t+1时刻机组i需要处于最小出力状态，所以t时刻机组i的允许出力上限受限。
若机组的上爬能力足够强，在一个时段内就可以保证机组出力从可行域下限P i min全程上升至上限P i max，那么则无需继续前瞻。此时t+1之后时段的爬坡约束将不再对t时刻机组出力P i,t产生有效影响，即t时刻机组出力P i,t将不再受t+1之后时段的限制。
若机组的上爬能力相对不强，在一个时段内无法保证机组出力从可行域下限P i min全程上升至上限P i max，那么仍需继续前瞻，此时t+1时段的爬坡约束将仍对t时刻机组出力P i,t产生有效影响。
直至t+m时刻，对于任意一台机组i，因为负荷急剧波动等因素，需要机组提供最大的上爬能力，所以t+m时刻机组i需要处于最小出力状态P i min以储备最大的上爬能力。因为t+m时刻机组i需要处于最小出力状态，所以t时刻机组i的可行域受限。
若机组的上爬能力足够强，在m个时段内就可以保证机组出力从可行域下限P i min全程上升至上限P i max，那么则无需继续前瞻。此时t+m之后时段的爬坡约束将无法有效限制t时刻的机组可行域。
若机组的下爬能力相对不强，在m个时段内无法保证机组出力从可行域下限P i min全程上升至上限P i max，那么仍需继续前瞻，直至m个时段内系统所具有的最大下调能力足以覆盖t时刻的机组可行域为止。
为了后续便于分析机组下爬约束对最优前瞻时间尺度的影响机理，将上述讨论中的m时段定义为机组全程上升时段数：
对于当前下一时刻，以机组i为例，至少需要个时段，才能确保机组i从容量下限P min全程上升至容量上限P max，使得机组出力能在可行域内全程变化。将该时段定义为机组全程上升时段数，具体如下：
（5）
式中，TU i all为机组全程上升时段数，表示机组i的有功出力从容量下限全程上升到容量上限所对应的时段数。
2)仅考虑下爬约束
图4从机组下爬的角度，形象的阐述了前瞻时间尺度与t时段机组出力范围的关系。
仅考虑机组下爬约束的分析过程与仅考虑机组上爬约束类似，在此仅对二者的差别简略说明，对于重复部分不作过多赘述。
对于任意一台机组i，常常需要机组提供最大的下爬能力以应对未来时段的负荷波动，所以t+m时刻机组i需要处于最大出力状态以储备最大的下爬能力，t时刻机组i的允许出力下限受限。
若机组的下爬能力足够强，在m个时段内就可以保证机组出力从可行域上限P i max全程下降至下限P i min，那么则无需继续前瞻。反之则需要继续前瞻，直至m个时段内系统所具有的最大下调能力足以覆盖t时刻的机组可行域为止。
将上述讨论中的m时段定义为机组全程下降时段数。对于当前下一时刻，以机组i为例，至少需要个时段，才能确保机组i从容量上限Pmax全程下降至容量下限P min，使得机组出力能在可行域内全程变化。将该时段定义为机组全程下降时段数，具体如下：
(6)
式中，TD i all为机组全程下降时段数，表示机组i的有功出力从容量上限全程下降到容量下限所对应的时段数。
本实施例子中采用ceiling函数，可保证优化问题取得全局最优解。
对于当前下一时刻t的单时段优化子问题，从某一台机组i的角度出发，当前瞻时间尺度m大于等于机组i的全程上升和下降时段数的最大值时，t时刻机组出力P i,t已经能在可行域[P i min,P i max]内自由变化以应对未来时段的负荷波动。此时，前瞻时间尺度m之后时段间的机组爬坡速率约束将无法有效限制t时刻机组i的出力范围，即机组i的爬坡速率约束无法耦合到m个时段以外。此时，在仅考虑机组爬坡速率约束情况下，上述分析中的前瞻时间尺度m便为当前下一时刻t机组i的最优前瞻时间尺度。
仅考虑机组爬坡速率约束时，系统最优前瞻时间尺度被定义为机组i的全程前瞻时间尺度。其定义为机组i的全程上升和下降时段数的最大值，具体如下：
(7)
式中，为机组i的全程前瞻时间尺度。
对于系统来说，将系统内所有机组的全程前瞻时间尺度的最大值作为前瞻时间尺度时，t时段内所有机组的运行基点都有能力调整至各自可行域的上下限值，储备最大的爬坡能力以应对未来时段的变化，从而保证当前下一时刻t的单时段优化子问题取得全局最优解。
因此，仅考虑机组爬坡速率约束时，动态经济调度模型的自适应最优前瞻时间尺度依据系统内所有机组的全程前瞻时间尺度的最大值制定即可，其解析表达如下：
(8)
式中，是系统的全程前瞻时间尺度，取值为系统内所有机组的全程前瞻时间尺度的最大值。
二、叠加考虑系统初始状态后经济调度时间解耦算法
在执行滚动优化的过程中，考虑机组爬坡速率约束的基础上叠加考虑系统初始状态后，动态经济调度的自适应最优前瞻时间尺度决策规则发生一定改变。下面将分别基于机组上/下爬约束以及系统初始状态这一牵制因素，展开最优前瞻时间尺度的决策研究。
1) 基于机组上爬约束
图5综合机组上爬速率约束以及系统初始状态这一牵制因素，形象的阐述了前瞻时间尺度与t时段机组出力范围的关系。
受限于后顾t-1时段爬坡约束的影响，t时刻机组的出力P i,t不需要处在最小或最大容量上，发电调度具有一定的灵活性。当仅考虑机组向上爬坡时，受影响的是可行域的上限。此时，t时刻机组i的可行域上限由P i max被压缩为P i,t-1+R i up。
若机组上爬能力足够强，在m个时段内可以保证机组功率从可行域下限P i min上升到可行域上限，那么则无需继续前瞻。此时，t+m时段之外的机组爬坡速率约束将无法有效限制t时刻的机组可行域。
若机组的爬坡能力相对不强，在m个时段内无法保证机组功率从可行域下限上升到可行域上限，那么仍需继续前瞻，直至m个时段内系统所具有的最大上调能力足以覆盖t时刻的机组可行域上限为止。
2) 基于机组下爬约束
图6综合机组下爬速率约束以及系统初始状态这一牵制因素，形象的阐述了前瞻时间尺度与t时段机组出力范围的关系。
类比于基于机组上爬约束的分析过程，若机组下爬能力足够强，在m个时段内可以保证机组功率从可行域上限P i max下降到可行域下限，那么则无需继续前瞻。反之则需要继续前瞻，直至m个时段内系统所具有的最大下调能力足以覆盖t时刻的机组可行域下限/>为止。
为解析化探究叠加系统初始状态这一牵制因素后对最优前瞻时间尺度的影响，基于机组上爬及下爬速率约束，将上述分析中的m时段定义为t时段机组备用上升/下降时段数，具体如下：
(9)
式中，是t-1时刻机组i的出力，/>//>为机组状态上升/下降时段数，分别表示机组i的有功出力从前一时刻到上限（下限）状态上升（下降）所对应的时段数。
需要说明的是，现有技术中round函数是按照指定的小数位数进行四舍五入运算的结果，本实施例子采用ceiling函数，ceiling函数则是将参数向上舍入，沿绝对值增大的方向，取大于参数的整数中最小的数值。在进行电力系统优化求解时，round函数四舍五入的做法可能会使得系统内机组可调节能力降低，导致问题无解或产生次优解。而使用ceiling函数则可避免该问题。
对于当前下一时刻t的单时段优化子问题，从某一台机组i的角度出发，当前瞻时间尺度NO大于等于机组i的t时段机组状态上升/下降时段数的最大值时，已足以覆盖其可行域。此时，前瞻时间尺度NO之后时段间的机组爬坡速率约束将无法有效限制t时刻机组i的出力范围，即机组i的爬坡速率约束无法耦合到NO个时段以外。因此，在考虑机组爬坡速率约束以及系统初始状态的情况下，上述分析中的前瞻时间尺度NO便为当前下一时刻t机组i的最优前瞻时间尺度。
此时，t时段机组i的最优前瞻时间尺度被定义为t时段机组i的状态前瞻时间尺度。其取值为t时段内机组i状态上升/下降时段数的最大值，具体表达式如下：
(10)
式中，为t时段机组i的状态前瞻时间尺度。
对于系统来说，将系统内所有机组的状态前瞻时间尺度的最大值作为系统最优前瞻时间尺度时，t时段内所有机组的运行基点都有能力调整至各自可行域的上下限值，储备最大的爬坡能力以应对未来时段的变化，从而保证当前下一时刻t的单时段优化子问题取得全局最优解。
因此，叠加系统初始状态这一牵制因素后，动态经济调度模型的自适应最优前瞻时间尺度依据系统内所有机组的状态前瞻时间尺度的最大值制定即可，其解析表达如下：
(11)
式中，是t时刻内系统状态前瞻时间尺度。/>为t时段机组i的状态前瞻时间尺度，取值为系统内所有机组在t时刻内的状态前瞻时间尺度的最大值。/>
综上，基于机组爬坡速率约束，并叠加系统初始状态这一牵制因素后，提出一种基于动态经济调度的自适应最优前瞻时间尺度模型，得到全程前瞻时间尺度和t时刻状态前瞻时间尺度/>。针对当前下一时刻单时段优化子问题，动态经济调度的自适应最优前瞻时间尺度决策值按照全程前瞻时间尺度/>和t时刻状态前瞻时间尺度/>取值，即可实现子问题之间的自然截断，确保得到优化问题的全局最优解的同时，最大限度提升动态经济调度计算效率。
对于优化调度问题的每一个单时段优化子问题，该算法可以决策出当前时段与未来多时段间耦合的最大影响边界，即当前下一时段的最优前瞻时间尺度，实现子问题之间的自然截断，确保得到优化问题的全局最优解。首先，针对当前下一时刻单时段优化子问题，通过分析机组爬坡速率约束和其对应的牵制因素（系统初始状态）对最优前瞻时间尺度的影响机理，建立最优前瞻时间尺度与多重牵制因素的解析表达，保证当前下一时刻获得全局最优解的同时最大程度上缩减前瞻时间尺度；接着，动态滚动求取调度周期内每一时刻的最优前瞻时间尺度，完成动态经济调度的自适应最优前瞻时间尺度决策，保证动态经济调度问题整体最优的同时提升计算效率。
针对当前下一时刻单时段优化子问题，该算法通过分析机组爬坡速率约束和系统初始状态这一牵制因素对最优前瞻时间尺度的影响机理，建立最优前瞻时间尺度与多重牵制因素的解析表达，得到全程前瞻时间尺度和t时刻状态前瞻时间尺度/>。首先，针对当前下一时刻单时段优化子问题，动态经济调度的自适应最优前瞻时间尺度决策值按照全程前瞻时间尺度/>和t时刻状态前瞻时间尺度/>取值，可保证当前下一时刻获得全局最优解的同时最大程度上缩减前瞻时间尺度。接着，动态滚动求取调度周期内每一时刻的全程前瞻时间尺度/>和t时刻状态前瞻时间尺度/>，完成动态经济调度的自适应最优前瞻时间尺度决策。总体来说，对于电力系统经济调度问题，该算法可以决策出当前时段与未来多时段间耦合的最大影响边界，即当前下一时刻的最优前瞻时间尺度，实现子问题之间的自然截断，确保得到优化问题的全局最优解。
针对影响最优前瞻时间尺度的关键因素（机组爬坡速率约束），分别从机组上爬和下爬角度详细展开分析，有助于真实反映系统跨时段约束资源的稀缺价值，有效地确保系统全局优化的经济性与高效性。
本发明技术方案明确揭示了机组爬坡速率约束及系统初始状态对动态经济调度最优前瞻时间尺度的影响机理，以便更好地实现动态经济调度问题在时间维度上的有效解耦。
本发明技术方案提出一种能保证当前下一时刻取得全局最优解的、随系统运行状态变化而自动调整的最优前瞻时间尺度决策模型，可以从最大程度上缩减前瞻时间尺度，减少优化时段数量，提升计算效率。
实施例二
本实施例的目的是提供一种计算机装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
实施例四
本实施例的目的是提供计及机组爬坡速率约束与系统初始状态的调度系统，包括：
解析化表达建立模块，被配置为：基于机组爬坡速率约束和对应的系统初始状态对最优前瞻时间尺度的影响机理建立相应的解析化表达；
最优前瞻时间尺度确定模块，被配置为：基于解析化表达，制定最优前瞻时间尺度随机组爬坡速率及系统初始运行状态变化而自动调整的自适应最优前瞻时间尺度决策机制，决策调度周期内各时段最优前瞻时间尺度；
求解模块，被配置为：基于最优前瞻时间尺度建立含前瞻时间尺度截断的动态经济调度模型，完成电力系统调度求解。
从起始时段到终止时段之间的每一时段，构建含前瞻时间尺度截断的动态经济调度模型，动态经济调度模型包括：以日内经济调度费用最小为优化目标的目标函数、约束条件。
其中，约束条件包括功率平衡约束、机组爬坡速率约束及机组容量约束。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，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。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.计及机组爬坡速率约束与系统初始状态的调度方法，其特征是，包括：
基于机组爬坡速率约束和对应的系统初始状态对最优前瞻时间尺度的影响机理建立相应的解析化表达；
基于解析化表达，制定最优前瞻时间尺度随机组爬坡速率及系统初始运行状态变化而自动调整的自适应最优前瞻时间尺度决策机制，决策调度周期内各时段最优前瞻时间尺度；
基于最优前瞻时间尺度建立含前瞻时间尺度截断的动态经济调度模型，完成电力系统调度求解。
2.如权利要求1所述的计及机组爬坡速率约束与系统初始状态的调度方法，其特征是，从起始时段到终止时段之间的每一时段，构建含前瞻时间尺度截断的动态经济调度模型，所述动态经济调度模型包括：以日内经济调度费用最小为优化目标的目标函数、约束条件；
其中，所述约束条件包括功率平衡约束、机组爬坡速率约束及机组容量约束。
3.如权利要求1所述的计及机组爬坡速率约束与系统初始状态的调度方法，其特征是，基于机组上爬速率约束以及系统初始状态，求解过程为：
当仅考虑机组向上爬坡时，受影响的是可行域的上限，此时，t时刻机组i的可行域上限由P i max被压缩为P i,t-1+R i up；是t-1时刻机组i的出力，/>为机组i单位时间内的最大上爬速率；
若机组上爬能力在m个时段内保证机组功率从可行域下限P i min上升到可行域上限，那么则无需继续前瞻，此时，t+m时段之外的机组爬坡速率约束将无法有效限制t时刻的机组可行域；
若机组的爬坡能力在m个时段内无法保证机组功率从可行域下限上升到可行域上限，那么仍需继续前瞻，直至m个时段内系统所具有的最大上调能力足以覆盖t时刻的机组可行域上限为止。
4.如权利要求3所述的计及机组爬坡速率约束与系统初始状态的调度方法，其特征是，基于机组下爬速率约束以及系统初始状态，求解过程为：
若机组下爬能力在m个时段内保证机组功率从可行域上限P i max下降到可行域下限，那么则无需继续前瞻；反之则需要继续前瞻，直至m个时段内系统所具有的最大下调能力足以覆盖t时刻的机组可行域下限/>为止；/>是t-1时刻机组i的出力，为机组i单位时间内的最大下爬速率。
5.如权利要求4所述的计及机组爬坡速率约束与系统初始状态的调度方法，其特征是，基于机组上爬及下爬速率约束，将m时段定义为t时段机组备用上升/下降时段数。
6.如权利要求4所述的计及机组爬坡速率约束与系统初始状态的调度方法，其特征是，t时段机组i的最优前瞻时间尺度被定义为t时段机组i的状态前瞻时间尺度，其取值为t时段内机组i状态上升/下降时段数的最大值。
7.如权利要求1所述的计及机组爬坡速率约束与系统初始状态的调度方法，其特征是，机组爬坡速率约束叠加系统初始状态这一牵制因素后，动态经济调度模型的自适应最优前瞻时间尺度依据系统内所有机组的状态前瞻时间尺度的最大值制定即可，其解析表达如下：
(11)；
式中，是t时刻内系统状态前瞻时间尺度，取值为系统内所有机组在t时刻内的状态前瞻时间尺度的最大值，/>为t时段机组i的状态前瞻时间尺度。
8.计及机组爬坡速率约束与系统初始状态的调度系统，其特征是，包括：
解析化表达建立模块，被配置为：基于机组爬坡速率约束和对应的系统初始状态对最优前瞻时间尺度的影响机理建立相应的解析化表达；
最优前瞻时间尺度确定模块，被配置为：基于解析化表达，制定最优前瞻时间尺度随机组爬坡速率及系统初始运行状态变化而自动调整的自适应最优前瞻时间尺度决策机制，决策调度周期内各时段最优前瞻时间尺度；
求解模块，被配置为：基于最优前瞻时间尺度建立含前瞻时间尺度截断的动态经济调度模型，完成电力系统调度求解。
9.如权利要求8所述的计及机组爬坡速率约束与系统初始状态的调度系统，其特征是，从起始时段到终止时段之间的每一时段，构建含前瞻时间尺度截断的动态经济调度模型，所述动态经济调度模型包括：以日内经济调度费用最小为优化目标的目标函数、约束条件。
10.如权利要求9所述的计及机组爬坡速率约束与系统初始状态的调度系统，其特征是，所述约束条件包括功率平衡约束、机组爬坡速率约束及机组容量约束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410308875.1A CN117913920B (zh) | 2024-03-19 | 2024-03-19 | 计及机组爬坡速率约束与系统初始状态的调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410308875.1A CN117913920B (zh) | 2024-03-19 | 2024-03-19 | 计及机组爬坡速率约束与系统初始状态的调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117913920A true CN117913920A (zh) | 2024-04-19 |
| CN117913920B CN117913920B (zh) | 2024-06-04 |
Family
ID=90683972
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410308875.1A Active CN117913920B (zh) | 2024-03-19 | 2024-03-19 | 计及机组爬坡速率约束与系统初始状态的调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117913920B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251074A (zh) * | 2016-08-01 | 2016-12-21 | 国网山东省电力公司经济技术研究院 | 一种协同的电网超前调度模型的建立方法及其计算方法 |
| CN106532781A (zh) * | 2016-12-01 | 2017-03-22 | 华北电力大学（保定） | 一种考虑风电爬坡特性的电力系统调度方法 |
| CN113890112A (zh) * | 2021-09-29 | 2022-01-04 | 合肥工业大学 | 一种基于多场景并行学习的电网前瞻调度方法 |
| CN113902176A (zh) * | 2021-09-18 | 2022-01-07 | 清华大学 | 基于深度强化学习的电力系统源-荷前瞻调度方法及装置 |
| WO2022022101A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网甘肃省电力公司电力科学研究院 | 一种送端电网故障状态下紧急源网协调调峰控制方法 |
| CN115276115A (zh) * | 2022-07-18 | 2022-11-01 | 合肥工业大学 | 一种基于lstm的电网前瞻调度方法及其系统 |
| CN115528736A (zh) * | 2022-10-20 | 2022-12-27 | 山东大学 | 一种电力系统前瞻调度方法和系统 |
| CN116545010A (zh) * | 2023-04-24 | 2023-08-04 | 北京信息科技大学 | 一种考虑系统灵活爬坡约束的发电调度方法、系统及设备 |
-
2024
- 2024-03-19 CN CN202410308875.1A patent/CN117913920B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106251074A (zh) * | 2016-08-01 | 2016-12-21 | 国网山东省电力公司经济技术研究院 | 一种协同的电网超前调度模型的建立方法及其计算方法 |
| CN106532781A (zh) * | 2016-12-01 | 2017-03-22 | 华北电力大学（保定） | 一种考虑风电爬坡特性的电力系统调度方法 |
| WO2022022101A1 (zh) * | 2020-07-30 | 2022-02-03 | 国网甘肃省电力公司电力科学研究院 | 一种送端电网故障状态下紧急源网协调调峰控制方法 |
| CN113902176A (zh) * | 2021-09-18 | 2022-01-07 | 清华大学 | 基于深度强化学习的电力系统源-荷前瞻调度方法及装置 |
| CN113890112A (zh) * | 2021-09-29 | 2022-01-04 | 合肥工业大学 | 一种基于多场景并行学习的电网前瞻调度方法 |
| CN115276115A (zh) * | 2022-07-18 | 2022-11-01 | 合肥工业大学 | 一种基于lstm的电网前瞻调度方法及其系统 |
| CN115528736A (zh) * | 2022-10-20 | 2022-12-27 | 山东大学 | 一种电力系统前瞻调度方法和系统 |
| CN116545010A (zh) * | 2023-04-24 | 2023-08-04 | 北京信息科技大学 | 一种考虑系统灵活爬坡约束的发电调度方法、系统及设备 |
Non-Patent Citations (5)
| Title |
|---|
| C. WANG，ET AL.: "Effects of ramp-rate limits on unit commitment and economic dispatch", 《IEEE TRANSACTIONS ON POWER SYSTEMS》, 31 August 1993 (1993-08-31) * |
| 韩学山等: "考虑机组组爬坡速度和网络安全约束的经济调度解耦算法", 《电力系统自动化》, 10 July 2002 (2002-07-10) * |
| 颜伟等: "基于 OPF 的互联电网 AGC 优化模型", 《电力系统保护与控制》, 1 December 2015 (2015-12-01) * |
| 马欢等: "风电爬坡事件多级区间预警方法", 《电力系统自动化》, 10 June 2017 (2017-06-10) * |
| 马欢等: "风电爬坡事件对系统运行充裕性的影响评估", 《电力系统自动化》, 25 February 2017 (2017-02-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117913920B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11221594B2 (en) | Practical method for short-term operations of super large-scale hydropower plants | |
| CN112467807B (zh) | 一种多能源电力系统日前优化调度方法及系统 | |
| CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
| CN110266031B (zh) | 储能并网充放电量控制方法、装置、服务器及存储介质 | |
| Wang et al. | Optimal coordination of wind-hydro-thermal based on water complementing wind | |
| CN112884270B (zh) | 一种考虑不确定性因素的多场景配电网规划方法及系统 | |
| Zhang et al. | Day-ahead optimization dispatch strategy for large-scale battery energy storage considering multiple regulation and prediction failures | |
| CN112234604A (zh) | 一种多能互补电源基地优化配置方法、存储介质及设备 | |
| Kamila | Construction of environmental economic dispatching model based on electricity market environment | |
| CN105305501A (zh) | 实时负荷变化下水电站多模式时空嵌套出力动态调整方法 | |
| CN117913920B (zh) | 计及机组爬坡速率约束与系统初始状态的调度方法及系统 | |
| CN113298407B (zh) | 一种工业园区电-气综合能源系统优化调度模型建立方法 | |
| CN107359611A (zh) | 考虑多种随机因素的配电网等值方法 | |
| Yang et al. | Tracking-dispatch of a combined wind-storage system based on model predictive control and two-layer fuzzy control strategy | |
| CN112039126A (zh) | 含分布式电源的配电网多时间尺度协调调度方法及系统 | |
| CN113013884B (zh) | 一种用于含高渗透率光伏配电系统的三段式无功电压控制方法 | |
| CN115392709A (zh) | 一种多能园区规划方法、系统、计算机设备和存储介质 | |
| Wang et al. | Coordinated power smoothing control strategy of multi-wind turbines and energy storage systems in wind farm based on madrl | |
| Liu et al. | Real-time scheduling of renewable power systems through planning-based reinforcement learning | |
| CN112054553A (zh) | 电热气互联系统协调优化运行方法、系统、介质及设备 | |
| Gan et al. | Smart scheduling strategy for islanded microgrid based on reinforcement learning algorithm | |
| CN115800275B (zh) | 电力平衡调控配电方法、系统、设备及存储介质 | |
| CN116702424B (zh) | 一种大数据智能减排系统 | |
| Zong et al. | Robust stochastic low-carbon optimal dispatch of park-integrated energy system with multiple uncertainties from source and load | |
| Liao et al. | Solution framework for short-term cascade hydropower system optimization operations based on the load decomposition strategy |
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 |