CN117996847A - 主配网的调度控制方法、装置、设备及存储介质 - Google Patents
主配网的调度控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117996847A CN117996847A CN202410029701.1A CN202410029701A CN117996847A CN 117996847 A CN117996847 A CN 117996847A CN 202410029701 A CN202410029701 A CN 202410029701A CN 117996847 A CN117996847 A CN 117996847A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- main distribution
- target
- scheduling control
- algorithm
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 265
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 103
- 238000005457 optimization Methods 0.000 claims description 80
- 238000013439 planning Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 16
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000033999 Device damage Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种主配网的调度控制方法、装置、设备及存储介质。方法包括：确定待处理的目标主配网；根据目标主配网的调度控制目标，在主配网的决策处理系统中确定出目标主配网对应的处理模块，处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法；使用处理模块中的目标预测算法对目标主配网进行预测，确定目标主配网系统的调度控制对应的多个决策信息；从多个决策信息中确定出目标主配网系统对应的目标决策信息。采用本方法能够提高主配网的调度控制的准确性。
Description
技术领域
本申请涉及电力电子技术领域，特别是涉及一种主配网的调度控制方法、装置、设备及存储介质。
背景技术
随着社会经济的快速发展，人们对电力的需求越来越大，主配网调度指挥系统的建设和发展已经成为了电力行业迫切需要解决的问题。智能化、高效化、环保化和全球化是目前电力系统发展的主要趋势，而主配网调度指挥系统在这其中起着至关重要的角色。
相关技术中，主配网调度指挥系统主要依赖人为的手动调度，系统自动化程度较低，效率和精度有限。随着从整个配电网络设施到单个用户的需求和配网环境特性变得更加复杂，手动调度的不足越来越明显。因此，相关技术中的的主配网调度指挥系统引入了人工智能(Artificial Intelligence，AI)、大数据和物联网等先进技术。
然而，尽管相关技术中主配网调度指挥系统中引入了AI、大数据和物联网等技术，实现了主配网调度指挥的自动化，然而，由于不同地区的主配网的拓扑结构和参数不同，统一使用相同的调度方式会导致主配网的调度控制的准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高主配网的调度控制的准确性的主配网的调度控制方法、装置、设备及存储介质。
第一方面，本申请提供了一种主配网的调度控制方法。所述方法包括：
确定待处理的目标主配网；
根据所述目标主配网的调度控制目标，在主配网的决策处理系统中确定出所述目标主配网对应的处理模块，所述处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法；
使用所述处理模块中的目标预测算法对所述目标主配网进行预测，确定所述目标主配网系统的调度控制对应的多个决策信息；
从所述多个决策信息中确定出所述目标主配网系统对应的目标决策信息。
在其中一个实施例中，所述从所述多个决策信息中确定出所述目标主配网系统对应的目标决策信息，包括：
获取所述目标主配网对应的历史调度控制数据和当前调度控制数据；
使用有监督学习算法或无监督学习算法，从所述历史调度控制数据和当前调度控制数据中提取所述目标主配网对应的环境特征；
根据所述目标主配网对应的环境特征，从所述多个决策信息中确定出所述目标主配网系统对应的目标决策信息。
在其中一个实施例中，在所述根据所述目标主配网的调度控制目标，在主配网的决策处理系统中确定出所述目标主配网对应的处理模块之前，所述方法还包括：
根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法；
使用不同电力系统的数字孪生模型，分别对每个初始预测算法进行测试，得到每个初始预测算法在不同电力系统下的测试结果；
根据所述测试结果分别对每个初始预测算法进行调整，以生成所述主配网的决策处理系统中不同的处理模块。
在其中一个实施例中，若所述调度控制目标为主配电网规划优化，则所述根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法，包括：
获取所述初始预测算法对应的第一优化约束条件；
根据所述第一优化约束条件，构建线性规划算法作为所述初始预测算法；
其中，所述优化约束条件包括以下至少一项：最小电网规划成本参数、最小电网规划误差参数、最小电网规划效率参数和所述电网规划中的设备技术指标参数。
在其中一个实施例中，若所述调度控制目标为电力消耗预测，则所述根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法，包括：
采集不同主配网的电力消耗数据；
以所述不同主配网的电力消耗数据为样本数据，构建和训练神经网络模型；
使用遗传算法对训练后的神经网络模型的参数进行优化，以生成所述初始预测算法。
在其中一个实施例中，若所述调度控制目标为电力调度，则所述根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法，包括：
获取所述初始预测算法对应的第二优化约束条件；
确定所述电力调度对应的多个调度子目标和每个调度子目标分别对应的权重参数；
根据所述多个调度子目标、所述每个调度子目标分别对应的权重参数和所述第二优化约束条件，构建多目标优化算法作为所述初始预测算法；
其中，所述第二优化约束条件包括以下至少一项：电力系统的功率平衡参数、电压稳定参数、线路容量参数。
在其中一个实施例中，若所述调度控制目标为负荷管理优化，则所述根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法，包括：
根据启发式算法或模糊逻辑算法，构建所述初始预测算法。
第二方面，本申请提供了一种主配网的调度控制装置。所述装置包括：
确定模块，用于确定待处理的目标主配网；根据所述目标主配网的特性，在主配网的决策处理系统中确定出所述目标主配网对应的处理模块，所述处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法；
预测模块，用于使用所述处理模块中的目标预测算法对所述目标主配网进行预测，确定所述目标主配网系统的调度控制对应的多个决策信息；
决策模块，用于从所述多个决策信息中确定出所述目标主配网系统对应的目标决策信息。
在其中一个实施例中，所述决策模块，具体用于获取所述目标主配网对应的历史调度控制数据和当前调度控制数据；使用有监督学习算法或无监督学习算法，从所述历史调度控制数据和当前调度控制数据中提取所述目标主配网对应的环境特征；根据所述目标主配网对应的环境特征，从所述多个决策信息中确定出所述目标主配网系统对应的目标决策信息。
在其中一个实施例中，所述装置还包括：
生成模块，用于根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法；使用不同电力系统的数字孪生模型，分别对每个初始预测算法进行测试，得到每个初始预测算法在不同电力系统下的测试结果；根据所述测试结果分别对每个初始预测算法进行调整，以生成所述主配网的决策处理系统中不同的处理模块。
在其中一个实施例中，若所述调度控制目标为主配电网规划优化，则所述生成模块，具体用于获取所述初始预测算法对应的第一优化约束条件；根据所述第一优化约束条件，构建线性规划算法作为所述初始预测算法；其中，所述优化约束条件包括以下至少一项：最小电网规划成本参数、最小电网规划误差参数、最小电网规划效率参数和所述电网规划中的设备技术指标参数。
在其中一个实施例中，若所述调度控制目标为电力消耗预测，则所述生成模块，具体用于采集不同主配网的电力消耗数据；以所述不同主配网的电力消耗数据为样本数据，构建和训练神经网络模型；使用遗传算法对训练后的神经网络模型的参数进行优化，以生成所述初始预测算法。
在其中一个实施例中，若所述调度控制目标为电力调度，则所述生成模块，具体用于获取所述初始预测算法对应的第二优化约束条件；确定所述电力调度对应的多个调度子目标和每个调度子目标分别对应的权重参数；根据所述多个调度子目标、所述每个调度子目标分别对应的权重参数和所述第二优化约束条件，构建多目标优化算法作为所述初始预测算法；其中，所述第二优化约束条件包括以下至少一项：电力系统的功率平衡参数、电压稳定参数、线路容量参数。
在其中一个实施例中，若所述调度控制目标为负荷管理优化，则所述根所述生成模块，具体用于根据启发式算法或模糊逻辑算法，构建所述初始预测算法。
第三方面，本申请还提供了一种计算机设备。所述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第一方面所述的主配网的调度控制方法。
第四方面，本申请还提供了一种计算机可读存储介质。所述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第一方面所述的主配网的调度控制方法。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的主配网的调度控制方法。
上述主配网的调度控制方法、装置、设备及存储介质，首先确定待处理的目标主配网。其次，根据所述目标主配网的调度控制目标，在主配网的决策处理系统中确定出所述目标主配网对应的处理模块，所述处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法。再次，使用所述处理模块中的目标预测算法对所述目标主配网进行预测，确定所述目标主配网系统的调度控制对应的多个决策信息。最后，从所述多个决策信息中确定出所述目标主配网系统对应的目标决策信息。由于基于目标主配网的调度控制目标，选择对应的处理模块中的目标预测算法来确定主配网系统的调度控制对应的决策信息，从而使得目标主配网的调度控制更具针对性，提高了主配网的调度控制的准确性。
附图说明
图1为本申请实施例提供的一种主配网的调度控制方法的应用环境图；
图2为本申请实施例提供的一种主配网的调度控制方法的流程示意图；
图3为本申请实施例提供的另一种主配网的调度控制方法的流程示意图；
图4为本申请实施例提供的一种主配网的调度控制装置的结构框图；
图5为本申请实施例提供的一种计算机设备的内部结构图。
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。
本申请实施例提供的主配网的调度控制方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。
当需要对主配网进行调度控制时，用户可以通过终端102向服务器104发送主配网的调度控制请求，来指示需要进行调度控制的目标主配网。随后，服务器104首先确定待处理的目标主配网，并根据目标主配网的调度控制目标，在主配网的决策处理系统中确定出目标主配网对应的处理模块，处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法。随后，服务器104使用处理模块中的目标预测算法对目标主配网进行预测，确定目标主配网系统的调度控制对应的多个决策信息。最后，服务器104从多个决策信息中确定出目标主配网系统对应的目标决策信息。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种主配网的调度控制方法，以该方法应用于图1中的服务器为例进行说明，包括S201-S204：
S201、确定待处理的目标主配网。
在本申请中，当需要对主配网进行调度控制时，用户可以通过终端向服务器发送主配网的调度控制请求，来指示需要进行调度控制的目标主配网。当服务器接收到终端发送的调度控制请求后，可以确定待处理的目标主配网。
应理解，主配网为电力系统中从电压等级较高的输电网到电压等级较低的配电网之间的一级电网。主配网主要负责将从发电厂输送的高压电能分配给各个配电变电所，并将电能供应给工业、商业和住宅用户。
S202、根据目标主配网的调度控制目标，在主配网的决策处理系统中确定出目标主配网对应的处理模块。
在本步骤中，当服务器确定待处理的目标主配网后，可以根据目标主配网的调度控制目标，在主配网的决策处理系统中确定出目标主配网对应的处理模块。
其中，上述主配网的决策处理系统中可以为模块化互搭设计，包括多个处理模块，不同的处理模块用于处理不同的主配网或不同的调度控制目标的调度控制。在本申请中，通过主配网的决策处理系统的系统性、互搭性模块化设计方式，可以使得主配网的决策处理系统在不同环境中的快速部署和调整不同的处理模块。
在本申请中，通过将主配网的决策处理系统设计为模块化互搭，从而可以提高主配网的决策处理系统的构建和修改的灵活性，以适应不同环境中的需求。由于将整个主配网的决策处理系统分解为多个独立且可互换的模块，每个模块都具有自身的功能，并可以与其它模块协同工作以实现更复杂的功能。通过降低各组成部分之间的依赖性，提高了主配网的决策处理系统的适应性和灵活性，在面临新的应用环境或需求变更时，不需要对整个主配网的决策处理系统进行大规模的改动，而只需要替换或添加特定的模块，显著减少了系统升级或改造的复杂度和成本。
应理解，本申请实施例对于主配网的决策处理系统的接口不做限制，在一些实施例中，可以使用标准化和通用的数据接口，提供标准化的应用程序编程接口(ApplicationProgramming Interface，API)。示例性的，可以建立开放的软硬件接口标准和通信协议，公开和共享软硬件接口标准和通信协议，从而实现不同地区的主配网的决策处理系统能够互相通信和集成。
在本申请中，通过使用标准化和通用的数据接口，从而使得主配网的决策处理系统的各个处理模块之间具有良好的互操作性和兼容性，使得各个处理模块能够无差别地搭配使用，进而使得系统能够根据实际需求在各种模块之间进行自由选配和调整，极大地提高了系统的灵活性和扩展性。
在一些实施例中，调度控制目标可以包括主配电网规划优化、电力消耗预测、电力调度、负荷管理优化等，本申请实施例对此不做限制。调度控制目标可以由终端设备指示，也可以在服务器中预先设置。
应理解，本申请实施例对于如何根据目标主配网的调度控制目标，在主配网的决策处理系统中确定出目标主配网对应的处理模块不做限制，在一些实施例中，服务器中可以预先设置各个调度控制目标和处理模块之间的映射关系，随后，根据目标主配网的调度控制目标，在映射关系中确定出目标主配网对应的处理模块。
在本申请中，处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法。
应理解，本申请实施例对于如何生成主配网的决策处理系统中不同的处理模块不做限制，在一些实施例中，服务器可以首先根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法。随后，使用不同电力系统的数字孪生模型，分别对每个初始预测算法进行测试，得到每个初始预测算法在不同电力系统下的测试结果。最后，根据测试结果分别对每个初始预测算法进行调整，以生成主配网的决策处理系统中不同的处理模块。
在一些实施例中，上述初始预测算法可以基于调度控制目标，采用粒子群优化等启发式算法、神经网络算法、线性规划算法等构建，以适应各种电力系统需求和应用场景，在此基础上逐步调整算法参数和权重，使系统具有较好的泛化能力。
示例性的，以线性规划算法为例，首先可以设定有一个训练数据集，该训练数据集中可以包含n(n为大于0的整数)个样本，每一个样本均对应m(m可以为x1，x2，x3…xm)个自变量和一个因变量y，通过找到一个初始预测算法，通过该初始预测算法使得预测的结果尽可能接近真实的结果(即上述应变量y)。其中，该初始预测算法可以为线性规划算法，如公式(1)所示：
y＝B0+B1*x1+B2*x2+...+Bm*xm+e (1)
其中，B0、B1、B2…Bm为选择线性算法的模型参数，e为选择线性算法的误差项。
示例性的，在选择线性规划算法作为初始预测算法后，还可以一个损失函数来评估算法模型的性能。如公式(2)所示，可以使用均方误差作为损失函数，如公式(3)所示，可以取损失函数对每个参数的偏导数并设其为0，通过求解上述方式，可以得到最优的线性规划算法的模型参数B0、B1、B2…Bm。
L＝1/n∑(yi-(B0+B1*xi1+B2*xi2+...+Bm*xim))^2 (2)
示例性的，在确定最优的线性规划算法的模型参数后，若模型出现过拟合或者欠拟合的情况，则进一步进行模型选择或者调整模型的复杂度。
在一些实施例中，当构建不同的初始预测算法后，可以评估初始预测算法在不同环境中的操作性和稳定性。可以使用不同电力系统的数字孪生模型，分别对每个初始预测算法进行测试，得到每个初始预测算法在不同电力系统下的测试结果，再根据测试结果分别对每个初始预测算法进行调整，以生成主配网的决策处理系统中不同的处理模块。
示例性的，可以通过建立不同电力系统的数字孪生模型，并将数字孪生模型现为计算机模型。随后，使用真实系统的历史和实时数据来调整模型，使得模型能够尽可能准确地模拟真实电网数据的变化，从而使得模型来对每个初始预测算法进行测试。
应理解，上述数字孪生模型可以处理不同类型的数据输入，包括系统内部数据、从其他系统获得的数据，以及外部环境数据。通过数字孪生模型的测试结果，可以对初始预测算法的算法参数进行优化，从而根据特定的性能指标，例如能效、负载平衡或故障率，寻找最优的参数配置。
此外，由于电力系统可能会面临各种各样的环境条件，比如不同的天气条件、负载需求和设备状态，因此，上述数字孪生模型应可以灵活地适应这些变化。即，需要对数字孪生模型进行领域适应，以处理模型训练阶段未见过的环境条件，或者，通过在线学习算法使模型能够从新的数据中学习故障模式和新的运行状态。帮助更好地理解和管理其系统，预测可能的问题，提高系统的效率和可靠性，最终达到降低维护成本、提高服务质量的目标。
在一些实施例中，在数字孪生模型初始预测算法时，还可以基于不同的调度控制目标，对初始预测算法进行优化。
在一些实施例中，若调度控制目标为主配电网规划优化，则服务器可以先获取初始预测算法对应的第一优化约束条件。随后，根据第一优化约束条件，构建线性规划算法作为初始预测算法。
其中，优化约束条件包括以下至少一项：最小电网规划成本参数、最小电网规划误差参数、最小电网规划效率参数和电网规划中的设备技术指标参数。
在一些实施例中，若调度控制目标为电力消耗预测，则服务器可以先采集不同主配网的电力消耗数据。随后，以不同主配网的电力消耗数据为样本数据，构建和训练神经网络模型。最后，使用遗传算法对训练后的神经网络模型的参数进行优化，以生成初始预测算法。
在一些实施例中，若调度控制目标为电力调度，则服务器可以先获取初始预测算法对应的第二优化约束条件。随后，确定电力调度对应的多个调度子目标和每个调度子目标分别对应的权重参数。最后，根据多个调度子目标、每个调度子目标分别对应的权重参数和第二优化约束条件，构建多目标优化算法作为初始预测算法。
其中，第二优化约束条件包括以下至少一项：电力系统的功率平衡参数、电压稳定参数、线路容量参数。
在一些实施例中，若调度控制目标为负荷管理优化，则服务器可以根据启发式算法或模糊逻辑算法，构建初始预测算法。
S203、使用处理模块中的目标预测算法对目标主配网进行预测，确定目标主配网系统的调度控制对应的多个决策信息。
在本步骤中，当服务器根据目标主配网的调度控制目标，在主配网的决策处理系统中确定出目标主配网对应的处理模块后，可以使用处理模块中的目标预测算法对目标主配网进行预测，确定目标主配网系统的调度控制对应的多个决策信息。
应理解，本申请实施例对于如何对目标主配网进行预测不做限制，可以根据处理模块中不同的目标预测算法采用不同的方式。示例性的，若目标预测算法为神经网络算法，则可以先提取目标主配网的特征，再基于目标主配网的特征确定目标主配网系统的调度控制对应的多个决策信息。示例性的，若目标预测算法为线性规划算法，则可以通过对线性规划算法求解，得到目标主配网系统的调度控制对应的多个决策信息。
S204、从多个决策信息中确定出目标主配网系统对应的目标决策信息。
在本步骤中，当服务器使用处理模块中的目标预测算法对目标主配网进行预测，确定目标主配网系统的调度控制对应的多个决策信息后，可以从多个决策信息中确定出目标主配网系统对应的目标决策信息。
在一些实施例中，服务器可以获取目标主配网对应的历史调度控制数据和当前调度控制数据。随后，使用有监督学习算法或无监督学习算法，从历史调度控制数据和当前调度控制数据中提取目标主配网对应的环境特征。最，根据目标主配网对应的环境特征，从多个决策信息中确定出目标主配网系统对应的目标决策信息。
其中，上述环境特征用于表征目标主配网所在环境的变化情况。服务器通过目标主配网对应的环境特征，可以学习如何处理复杂和变化的环境，评估不同决策信息的优劣，做出最优的决策信息。
在一些实施例中，服务器在确定目标决策信息后，可以将目标决策信息下发给目标主配网中的各个设备，以进行主配网的调度控制。
本申请实施例提供的主配网的调度控制方法，首先确定待处理的目标主配网。其次，根据目标主配网的调度控制目标，在主配网的决策处理系统中确定出目标主配网对应的处理模块，处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法。再次，使用处理模块中的目标预测算法对目标主配网进行预测，确定目标主配网系统的调度控制对应的多个决策信息。最后，从多个决策信息中确定出目标主配网系统对应的目标决策信息。由于基于目标主配网的调度控制目标，选择对应的处理模块中的目标预测算法来确定主配网系统的调度控制对应的决策信息，从而使得目标主配网的调度控制更具针对性，提高了主配网的调度控制的准确性。
下面对于如何优化和构建主配网的决策处理系统进行说明。图3为本申请实施例提供的另一种主配网的调度控制方法的流程示意图，如图3所示，该主配网的调度控制方法包括S301-S307：
S301、根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法。
其中，调度控制目标可以包括主配电网规划优化、电力消耗预测、电力调度和负荷管理优化。
在一些实施例中，若调度控制目标为主配电网规划优化，则服务器可以先获取初始预测算法对应的第一优化约束条件。随后，根据第一优化约束条件，构建线性规划算法作为初始预测算法。
其中，优化约束条件包括以下至少一项：最小电网规划成本参数、最小电网规划误差参数、最小电网规划效率参数和电网规划中的设备技术指标参数。
示例性的，配电网规划优化对应的优化策略，可以基于数学规划的优化方法进行。根据设定的第一优化约束条件，如最小电网规划成本参数、最小电网规划误差参数、最小电网规划效率参数，以及设备潜力、电力连接需求和变压器需求等电网规划中的设备技术指标参数，可以建立线性规划算法，将配电网规划问题转化为线性规划问题，通过用适当的算法求解，可以得到最优的设备布局以及在成本和效率方面的目标决策信息。
在一些实施例中，若调度控制目标为电力消耗预测，则服务器可以先采集不同主配网的电力消耗数据。随后，以不同主配网的电力消耗数据为样本数据，构建和训练神经网络模型。最后，使用遗传算法对训练后的神经网络模型的参数进行优化，以生成初始预测算法。
其中，神经网络模型可以包括输入层、多个隐藏层和输出层，每一隐藏层都对下一隐藏层的输出产生影响，而遗传算法则被用于优化神经网络的参数，助力寻找最优的网络参数配置，从而进一步提高预测的准确性。
其中，上述电力消耗数据可以包括任何与电力消耗相关的数据。示例性的，可以包括历史电力数据、天气数据、季节性因素数据等，以构建一个包含足够信息量的样本集。随后，使用样本集构建初步的神经网络模型，用于捕捉输入数据中包含的复杂关系，并对电力消耗进行预测。
示例性的，可以通过遗传算法对神经网络的参数进行优化，遗传算法被用于调整神经网络模型中的权重参数和偏置值，从而寻找到最优的参数配置。在优化过程中，可以包括初始化参数、选择、交叉、变异和适应度评估等过程。在遗传算法优化过程完成后，得到的最优网络参数配置可以帮助神经网络模型更准确地预测电力消耗。
在本申请中，融合遗传算法与神经网络的电力消耗预测环节优化策略，在很大程度上提高了预测结果的准确性，有助于更好地实现电力供需平衡和促进电力系统的优化运行。
在一些实施例中，若调度控制目标为电力调度，则服务器可以先获取初始预测算法对应的第二优化约束条件。随后，确定电力调度对应的多个调度子目标和每个调度子目标分别对应的权重参数。最后，根据多个调度子目标、每个调度子目标分别对应的权重参数和第二优化约束条件，构建多目标优化算法作为初始预测算法。
其中，第二优化约束条件包括以下至少一项：电力系统的功率平衡参数、电压稳定参数、线路容量参数。
示例性的，上述电力调度，确定电力调度对应的多个调度子目标和每个调度子目标分别对应的权重参数，通过多目标优化算法找到满足系统功率平衡、电压稳定和线路容量等第二优化约束条件的初始预测算法，以确定电力调度方案，从而实现电力系统的稳定运行，优化系统效率，并确保安全可靠。
示例性的，可以确定电力调度对应的多个调度子目标，调度子目标可以包括最小化生产成本、最大化可靠性、减少传输损耗、提高设备利用率等。针对每个调度子目标，可以分别设定权重参数以反映其在整个调度过程中的相对重要性。上述权重参数可以根据实际需求和系统策略进行调整。随后，将多个子目标整合成一个综合目标函数，通过将各个目标函数乘以相应的权重值并相加来完成，形成的综合目标函数便可用于评估不同的电力调度方案，并将多目标问题转化为单目标问题。在建立综合目标函数之后，需要考虑电力系统的第二优化约束条件，这些约束条件包括系统功率平衡、电压稳定和线路容量等。系统功率平衡要求发电与负荷之间保持平衡，以确保系统的稳定运行。电压稳定条件检查各个节点的电压水平，确保它们在允许的范围内。线路容量约束确保电力传输不超过设备允许的最大值，防止过载和设备损坏。最后，在确定综合目标函数和第二优化约束条件后，可以采用多目标优化算法进行求解。
其中，多目标优化算法可以包括遗传算法、粒子群优化算法、模拟退火算法等。多目标优化算法，以综合目标函数值作为优化目标，并在约束条件下搜索最优的电力调度方案。通过这种基于多目标优化方法的电力调度环节优化策略，可以在达到功率平衡、电压稳定和线路容量约束条件的基础上，实现各个调度目标的综合优化。这将有助于提高电力系统的运行效率、降低成本、优化资源分配，同时确保电力系统的安全、稳定和可靠运行。
在一些实施例中，若调度控制目标为负荷管理优化，则服务器可以根据启发式算法或模糊逻辑算法，构建初始预测算法。
示例性的，负荷管理优化，可以采取启发式算法和模糊逻辑算法等方式来制定和优化负荷调度策略。首先，可以利用大量历史数据建立负荷模型，通过对历史数据的学习和推断，负荷模型可以获得电力负荷与外部因素(如天气变化、用户行为模式等)的内在关系，为预测未来负荷提供依据。其次，基于电网的实时状态和预测的负荷，利用负荷模型设定初步的负荷调度策略信息，考虑到供电侧和需求侧的各种因素(如可用的发电量、用户的用电需求、设备的运行状态等)，实现电力系统供需平衡。再次，利用启发式算法或模糊逻辑算法对策略信息进行优化，根据算法内在的启发性规则，通过多次迭代寻找最优解。最后，优化后的算法可以选择满足电力系统安全、稳定运行的前提下，使电力损耗最小或者电力消耗最优的负荷调度策略。
本申请中，据启发式算法或模糊逻辑算法，构建的初始预测算法，具有求解速度快、全局搜索能力强的优点，同时基于非精确性信息处理的方法，处理复杂、不确定的系统，可以用于负荷管理环节可以处理电源、用电等方面的不确定性。同时，由于对历史数据进行建模，结合电网实时状态和预测负荷设定负荷调度策略，然后通过启发式算法或模糊逻辑进行优化，最终实现在保证安全、稳定运行前提下，最小化电力损耗或最优化电力消耗的目标。
S302、使用不同电力系统的数字孪生模型，分别对每个初始预测算法进行测试，得到每个初始预测算法在不同电力系统下的测试结果。
S303、根据测试结果分别对每个初始预测算法进行调整，以生成主配网的决策处理系统中不同的处理模块。
S304、确定待处理的目标主配网。
S305、根据目标主配网的调度控制目标，在主配网的决策处理系统中确定出目标主配网对应的处理模块，处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法。
S306、使用处理模块中的目标预测算法对目标主配网进行预测，确定目标主配网系统的调度控制对应的多个决策信息。
S307、从多个决策信息中确定出目标主配网系统对应的目标决策信息。
本申请实施例提供的主配网的调度控制方法，首先确定待处理的目标主配网。其次，根据目标主配网的调度控制目标，在主配网的决策处理系统中确定出目标主配网对应的处理模块，处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法。再次，使用处理模块中的目标预测算法对目标主配网进行预测，确定目标主配网系统的调度控制对应的多个决策信息。最后，从多个决策信息中确定出目标主配网系统对应的目标决策信息。由于基于目标主配网的调度控制目标，选择对应的处理模块中的目标预测算法来确定主配网系统的调度控制对应的决策信息，从而使得目标主配网的调度控制更具针对性，提高了主配网的调度控制的准确性。
应该理解的是，虽然如上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主配网的调度控制方法的主配网的调度控制装置。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主配网的调度控制装置实施例中的具体限定可以参见上文中对于主配网的调度控制方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种主配网的调度控制装置400，包括：确定模块401、预测模块402、决策模块403和生成模块404，其中：
确定模块401，用于确定待处理的目标主配网。根据目标主配网的特性，在主配网的决策处理系统中确定出目标主配网对应的处理模块，处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法。
预测模块402，用于使用处理模块中的目标预测算法对目标主配网进行预测，确定目标主配网系统的调度控制对应的多个决策信息。
决策模块403，用于从多个决策信息中确定出目标主配网系统对应的目标决策信息。
在其中一个实施例中，决策模块403，具体用于获取目标主配网对应的历史调度控制数据和当前调度控制数据；使用有监督学习算法或无监督学习算法，从历史调度控制数据和当前调度控制数据中提取目标主配网对应的环境特征；根据目标主配网对应的环境特征，从多个决策信息中确定出目标主配网系统对应的目标决策信息。
在其中一个实施例中，主配网的调度控制装置400还包括：
生成模块404，用于根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法；使用不同电力系统的数字孪生模型，分别对每个初始预测算法进行测试，得到每个初始预测算法在不同电力系统下的测试结果；根据测试结果分别对每个初始预测算法进行调整，以生成主配网的决策处理系统中不同的处理模块。
在其中一个实施例中，若调度控制目标为主配电网规划优化，则生成模块404，具体用于获取初始预测算法对应的第一优化约束条件；根据第一优化约束条件，构建线性规划算法作为初始预测算法；其中，优化约束条件包括以下至少一项：最小电网规划成本参数、最小电网规划误差参数、最小电网规划效率参数和电网规划中的设备技术指标参数。
在其中一个实施例中，若调度控制目标为电力消耗预测，则生成模块404，具体用于采集不同主配网的电力消耗数据；以不同主配网的电力消耗数据为样本数据，构建和训练神经网络模型；使用遗传算法对训练后的神经网络模型的参数进行优化，以生成初始预测算法。
在其中一个实施例中，若调度控制目标为电力调度，则生成模块404，具体用于获取初始预测算法对应的第二优化约束条件；确定电力调度对应的多个调度子目标和每个调度子目标分别对应的权重参数；根据多个调度子目标、每个调度子目标分别对应的权重参数和第二优化约束条件，构建多目标优化算法作为初始预测算法；其中，第二优化约束条件包括以下至少一项：电力系统的功率平衡参数、电压稳定参数、线路容量参数。
在其中一个实施例中，若调度控制目标为负荷管理优化，则根生成模块404，具体用于根据启发式算法或模糊逻辑算法，构建初始预测算法。
上述主配网的调度控制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5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主配网的调度控制方法。
本领域技术人员可以理解，图5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上述主配网的调度控制方法。
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上述主配网的调度控制方法。
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上述主配网的调度控制方法。
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，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 Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access 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(Random Access 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 Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，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)
1.一种主配网的调度控制方法，其特征在于，所述方法包括：
确定待处理的目标主配网；
根据所述目标主配网的调度控制目标，在主配网的决策处理系统中确定出所述目标主配网对应的处理模块，所述处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法；
使用所述处理模块中的目标预测算法对所述目标主配网进行预测，确定所述目标主配网系统的调度控制对应的多个决策信息；
从所述多个决策信息中确定出所述目标主配网系统对应的目标决策信息。
2.根据权利要求1所述的方法，其特征在于，所述从所述多个决策信息中确定出所述目标主配网系统对应的目标决策信息，包括：
获取所述目标主配网对应的历史调度控制数据和当前调度控制数据；
使用有监督学习算法或无监督学习算法，从所述历史调度控制数据和当前调度控制数据中提取所述目标主配网对应的环境特征；
根据所述目标主配网对应的环境特征，从所述多个决策信息中确定出所述目标主配网系统对应的目标决策信息。
3.根据权利要求1所述的方法，其特征在于，在所述根据所述目标主配网的调度控制目标，在主配网的决策处理系统中确定出所述目标主配网对应的处理模块之前，所述方法还包括：
根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法；
使用不同电力系统的数字孪生模型，分别对每个初始预测算法进行测试，得到每个初始预测算法在不同电力系统下的测试结果；
根据所述测试结果分别对每个初始预测算法进行调整，以生成所述主配网的决策处理系统中不同的处理模块。
4.根据权利要求3所述的方法，其特征在于，若所述调度控制目标为主配电网规划优化，则所述根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法，包括：
获取所述初始预测算法对应的第一优化约束条件；
根据所述第一优化约束条件，构建线性规划算法作为所述初始预测算法；
其中，所述优化约束条件包括以下至少一项：最小电网规划成本参数、最小电网规划误差参数、最小电网规划效率参数和所述电网规划中的设备技术指标参数。
5.根据权利要求3所述的方法，其特征在于，若所述调度控制目标为电力消耗预测，则所述根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法，包括：
采集不同主配网的电力消耗数据；
以所述不同主配网的电力消耗数据为样本数据，构建和训练神经网络模型；
使用遗传算法对训练后的神经网络模型的参数进行优化，以生成所述初始预测算法。
6.根据权利要求3所述的方法，其特征在于，若所述调度控制目标为电力调度，则所述根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法，包括：
获取所述初始预测算法对应的第二优化约束条件；
确定所述电力调度对应的多个调度子目标和每个调度子目标分别对应的权重参数；
根据所述多个调度子目标、所述每个调度子目标分别对应的权重参数和所述第二优化约束条件，构建多目标优化算法作为所述初始预测算法；
其中，所述第二优化约束条件包括以下至少一项：电力系统的功率平衡参数、电压稳定参数、线路容量参数。
7.根据权利要求1所述的方法，其特征在于，若所述调度控制目标为负荷管理优化，则所述根据主配网对应的不同调度控制目标，分别构建不同的初始预测算法，包括：
根据启发式算法或模糊逻辑算法，构建所述初始预测算法。
8.一种主配网的调度控制装置，其特征在于，所述装置包括：
确定模块，用于确定待处理的目标主配网；根据所述目标主配网的特性，在主配网的决策处理系统中确定出所述目标主配网对应的处理模块，所述处理模块中包括经过电力系统的数字孪生模型优化后生成的环境自适应的目标预测算法；
预测模块，用于使用所述处理模块中的目标预测算法对所述目标主配网进行预测，确定所述目标主配网系统的调度控制对应的多个决策信息；
决策模块，用于从所述多个决策信息中确定出所述目标主配网系统对应的目标决策信息。
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 |
|---|---|---|---|
| CN202410029701.1A CN117996847A (zh) | 2024-01-09 | 2024-01-09 | 主配网的调度控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410029701.1A CN117996847A (zh) | 2024-01-09 | 2024-01-09 | 主配网的调度控制方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117996847A true CN117996847A (zh) | 2024-05-07 |
Family
ID=90891954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410029701.1A Pending CN117996847A (zh) | 2024-01-09 | 2024-01-09 | 主配网的调度控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117996847A (zh) |
-
2024
- 2024-01-09 CN CN202410029701.1A patent/CN117996847A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Game-theoretical energy management for energy Internet with big data-based renewable power forecasting | |
| Suresh et al. | Hybrid improved binary particle swarm optimization approach for generation maintenance scheduling problem | |
| Kuznetsova et al. | Reinforcement learning for microgrid energy management | |
| Ospina et al. | Sampling-based model predictive control of PV-integrated energy storage system considering power generation forecast and real-time price | |
| Rahmani-Andebili | Cooperative distributed energy scheduling in microgrids | |
| Su et al. | Deep belief network enabled surrogate modeling for fast preventive control of power system transient stability | |
| Zhong et al. | Bayesian learning-based multi-objective distribution power network reconfiguration | |
| CN110518580A (zh) | 一种考虑微网主动优化的主动配电网运行优化方法 | |
| Gutiérrez‐Alcaraz et al. | Two‐stage heuristic methodology for optimal reconfiguration and Volt/VAr control in the operation of electrical distribution systems | |
| Kanimozhi et al. | Multi-objective approach for load shedding based on voltage stability index consideration | |
| Meng et al. | An advanced real-time dispatching strategy for a distributed energy system based on the reinforcement learning algorithm | |
| Bui et al. | Real-time operation of distribution network: A deep reinforcement learning-based reconfiguration approach | |
| Alobaidi et al. | Distribution service restoration with renewable energy sources: a review | |
| Wang et al. | Fast optimal power flow with guarantees via an unsupervised generative model | |
| Zeng et al. | Distributed deep reinforcement learning-based approach for fast preventive control considering transient stability constraints | |
| Xing et al. | Real-time optimal scheduling for active distribution networks: A graph reinforcement learning method | |
| Qian et al. | An edge intelligence-based framework for online scheduling of soft open points with energy storage | |
| Li et al. | A multi-objective stochastic-information gap decision model for soft open points planning considering power fluctuation and growth uncertainty | |
| Marrouchi et al. | A comparative study of fuzzy logic, genetic algorithm, and gradient‐genetic algorithm optimization methods for solving the unit commitment problem | |
| Bao et al. | A data-driven energy management strategy based on deep reinforcement learning for microgrid systems | |
| Yang et al. | Microgrid energy management strategy base on UCB-A3C learning | |
| Li et al. | Multiagent deep meta reinforcement learning for sea computing-based energy management of interconnected grids considering renewable energy sources in sustainable cities | |
| Kousounadis-Knousen et al. | A New Co-Optimized Hybrid Model Based on Multi-Objective Optimization for Probabilistic Wind Power Forecasting in a Spatiotemporal Framework | |
| CN117996847A (zh) | 主配网的调度控制方法、装置、设备及存储介质 | |
| Bao et al. | Multiobjective Optimal Dispatching of Smart Grid Based on PSO and SVM |
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 |