CN118036347B - 一种适用于极端天气的风力发电全流程误差溯源方法及系统 - Google Patents
一种适用于极端天气的风力发电全流程误差溯源方法及系统 Download PDFInfo
- Publication number
- CN118036347B CN118036347B CN202410434228.5A CN202410434228A CN118036347B CN 118036347 B CN118036347 B CN 118036347B CN 202410434228 A CN202410434228 A CN 202410434228A CN 118036347 B CN118036347 B CN 118036347B
- Authority
- CN
- China
- Prior art keywords
- power
- error
- prediction
- temperature
- wind
- 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 115
- 238000010248 power generation Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 claims abstract description 66
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000005315 distribution function Methods 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 238000004804 winding Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Wind Motors (AREA)
Abstract
一种适用于极端天气的风力发电全流程误差溯源方法及系统,涉及新能源发电控制技术领域。方法包括:采集风电机组、场站信息、气象信息等数据,通过数据清洗,构建不同风速下功率概率密度分布函数,剔除误差数据;其次,构建双向长短期记忆网络构建功率预测模型;之后,定义极端天气诊断因子包括:基于极端天气诊断、机组误差构建风机出力状态诊断模型;最后,构建预测误差解耦分析模型,将预测环节误差划分为数值气象预测报误差、模型误差、实际开机与计划开机容量不一致导致功率预测误差以及机组误差,实现功率预测全环节误差解耦分析,从业务链条角度对风电功率预测全环节误差解耦分析,定量化评价分析功率预测各环节的误差占比。
Description
技术领域
本发明属于新能源功率预测技术领域,具体涉及一种适用于极端天气的风力发电全流程误差溯源方法及系统。
背景技术
风电装机容量持续多年的快速增长、风电出力的高占比和随机波动特性等因素,使风电预测准确性在电网运行中的影响日益明显:一方面,电力系统调度中的备用容量留取和发电计划安排等环节需要考虑风电功率预测的不确定性;另一方面,现有电网多以火电等常规电源为主,高比例风电接入后,现有电网的灵活调整电源不足,风电预测出力偏差会严重影响出力平衡和机炉启停安排。因此,电网生产运行越来越倚重风电等新能源预测的准确程度。
目前研究多聚焦于功率预测最终误差结果的评价,尚未实现对功率预测的全过程时序评价,缺少从业务链条角度对风电功率预测的实现过程进行解耦分析。特别是功率预测各环节的误差占比始终无法定量化评价,原因包括:
①功率预测过程尚未根据业务流程实现解构,且各环节导致的误差成因缺乏解耦评价方法,误差评价不精细;
②各环节分析对象不同,量纲也不同,误差分析不直观。准确且合理的高精度新能源发电功率预测对保障电网的安全调度、维护电网的稳定运行和提高新能源电站利用率具有重要意义,因此亟须一种适用于面向极端天气的新能源功率预测修正方法。
发明内容
为解决现有技术中存在的不足,本发明提供一种适用于风力发电功率预测的全流程精细化误差溯源方法及系统。
本发明采用如下的技术方案。
本发明的第一方面提供了一种适用于极端天气的风力发电全流程误差溯源方法,包括以下步骤:
S1:采集风电机组数据、场站信息数据和气象信息数据;通过数据清洗,并采用非参数估计法构建不同风速下功率概率密度分布函数;
S2:使用S1获得处理后的数据和不同风速下功率概率密度分布函数,构建功率预测模型;
S3:定义极端天气诊断因子,进行极端天气停机/切机诊断,基于极端天气停机/切机诊断结果,构建机组出力特性改变导致的预测误差模型;
S4:使用S2获得的功率预测模型和S3获得的风电出力下降导致的预测误差模型,构建预测误差解耦分析模型;预测环节误差包括:数值气象预测报误差、功率预测模型误差、人为因素误差和机组出力特性改变导致的预测误差,从业务链条角度对风电功率预测全环节误差解耦分析,定量化评价分析功率预测各环节的误差占比。
优选地,S1包括:
S1.1,采集场站信息数据,各个时刻数据包括:风电装机容量、风电数量、风电开机容量、机组停机/检修数据;
采集场站气象-功率数据,包括:数值气象预报数据、预测功率数据、测风塔实测气象数据、实测功率数据;
采集气象信息数据,包括:风速、风向、温度、湿度、气压以及降雨、降雪、覆冰;
采集风机SCADA数据,包括:齿轮箱温度、发电机绕组温度;
S1.2,将S1.1中采集的数据进行分类处理:利用统计方法以及分区间概率密度函数,处理风速、温度和实测功率气象功率时序数据,对缺失、数据不一致、数据重复、异常数据进行清洗;
针对清洗清洗结果进行特征构建及选择,包括:基于功率预测先验方法及统计方法,构建温度、湿度、气压、风机轮毂高度下的风速、风向、降水量6维变量与功率数据的映射关系。
优选地,S2包括:
S2.1,利用支持向量回归法构建单机-全场理论功率模型,包含分段支持向量模型、单机及全场理论功率;
S2.2,使用S1获得处理后的数据,在S2.1的基础上,基于双向长短期记忆网络构建影响因子与功率映射模型并进行预测,得到功率预测结果,以如下公式表示:
(1)
式中:
为功率预测结果;
为功率预测模型;
为数值气象预报数据;
为温度,为湿度,为气压,为风机轮毂高度下的风速,为风机轮毂高度下的风向,为降水量。
优选地,S3包括:
S3.1,定义极端天气诊断因子,包括:寒潮、大风、风机覆冰,构建极端天气诊断因子时间序列,获得极端天气停机/切机诊断结果;
S3.2,基于极端天气停机/切机诊断结果,结合人为因素容量偏差,获取因极端天气造成开机容量偏差;
S3.3,构建机组内部因素造成出力下降引起误差模型,包括:发电机过温降功率导致预测误差和齿轮箱过温降功率导致预测误差;
S3.4,基于S3.1中的极端天气停机/切机诊断结果,构建机组外部因素造成出力下降引起误差模型,包括极端天气风机覆冰引起误差。
优选地,S3.1中,寒潮诊断因子以如下公式表示:
(2)
式中:
为环境温度,
为24小时内最大温差,
为48小时内最大温差,
为72小时内最大温差;
大风诊断因子以如下公式表示:
(3)
式中:
为风速,
为24小时内最大风速差值;
风机覆冰诊断因子以如下公式表示:
(4)
式中:
为环境想相对湿度。
取值为0时表示不发生,取值为1时表示发生。
优选地,S3.2中,结合包含计划开机容量、实际开机容量和弃风弃光调度计划的人为因素容量偏差,获取因极端天气造成开机容量偏差,以如下公式表示:
(5)
式中:
为因极端天气造成开机容量偏差;
为计划开机容量;
为实际开机容量;
为人为因素容量偏差。
优选地,S3.3包括:
构建风机发电机过温诊断过温诊断模型,包括:
将历史发电机温度及功率数据进行拟合及平滑处理,获得各个功率下正常温度值;
利用最小二乘法,完成发电机温度-功率拟合;
将数据按照功率划分各个功率子区间,利用非参数核密度概率预测方法求解子功率区间内发电机温度偏差;
计算子功率区间内发电机温度偏差的概率密度函数累计概率分布函数;
提取标定异常值下的功率值,与单机理论功率进行验证对比,判定功率是否发生损失;
校正过温诊断模型及置信度α取值,实现风机发电机过温诊断;
构建风机齿轮箱过温诊断过温诊断模型,包括:
将历史齿轮箱温度及功率数据进行拟合及平滑处理,获得各个功率下正常温度值;
利用最小二乘法,完成齿轮箱温度-功率拟合;
将数据按照功率划分各个功率子区间,利用非参数核密度概率预测方法求解子功率区间内齿轮箱温度偏差;
计算子功率区间内齿轮箱温度偏差的概率密度函数累计概率分布函数;
提取标定异常值下的功率值,与单机理论功率进行验证对比,判定功率是否发生损失;
校正过温诊断模型及置信度α取值,实现风机齿轮箱过温诊断。
优选地,基于发电机过温、齿轮箱过温诊断,构建机组误差模型:包发电机过温降功率导致预测误差期望值与温度一一映射关系,以及齿轮箱过温降功率导致预测误差期望值与与温度一一映射关系。
优选地,风机发电机过温引起误差包括:基于不同的功率区间,提取各个发电机温度异常值,计算各个温度异常值下预测误差期望值,发电机过温预测误差以如下公式表示:
(10)
式中:
为时刻风机机组的预测功率;
为时刻风机机组的实际功率;
样本内某一异常值下共有个预测,误差,,则预测误差期望为:
(7)
式中:
为第个预测值的出现频率;
基于获得的发电机温度异常值与异常值下的预测误差期望值一一对应关系,利用三次样条插值法,构建预测误差期望与温度一一映射模型,以如下公式表示:
(8)
式中:
为预测误差期望与温度一一映射关系。
优选地,S3.4包括:
(1)基于S3.1中极端天气诊断因子,确定极端天气发生时刻;
(2)结合因极端天气造成停机/切机时刻,确定因极端天气造成风电降功率运行时刻下降;
(3)结合S2.1,基于支持向量回归法构建的单机-全场理论功率模型,结合实测气象-功率数据,计算基于实测气象下的理论出力,获得导致因极端天气导致机组降功率运行功率损失;
(9)
式中:
为时刻基于预测气象条件下的功率预测结果;
为时刻风电机组实际出力;
为时刻机组内部因素导致误差;
C为风电场装机容量。
优选地,功率预测各个时刻整体误差包括:NWP 环节预测功率误差、预测模型环节预测功率误差、实际开机与计划开机容量不一致导致功率预测误差、机组出力特性变化导致功率误差;以如下公式表示:
(10)
式中:
为第台风机机组的预测功率;
为第台风机机组的实际功率。
优选地,NWP环节预测功率误差由数值气象预报误差造成;通过引入实测气象数据、再分析气象数据,结合实际开机容量/风电场装机容量C,可获得准确风资源条件下的等效功率预测值,以如下公式表示:
(11)
NWP 环节导致的预测功率误差,以如下公式表示:
(12)
式中:
为风机机组的预测功率;
为风机机组等效功率预测值。
优选地,针对预测模型环节预测功率误差:由于气象资源要素,风电功率出力呈现非线性映射关系,预测模型学习能力不足导致出现预测误差,以如下公式表示:
(13)
式中:
为预测模型环节预测功率误差。
优选地,针对实际开机与计划开机容量不一致导致功率预测误差,由计划开机容量和实际开机容量不一致造成,包含人为因素误差和极端天气误差。
本发明的第二方面提供了一种适用于极端天气的风力发电全流程误差溯源系统,运行所述的一种适用于极端天气的风力发电全流程误差溯源方法,包括:
数据采集与预处理模块,用于采集风电机组数据、场站信息数据和气象信息数据;通过数据清洗,并采用非参数估计法构建不同风速下功率概率密度分布函数;
功率预测模块,内置功率预测模型,用于使用数据采集与预处理模块处理后的数据进行风机功率预测;
风机出力状态诊断模块,内置极端天气停机/切机诊断模型,基于极端天气诊断因子,进行极端天气停机/切机诊断,获得机组出力特性改变导致的预测误差;
解耦分析模块,内置预测误差解耦分析模型,包括:数值气象预测报误差、功率预测模型误差、人为因素误差和机组出力特性改变导致的预测误差,用于从业务链条角度对风电功率预测全环节误差解耦分析,定量化评价分析功率预测各环节的误差占比。
本发明的第三方面提供了一种电子设备,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,其特征在于,所述计算机程序被加载至处理器时实现所述的一种适用于风力发电功率预测的全流程精细化误差溯源方法。
本发明的第四方面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所述的一种适用于风力发电功率预测的全流程精细化误差溯源方法。
与现有技术相比,本发明的有益效果至少包括:本发明构建了预测误差解耦分析模型,将预测环节误差划分为数值气象预测报误差、模型误差、实际开机与计划开机容量不一致导致功率预测误差(包含人为因素误差、极端天气误差)以及机组降功率运行误差(极端天气风机覆冰、发电机过温降功率、齿轮箱过温降功率),实现了功率预测全环节误差解耦分析,从业务链条角度对风电功率预测全环节误差解耦分析,定量化评价分析功率预测各环节的误差占比。
附图说明
图1是依照本发明实施例提供的适用于风力发电功率预测的全流程精细化误差溯源方法的框图;
图2是依照本发明实施例提供的功率预测结果的示意图;
图3是依照本发明实施例提供的利用支持向量回归法构建单机-全场理论功率模型的流程图;
图4是依照本发明实施例提供的子功率区间内发电机温度偏差概率密度函数的示意图;
图5是依照本发明实施例提供的温度-功率不同置信度下的置信区间的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,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有所其它实施例,都属于本发明的保护范围。
如图1-5所示,本发明的实施例1提供了一种适用于风力发电功率预测的全流程精细化误差溯源方法,包括以下步骤:
S1:采集风电机组、场站信息、气象信息等数据;通过数据清洗,并采用非参数估计法构建不同风速下功率概率密度分布函数,结合四分位法,剔除误差数据。
在本发明优选但非限制性的实施方式中,S1具体包括:
S1.1,采集的各个时刻数据包括:场站基本信息数据:风电装机容量、风电数量、风电开机容量、机组停机/检修数据;场站气象-功率数据:数值气象预报数据、预测功率数据、测风塔实测气象数据、实测功率数据;气象信息:包括风速、风向、温度、湿度、气压以及降雨、降雪、覆冰;风机SCADA数据:环境温度、湿度、风速、风向、齿轮箱输入轴温度、齿轮箱输出轴温度、齿轮箱油温、主轴的叶轮侧轴承温度、发电机绕组温度。
S1.2,数据准备及处理包括:分区间概率密度函数、特征工程。
具体地,将S1.1中采集的数据进行分类处理:利用均值、四分位数、中位数、标准差、偏差、偏度等统计方法以及分区间概率密度函数,处理风速、温度、实测功率等气象功率时序数据,对缺失、数据不一致、数据重复、异常等数据进行清洗;
基于数据清洗后的结果,进行特征构建及选择,基于功率预测先验方法及统计方法,构建温度、湿度、气压、风机轮毂高度下的风速、风向、降水量6维变量与功率数据的映射关系;
基于所述映射关系进行特征变换,利用降维的思想,挖掘特征属性之间存在着相互关联关系,把多参数气象因素转化为少数综合性影响因子,降低影响因素维度,确保特征属性之间独立性。
S2:使用S1处理后的数据和不同风速下功率概率密度分布函数,利用支持向量回归法构建单机-全场理论功率模型、双向长短期记忆网络构建功率预测模型。
在本发明优选但非限制性的实施方式中,S2具体包括:
S2.1,利用支持向量回归法构建单机-全场理论功率模型,包含分段支持向量模型、单机及全场理论功率模型。
具体地,所述的分段支持向量模型将风机按照切入风速、额定风速分为三段,即0-切入风速、切入风速-额定风速、额定风速-最大风速;利用S1数据处理,剔除机组非正常工况数据,结合风机SCADA中风速、风向等数据,构建风机分段支持向量模型,获得单机理论功率;使将风场内所有机组的理论功率求和即为全场理论功率。
S2.2,获取历史数值气象预报与功率数据,并对气象-功率等时序性数据进行S1中S1.2数据准备及处理,基于双向长短期记忆网络构建影响因子与功率映射模型并进行预测,得到功率预测结果,以如下公式表示:
(1)
式中:
为功率预测结果;
为功率预测模型;
为数值气象预报数据;
为温度,为湿度,为气压,为风机轮毂高度下的风速,为风机轮毂高度下的风向,为降水量。
S3:定义极端天气诊断因子包括:寒潮诊断因子、大风诊断因子;极端天气影响系数:覆冰风险指数、大风切机比例;同时结合S1中风机SCADA数据,定性、定量分析机组误差如:湍流降功率、发电机过温降功率、以及齿轮箱过温降功率等误差,基于极端天气诊断、机组误差构建风机出力状态诊断模型,进而构建风电出力下降导致的预测误差模型。
在本发明优选但非限制性的实施方式中,S3具体包括:
S3.1,定义极端天气诊断因子,标定寒潮、大风、风机覆冰;具体地,大风类型:定义风速大于17.2m/s为大风天气;寒潮类型:定义使某地24小时内降温幅度≥8℃,或48小时内降温幅度≥10℃,或72小时降温幅度≥12℃,而且使该地日最低气温<4℃的冷空气活动为寒潮天气;风机覆冰:气温在-10~0 ℃,相对湿度达 70%以上,平均风速≤6 m/s 最有利于冰冻的产生。
寒潮诊断因子以如下公式表示:
(2)
式中:
为环境温度,
为24小时内最大温差,
为48小时内最大温差,
为72小时内最大温差;
大风诊断因子以如下公式表示:
(3)
式中:
为风速,
为24小时内最大风速差值;
风机覆冰诊断因子以如下公式表示:
(4)
式中:
为环境想相对湿度;
取值为0时表示时刻不发生寒潮,取值为1时表示发生寒潮;
取值为0时表示时刻不发生大风,取值为1时表示发生大风;
取值为0时表示不发生风机覆冰,取值为1时表示发生风机覆冰。
由各个时刻的构成极端天气诊断因子时间序列,与各个时刻开机容量相与,获得极端天气停机/切机诊断结果,即各个时刻极端天气是否导致停机/切机,或在极端天气中继续运行。
值得注意的是,在工程实践当中,极端天气出现时,例如但不限于覆冰出现时,风电机组在覆冰轻微或者覆冰前期,并未停机,出力特性已经发生改变,现有技术中的技术方案并未发现这种这种出力特性的改变导致了功率预测误差,产生了功率预测误差溯源的技术难题;进一步地,极端天气演进过程中,例如但不限于覆冰从轻微或覆冰前期,演化为严重覆冰或覆冰后期,风电机组意外停机,导致了实际开机容量与排除了弃风弃光调度计划的开机容量的偏差,这也为功率预测误差溯源造成了技术困难。
作为本发明核心构思之一,即本发明突出的实质性特点之一,S3.1定义了定义了极端天气诊断因子之后,获得了在各个时刻是否发生极端天气的时间序列,与S1中采集的各个时刻风电装机容量、风电开机容量、机组停机/检修数据的时间序列逻辑相与,就得到了用于自动化诊断极端天气停机/切机的数据时间序列,并且准确地将极端天气导致的误差自动归为机组出力特性变化导致的误差以及停机/切机导致的误差,为误差溯源提供了数据基础和结果,降低了人工干预、计算消耗的时间,并提升了计算精度。
S3.2,基于极端天气停机/切机诊断结果,结合计划开机容量、实际开机容量、弃风弃光调度计划等人为因素容量偏差,获取因极端天气造成开机容量偏差,以如下公式表示:
(5)
式中:
为时刻因极端天气造成开机容量偏差;
为时刻计划开机容量;
为时刻实际开机容量;
为时刻人为因素容量偏差。
值得注意的是,针对误差所在环节难以发现和定量的技术难题,作为本发明突出的实质性特点之一,本发明首先发现问题在于,风电机组出力特性的变化是导致功率预测误差的原因之一,更具体地,风电出力下降的预测误差包括:外部因素造成出力下降引起误差和内部因素造成出力下降引起误差,表示时刻。
其中外部因素造成出力下降引起误差进一步包括:极端天气风机覆冰引起误差;内部因素造成出力下降引起误差进一步包括:发电机过温降功率导致预测误差和齿轮箱过温降功率导致预测误差。作为本发明相对于现有技术取得的显著进步,在发现功率预测误差所在环节之后,提供了准确地溯源技术手段,具体参见后续步骤。
S3.3,构建发电机过温降功率以及齿轮箱过温降功率诊断模型,定性、定量分析机组内部因素造成出力下降引起误差。
在进一步优选但非限制性的实施方式中,S3.3包括:
(1)发电机过温、齿轮箱过温诊断:基于SCADA数据,构建风机发电机过温诊断/齿轮箱过温诊断模型。
以风机发电机过温诊断模型构建为例,首先将历史发电机温度及功率数据进行拟合及平滑处理,获得各个功率下正常温度值。
(6)
式中:
为发电机历史温度;
为求解系数;
为发电机历史功率数据。
利用最小二乘法,求解如下公式,获得系数,完成发电机温度-功率拟合。
(7)
式中:
表示最小化函数。
采用Savitzky-Golay滤波器实现发电机温度-功率曲线平滑处理。
其次,将数据按照功率划分各个功率子区间,利用非参数核密度概率预测方法求解子功率区间内发电机温度偏差,以如下公式表示:
(8)
式中:
表示子功率区间内发电机温度偏差;
表示子功率区间内发电机温度期望;
表示子功率区间内发电机温度。
进一步计算子功率区间内发电机温度偏差的概率密度函数累计概率分布函数,结合发电机温度-功率获得温度-功率不同置信度下的置信区间,定义置信区间外为温度异常值。
其中,概率密度函数,以如下公式表示:
(9)
式中:
为功率子区间内样本数;
为带宽;
取高斯核函数。
最后,提取标定异常值下的功率值,与单机理论功率进行验证对比,判定功率是否发生损失,基于此,校正过温诊断模型及置信度α取值,实现风机发电机过温诊断。
基于上述方法,分别可构建风机发电机过温诊断/齿轮箱过温诊断模型。
(2)基于发电机过温、齿轮箱过温诊断,构建机组内部因素造成出力下降引起误差模型,包括:发电机过温降功率导致预测误差和齿轮箱过温降功率导致预测误差。
以风机发电机过温降功率导致预测误差为例,基于不同的功率区间,计算各个发电机温度异常值下预测误差,从而构建各个发电机温度异常值下预测误差期望值与温度一一映射模型。
具体包括:1)基于不同的功率区间,提取各个发电机温度异常值,计算各个温度异常值下预测误差期望值,发电机过温预测误差以如下公式表示:
(10)
式中:
为时刻风机机组的预测功率;
为时刻风机机组的实际功率。
样本内某一异常值下共有个预测,误差,,则预测误差期望为:
(11)
式中:
为第个预测值的出现频率。
2)基于1)可获得发电机温度异常值与异常值下的预测误差期望值一一对应关系,利用三次样条插值法,构建预测误差期望与温度一一映射模型。
(12)
式中:
为预测误差期望与温度一一映射关系。
S3.4,基于极端天气诊断因子时间序列,结合各个时刻因极端天气造成开机容量偏差以及全场理论功率,分析因极端天气造成风机覆冰等灾害时间,导致风电出力下降的预测误差,即极端天气风机覆冰引起误差。
在进一步优选但非限制性的实施方式中,S3.4包括:
(1)基于S3.1中极端天气诊断因子,确定极端天气发生时刻;
(2)结合因极端天气造成停机/切机时刻,确定因极端天气造成风电降功率运行时刻下降;
(3)结合S2.1,基于支持向量回归法构建的单机-全场理论功率模型,结合实测气象-功率数据,计算基于实测气象下的理论出力,获得导致因极端天气导致机组降功率运行功率损失;
(13
式中:
为时刻基于预测气象条件下的功率预测结果;
为时刻风电机组实际出力;
为时刻机组内部因素导致误差。
S4:构建预测误差解耦分析模型,将预测环节误差划分为数值气象预测报误差、模型误差、人为因素误差(限电检修未上报、未在计划的弃风、弃光、调度约束导致)、极端天气误差(风机覆冰、大风切机)以及机组误差(发电机过温降功率、以及齿轮箱过温降功率),实现功率预测全环节误差解耦分析,从业务链条角度对风电功率预测全环节误差解耦分析,定量化评价分析功率预测各环节的误差占比。
在本发明优选但非限制性的实施方式中,S4具体包括:
功率预测各个时刻整体误差包括:NWP 环节预测功率误差、预测模型环节预测功率误差、实际开机与计划开机容量不一致导致功率预测误差(包含人为因素误差、极端天气误差)、机组出力特性变化导致功率误差(外部因素造成出力下降:极端天气风机覆冰引起误差;内部因素造成出力下降:发电机过温导致预测误差和齿轮箱过温降功率导致预测误差)以如下公式表示:
(14)
式中:
为第台风机机组的预测功率;
为第台风机机组的实际功率。
在本发明进一步优选但非限制性的实施方式中,S4具体包括:
S4.1,针对NWP环节预测功率误差:由数值气象预报误差造成;通过引入实测气象数据、再分析气象数据,结合实际开机容量/风电场装机容量C,可获得准确风资源条件下的等效功率预测值,以如下公式表示:
(15)
式中:
NWP 环节导致的预测功率误差,以如下公式表示:
(16)
式中:
为风机机组的预测功率;
为风机机组等效功率预测值。
针对预测模型环节预测功率误差:由于气象资源要素如:风速、气压等,风电功率出力呈现非线性映射关系,预测模型学习能力不足导致出现预测误差,以如下公式表示:
(17)
式中:
为预测模型环节预测功率误差。
预测环节误差包括:数值气象预测报误差、模型误差、人为因素误差、极端天气误差以及机组误差。
针对实际开机与计划开机容量不一致导致功率预测误差,主要因为计划开机容量和实际开机容量不一致造成,包含人为因素误差、极端天气误差。
人为因素误差包括,弃风、弃光、调度约束;极端天气停机/切机误差包括:冻雨、覆冰、大风等极端气候引起风电机组的停运。
具体地,通过获取计划开机容量、人为因素容量偏差、极端天气容量偏差,可计算在准确开机容量条件下的等效功率预测值,以如下公式表示:
(18)
式中:
为在准确开机容量条件下的等效功率预测值。
所述的极端天气容量偏差通过S3获得。
实际开机与计划开机容量不一致导致功率预测误差,人为因素误差,极端天气误差,以如下公式表示:
(19)
式中:
为第台风机机组的预测功率;
为第台风机机组的在准确开机容量条件下的等效功率预测值。
针对机组出力特性变化导致功率误差,包括:由S3中S3.3获得发电机过温导致预测误差和齿轮箱过温降功率导致预测误差,以如下公式表示:
(20)
式中:
为极端天气风机覆冰引起误差;
由发电机过温导致预测误差;
为由齿轮箱过温降功率导致预测误差。
S4.2,归一化获得各个环节误差占比。具体地,
(1)NWP 环节预测功率误差占比,以如下公式表示:
(21)
式中:
为NWP 环节预测功率误差占比。
(2)预测模型环节预测功率误差占比,以如下公式表示:
(22)
式中:
为预测模型环节预测功率误差占比。
(3)实际开机与计划开机容量不一致导致功率预测误差占比,以如下公式表示:
(23)
式中:
为实际开机与计划开机容量不一致导致功率预测误差。
人为因素误差占比,以如下公式表示:
(24)
式中:
为人为因素误差占比。
极端天气停机/切机误差占比,以如下公式表示:
(25)
式中:
为极端天气误差占比。
(4)机组出力特性变化(包含极端天气风机覆冰引起误差,发电机过温导致预测误差和齿轮箱过温降功率导致预测误差)导致功率误差占比,以如下公式表示:
(26)
式中:
为机组出力特性变化导致功率误差占比。
基于以上方法实现功率预测全环节误差解耦分析,从业务链条角度对风电功率预测全环节误差解耦分析,定量化评价分析功率预测各环节的误差占比。
本发明的实施例2提供了一种适用于极端天气的风力发电全流程误差溯源系统,运行根据实施例1所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于,包括:
数据采集与预处理模块,用于采集风电机组数据、场站信息数据和气象信息数据;通过数据清洗,并采用非参数估计法构建不同风速下功率概率密度分布函数;
功率预测模块,内置功率预测模型,用于使用数据采集与预处理模块处理后的数据进行风机功率预测;
风机出力状态诊断模块,内置极端天气停机/切机诊断模型,基于极端天气诊断因子,进行极端天气停机/切机诊断,获得机组出力特性改变导致的预测误差;
解耦分析模块,内置预测误差解耦分析模型,包括:数值气象预测报误差、功率预测模型误差、人为因素误差和机组出力特性改变导致的预测误差,用于从业务链条角度对风电功率预测全环节误差解耦分析,定量化评价分析功率预测各环节的误差占比。
本发明的实施例3提供了 一种电子设备,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,其特征在于,所述计算机程序被加载至处理器时实现根据实施例1所述的一种适用于极端天气的风力发电全流程误差溯源方法。
本发明的实施例4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根据实施例1所述的一种适用于极端天气的风力发电全流程误差溯源方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (15)
1.一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于,包括以下步骤:
S1:采集风电机组数据、场站信息数据和气象信息数据;通过数据清洗,并采用非参数估计法构建不同风速下功率概率密度分布函数;
S2:使用S1获得处理后的数据和不同风速下功率概率密度分布函数,构建功率预测模型;包括:
S2.1,利用支持向量回归法构建单机-全场理论功率模型,包含分段支持向量模型、单机及全场理论功率;
S2.2,使用S1获得处理后的数据,在S2.1的基础上,基于双向长短期记忆网络构建影响因子与功率映射模型并进行预测,得到功率预测结果,以如下公式表示:
(1)
式中:为功率预测结果;为功率预测模型;为数值气象预报数据;为温度,为湿度,为气压,为风机轮毂高度下的风速,为风机轮毂高度下的风向,为降水量;
S3:定义极端天气诊断因子,进行极端天气停机/切机诊断,基于极端天气停机/切机诊断结果,构建机组出力特性改变导致的预测误差模型;包括:
S3.1,定义极端天气诊断因子,包括:寒潮、大风、风机覆冰,构建极端天气诊断因子时间序列,获得极端天气停机/切机诊断结果;
S3.2,基于极端天气停机/切机诊断结果,结合人为因素容量偏差,获取因极端天气造成开机容量偏差;
S3.3,构建机组内部因素造成出力下降引起误差模型,包括:发电机过温降功率导致预测误差和齿轮箱过温降功率导致预测误差;
S3.4,基于S3.1中的极端天气停机/切机诊断结果,构建机组外部因素造成出力下降引起误差模型,包括极端天气风机覆冰引起误差;
S4:使用S2获得的功率预测模型和S3获得的风电出力下降导致的预测误差模型,构建预测误差解耦分析模型;预测环节误差包括:数值气象预测报误差、功率预测模型误差、人为因素误差和机组出力特性改变导致的预测误差,从业务链条角度对风电功率预测全环节误差解耦分析,定量化评价分析功率预测各环节的误差占比。
2.根据权利要求1所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于:
S1包括:
S1.1,采集场站信息数据,各个时刻数据包括:风电装机容量、风电数量、风电开机容量、机组停机/检修数据;
采集场站气象-功率数据,包括:数值气象预报数据、预测功率数据、测风塔实测气象数据、实测功率数据;
采集气象信息数据,包括:风速、风向、温度、湿度、气压以及降雨、降雪、覆冰;
采集风机SCADA数据,包括:齿轮箱温度、发电机绕组温度;
S1.2,将S1.1中采集的数据进行分类处理:利用统计方法以及分区间概率密度函数,处理风速、温度和实测功率气象功率时序数据,对缺失、数据不一致、数据重复、异常数据进行清洗;
针对清洗清洗结果进行特征构建及选择,包括:基于功率预测先验方法及统计方法,构建温度、湿度、气压、风机轮毂高度下的风速、风向、降水量6维变量与功率数据的映射关系。
3.根据权利要求2所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于:
S3.1中,寒潮诊断因子以如下公式表示:
(2)
式中:
为环境温度,
为24小时内最大温差,
为48小时内最大温差,
为72小时内最大温差;
大风诊断因子以如下公式表示:
(3)
式中:
为风速,
为24小时内最大风速差值;
风机覆冰诊断因子以如下公式表示:
(4)
式中:
为环境想相对湿度;
取值为0时表示不发生,取值为1时表示发生。
4.根据权利要求3所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于:
S3.2中,结合包含计划开机容量、实际开机容量和弃风弃光调度计划的人为因素容量偏差,获取因极端天气造成开机容量偏差,以如下公式表示:
(5)
式中:
为因极端天气造成开机容量偏差;
为计划开机容量;
为实际开机容量;
为人为因素容量偏差。
5.根据权利要求4所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于:
S3.3包括:
构建风机发电机过温诊断过温诊断模型,包括:
将历史发电机温度及功率数据进行拟合及平滑处理,获得各个功率下正常温度值;
利用最小二乘法,完成发电机温度-功率拟合;
将数据按照功率划分各个功率子区间,利用非参数核密度概率预测方法求解子功率区间内发电机温度偏差;
计算子功率区间内发电机温度偏差的概率密度函数累计概率分布函数;
提取标定异常值下的功率值,与单机理论功率进行验证对比,判定功率是否发生损失;
校正过温诊断模型及置信度α取值,实现风机发电机过温诊断;
构建风机齿轮箱过温诊断过温诊断模型,包括:
将历史齿轮箱温度及功率数据进行拟合及平滑处理,获得各个功率下正常温度值;
利用最小二乘法,完成齿轮箱温度-功率拟合;
将数据按照功率划分各个功率子区间,利用非参数核密度概率预测方法求解子功率区间内齿轮箱温度偏差;
计算子功率区间内齿轮箱温度偏差的概率密度函数累计概率分布函数;
提取标定异常值下的功率值,与单机理论功率进行验证对比,判定功率是否发生损失;
校正过温诊断模型及置信度α取值,实现风机齿轮箱过温诊断。
6.根据权利要求5所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于:
基于发电机过温、齿轮箱过温诊断,构建机组误差模型:包发电机过温降功率导致预测误差期望值与温度一一映射关系,以及齿轮箱过温降功率导致预测误差期望值与与温度一一映射关系。
7.根据权利要求6所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于:
风机发电机过温引起误差包括:基于不同的功率区间,提取各个发电机温度异常值,计算各个温度异常值下预测误差期望值,发电机过温预测误差以如下公式表示:
(6)
式中:
为时刻风机机组的预测功率;
为时刻风机机组的实际功率;
样本内某一异常值下共有个预测,误差,,则预测误差期望为:
(7)
式中:
为第个预测值的出现频率;
基于获得的发电机温度异常值与异常值下的预测误差期望值一一对应关系,利用三次样条插值法,构建预测误差期望与温度一一映射模型,以如下公式表示:
(8)
式中:
为预测误差期望与温度一一映射关系。
8.根据权利要求7所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于:
S3.4包括:
(1)基于S3.1中极端天气诊断因子,确定极端天气发生时刻;
(2)结合因极端天气造成停机/切机时刻,确定因极端天气造成风电降功率运行时刻下降;
(3)结合S2.1,基于支持向量回归法构建的单机-全场理论功率模型,结合实测气象-功率数据,计算基于实测气象下的理论出力,获得导致因极端天气导致机组降功率运行功率损失;
(9)
式中:
为时刻基于预测气象条件下的功率预测结果;
为时刻风电机组实际出力;
为时刻机组内部因素导致误差;
C为风电场装机容量。
9.根据权利要求8所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于:
功率预测各个时刻整体误差包括:NWP 环节预测功率误差、预测模型环节预测功率误差、实际开机与计划开机容量不一致导致功率预测误差、机组出力特性变化导致功率误差;以如下公式表示:
(10
式中:
为第台风机机组的预测功率;
为第台风机机组的实际功率。
10.根据权利要求9所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于:
NWP环节预测功率误差由数值气象预报误差造成;通过引入实测气象数据、再分析气象数据,结合实际开机容量和风电场装机容量C,可获得准确风资源条件下的等效功率预测值,以如下公式表示:
(11)
NWP 环节导致的预测功率误差,以如下公式表示:
(12)
式中:
为风机机组的预测功率;
为风机机组等效功率预测值。
11.根据权利要求9或10所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于:
针对预测模型环节预测功率误差:风电功率出力呈现非线性映射关系,预测模型学习能力不足导致出现预测误差,以如下公式表示:
(13)
式中:
为预测模型环节预测功率误差。
12.根据权利要求9或10所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于:
针对实际开机与计划开机容量不一致导致功率预测误差,由计划开机容量和实际开机容量不一致造成,包含人为因素误差和极端天气误差。
13.一种适用于极端天气的风力发电全流程误差溯源系统,运行根据权利要求1-12任一项所述的一种适用于极端天气的风力发电全流程误差溯源方法,其特征在于,包括:
数据采集与预处理模块,用于采集风电机组数据、场站信息数据和气象信息数据;通过数据清洗,并采用非参数估计法构建不同风速下功率概率密度分布函数;
功率预测模块,内置功率预测模型,用于使用数据采集与预处理模块处理后的数据进行风机功率预测;
风机出力状态诊断模块,内置极端天气停机/切机诊断模型,基于极端天气诊断因子,进行极端天气停机/切机诊断,获得机组出力特性改变导致的预测误差;
解耦分析模块,内置预测误差解耦分析模型,包括:数值气象预测报误差、功率预测模型误差、人为因素误差和机组出力特性改变导致的预测误差,用于从业务链条角度对风电功率预测全环节误差解耦分析,定量化评价分析功率预测各环节的误差占比。
14.一种电子设备,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,其特征在于,所述计算机程序被加载至处理器时实现根据权利要求1-12任一项所述的一种适用于极端天气的风力发电全流程误差溯源方法。
15.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1-12任一项所述的一种适用于极端天气的风力发电全流程误差溯源方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410434228.5A CN118036347B (zh) | 2024-04-11 | 2024-04-11 | 一种适用于极端天气的风力发电全流程误差溯源方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410434228.5A CN118036347B (zh) | 2024-04-11 | 2024-04-11 | 一种适用于极端天气的风力发电全流程误差溯源方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118036347A CN118036347A (zh) | 2024-05-14 |
CN118036347B true CN118036347B (zh) | 2024-06-25 |
Family
ID=90993526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410434228.5A Active CN118036347B (zh) | 2024-04-11 | 2024-04-11 | 一种适用于极端天气的风力发电全流程误差溯源方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118036347B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107654336B (zh) * | 2017-09-20 | 2019-05-03 | 山东中车风电有限公司 | 基于扇区分布的风电机组风场适应性快速评估优化方法 |
CN111950764B (zh) * | 2020-07-03 | 2024-03-22 | 国网冀北电力有限公司 | 一种极端天气条件电网风电功率预测修正方法 |
US20230237316A1 (en) * | 2022-01-21 | 2023-07-27 | Shenzhen Technology University | Forecast method and system of wind power probability density |
CN117350159A (zh) * | 2023-10-16 | 2024-01-05 | 三一重能股份有限公司 | 发电机散热性能预警方法、装置、设备及存储介质 |
CN117669960A (zh) * | 2023-12-07 | 2024-03-08 | 中国南方电网有限责任公司 | 一种基于多变量气象因子的新能源功率预测方法 |
-
2024
- 2024-04-11 CN CN202410434228.5A patent/CN118036347B/zh active Active
Non-Patent Citations (2)
Title |
---|
A Model Stacking Approach for Ride-Hailing Demand Forecasting : a Case Study of Algiers;Soumia Boumeddane等;《2020 2nd International Workshop on Human-Centric Smart Environments for Health and Well-being (IHSH)》;20210319;第16-21页 * |
基于RF和ANFIS算法的直驱风电机组故障预警;丁显等;《噪声与振动控制》;20180218(第01期);第208-214页 * |
Also Published As
Publication number | Publication date |
---|---|
CN118036347A (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104131950B (zh) | 一种风电机组温度特征量的阈值分区确定方法 | |
CN105205569A (zh) | 风机齿轮箱状态在线评估模型建立方法及在线评估方法 | |
CN111415070A (zh) | 一种基于scada数据的风电机组齿轮箱油温过温故障预警方法 | |
CN112231361A (zh) | 一种基于风机运行数据的风电项目发电量评估方法 | |
CN110761958B (zh) | 风力发电机组的叶片失速诊断方法及装置 | |
CN114165392B (zh) | 一种风电机组功率异常诊断方法、装置及存储介质 | |
CN112632773B (zh) | 一种风电机组可靠性预测方法 | |
CN111950764A (zh) | 一种极端天气条件电网风电功率预测修正方法 | |
CN112417612A (zh) | 风电齿轮箱退化状态跟踪与失效聚集风险评估方法 | |
CN115095487A (zh) | 基于多源异构scada数据的风电机组状态监测方法 | |
CN111340307A (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN118036347B (zh) | 一种适用于极端天气的风力发电全流程误差溯源方法及系统 | |
CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
CN117674123A (zh) | 考虑电力系统运行成本的风电短期功率预测方法 | |
CN111178601B (zh) | 一种基于气象数据后处理的风电机组功率预测方法 | |
CN113111314B (zh) | 一种基于多机组协同的并网风电机组健康状态评估方法 | |
CN114239920A (zh) | 一种风电功率短期预测方法 | |
CN113847214A (zh) | 一种大型风力发电机组结冰检测方法 | |
CN110990768A (zh) | 基于互信息值的发电机组性能各参数数据类型确定方法 | |
CN118035875B (zh) | 基于极端天气影响因子的风力发电功率预测方法及系统 | |
CN118153922B (zh) | 风电场多维度后评估平台、方法及终端设备 | |
Ye¹ et al. | Correction of Wind Power Prediction Error Under the Extreme Weather Based on K-nearest Neighbor Algorithm | |
CN113722977B (zh) | 一种基于混合预测的燃气轮机转子故障预警方法 | |
Cui et al. | Data-Driven Physics Based Ultra-short-term Wind Power Prediction Model: A VMD-LSTM and WRF Based Approach | |
CN113623143A (zh) | 风电机组发电量损失根因自动识别系统及其实现方法 |
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 |