CN118157128A - 一种虚拟电厂资源聚合动态调度控制方法及系统 - Google Patents

一种虚拟电厂资源聚合动态调度控制方法及系统 Download PDF

Info

Publication number
CN118157128A
CN118157128A CN202410402301.0A CN202410402301A CN118157128A CN 118157128 A CN118157128 A CN 118157128A CN 202410402301 A CN202410402301 A CN 202410402301A CN 118157128 A CN118157128 A CN 118157128A
Authority
CN
China
Prior art keywords
power generation
power
power plant
electricity
data
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
Application number
CN202410402301.0A
Other languages
English (en)
Inventor
江海燕
史文博
陈�光
孟诗语
金颋
李晨阳
邹风华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Suzhou Urban Energy Research Institute Co ltd
Original Assignee
State Grid Suzhou Urban Energy Research Institute Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Suzhou Urban Energy Research Institute Co ltd filed Critical State Grid Suzhou Urban Energy Research Institute Co ltd
Priority to CN202410402301.0A priority Critical patent/CN118157128A/zh
Publication of CN118157128A publication Critical patent/CN118157128A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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
    • H02J3/472—For selectively connecting the AC sources in a particular order, e.g. sequential, alternating or subsets of sources
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Technology Law (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种虚拟电厂资源聚合动态调度控制方法及系统，涉及虚拟电厂调度技术领域，该方法包括获取用电现货交易数据；基于深度学习构建并训练用电预测模型；获取电厂发电量数据，对电厂发电量数据进行处理，计算全供电网发电成本；基于预测的用电采购量以及全供电网发电成本生成电厂发电机组发电调度计划；基于多组发电机组的负荷率调整发电调度计划；基于电厂发电机组调整后的发电调度计划，计算电厂发电机组发电效率。本发明实现对不同类型的分布式能源和负荷的配电网设施进行聚合，通过优化控制提高发电机组电网发电运行效率，使电网在满足安全约束的前提下，达到最佳的运行状态。

Description

一种虚拟电厂资源聚合动态调度控制方法及系统
技术领域
本发明涉及虚拟电厂调度技术领域，尤其涉及一种虚拟电厂资源聚合动态调度控制方法及系统。
背景技术
虚拟电厂是一种通过先进信息通信技术和软件系统，实现分布式电源、储能系统、可控负荷等分布式能源的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统，配置虚拟电厂的配电网能将不同空间的可调负荷、储能、微电网、电动汽车、分布式电源等一种或多种可控资源聚合起来，实现自主协调控制和优化运行，以达到对大电网的削峰填谷、调频调峰等辅助服务。
中国专利CN116707134A公开了一种虚拟电厂储能控制系统，具体包括：虚拟电厂储能控制系统中数据采集与监视控制模块用于接收由电厂对应的调度指令数据和多个储能设备的实时监控数据组成的实时管控数据；数据处理模块，用于接收预设时间周期内实时管控数据中可调储能设备的运行数据，以判断出有效调度指令以及调度容量；资源解聚模块，用于基于获取的可调储能设备的调节顺序、可调边界，以及有效调度指令和调度容量，得到可调容量和可调顺序；数据采集与监视控制模块还用于基于接收的可调容量和可调顺序，对有效调度指令对应的目标可调储能设备进行控制。
虽然上述方案可以实现虚拟电厂储能控制系统的智能化精确调控，但是系统中的资源解聚模块无法对包含多种不同类型的分布式能源和负荷的配电网设施运行数据进行聚合处理，导致对配电网设施运行状态评估精度差，不利于虚拟电厂设施的协调控制和优化运行。
发明内容
为此，本发明实施例提供了一种虚拟电厂资源聚合动态调度控制方法及系统，用于解决现有技术中无法对包含多种不同类型的分布式能源和负荷的配电网设施运行数据进行聚合处理，导致对配电网设施运行状态评估精度差，不利于虚拟电厂设施的协调控制和优化运行的问题。
为了解决上述问题，本发明实施例提供一种虚拟电厂资源聚合动态调度控制方法，该方法包括：
步骤S1：获取用电现货交易数据，其中所述用电现货交易数据包括当前用电交易数据、历史用电交易数据、历史成交电价；
步骤S2：加载历史用电交易数据以及历史成交电价，基于深度学习构建并训练用电预测模型，以当前用电交易数据为输入，利用预训练的用电预测模型，输出预测的用电采购量；
步骤S3：获取电厂发电量数据，对电厂发电量数据进行处理，计算全供电网发电成本；
步骤S4：基于预测的用电采购量以及全供电网发电成本生成电厂发电机组发电调度计划；
步骤S5：加载电厂发电机组发电调度计划，根据发电机组最大负荷、最小负荷确定发电机组在发电期间的负荷率，基于多组发电机组的负荷率调整发电调度计划；
步骤S6：基于电厂发电机组调整后的发电调度计划，提取承载发电任务的电厂发电机组，并通过电厂发电机组对应的电厂发电量数据计算电厂发电机组发电效率，判断电厂发电机组发电效率是否大于预设效率阈值，若大于预设效率阈值，反馈判断结果，电厂发电机组执行发电任务，若小于预设效率阈值，反馈判断结果，提取承载发电任务的电厂备用发电机组，备用发电机组执行发电任务。
优选地，步骤S2中，所述用电预测模型的构建方法，具体包括：
获取历史用电交易数据，对历史用电交易数据进行预处理，并将预处理后的历史用电交易数据按比例分为训练集和验证集；
调取用电预测模型的初始模型，以训练集为输入，利用用电预测模型的初始模型，生成至少一组多模拟多通道特征图谱；
加载多模拟多通道特征图谱，合并多模拟多通道特征图谱以及训练集，得到扩充训练集；
基于残差结构的神经网络回归器，对扩充训练集训练至收敛；
获取验证集，利用梯度下降法不断更新神经网络回归器的网络参数直至收敛。
优选地，所述对历史用电交易数据进行预处理的方法，具体包括：
加载所述历史用电交易数据，对历史用电交易数据进行周期提取，得到以周期性为分组的多组周期分组数据；
获取所述周期分组数据，对周期分组数据进行辐射校正和正射校正，生成校正数据；
加载所述校正数据，对校正数据进行全色波动融合，得到交易融合数据；
确定历史用电交易数据的数据特征范围，对所述交易融合数据进行特征提取，生成多维度的特征数据。
优选地，步骤S2中，以当前用电交易数据为输入，利用预训练的用电预测模型，输出预测的用电采购量的方法，具体包括：
步骤S21：获取当前用电交易数据；
步骤S22：识别当前用电交易数据中发电机组的剩余发电空间，并计算剩余发电空间在总用电交易数据的第一占比；
步骤S23：基于剩余发电空间在总用电交易数据的第一占比，模拟未来周期性的未来发电空间，根据发电机组的计划偏差率，对未来周期性的未来发电空间进行校正，得到校正发电空间；
步骤S24：根据校正发电空间计算发电供应量，以发电供应量为输入，利用预训练的用电预测模型计算用电采购量。
优选地，步骤S3中，对电厂发电量数据进行处理，计算全供电网发电成本的方法，具体包括：
步骤S31：接收预测的用电采购量，并解析用电采购量中发电成本数据，并将发电成本数据实时上传至发电数据库；
步骤S32：获取发电成本数据，基于改进型波士顿矩阵模型对发电成本数据进行目标修正，修正发电机组未来周期时段内的发电上限值和发电下限值；
步骤S33：加载修正后的发电机组未来周期时段内的发电上限值和发电下限值，以发电上限值和发电下限值为约束，对发电成本数据总出力进行发电分时出力分配，计算整合发电分时出力分配状态下全供电网发电成本。
优选地，所述改进型波士顿矩阵模型包括卷积层、上采样层以及全连接层，所述卷积层包括一组三维卷积层以及两组最大池化层，所述上采样层包括三组相连的残差模块，且所述残差模块的维度分别为64、128、256。
优选地，在步骤S4中，基于预测的用电采购量以及全供电网发电成本生成电厂发电机组发电调度计划的方法，具体包括：
步骤S41：获取预测的用电采购量以及全供电网发电成本，利用改进型波士顿矩阵模型加载用电采购量，通过信息转换函数对用电采购量进行降维处理，得到归一化的用电向量集；
步骤S42：基于用电向量集，通过添加不对称变量和双曲变量实现用电向量的映射，得到用电映射值，其计算公式为：
；
其中
；
式中，为用电映射值，/>为信息转换函数的耦合系数，/>为信息转换函数的校正系数，/>为输入的用电向量，/>为发电机组的发电成本权重值，/>为输入的发电机组的发电成本值，/>为发电成本均值，/>为单组发电机组的权重系数，/>为发电机组数量，/>为发电机组的类型；
步骤S43：将用电映射值按照适应度值进行计算，在应用过程中通过双链量子实数编码的方式对发电机组的各种成本信息进行计算，设置发电机组的发电调度计划。
本发明实施例还提供了一种虚拟电厂资源聚合动态调度控制系统，该系统用于实现上述所述的虚拟电厂资源聚合动态调度控制方法，具体包括：
交易数据获取模块，用于获取用电现货交易数据，其中所述用电现货交易数据包括当前用电交易数据、历史用电交易数据、历史成交电价；
采购量计算模块，用于加载历史用电交易数据以及历史成交电价，基于深度学习构建并训练用电预测模型，以当前用电交易数据为输入，利用预训练的用电预测模型，输出预测的用电采购量；
发电成本获取模块，用于获取电厂发电量数据，对电厂发电量数据进行处理，计算全供电网发电成本；
调度计划生成模块，用于基于预测的用电采购量以及全供电网发电成本生成电厂发电机组发电调度计划；
调度计划调整模块，用于加载电厂发电机组发电调度计划，根据发电机组最大负荷、最小负荷确定发电机组在发电期间的负荷率，基于多组发电机组的负荷率调整发电调度计划；
效率判断模块，用于基于电厂发电机组调整后的发电调度计划，提取承载发电任务的电厂发电机组，并通过电厂发电机组对应的电厂发电量数据计算电厂发电机组发电效率，判断电厂发电机组发电效率是否大于预设效率阈值，若大于预设效率阈值，反馈判断结果，电厂发电机组执行发电任务，若小于预设效率阈值，反馈判断结果，提取承载发电任务的电厂备用发电机组，备用发电机组执行发电任务。
本发明实施例还提供了一种电子设备，所述电子设备包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现上述所述的虚拟电厂资源聚合动态调度控制方法。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行上述所述的虚拟电厂资源聚合动态调度控制方法。
从以上技术方案可以看出，本发明申请具有以下有益效果：
本发明实施例提供了一种虚拟电厂资源聚合动态调度控制方法及系统，通过用电预测模型预测用电采购量，然后反馈用电采购量，为电厂发电机组发电调度计划提供支持，从而实现对不同类型的分布式能源和负荷的配电网设施进行聚合，提高配电网设施运行状态评估精度，并结合预测的用电采购量调整全网电厂发电计划，通过优化控制提高发电机组电网发电运行效率，并对电网的运行状态进行实时监控和调整，使电网在满足安全约束的前提下，达到最佳的运行状态。
附图说明
为了更清楚地说明本发明实施案例或现有技术中的技术方案，下边将对实施例中所需要使用的附图做简单说明，通过参考附图会更清楚的理解本发明的特征和优点，附图是示意性的而不应该理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
图1为实施例中提供的一种虚拟电厂资源聚合动态调度控制方法的流程图；
图2为实施例中以当前用电交易数据为输入，利用预训练的用电预测模型，输出预测的用电采购量方法的流程图；
图3为实施例中对电厂发电量数据进行处理，计算全供电网发电成本方法的流程图；
图4为实施例中基于预测的用电采购量以及全供电网发电成本生成电厂发电机组发电调度计划方法的流程图；
图5为实施例中提供的一种虚拟电厂资源聚合动态调度控制系统的框图。
具体实施方式
为使本发明实施例的目的、技术方案与优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
为了解决现有技术中无法对包含多种不同类型的分布式能源和负荷的配电网设施运行数据进行聚合处理，导致对配电网设施运行状态评估精度差，不利于虚拟电厂设施的协调控制和优化运行的问题。如图1所示，本发明实施例提出一种虚拟电厂资源聚合动态调度控制方法，该方法包括：
步骤S1：获取用电现货交易数据，其中所述用电现货交易数据包括当前用电交易数据、历史用电交易数据、历史成交电价；
步骤S2：加载历史用电交易数据以及历史成交电价，基于深度学习构建并训练用电预测模型，以当前用电交易数据为输入，利用预训练的用电预测模型，输出预测的用电采购量；
步骤S3：获取电厂发电量数据，对电厂发电量数据进行处理，计算全供电网发电成本；
步骤S4：基于预测的用电采购量以及全供电网发电成本生成电厂发电机组发电调度计划；
步骤S5：加载电厂发电机组发电调度计划，根据发电机组最大负荷、最小负荷确定发电机组在发电期间的负荷率，基于多组发电机组的负荷率调整发电调度计划；
步骤S6：基于电厂发电机组调整后的发电调度计划，提取承载发电任务的电厂发电机组，并通过电厂发电机组对应的电厂发电量数据计算电厂发电机组发电效率，判断电厂发电机组发电效率是否大于预设效率阈值，若大于预设效率阈值，反馈判断结果，电厂发电机组执行发电任务，若小于预设效率阈值，反馈判断结果，提取承载发电任务的电厂备用发电机组，备用发电机组执行发电任务。
从上述技术方案可知，本发明提出一种虚拟电厂资源聚合动态调度控制方法，通过用电预测模型预测用电采购量，然后反馈用电采购量，为电厂发电机组发电调度计划提供支持，从而实现对不同类型的分布式能源和负荷的配电网设施进行聚合，提高配电网设施运行状态评估精度，并结合预测的用电采购量调整全网电厂发电计划，通过优化控制提高发电机组电网发电运行效率，并对电网的运行状态进行实时监控和调整，使电网在满足安全约束的前提下，达到最佳的运行状态。
在本实施例中，在步骤S1中，获取用电现货交易数据，其中用电现货交易数据包括当前用电交易数据、历史用电交易数据、历史成交电价。
在本实施例中，在步骤S2中，加载历史用电交易数据以及历史成交电价，基于深度学习构建并训练用电预测模型，以当前用电交易数据为输入，利用预训练的用电预测模型，输出预测的用电采购量，如图2所示，具体包括：
步骤S21：获取当前用电交易数据。
步骤S22：识别当前用电交易数据中发电机组的剩余发电空间，并计算剩余发电空间在总用电交易数据的第一占比。
步骤S23：基于剩余发电空间在总用电交易数据的第一占比，模拟未来周期性的未来发电空间，根据发电机组的计划偏差率，对未来周期性的未来发电空间进行校正，得到校正发电空间。
步骤S24：根据校正发电空间计算发电供应量，以发电供应量为输入，利用预训练的用电预测模型计算用电采购量。
具体地，用电预测模型的构建方法，具体包括：
获取历史用电交易数据，对历史用电交易数据进行预处理，并将预处理后的历史用电交易数据按比例（3:1）分为训练集和验证集。
调取用电预测模型的初始模型，以训练集为输入，利用用电预测模型的初始模型，生成至少一组多模拟多通道特征图谱。
加载多模拟多通道特征图谱，合并多模拟多通道特征图谱以及训练集，得到扩充训练集。
基于残差结构的神经网络回归器，对扩充训练集训练至收敛。
获取验证集，利用梯度下降法不断更新神经网络回归器的网络参数直至收敛。
在本实施例中，通过训练并构建用电预测模型能够从历史用电交易数据中预测用电采购量，从而方便了虚拟电厂调整电厂发电送电计划，同时，在模型训练过程中，生成至少一组多模拟多通道特征图谱能够保证模型预测的精准度，合并多模拟多通道特征图谱以及训练集，得到扩充训练集对模型再训练进一步保证了模型的鲁棒性。
进一步地，对历史用电交易数据进行预处理的方法，具体包括：
加载所述历史用电交易数据，对历史用电交易数据进行周期提取，得到以周期性为分组的多组周期分组数据。需要说明的是，对历史用电交易数据进行周期提取时，可以以月度、季度、年度为周期进行提取，提取月度、季度、年度周期内用电交易数据从而方便了对历史用电交易数据预处理。
获取所述周期分组数据，对周期分组数据进行辐射校正和正射校正，生成校正数据。
加载所述校正数据，对校正数据进行全色波动融合，得到交易融合数据。
确定历史用电交易数据的数据特征范围，对所述交易融合数据进行特征提取，生成多维度的特征数据。
在本实施例中，在用电预测模型构建过程中，为了保证训练出来模型的精准度，需要保证数据的完整和有效，本发明通过对历史用电交易数据进行预处理，能够保证数据的完整性或有效性。
在本实施例中，在步骤S3中，获取电厂发电量数据，对电厂发电量数据进行处理，计算全供电网发电成本，其中电厂发电量数据包括电厂发电机组的发电成本、发电污染量、发电效率以及电力输送成本。全供电网发电成本是指在整个电力系统中，从发电到输电再到配电的全部成本，包括但不限于电厂发电机组的度电成本、环境与生态成本、发电成本、检修成本、燃料成本、管理成本、销售成本、折旧成本、人工成本以及投资成本，如图3所示，具体包括：
步骤S31：接收预测的用电采购量，并解析用电采购量中发电成本数据，并将发电成本数据实时上传至发电数据库。
步骤S32：获取发电成本数据，基于改进型波士顿矩阵模型对发电成本数据进行目标修正，修正发电机组未来周期时段内的发电上限值和发电下限值。
步骤S33：加载修正后的发电机组未来周期时段内的发电上限值和发电下限值，以发电上限值和发电下限值为约束，对发电成本数据总出力进行发电分时出力分配，计算整合发电分时出力分配状态下全供电网发电成本。
具体地，改进型波士顿矩阵模型包括卷积层、上采样层以及全连接层，所述卷积层包括一组三维卷积层以及两组最大池化层，所述上采样层包括三组相连的残差模块，且所述残差模块的维度分别为64、128、256。
需要说明的是，波士顿矩阵模型是一种流行的产品投资组合分析工具，由美国管理学家布鲁斯·亨德森于1970年提出。波士顿矩阵通过两个关键维度来分析企业的产品或业务单元：市场增长率和相对市场占有率。这两个维度的组合可以帮助企业识别其产品或业务单元的不同类型，并据此制定相应的战略，波士顿矩阵的优势在于它提供了一种简单直观的框架，帮助企业对产品或业务单元进行分类，并根据不同类别制定相应的战略。例如，企业可能会选择投资以提升问题类产品的市场份额，或者维持现金牛类产品的稳定收入，同时逐步淘汰瘦狗类产品，在本实施例中，所述改进型波士顿矩阵模型是一个基于波士顿矩阵模型结合神经网络模型的神经网络模型，神经网络（Neural Networks，NN）是由大量的、简单地处理单元（称为神经元）广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。简单地讲，它是一个数学模型。在本实施例中，将用电采购量输入改进型波士顿矩阵模型进行不断训练，使得发电分时出力分配状态下全供电网发电成本更为优化、精准。
在本实施例中，在步骤S4中，基于预测的用电采购量以及全供电网发电成本生成电厂发电机组发电调度计划，如图4所示，具体包括：
步骤S41：获取预测的用电采购量以及全供电网发电成本，利用改进型波士顿矩阵模型加载用电采购量，通过信息转换函数对用电采购量进行降维处理，得到归一化的用电向量集。
步骤S42：基于用电向量集，通过添加不对称变量和双曲变量实现用电向量的映射，得到用电映射值，其计算公式为：
；
其中
；
式中，为用电映射值，/>为信息转换函数的耦合系数，/>为信息转换函数的校正系数，/>为输入的用电向量，/>为发电机组的发电成本权重值，/>为输入的发电机组的发电成本值，/>为发电成本均值，/>为单组发电机组的权重系数，/>为发电机组数量，/>为发电机组的类型。
步骤S43：将用电映射值按照适应度值进行计算，在应用过程中通过双链量子实数编码的方式对发电机组的各种成本信息进行计算，设置发电机组的发电调度计划。
在本实施例中，在步骤S5中，加载电厂发电机组发电调度计划，根据发电机组最大负荷、最小负荷确定发电机组在发电期间的负荷率，基于多组发电机组的负荷率调整发电调度计划。
在本实施例中，在步骤S6中，基于电厂发电机组调整后的发电调度计划，提取承载发电任务的电厂发电机组，并通过电厂发电机组对应的电厂发电量数据计算电厂发电机组发电效率，判断电厂发电机组发电效率是否大于预设效率阈值，若大于预设效率阈值，反馈判断结果，电厂发电机组执行发电任务，若小于预设效率阈值，反馈判断结果，提取承载发电任务的电厂备用发电机组，备用发电机组执行发电任务。
实施例二
如图5所示，本发明提供一种虚拟电厂资源聚合动态调度控制系统，该系统用于实现上述实施例一的虚拟电厂资源聚合动态调度控制方法，具体包括：
交易数据获取模块10，用于获取用电现货交易数据，其中所述用电现货交易数据包括当前用电交易数据、历史用电交易数据、历史成交电价；
采购量计算模块20，用于加载历史用电交易数据以及历史成交电价，基于深度学习构建并训练用电预测模型，以当前用电交易数据为输入，利用预训练的用电预测模型，输出预测的用电采购量；
发电成本获取模块30，用于获取电厂发电量数据，对电厂发电量数据进行处理，计算全供电网发电成本；
调度计划生成模块40，用于基于预测的用电采购量以及全供电网发电成本生成电厂发电机组发电调度计划；
调度计划调整模块50，用于加载电厂发电机组发电调度计划，根据发电机组最大负荷、最小负荷确定发电机组在发电期间的负荷率，基于多组发电机组的负荷率调整发电调度计划；
效率判断模块60，用于基于电厂发电机组调整后的发电调度计划，提取承载发电任务的电厂发电机组，并通过电厂发电机组对应的电厂发电量数据计算电厂发电机组发电效率，判断电厂发电机组发电效率是否大于预设效率阈值，若大于预设效率阈值，反馈判断结果，电厂发电机组执行发电任务，若小于预设效率阈值，反馈判断结果，提取承载发电任务的电厂备用发电机组，备用发电机组执行发电任务。
在本实施例中，交易数据获取模块10、采购量计算模块20、发电成本获取模块30、调度计划生成模块40、调度计划调整模块50以及效率判断模块60可以采用5G或DTU通讯连接，同时，交易数据获取模块10、采购量计算模块20、发电成本获取模块30、调度计划生成模块40、调度计划调整模块50以及效率判断模块60均可以为具有通信功能的终端。
本实施例的一种虚拟电厂资源聚合动态调度控制系统，用于实现前述的虚拟电厂资源聚合动态调度控制方法，因此虚拟电厂资源聚合动态调度控制系统中的具体实施方式可见前文虚拟电厂资源聚合动态调度控制方法的实施例部分，例如，交易数据获取模块10，采购量计算模块20，发电成本获取模块30，调度计划生成模块40，调度计划调整模块50，效率判断模块60，分别用于实现上述虚拟电厂资源聚合动态调度控制方法中步骤S1，S2，S3，S4，S5，S6，所以，其具体实施方式可以参照相应的各个部分实施例的描述，为了避免冗余，在此不再赘述。
实施例三
本发明实施例还提供了一种电子设备，所述电子设备包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现上述所述的虚拟电厂资源聚合动态调度控制方法。
实施例四
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行上述所述的虚拟电厂资源聚合动态调度控制方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种虚拟电厂资源聚合动态调度控制方法，其特征在于，包括：
步骤S1：获取用电现货交易数据，其中所述用电现货交易数据包括当前用电交易数据、历史用电交易数据、历史成交电价；
步骤S2：加载历史用电交易数据以及历史成交电价，基于深度学习构建并训练用电预测模型，以当前用电交易数据为输入，利用预训练的用电预测模型，输出预测的用电采购量；
步骤S3：获取电厂发电量数据，对电厂发电量数据进行处理，计算全供电网发电成本；
步骤S4：基于预测的用电采购量以及全供电网发电成本生成电厂发电机组发电调度计划；
步骤S5：加载电厂发电机组发电调度计划，根据发电机组最大负荷、最小负荷确定发电机组在发电期间的负荷率，基于多组发电机组的负荷率调整发电调度计划；
步骤S6：基于电厂发电机组调整后的发电调度计划，提取承载发电任务的电厂发电机组，并通过电厂发电机组对应的电厂发电量数据计算电厂发电机组发电效率，判断电厂发电机组发电效率是否大于预设效率阈值，若大于预设效率阈值，反馈判断结果，电厂发电机组执行发电任务，若小于预设效率阈值，反馈判断结果，提取承载发电任务的电厂备用发电机组，备用发电机组执行发电任务。
2.根据权利要求1所述的虚拟电厂资源聚合动态调度控制方法，其特征在于，步骤S2中，所述用电预测模型的构建方法，具体包括：
获取历史用电交易数据，对历史用电交易数据进行预处理，并将预处理后的历史用电交易数据按比例分为训练集和验证集；
调取用电预测模型的初始模型，以训练集为输入，利用用电预测模型的初始模型，生成至少一组多模拟多通道特征图谱；
加载多模拟多通道特征图谱，合并多模拟多通道特征图谱以及训练集，得到扩充训练集；
基于残差结构的神经网络回归器，对扩充训练集训练至收敛；
获取验证集，利用梯度下降法不断更新神经网络回归器的网络参数直至收敛。
3.根据权利要求2所述的虚拟电厂资源聚合动态调度控制方法，其特征在于，所述对历史用电交易数据进行预处理的方法，具体包括：
加载所述历史用电交易数据，对历史用电交易数据进行周期提取，得到以周期性为分组的多组周期分组数据；
获取所述周期分组数据，对周期分组数据进行辐射校正和正射校正，生成校正数据；
加载所述校正数据，对校正数据进行全色波动融合，得到交易融合数据；
确定历史用电交易数据的数据特征范围，对所述交易融合数据进行特征提取，生成多维度的特征数据。
4.根据权利要求1所述的虚拟电厂资源聚合动态调度控制方法，其特征在于，步骤S2中，以当前用电交易数据为输入，利用预训练的用电预测模型，输出预测的用电采购量的方法，具体包括：
步骤S21：获取当前用电交易数据；
步骤S22：识别当前用电交易数据中发电机组的剩余发电空间，并计算剩余发电空间在总用电交易数据的第一占比；
步骤S23：基于剩余发电空间在总用电交易数据的第一占比，模拟未来周期性的未来发电空间，根据发电机组的计划偏差率，对未来周期性的未来发电空间进行校正，得到校正发电空间；
步骤S24：根据校正发电空间计算发电供应量，以发电供应量为输入，利用预训练的用电预测模型计算用电采购量。
5.根据权利要求1所述的虚拟电厂资源聚合动态调度控制方法，其特征在于，步骤S3中，对电厂发电量数据进行处理，计算全供电网发电成本的方法，具体包括：
步骤S31：接收预测的用电采购量，并解析用电采购量中发电成本数据，并将发电成本数据实时上传至发电数据库；
步骤S32：获取发电成本数据，基于改进型波士顿矩阵模型对发电成本数据进行目标修正，修正发电机组未来周期时段内的发电上限值和发电下限值；
步骤S33：加载修正后的发电机组未来周期时段内的发电上限值和发电下限值，以发电上限值和发电下限值为约束，对发电成本数据总出力进行发电分时出力分配，计算整合发电分时出力分配状态下全供电网发电成本。
6.根据权利要求5所述的虚拟电厂资源聚合动态调度控制方法，其特征在于，所述改进型波士顿矩阵模型包括卷积层、上采样层以及全连接层，所述卷积层包括一组三维卷积层以及两组最大池化层，所述上采样层包括三组相连的残差模块，且所述残差模块的维度分别为64、128、256。
7.根据权利要求1所述的虚拟电厂资源聚合动态调度控制方法，其特征在于，在步骤S4中，基于预测的用电采购量以及全供电网发电成本生成电厂发电机组发电调度计划的方法，具体包括：
步骤S41：获取预测的用电采购量以及全供电网发电成本，利用改进型波士顿矩阵模型加载用电采购量，通过信息转换函数对用电采购量进行降维处理，得到归一化的用电向量集；
步骤S42：基于用电向量集，通过添加不对称变量和双曲变量实现用电向量的映射，得到用电映射值，其计算公式为：
；
其中
；
式中，为用电映射值，/>为信息转换函数的耦合系数，/>为信息转换函数的校正系数，/>为输入的用电向量，/>为发电机组的发电成本权重值，/>为输入的发电机组的发电成本值，/>为发电成本均值，/>为单组发电机组的权重系数，/>为发电机组数量，/>为发电机组的类型；
步骤S43：将用电映射值按照适应度值进行计算，在应用过程中通过双链量子实数编码的方式对发电机组的各种成本信息进行计算，设置发电机组的发电调度计划。
8.一种虚拟电厂资源聚合动态调度控制系统，其特征在于，所述系统用于实现权利要求1至7任意一项所述的虚拟电厂资源聚合动态调度控制方法，具体包括：
交易数据获取模块，用于获取用电现货交易数据，其中所述用电现货交易数据包括当前用电交易数据、历史用电交易数据、历史成交电价；
采购量计算模块，用于加载历史用电交易数据以及历史成交电价，基于深度学习构建并训练用电预测模型，以当前用电交易数据为输入，利用预训练的用电预测模型，输出预测的用电采购量；
发电成本获取模块，用于获取电厂发电量数据，对电厂发电量数据进行处理，计算全供电网发电成本；
调度计划生成模块，用于基于预测的用电采购量以及全供电网发电成本生成电厂发电机组发电调度计划；
调度计划调整模块，用于加载电厂发电机组发电调度计划，根据发电机组最大负荷、最小负荷确定发电机组在发电期间的负荷率，基于多组发电机组的负荷率调整发电调度计划；
效率判断模块，用于基于电厂发电机组调整后的发电调度计划，提取承载发电任务的电厂发电机组，并通过电厂发电机组对应的电厂发电量数据计算电厂发电机组发电效率，判断电厂发电机组发电效率是否大于预设效率阈值，若大于预设效率阈值，反馈判断结果，电厂发电机组执行发电任务，若小于预设效率阈值，反馈判断结果，提取承载发电任务的电厂备用发电机组，备用发电机组执行发电任务。
9.一种电子设备，其特征在于，所述电子设备包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现权利要求1至7任意一项所述的虚拟电厂资源聚合动态调度控制方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机软件产品，所述计算机软件产品包括的若干指令，用以使得一台计算机设备执行权利要求1至7任意一项所述的虚拟电厂资源聚合动态调度控制方法。
CN202410402301.0A 2024-04-03 2024-04-03 一种虚拟电厂资源聚合动态调度控制方法及系统 Pending CN118157128A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410402301.0A CN118157128A (zh) 2024-04-03 2024-04-03 一种虚拟电厂资源聚合动态调度控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410402301.0A CN118157128A (zh) 2024-04-03 2024-04-03 一种虚拟电厂资源聚合动态调度控制方法及系统

Publications (1)

Publication Number Publication Date
CN118157128A true CN118157128A (zh) 2024-06-07

Family

ID=91298500

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410402301.0A Pending CN118157128A (zh) 2024-04-03 2024-04-03 一种虚拟电厂资源聚合动态调度控制方法及系统

Country Status (1)

Country Link
CN (1) CN118157128A (zh)

Similar Documents

Publication Publication Date Title
CN109508857B (zh) 一种主动配电网多阶段规划方法
Wu et al. Thermal generation flexibility with ramping costs and hourly demand response in stochastic security-constrained scheduling of variable energy sources
CN104616069B (zh) 一种年度发电计划滚动分解优化方法
CN114139780B (zh) 含分布式电源的虚拟电厂与配电网协调优化方法及系统
US12015275B2 (en) Hybrid power plant
CN113904380B (zh) 一种考虑需求响应的虚拟电厂可调节资源精准控制方法
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
CN110516843A (zh) 一种虚拟电厂容量优化方法、设备以及系统
CN108596242A (zh) 基于小波神经网络和支持向量机的电网气象负荷预测方法
CN108964146A (zh) 基于风、火、水、核协调的多电源优化调度方法和装置
CN111062514A (zh) 一种电力系统规划方法及系统
CN103904664B (zh) 一种基于有效静态安全域的agc机组实时调度方法
US20240006891A1 (en) Two-stage self-organizing optimized aggregation method and system for distributed resources of virtual power plant (vpp)
CN117526454B (zh) 虚拟电厂运行管理方法、设备及存储介质
CN112632842A (zh) 基于交易和谐度的电网与建筑用能交易匹配方法及系统
CN111667109A (zh) 一种虚拟电厂的出力控制方法及装置
CN111311012A (zh) 基于多智能体的微电网电力市场双层竞价优化方法
CN108964033A (zh) 一种电力系统调度方法、装置、计算机装置及存储介质
CN108155673B (zh) 考虑发电侧组合发电不确定性的电力系统优化调度方法
CN115764900A (zh) 一种考虑阻塞缓解效益的配网资源聚合方法及系统
Boutsika et al. Sizing an energy storage system to minimize wind power imbalances from the hourly average
US20240170986A1 (en) Virtual peaker power plant
CN111754076A (zh) 一种适用于电力批发市场模式评估的方法及设备
CN111724277A (zh) 一种新能源与多元负荷价值匹配方法及系统
CN118157128A (zh) 一种虚拟电厂资源聚合动态调度控制方法及系统

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination