CN111177278A - 一种网格用户短期负荷预测实时处理工具 - Google Patents
一种网格用户短期负荷预测实时处理工具 Download PDFInfo
- Publication number
- CN111177278A CN111177278A CN201911318383.6A CN201911318383A CN111177278A CN 111177278 A CN111177278 A CN 111177278A CN 201911318383 A CN201911318383 A CN 201911318383A CN 111177278 A CN111177278 A CN 111177278A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- user
- time
- real
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000010223 real-time analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种网格用户短期负荷预测实时处理工具,执行如下步骤:步骤S1:自动识别用户或电站;步骤S2:建立数据仓库;步骤S3:预处理,对负荷数据进行预处理,异常的负荷数据包括噪声和缺失值;步骤S4:标准化处理,对原始数据的线性变换,使结果落到[0,1]区间;步骤S5:训练模型和检验误差;步骤S6:在线展示,将数据库的预测数据显示出来。本发明采用大数据ODPS引擎和人工智能技术对大规模数据的处理,做到实时处理,实时挖掘,实时分析,实时学习和建模,实时给出预测结果。
Description
技术领域
本发明属于电力信息化技术领域,具体涉及负荷预测技术。
背景技术
由于电能的无法存储特性,负荷的规模与特性严重影响着电力***的设计和运行。电力***负荷预测会影响电力***的充裕性评估,电价制定和用户用电情况。精确的电力***负荷预测能增强供电网络运行的安全性和可靠性。
随着负荷随机性、不确定性不断增加,单纯依赖机理建模的传统方法难以满足预测精度的要求,需要探索新的解决方法,且随着科学技术的发展,数据的采集和处理成本逐年降低,海量历史数据的获取变得可能;随着人工智能技术的发展,模型对数据的消纳能力逐渐增强,采用合适的数据驱动模型,可以有效学习数据中蕴含的规律。
当今社会中,随着传感器技术,实时监测与数据存储技术的飞速发展,电力数据量和复杂度也呈指数增长,这一现象在用户侧尤为突出。如何挖掘用户侧海量数据的价值,对大量数据进行高效合理的应用成为当今智能电网时代下亟待解决的问题。负荷预测基于电力负荷历史数据,通过研究负荷数据自身的相关性及变化情况,社会条件以及其他自然情况(如温度,降雨,风速)之间的内在联系,探索出负荷的发展规律,从而对未来某一时间段的负荷数据进行预测的方法。传统的负荷预测方法难以应对更大的数据量和更强的随机性。
(1)精度低。负荷预测影响因素多,仅仅考虑单一变量对负荷的影响导致预测精度低。传统方法无法挖掘多因素多变量下对负荷变化的影响。无法建立更加精细化的负荷预测模型。
(2)效率低。传统的负荷预测技术对大规模数据处理和挖掘分析时间往往比较长,负荷预测速度慢。
(3)成本高。传统的负荷预测,需要专家做大量的调研工作,因此依赖大量的人力物力资源导致成本特别高。
发明内容
针对现有技术所存在的不足,本发明所要解决的技术问题就是提供一种网格用户短期负荷预测实时处理工具,实现基于ODPS引擎实时对未来几天负荷做出预测,提高预测效率和准确率。
为解决上述技术问题,本发明采用如下技术方案:一种网格用户短期负荷预测实时处理工具,执行如下步骤:
步骤S1:自动识别用户或电站,根据输入的用户或电站自动识别该用户或电站所在区域的经纬度和基本信息;
步骤S2:建立数据仓库,将该用户或电站的基本信息通过相应的数据接口去营销***、用电信息采集***、配网***去获取相应的负荷历史数据,同时获得当地的人口密度和经济状况数据,去气象局获取相应的历史天气状况和未来天气状况预报数据,导入到ODPS数据仓库;
步骤S3:预处理,对负荷数据进行预处理,异常的负荷数据包括噪声和缺失值;
步骤S5:训练模型和检验误差,判断该用户或电站是否是首次训练,如果不是则加载已经保存的训练模型,如果是则随机初始化权值和阈值矩阵,然后输入样本,经过神经网络短期负荷预测进行训练,验证产生的误差是否在允许的范围内,如果在允许的范围内则保存模型参数且输出结果到数据库,否则通过dam优化器修正权重,重复执行直到满足条件后结束;
步骤S6:在线展示,将数据库的预测数据显示出来。
优选的,对异常值类型建立时间序列上的预处理模型:
式中,y(t)表示当前的负荷序列,x(t)表示不包含异常值的负荷序列,n为异常值个数,ωi和α(j)表示负荷异常值的影响因子,It(T)表示的是t时刻的脉冲函数。
优选的,对于数据仓库中的缺失值,根据用电负荷的波动周期特性,计算前后相邻两日相同时间点的负荷以及当前时刻的前后两个时间点的负荷的均值,和后一日相对前一日的负荷变化率法,以均值加上负荷变化量填充空缺值。
优选的,步骤S5中,误差的验证通过均方根误差和平均绝对误差。
本发明采用上述技术方案,具有如下有益效果:
(1)结合了当地天气状况(温度,云况,湿度,风速),当地经济状况,人口密度等因素对负荷的影响,建立起多因素多变量的负荷预测精细化模型,明显提升了负荷预测的精度。
(2)采用大数据ODPS引擎和人工智能技术对大规模数据的处理,做到实时处理,实时挖掘,实时分析,实时学习和建模,实时给出预测结果。
(3)改变了原有人员的工作模式,大幅减少了电力***人员的调研工作量。本工具将部分日常人工工作交给计算机完成,显著减少了预测工作量,明显提高了工作效率,降低了预测成本。
本发明的具体技术方案及其有益效果将会在下面的具体实施方式中结合附图进行详细的说明。
附图说明
下面结合附图和具体实施方式对本发明作进一步描述:
图1为本发明的工作流程图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明选择某一用户或电站作为参数输入,参考图1所示一种网格用户短期负荷预测实时处理工具,执行如下步骤:
第一步,自动识别用户或电站。采用自动识别算法,根据输入的用户或电站自动识别该用户或电站所在区域的经纬度和基本信息。
对于基本信息,如果是电站可以识别出电站类型(如火电站,水电站,光伏电站等),容量。如果是用户,则可以识别出用户类型(如专变用户,公变用户等),用电类型(商业用电,居民用电,工业用电等)。
第二步,建立数据仓库。将该用户或电站的基本信息通过相应的数据接口去营销***,用电信息采集***,配网***去获取相应的负荷历史数据。其中,营销***获取的是用户的历史负荷数据,用电信息采集***获得变电站和发电站的历史负荷数据。需要的获得的数据为有功,无功。同时获得当地的人口密度和经济状况数据,去气象局获取相应的历史天气状况和未来天气状况预报的温度,风向,风速,湿度等数据导入到ODPS数据仓库。
第三步,预处理,包括以上所有原始数据,有功,无功,温度,风向,风速,湿度,人口密度和经济状况数据。由于获取的数据可能异常和数据的格式不统一,因此需要进行预处理过程。异常的负荷数据主要包括噪声和缺失值,因此需要对异常值类型建立时间序列上的预处理模型:
式中,y(t)表示当前的负荷序列,x(t)表示不包含异常值的负荷序列,n为异常值个数,ωi和α(j)表示负荷异常值的影响因子,It(T)表示的是t时刻的脉冲函数。对于数据仓库中的缺失值,根据用电负荷的波动周期特性,计算前后相邻两日相同时间点的负荷以及当前时刻的前后两个时间点的负荷的均值,和后一日相对前一日的负荷变化率法,以均值加上负荷变化量填充空缺值。
第四步,标准化处理。根据输入的用户或电站的基本信息,和对应的历史负荷数据及其当地人口密度,经济状况,城镇化情况,是否是节假日等相关数据构造训练样本集。训练样本集,就是一组数据的集合,即多维数组。就是将数据按照时间系列排好顺序,例如[[0.87,0.67,0.87],[0.34,0.46,0.65],[0.75,0.67,0.87]]。如[[有功值数组],[降雨值数组],[温度值数组]])。
第五步,对训练样本集进行标准化处理。在多指标评价体系中,由于各评价指标的性质不同,通常具有不同的量纲和数量级。当各指标间的水平相差很大时,如果直接用原始指标值进行分析,就会突出数值较高的指标在综合分析中的作用,相对削弱数值水平较低指标的作用。因此,为了保证结果的可靠性,需要对原始指标数据进行标准化处理。即是对原始数据的线性变换,使结果落到[0,1]区间,转换函数如下:其中max为样本数据的最大值,min为样本数据的最小值。
第六步,训练模型和检验误差。判断该用户或电站是否是首次训练,如果不是则加载已经保存的模型,如果是则随机初始化权值和阈值矩阵。然后输入样本,经过神经网络短期负荷预测进行训练,验证产生的误差是否在允许的范围内,如果在允许的范围内则保存模型参数且输出结果到数据库,否则通过dam优化器修正权重,重复执行直到满足条件后结束。误差的验证主要通过均方根误差(RMSE),平均绝对误差(MAE)。
(1)RMSE:
Root Mean Square Error,均方根误差是观测值与真值偏差的平方和与观测次数m比值的平方根,是用来衡量观测值同真值之间的偏差。
(2)MAE
Mean Absolute Error,平均绝对误差是绝对误差的平均值能更好地反映预测值误差的实际情况。
第七步,在线展示。将数据库的预测数据显示出来供相关人员参考。
还可以进一步将数据库的预测数据导入电力调度自动化***,根据预测数据进行自动调度,如调整发电机出力、调整负荷分布、投切电容器、电抗器等,从而确保电网持续安全稳定运行。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (4)
1.一种网格用户短期负荷预测实时处理工具,其特征在于:执行如下步骤:
步骤S1:自动识别用户或电站,根据输入的用户或电站自动识别该用户或电站所在区域的经纬度和基本信息;
步骤S2:建立数据仓库,将该用户或电站的基本信息通过相应的数据接口去营销***、用电信息采集***、配网***去获取相应的负荷历史数据,同时获得当地的人口密度和经济状况数据,去气象局获取相应的历史天气状况和未来天气状况预报数据,导入到ODPS数据仓库;
步骤S3:预处理,对负荷数据进行预处理,异常的负荷数据包括噪声和缺失值;
步骤S5:训练模型和检验误差,判断该用户或电站是否是首次训练,如果不是则加载已经保存的训练模型,如果是则随机初始化权值和阈值矩阵,然后输入样本,经过神经网络短期负荷预测进行训练,验证产生的误差是否在允许的范围内,如果在允许的范围内则保存模型参数且输出结果到数据库,否则通过dam优化器修正权重,重复执行直到满足条件后结束;
步骤S6:在线展示,将数据库的预测数据显示出来。
3.根据权利要求1所述的一种网格用户短期负荷预测实时处理工具,其特征在于:对于数据仓库中的缺失值,根据用电负荷的波动周期特性,计算前后相邻两日相同时间点的负荷以及当前时刻的前后两个时间点的负荷的均值,和后一日相对前一日的负荷变化率法,以均值加上负荷变化量填充空缺值。
4.根据权利要求1所述的一种网格用户短期负荷预测实时处理工具,其特征在于:步骤S5中,误差的验证通过均方根误差和平均绝对误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911318383.6A CN111177278A (zh) | 2019-12-19 | 2019-12-19 | 一种网格用户短期负荷预测实时处理工具 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911318383.6A CN111177278A (zh) | 2019-12-19 | 2019-12-19 | 一种网格用户短期负荷预测实时处理工具 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111177278A true CN111177278A (zh) | 2020-05-19 |
Family
ID=70622385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911318383.6A Pending CN111177278A (zh) | 2019-12-19 | 2019-12-19 | 一种网格用户短期负荷预测实时处理工具 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177278A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111756049A (zh) * | 2020-06-18 | 2020-10-09 | 国网浙江省电力有限公司电力科学研究院 | 计及配电网实时量测信息缺失的数据驱动无功优化方法 |
CN113435663A (zh) * | 2021-07-15 | 2021-09-24 | 国网冀北电力有限公司唐山供电公司 | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 |
CN114221329A (zh) * | 2021-12-01 | 2022-03-22 | 国网浙江省电力有限公司营销服务中心 | 一种基于大数据的电网负荷管理方法及*** |
CN117039850A (zh) * | 2023-07-12 | 2023-11-10 | 湖北华中电力科技开发有限责任公司 | 基于时空地物特征的异常用电分析方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN104537429A (zh) * | 2014-12-11 | 2015-04-22 | 国家电网公司 | 一种基于数据仓库与数据挖掘技术的短期负荷预测方法及装置 |
CN108960520A (zh) * | 2018-07-12 | 2018-12-07 | 南方电网科学研究院有限责任公司 | 一种电力负荷预测方法、***、计算机设备、介质 |
CN110210670A (zh) * | 2019-06-03 | 2019-09-06 | 辽宁工程技术大学 | 一种基于电力***短期负荷的预测方法 |
CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测*** |
-
2019
- 2019-12-19 CN CN201911318383.6A patent/CN111177278A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN104537429A (zh) * | 2014-12-11 | 2015-04-22 | 国家电网公司 | 一种基于数据仓库与数据挖掘技术的短期负荷预测方法及装置 |
CN108960520A (zh) * | 2018-07-12 | 2018-12-07 | 南方电网科学研究院有限责任公司 | 一种电力负荷预测方法、***、计算机设备、介质 |
CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测*** |
CN110210670A (zh) * | 2019-06-03 | 2019-09-06 | 辽宁工程技术大学 | 一种基于电力***短期负荷的预测方法 |
Non-Patent Citations (1)
Title |
---|
杨波: "基于支持向量机的电力***短期负荷预测" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111756049A (zh) * | 2020-06-18 | 2020-10-09 | 国网浙江省电力有限公司电力科学研究院 | 计及配电网实时量测信息缺失的数据驱动无功优化方法 |
CN113435663A (zh) * | 2021-07-15 | 2021-09-24 | 国网冀北电力有限公司唐山供电公司 | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 |
CN114221329A (zh) * | 2021-12-01 | 2022-03-22 | 国网浙江省电力有限公司营销服务中心 | 一种基于大数据的电网负荷管理方法及*** |
CN117039850A (zh) * | 2023-07-12 | 2023-11-10 | 湖北华中电力科技开发有限责任公司 | 基于时空地物特征的异常用电分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN110222882A (zh) | 一种电力***中长期负荷的预测方法和装置 | |
CN111177278A (zh) | 一种网格用户短期负荷预测实时处理工具 | |
CN110880789A (zh) | 一种风电、光伏联合发电***经济调度方法 | |
CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
Liu et al. | Photovoltaic generation power prediction research based on high quality context ontology and gated recurrent neural network | |
CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及*** | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
Shendryk et al. | Decision Support System for Efficient Energy Management of MicroGrid with Renewable Energy Sources | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN117200352A (zh) | 一种基于云边融合的光伏发电调控方法及*** | |
Huang et al. | Power prediction method of distributed photovoltaic digital twin system based on GA-BP | |
Wang et al. | A Comprehensive Review on the Development of Data-Driven Methods for Wind Power Prediction and AGC Performance Evaluation in Wind-Thermal Bundled Power Systems | |
CN115313377B (zh) | 一种电力负荷预测方法及*** | |
Kehe et al. | Research of wind power prediction model based on RBF neural network | |
CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
CN105633946B (zh) | 一种提取高风电穿透母线日净有功功率随机模糊特征的建模方法 | |
Xiong et al. | Graph Convolutional Network based Electricity Demand Forecasting in Power Distribution Networks | |
Wang et al. | Intraday net load reserve demand assessment based on catboost and kernel density estimation | |
RongQi et al. | Research of flexible load analysis of distribution network based on big data | |
CN114243695B (zh) | 一种基于双向长短时记忆神经网络的电力负荷预测方法 | |
Zhou et al. | Power Grid transient stability prediction method based on improved CNN under big data background |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |
|
RJ01 | Rejection of invention patent application after publication |