CN112116144A - 一种区域配电网短期负荷预测方法 - Google Patents
一种区域配电网短期负荷预测方法 Download PDFInfo
- Publication number
- CN112116144A CN112116144A CN202010964182.XA CN202010964182A CN112116144A CN 112116144 A CN112116144 A CN 112116144A CN 202010964182 A CN202010964182 A CN 202010964182A CN 112116144 A CN112116144 A CN 112116144A
- Authority
- CN
- China
- Prior art keywords
- load data
- load
- prediction
- time
- short
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 241000282461 Canis lupus Species 0.000 claims abstract description 71
- 230000015654 memory Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 230000007787 long-term memory Effects 0.000 claims abstract description 15
- 230000006403 short-term memory Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 11
- 239000013598 vector Substances 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06Q10/04—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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力负荷预测技术领域,具体公开了一种基于孪生网络分类法、灰狼算法以及长短时记忆网络的区域配电网短期负荷预测方法。该负荷预测方法的步骤如下:首先应用孪生网络分类法对历史负荷数据进行提取与分类,根据预测日的负荷情况来确定输入特征的类别,提取对预测日负荷具有强相关性的负荷作为输入,解决了当前有效输入变量选择困难、计算步骤繁琐的问题;然后应用灰狼算法对长短时记忆网络预测模型进行参数优化选取,输入最优参数并对长短时记忆网络预测模型进行训练与测试,得到该预测日下的负荷预测值。本发明方法有效解决了现有预测模型效率低、运行成本较高、缺乏自适应能力的问题。
Description
技术领域
本发明属于电力负荷预测技术领域,尤其涉及一种区域配电网短期负荷预测方法。
背景技术
精准的配电网短期负荷预测是其安全稳定运行、调度优化和降低运营成本的重要保障。在短期负荷预测过程中会受到诸如恶劣天气、突发事件、电网故障等非线性特征因素的影响,如果将这些因素全部作为输入特征,将会使负荷预测的复杂度增加,而且这些因素的基础数据场景多样、规律性较弱,导致基于数据驱动方法的预测精度大打折扣。
配电网负荷历史数据是电网企业运营的基础数据,具有数据量大、精度高的特点,如何选择合适的数据驱动方法实现配电网负荷的精准预测,具有重要的工程应用价值。
短期负荷具有一定的周期性,但负荷发生变化的时刻却不完全相同。随着时间的推移,电网负荷结构也会发生缓慢变化,导致选取时序历史数据作为输入历史日负荷与预测日负荷有时有着较大的差异,进而影响到预测精度,即相似日历史数据集选择难。
合适的数据集能够增强预测模型的可解释性,并降低时间复杂度。目前,选取输入特征的方法有很多,例如:相空间嵌入法,将输入特征变量进行正交变化并求出特征变量的单独贡献的方法,采用遗传算法优化过滤法中的参数来选择变量的方法等。但给出的上述方法普遍存在计算方法复杂、待调参数过多、将选择结果用于预测时效果较差等问题。
在配电网短期负荷预测方面,传统的负荷预测模型,例如:线性回归(LinearRegression, LR)、自回归(Auto Regression,AR)等,虽然预测速度快,但是这些负荷预测模型对数据要求较高、没有自适应能力、预测鲁棒性较差,越来越难满足负荷预测要求。
近年来,以深度学习为基础的人工智能技术不断发展,为解决上述这些问题提供了新方法,例如支持向量机(Support Vector Machine,SVM)、深度置信网络(Deep neuralnetwork)、多种机器学习算法嵌入的负荷预测模型等。然而,上述预测方法在处理时序数据时存在预测速度较慢、缺乏自适应性、模型集成需要的成本过高且时间较长等缺点。综上,如何在保证负荷预测精度的同时,提高运行效率、缩短运行成本成为负荷预测中一个难点。
发明内容
本发明的目的在于提出一种区域配电网短期负荷预测方法,以便对未知类别的预测日负荷数据进行自适应分类,并进一步提升预测方法的运算效率和准确性。
本发明为了实现上述目的,采用如下技术方案:
一种区域配电网短期负荷预测方法,包括如下步骤:
A.对一段时间内的总历史负荷数据以及该段时间内不同时刻用能对象的历史负荷数据进行采集,对采集的所有历史负荷数据进行归一化处理;
B.提取归一化处理后该段时间内的总历史负荷数据,以天为间隔对该段时间内的总历史负荷数据进行分组;其中,将分组后的第一组负荷数据作为基准值;
其余每组负荷数据分别与该组负荷数据进行相似度度量,得到在区间[0,1]内的相似度值;
按照相关系数的强度将[0,1]的区间划分为多个子区间;利用划分的子区间以及通过相似度度量后得到的相似度值,对分组后的各组负荷数据进行分类,得到分类结果;
C.将步骤B中各组负荷数据及其对应的分类结果输入到孪生网络分类器进行学习;
其中,该孪生网络分类器具有两个输入和一个输出;
将基准值作为孪生网络分类器的一个输入;将其余组负荷数据中的任一组作为孪生网络分类器的另一个输入,并将与当前组负荷数据对应的分类结果作为孪生网络分类器的输出;
依次遍历其余每组负荷数据及其对应的分类结果,实现孪生网络分类器的学习;
D.给定一组未知类别的预测日负荷数据,将该组预测日负荷数据输入到经过步骤C学习得到的孪生网络分类器中,得到该组预测日负荷数据的分类结果;
从步骤B分组后的所有组负荷数据中,找到与该组预测日负荷数据具有相同分类结果的多组负荷数据,并将这些组负荷数据作为预测日负荷数据的相似日负荷数据;
将以上各组相似日负荷数据以及分别对应于每组相似日负荷数据的不同时刻用能对象的历史负荷数据进行组合,得到长短时记忆网络预测模型的多组训练样本;
将预测日负荷数据以及对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据进行组合,得到长短时记忆网络预测模型的一组测试样本;
由以上多组训练样本以及一组测试样本共同组成负荷数据集;
E.建立长短时记忆网络预测模型,引入灰狼算法优化长短时记忆网络预测模型参数;
利用步骤D中训练样本和测试样本共同组成的负荷数据集,对长短时记忆网络预测模型进行预测结果的误差检验,得到长短时记忆网络预测模型的最优参数;具体过程如下:
(1)初始化所有狼群的位置,并设置最大迭代次数;
(2)建立一个长短时记忆网络预测模型,此时模型待优化参数即灰狼要猎取的猎物位置;
(3)将每组训练样本中的相似日负荷数据作为预测模型的输出,对应于该组相似日负荷数据的不同时刻用能对象的历史负荷数据作为预测模型的输入;
依次遍历以上各组训练样本,得到训练后的长短时记忆网络预测模型;
将测试样本中对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据,输入到训练后的长短时记忆网络预测模型,得到该预测日下的负荷预测值;
(4)设该预测日下的负荷预测值与该预测日下的负荷实际值之间的均方根误差为狼群的适应度函数;其中,该预测日下的负荷实际值为测试样本中的预测日负荷数据;
(5)根据适应度值大小,依次确定狼群中各狼的等级,即适应度值由小到大依次为狼群中α狼、β狼、δ狼和ω狼;其中,适应度值大小为均方根误差大小;
(6)在ω狼的作用下,对适应度值小于它的狼的位置进行更新;
依旧用适应度值大小作为比较依据,反复迭代更新,反复比较,不断朝着猎物逼近,最终在设定的最大迭代次数内找到最小均方根误差对应的模型最优参数;
F.在得到长短时记忆网络预测模型的最优参数后,利用步骤D负荷数据集中的训练样本对长短时记忆网络预测模型进行训练,其中:
将每组训练样本中的相似日负荷数据作为预测模型的输出,对应于该组相似日负荷数据的不同时刻用能对象的历史负荷数据作为预测模型的输入;
依次遍历步骤D中各组训练样本,得到在最优参数下训练的长短时记忆网络预测模型;此时的长短时记忆网络预测模型为最优负荷预测模型;
将测试样本中对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据,输入到最优负荷预测模型,得到该预测日下的负荷预测值。
优选地,步骤A中,一段时间是指一年或一个季度。
优选地,步骤A中,以1个小时为间隔,对不同时刻各个用能对象的历史负荷数据采集。
优选地,步骤A中,对所有的历史负荷数据进行归一化处理,并映射到区间[0,1]之内;
其中,归一化处理的计算公式如下所示:
其中,x、x′分别为归一化前后的值,xmax、xmin分别为样本数据的最大值与最小值。
优选地,步骤B中,利用Pearson相关系数公式进行相似度度量的计算。
优选地,步骤B中,划分的子区间数量有八个,各个子区间的区间分别范围为:
(0.98,1]、(0.96,0.98]、(0.94,0.96]、(0.92,0.94]、(0.90,0.92]、(0.88,0.90]、(0.86,0.88]、(0,0.86];
根据相似度值的大小落入子区间的位置,将各组负荷数据分成八类。
优选地,步骤E中,长短时记忆网络预测模型的最优参数为隐层神经元的个数。
本发明具有如下优点:
如上所述,本发明提出了一种基于孪生网络分类法、灰狼算法以及长短时记忆网络的区域配电网短期负荷预测方法。其中,该预测方法首先应用孪生网络对历史负荷数据进行自适应分类,根据预测日的负荷数据确定输入特征的分类结果,确定对预测日负荷具有强相关性的负荷作为输入,解决了当前采用相空间嵌入法,正交变换特征向量求取单独贡献法等导致有效输入变量选择困难、采用优化过滤法参数等导致计算步骤繁琐的问题;紧接着,本发明方法应用灰狼算法对长短时记忆网络预测模型进行参数的优化选取,在得到长短时记忆网络预测模型的最优参数后,对长短时记忆网络预测模型进行训练,将预测日负荷数据代入训练后的模型中,得到该预测日下的负荷预测值。本发明利用孪生网络两输入权值共享的特点和灰狼算法全局搜索能力强、收敛性能好,参数少易实现的特点,有效地解决了现有预测模型效率低、运行成本较高、缺乏自适应能力的问题,适用于不同场景的自适应短期负荷预测。
附图说明
图1为本发明实施例中区域配电网短期负荷预测方法的流程图;
图2为本发明实施例中孪生网络自适应分类的流程示意图;
图3为本发明实施例中灰狼算法对长短时记忆网络隐层神经元数量优化的流程示意图;
图4为本发明实施例中所分全年负荷数据的类别图;
图5为本发明实施例中孪生网络结构示意图;
图6为不同季节下经孪生网络分类得到相同数据集,各模型预测相对误差对比图。
具体实施方式
实施例
本实施例述及了一种区域配电网短期负荷预测方法,该方法基于孪生网络(Siamese Network,SN)分类法、灰狼优化(GWO)算法以及长短时记忆网络(LSTM)实现。
在求解过程中,本发明方法充分利用了孪生网络两个输入权值共享,灰狼算法全局搜索能力强、效率高,以及长短时记忆网络对时间序列问题较为敏感的特点。
下面结合附图以及具体实施方式对本发明作进一步详细说明:
如图1所示,一种区域配电网短期负荷预测方法,包括如下步骤:
A.对一段时间(一年或一个季度)内的总历史负荷数据以及该段时间内不同时刻用能对象的历史负荷数据进行采集,对所有的历史负荷数据进行归一化处理。
在短期负荷预测中,起决定性影响因素的还是用能对象的负荷情况。本实施例以1个小时为间隔,对不同时刻各个用能对象的历史负荷数据进行采集。
通过以上方式,能够保证所采集的历史负荷数据在良好反应台区负荷运行状况的同时,保证输入后续模型中的数据的有效性,从而提高预测模型的运行效率。
数据采集完成后,对所有的负荷数据进行归一化处理,并映射到区间[0,1]之内。
其中,归一化处理的具体过程为:
其中,x、x′分别为归一化前后的值,xmax、xmin分别为样本数据的最大值与最小值。
B.提取归一化后的总历史负荷数据,并进行分组,并对所有负荷数据组进行分类。
本实施例以天为间隔对归一化后的该段时间内的总历史负荷数据进行分组。
其中,将分组后的第一组负荷数据作为基准值;将其余每组负荷数据分别与该组负荷数据进行相似度度量,得到区间在[0,1]内的相似度值。
按照Pearson相关系数的强度将[0,1]的区间划分为多个子区间;
利用划分的子区间以及得到的相似度值,对各组负荷数据进行分类,得到分类结果。
本实施例中划分的子区间数量有八个,各个子区间的区间分别范围为:
(0.98,1]、(0.96,0.98]、(0.94,0.96]、(0.92,0.94]、(0.90,0.92]、(0.88,0.90]、(0.86,0.88]、(0,0.86];
根据相似度值的大小落入子区间的位置,将分组后的各组负荷数据分成八类。
各组负荷数据分类后的结果如图4所示。由图4能够得到:
在不同的类别下负荷日变曲线走势大致相同,表明负荷数据具有一定的规律性和周期性。
虽然在***稳定运行的情况下,日负荷数据之间的相关性较强,但是在不同类别下,对应时刻的负荷数值以及到达日负荷数据峰值的时刻都是不同的。
以上分类结果表明,日负荷数据变化有一定的差异,进而影响到了后续训练集选取、模型训练,同时对于减小负荷预测的误差起到了十分重要的作用。
其中,度量判据Pearson相似系数具体如下所示:
其中,rx,y表示相似系数,n为样本数量,xi、yi分别代表输入的两个变量。
C.将步骤B中各组负荷数据及其对应的分类结果输入孪生网络分类器进行学习。
本实施例中的孪生网络分类器具有两个输入和一个输出,能够实现在两个输入中进行学习并权值共享,然后去匹配未知类别的样本,从而达到分类的目的。
在短期负荷预测中,孪生网络分类器能够首先将历史负荷数据及其对应的类别输入,不断学习得到其权重,然后去匹配未知负荷数据,从而得到未知负荷数据相应的类别。
这种自适应分类的方式能够大大提升短期负荷预测的效率,以节省成本。
本实施例中改进后的孪生网络结构如图5所示,其中:
Gw(X)是一组映射函数,主要是为了将输入的数据X1,X2转化为特征向量,W代表模型参数,EW(X1,X2)为相似性度量,即欧式距离,具体如下所述:
其中,dist(X1,X2)表示欧氏距离;x1i、x2i分别代表输入变量1和输入变量2。
本实施例中孪生网络分类器是一个双通道神经网络,其中:
该孪生网络分类器模型包括一个定义用来进行特征提取的全连接层网络,一个定义用来规范输入输出张量的函数,一个用来计算欧式距离的Lambda层等。
孪生网络分类器模型以欧氏距离作为输入数据间的相似度量,不断学习找到一组参数W (两个网络共享权重),然后去匹配未知类别的预测日负荷,进而完成分类。
利用孪生网络分类器进行学习的过程如下:
将基准值作为孪生网络分类器的一个输入;将其余组负荷数据中的任一组作为孪生网络分类器另一个输入,将与当前组负荷数据对应的分类结果作为孪生网络分类器的输出;
依次遍历其余每组负荷数据及其对应的分类结果,实现孪生网络分类器的学习。
对全年总历史负荷按不同季节进行分类,得到类别情况如表1所示:
表1预测日负荷的孪生网络分类表
D.给定一组未知类别的预测日负荷数据,将该组预测日负荷数据输入到经过步骤C学习得到的孪生网络分类器中,得到该组预测日负荷数据的分类结果。
从步骤B分组后的所有组负荷数据中,找到与该组预测日负荷数据具有相同分类结果的多组负荷数据,并将这些组负荷数据作为相似日负荷数据。
将各组相似日负荷数据以及分别对应于各组相似日负荷数据的不同时刻用能对象的历史负荷数据进行组合,得到长短时记忆网络预测模型的多组训练样本。
此处相对应,是指该相似日对应的日期内不同时刻用能对象的历史负荷数据。
将预测日负荷数据以及对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据进行组合,得到长短时记忆网络预测模型的一组测试样本。
此处相对应,是指该预测日对应的日期内不同时刻用能对象的历史负荷数据。
以上多组训练样本和一组测试样本共同组成负荷数据集,便于后续模型检验。
E.建立长短时记忆网络预测模型,引入GWO算法优化长短时记忆网络预测模型参数。
利用步骤D得到的负荷数据集,对长短时记忆网络预测模型进行预测结果的误差检验,进而得到长短时记忆网络的最优参数。
该GWO算法参数寻优模型,将长短时记忆网络预测模型的预测值与实际值的均方根误差RMSE作为狼群的适应度函数,GWO参数优化算法的参数寻优范围为[1,128]。
GWO算法的一般过程如下所示:
搜寻包围:狼群要先对猎物实施包围,确保猎物在狩猎范围之内;
猎捕:假设α、β、δ狼为最优解和次优解,并且已经获取了关于猎物位置足够多的信息,所以迫使ω狼对最优解和次优解的位置进行更新。
Dα=|C1·Xα(t)-X(t)|;Dβ=|C2·Xβ(t)-X(t)|;Dδ=|C3·Xδ(t)-X(t)|。
X1=Xα-A1·Dα;X2=Xβ-A2·Dβ;X3=Xδ-A3·Dδ。
该灰狼算法参数优化模型的参数如下:狼群的数量N=10、需要优化的参数个数dim=1、最大迭代次数Max_iter=5、参数取值下界ib=1、参数取值上界ub=128。
该步骤E的具体过程如下:
(1)初始化所有狼群的位置,并设置最大迭代次数。
(2)建立一个长短时记忆网络预测模型,此时模型待优化参数即灰狼要猎取的猎物位置。
(3)将每组训练样本中的相似日负荷数据作为预测模型的输出,对应于该组相似日负荷数据的不同时刻用能对象的历史负荷数据作为预测模型的输入。
依次遍历以上各组训练样本,得到训练后的长短时记忆网络预测模型。
将测试样本中对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据,输入到训练后的长短时记忆网络预测模型,得到该预测日下的负荷预测值。
(4)设该预测日下的负荷预测值与该预测日下的负荷实际值之间的均方根误差为狼群的适应度函数;其中,该预测日下的负荷实际值为测试样本中的预测日负荷数据。
(5)根据适应度值大小,依次确定狼群中各狼的等级,即适应度值由小到大依次为狼群中α狼、β狼、δ狼和ω狼;其中,适应度值大小为均方根误差大小。
(6)在ω狼的作用下,对适应度值小于它的狼的位置进行更新。
依旧用适应度值大小作为比较依据,反复迭代更新,反复比较,不断朝着猎物(即模型最优参数)逼近,最终在设定的最大迭代次数内找到最小均方根误差对应的模型最优参数。
本实施例引入灰狼算法优化长短时记忆网络预测模型参数的优势在于:
在以往进行长短时记忆网络预测模型训练及预测之前,大都依靠经验首先对长短时记忆网络预测模型参数进行选择,再根据预测结果去反复调整该参数,得到预测结果。
此种方式不仅浪费大量时间,而且还很难应用到实际的电力***负荷预测中去。
本实施例通过引入灰狼算法优化长短时记忆网络预测模型的参数,并通过反复迭代的方式驱使着狼群不断的进行搜寻包围攻击等一系列的行为,最终找到头狼α即目标函数最优解,比较适合高维、多封的复杂函数求解,具有较好的全局收敛性和鲁棒性。
长短时记忆网络预测模型有输入层、多节点的隐藏层和输出层构成,具体计算过程如下:
输出值:ht=tanh(st)⊙Ot;
状态更新:St=gt⊙it+St-1⊙ft。
其中,输入变量xt代表t时刻对应的元素,σ为sigmoid激活函数,⊙为元素的乘法。
长短时记忆网络预测模型定义了遗忘门ft和输入门gt来控制单元状态的更新。
遗忘门决定当前时刻单元状态S中需要保留的重要信息;输入门用来对当前输入向量,进行读取修正;输出门来决定当前的单元状态下S对单元输出h的输出向量。
将训练样本中的5个用能对象负荷值作为长短时记忆网络预测模型输入序列Xtrain,将训练样本的总负荷数值作为长短时记忆网络预测模型输入序列Ytrain;
按照上述方式,即可得到测试样本的Xtest和Ytest。长短时记忆网络预测模型通过对Xtrain、 Ytrain进行训练,对Xtest进行测试即可得到负荷预测值Ytest *。
本实施例采用平均绝对百分比误差MAPE和均方根误差RMSE作为评判标准。
具体计算公式如下所示:
本实施例通过GWO对传统LSTM预测模型进行参数优化,继而得到GWO-LSTM负荷预测模型,其中,优化的参数为隐藏层神经元的个数,参数设置如表2所示:
表2 LSTM与GWO-LSTM参数设置
本实施例通过将LSTM预测模型与GWO算法结合,参数范围内随机生成狼群位置,通过LSTM预测误差RMSE作为狼群的适应度函数,依次比较找到本轮中最优适应度,并刷新狼群位置,最大迭代次数内反复对LSTM预测模型的参数进行优化选取,最终得到最优参数,大大节省了时间,提升了LSTM预测模型得精确性与鲁棒性,自适应能力更强。
F.在得到长短时记忆网络预测模型的最优参数后,利用步骤D负荷数据集中的训练样本对长短时记忆网络预测模型进行训练,其中:
将每组训练样本中的相似日负荷数据作为预测模型的输出,对应于该组相似日负荷数据的不同时刻用能对象的历史负荷数据作为预测模型的输入;
依次遍历步骤D中各组训练样本,得到在最优参数下训练的长短时记忆网络预测模型;此时的长短时记忆网络预测模型为最优负荷预测模型;
将测试样本中对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据,输入到最优负荷预测模型,得到该预测日下的负荷预测值。
本实施例通过孪生网络、灰狼算法以及长短时记忆网络的组合,能够有效提到区域配电网短期负荷预测方法的准确性与运算效率,具体说明如下:
1.对于孪生网络而言:
首先通过滤式方法对数据进行特征选择,衡量该特征与响应变量之间的关系,得到较为良好的特征,然后带入孪生网络分类器进行学习,最终实现分类的目的。
通过孪生网络分类得到的相似日数据集更能表现与预测日负荷特征关系。良好的特征能提升后续预测模型的性能,使模型的泛化能力更强同时利于减少过拟合,提高预测准确性。
2.对于灰狼算法而言:
通过反复迭代更新,不断的朝着潜在最优解的位置逼近,最终得到预测模型的最优参数,利用灰狼算法对预测模型的参数进行优化,相较于传统依靠人为经验反复选择,此算法过程收敛速度快,同时参数寻优较为准确,效率高,提高了后续预测模型的预测精度。
3.对于长短时记忆网络而言:
长短时记忆网络存在一个保持长期状态的状态单元,实现时间上的记忆功能,能够解决长时依赖的问题。该长短时记忆网络预测模型对时间序列数据较为敏感,而负荷数据就是时间序列问题,因此,该模型相较于其他预测模型来说,精度和效率更高。
通过以上孪生网络、灰狼算法以及长短时记忆网络组合的方式,一方面在数据处理时能够得到良好的表征预测日特征关系的相似日数据集,提高了预测模型的泛化能力与精确性;另一方面,采用灰狼算法对长短时记忆网络进行参数寻优,简化步骤、节省人力,提高了效率;同时得到的最优参数在后续模型预测时表现更加优异,使得预测精度更高。
本实施例为了验证提出模型的鲁棒性和精确性,选取了传统LSTM、RBF(径向基)神经网络以及MLP(多层感知机)三种预测模型做了对比分析,结果如表3所示。
表3各季节模型预测误差对比表
传统LSTM和GWO-LSTM模型参数如表2所示。MLP模型设计了5个隐藏层且每层128个神经元。RBF模型在python环境下定义,通过Sklearn中的GridSearchCV模块进行参数自动调节,LSTM根据春夏秋冬四个季节数据集的规模设置迭代次数为500、100、200、320。
由表3能够看到,在四模型的负荷预测误差比较中,LSTM的预测误差相较于MLP和RBF有了较为明显的减少,侧面表征LSTM在负荷预测方面表现出极强的优越性。
通过GWO优化算法来优化LSTM隐层神经元个数得到的预测误差结果为49.905KW和2.605,比传统LSTM直接进行负荷预测在RMSE和MAPE上都减少了20%的误差。
同样,四季误差指标的平均值也较传统LSTM有了直观的减少。这说明在负荷预测上,采用GWO算法对LSTM进行参数优化可以提高模型预测的准确性与鲁棒性。
同时对各季节不同下对同一预测日的负荷预测情况做了对比,其中对比依据为该预测日预测负荷与实际负荷的相对误差,结果如图4所示,各模型预测值如表4所示。
表4各模型负荷预测值
通过图4能够看到,RBF预测误差在个别时刻较其余模型相差甚大,MLP负荷预测模型在精确性和稳定性上较其余三模型差,部分时刻相对误差达到了12%-16%之间。
总体上GWO-LSTM的预测误差较LSTM模型低,个别时刻误差相差达到了6%-8%,GWO-LSTM负荷预测模型要比传统LSTM负荷预测模型的更加稳定,预测精度也得到了显著提高。精准的预测误差对于电力***的经济运行起到了良好的推动作用。
本发明提出的短期负荷预测方法,能够在仅利用用能对象的历史负荷数据这些基础信息,完成对未来一段时间的负荷的有效预测,操作简便,预测准确度高。
从数据的采集与分类到最后的负荷预测,本发明方法充分利用神经网络实现了孪生网络相似日分类建模、灰狼算法参数寻优建模和LSTM负荷预测建模。
以上模型组合,能够快速调整输入相似日的类别,保证输入特征的有效性,同时灵活根据输入调整LSTM预测模型的参数,保证负荷预测效率的同时,提高了预测的精度。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (7)
1.一种区域配电网短期负荷预测方法,其特征在于,包括如下步骤:
A.对一段时间内的总历史负荷数据以及该段时间内不同时刻用能对象的历史负荷数据进行采集,对采集的所有历史负荷数据进行归一化处理;
B.提取归一化处理后该段时间内的总历史负荷数据,以天为间隔对该段时间内的总历史负荷数据进行分组;其中,将分组后的第一组负荷数据作为基准值;
其余每组负荷数据分别与该组负荷数据进行相似度度量,得到在区间[0,1]内的相似度值;
按照相关系数的强度将[0,1]的区间划分为多个子区间;利用划分的子区间以及通过相似度度量后得到的相似度值,对分组后的各组负荷数据进行分类,得到分类结果;
C.将步骤B中各组负荷数据及其对应的分类结果输入到孪生网络分类器进行学习;
其中,该孪生网络分类器具有两个输入和一个输出;
将基准值作为孪生网络分类器的一个输入;将其余组负荷数据中的任一组作为孪生网络分类器的另一个输入,并将与当前组负荷数据对应的分类结果作为孪生网络分类器的输出;
依次遍历其余每组负荷数据及其对应的分类结果,实现孪生网络分类器的学习;
D.给定一组未知类别的预测日负荷数据,将该组预测日负荷数据输入到经过步骤C学习得到的孪生网络分类器中,得到该组预测日负荷数据的分类结果;
从步骤B分组后的所有组负荷数据中,找到与该组预测日负荷数据具有相同分类结果的多组负荷数据,并将这些组负荷数据作为预测日负荷数据的相似日负荷数据;
将以上各组相似日负荷数据以及分别对应于每组相似日负荷数据的不同时刻用能对象的历史负荷数据进行组合,得到长短时记忆网络预测模型的多组训练样本;
将预测日负荷数据以及对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据进行组合,得到长短时记忆网络预测模型的一组测试样本;
由以上多组训练样本以及一组测试样本共同组成负荷数据集;
E.建立长短时记忆网络预测模型,引入灰狼算法优化长短时记忆网络预测模型参数;
利用步骤D中训练样本和测试样本共同组成的负荷数据集,对长短时记忆网络预测模型进行预测结果的误差检验,得到长短时记忆网络预测模型的最优参数;具体过程如下:
(1)初始化所有狼群的位置,并设置最大迭代次数;
(2)建立一个长短时记忆网络预测模型,此时模型待优化参数即灰狼要猎取的猎物位置;
(3)将每组训练样本中的相似日负荷数据作为预测模型的输出,对应于该组相似日负荷数据的不同时刻用能对象的历史负荷数据作为预测模型的输入;
依次遍历以上各组训练样本,得到训练后的长短时记忆网络预测模型;
将测试样本中对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据,输入到训练后的长短时记忆网络预测模型,得到该预测日下的负荷预测值;
(4)设该预测日下的负荷预测值与该预测日下的负荷实际值之间的均方根误差为狼群的适应度函数;其中,该预测日下的负荷实际值为测试样本中的预测日负荷数据;
(5)根据适应度值大小,依次确定狼群中各狼的等级,即适应度值由小到大依次为狼群中α狼、β狼、δ狼和ω狼;其中,适应度值大小为均方根误差大小;
(6)在ω狼的作用下,对适应度值小于它的狼的位置进行更新;
依旧用适应度值大小作为比较依据,反复迭代更新,反复比较,不断朝着猎物逼近,最终在设定的最大迭代次数内找到最小均方根误差对应的模型最优参数;
F.在得到长短时记忆网络预测模型的最优参数后,利用步骤D负荷数据集中的训练样本对长短时记忆网络预测模型进行训练,其中:
将每组训练样本中的相似日负荷数据作为预测模型的输出,对应于该组相似日负荷数据的不同时刻用能对象的历史负荷数据作为预测模型的输入;
依次遍历步骤D中各组训练样本,得到在最优参数下训练的长短时记忆网络预测模型;此时的长短时记忆网络预测模型为最优负荷预测模型;
将测试样本中对应于该预测日负荷数据的不同时刻用能对象的历史负荷数据,输入到最优负荷预测模型,得到该预测日下的负荷预测值。
2.根据权利要求1所述的区域配电网短期负荷预测方法,其特征在于,
所述步骤A中,一段时间是指一年或一个季度。
3.根据权利要求1所述的区域配电网短期负荷预测方法,其特征在于,
所述步骤A中,以1个小时为间隔,对不同时刻各个用能对象的历史负荷数据进行采集。
5.根据权利要求1所述的区域配电网短期负荷预测方法,其特征在于,
所述步骤B中,利用Pearson相关系数公式进行相似度度量的计算。
6.根据权利要求1所述的区域配电网短期负荷预测方法,其特征在于,
所述步骤B中,划分的子区间数量有八个,各个子区间的区间分别范围为:
(0.98,1]、(0.96,0.98]、(0.94,0.96]、(0.92,0.94]、(0.90,0.92]、(0.88,0.90]、(0.86,0.88]、(0,0.86];
根据相似度值的大小落入子区间的位置,将各组负荷数据分成八类。
7.根据权利要求1所述的区域配电网短期负荷预测方法,其特征在于,
所述步骤E中,所述长短时记忆网络预测模型的最优参数为隐层神经元的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964182.XA CN112116144B (zh) | 2020-09-15 | 2020-09-15 | 一种区域配电网短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010964182.XA CN112116144B (zh) | 2020-09-15 | 2020-09-15 | 一种区域配电网短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112116144A true CN112116144A (zh) | 2020-12-22 |
CN112116144B CN112116144B (zh) | 2021-04-13 |
Family
ID=73803465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010964182.XA Active CN112116144B (zh) | 2020-09-15 | 2020-09-15 | 一种区域配电网短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116144B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861013A (zh) * | 2020-07-23 | 2020-10-30 | 长沙理工大学 | 一种电力负荷预测方法及装置 |
CN112712203A (zh) * | 2020-12-29 | 2021-04-27 | 湖南大学 | 一种配电网日最高负荷预测方法和*** |
CN112909936A (zh) * | 2021-02-04 | 2021-06-04 | 中国神华能源股份有限公司国华电力分公司 | 火电机组运行状态的监测方法、装置和*** |
CN113155614A (zh) * | 2021-04-25 | 2021-07-23 | 张启志 | 基于相似性判定的混凝土抗压强度检测方法及*** |
CN113255236A (zh) * | 2021-07-07 | 2021-08-13 | 浙江大学 | 基于孪生网络的非侵入式负荷自适应识别方法 |
CN114243695A (zh) * | 2021-12-17 | 2022-03-25 | 中国矿业大学(北京) | 一种基于双向长短时记忆神经网络的电力负荷预测方法 |
CN115545345A (zh) * | 2022-11-08 | 2022-12-30 | 国网重庆市电力公司电力科学研究院 | 一种基于gru-tcn模型的电网负荷预测方法 |
CN116865261A (zh) * | 2023-07-19 | 2023-10-10 | 王克佳 | 基于孪生网络的电力负荷预测方法及*** |
CN117094064A (zh) * | 2023-10-19 | 2023-11-21 | 西南交通大学 | 一种构件的布置参数计算方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109616161A (zh) * | 2018-12-18 | 2019-04-12 | 江南大学 | 一种基于孪生支持向量回归机的发酵过程软测量方法 |
CN110570023A (zh) * | 2019-08-16 | 2019-12-13 | 国网天津市电力公司 | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 |
-
2020
- 2020-09-15 CN CN202010964182.XA patent/CN112116144B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109616161A (zh) * | 2018-12-18 | 2019-04-12 | 江南大学 | 一种基于孪生支持向量回归机的发酵过程软测量方法 |
CN110570023A (zh) * | 2019-08-16 | 2019-12-13 | 国网天津市电力公司 | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861013B (zh) * | 2020-07-23 | 2023-09-08 | 长沙理工大学 | 一种电力负荷预测方法及装置 |
CN111861013A (zh) * | 2020-07-23 | 2020-10-30 | 长沙理工大学 | 一种电力负荷预测方法及装置 |
CN112712203A (zh) * | 2020-12-29 | 2021-04-27 | 湖南大学 | 一种配电网日最高负荷预测方法和*** |
CN112712203B (zh) * | 2020-12-29 | 2023-09-15 | 湖南大学 | 一种配电网日最高负荷预测方法和*** |
CN112909936A (zh) * | 2021-02-04 | 2021-06-04 | 中国神华能源股份有限公司国华电力分公司 | 火电机组运行状态的监测方法、装置和*** |
CN113155614A (zh) * | 2021-04-25 | 2021-07-23 | 张启志 | 基于相似性判定的混凝土抗压强度检测方法及*** |
CN113155614B (zh) * | 2021-04-25 | 2023-07-28 | 张启志 | 基于相似性判定的混凝土抗压强度检测方法及*** |
CN113255236A (zh) * | 2021-07-07 | 2021-08-13 | 浙江大学 | 基于孪生网络的非侵入式负荷自适应识别方法 |
CN114243695A (zh) * | 2021-12-17 | 2022-03-25 | 中国矿业大学(北京) | 一种基于双向长短时记忆神经网络的电力负荷预测方法 |
CN114243695B (zh) * | 2021-12-17 | 2023-09-15 | 中国矿业大学(北京) | 一种基于双向长短时记忆神经网络的电力负荷预测方法 |
CN115545345A (zh) * | 2022-11-08 | 2022-12-30 | 国网重庆市电力公司电力科学研究院 | 一种基于gru-tcn模型的电网负荷预测方法 |
CN116865261A (zh) * | 2023-07-19 | 2023-10-10 | 王克佳 | 基于孪生网络的电力负荷预测方法及*** |
CN116865261B (zh) * | 2023-07-19 | 2024-03-15 | 梅州市嘉安电力设计有限公司 | 基于孪生网络的电力负荷预测方法及*** |
CN117094064A (zh) * | 2023-10-19 | 2023-11-21 | 西南交通大学 | 一种构件的布置参数计算方法、装置、设备及存储介质 |
CN117094064B (zh) * | 2023-10-19 | 2024-03-01 | 西南交通大学 | 一种构件的布置参数计算方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112116144B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112116144B (zh) | 一种区域配电网短期负荷预测方法 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN109948845A (zh) | 一种配电网负荷长短期记忆神经网络预测方法 | |
CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
CN107766986A (zh) | 泄漏积分型回声状态网络在线学习光伏功率预测方法 | |
CN114970362B (zh) | 一种多能源结构下的电网负荷调度预测方法及*** | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN110674965A (zh) | 基于动态特征选取的多时间步长风功率预测方法 | |
CN111898825A (zh) | 一种光伏发电功率短期预测方法及装置 | |
CN112163689A (zh) | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及*** | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN117498400B (zh) | 一种分布式光伏与储能数据的处理方法及*** | |
Goh et al. | Hybrid SDS and WPT-IBBO-DNM based model for ultra-short term photovoltaic prediction | |
CN117034762A (zh) | 一种基于多算法加权和的复合模型锂电池寿命预测方法 | |
CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 | |
CN115481788B (zh) | 相变储能***负荷预测方法及*** | |
CN115392387B (zh) | 一种低压分布式光伏发电出力预测方法 | |
CN116090635A (zh) | 一种气象驱动的新能源发电功率预测方法 | |
CN115271242A (zh) | 光伏发电功率预测模型的训练方法、预测方法、装置 |
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 |