CN113435118A - 辐照度确定方法、装置、设备及存储介质 - Google Patents
辐照度确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113435118A CN113435118A CN202110710559.3A CN202110710559A CN113435118A CN 113435118 A CN113435118 A CN 113435118A CN 202110710559 A CN202110710559 A CN 202110710559A CN 113435118 A CN113435118 A CN 113435118A
- Authority
- CN
- China
- Prior art keywords
- irradiance
- visible light
- light cloud
- gaussian distribution
- distribution information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000009826 distribution Methods 0.000 claims abstract description 105
- 238000003062 neural network model Methods 0.000 claims description 84
- 230000007246 mechanism Effects 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 16
- 238000005286 illumination Methods 0.000 abstract description 27
- 230000005855 radiation Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J1/00—Photometry, e.g. photographic exposure meter
- G01J1/42—Photometry, e.g. photographic exposure meter using electric radiation detectors
- G01J2001/4266—Photometry, e.g. photographic exposure meter using electric radiation detectors for measuring solar light
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了辐照度确定方法、装置、设备和存储介质,包括:获取当前地区的可见光云图;根据可见光云图确定可见光云图的特征信息,并根据特征信息确定当前地区内表征辐照度的高斯分布信息并在可见光云图上呈现高斯分布信息,高斯分布信息包括辐照度的期望值和标准差值。上述技术方案,根据当前地区可见光云图的特征信息确定当前地区内表征辐照度的高斯分布信息,并在可见光云图上呈现高斯分布信息,将数值形式输出的幅照度变为高斯分布信息形式输出的幅照度,克服现有技术无法给出幅照度的期望值和标准差值的问题,无需根据辐照度计算期望值和标准差值,实现快速高效确定区域内辐照度的期望值和标准差值,进而实现快速高效确定区域内辐照情况。
Description
技术领域
本发明实施例涉及大数据处理技术,尤其涉及一种辐照度确定方法、装置、设备及存储介质。
背景技术
辐照度是受照面单位面积上的辐射通量,单位:瓦每平方米(W/㎡)。它表征了受辐射能照射的表面上,单位面积单位时间内接收的辐射能的多少,即受照面上的辐射通量密度。辐照度是一个地区光伏发电设备的重要参考指标。
现有技术中,测量辐照度的传感器主要为太阳辐射计,但这样的装置只能测量单点位置的辐照度情况,无法还原整个地域的辐照情况,有些地区也难以架设大量传感器,因此如何确定区域内辐照度显得尤为重要。
发明内容
本发明提供一种辐照度确定方法、装置、设备和存储介质,以实现低成本高效地估计区域辐照度情况。
第一方面,本发明实施例提供了一种辐照度确定方法,包括:
获取当前地区的可见光云图;
根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息,其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。
进一步地,根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息期望值和标准差值包括:
将所述可见光云图作为输入信息输入预设神经网络模型,得到输出结果,其中,所述输出结果为以高斯分布信息形式在所述可见光云图上呈现的所述辐照度,其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。
进一步地,所述预设神经网络模型包括:相互间隔设置的至少一个卷积层和至少一个非局部注意力机制层、以及第一全连接层和第二全连接层,相应地,将所述可见光云图作为输入信息输入预设神经网络模型,得到输出结果,包括:
通过各所述卷积层和各所述非局部注意力机制层对所述可见光云图进行特征提取,得到的所述特征信息为初始辐照度;
通过所述第一全连接层对所述初始辐照度进行处理,得到期望值;
通过所述第二全连接层对所述初始辐照度进行处理,得到标准差值;
基于所述期望值和所述标准差值,确定所述初始辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息。
进一步地,在将所述可见光云图作为输入信息输入预设神经网络模型之前,还包括:
将历史可见光云图及相应的实际辐照度作为一个训练样本,并将所述历史可见光云图作为输入信息输入所述预设神经网络模型,得到的输出结果为预测辐照度;
计算所述预测辐照度与所述实际辐照度的相对熵;
基于反向传播更新所述预设神经网络模型的参数信息,直至所述相对熵收敛,获得更新后的预设神经网络模型。
进一步地,在计算所述预测辐照度与实际辐照度的相对熵之前,还包括:
基于双线性插值法,对所述实际辐照度进行空间插值处理,使得处理后的辐照度与所述可见光云图相互对应。
进一步地,所述参数信息包括卷积参数、注意力参数和连接参数,
相应地,基于反向传播更新所述预设神经网络模型的参数信息,直至所述相对熵收敛,获得更新后的预设神经网络模型,包括:
基于反向传播更新所述预设神经网络模型的卷积参数、注意力参数和连接参数,直至所述相对熵收敛,获得更新后的预设神经网络模型。
进一步地,所述非局部注意力机制层包括和Hereθ(xi)=Wθxiandφ(xj)=Wφxj,其中,xi为当前像素点,xj为其他像素点,θ、φ和g为参数信息,相应地,通过各所述非局部注意力机制层对所述可见光云图进行特征提取包括:
所述非局部注意力机制层基于g(xj)=Wg xj和Hereθ(xi)=Wθxiandφ(xj)=Wφxj对所述可见光云图进行特征提取。
第二方面,本发明实施例还提供了一种辐照度确定装置,包括:
获取模块,用于获取当前地区的可见光云图;
执行模块,用于根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息,其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。
第三方面,本发明实施例还提供了一种辐照度确定设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
输入装置,用于输入可见光云图;
显示装置,用于显示高斯分布信息;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中任一所述的辐照度确定方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面中任一所述的辐照度确定方法。
本发明提供的一种辐照度确定方法,通过获取当前地区的可见光云图;根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息,其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。上述技术方案,首先可以获取当前地区的可见光云图,根据可见光云图确定特征信息,进而可以根据特征信息确定当前地图内表征辐照度的高斯分布信息,以及可以在可见光云图上呈现该高斯分布信息,高斯分布信息可以包括辐照度的期望值和标准差值,将传统的以数值形式输出的幅照度变为以高斯分布信息形式输出的幅照度,克服了现有技术无法给出幅照度的期望值和标准差值的问题,无需再次根据辐照度计算其期望值和标准差值,实现快速高效确定区域内辐照度的期望值和标准差值,进而实现快速高效确定区域内辐照情况。
附图说明
图1为本发明实施例一提供的一种辐照度确定方法的流程图;
图2为本发明实施例二提供的一种辐照度确定方法的流程图;
图3为本发明实施例二提供的一种辐照度确定方法中预设神经网络模型的结构示意图;
图4为本发明实施例二提供的一种辐照度确定方法中预设神经网络模型中的非局部注意力机制层的结构示意图;
图5为本发明实施例二提供的一种辐照度确定方法的实现流程图;
图6为本发明实施例三提供的一种辐照度确定装置的结构图;
图7为本发明实施例四提供的一种辐照度确定设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
图1为本发明实施例一提供的一种辐照度确定方法的流程图,本实施例可适用于需要估计区域辐照度的情况,该方法可以由计算机设备来执行,具体包括如下步骤:
步骤110、获取当前地区的可见光云图。
其中,可见光云图是卫星上的扫描辐射仪在可见光谱段,如美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,NOAA)系列卫星的主要探测仪器或静止卫星,测量来自地面和云面反射的太阳辐射并通过地面接收装置和显示装置还原成的图像。可见光云图上的亮度和明暗反映了云的反照率的强弱,如果将卫星接收到的地面标志物反射的太阳辐射转换为图像,卫星接收到的辐射越大,就用越白的色调表示;而接收到的辐射越小,则用越暗的色调表示,进而得到可见光云图。
由于可见光云图是利用可见光波段所拍,其亮度和色调取决于云的性质和太阳高度角。在可见光云图上,物像的色调决定于反射太阳辐射的强度。而卫星接收到的反射太阳辐射决定于入射到目标物上的太阳辐射及目标物的反照率。入射至目标物的太阳辐射又与太阳高度角有关。因此,在可见光云图上物像的色调与其本身的反照率和太阳高度角有关。
具体地,可以从当前地区对应的卫星数据中获取可见光云图,例如,可以从风云4号卫星数据中获取可见光云图。
步骤120、根据所述可见光云图确定所述可见光云图的特征信息,并根据所述可见光云图的特征信息确定所述当前地区内表征辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息。
其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。
将可见光云图输入预设神经网络模型的卷积层对其进行卷积运算,可以得到其特征信息。将可见光云图输入预设神经网络模型的非局部注意力机制层对其进行特征提取运算,可以获取到可见光云图更加全面的特征信息。
另外,将可见光云图的特征信息输入全连接层,可以得到辐照度的期望值和标准差值,进而可以根据辐照度的期望值和标准差值,确定辐照度的高斯分布信息,并将上述高斯分布信息呈现在可见光云图上,实现了对辐照度的估计。
需要说明的是,本发明实施例提供的辐照度确定方法,可以在在单张可见光云图的基础上快速给出该可见光云图对应区域内每个像素点位置的幅照度的高斯分布,进一步根据其高斯分布获取辐照度的期望值和标准差值,解决了现有技术中无法实现对区域性辐照度进行估计的问题。
另外,本发明实施例可以将传统的以数值形式输出的幅照度变为以高斯分布形式输出的幅照度,克服了现有技术无法给出幅照度的置信度或标准差的问题,从而可以给实际应用带来参考意义。
本发明实施例一提供的一种辐照度确定方法,通过获取当前地区的可见光云图;根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息并在所述可见光云图上呈现所述高斯分布信息,其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。上述技术方案,首先可以获取当前地区的可见光云图,根据可见光云图确定特征信息,进而可以根据特征信息确定当前地图内表征辐照度的高斯分布信息,以及可以在可见光云图上呈现该高斯分布信息,高斯分布信息可以包括辐照度的期望值和标准差值,将传统的以数值形式输出的幅照度变为以高斯分布信息形式输出的幅照度,克服了现有技术无法给出幅照度的期望值和标准差值的问题,无需再次根据辐照度计算其期望值和标准差值,实现快速高效确定区域内辐照度的期望值和标准差值,进而实现快速高效确定区域内辐照情况。
实施例二
图2为本发明实施例二提供的一种辐照度确定方法的流程图,本实施例是在上述实施例的基础上进行具体化。在本实施例中,该方法还可以包括:
步骤210、获取当前地区的历史可见光云图和相应的实际辐照度。
本发明实施例中,历史可见光云图可以包括从风云4号卫星数据中获取的当前地区近年的可见光云图数据,相应的实际辐照度为当前地区对应的从光伏设备上收集到的真实幅照度。
具体的获取方式和步骤在实施例一中已经进行了详细的描述,在此不再赘述。
步骤220、将历史可见光云图及相应的实际辐照度作为一个训练样本,并将所述历史可见光云图作为输入信息输入所述预设神经网络模型,得到的输出结果为预测辐照度。
其中,历史可见光云图和相应的实际辐照度作为训练样本,可以对预设神经网络模型进行训练,以修正其参数信息,进而使得预设神经网络模型更加适合预测当前地区的辐照度。
具体地,预设神经网络模型可以根据输入的可见光云图确定其对应的辐照度,但是其准确率不高,所以需要当前地区当前时刻之前的历史可见光云图和相应的实际辐照度作为训练样本对预设神经网络模型进行训练,以修正其参数信息,使得预设神经网络模型的参数信息更加适合对当前地区进行预测辐照度。
本发明实施例中,如果需要预测当前地区的辐照度,则可以将当前时刻之前一年内的历史可见光云图和实际辐照度,作为一个训练样本,对预设神经网络模型进行训练。
步骤230、基于双线性插值法,对所述实际辐照度进行空间插值处理,使得处理后的辐照度与所述可见光云图相互对应。
由于光伏设备可以散布在当前地区的任意位置,但并不能覆盖当前地区的所有位置,所以从光伏设备上收集到的真实幅照度只有当前地区的幅照度的散点数据,无法与可见光云图的每个像素点对应。所以可以利用双线性插值法对真实幅照度进行了空间插值处理,以保证真实幅照度可以与相应的可见光图的每个像素点相互对应。
本发明实施例中,在获取到实际辐照度之后,可以对其进行空间插值处理,得到处理后的实际辐照度与可见光云图的每个像素点相互对应。
步骤240、计算所述预测辐照度与所述实际辐照度的相对熵。
其中,相对熵可以表示使用预测辐照度拟合实际辐照度时产生的信息损耗。
相对熵可以衡量两个随机分布之间的距离,当两个随机分布相同时,它们的相对熵为零,当两个随机分布的差别增大时,它们的相对熵也会增大。所以相对熵可以用于比较预测辐照度与实际辐照度的相似度。
相对熵也可以估计预测辐照度和实际辐照度之间的偏差,并反将偏差再次输入预设神经网络模型,对预设神经网络模型进行学习和训练,使得训练预设神经网络模型得到的参数信息更加准确,进而使得通过预设神经网络模型得到的预测辐照度也更加准确。
具体地,当预测辐照度与实际辐照度相同时,相对熵为零;当预测辐照度与实际辐照度的差别增大时,相对熵也会增大。
本发明实施例中,可以计算将历史可见光云图作为输入信息输入预设神经网络模型得到的预测辐照度,与历史可见光云图相应的实际辐照度的相对熵,该相对熵可以表示预测辐照度与实际辐照度的信息熵的差值。
步骤250、基于反向传播更新所述预设神经网络模型的参数信息,直至所述相对熵收敛,获得更新后的预设神经网络模型。
其中,在训练样本训练预设神经网络模型的过程中,可以基于反向传播更新预设神经网络模型的参数信息,每次更新预设神经网络模型的参数信息后,均可以计算其对应的相对熵,直至相对熵收敛,不再更新参数信息,进而可以将该收敛的相对熵对应的参数信息确定为预设神经网络模型的参数信息。
需要说明的是,预设神经网络模型包括多个参数信息,在更新预设神经网络模型的参数信息的过程中,可以同时对多个参数信息进行更新,直至相对熵收敛。
一种实施方式中,所述参数信息包括卷积参数、注意力参数和连接参数,
相应地,步骤250具体可以包括:
基于反向传播更新所述预设神经网络模型的卷积参数、注意力参数和连接参数,直至所述相对熵收敛,获得更新后的预设神经网络模型。
其中,卷积层的参数可以包括卷积参数,非局部注意力机制层的参数可以包括注意力参数,全连接层的参数可以包括连接参数。
具体地,在基于训练样本训练预设神经网络模型的过程中,可以基于反向传播同时更新预设神经网络模型的卷积参数、注意力参数和连接参数,直至相对熵收敛。
本发明实施例中,可以同时对卷积参数、注意力参数和连接参数进行反向传播更新,直至相对熵收敛。将相对熵收敛后的卷积参数、注意力参数和连接参数确定为预设神经网络模型预测当前地区的辐照度的参数信息。
步骤260、获取当前地区的可见光云图。
具体地,可以获取需要进行辐照度确定的地区的可见光云图。
具体获取可见光云图的步骤和方法在实施例一中已经进行了详细的描述,在此不再赘述。
步骤270、根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息。
本发明实施例中,可以将可见光云图作为输入信息输入预设神经网络模型,得到的输出结果可以为以高斯分布信息形式呈现的辐照度。
一种实施方式中,步骤270具体可以包括:
将所述可见光云图作为输入信息输入预设神经网络模型,得到输出结果。
其中,所述输出结果为以高斯分布信息形式在所述可见光云图上呈现的所述辐照度。
当前地区的每张可见光云图都可以作为输入信息输入预设神经网络模型,得到每张可见光云图对应的以高斯分布信息呈现的辐照度。
具体地,预设神经网络模型根据历史可见光云图及其相应的实际辐照度进行训练,确定其参数信息。进而根据该预设神经网络模型和确定的参数信息可以得到更加准确的预测辐照度。
图3为本发明实施例二提供的一种辐照度确定方法中预设神经网络模型的结构示意图,如图3所示,一种实施方式中,所述预设神经网络模型包括:相互间隔设置的至少一个卷积层和至少一个非局部注意力机制层、以及第一全连接层和第二全连接层,
相应地,步骤270具体可以包括:
通过各所述卷积层和各所述非局部注意力机制层对所述可见光云图进行特征提取,得到的所述特征信息为初始辐照度;通过所述第一全连接层对所述初始辐照度进行处理,得到期望值;通过所述第二全连接层对所述初始辐照度进行处理,得到标准差值;基于所述期望值和所述标准差值,确定所述初始辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息。
其中,卷积层可以由若干卷积单元组成,每个卷积单元的卷积参数可以通过反向传播算法优化更新得到的。卷积运算可以提取到输入的可见光云图的不同的特征信息,一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级,更多层的网路能从低级特征中迭代提取更复杂的特征。
可选的,所述非局部注意力机制层包括g(xj)=Wgxj和Hereθ(xi)=Wθxiandφ(xj)=Wφxj,其中,xi为当前像素点,xj为其他像素点,θ、φ和g为参数信息,相应地,通过各所述非局部注意力机制层对所述可见光云图进行特征提取包括:所述非局部注意力机制层基于和Hereθ(xi)=Wθxiandφ(xj)=Wφxj对所述可见光云图进行特征提取。
图4为本发明实施例二提供的一种辐照度确定方法中预设神经网络模型中的非局部注意力机制层的结构示意图,如图4所示,具体地,将维度为T×H×W×1024的可见光云图输入非局部注意力机制层之后,首先可以基于三个卷积单元分别对其进行三次1×1×1的卷积运算,得到第一子图、第二子图和第三子图,第一子图、第二子图和第三子图的维度均为T×H×W×512,其中,三个卷积单元的参数信息分别可以为θ、φ和g;其次,可以对第一子图、第二子图进行矩阵乘法运算,得到的第一结果的维度为T×H×W,对第一结果的每一行进行softmax操作后,将第一结果与第三子图再次进行矩阵乘法运算,得到的第二结果的维度为T×H×W×512;再对第二结果进行1×1×1的卷积运算,得到的第三结果与维度为T×H×W×1024的可见光云图进行元素和运算,得到的输出结果的维度为T×H×W×1024,完成对可见光云图的特征提取。
其中,1024为可见光云图的通道数,通道数可以根据实际需求和实际应用场景进行设定,在此不做具体限定。
卷积层和非局部注意力机制层间隔对可见光云图进行特征提取,可以获取到更加全面的特征信息,以得到全局特征信息。卷积层和非局部注意力机制层共同对可见光云图进行特征提取,使得预设神经网络模型的泛化能力得到了有效提升。全连接层可以将卷积层和非局部注意力机制层提取到的特征信息综合起来。
具体地,通过卷积层和非局部注意力机制层提取到的特征信息可以为初始辐照度,分别将初始辐照度输入第一全连接层和第二全连接层,第一全连接层对初始辐照度进行处理,可以得到当前可见光云图中所有像素点的初始辐照度的期望值;第二全连接层对初始辐照度进行处理,可以得到当前可见光云图中所有像素点的初始辐照度的标准差值。
得到初始辐照度的期望值和标准差值之后,可以根据期望值和标准差值确定初始辐照度的高斯分布信息,预设神经网络模型的输出可以为在可见光云图上以高斯分布信息形式呈现的预测辐照度。
本发明实施例中,预设神经网络模型可以包括间隔设置的三个卷积层和三个非局部注意力机制层。当输入的可见光云图的维度为256×256×1时,将可见光云图输入第一卷积层,对其进行126×126×32的卷积运算,得到的第一卷积结果可以输入第一非局部注意力机制层,对其进行126×126×32的特征提取运算,得到的第一非局部注意力结果可以输入第二卷积层,对其进行64×64×64的卷积运算,得到的第二卷积结果可以输入第二非局部注意力机制层,对其进行64×64×64的特征提取运算,得到第二非局部注意力结果可以输入第三卷积层,对其进行32×32×16的卷积运算,得到的第三卷积结果可以输入第三非局部注意力机制层,对其进行32×32×16的特征提取运算,得到的第三非局部注意力结果可以分别输入第一全连接层和第二全连接层,得到的输出分别可以为256×256的辐照度期望值和256×256的辐照度标准差值。
本发明实施例中,可以将任一张可见光云图作为输入信息输入预设神经网络模型,得到的输出结果可以为以高斯分布信息形式在所述可见光云图上呈现的所述辐照度,根据以高斯分布信息形式在所述可见光云图上呈现的所述辐照度,可以确定辐照度的期望值和标准差值,进一步实现对辐照度的估计。
步骤280、基于所述高斯分布信息,确定所述辐照度的置信度。
具体地,从以高斯分布信息形成呈现的辐照度中,可以确定辐照度的置信度。例如,辐照度为556瓦每平方米,其置信度为5%,则表明556瓦每平方米的辐照度在该地区发生的可能性为5%,可能性较小。
本发明实施例二提供的一种辐照度确定方法,通过获取当前地区的可见光云图;根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息并在所述可见光云图上呈现所述高斯分布信息,其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。上述技术方案,首先可以获取当前地区的可见光云图,根据可见光云图确定特征信息,进而可以根据特征信息确定当前地图内表征辐照度的高斯分布信息,以及可以在可见光云图上呈现该高斯分布信息,高斯分布信息可以包括辐照度的期望值和标准差值,将传统的以数值形式输出的幅照度变为以高斯分布信息形式输出的幅照度,克服了现有技术无法给出幅照度的期望值和标准差值的问题,无需再次根据辐照度计算其期望值和标准差值,实现快速高效确定区域内辐照度的期望值和标准差值,进而实现快速高效确定区域内辐照情况。
另外,可以通过历史可见光云图和相应的实际辐照度对预设神经网络模型进行训练,以确定其参数信息,进而将预设神经网络模型和确定的参数信息用于对当前地区的辐照度进行确定,使得到的辐照度更加准确,进一步使得到的幅照度的期望值和标准差值更加准确。
图5为本发明实施例二提供的一种辐照度确定方法的实现流程图,示例性的给出了其中一种实现方式。如图5所示,
步骤510、将维度为256×256×1的可见光云图输入预设神经网络模型中。
其中,可见光云图为灰度图。
需要说明的是,上述预设神经网络模型的参数信息可以根据当前地区的历史可见光云图和相应的实际辐照度进行训练确定。如果需要对其他地区的辐照度进行估计,则需要重新基于对应地区的历史可见光云图和相应的辐照度对其重新进行训练以重新确定参数信息。
另外,当前地区的可见光云图和辐照度也可以作为训练样本,继续对预设神经网络模型进行训练,使得预设神经网络模型的参数信息更加准确,进而使得到的预测辐照度更加准确。
步骤520、得到可见光云图的每个像素点的辐照度的期望值和标准差值。
具体地,输出结果可以包括两个分支,分别为当前可见光云图的每个像素点的辐照度的期望值和当前可见光云图的每个像素点的辐照度的标准差值。
得到期望值和标准差值之后,可以根据期望值和标准差值确定辐照度的高斯分布。
步骤530、根据每个像素点的辐照度的期望值和标准差值,确定辐照度的高斯分布信息,并在可见光云图上呈现高斯分布信息。
具体地,得到初始辐照度的期望值和标准差值之后,可以根据期望值和标准差值确定初始辐照度的高斯分布信息,预设神经网络模型的输出可以为在可见光云图上呈现高斯分布信息。
本实施例的技术方案,通过将维度为256×256×1的可见光云图输入预设神经网络模型中,其中,可见光云图为灰度图;得到的输出结果包括当前可见光云图的每个像素点的辐照度的期望值和标准差值;根据每个像素点的辐照度的期望值和标准差值,确定辐照度的高斯分布信息,并在可见光云图上呈现高斯分布信息。上述技术方案中,根据当前地区的可见光云图所包含的特征信息,可以确定当前地区内表征辐照度的高斯分布信息,并将其呈现在可见光云图上,将传统的以数值形式输出的幅照度变为以高斯分布信息形式输出的幅照度,克服了现有技术无法给出幅照度的期望值和标准差值的问题,无需再次根据辐照度计算其期望值和标准差值,实现快速高效确定区域内辐照度的期望值和标准差值,进而实现快速高效确定区域内辐照情况。
实施例三
图6为本发明实施例三提供的一种辐照度确定装置的结构图,该装置可以适用于需要确定辐照度的情况,实现以高斯分布信息形式呈现幅照度。该装置可以通过软件和/或硬件实现,并一般集成在计算机设备中。
如图6所示,该装置包括:
获取模块610,用于获取当前地区的可见光云图;
执行模块620,用于根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息并在所述可见光云图上呈现所述高斯分布信息,其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。
本实施例提供的辐照度确定装置,通过获取当前地区的可见光云图;根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息并在所述可见光云图上呈现所述高斯分布信息,其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。上述技术方案,首先可以获取当前地区的可见光云图,根据可见光云图确定特征信息,进而可以根据特征信息确定当前地图内表征辐照度的高斯分布信息,以及可以在可见光云图上呈现该高斯分布信息,高斯分布信息可以包括辐照度的期望值和标准差值,将传统的以数值形式输出的幅照度变为以高斯分布信息形式输出的幅照度,克服了现有技术无法给出幅照度的期望值和标准差值的问题,无需再次根据辐照度计算其期望值和标准差值,实现快速高效确定区域内辐照度的期望值和标准差值,进而实现快速高效确定区域内辐照情况。
在上述实施例的基础上,执行模块620,具体用于:
将所述可见光云图作为输入信息输入预设神经网络模型,得到的输出结果为以高斯分布信息形式在所述可见光云图上呈现的所述辐照度。
在上述实施例的基础上,执行模块620,包括:
训练单元,用于将历史可见光云图及相应的实际辐照度作为一个训练样本,并将所述历史可见光云图作为输入信息输入所述预设神经网络模型,得到的输出结果为预测辐照度。
处理单元,用于基于双线性插值法,对所述实际辐照度进行空间差值处理,使得处理后的辐照度与所述可见光云图相互对应。
计算单元,用于计算所述预测辐照度与所述实际辐照度的相对熵。
更新单元,用于基于反向传播更新所述预设神经网络模型的参数信息,直至所述相对熵收敛,获得更新后的预设神经网络模型。
一种实施方式中,所述参数信息包括卷积参数、注意力参数和连接参数,
相应地,更新单元具体用于:
基于反向传播更新所述预设神经网络模型的参数信息,直至所述相对熵收敛,获得更新后的预设神经网络模型。
执行单元,用于将所述可见光云图作为输入信息输入预设神经网络模型,得到的输出结果为以高斯分布形式在所述可见光云图上呈现的所述辐照度,其中,所述高斯分布形式呈现的数据包括辐照度的期望值和标准差值。
一种实施方式中,所述预设神经网络模型包括:相互间隔设置的至少一个卷积层和至少一个非局部注意力机制层、以及第一全连接层和第二全连接层,
相应地,执行单元具体用于:
通过各所述卷积层和各所述非局部注意力机制层对所述可见光云图进行特征提取,得到的所述特征信息为初始辐照度;通过所述第一全连接层对所述初始辐照度进行处理,得到期望值;通过所述第二全连接层对所述初始辐照度进行处理,得到标准差值;基于所述期望值和所述标准差值,确定所述初始辐照度的高斯分布,并在所述可见光云图上呈现所述高斯分布。
本发明实施例所提供的辐照度确定装置可执行本发明任意实施例所提供的辐照度确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图7为本发明实施例四提供的一种辐照度确定设备的结构示意图,如图7所示,该辐照度确定设备包括处理器710、存储器720、输入装置730和显示装置740;辐照度确定设备中处理器710的数量可以是一个或多个,图7中以一个处理器710为例;辐照度确定设备中的处理器710、存储器720、输入装置730和显示装置740可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器720作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的辐照度确定方法对应的程序指令/模块(例如,辐照度确定装置中的获取模块610和执行模块620)。处理器710通过运行存储在存储器720中的软件程序、指令以及模块,从而执行辐照度确定设备的各种功能应用以及数据处理,即实现上述的辐照度确定方法。
存储器720可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器720可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器720可进一步包括相对于处理器710远程设置的存储器,这些远程存储器可以通过网络连接至辐照度确定设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置730,用于输入可见光云图;显示装置740,用于显示高斯分布信息。
本发明实施例提供的辐照度确定设备可以执行上述实施例提供的辐照度确定方法,具备相应的功能和有益效果。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种辐照度确定方法,该方法包括:
获取当前地区的可见光云图;
根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息并在所述可见光云图上呈现所述高斯分布信息,其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的辐照度确定方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述辐照度确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种辐照度确定方法,其特征在于,包括:
获取当前地区的可见光云图;
根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息,其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。
2.根据权利要求1所述的辐照度确定方法,其特征在于,根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息,包括:
将所述可见光云图作为输入信息输入预设神经网络模型,得到输出结果,其中,所述输出结果为以高斯分布信息形式在所述可见光云图上呈现的所述辐照度的期望值和标准差值。
3.根据权利要求2所述的辐照度确定方法,其特征在于,所述预设神经网络模型包括:相互间隔设置的至少一个卷积层和至少一个非局部注意力机制层、以及第一全连接层和第二全连接层,
相应地,将所述可见光云图作为输入信息输入预设神经网络模型,得到输出结果,包括:
通过各所述卷积层和各所述非局部注意力机制层对所述可见光云图进行特征提取,得到的所述特征信息为初始辐照度;
通过所述第一全连接层对所述初始辐照度进行处理,得到期望值;
通过所述第二全连接层对所述初始辐照度进行处理,得到标准差值;
基于所述期望值和所述标准差值,确定所述初始辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息。
4.根据权利要求3所述的辐照度确定方法,其特征在于,在将所述可见光云图作为输入信息输入预设神经网络模型之前,还包括:
将历史可见光云图及相应的实际辐照度作为一个训练样本,并将所述历史可见光云图作为输入信息输入所述预设神经网络模型,得到的输出结果为预测辐照度;
计算所述预测辐照度与所述实际辐照度的相对熵;
基于反向传播更新所述预设神经网络模型的参数信息,直至所述相对熵收敛,获得更新后的预设神经网络模型。
5.根据权利要求4所述的辐照度确定方法,其特征在于,在计算所述预测辐照度与所述实际辐照度的相对熵之前,还包括:
基于双线性插值法,对所述实际辐照度进行空间插值处理,使得处理后的辐照度与所述可见光云图相互对应。
6.根据权利要求4所述的辐照度确定方法,其特征在于,所述参数信息包括卷积参数、注意力参数和连接参数,
相应地,基于反向传播更新所述预设神经网络模型的参数信息,直至所述相对熵收敛,获得更新后的预设神经网络模型,包括:
基于反向传播更新所述预设神经网络模型的卷积参数、注意力参数和连接参数,直至所述相对熵收敛,获得更新后的预设神经网络模型。
7.根据权利要求3所述的辐照度确定方法,其特征在于,所述非局部注意力机制层包括g(xj)=Wgxj和Hereθ(xi)=Wθxiandφ(xj)=Wφxj,其中,xi为当前像素点,xj为其他像素点,θ、φ和g为参数信息,相应地,通过各所述非局部注意力机制层对所述可见光云图进行特征提取包括:
所述非局部注意力机制层基于g(xj)=Wgxj和Hereθ(xi)=Wθxiandφ(xj)=Wφxj对所述可见光云图进行特征提取。
8.一种辐照度确定装置,其特征在于,包括:
获取模块,用于获取当前地区的可见光云图;
执行模块,用于根据所述可见光云图确定所述可见光云图的特征信息,并根据所述特征信息确定所述当前地区内表征辐照度的高斯分布信息,并在所述可见光云图上呈现所述高斯分布信息,其中,所述高斯分布信息包括所述辐照度的期望值和标准差值。
9.一种辐照度确定设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
输入装置,用于输入可见光云图;
显示装置,用于显示高斯分布信息;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的辐照度确定方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的辐照度确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710559.3A CN113435118A (zh) | 2021-06-25 | 2021-06-25 | 辐照度确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710559.3A CN113435118A (zh) | 2021-06-25 | 2021-06-25 | 辐照度确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435118A true CN113435118A (zh) | 2021-09-24 |
Family
ID=77754351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110710559.3A Pending CN113435118A (zh) | 2021-06-25 | 2021-06-25 | 辐照度确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435118A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618714A (zh) * | 2022-09-09 | 2023-01-17 | 北京思源知行科技发展有限公司 | 一种太阳辐射概率预报方法及相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897998A (zh) * | 2017-02-24 | 2017-06-27 | 深圳市昊睿智控科技服务有限公司 | 太阳能直射辐射强度信息预测方法和*** |
CN108121990A (zh) * | 2017-11-27 | 2018-06-05 | 中国电力科学研究院有限公司 | 一种基于全天空成像设备的太阳辐照度预测方法和装置 |
CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及*** |
WO2021012383A1 (zh) * | 2019-07-24 | 2021-01-28 | 初速度(苏州)科技有限公司 | 一种用于红外图像的年龄预测方法及装置 |
US20210158010A1 (en) * | 2018-05-31 | 2021-05-27 | Siemens Aktiengesellschaft | Solar irradiation prediction using deep learning with end-to-end training |
KR20210070025A (ko) * | 2019-12-04 | 2021-06-14 | 한국항공우주연구원 | 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램 |
-
2021
- 2021-06-25 CN CN202110710559.3A patent/CN113435118A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897998A (zh) * | 2017-02-24 | 2017-06-27 | 深圳市昊睿智控科技服务有限公司 | 太阳能直射辐射强度信息预测方法和*** |
CN108121990A (zh) * | 2017-11-27 | 2018-06-05 | 中国电力科学研究院有限公司 | 一种基于全天空成像设备的太阳辐照度预测方法和装置 |
US20210158010A1 (en) * | 2018-05-31 | 2021-05-27 | Siemens Aktiengesellschaft | Solar irradiation prediction using deep learning with end-to-end training |
WO2021012383A1 (zh) * | 2019-07-24 | 2021-01-28 | 初速度(苏州)科技有限公司 | 一种用于红外图像的年龄预测方法及装置 |
KR20210070025A (ko) * | 2019-12-04 | 2021-06-14 | 한국항공우주연구원 | 일사량을 예측하는 방법, 장치 및 컴퓨터 프로그램 |
CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618714A (zh) * | 2022-09-09 | 2023-01-17 | 北京思源知行科技发展有限公司 | 一种太阳辐射概率预报方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703564B (zh) | 一种降雨预测方法、***及电子设备 | |
Kamadinata et al. | Sky image-based solar irradiance prediction methodologies using artificial neural networks | |
CN111815038B (zh) | 一种光伏超短期预测方法及*** | |
US20170031056A1 (en) | Solar Energy Forecasting | |
Huang et al. | Cloud motion estimation for short term solar irradiation prediction | |
Moosavi et al. | Estimation of spatially enhanced soil moisture combining remote sensing and artificial intelligence approaches | |
CN113420939A (zh) | 云图预报方法、设备及存储介质 | |
CN116760031B (zh) | 基于气象数据的高时间分辨率光伏功率预测方法和装置 | |
Sampath et al. | Estimation of rooftop solar energy generation using satellite image segmentation | |
CN117148360B (zh) | 雷电临近预报方法、装置、电子设备及计算机存储介质 | |
CN111652126A (zh) | 一种基于卫星云图的反演辐射方法 | |
Song et al. | A novel sky image-based solar irradiance nowcasting model with convolutional block attention mechanism | |
CN113435118A (zh) | 辐照度确定方法、装置、设备及存储介质 | |
Yuzer et al. | Deep learning model for regional solar radiation estimation using satellite images | |
Kim et al. | Twenty-four-hour cloud cover calculation using a ground-based imager with machine learning | |
CN114120145A (zh) | 一种监测方法、装置、电子设备及计算机可读存储介质 | |
TWI717796B (zh) | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 | |
CN116245248A (zh) | 一种基于云光学厚度的分布式光伏母线超短期功率预测方法 | |
Lang et al. | A machine learning-based method for downscaling all-sky downward surface shortwave radiation over complex terrain | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
CN108563674B (zh) | 基于rs和gis的海域地理要素测量方法、***及装置 | |
Shaohua et al. | Distributed photovoltaic power output prediction based on satellite cloud map video frames | |
EP3185049B1 (en) | A method and a system for weather forecasting | |
CN116822658B (zh) | 一种风光资源的预警方法、装置、计算机设备及存储介质 | |
Chen et al. | Solar radiation nowcasting through advanced CNN model integrated with ResNet structure |
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 |