CN114611811A - 基于ev负荷参与度的低碳园区优化调度方法及*** - Google Patents
基于ev负荷参与度的低碳园区优化调度方法及*** Download PDFInfo
- Publication number
- CN114611811A CN114611811A CN202210274193.4A CN202210274193A CN114611811A CN 114611811 A CN114611811 A CN 114611811A CN 202210274193 A CN202210274193 A CN 202210274193A CN 114611811 A CN114611811 A CN 114611811A
- Authority
- CN
- China
- Prior art keywords
- optimal
- network access
- electric automobile
- park
- network
- 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 47
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 56
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 238000007599 discharging Methods 0.000 claims abstract description 30
- 238000005265 energy consumption Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims 3
- 230000007613 environmental effect Effects 0.000 abstract description 8
- 238000004146 energy storage Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 54
- 239000013598 vector Substances 0.000 description 21
- 230000015654 memory Effects 0.000 description 12
- 230000006855 networking Effects 0.000 description 12
- 238000010606 normalization Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 241000257303 Hymenoptera Species 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- AAOVKJBEBIDNHE-UHFFFAOYSA-N diazepam Chemical compound N=1CC(=O)N(C)C2=CC=C(Cl)C=C2C=1C1=CC=CC=C1 AAOVKJBEBIDNHE-UHFFFAOYSA-N 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012549 training Methods 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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
本发明公开了一种基于EV负荷参与度的低碳园区优化调度方法及***,涉及储能智能优化调度技术领域,其中该方法包括采样电动汽车接入园区充放电配电网的入网样本数据;采用神经网络算法,推演获得N个可能的先后接入园区充放电配电网的估计入网地点;基于N个估计入网地点,采用马尔科夫决策方法建立电动汽车的行驶路径最优策略,并确定出最佳入网地点;根据最佳入网地点,以能耗、配电网负荷和充放电成本最小化为优化目标,建立目标函数优化模型,并进行最优求解,获得基于EV负荷参与度的园区最优调度策略。本发明加入时空分布、环境因素对能耗预测的影响,并结合EV负荷分析,实现了成本最优的园区低碳目标下的最优调度。
Description
技术领域
本发明涉及储能智能优化调度技术领域,具体涉及一种基于EV负荷参与度的低碳园区优化调度方法及***。
背景技术
目前,电动汽车(EV)是新能源汽车的主要发展方向,大规模电动汽车接入,将给电力***规划和运行带来不可忽视的影响,包括负荷的增长、电网运行优化控制难度的增加、影响电能质量、对配电网规划提出新的要求等。
因而,国内外学者开始对电动汽车充电负荷预测进行研究。例如,有些学者使用概率统计的随机方法对负荷时间分布进行建模,通过分析出租车、公交车、私家车等的充电特点,采用蒙特卡洛方法预测未来电动汽车的充电总负荷。但上述研究对负荷种类、参与度等产生的负荷预测影响分析不够充分,不能够达到低碳园区对电网规划运行的精度要求。
发明内容
因此,为了克服上述缺陷,本发明实施例提供一种基于EV负荷参与度的低碳园区优化调度方法及***,通过充分分析时空分布、环境因素对能耗预测的影响,实现了园区低碳目标下的最优调度。
为此,本发明实施例的一种基于EV负荷参与度的低碳园区优化调度方法,包括以下步骤:
采样电动汽车接入园区充放电配电网的入网样本数据;
根据所述入网样本数据,采用神经网络算法,推演获得N个可能的先后接入园区充放电配电网的估计入网地点;
基于N个所述估计入网地点,采用马尔科夫决策方法建立电动汽车的行驶路径最优策略,并确定出最佳入网地点;
根据所述最佳入网地点,以能耗、配电网负荷和充放电成本最小化为优化目标,建立目标函数优化模型;
对所述目标函数优化模型进行最优求解,获得基于EV负荷参与度的园区最优调度策略。
优选地,所述神经网络算法采用BP神经网络算法,构建的BP神经网络模型具有依次连接的一个输入层、一个隐含层和一个输出层,每一层的输出作为下一层的输入;以归一化处理后的入网样本数据为所述BP神经网络模型的输入,模型的输出为电动汽车与预测选择入网地点之间的距离;适应度函数值为电动汽车与预测选择入网地点之间的距离与电动汽车与实际选择入网地点之间的距离的均方根误差;按BP神经网络模型连接权值的负梯度方向搜索调整适应度函数值;
以当前电动汽车为中心,以当前电动汽车与预测选择入网地点之间的距离为半径,划定估计范围,将所述估计范围内所有的可选入网地点作为N个可能的先后接入园区充放电配电网的估计入网地点。
优选地,所述根据所述入网样本数据,采用神经网络算法,推演获得N个可能的先后接入园区充放电配电网的估计入网地点的步骤包括:
获取园区交通网络有向图,其中的每一条公路为边,交叉路口为节点,公路长度为边的权重;
将园区所有节点集合视为S,从起点到N个估计入网地点中的任一个和从N个估计入网地点中的任一个到终点所行驶经过的每个节点时刻视为决策时刻t,在每个节点决定行驶的下一条路径视为行动a,将要行驶的路径长度视为回报R,进行马尔科夫决策过程,获得N条行驶路径预选最优策略,每条行驶路径预选最优策略中包含N个估计入网地点中的一个;
选取所述N条行驶路径预选最优策略中最佳的一条,作为电动汽车的行驶路径最优策略,其对应的估计入网地点为最佳入网地点。
优选地,所述对所述目标函数优化模型进行最优求解,获得基于EV负荷参与度的园区最优调度策略的步骤中最优求解的算法采用扩展蚁群算法。
本发明实施例的一种基于EV负荷参与度的低碳园区优化调度***,包括:
入网样本数据获取装置,用于采样电动汽车接入园区充放电配电网的入网样本数据;
神经网络推演装置,用于根据所述入网样本数据,采用神经网络算法,推演获得N个可能的先后接入园区充放电配电网的估计入网地点;
马尔科夫决策装置,用于基于N个所述估计入网地点,采用马尔科夫决策方法建立电动汽车的行驶路径最优策略,并确定出最佳入网地点;
优化模型建立装置,用于根据所述最佳入网地点,以能耗、配电网负荷和充放电成本最小化为优化目标,建立目标函数优化模型;
最优调度求解装置,用于对所述目标函数优化模型进行最优求解,获得基于EV负荷参与度的园区最优调度策略。
本发明实施例的基于EV负荷参与度的低碳园区优化调度方法及***,具有如下优点:
通过神经网络预测获得可能的接入园区充放电配电网的估计入网地点,从而依据估计入网地点采用马尔科夫决策方法得出最优行驶路径策略,以提高电动汽车时空分布分析的精度。通过以能耗、配电网负荷和充放电成本最小化为优化目标,参考时空分布和环境因素产生的能耗,在最优调度分析中加入时空分布、环境因素对能耗预测的影响,并结合EV负荷分析,实现了成本最优的园区低碳目标下的最优调度。
附图说明
为了更清楚地说明本发明具体实施方式中的技术方案,下面将对具体实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例1中基于EV负荷参与度的低碳园区优化调度方法的一个具体示例的流程图;
图2为本发明实施例1中基于EV负荷参与度的低碳园区优化调度方法的另一个具体示例的流程图;
图3为本发明实施例2中基于EV负荷参与度的低碳园区优化调度***的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明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。
在本发明的描述中,需要说明的是,本文所用的术语仅用于描述特定实施例的目的,而并非旨在限制本发明。除非上下文明确指出,否则如本文中所使用的单数形式“一”、“一个”和“该”等意图也包括复数形式。使用“包括”和/或“包含”等术语时,是意图说明存在该特征、整数、步骤、操作、元素和/或组件,而不排除一个或多个其他特征、整数、步骤、操作、元素、组件、和/或其他组合的存在或增加。术语“和/或”包括一个或多个相关列出项目的任何和所有组合。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,本说明书中的某些图式是用于例示方法的流程图。应了解,这些流程图中的每一个方块、及这些流程图中方块的组合可通过计算机程序指令来实施。这些计算机程序指令可加载至一计算机或其他可编程的设备上来形成一机器,以使在所述计算机或其他可编程设备上执行的指令形成用于实施在所述流程图方块中所规定功能的结构。这些计算机程序指令也可储存于一计算机可读存储器中,所述计算机可读存储器可指令一计算机或其他可编程设备以一特定方式工作,以使储存于所述计算机可读存储器中的指令形成一包含用于实施在所述流程图方块中所规定功能的指令结构的制品。所述计算机程序指令也可加载至一计算机或其他可编程设备上,以便在所述计算机或其他可编程设备上执行一系列操作步骤来形成一由计算机实施的过程,从而使在所述计算机或其他可编程设备上执行的指令提供用于实施在所述流程图方块中所规定功能的步骤。
相应地,各流程图中的方块支持用于执行所规定功能的结构的组合及用于执行所规定功能的步骤的组合。还应了解,所述流程图中的每一个方块、及所述流程图中方块的组合可由执行所规定功能或步骤的基于专用硬件的计算机***、或者专用硬件与计算机指令的组合来实施。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本实施例提供一种基于EV负荷参与度的低碳园区优化调度方法,如图1所示,包括以下步骤:
S1、采样电动汽车接入园区充放电配电网的入网样本数据,所述入网样本数据包括多组在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值,及对应的电动汽车与实际选择入网地点之间的距离;所述预设剩余电量范围可根据实际需求进行设置,若电池剩余电量在预设剩余电量范围内时,则表明电池需要充电了,以维持后续运行和避免电池损坏,延长电池使用寿命;所述预设半径可根据电池种类、耗电速度等实际参数进行设置,保证在电池剩余电量消耗到最少阈值时能到达可选入网地点;
S2、根据所述入网样本数据,采用神经网络算法,推演获得N个可能的先后接入园区充放电配电网的估计入网地点,即根据采样到的入网样本数据预测获得最近几次(N次)可能的入网地点,在这最近几次可能的入网地点上电动汽车可能会接入园区充放电配电网;
S3、基于N个所述估计入网地点,采用马尔科夫决策方法建立电动汽车的行驶路径最优策略,并确定出最佳入网地点;
S4、根据所述最佳入网地点,以能耗、配电网负荷和充放电成本最小化为优化目标,建立目标函数优化模型;
S5、对所述目标函数优化模型进行最优求解,获得基于EV负荷参与度的园区最优调度策略。
优选地,如图2所示,所述S2的步骤包括:
S21、对所述入网样本数据归一化处理,映射到[0,1]的范围内;归一化处理可采用线性转换算法,即任一数据减去所有数据中的最小值后除以所有数据中最大值与最小值之差所获得的值,为该任一数据归一化处理后的值;
S22、构建具有依次连接的一个输入层、一个隐含层和一个输出层的BP神经网络模型,每一层的输出作为下一层的输入;
所述输入层具有M+1个神经元,用于一一对应地接收各组在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值的归一化值;
所述隐含层具有若干个神经元,例如5-7个;
所述输出层具有1个神经元,用于输出电动汽车与预测选择入网地点之间的距离;
S23、将归一化处理后的入网样本数据输入所述BP神经网络模型,获得模型输出的电动汽车与预测选择入网地点之间的距离,并计算适应度函数值,所述适应度函数值为电动汽车与预测选择入网地点之间的距离与电动汽车与实际选择入网地点之间的距离的均方根误差;
输入层的输入为:
其中,k为迭代次数,r为入网样本数据组数,xr1,xr2,...,xrM分别为第r组电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值的归一化值,xr(M+1)为第r组在预设剩余电量范围内的电池剩余电量的归一化值;
隐含层的输入为:
其中,ωij(k)为输入层到隐含层的连接权值,j为隐含层神经元个数,j=1,2,...,7;
隐含层的输出为:
其中,f(*)为隐含层激活函数,优选为双极性的Sigmoidal函数:
输出层的输入为:
其中,ωjt(k)为隐含层到输出层的连接权值,t为输出层神经元个数,t=1;
输出层的输出为:
S24、按BP神经网络模型连接权值的负梯度方向搜索调整适应度函数值,直至适应度函数值达到预设阈值或迭代次数达到预设值为止,获得训练好的BP神经网络模型;搜索调整的公式为:
其中,η为学习率,α为惯性系数,E(k)为适应度函数值;
S25、将当前在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值输入所述训练好的BP神经网络模型,获得模型输出的当前电动汽车与预测选择入网地点之间的距离;
S26、以当前电动汽车为中心,以所述当前电动汽车与预测选择入网地点之间的距离为半径,划定估计范围,将所述估计范围内所有的可选入网地点作为N个可能的先后接入园区充放电配电网的估计入网地点。
优选地,所述S3的步骤包括:
S31、获取园区交通网络有向图,其中的每一条公路为边,交叉路口为节点,公路长度为边的权重;
S32、将园区所有节点集合视为S,从起点到N个估计入网地点中的任一个和从N个估计入网地点中的任一个到终点所行驶经过的每个节点时刻视为决策时刻t,在每个节点决定行驶的下一条路径视为行动a,将要行驶的路径长度视为回报R,进行马尔科夫决策过程,获得N条行驶路径预选最优策略,每条行驶路径预选最优策略中包含N个估计入网地点中的一个;优选地,所述马尔科夫决策过程中,电动汽车以部分概率转移模式行驶,γ优选为0-0.5。
S33、选取所述N条行驶路径预选最优策略中最佳的一条,作为电动汽车的行驶路径最优策略,其对应的估计入网地点为最佳入网地点。优选地,以N条行驶路径预选最优策略中的最短路径为最佳。
优选地,所述马尔科夫决策过程为:
M=(T,S,A(i),p(j|i,a),R(i,a))
其中,T为决策时刻集,S为状态集,A(i)为行动集,在状态i选取的可用行动集,p(j|i,a)为在状态i下,采取行动a转移到状态j的概率,R(i,a)为在状态i下,采取行动a后,决策者获得的回报;
马尔科夫决策动态过程如下:决策者在T(0)时刻所在状态S(0),从A(0)中选择一个动作a(0)执行,执行后按P(S(1)|S(0),a(0))概率随机转移到下一个状态S(1),然后再执行一个动作a(1),依次进行,直到最后时刻T(N),获得最终状态S(N);
优选地,所述S4中的优化目标包括:
电动汽车以最佳入网地点对应的行驶路径最优策略行驶至最佳入网地点所产生的能耗、电动汽车在最佳入网地点入网后的充放电负荷和充放电成本的最小化。
目标函数优化模型公式为:
min F=kEFE+kLFL+kCFC
FE=EmoveVmove+EstopTstop
其中,kE、kL、kC为能耗、配电网负荷、充放电成本的权值系数,Emove、Vmove分别为行驶完最佳入网地点对应的行驶路径最优策略的行驶时单位车速耗电量、车速,Estop、Tstop分别为行驶完最佳入网地点对应的行驶路径最优策略的不熄火停车时单位时长耗电量、停车时长,kB、为t时段最佳入网地点的基本负荷系数、配网基本负荷功率,kcar、为t时段最佳入网地点的接入充放电系数、电动汽车接入充放电功率,ko、Po(t)为t时段电动汽车接入后最佳入网地点的耗电系数、耗电功率,C(t)为t时段的单位电量价格,Cbat为电动汽车电池损耗退化成本。
所述目标函数优化模型的约束条件包括电动汽车以最佳入网地点对应的行驶路径最优策略行驶至最佳入网地点所产生的能耗小于当前电池剩余电量、最佳入网地点的耗电量大于电动汽车接入充放电量和电池能源约束。
所述电池能源约束为:
POmin≤PO≤POmax
PImin≤PI≤PImax
QBmin≤QB≤QBmax
其中,PO为放电功率,POmin为放电功率最小值,POmax为放电功率最大值,PI为充电功率,PImin为充电功率最小值,PImax为充电功率最大值,QB为任一时段电池电余量,QBmin为任一时段电池最小电余量,QBmax为任一时段电池最大电余量。
优选地,所述S5中采用扩展蚁群算法对所述目标函数优化模型进行最优求解,获得基于EV负荷参与度的园区最优调度策略。
具体步骤包括:
S51、构造k个解存储器并随机初始化,每个解存储器中存储一个解向量,解向量的各个分量一一对应为所述目标函数优化模型中各系数,包括能耗权值系数kE、配电网负荷权值系数kL、充放电成本权值系数kC、车速Vmove、停车时长Tstop、基本负荷系数kB、接入充放电系数kcar、耗电系数ko;初始化蚂蚁数目m;如k=40,m=60;
S52、每一个蚂蚁在高斯核函数中选择一个高斯函数,用正态分布随机数发生器产生一个随机数并赋值给解向量中的一个分量,完成一次采样过程;重复采样过程,给所有蚂蚁对应的解向量中的所有分量赋值,获得m个解向量;
S53、将k+m个解向量分别应用于所述目标函数优化模型,将采样获得的行驶完最佳入网地点对应的行驶路径最优策略的行驶时单位车速耗电量Emove、不熄火停车时单位时长耗电量Estop、t时段最佳入网地点的配网基本负荷功率电动汽车接入充放电功率t时段电动汽车接入后最佳入网地点的耗电功率Po(t)、t时段的单位电量价格C(t)和电动汽车电池损耗退化成本Cbat,分别输入k+m个目标函数优化模型,获得k+m个目标函数值F;
S54、从所述k+m个目标函数值F中选出最小的k个,其相应的k个解向量存入k个解存储器,覆盖原来k个解存储器中存储的解向量;
S55、判断最小的k个目标函数值F中的最小值是否小于或等于预设阈值;当大于预设阈值时,返回步骤S52,直至小于或等于预设阈值或达到迭代次数为止;如迭代次数为2000;
S56、将k个解存储器的k个解向量对应的目标函数值F中最小的一个作为最优解,获得最优解所对应的解向量各分量,即各系数,得到相应的目标函数优化模型,获得基于EV负荷参与度的园区最优调度策略。
上述基于EV负荷参与度的低碳园区优化调度方法,通过神经网络预测获得可能的接入园区充放电配电网的估计入网地点,从而依据估计入网地点采用马尔科夫决策方法得出最优行驶路径策略,以提高电动汽车时空分布分析的精度。通过以能耗、配电网负荷和充放电成本最小化为优化目标,参考时空分布和环境因素产生的能耗,在最优调度分析中加入时空分布、环境因素对能耗预测的影响,并结合EV负荷分析,实现了成本最优的园区低碳目标下的最优调度。
实施例2
本实施例提供一种基于EV负荷参与度的低碳园区优化调度***,如图3所示,包括:
入网样本数据获取装置1,用于采样电动汽车接入园区充放电配电网的入网样本数据,所述入网样本数据包括多组在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值,及对应的电动汽车与实际选择入网地点之间的距离;所述预设剩余电量范围可根据实际需求进行设置,若电池剩余电量在预设剩余电量范围内时,则表明电池需要充电了,以维持后续运行和避免电池损坏,延长电池使用寿命;所述预设半径可根据电池种类、耗电速度等实际参数进行设置,保证在电池剩余电量消耗到最少阈值时能到达可选入网地点;
神经网络推演装置2,用于根据所述入网样本数据,采用神经网络算法,推演获得N个可能的先后接入园区充放电配电网的估计入网地点,即根据采样到的入网样本数据预测获得最近几次(N次)可能的入网地点,在这最近几次可能的入网地点上电动汽车可能会接入园区充放电配电网;
马尔科夫决策装置3,用于基于N个所述估计入网地点,采用马尔科夫决策方法建立电动汽车的行驶路径最优策略,并确定出最佳入网地点;
优化模型建立装置4,用于根据所述最佳入网地点,以能耗、配电网负荷和充放电成本最小化为优化目标,建立目标函数优化模型;
最优调度求解装置5,用于对所述目标函数优化模型进行最优求解,获得基于EV负荷参与度的园区最优调度策略。
优选地,所述神经网络推演装置包括:
归一化单元,用于对所述入网样本数据归一化处理,映射到[0,1]的范围内;归一化处理可采用线性转换算法,即任一数据减去所有数据中的最小值后除以所有数据中最大值与最小值之差所获得的值,为该任一数据归一化处理后的值;
BP神经网络模型构建单元,用于构建具有依次连接的一个输入层、一个隐含层和一个输出层的BP神经网络模型,每一层的输出作为下一层的输入;
所述输入层具有M+1个神经元,用于一一对应地接收各组在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值的归一化值;
所述隐含层具有若干个神经元,例如5-7个;
所述输出层具有1个神经元,用于输出电动汽车与预测选择入网地点之间的距离;
训练单元,用于将归一化处理后的入网样本数据输入所述BP神经网络模型,获得模型输出的电动汽车与预测选择入网地点之间的距离,并计算适应度函数值,所述适应度函数值为电动汽车与预测选择入网地点之间的距离与电动汽车与实际选择入网地点之间的距离的均方根误差;
迭代单元,用于按BP神经网络模型连接权值的负梯度方向搜索调整适应度函数值,直至适应度函数值达到预设阈值或迭代次数达到预设值为止,获得训练好的BP神经网络模型;
预测单元,用于将当前在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值输入所述训练好的BP神经网络模型,获得模型输出的当前电动汽车与预测选择入网地点之间的距离;
估计入网地点获得单元,用于以当前电动汽车为中心,以所述当前电动汽车与预测选择入网地点之间的距离为半径,划定估计范围,将所述估计范围内所有的可选入网地点作为N个可能的先后接入园区充放电配电网的估计入网地点。
优选地,所述马尔科夫决策装置包括:
园区交通网络获取单元,用于获取园区交通网络有向图,其中的每一条公路为边,交叉路口为节点,公路长度为边的权重;
决策过程单元,用于将园区所有节点集合视为S,从起点到N个估计入网地点中的任一个和从N个估计入网地点中的任一个到终点所行驶经过的每个节点时刻视为决策时刻t,在每个节点决定行驶的下一条路径视为行动a,将要行驶的路径长度视为回报R,进行马尔科夫决策过程,获得N条行驶路径预选最优策略,每条行驶路径预选最优策略中包含N个估计入网地点中的一个;
最佳选取单元,用于选取所述N条行驶路径预选最优策略中最佳的一条,作为电动汽车的行驶路径最优策略,其对应的估计入网地点为最佳入网地点。优选地,以N条行驶路径预选最优策略中的最短路径为最佳。
优选地,所述最优调度求解装置包括:
初始化单元,用于构造k个解存储器并随机初始化,每个解存储器中存储一个解向量,解向量的各个分量一一对应为所述目标函数优化模型中各系数,包括能耗权值系数kE、配电网负荷权值系数kL、充放电成本权值系数kC、车速Vmove、停车时长Tstop、基本负荷系数kB、接入充放电系数kcar、耗电系数ko;初始化蚂蚁数目m;
蚂蚁采样单元,用于每一个蚂蚁在高斯核函数中选择一个高斯函数,用正态分布随机数发生器产生一个随机数并赋值给解向量中的一个分量,完成一次采样过程;重复采样过程,给所有蚂蚁对应的解向量中的所有分量赋值,获得m个解向量;
目标函数值获得单元,用于将k+m个解向量分别应用于所述目标函数优化模型,将采样获得的行驶完最佳入网地点对应的行驶路径最优策略的行驶时单位车速耗电量Emove、不熄火停车时单位时长耗电量Estop、t时段最佳入网地点的配网基本负荷功率电动汽车接入充放电功率t时段电动汽车接入后最佳入网地点的耗电功率Po(t)、t时段的单位电量价格C(t)和电动汽车电池损耗退化成本Cbat,分别输入k+m个目标函数优化模型,获得k+m个目标函数值F;
存储替换单元,用于从所述k+m个目标函数值F中选出最小的k个,其相应的k个解向量存入k个解存储器,覆盖原来k个解存储器中存储的解向量;
迭代判断单元,用于判断最小的k个目标函数值F中的最小值是否小于或等于预设阈值;当大于预设阈值时,返回蚂蚁采样单元,直至小于或等于预设阈值或达到迭代次数为止;
最优解获得单元,用于将k个解存储器的k个解向量对应的目标函数值F中最小的一个作为最优解,获得最优解所对应的解向量各分量,即各系数,得到相应的目标函数优化模型,获得基于EV负荷参与度的园区最优调度策略。
上述基于EV负荷参与度的低碳园区优化调度***,通过神经网络预测获得可能的接入园区充放电配电网的估计入网地点,从而依据估计入网地点采用马尔科夫决策方法得出最优行驶路径策略,以提高电动汽车时空分布分析的精度。通过以能耗、配电网负荷和充放电成本最小化为优化目标,参考时空分布和环境因素产生的能耗,在最优调度分析中加入时空分布、环境因素对能耗预测的影响,并结合EV负荷分析,实现了成本最优的园区低碳目标下的最优调度。
显然,上述实施例仅仅是为清楚地说明所作的举例,而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的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸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 (9)
1.一种基于EV负荷参与度的低碳园区优化调度方法,其特征在于,包括以下步骤:
采样电动汽车接入园区充放电配电网的入网样本数据,所述入网样本数据包括多组在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值,及对应的电动汽车与实际选择入网地点之间的距离;
根据所述入网样本数据,采用神经网络算法,推演获得N个可能的先后接入园区充放电配电网的估计入网地点;
基于N个所述估计入网地点,采用马尔科夫决策方法建立电动汽车的行驶路径最优策略,并确定出最佳入网地点;
根据所述最佳入网地点,以能耗、配电网负荷和充放电成本最小化为优化目标,建立目标函数优化模型;
对所述目标函数优化模型进行最优求解,获得基于EV负荷参与度的园区最优调度策略。
2.根据权利要求1所述的方法,其特征在于,所述根据所述入网样本数据,采用神经网络算法,推演获得N个可能的先后接入园区充放电配电网的估计入网地点的步骤包括:
对所述入网样本数据归一化处理;
构建具有依次连接的一个输入层、一个隐含层和一个输出层的BP神经网络模型,每一层的输出作为下一层的输入;
所述输入层具有M+1个神经元,用于一一对应地接收各组在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值的归一化值;
所述输出层具有1个神经元,用于输出电动汽车与预测选择入网地点之间的距离;
将归一化处理后的入网样本数据输入所述BP神经网络模型,获得模型输出的电动汽车与预测选择入网地点之间的距离,并计算适应度函数值,所述适应度函数值为电动汽车与预测选择入网地点之间的距离与电动汽车与实际选择入网地点之间的距离的均方根误差;
按BP神经网络模型连接权值的负梯度方向搜索调整适应度函数值,直至适应度函数值达到预设阈值或迭代次数达到预设值为止,获得训练好的BP神经网络模型;
将当前在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值输入所述训练好的BP神经网络模型,获得模型输出的当前电动汽车与预测选择入网地点之间的距离;
以当前电动汽车为中心,以所述当前电动汽车与预测选择入网地点之间的距离为半径,划定估计范围,将所述估计范围内所有的可选入网地点作为N个可能的先后接入园区充放电配电网的估计入网地点。
3.根据权利要求1或2所述的方法,其特征在于,所述基于N个所述估计入网地点,采用马尔科夫决策方法建立电动汽车的行驶路径最优策略,并确定出最佳入网地点的步骤包括:
获取园区交通网络有向图,其中的每一条公路为边,交叉路口为节点,公路长度为边的权重;
将园区所有节点集合视为S,从起点到N个估计入网地点中的任一个和从N个估计入网地点中的任一个到终点所行驶经过的每个节点时刻视为决策时刻t,在每个节点决定行驶的下一条路径视为行动a,将要行驶的路径长度视为回报R,进行马尔科夫决策过程,获得N条行驶路径预选最优策略,每条行驶路径预选最优策略中包含N个估计入网地点中的一个;
选取所述N条行驶路径预选最优策略中最佳的一条,作为电动汽车的行驶路径最优策略,其对应的估计入网地点为最佳入网地点。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述优化目标包括:
电动汽车以最佳入网地点对应的行驶路径最优策略行驶至最佳入网地点所产生的能耗、电动汽车在最佳入网地点入网后的充放电负荷和充放电成本的最小化。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述对所述目标函数优化模型进行最优求解,获得基于EV负荷参与度的园区最优调度策略的步骤包括:
采用扩展蚁群算法对所述目标函数优化模型进行最优求解,获得基于EV负荷参与度的园区最优调度策略。
6.一种基于EV负荷参与度的低碳园区优化调度***,其特征在于,包括:
入网样本数据获取装置,用于采样电动汽车接入园区充放电配电网的入网样本数据,所述入网样本数据包括多组在预设剩余电量范围内的电池剩余电量和此时电动汽车与以其为中心的预设半径的圆形辐射范围内的可选入网地点之间的距离的最小的M个值,及对应的电动汽车与实际选择入网地点之间的距离;
神经网络推演装置,用于根据所述入网样本数据,采用神经网络算法,推演获得N个可能的先后接入园区充放电配电网的估计入网地点;
马尔科夫决策装置,用于基于N个所述估计入网地点,采用马尔科夫决策方法建立电动汽车的行驶路径最优策略,并确定出最佳入网地点;
优化模型建立装置,用于根据所述最佳入网地点,以能耗、配电网负荷和充放电成本最小化为优化目标,建立目标函数优化模型;
最优调度求解装置,用于对所述目标函数优化模型进行最优求解,获得基于EV负荷参与度的园区最优调度策略。
7.一种基于EV负荷参与度的低碳园区优化调度***,其特征在于,包括:
一个或多个处理器;以及
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-5任一项所述的基于EV负荷参与度的低碳园区优化调度方法。
8.一种计算机可读存储介质,所述存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5任一项所述的基于EV负荷参与度的低碳园区优化调度方法。
9.一种计算机程序产品,包括计算机程序,其存储在计算机可读存储介质上,并且适合于在计算机上执行,其特征在于,所述计算机程序包括适于当其在所述计算机上运行时执行如权利要求1-5任一项所述的基于EV负荷参与度的低碳园区优化调度方法的步骤的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210274193.4A CN114611811B (zh) | 2022-03-21 | 2022-03-21 | 基于ev负荷参与度的低碳园区优化调度方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210274193.4A CN114611811B (zh) | 2022-03-21 | 2022-03-21 | 基于ev负荷参与度的低碳园区优化调度方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114611811A true CN114611811A (zh) | 2022-06-10 |
CN114611811B CN114611811B (zh) | 2022-10-25 |
Family
ID=81865063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210274193.4A Active CN114611811B (zh) | 2022-03-21 | 2022-03-21 | 基于ev负荷参与度的低碳园区优化调度方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611811B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562602A (zh) * | 2023-07-12 | 2023-08-08 | 国网安徽省电力有限公司经济技术研究院 | 电动汽车参与需求响应优化运行方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130179061A1 (en) * | 2010-06-10 | 2013-07-11 | The Regents Of The University Of California | Smart electric vehicle (ev) charging and grid integration apparatus and methods |
CN109934403A (zh) * | 2019-03-12 | 2019-06-25 | 浙江大学 | 基于数学模型的电动汽车居民区域充电负荷分析预测方法 |
CN110738356A (zh) * | 2019-09-20 | 2020-01-31 | 西北工业大学 | 一种基于sdn增强网络的电动汽车充电智能调度方法 |
CN110929950A (zh) * | 2019-12-02 | 2020-03-27 | 燕山大学 | 一种电动汽车负荷预测方法及*** |
CN111242403A (zh) * | 2019-11-08 | 2020-06-05 | 武汉旌胜科技有限公司 | 一种充电站充电负荷预测方法、装置设备及存储介质 |
CN111397620A (zh) * | 2020-05-29 | 2020-07-10 | 广东工业大学 | 快充/慢充模式下的电动汽车充电导航方法及*** |
CN111967698A (zh) * | 2020-10-23 | 2020-11-20 | 北京国新智电新能源科技有限责任公司 | 基于移动充电桩调度的电动汽车充电***及装置 |
CN113283623A (zh) * | 2021-05-15 | 2021-08-20 | 韦涛 | 兼容储能充电桩的电动运载工具电量路径规划方法 |
CN113642758A (zh) * | 2021-06-08 | 2021-11-12 | 上海汽车集团股份有限公司 | 一种共享电动汽车的供需预测及调度方法和装置 |
CN114021391A (zh) * | 2021-12-06 | 2022-02-08 | 国网上海市电力公司 | 基于动态能耗与用户心理的电动汽车充电负荷预测方法 |
-
2022
- 2022-03-21 CN CN202210274193.4A patent/CN114611811B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130179061A1 (en) * | 2010-06-10 | 2013-07-11 | The Regents Of The University Of California | Smart electric vehicle (ev) charging and grid integration apparatus and methods |
CN109934403A (zh) * | 2019-03-12 | 2019-06-25 | 浙江大学 | 基于数学模型的电动汽车居民区域充电负荷分析预测方法 |
CN110738356A (zh) * | 2019-09-20 | 2020-01-31 | 西北工业大学 | 一种基于sdn增强网络的电动汽车充电智能调度方法 |
CN111242403A (zh) * | 2019-11-08 | 2020-06-05 | 武汉旌胜科技有限公司 | 一种充电站充电负荷预测方法、装置设备及存储介质 |
CN110929950A (zh) * | 2019-12-02 | 2020-03-27 | 燕山大学 | 一种电动汽车负荷预测方法及*** |
CN111397620A (zh) * | 2020-05-29 | 2020-07-10 | 广东工业大学 | 快充/慢充模式下的电动汽车充电导航方法及*** |
CN111967698A (zh) * | 2020-10-23 | 2020-11-20 | 北京国新智电新能源科技有限责任公司 | 基于移动充电桩调度的电动汽车充电***及装置 |
CN113283623A (zh) * | 2021-05-15 | 2021-08-20 | 韦涛 | 兼容储能充电桩的电动运载工具电量路径规划方法 |
CN113642758A (zh) * | 2021-06-08 | 2021-11-12 | 上海汽车集团股份有限公司 | 一种共享电动汽车的供需预测及调度方法和装置 |
CN114021391A (zh) * | 2021-12-06 | 2022-02-08 | 国网上海市电力公司 | 基于动态能耗与用户心理的电动汽车充电负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
YANCHANG LIANG等: ""Mobility-Aware Charging Scheduling for Shared On-Demand Electric Vehicle Fleet Using Deep Reinforcement Learning"", 《IEEE TRANSACTIONS ON SMART GRID》 * |
史云阳等: ""考虑交通环境和纯电动汽车电池电量的动态路径规划方法"", 《上海大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562602A (zh) * | 2023-07-12 | 2023-08-08 | 国网安徽省电力有限公司经济技术研究院 | 电动汽车参与需求响应优化运行方法 |
CN116562602B (zh) * | 2023-07-12 | 2023-10-24 | 国网安徽省电力有限公司经济技术研究院 | 电动汽车参与需求响应优化运行方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114611811B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110341690B (zh) | 一种基于确定性策略梯度学习的phev能量管理方法 | |
CN111884213B (zh) | 一种基于深度强化学习算法的配电网电压调节方法 | |
CN105644548B (zh) | 混合动力汽车的能量控制方法及装置 | |
CN113103905B (zh) | 一种电动汽车智能充电分配调节方法、装置、设备及介质 | |
CN113515884A (zh) | 分散式电动汽车实时优化调度方法、***、终端及介质 | |
CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和*** | |
CN110007235A (zh) | 一种电动汽车蓄电池soc在线预测方法 | |
CN113627993A (zh) | 一种基于深度强化学习的智能电动汽车充放电决策方法 | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、***及装置 | |
CN109815995A (zh) | 一种缺失观测值条件下锂电池剩余寿命预测方法 | |
CN114611811B (zh) | 基于ev负荷参与度的低碳园区优化调度方法及*** | |
CN111532150A (zh) | 基于自学习的电动汽车充电控制策略优化方法及*** | |
CN115963407A (zh) | 一种基于icgwo优化elm的锂电池soc估计方法 | |
CN114744662A (zh) | 一种基于多类型电动汽车的电网调峰方法及*** | |
CN112381359A (zh) | 一种基于数据挖掘的多critic强化学习的电力经济调度方法 | |
CN116804711A (zh) | 基于预测的使用模式来提供设备电池组的预测健康状态的方法和装置 | |
CN115236526A (zh) | 一种剩余充电时间预测方法、装置、存储介质和车辆 | |
CN114117910A (zh) | 一种基于分层深度强化学习的电动汽车充电引导策略方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN113972645A (zh) | 基于多智能体深度确定策略梯度算法的配电网优化方法 | |
CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
Ren et al. | Bayesian network based real-time charging scheduling of electric vehicles | |
Ma et al. | Adaptive energy management strategy based on a model predictive control with real-time tuning weight for hybrid energy storage system | |
CN111799820B (zh) | 一种电力***双层智能混合零星云储能对抗调控方法 | |
CN114619907A (zh) | 基于分布式深度强化学习的协调充电方法及协调充电*** |
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 |