CN115471362A - 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 - Google Patents
深度特征指导两阶段迁移学习的综合能源源—荷预测方法 Download PDFInfo
- Publication number
- CN115471362A CN115471362A CN202211176881.3A CN202211176881A CN115471362A CN 115471362 A CN115471362 A CN 115471362A CN 202211176881 A CN202211176881 A CN 202211176881A CN 115471362 A CN115471362 A CN 115471362A
- Authority
- CN
- China
- Prior art keywords
- load
- power generation
- prediction model
- historical data
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013526 transfer learning Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000005611 electricity Effects 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000005286 illumination Methods 0.000 claims abstract description 14
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 6
- 238000010248 power generation Methods 0.000 claims description 81
- 230000005012 migration Effects 0.000 claims description 26
- 238000013508 migration Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000001617 migratory effect Effects 0.000 claims 2
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 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
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011273 social behavior 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
- 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
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
-
- 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"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了深度特征指导两阶段迁移学习的综合能源源—荷预测方法,涉及综合能源多元负荷预测技术领域,获取温度、季节、节假日、风速、云层密度、光照强度、电价和现行政策影响因素并转换为数据格式;获取园区的光伏、风电、电负荷、热负荷和冷负荷的历史数据,并对历史数据进行清洗处理;构建基于深度残差网络和引入注意力机制的长短期记忆循环神经网络的时间序列预测模型;通过温度、季节和节假日三种因素,使用电负荷、热负荷和冷负荷数据对时间序列预测模型进行训练,获得初级模型;在初级模型的基础上,采用迁移学习策略,获得最终的预测模型。
Description
技术领域
本发明属于综合能源多元负荷预测技术领域,具体涉及深度特征指导两阶段迁移学习的综合能源源—荷预测方法。
背景技术
精确的多元负荷短期预测是区域综合能源***运行及调度优化的基础,对***的需求侧分析也具有重要意义,如图1所示,目前实际工业园区、商业中心、居民楼宇等典型区域综合能源***(Integrated Energy Systems,IES)的能源服务商普遍需要向其用户提供电、热、冷等多种用能需求,明显受到气象条件、人类活动以及建筑特性等因素影响,在气象条件方面,由于气温变化,南北方在冷热负荷需求上表现出明显的季节性、地域性差异,在人类活动方面,不同的社会行为会对IES用能特性产生影响,例如居民楼宇IES,工作日时居民普遍外出,***负荷多为刚性负荷;而非工作日时居民活动频繁,致使用能设备灵活多样,用能需求呈现出随机性、不确定性,同时不同的***功能定位也是影响用能特性的重要原因,工业区往往电力负荷占主导地位,冷热负荷辅助,共同服从生产进度安排;生活区电热负荷则往往与人的活动密切相关,不同类型负荷间表现出一定的耦合特性,IES用能特性决定了某一用能需求变化时必将引起能源服务商对其余类型用能需求的调整;负荷预测作为IES用能需求管理与优化调度的首要前提,倘若仍采用传统单一负荷预测方法则难以兼顾不同用能需求间的差异性、随机性及耦合性,无法确保负荷预测精度。同时鉴于IES在长时间运行过程中大量能量转换耦合信息被保存于IES能源服务商数据库中,但这些隐藏在数据中的能量转换特性很难通过建立详细的数学模型进行特征提取与总结。
发明内容
针对现有技术的不足,本发明的目的在于提供深度特征指导两阶段迁移学习的综合能源源—荷预测方法,方法包括以下步骤:
获取目标园区的源侧和荷侧的影响因素并转换为数据格式;其中,所述影响因素包括:温度、季节、节假日、风速、云层密度、光照强度、电价、气价和相关政策;
获取历史预设时间段内目标园区的光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据,并对历史数据进行清洗处理;
构建基于深度残差网络和引入注意力机制的长短期记忆循环神经网络的时间序列预测模型,时间序列预测模型用于由历史的时间序列数据的变化趋势对未来的时间序列数值进行预测;
基于温度、季节和节假日三种影响因素,使用电负荷、热负荷和冷负荷的历史数据对时间序列预测模型进行训练,获得初级模型;
在初级模型的基础上,考虑风速、云层密度、光照强度、电价、气价和相关政策六种影响因素,使用光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据进行训练,获得最终的光伏发电预测模型、风力发电预测模型、电负荷预测模型、热负荷预测模型、冷负荷预测模型。
优选地,在初级模型的基础上,考虑风速、云层密度、光照强度、电价、气价和相关政策六种影响因素,使用光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据进行训练,获得最终的光伏发电预测模型、风力发电预测模型、电负荷预测模型、热负荷预测模型、冷负荷预测模型,包括以下步骤:
在初级模型的基础上,采用迁移学习策略,考虑光照强度和云层密度影响因素,使用光伏发电的历史数据进行迁移训练获得最终的光伏发电预测模型,以对未来预设时间段的光伏出力进行预测;
在初级模型的基础上,考虑风速影响因素,使用风机发电的历史数据进行迁移训练获得最终的风机发电预测模型,以对未来预设时间段的风机出力进行预测;
在初级模型的基础上,考虑相关政策和电价影响因素,使用电负荷的历史数据进行迁移训练获得最终的电负荷预测模型,以对未来预设时间段的电负荷进行预测;
在初级模型的基础上,考虑电价和气价影响因素,使用热负荷的历史数据进行迁移训练获得最终的热负荷预测模型,以对未来预设时间段的热负荷进行预测;
在初级模型的基础上,考虑电价影响因素,使用冷负荷的历史数据进行迁移训练获得最终的冷负荷预测模型,以对未来预设时间段的冷负荷进行预测。
优选地,所述获取历史预设时间段内目标园区的光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据,并对历史数据进行清洗处理的过程包括以下步骤:
根据目标园区在历史预设时间段内的历史运行信息,获取历史预设时间段内目标园区的光伏发电、风机、电负荷、热负荷和冷负荷的历史数据,并分别表示为:
其中,PPV表示目标园区的光伏发电的历史数据的时间序列,为ti时刻光伏发电的功率,PW表示目标园区的风机发电的历史数据的时间序列,为ti时刻风机发电的功率,PE表示目标园区的电负荷的历史数据的时间序列,为ti时刻电负荷功率,PC表示目标园区的冷负荷的历史数据的时间序列,为ti时刻冷负荷数据,PH表示目标园区的热负荷的历史数据的时间序列,为ti时刻热负荷数据,其中i=1,2,...,n;
对PPV、PW、PE、PC和PH序列数据进行清洗处理,首先计算窗口长度为n的序列局部均值PPV(W、E、C、H),公式如下:
其中x为窗口起始点,i为距离窗口起始点的位置,PPV(W、E、C、H)_tx+1为tx+i时刻的光伏发电功率值、风机发电功率值、电负荷功率值、冷负荷值、热负荷值。
优选地,当窗口内有小于均值点的点时,将窗口起始点替换为以窗口起始点为中点的长度为3的均值,当窗口内有序列缺失则用窗口的均值填补。
优选地,所述时间序列预测模型的构建过程包括以下步骤:
基于深度残差网络构建深度特征提取网络,用于输入数据的特征提取;
将深度特征提取网络提取后的特征,输入基于注意力机制的长短期记忆循环神经网络,构建出时间序列预测模型。
优选地,长短期记忆循环神经网络的记忆单元,通过设置输入门it、输出门ot和遗忘门ft来选择记忆反馈的误差函数随梯度下降的修正参数,在t时刻的输入数据为xt,隐藏层状态输出值为ht,记忆状态为ct,经过遗忘门时,通过丢弃无用信息,获取下一时刻的记忆单元状态ct+1,其中,遗忘门ft的计算公式如下:
ft=δ(ωf·[ht-1,xt]+bf)
其中,ht-1为t-1时刻的隐藏层状态,ωf和bf表示遗忘门中的权重矩阵和偏置向量,δ为激活函数,采用sigmoid函数;
it=δ(ωi·[ht-1,xt]+bi)
其中,ωi和bi分别是输入门中的权重矩阵和偏置向量,ωc和bc分别为细胞单元状态里的权重矩阵和偏置向量;
t时刻单元状态值ct,t时刻的隐含层状态ht和输出值ot,计算公式分别如下:
ot=δ(ω0·[ht-1,xt]+b0)
ht=ot·tanhct
其中,ct-1为t-1时刻的单元状态值,δ为激活函数,ω0和b0分别为输出门中的权重矩阵和偏置向量。
优选地,基于注意力机制的长短期记忆循环神经网络的构建过程包括如下步骤:
在长短期记忆循环神经网络中引入注意力机制对长短期记忆隐含层输出的隐藏层状态ht进行注意力权重分配,用αt,k来表示注意力概率分布值,注意力权重矩阵ααt,k和特征向量v,计算公式如下:
et,k=μs·tanh(ωsht+bs)
其中,k∈[1,l],l为输入数据长度,αt,k为隐藏层状态特征,αt,k为ht对当前输入{x1,x2,...,xk}所分配的注意力权重,et,k为αt,k未归一化的权重矩阵,ωs、bs和μs分别为随机初始化的Attention权值矩阵、偏置量和时间序列矩阵。
另一方面,还提供一种深度特征指导两阶段迁移学习的综合能源源—荷预测装置,包括:
数据获取模块,用于获取目标园区的源侧和荷侧的影响因素并转换为数据格式;其中,所述影响因素包括:温度、季节、节假日、风速、云层密度、光照强度、电价、气价和相关政策;
数据处理模块,用于获取历史预设时间段内目标园区的光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据,并对历史数据进行清洗处理;
第一构建模块,用于构建基于深度残差网络和引入注意力机制的长短期记忆循环神经网络的时间序列预测模型,时间序列预测模型用于由历史的时间序列数据的变化趋势对未来的时间序列数值进行预测;
第二构建模块,用于基于温度、季节和节假日三种影响因素,使用电负荷、热负荷和冷负荷的历史数据对时间序列预测模型进行训练,获得初级模型;
第三构建模块,用于在初级模型的基础上,考虑风速、云层密度、光照强度、电价、气价和相关政策六种影响因素,使用光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据进行训练,获得最终的光伏发电预测模型、风力发电预测模型、电负荷预测模型、热负荷预测模型、冷负荷预测模型。
另一方面,还提供一种设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序;
当所述一个或多个计算机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上述任一所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法。
另一方面,还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于执行如上述任一所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法。
本发明的有益效果:
本发明通过采用两阶段训练过程,在计及多种影响因素下采用共性因素获得初级模型,然后基于特性因素采用迁移学习获得多元负荷预测模型,提高了模型的训练效率和提高了模型的泛化能力,通过第一阶段的全要素学习再到第二阶段的精准学习使得模型的预测精度大大提高;本发明根据多元负荷预测数据,使得能源服务商可在汇总、分析不同用户各类用能需求的基础上准确预测多元负荷需求,并协调IES内部转化、存储、分配、消费等环节以满足不同用户对能源的需求,本发明通过采用基于Attention机制的LSTM将某个特定时刻会将注意力集中在需要重点关注的区域,减少甚至忽略对其他区域的关注,以获取更多所需要关注的细节信息,抑制其他无用信息,使得LSTM模型具有更好的多元预测性能,预测精度获得较大的提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,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为本发明综合能源交互结构简化模型图;
图2为本发明实施例的两阶段综合能源源-荷预测模型框图;
图3为本发明实施例的LSTM的序列处理模型结构;
图4为本发明实施例基于LSTM的attention机制示意图;
图5为本发明实施例酒店负荷预测结果示意图。
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。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它实施例,都属于本发明保护的范围。
如图2所示,深度特征指导两阶段迁移学习的综合能源源—荷预测方法,方法包括以下步骤:
获取目标园区的源侧和荷侧的影响因素并转换为数据格式;其中,所述影响因素包括:温度、季节、节假日、风速、云层密度、光照强度、电价、气价和相关政策;,其中温度、季节、节假日作为共同影响因素对于园区的源-荷都有一定的影响,风速对于风机发电具有很强的相关性,云层密度和光照强度对于光伏发电具有很强的相关性,电价和现行政策对电负荷具有很强的相关性,电价直接影响电负荷的总量,而现行的政策,比如“双碳”战略和国网下达的有序生产计划都会影响区域电负荷的总量,电价和气价对热负荷具有很强的相关性,热负荷部分通过电和气产生,电价和气价会影响热负荷的需求产量,电价又对冷负荷具有很强的相关性,冷负荷主要来源于电生产,电价也会影响冷负荷的产生,电价过高会使得一些用户关闭制冷空调等冷负荷产生装置;
获取历史预设时间段内目标园区的光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据,并对历史数据进行清洗处理;
构建基于深度残差网络和引入注意力机制的长短期记忆循环神经网络的时间序列预测模型,时间序列预测模型用于由历史的时间序列数据的变化趋势对未来的时间序列数值进行预测;
通过温度、季节和节假日三种因素,使用电负荷、热负荷和冷负荷数据对时间序列预测模型进行训练,获得初级模型,用于由历史数据的变化趋势对未来序列数值进行预测;
在初级模型的基础上,考虑风速、云层密度、光照强度、电价、气价和相关政策六种影响因素,使用光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据进行训练,获得最终的光伏发电预测模型、风力发电预测模型、电负荷预测模型、热负荷预测模型、冷负荷预测模型。
由于光伏发电将用于园区的电负荷和冷热负荷,存在内在的耦合关系,因此,在初级模型的基础上,采用迁移学习策略,使用光伏数据进行迁移训练获得最终的光伏发电预测模型,用于由光伏发电的历史功率数据对未来光伏出力进行预测,为后续光伏参与综合能源的能源调度提供数据支撑;
由于风力发电将用于园区的电负荷和冷热负荷,存在内在的耦合关系,因此,在初级模型的基础上,使用风电数据进行迁移训练获得最终的风力发电预测模型,用于由风机发电的历史功率数据对未来风机出力进行预测,为后续风机参与综合能源的能源调度提供数据支撑;
在初级模型的基础上,使用电负荷数据进行迁移训练获得最终的电负荷预测模型,用于由负荷的历史用电数据对未来负荷用电数据进行预测,为后续综合能源的能源调度和优化运行提供电负荷数据支撑;
在初级模型的基础上,使用热负荷数据进行迁移训练获得最终的热负荷预测模型,用于由热负荷的历史数据对未来热负荷进行预测,为后续综合能源的能源调度和优化运行提供热负荷数据支撑;
在初级模型的基础上,使用冷负荷数据进行迁移训练获得最终的冷负荷预测模型,用于由冷负荷的历史数据对未来冷负荷进行预测,为后续综合能源的能源调度和优化运行提供冷负荷数据支撑。
需要进一步进行说明的是,在具体实施过程中,所述影响因素包括温度T、季节S、节假日F、风速W、云层密度C、光照强度L、电价P和政策信息。
需要进一步进行说明的是,在具体实施过程中,所述获取园区的光伏、风电、电负荷、热负荷和冷负荷的历史数据,并对历史数据进行清洗处理的过程包括以下步骤:
根据目标园区在历史预设时间段内的历史运行信息,获取历史预设时间段内目标园区的光伏发电、风机、电负荷、热负荷和冷负荷的历史数据,并分别表示为:
其中,PPV表示目标园区的光伏发电的历史数据的时间序列,为ti时刻光伏发电的功率,PW表示目标园区的风机发电的历史数据的时间序列,为ti时刻风机发电的功率,PE表示目标园区的电负荷的历史数据的时间序列,为ti时刻电负荷功率,PC表示目标园区的冷负荷的历史数据的时间序列,为ti时刻冷负荷数据,PH表示目标园区的热负荷的历史数据的时间序列,为ti时刻热负荷数据,其中i=1,2,...,n;
对PPV、PW、PE、PC和PH序列数据进行清洗处理,首先计算窗口长度为n的序列局部均值Ppv(W、E、C、H),公式如下:
其中x为窗口起始点,i为距离窗口起点的位置,PPV(W、E、C、H)_tx+1为tx+i时刻的光伏发电功率值、风机发电功率值、电负荷功率值、冷负荷值、热负荷值。
需要进一步进行说明的是,在具体实施过程中,当窗口内有小于均值点的点时,将窗口起始点替换为以窗口起始点为中点的长度为3的均值,当窗口内有序列缺失则用窗口的均值填补。
需要进一步进行说明的是,在具体实施过程中,所述时间序列预测模型的构建过程包括以下步骤:
基于深度残差网络构建深度特征提取网络,用于输入数据的特征提取;
将深度残差网络提取后的特征,输入基于注意力Attention机制的长短期记忆LSTM循环神经网络,构建出时间序列预测模型,LSTM的序列处理模型结构如图3所示,基于注意力机制的长短期记忆循环神经网络如图4所示。
需要进一步进行说明的是,在具体实施过程中,LSTM循环神经网络是循环神经网络RNN的改进型,LSTM循环神经网络在保持循环神经网络的基本结构的基础上重新设计了记忆单元,通过设置输入门it、输出门ot和遗忘门ft来选择记忆反馈的误差函数随梯度下降的修正参数,在t时刻的输入数据为xt,隐藏层状态输出值为ht,记忆状态为ct,经过遗忘门时,通过丢弃无用信息,获取下一时刻的记忆单元状态ct+1,其中,遗忘门ft的计算公式如下:
ft=δ(ωf·[ht-1,xt]+bf)
其中,ht-1为t-1时刻的隐藏层状态,ωf和bf表示遗忘门中的权重矩阵和偏置向量,δ为激活函数,采用sigmoid函数,输出的ft的取值在0到1之间,接下来将逐位与ct-1的元素相乘,当ft的某一位的值为0的时候,对应位的信息就被完全丢弃了,而值为(0,1),对应位的信息就保留了一部分,丢弃一部分,只有值为1的时候,对应位的信息才会完整的保留;
it=δ(ωi·[ht-1,xt]+bi)
其中,ωi和bi分别是输入门中的权重矩阵和偏置向量,ωc和bc分别为细胞单元状态里的权重矩阵和偏置向量;
t时刻单元状态值ct,t时刻的隐含层状态ht和输出值ot,计算公式分别如下:
ot=δ(ω0·[ht-1,xt]+b0)
ht=ot·tanhct
其中,ct-1为t-1时刻的单元状态值,δ为激活函数,ω0和b0分别为输出门中的权重矩阵和偏置向量。
需要进一步进行说明的是,在具体实施过程中,Attention注意力机制能针对输入序列中影响输出结果的关键部分分配多的注意力,从而更好的学习序列中的信息,在LSTM中引入注意力机制对LSTM隐含层输出值ht进行注意力权重分配,用αt来表示注意力概率分布值,注意力权重矩阵α和特征向量v,计算公式如下:
et,k=μs·tanh(ωsht+bs)
其中,k∈[1,l],l为输入数据长度,αt,k为隐藏层状态特征,αt,k为ht对当前输入{x1,x2,...,xk}所分配的注意力权重,et,k为未归一化的权重矩阵,ωs、bs和μs分别为随机初始化的Attention权值矩阵、偏置量和时间序列矩阵。
需要进一步进行说明的是,在具体实施过程中,根据时间序列预测初级模型采用迁移学习策略获得光伏、风电、电负荷、热负荷和冷负荷的最终预测模型;
针对源侧的光伏进一步考虑光照强度和云层密度的影响,使用光伏数据进行迁移训练获得最终的光伏发电预测模型;
针对源侧的风电进一步考虑风速因素的影响,使用风电数据进行迁移训练获得最终的风力发电预测模型;
针对荷侧的电负荷进一步考虑政策指导和电价的影响,使用电负荷数据进行迁移训练获得最终的电负荷预测模型;
针对荷侧的热负荷进一步考虑电价和气价的影响,使用热负荷数据进行迁移训练获得最终的热负荷预测模型;
针对荷侧的冷负荷进一步考虑电价的影响,使用冷负荷数据进行迁移训练获得最终的冷负荷预测模型。
实施例:为了验证所提方法的有效性,以电力负荷预测模型为例,通过对某酒店2021年1月1日0时至2021年12月31日24时,以15min采样频率获得35040条数据,在神经网络中,训练集采用2021年1月1日0时至2021年12月30日24时的数据作为训练数据,测试集采用2021年12月31日0时15分至2021年12月31日24时共计24小时96个点的数据。LSTM层将重构后的数据按64个点作为一次输入,下一个点作为输出,即“多对一”的模式进行训练,给出预测结果如图5所示:
其中虚直线为负荷预测曲线,实直线为负荷真实曲线。误差评价指标定义为:
其中n为测试集样本量;Ai为测试集实际负荷序列;Fi为测试集预测负荷序列。MAPE可以很好的衡量预测误差的平均大小,由图5可以看出预测数据和真实负荷基本吻合,误差指标MAPE为0.032。综上可以看出所提出的深度特征指导两阶段迁移学习的综合能源源-荷预测方法的有效性。
需要进一步进行说明的是,基于同一种发明构思,本发明还提供一种深度特征指导两阶段迁移学习的综合能源源—荷预测装置,其特征在于,方法包括以下步骤:
数据获取模块,用于获取目标园区的源侧和荷侧的影响因素并转换为数据格式;其中,所述影响因素包括:温度、季节、节假日、风速、云层密度、光照强度、电价、气价和相关政策;
数据处理模块,用于获取历史预设时间段内目标园区的光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据,并对历史数据进行清洗处理;
第一构建模块,用于构建基于深度残差网络和引入注意力机制的长短期记忆循环神经网络的时间序列预测模型,时间序列预测模型用于由历史的时间序列数据的变化趋势对未来的时间序列数值进行预测;
第二构建模块,用于基于温度、季节和节假日三种影响因素,使用电负荷、热负荷和冷负荷的历史数据对时间序列预测模型进行训练,获得初级模型;
第三构建模块,用于在初级模型的基础上,考虑风速、云层密度、光照强度、电价、气价和相关政策六种影响因素,使用光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据进行训练,获得最终的光伏发电预测模型、风力发电预测模型、电负荷预测模型、热负荷预测模型、冷负荷预测模型。
基于同一种发明构思,本发明还提供一种计算机设备,该计算机设备包括包括:一个或多个处理器,以及存储器,用于存储一个或多个计算机程序;程序包括程序指令,处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其用于实现一条或一条以上指令,具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。
需要进一步进行说明的是,基于同一种发明构思,本发明还提供一种计算机存储介质,该存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行上述方法。该存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电、磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内容。
Claims (10)
1.深度特征指导两阶段迁移学习的综合能源源—荷预测方法,其特征在于,方法包括以下步骤:
获取目标园区的源侧和荷侧的影响因素并转换为数据格式;其中,所述影响因素包括:温度、季节、节假日、风速、云层密度、光照强度、电价、气价和相关政策;
获取历史预设时间段内目标园区的光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据,并对历史数据进行清洗处理;
构建基于深度残差网络和引入注意力机制的长短期记忆循环神经网络的时间序列预测模型,时间序列预测模型用于由历史的时间序列数据的变化趋势对未来的时间序列数值进行预测;
基于温度、季节和节假日三种影响因素,使用电负荷、热负荷和冷负荷的历史数据对时间序列预测模型进行训练,获得初级模型;
在初级模型的基础上,考虑风速、云层密度、光照强度、电价、气价和相关政策六种影响因素,使用光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据进行训练,获得最终的光伏发电预测模型、风力发电预测模型、电负荷预测模型、热负荷预测模型、冷负荷预测模型。
2.根据权利要求1所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法,其特征在于,在初级模型的基础上,考虑风速、云层密度、光照强度、电价、气价和相关政策六种影响因素,使用光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据进行训练,获得最终的光伏发电预测模型、风力发电预测模型、电负荷预测模型、热负荷预测模型、冷负荷预测模型,包括以下步骤:
在初级模型的基础上,采用迁移学习策略,考虑光照强度和云层密度影响因素,使用光伏发电的历史数据进行迁移训练获得最终的光伏发电预测模型,以对未来预设时间段的光伏出力进行预测;
在初级模型的基础上,考虑风速影响因素,使用风机发电的历史数据进行迁移训练获得最终的风机发电预测模型,以对未来预设时间段的风机出力进行预测;
在初级模型的基础上,考虑相关政策和电价影响因素,使用电负荷的历史数据进行迁移训练获得最终的电负荷预测模型,以对未来预设时间段的电负荷进行预测;
在初级模型的基础上,考虑电价和气价影响因素,使用热负荷的历史数据进行迁移训练获得最终的热负荷预测模型,以对未来预设时间段的热负荷进行预测;
在初级模型的基础上,考虑电价影响因素,使用冷负荷的历史数据进行迁移训练获得最终的冷负荷预测模型,以对未来预设时间段的冷负荷进行预测。
3.根据权利要求1所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法,其特征在于,所述获取历史预设时间段内目标园区的光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据,并对历史数据进行清洗处理的过程包括以下步骤:
根据目标园区在历史预设时间段内的历史运行信息,获取历史预设时间段内目标园区的光伏发电、风机、电负荷、热负荷和冷负荷的历史数据,并分别表示为:
其中,PPV表示目标园区的光伏发电的历史数据的时间序列,为ti时刻光伏发电的功率,PW表示目标园区的风机发电的历史数据的时间序列,为ti时刻风机发电的功率,PE表示目标园区的电负荷的历史数据的时间序列,为ti时刻电负荷功率,PC表示目标园区的冷负荷的历史数据的时间序列,为ti时刻冷负荷数据,PH表示目标园区的热负荷的历史数据的时间序列,为ti时刻热负荷数据,其中i=1,2,...,n;
对PPV、PW、PE、PC和PH序列数据进行清洗处理,首先计算窗口长度为n的序列局部均值PPV(W、E、C、H),公式如下:
其中x为窗口起始点,i为距离窗口起始点的位置,PPV(W、E、C、H)_tx+1为tx+i时刻的光伏发电功率值、风机发电功率值、电负荷功率值、冷负荷值、热负荷值。
4.根据权利要求3所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法,其特征在于,当窗口内有小于均值点的点时,将窗口起始点替换为以窗口起始点为中点的长度为3的均值,当窗口内有序列缺失则用窗口的均值填补。
5.根据权利要求1所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法,其特征在于,所述时间序列预测模型的构建过程包括以下步骤:
基于深度残差网络构建深度特征提取网络,用于输入数据的特征提取;
将深度特征提取网络提取后的特征,输入基于注意力机制的长短期记忆循环神经网络,构建出时间序列预测模型。
6.根据权利要求5所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法,其特征在于,长短期记忆循环神经网络的记忆单元,通过设置输入门it、输出门ot和遗忘门ft来选择记忆反馈的误差函数随梯度下降的修正参数,在t时刻的输入数据为xt,隐藏层状态输出值为ht,记忆状态为ct,经过遗忘门时,通过丢弃无用信息,获取下一时刻的记忆单元状态ct+1,其中,遗忘门ft的计算公式如下:
ft=δ(ωf·[ht-1,xt]+bf)
其中,ht-1为t-1时刻的隐藏层状态,ωf和bf表示遗忘门中的权重矩阵和偏置向量,δ为激活函数,采用sigmoid函数;
it=δ(ωi·[ht-1,xt]+bi)
其中,ωi和bi分别是输入门中的权重矩阵和偏置向量,ωc和bc分别为细胞单元状态里的权重矩阵和偏置向量;
t时刻单元状态值ct,t时刻的隐含层状态ht和输出值ot,计算公式分别如下:
ot=δ(ω0·[ht-1,xt]+b0)
ht=ot·tanhct
其中,ct-1为t-1时刻的单元状态值,δ为激活函数,ω0和b0分别为输出门中的权重矩阵和偏置向量。
7.根据权利要求6所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法,其特征在于,基于注意力机制的长短期记忆循环神经网络的构建过程包括如下步骤:
在长短期记忆循环神经网络中引入注意力机制对长短期记忆隐含层输出的隐藏层状态ht进行注意力权重分配,用αt,k来表示注意力概率分布值,注意力权重矩阵ααt,k和特征向量v,计算公式如下:
et,k=μs·tanh(ωsht+bs)
其中,k∈[1,l],l为输入数据长度,αt,k为隐藏层状态特征,αt,k为ht对当前输入{x1,x2,...,xk}所分配的注意力权重,et,k为αt,k未归一化的权重矩阵,ωs、bs和μs分别为随机初始化的Attention权值矩阵、偏置量和时间序列矩阵。
8.深度特征指导两阶段迁移学习的综合能源源—荷预测装置,其特征在于,包括:
数据获取模块,用于获取目标园区的源侧和荷侧的影响因素并转换为数据格式;其中,所述影响因素包括:温度、季节、节假日、风速、云层密度、光照强度、电价、气价和相关政策;
数据处理模块,用于获取历史预设时间段内目标园区的光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据,并对历史数据进行清洗处理;
第一构建模块,用于构建基于深度残差网络和引入注意力机制的长短期记忆循环神经网络的时间序列预测模型,时间序列预测模型用于由历史的时间序列数据的变化趋势对未来的时间序列数值进行预测;
第二构建模块,用于基于温度、季节和节假日三种影响因素,使用电负荷、热负荷和冷负荷的历史数据对时间序列预测模型进行训练,获得初级模型;
第三构建模块,用于在初级模型的基础上,考虑风速、云层密度、光照强度、电价、气价和相关政策六种影响因素,使用光伏发电、风机发电、电负荷、热负荷和冷负荷的历史数据进行训练,获得最终的光伏发电预测模型、风力发电预测模型、电负荷预测模型、热负荷预测模型、冷负荷预测模型。
9.一种设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个计算机程序;
当所述一个或多个计算机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中任一所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于执行如权利要求1-7中任一所述的深度特征指导两阶段迁移学习的综合能源源—荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176881.3A CN115471362A (zh) | 2022-09-26 | 2022-09-26 | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176881.3A CN115471362A (zh) | 2022-09-26 | 2022-09-26 | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115471362A true CN115471362A (zh) | 2022-12-13 |
Family
ID=84334523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211176881.3A Pending CN115471362A (zh) | 2022-09-26 | 2022-09-26 | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471362A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115882454A (zh) * | 2023-02-09 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及*** |
CN116432861A (zh) * | 2023-05-06 | 2023-07-14 | 山东大学 | 一种综合能源***源荷价多任务联合预测方法及*** |
CN116565966A (zh) * | 2023-06-29 | 2023-08-08 | 国能青海黄河玛尔挡水电开发有限公司 | 智能水力发电双微机自动同步控制*** |
CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
CN117313958A (zh) * | 2023-11-28 | 2023-12-29 | 山东大学 | 基于迁移学习的低压分布式光伏功率预测方法及*** |
CN117852721A (zh) * | 2024-01-15 | 2024-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于epl的园区中长期终端能源服务需求预测方法 |
CN118014166A (zh) * | 2024-04-09 | 2024-05-10 | 陕西德联新能源有限公司 | 基于大数据的供热***的负荷预测方法及*** |
-
2022
- 2022-09-26 CN CN202211176881.3A patent/CN115471362A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115882454A (zh) * | 2023-02-09 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及*** |
CN115882454B (zh) * | 2023-02-09 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及*** |
CN116432861A (zh) * | 2023-05-06 | 2023-07-14 | 山东大学 | 一种综合能源***源荷价多任务联合预测方法及*** |
CN116565966A (zh) * | 2023-06-29 | 2023-08-08 | 国能青海黄河玛尔挡水电开发有限公司 | 智能水力发电双微机自动同步控制*** |
CN116565966B (zh) * | 2023-06-29 | 2023-10-24 | 国能青海黄河玛尔挡水电开发有限公司 | 智能水力发电双微机自动同步控制*** |
CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
CN117272121B (zh) * | 2023-11-21 | 2024-03-12 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
CN117313958A (zh) * | 2023-11-28 | 2023-12-29 | 山东大学 | 基于迁移学习的低压分布式光伏功率预测方法及*** |
CN117313958B (zh) * | 2023-11-28 | 2024-02-20 | 山东大学 | 基于迁移学习的低压分布式光伏功率预测方法及*** |
CN117852721A (zh) * | 2024-01-15 | 2024-04-09 | 国网山东省电力公司潍坊供电公司 | 一种基于epl的园区中长期终端能源服务需求预测方法 |
CN118014166A (zh) * | 2024-04-09 | 2024-05-10 | 陕西德联新能源有限公司 | 基于大数据的供热***的负荷预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115471362A (zh) | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 | |
Niu et al. | Short-term multi-energy load forecasting for integrated energy systems based on CNN-BiGRU optimized by attention mechanism | |
Li et al. | Applying support vector machine to predict hourly cooling load in the building | |
Wan et al. | Short-term power load forecasting for combined heat and power using CNN-LSTM enhanced by attention mechanism | |
Hu et al. | A hybrid model based on CNN and Bi-LSTM for urban water demand prediction | |
Li et al. | Federated learning-based short-term building energy consumption prediction method for solving the data silos problem | |
Xuemei et al. | Building cooling load forecasting model based on LS-SVM | |
Almalaq et al. | Parallel building: a complex system approach for smart building energy management | |
Delcroix et al. | Autoregressive neural networks with exogenous variables for indoor temperature prediction in buildings | |
Wu et al. | An explainable framework for load forecasting of a regional integrated energy system based on coupled features and multi-task learning | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及*** | |
CN110796307A (zh) | 一种综合能源***分布式负荷预测方法及*** | |
CN113591368A (zh) | 一种综合能源***多能负荷预测方法及*** | |
CN114676941B (zh) | 园区综合能源***电-热负荷联合自适应预测方法及装置 | |
CN114819372A (zh) | 一种基于神经网络的电力消费概率预测方法 | |
CN114239991A (zh) | 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 | |
Liu et al. | A short-term probabilistic photovoltaic power prediction method based on feature selection and improved LSTM neural network | |
Rahman et al. | Deep learning based ensemble method for household energy demand forecasting of smart home | |
CN107480810B (zh) | 一种利用季节指数改进二次指数平滑的月用电量预测方法 | |
Alanbar et al. | Energy Consumption Prediction Using Deep Learning Technique | |
CN115759458A (zh) | 基于综合能源数据处理和多任务深度学习的负荷预测方法 | |
CN114239292B (zh) | 面向低碳经济运行的多能需求园区综合评价方法及*** | |
Ahmad et al. | Efficient energy planning with decomposition-based evolutionary neural networks | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
CN113344279B (zh) | 基于lstm-sam模型和池化的居民负荷预测方法 |
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 |