CN116345490A - 基于优化功率曲线的风电机组改进步进惯性控制调频策略 - Google Patents

基于优化功率曲线的风电机组改进步进惯性控制调频策略 Download PDF

Info

Publication number
CN116345490A
CN116345490A CN202310264874.7A CN202310264874A CN116345490A CN 116345490 A CN116345490 A CN 116345490A CN 202310264874 A CN202310264874 A CN 202310264874A CN 116345490 A CN116345490 A CN 116345490A
Authority
CN
China
Prior art keywords
wind turbine
power
time
frequency modulation
frequency
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
Application number
CN202310264874.7A
Other languages
English (en)
Inventor
卜京
于海鹏
李群
陈载宇
***
张刘冬
殷明慧
周前
朱丹丹
赵大伟
杨飞
霍雨翀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nanjing University of Science and Technology
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Nanjing University of Science and Technology
Priority to CN202310264874.7A priority Critical patent/CN116345490A/zh
Publication of CN116345490A publication Critical patent/CN116345490A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H02J3/241—The oscillation concerning frequency
    • 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
    • H02J3/002—Flicker reduction, e.g. compensation of flicker introduced by non-linear load
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Nonlinear Science (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于优化功率曲线的风电机组改进步进惯性控制调频策略，首先构建功率曲线优化的数学模型，设定该模型的目标函数为频率偏差变化率为0，确保调频结束后频率不再跌落，再利用该模型的频率、转速和功率设计神经网络控制器，建立***运行状态信息和输出功率之间的关系，从而实现改进策略在风电机组不同运行场景下的应用。本发明通过改进功率曲线的方法，避免了传统步进惯性控制策略出现功率骤降现象，解决了频率的二次跌落问题。

Description

基于优化功率曲线的风电机组改进步进惯性控制调频策略
技术领域
本发明属于电力***频率控制技术技术领域，具体涉及一种基于优化功率曲线的风电机组改进步进惯性控制调频策略。
背景技术
以风力发电为主的清洁能源备受青睐，但是高占比、大规模的风电在并网时将降低电力***的等效惯量，威胁***的频率稳定性，并且风力发电的不确定性波动影响到***频率也将是必然的结果，因此风电在并网时需要具备一定的调频能力。同时电力电子技术的快速发展也使得大量的电力电子器件应用于风力发电设备当中，使得***频率与风电机组解耦，进而使得其差别于与传统的同步发电机。因此找到风力发电对电力***惯量响应的影响规律，提升风电并网场景下的调频能力，不仅能够避免频率越限的情况发生，而且对于***的运行水平的安全性提供了基本保障，更能避免由此导致的严重连锁事故发生。
步进惯性控制(Stepwise Inertia Control，SIC)策略应用于风电调频时，通过释放转子动能进行短时间的功率支撑可以显著减小***在受到有功扰动时的频率跌落幅度，但是该策略在进行转子转速恢复时会存在较大的功率骤降，导致***频率发生严重的二次跌落，对电网稳定性造成又一次冲击。因此，寻找一种能够改善该策略频率二次跌落的方法对于实现风电参与调频具有重要意义。
发明内容
本发明的目的在于提供一种基于优化功率曲线的风电改进步进惯性控制调频策略，可用于解决传统SIC策略存在的频率二次跌落问题。
实现本发明目的的技术解决方案为：第一方面，本发明提供一种基于优化功率曲线的风电改进步进惯性控制调频策略，包括：
步骤1、获取风电机组转速比值、***频率偏差以及频率偏差变化率，当***的频率偏差大于风电机组调频死区最大值时，风电机组参与***频率调节；
步骤2、根据预定的调频策略和神经网络控制器得到的风电机组输出功率，以此来指导风电机组参与调频。
第二方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法的步骤。
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法的步骤。
与现有技术相比，本发明的有益效果在于：
本发明通过采用神经网络控制器，将风电机组自身的转速变化情况和***频率变化情况与风电机组调频期间的输出功率进行关联，使得风电机组在调频过程中能够在改善频率二次跌落的同时避免转速越限。
下面结合具体实施方式和附图对本发明作进一步说明。
附图说明
图1为本发明的实施例中的基于优化功率曲线的风电机组改进步进惯性控制调频策略的控制框图；
图2为本发明的实施例中的神经网络训练效果图；
图3为本发明的实施例中的风电机组调频原理图；
图4为本发明的实施例中的低阶***频率响应模型框图；
图5为本发明的实施例中的改进策略适应性验证，风电机组采用本发明策略在不同初始条件下调频的效果对比图；
图6为本发明的实施例中的改进策略有效性验证，风电机组采用本发明策略与传统SIC策略以及风电不参与调频的效果对比图。
具体实施方式
如图1所示，一种基于优化功率曲线的风电机组改进步进惯性控制调频策略，包括以下步骤：
步骤1、获取风电机组转速比值、***频率偏差以及频率偏差变化率，当***的频率偏差大于风电机组调频死区最大值时，风电机组参与***频率调节。
具体的，风电机组转速比值Δω的论域为[1,1.25]，频率偏差变化率
Figure BDA0004132773810000021
的论域为[-0.5,0.5]，风机预设调频死区阈值为(±0.03Hz)。
步骤2、根据预定的调频策略和神经网络控制器得到的风电机组输出功率，以此来指导风电机组参与调频，具体为：
步骤2-1、构建改进功率曲线数学模型
选择最大频率偏差为优化目标进行功率曲线优化：
Figure BDA0004132773810000031
其中，ΔPW是风电机组功率参考值的变化率，即优化模型的决策变量；t为优化的总时间；Δf(t)为t时刻频率的偏差值；μP为惩罚系数，类似于最优潮流计算中的惩罚因子，当优化得到的结果满足约束条件时该值为1，反之则趋于无穷大。
步骤2-2、设计神经网络控制器：
将优化模型的频率变化率和风电机组转速比值作为神经网络控制器的输入量，将风电机组的输出功率作为神经网络控制器的输出量；
步骤2-3、采用径向基函数(RBF)算法作为神经网络学习算法：
Figure BDA0004132773810000032
y＝w1h1+w2h2+…wmhm
其中，x为神经网络的输入层，hj、bj、cj分别为第j个神经元的基向量、高斯基函数、中心点向量值，||·||为欧几里得范数，y为神经网络输出值，w为隐含层到输出层的权值向量。
根据预定的调频策略和神经网络控制器得到的风电机组输出功率来指导风电机组参与调频，分为以下三个阶段：
短时增发阶段、功率过渡阶段、功率恢复阶段。
其中短时增发阶段为转子释放动能进行功率支撑阶段，该阶段起始时刻为风电机组参与调频的时刻，结束时刻为风电机组退出调频的时刻；功率过渡阶段则是能够在保证转速不越限的情况下使***的频率维持在一个定值，该阶段起始时刻为风电机组退出调频时刻，结束时刻为风电机组恢复MPPT运行方式的时刻；功率恢复阶段是风电机组沿MPPT运行方式恢复到扰动前的阶段，该阶段起始时刻为风电机组恢复MPPT运行方式的时刻，此后将一直以MPPT运行方式运行。
所述短时增发阶段采用以下方法参与调频：
Figure BDA0004132773810000033
其中，P为风电机组输出功率，P0为风电机组运行在ω0时的功率，ΔPup为短时增发功率，t为风电机组当前运行时间，t0为***受到负荷扰动的时刻，tup为短时增发功率支撑时间。
当***受到负荷扰动后，风电机组能够迅速释放转子动能进行频率支撑，改进SIC策略相比较传统SIC策略的不同点在于，改进策略要求风电机组提前退出短时增发阶段，最佳退出时间为***频率到达最低点的时刻，这样有利于减小风电机组转子动能的消耗。在低阶***频率响应(System Frequency Response，SFR)模型中，当受到阶跃负荷扰动时，***频率到达最低点的时刻tout与SFR模型的参数有关，可以通过计算得到，具体为：
Figure BDA0004132773810000041
式中，HS为等值惯性时间常数，DS为等值阻尼系数，R为调速器调节系数，Km为机械功率增益系数，FH为等值高压缸做工比例，TR为等值再热时间常数，K1、K2、K3均为常数，与HS、DS、R、Km、FH、TR取值有关。
所述功率过渡阶段采用以下方法参与调频：
当t≥t0+tup时，风电机组根据***频率偏差变化率
Figure BDA0004132773810000042
和自身转速比值Δω调节风电机组输出功率，具体为：
Figure BDA0004132773810000043
其中，Pt为t时刻风电机组输出功率，
Figure BDA0004132773810000044
为频率偏差变化率，w1和w2为神经网络训练所得权重。
所述功率恢复阶段采用以下方法参与调频：
当风电机组输出功率接近转速ωt所对应的MPPT运行功率时，其控制方式切换回MPPT运行方式，具体为：
P＝PMPPT(ωt)
其中，PMPPT(ωt)为MPPT曲线上的功率。
图2、图3分别为本发明的实施例中的神经网络训练效果图和风电机组调频原理图。
图4为低阶***频率响应模型框图，其中Hs＝8.0s,、Ds＝1、R＝0.05、Km＝0.95、TR＝8s、FH＝0.3s。
***其他参数设置为：仿真时长为200s，负荷扰动在t＝30s时发生。初始负荷PL为1.0p.u.，在验证改进SIC策略适应性时风速设置为恒定风速，其值为9m/s，风电渗透率也保持15％不变。负荷扰动从5％逐渐增大至13％。调频效果图如图5所示，在负荷扰动逐渐增加的情况下本发明在过渡阶段的功率变化情况几乎一致，频率偏差变化率都近似为零，有效避免了频率的二次跌落现象，达到了预期的调频效果。神经网络控制器的设计可以依靠其自身的学***；而传统SIC策略只能通过改善参数实现在一定程度上减轻频率二次跌落的幅度，无法实现频率二次跌落的避免，并且可以看出即便是选取最优参数，其功率骤降带来的频率二次跌落幅度几乎和负荷扰动时的频率跌落幅度相同，其调频效果有限；但是另一方面，本发明会导致风电机组调频时间的增加，其转速恢复时间要长于传统SIC策略，这会造成风电机组发电效益的损失，这是改进策略需要承担的代价。

Claims (9)

1.一种基于优化功率曲线的风电机组改进步进惯性控制调频策略，其特征在于，包括以下步骤：
步骤1、获取风电机组转速比值、***频率偏差以及频率偏差变化率，当***的频率偏差大于风电机组调频死区最大值时，风电机组参与***频率调节；
步骤2、根据预定的调频策略和神经网络控制器得到的风电机组输出功率，以此来指导风电机组参与调频。
2.根据权利要求1所述的基于优化功率曲线的风电机组改进步进惯性控制调频策略，其特征在于，所述步骤1中的风电机组输出功率通过以下方法确定：
步骤2-1、构建改进功率曲线数学模型
选择最大频率偏差为优化目标进行功率曲线优化：
Figure FDA0004132773790000011
其中，ΔPW是风电机组功率参考值的变化率，即优化模型的决策变量；t为优化的总时间；Δf(t)为t时刻频率的偏差值；μP为惩罚系数；
步骤2-2、设计神经网络控制器：
将优化模型的频率变化率和风电机组转速比值作为神经网络控制器的输入量，将风电机组的输出功率作为神经网络控制器的输出量；
步骤2-3、采用径向基函数算法作为神经网络学习算法：
Figure FDA0004132773790000012
y＝w1h1+w2h2+…wmhm
其中，x为神经网络的输入层，hj、bj、cj分别为第j个神经元的基向量、高斯基函数、中心点向量值，||·||为欧几里得范数，y为神经网络输出值，w为隐含层到输出层的权值向量。
3.根据权利要求2所述的基于优化功率曲线的风电机组改进步进惯性控制调频策略，其特征在于，所述风电机组转速比值大小通过以下方法确定：
Figure FDA0004132773790000013
其中，ωt为风电机组当前运行时刻的转速，ωmin为风电机组最低转速限值。
4.根据权利要求2所述的基于优化功率曲线的风电机组改进步进惯性控制调频策略，其特征在于，根据预定的调频策略和神经网络控制器得到的风电机组输出功率来指导风电机组参与调频，分为以下三个阶段：短时增发阶段、功率过渡阶段、功率恢复阶段；其中短时增发阶段为转子释放动能进行功率支撑阶段，该阶段起始时刻为风电机组参与调频的时刻，结束时刻为风电机组退出调频的时刻；功率过渡阶段则是能够在保证转速不越限的情况下使***的频率维持在一个定值，该阶段起始时刻为风电机组退出调频时刻，结束时刻为风电机组恢复MPPT运行方式的时刻；功率恢复阶段是风电机组沿MPPT运行方式恢复到扰动前的阶段，该阶段起始时刻为风电机组恢复MPPT运行方式的时刻，此后将一直以MPPT运行方式运行。
5.根据权利要求4所述的基于优化功率曲线的风电机组改进步进惯性控制调频策略，其特征在于，所述短时增发阶段采用以下方法参与调频：
Figure FDA0004132773790000021
其中，P为风电机组输出功率，P0为风电机组运行在ω0时的功率，ω0为风电机组初始转速，ΔPup为短时增发功率，t为风电机组当前运行时间，t0为***受到负荷扰动的时刻，tup为短时增发功率支撑时间。
6.根据权利要求4所述的基于优化功率曲线的风电机组改进步进惯性控制调频策略，其特征在于，所述功率过渡阶段采用以下方法参与调频：
Figure FDA0004132773790000022
其中，Pt为t时刻风电机组输出功率，
Figure FDA0004132773790000023
为频率偏差变化率，w1和w2为神经网络训练所得权重。
7.根据权利要求4所述的基于优化功率曲线的风电机组改进步进惯性控制调频策略，其特征在于，所述功率恢复阶段采用以下方法参与调频：
P＝PMPPT(ωt)
其中，PMPPT(ωt)为MPPT曲线上的功率。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法的步骤。
CN202310264874.7A 2023-03-20 2023-03-20 基于优化功率曲线的风电机组改进步进惯性控制调频策略 Pending CN116345490A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310264874.7A CN116345490A (zh) 2023-03-20 2023-03-20 基于优化功率曲线的风电机组改进步进惯性控制调频策略

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310264874.7A CN116345490A (zh) 2023-03-20 2023-03-20 基于优化功率曲线的风电机组改进步进惯性控制调频策略

Publications (1)

Publication Number Publication Date
CN116345490A true CN116345490A (zh) 2023-06-27

Family

ID=86887156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310264874.7A Pending CN116345490A (zh) 2023-03-20 2023-03-20 基于优化功率曲线的风电机组改进步进惯性控制调频策略

Country Status (1)

Country Link
CN (1) CN116345490A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117559475A (zh) * 2023-11-17 2024-02-13 南京理工大学 一种基于逐步惯性控制的风电调频最优控制策略

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117559475A (zh) * 2023-11-17 2024-02-13 南京理工大学 一种基于逐步惯性控制的风电调频最优控制策略
CN117559475B (zh) * 2023-11-17 2024-06-18 南京理工大学 一种基于逐步惯性控制的风电调频最优控制策略

Similar Documents

Publication Publication Date Title
Zholtayev et al. Adaptive super-twisting sliding mode control for maximum power point tracking of PMSG-based wind energy conversion systems
CN109560573B (zh) 一种变速风电机组频率控制器参数的优化方法及装置
Das et al. A ${H_\infty} $ Robust Active and Reactive Power Control Scheme for a PMSG-Based Wind Energy Conversion System
Xu et al. Coordination of wind turbines and synchronous generators for system frequency control
CN112502883B (zh) 考虑频率稳定特性的水轮机调速器参数整定方法及装置
KR102225611B1 (ko) 주파수 안정도 향상을 위한 재생에너지 발전기의 제어 시스템 및 방법
CN109659961B (zh) 一种基于分频控制的动态电力***负荷频率协调方法
CN116345490A (zh) 基于优化功率曲线的风电机组改进步进惯性控制调频策略
CN115459303A (zh) 电池储能参与电网一次调频的自适应控制方法
CN108964127A (zh) 一种双馈风力发电***故障穿越的控制方法
CN111245032B (zh) 一种计及风电场集电线路降损优化的电压预测控制方法
Belkhier et al. Intelligent energy-based modified super twisting algorithm and factional order PID control for performance improvement of PMSG dedicated to tidal power system
CN113659620A (zh) 基于动态频率约束的水风互补发电***日前调度方法
Malmir et al. Controlling megawatt class WECS by ANFIS network trained with modified genetic algorithm
Verij Kazemi et al. Adaptive frequency control with variable speed wind turbines using data-driven method
CN102661243B (zh) 一种双馈感应风电机组的预报校正变桨控制方法
Taher et al. Comparison of different control strategies in GA-based optimized UPFC controller in electric power systems
Dastres et al. A neural network based adaptive sliding mode controller for pitch angle control of a wind turbine
Van et al. Ouput power smoothening of variable-speed wind turbine systems by pitch angle control
Elshafei et al. Adaptive fuzzy regulation of the DC-bus capacitor voltage in a wind energy conversion system (WECS)
Sheikh et al. Application of self-tuning FPIC to AGC for Load Frequency Control in wind farm interconnected large power system
Sheikh et al. Application of self-tuning FPIC to AGC for load frequency control in multi-area power system
CN116154804A (zh) 考虑备用灵活性的风机-水轮机一次调频控制方法
Sheikh et al. Improvement of load frequency control with fuzzy gain scheduled superconducting magnetic energy storage unit
Zhou et al. Optimal Stepwise Inertial Control of Wind Turbine Based on Fuzzy Control and Deep Neural Network

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