买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜四川大学申请的专利基于机理-数据混合驱动的风电场分群等值方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117791706B 。

龙图腾网通过国家知识产权局官网在2025-03-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311776731.0，技术领域涉及：H02J3/38；该发明授权基于机理-数据混合驱动的风电场分群等值方法是由高仕林;张英敏;王渝红;郑宗生;李媛;周旭;蒋奇良;廖建权设计研发完成，并于2023-12-21向国家知识产权局提交的专利申请。

本基于机理-数据混合驱动的风电场分群等值方法在说明书摘要公布了：本发明公开了一种基于机理‑数据混合驱动的风电场分群等值方法，包括如下步骤：获取风电机组的动态响应特性及对应的边界条件，并基于风速及故障稳态电压对风电机组进行分群；获取影响风电场并网点故障稳态电压跌落程度的关键性指标，并基于预想故障信息，对风电场并网点故障稳态电压跌落程度进行预测；结合网络拓扑结构，采用图卷积神经网络，构建网络拓扑可迁移的系统模型，通过构建的网络拓扑可迁移的系统模型预测风电场并网点故障稳态电压的跌落程度。

本发明授权基于机理-数据混合驱动的风电场分群等值方法在权利要求书中公布了：1.一种基于机理-数据混合驱动的风电场分群等值方法，其特征在于，包括如下步骤：步骤一，获取风电机组的动态响应特性及对应的边界条件，并基于风速及故障稳态电压对风电机组进行分群；步骤二，获取影响风电场并网点故障稳态电压跌落程度的关键性指标；步骤三，基于预想故障信息，结合网络拓扑结构，采用图卷积神经网络，构建网络拓扑可迁移的系统模型，通过构建的网络拓扑可迁移的系统模型预测风电场并网点故障稳态电压的跌落程度；所述的获取风电机组的动态响应特性及对应的边界条件，并基于风速及故障稳态电压对风电机组进行分群，包括：将系统机侧变流器采用最大功率跟踪控制，通过改变Boost电路的驱动信号控制机端电流，从而改变同步发电机转子转速，使风力机运行在最优叶尖速比的状态，网侧变流器的控制策略为网侧电压定向的矢量控制技术，在故障及故障恢复期间，将同步旋转坐标系的d轴与电网A相电压重合，然后考虑网侧变流器与电网之间的有功功率和无功功率交换，其定义公式如下： 式中：分别为网侧变流器输出的有功功率和无功功率；为电网电压d、q轴分量；为电网电压合成矢量；为网侧d、q轴电流；通过控制网侧电流在d轴和q轴的投影控制输出的有功功率和无功功率；在故障及故障恢复期间，风电机组采用的控制策略为无功优先控制，即在变流器容量约束的前提下，优先满足无功电流控制，再确定有功电流参考值； 式中：为有功电流上限值；为变流器允许通过电流上限值；为风电机组输出无功电流参考值；为有功电流参考值；为故障期间定直流侧电压控制得到的有功电流参考值；根据有功电流上限值与故障前网侧d轴电流的大小判断风机是否存在有功斜坡恢复的动态特性； 式中：分别为各分类的临界功率；为风机机端故障稳态电压跌落程度；基于风功率曲线得到临界风速为： 式中：为风功率函数的反函数；在不同故障稳态电压跌落下得到各响应特性分类的风速边界条件，两个风速边界条件将风机类型划为三类，根据故障稳态电压跌落程度以及风机风速两个指标可以唯一确定风机位置，再对应边界条件确定风机落在哪一群内；所述的基于预想故障信息，结合网络拓扑结构，采用图卷积神经网络，构建网络拓扑可迁移的系统模型，通过构建的网络拓扑可迁移的系统模型预测风电场并网点故障稳态电压的跌落程度，包括：首先获取风机的物理模型数据以及稳态运行数据，包括风速、风机叶片参数、潮流数据，d、q轴电流值，对数据预处理，包括去除标签项和归一化，采用tensorflow深度学习模型，从Keras模块中导入不同类型的神经网络层，包括全连接层、卷积层、扁平化层、最大池化层、连接层和批标准化层，构建神经网络模型的高级API，再利用神经网络模型对输入数据进行训练和预测，最后使用训练后的模型对测试集进行预测，得到电压跌落预测值，计算测试集的电压跌落预测值与真实值之间的均方误差MSE来评估模型的性能，若性能达标，则完成网络拓扑可迁移的系统模型构建，通过网络拓扑可迁移的系统模型预测风电场并网点故障稳态电压的跌落程度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人四川大学，其通讯地址为：610000 四川省成都市一环路南一段24号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。