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！

龙图腾网获悉广东工业大学申请的专利基于特征提取与回归学习分离的电力系统惯量估计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：CN119965836B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202510034105.7，技术领域涉及：H02J3/00；该发明授权基于特征提取与回归学习分离的电力系统惯量估计方法是由杨思燃;杨苓;许钊洋;朱涤凡;李杰文;罗嘉豪设计研发完成，并于2025-01-08向国家知识产权局提交的专利申请。

本基于特征提取与回归学习分离的电力系统惯量估计方法在说明书摘要公布了：本发明公开了一种基于特征提取与回归学习分离的电力系统惯量估计方法，包括以下步骤：S1：建立电力系统频率响应模型SFR，生成模拟电力系统运行时的数据；S2：利用卷积神经网络CNN提取电力系统的频率偏差和功率扰动的特征；S3：将激活值提取函数从卷积神经网络CNN的全连接层提取高级特征作为极端梯度提升树XGBoost的输入，利用鸟交配优化器优化极端梯度提升树XGBoost的超参数，模型进行回归学习，输出惯量估计值；本发明利用卷积神经网络CNN强大的特征提取能力提取数据特征，再利用调优后的极端梯度提升树XGBoost高效的回归学习能力处理数据特征，基于频率偏差和功率扰动的时序数据，通过特征提取与回归学习分离的模式，能够准确地对系统的惯量进行估计。

本发明授权基于特征提取与回归学习分离的电力系统惯量估计方法在权利要求书中公布了：1.基于特征提取与回归学习分离的电力系统惯量估计方法，其特征在于，包括以下步骤： S1：建立电力系统频率响应模型SFR，生成模拟电力系统运行时的数据； S2：利用卷积神经网络CNN提取电力系统的频率偏差和功率扰动的特征； S3：将激活值提取函数从卷积神经网络CNN的全连接层提取高级特征作为极端梯度提升树XGBoost的输入，利用鸟交配优化器优化极端梯度提升树XGBoost的超参数，模型进行回归学习，输出惯量估计值； 所述步骤S1包括： S1-1：同步发电机的摆动方程： 1 式1中，H是惯性常数，是同步发电机转子的频率偏差p.u.，是机械功率的变化量p.u.，是电磁功率的变化量p.u.，D是阻尼系数； 假设在系统发生扰动的极短时间内，电磁功率的变化量，简化后方程变为： 2 认为电磁功率变化是由输入功率扰动p d引起的，对式2进行拉普拉斯变换，得到系统频率偏差对功率扰动的响应函数G： 3 式3中，是拉普拉斯域的频率偏差，是拉普拉斯域的功率扰动，s是拉普拉斯变换中的复频率变量； S1-2：涡轮调速器的传递函数： 考虑涡轮调速器的动态特性，即机械功率p m的影响，加入涡轮调速器的传递函数T： 4 式4中，K m是机械功率增益因子，F H是高压涡轮功率占比，T R是再热时间常数，R是涡轮调速器下垂常数； S1-3：建立电力系统频率响应模型SFR： 将系统频率偏差对功率扰动的响应函数G和涡轮调速器的传递函数T通过负反馈连接，形成完整的电力系统频率响应模型SFR，通过输入小幅度随机的功率扰动数据到电力系统频率响应模型SFR，能够输出模拟电力系统运行时的频率偏差和对应的惯量值。

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广东工业大学，其通讯地址为：510060 广东省广州市越秀区东风东路729号大院；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”。

以上内容由龙图腾AI智能生成。