買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉淮陰工學(xué)院申請(qǐng)的專利一種風(fēng)速預(yù)測(cè)變槳控制系統(tǒng)及控制方法獲國(guó)家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國(guó)家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN116792256B 。

龍圖騰網(wǎng)通過(guò)國(guó)家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202310959832.5，技術(shù)領(lǐng)域涉及：F03D7/04；該發(fā)明授權(quán)一種風(fēng)速預(yù)測(cè)變槳控制系統(tǒng)及控制方法是由丁衛(wèi)紅;孫睿;唐浩文;張伶俊;李天銳;吉曉龍?jiān)O(shè)計(jì)研發(fā)完成，并于2023-08-01向國(guó)家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種風(fēng)速預(yù)測(cè)變槳控制系統(tǒng)及控制方法在說(shuō)明書摘要公布了：本發(fā)明公開(kāi)了一種風(fēng)速預(yù)測(cè)變槳控制系統(tǒng)及控制方法，獲取風(fēng)場(chǎng)實(shí)時(shí)數(shù)據(jù)和風(fēng)輪的槳距角的狀態(tài)檢測(cè)信號(hào)；將風(fēng)場(chǎng)實(shí)時(shí)數(shù)據(jù)進(jìn)行變分模態(tài)分解，然后輸入至雙通道卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行融合，將融合后的特征輸入雙向長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)，得到風(fēng)速預(yù)測(cè)結(jié)果；根據(jù)風(fēng)速預(yù)測(cè)結(jié)果、風(fēng)輪葉尖速比和風(fēng)力發(fā)電機(jī)的轉(zhuǎn)速誤差對(duì)槳距進(jìn)行非線性優(yōu)化，得到優(yōu)化后的槳距信號(hào)；根據(jù)優(yōu)化后的槳距信號(hào)和槳距角的狀態(tài)檢測(cè)信號(hào)控制風(fēng)輪進(jìn)行變槳。通過(guò)對(duì)風(fēng)速變化的預(yù)測(cè)有效地降低變槳執(zhí)行的動(dòng)作頻率和幅度，減小了風(fēng)機(jī)槳葉的機(jī)械疲勞，并且使風(fēng)力發(fā)電機(jī)的輸出更加平穩(wěn)。

本發(fā)明授權(quán)一種風(fēng)速預(yù)測(cè)變槳控制系統(tǒng)及控制方法在權(quán)利要求書中公布了：1.一種風(fēng)速預(yù)測(cè)變槳控制方法，其特征在于，包括以下步驟： （1）獲取風(fēng)場(chǎng)實(shí)時(shí)數(shù)據(jù)并進(jìn)行預(yù)處理，得到風(fēng)速序列和氣象序列；同時(shí)獲取風(fēng)輪的槳距角的狀態(tài)檢測(cè)信號(hào)； （2）將風(fēng)速序列和氣象序列進(jìn)行變分模態(tài)分解，得到分解后的數(shù)據(jù)；受約束的變分模態(tài)分解公式為： ； ； 式中：為未分解主信號(hào)；為模態(tài)函數(shù)；{}={}為所得K階模態(tài)的中心頻率；為狄拉克分布；為卷積；為虛數(shù)單位，為時(shí)間腳本； 引入懲罰因子、拉格朗日乘法算子，將約束變分問(wèn)題轉(zhuǎn)變?yōu)榉羌s束變分問(wèn)題，對(duì)、和進(jìn)行迭代更新，獲得一系列變分模態(tài)分量； （3）將分解后的數(shù)據(jù)輸入至雙通道卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行融合，得到融合后的特征； （4）將融合后的特征輸入雙向長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)，得到風(fēng)速預(yù)測(cè)結(jié)果；雙向長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)包括輸入層、Bi-LSTM層、全連接層和輸出層；所述輸入層中將第天時(shí)刻前個(gè)融合后的特征序列作為輸入，時(shí)刻后個(gè)融合后的特征序列作為輸出，其中為時(shí)間步長(zhǎng)，為預(yù)測(cè)步長(zhǎng)； 所述Bi-LSTM層中從1至?xí)r刻進(jìn)行正向和反向的數(shù)據(jù)特征學(xué)習(xí)，兩個(gè)方向整合后反饋到全連接層；加入Dropout層以防止過(guò)擬合，選取均方誤差作為損失函數(shù)；確定訓(xùn)練次數(shù)、學(xué)習(xí)率、隱藏層神經(jīng)元個(gè)數(shù)； 所述全連接層中對(duì)數(shù)據(jù)進(jìn)行降維處理，轉(zhuǎn)換成一維數(shù)據(jù)； 所述輸出層負(fù)責(zé)輸出與所輸入本征模態(tài)分量相對(duì)應(yīng)的風(fēng)速預(yù)測(cè)結(jié)果； 所述Bi-LSTM層中采用改進(jìn)蝗蟲(chóng)優(yōu)化算法確定訓(xùn)練次數(shù)、學(xué)習(xí)率、隱藏層神經(jīng)元個(gè)數(shù)；具體包括以下步驟： （41）初始化訓(xùn)練次數(shù)、學(xué)習(xí)率、隱藏層神經(jīng)元個(gè)數(shù)、蝗蟲(chóng)種族、最大迭代次數(shù)； 蝗蟲(chóng)優(yōu)化算法的數(shù)學(xué)模型為： ； 其中，為蝗蟲(chóng)的數(shù)量，為遞減系數(shù)，為社會(huì)力量強(qiáng)度的函數(shù)在維空間上的上界，為社會(huì)力量強(qiáng)度的函數(shù)在維空間上的下界，為第個(gè)蝗蟲(chóng)的位置，為第個(gè)蝗蟲(chóng)的位置，為第個(gè)蝗蟲(chóng)與第個(gè)蝗蟲(chóng)之間的距離，為目前為止蝗蟲(chóng)位置在維空間上的最佳解； （42）計(jì)算蝗蟲(chóng)個(gè)體的適應(yīng)度，尋找當(dāng)前種群非支配解并更新外部檔案集，更新迭代次數(shù)； （43）判斷是否達(dá)到最大迭代次數(shù)，是則進(jìn)入步驟（47），否則進(jìn)入步驟（44）； （44）計(jì)算蝗蟲(chóng)個(gè)體之間的距離，并更新遞減系數(shù)； （45）選取優(yōu)勢(shì)蝗蟲(chóng)個(gè)體，對(duì)優(yōu)勢(shì)個(gè)體進(jìn)行柯西變異，使其跳出局部最優(yōu)； （46）判斷變異個(gè)體是否優(yōu)于原個(gè)體，若優(yōu)于，則更新蝗蟲(chóng)位置；否則保留原始解，返回步驟（42）； （47）輸出最優(yōu)解，并輸出最優(yōu)解中的訓(xùn)練次數(shù)、學(xué)習(xí)率、隱藏層神經(jīng)元個(gè)數(shù)； （5）根據(jù)風(fēng)速預(yù)測(cè)結(jié)果、風(fēng)輪葉尖速比和風(fēng)力發(fā)電機(jī)的轉(zhuǎn)速誤差對(duì)槳距進(jìn)行非線性優(yōu)化，得到優(yōu)化后的槳距信號(hào)； （6）根據(jù)優(yōu)化后的槳距信號(hào)和槳距角的狀態(tài)檢測(cè)信號(hào)控制風(fēng)輪進(jìn)行變槳。

如需購(gòu)買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人淮陰工學(xué)院，其通訊地址為：223000 江蘇省淮安市經(jīng)濟(jì)技術(shù)開(kāi)發(fā)區(qū)枚乘東路1號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。