買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉廣東電網有限責任公司廣州供電局申請的專利基于PPO算法的數據模型混合驅動風電場建模方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN115392110B 。

龍圖騰網通過國家知識產權局官網在2025-09-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210889254.8，技術領域涉及：G06F30/27；該發明授權基于PPO算法的數據模型混合驅動風電場建模方法是由吳任博;張揚;趙宏偉;盧有飛;梁雪青;劉璐豪;陳明輝;張少凡;鄒時容;蔡燕春;劉璇;賴德翔;蘇杰設計研發完成，并于2022-07-27向國家知識產權局提交的專利申請。

本基于PPO算法的數據模型混合驅動風電場建模方法在說明書摘要公布了：本發明公開了一種基于PPO算法的數據模型混合驅動風電場建模方法，包括以下步驟：S1、收集風電場在經受擾動后的量測數據；S2、構建風電場等值機模型，運用微分方程來描述風電場在經受擾動后的暫態過程，依據微分方程組構建等值機模型；S3、參數初值設置與靈敏度分析，對雙饋風機的電機參數和控制參數進行軌跡靈敏度分析；S4、基于PPO強化學習算法的參數辨識。本發明融合了機理模型建模和參數辨識的方法，建立的等值機模型具有明確的物理意義，同時無需預先知道每臺風機的準確參數，顯著降低了數據獲取的難度，并且運用深度強化學習算法代替原有的粒子群算法，提高了參數辨識的效率。

本發明授權基于PPO算法的數據模型混合驅動風電場建模方法在權利要求書中公布了：1.基于PPO算法的數據模型混合驅動風電場建模方法，其特征在于，包括以下步驟： S1、收集風電場在經受擾動后的量測數據，在其經受擾動后，采集擾動前后和擾動過程中的風電場電壓和功率數據； S2、構建風電場等值機模型，運用微分方程來描述風電場在經受擾動后的暫態過程，依據微分方程組構建等值機模型； S3、參數初值設置與靈敏度分析，對雙饋風機的電機參數和控制參數進行軌跡靈敏度分析； S4、基于PPO強化學習算法的參數辨識； 基于PPO強化學習算法的參數辨識具體為： 首先輸入原始風電場產生的功率數據和以及待辨識參數的初值； 基于PPO強化學習算法，使用連續步長對等值機的待辨識參數進行修正；強化學習的幾個要素為狀態state、動作action和獎勵reward，其中狀態為一個6維向量即待辨識參數構成的向量，在每一步的動作中，所有待辨識變量均會疊加一個修正量，即動作向量從而得到下一個狀態 修正等值機的參數，并且運行仿真模型擬合出功率曲線P和Q，如果擬合出的功率曲線與原始功率曲線的誤差較小，則輸出參數辨識的結果，否則將功率曲線擬合均方差的相反數作為環境反饋給智能體的獎勵rt，繼續進行訓練，并且計算出時序差分殘差δt： 其中，γ表示衰減因子，表示策略π的狀態價值函數，計算得到的殘差用于對PPO算法的神經網絡參數進行更新；迭代的過程會逐步修正等值機的待辨識參數和深度強化學習神經網絡的參數，直至功率曲線的誤差達到允許的范圍； PPO算法中，采用Actor神經網絡確定修正量ΔTJ,ΔRs,ΔRr,ΔLm,服從的概率密度函數； 假設每個待辨識參數的修正量都服從正態分布，Actor網絡的輸入向量是當前的狀態向量，輸出向量是各個修正量的數學期望值，之后在正態分布中抽樣，確定這一步的動作向量Actor網絡更新參數的目標是最優化策略函數，參數更新迭代的策略表示為： 其中，θk表示當前策略網絡的參數，表示當前策略的優勢函數，ε是一個超參數，用于限制截斷范圍； 采用Critic神經網絡確定某種狀態的價值； 采取時序差分殘差的學習方式，減小Critic網絡的估計誤差，其參數更新策略表示為： 其中，ω表示Critic網絡的參數，αω表示學習率，δt表示時序差分殘差，表示狀態價值函數的梯度； 在訓練神經網絡的過程中，需要使用Adam算法作為優化器，同時需要將輸入的參數進行歸一化，并在每層神經網絡的激活函數后面進行批標準化處理，來提高神經網絡訓練的效率和收斂性。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人廣東電網有限責任公司廣州供電局，其通訊地址為：510620 廣東省廣州市天河區天河南二路2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。