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！

龙图腾网获悉昆明理工大学申请的专利基于多维度动态聚合的风储协同调频方法及其应用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：CN120784907B 。

龙图腾网通过国家知识产权局官网在2025-12-26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：202511283919.0，技术领域涉及：H02J3/24；该发明授权基于多维度动态聚合的风储协同调频方法及其应用是由束洪春;张兴聪;王广雪;时波涛;雷顺广;唐玉涛设计研发完成，并于2025-09-09向国家知识产权局提交的专利申请。

本基于多维度动态聚合的风储协同调频方法及其应用在说明书摘要公布了：本申请涉及电力系统技术领域，尤其涉及一种基于多维度动态聚合的风储协同调频方法及其应用。选取多种风机运行状态参数作为分析指标，提取分析指标中的主成分缩小其数据量后，将主成分代入至改进KFCM算法中进行聚类，得到不同分类的风电机组，以风电机组为单位执行相应的控制策略。旨在解决如何兼具仿真效率和仿真准确度的风储协同调频的问题。

本发明授权基于多维度动态聚合的风储协同调频方法及其应用在权利要求书中公布了：1.一种基于多维度动态聚合的风储协同调频方法，其特征在于，所述方法包括以下步骤： S10，采用主成分分析法提取风机运行状态参数中的主成分，所述风机运行状态参数包括风机转速、转子转速、并网有功输出、桨距角、机械转矩、电磁转矩、定子电流d轴分量、定子电流q轴分量、转子电流d轴分量、转子电流q轴分量、定子有功输出、定子无功输出和并网无功输出； S20，根据所述主成分和改进KFCM聚类算法对风电场中的每个风电机样本进行分类，得到不同分类的风电机组； S30，以划分的风电机组为单位，执行基于转子动能与直流侧储能协同的频率响应控制策略； 所述S20包括： S21，采用下式确定最佳聚类个数： ； ； 式中，表示期望操作，其中上标表示该期望是在基于参考分布生成的多个数据集下计算的，n是风电机样本量，k是被评估的聚类数量，是聚类内分散度的集合测量，k为聚类数，为样本权重，为第i个样本的特征向量，即风机运行状态参数，为第c个聚类中心，为样本到聚类中心之间的核空间距离； S22，根据所述最佳聚类个数，确定所述改进KFCM聚类算法的最小化目标函数： ； 式中，表示高维空间中第c个聚类中心对应的特征向量，为样本i的权值，表示第i个数据点与第c个聚类中心之间的距离度量，m表示模糊系数；表示隶属度矩阵，n表示风电机样本量，为最佳聚类个数； S23，基于所述最小化目标函数对所述风电机组进行分类，得到不同分类的风电机组； 所述S10包括： S11，将风电场的台风机的13种风机运行状态参数，形成维的原始样本矩阵x： ； 式中，p表示第13个状态表征参数； S12，对原始样本矩阵x标准化： ； 式中，为矩阵x的标准差，为原始样本矩阵x的列均值； 得到标准化样本矩阵X： ； S13，建立标准化样本矩阵X的协方差矩阵R： ； 式中，； 以及，计算协方差矩阵R的特征值和特征向量： S14，根据所述特征值计算特征值贡献率和累计贡献率： ； ； 式中，表示第i个特征值；表示第j个特征值； S15，选取所述累计贡献率大于预设阈值的风机运行状态参数，作为主成分； 所述S30包括： S31，获取所述风电机组中的当前风机平均转速，根据所述当前风机转速，计算所述风电机组的修正虚拟惯量系数，根据所述修正虚拟惯量系数确定所述风电机组的风机惯性支撑转速差； S32，获取所述风电机组中的储能电池的当前平均荷电状态，根据所述当前平均荷电状态确定修正储能充放电系数，根据所述修正储能充放电系数确定所述风电机组的虚拟下垂有功增量； S33，控制所述风电机组的平均转速调整至满足所述风机惯性支撑转速差，以及控制所述储能电池的输出功率调整至满足所述虚拟下垂有功增量。

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昆明理工大学，其通讯地址为：650031 云南省昆明市一二一大街文昌路68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”。

以上内容由龙图腾AI智能生成。