海上風電場輕型直流輸電系統變流器的控制方法
2023-05-02 13:11:16
專利名稱：海上風電場輕型直流輸電系統變流器的控制方法
技術領域：
本發明涉及的是一種電力傳輸技術領域的控制方法，具體是一種海上風電場輕型 直流輸電系統變流器的控制方法。
背景技術：
在海上風電場併網系統中，通常可以採用直流和交流兩種方式併網。其中，交流並 網系統結構相對簡單，但存在很多缺點，例如，需要大容量無功補償裝置，環境電磁汙染嚴 重，線路損耗大，不適合遠距離傳輸等。直流輸電方式可以分為傳統直流輸電與輕型直流輸電兩種方式，傳統直流輸電技 術相對成熟，但由於採用半控型電力電子器件，例如晶閘管(SCR)，存在一定的局限性，不能 對孤島等無源系統供電，開關頻率受電網頻率限制不可能太高，系統存在大量低次諧波，需 要大容量無功補償裝置，設備體積大。對弱系統供電或電網暫態故障時容易出現換向失敗 等事故。輕型直流輸電系統基於全控電力電子器件，例如絕緣柵雙極電晶體(IGBT)，不依 賴電網換相電壓支撐，可對孤島等無源系統供電，同時，因IGBT開關頻率高，系統只含有高 次諧波，僅需較小容量的濾波器即可濾除，無須配置大容量無功補償裝置，設備體積大大減 小，對於海上變電站平臺建造要求低，尤其適合應用於海上風電場併網直流輸電系統，可分 別實現風電場側變流器和電網側變流器有功功率、無功功率獨立控制，控制方式靈活。即使 在電網出現瞬間故障或閃變時，還能夠協調兩端變流器控制方式，確保風電場不出現脫網 等異常情況，同時，還可以對電網提供無功支撐，電力系統的穩定性得到大大提高。海上風電場輕型直流輸電併網變流器通常採用雙閉環矢量控制，一端變流器控制 直流電壓，另一端變流器控制有功功率，無功功率由兩端變流器分別獨立控制。其中較為成 熟的PI (比例積分)雙閉環結構，其外環為無功功率、有功功率或者直流電壓控制環，可以 根據所採用的控制方式設置外環的控制目標為有功功率或直流電壓；內環為有功電流和無 功電流控制環，通過控制系統的DQ軸電流跟蹤外環給定值。經對現有技術文獻的檢索發現，Ruihua Song等人在IEEE Transmission and DistributionConference上所發表的VSCs Based HVDC and Its Control Strategy(基於 電壓源變流器的高壓直流輸電及其控制策略)介紹了一種輕型直流輸電系統控制方式及 其系統的設計。兩端採用雙閉環結構，內環採用PI調節器和前饋解耦方式，能夠分別控制 有功電流、無功電流，跟蹤外環調節器輸出信號；外環採用PI調節器，分別控制有功功率、 無功功率或直流電壓跟蹤給定。系統穩態性能好，但存在如下不足1)兩端均為PI調節 器，外環有功功率或直流電壓及無功功率需要兩個調節器，內環有功電流、無功電流仍需兩 個PI調節器，因此一端變流器需至少4個PI調節器，兩端變流器總共就需要8個PI調節 器，調節器參數過多，實際應用中難以調節、實施困難。PI參數的工程整定法大都基於系統 傳遞函數，但是該類技術較為複雜，以簡單傳遞函數等效方式計算得到的PI參數大都偏差 較大，往往需要在現場根據人工經驗逐漸調整，要確保系統性能難度較大。2)對系統參數有 一定的依賴性，內環前饋控制，動態過程用到系統電感等參數，在實際系統中這些參數的準確性難以保證，有時偏差較大，且隨系統運行工況不同會發生變化，因此，按照常規標稱系 統參數設計的調節器在實際運行中，輸出性能可能與期望值存在一定偏差。3)輕型直流輸 電系統數學模型本身存在強耦合、非線性等特徵，而PI調節器是按照系統穩態線性化模型 進行設計的，因此，系統的動態性能無法保證，調節效果不可能達到最優。綜上，該技術中需 要調整的參數過多，實際工程中調節困難、系統性能難以保證；同時，因被控對象存在較強 耦合及非線性特徵，採用線性系統設計的控制器，無法獲得較好的暫態響應性能。
發明內容
本發明的目的在於克服現有技術的上述不足，提供一種海上風電場輕型直流輸電 系統變流器的控制方法。本發明基於合作粒子群優化和PID(比例積分微分)神經網絡控制 技術，利用粒子群搜索方法優化神經網絡權值，並由神經網絡控制器代替傳統PI調節器， 避免了傳統PI控制方法中PI參數需要反覆調整和試湊的不足；同時，因該神經網絡控制器 是採用非線性系統設計的，在訓練過程中能夠按照預先設定的最優化目標優化系統，與傳 統基於線性系統理論設計的PI控制器相比，能夠獲得更優良的系統動態性能。本發明是通過以下技術方案實現的，本發明包括以下步驟第一步，對海上風電場輕型直流輸電變流器進行簡化處理，得到變流器的傳遞函 數，並採用雙閉環矢量控制方式對變流器進行控制。所述的簡化處理，是將海上風電場輕型直流輸電變流器簡化為一階慣性環節和比
K
例環節的串聯形式，得到變流器的傳遞函數為 Τ，其中κ是等效比例放大倍數，八是 IGBT開關動作的最大延遲時間，S是拉氏變換算子。所述的雙閉環矢量控制方式，是風電場側變流器控制直流電壓和無功功率跟蹤 給定值，電網側變流器控制系統有功功率和無功功率跟蹤給定值；內環基於變流器DQ同步 旋轉坐標系，採用前饋解耦控制方式，實現系統有功電流和無功電流的分別獨立控制。第二步，檢測風電場交流網側電壓及電流，計算有功功率P、無功功率Q和直流電
壓 ud。。第三步，建立三層結構形式的PID神經網絡控制模型，其中輸入層的兩個神經元 分別接收系統的給定值和反饋值；中間層的三個神經元分別為比例P神經元、積分I神經元 和微分D神經元；輸出層的一個神經元控制變流器的傳遞函數。所述的給定值是風場輸出有功功率目標值P*，無功功率給定值纊，直流電壓給定 值「。所述的反饋值是第二步得到的有功功率P、無功功率Q和直流電壓Udc0第四步，採用粒子群搜索方法，對PID神經網絡控制模型進行優化處理，得到PID 神經網絡控制模型中中間層到輸出層的三個連接權值。所述的優化處理，包括以下步驟1)建立N群粒子，每群M個粒子，每個粒子的維數為3 ；2)設置每個粒子的搜索範圍、初始速度、學習效率、初始位置和搜索補償參數；3)對PID神經網絡進行前向傳遞，得到每個粒子的適應值，選取其中適應值最大 的粒子所對應的粒子作為系統最優粒子，每群粒子中適應值最大的粒子所對應的粒子作為該子群的最優粒子；所述的適應值是系統給定值和反饋值誤差平方的平均值。4)進行迭代處理，得到粒子的更新位置和更新速度。所述的迭代處理，是
kik+l)=mvi{k)+h c\-rx· Ipha1 -x(M+h C2-T2-Igha1 -x(M+h C2-T2-[g^ir)-^)]<,其中Vi(k+l)為第k+1次更新後第i個粒子的速度，Vi(k)為第k次更新後第i個 粒子的速度，i = 1，…，Μ，Γι和r2分別是介於1到η之間的隨機整數，gbest為子群最優位 置，gbest(r)為其它子群最優粒子位置，Pbest是系統最優粒子位置，ω為加速因子，h是搜索 補償參數；5)用粒子的更新位置和更新速度對PID神經網絡進行前向傳遞，得到所有粒子新 的適應值，並分別得到各子群新的最優粒子和系統新的最優粒子的位置；6)用新的最優粒子再次對PID神經網絡進行前向傳遞，得到網絡輸出，得到新的 最優粒子的適應值，返回3)，直至達到設定的循環次數，最終得到的最優粒子的位置就是 PID神經網絡的連接權值。第五步，PID神經網絡控制模型中輸入層中給定值到中間層的連接權值為+1，輸 入層中反饋值到中間層的連接權值為-1，對PID神經網絡進行前向傳遞，得到神經網絡的 輸出，其輸出信號作為標準SPWM觸發方法的參考波，將該參考波與IKHz以上的三角波比 較，生成觸發脈衝，從而驅動變流器主電路中各IGBT器件開關。與現有技術相比，本發明的有益效果是1)控制器將傳統的PI控制器替換為PID神經網絡控制器，無須參數整定和反覆 調整的過程；採用粒子群搜索方法對神經網絡進行優化，使系統性能達到最優，並且運用優 化方法後可進一步提高系統性能，避免依靠人工經驗整定系統參數造成系統性能的不確定 性，由於海上風電場併網直流輸電系統中被控對象存在強耦合、非線性特點，PI調節器為線 性控制器，系統暫態性能調整困難。本發明中採用神經網絡控制器的非線性控制方式，不僅 減少了需要調整的參數，同時，也可以提高系統暫態響應性能。2)神經網絡權值基於被控系統非線性模型訓練獲得，更接近真實系統。系統運行 過程中只有PID神經網絡前向傳播過程參與控制，方法相對簡單、易於實現。
圖1是實施例中海上風電場併網輕型直流輸電變流器信號連接圖；圖2是實施例中輕型直流輸電系統中變流器拓撲結構圖；圖3是實施例中粒子群方法訓練神經網絡的流程圖；圖4是實施例中神經網絡中輸入層到中間層各神經元的連接關係示意圖；圖5是分別採用實施例方法和現有技術得到的系統階躍響應仿真結果比較示意 圖。
具體實施例方式以下結合附圖對本發明的方法進一步描述本實施例在以本發明技術方案為前提下進行實施，給出了詳細的實施方式和具體的操作過程，但本發明的保護範圍不限於下述 的實施例。實施例本實施例的海上風電場輕型直流輸電系統如圖1所示，其中VSC1為風電場側變 流器，VSC2為電網側變流器，兩側以直流電容穩壓，分別經變壓器連接至風電場和電網，系 統控制功率方向由風電場側輸送至電網側，所傳輸功率為PDC。所述的變流器結構如圖2所示，由6隻全控電力電子器件IGBT組成，連接成三相 全控橋結構。直流側為兩電容串聯，起到穩定直流電壓的作用。輸入側串聯平波電抗器，作 用為平滑電流波形和泵升直流電壓。本實施例包括以下步驟第一步，對海上風電場輕型直流輸電變流器進行簡化處理，得到變流器的傳遞函 數，並採用雙閉環矢量控制方式對變流器進行控制。所述的簡化處理，是將海上風電場輕型直流輸電變流器簡化為一階慣性環節和比
K
例環節的串聯形式，得到變流器的傳遞函數為 Τ，其中κ是等效比例放大倍數，Ts是 IGBT開關動作的最大延遲時間，S是拉氏變換算子。所述的雙閉環矢量控制方式，是風電場側變流器控制直流電壓和無功功率跟蹤 給定值，電網側變流器控制系統有功功率和無功功率跟蹤給定值；內環基於變流器DQ同步 旋轉坐標系，採用前饋解耦控制方式，實現系統有功電流和無功電流的分別獨立控制。第二步，檢測風電場交流網側電壓及電流，並計算有功功率P、無功功率Q和直流 電壓Ud。，具體為2. 1、檢測風場出口處電壓，檢測風場側變流器入口處電流，同時送入風場側變流 器控制器；2. 2、檢測電網入口處電壓，檢測電網側變流器出口處電流，同時送入電網側變流 器控制器；2. 3、檢測兩端變流器直流側電容電壓，送入系統控制模塊；2. 4、兩端變流器控制模塊將檢測到的電壓，電流信號進行坐標變換，轉化為兩相 旋轉坐標系下電壓矢量和電流矢量；2. 5、利用坐標變換結果進行功率計算，得到有功功率P、無功功率Q和直流電壓
Udc0所述的坐標變換，包括三相靜止坐標系ABC到兩相靜止坐標系α β的變換，兩相 靜止坐標系α β到兩相旋轉坐標系DQ的變換，其中ABC到α β的變換將三相交流量轉換 成兩相交流量，分布在互相垂直的兩相靜止坐標軸上，α β到DQ系的變換是將兩相交流量 轉換為兩相直流量，分布在互相垂直並且在空間中以同步速旋轉的兩相坐標軸上，D軸定向 於電網電壓矢量方向。所述的功率計算，是利用瞬時功率理論，基於電壓和電流的α β軸分量經數學運 算得到。第三步，建立三層結構形式的PID神經網絡控制模型，其中輸入層的兩個神經元 分別接收系統的給定值和反饋值；中間層的三個神經元分別為比例P神經元、積分I神經元和微分D神經元；輸出層的一個神經元控制變流器的傳遞函數(即控制對象)。所述的給定值是風場輸出有功功率目標值P*，無功功率給定值Q*，直流電壓給定 值「。所述的反饋值是第二步得到的有功功率P、無功功率Q和直流電壓Udc。第四步，採用粒子群搜索方法，對PID神經網絡控制模型進行優化處理，得到PID 神經網絡控制模型中中間層到輸出層的三個連接權值。所述的優化處理，如圖3所示，包括以下步驟1)建立3群粒子，每群30個粒子，每個粒子的維數為3 ；2)設置每個粒子的搜索範圍、初始速度、學習效率、初始位置和搜索補償參數；本實施例中搜索範圍取為-40 +40，學習效率取2，初始位置為(1，1，1)，搜索補 償參數為0.5。3)對PID神經網絡進行前向傳遞，得到每個粒子的適應值，選取其中適應值最大 的粒子所對應的粒子作為系統最優粒子，每群粒子中適應值最大的粒子所對應的粒子作為 該子群的最優粒子；所述的適應值是系統給定值和反饋值誤差平方的平均值。4)進行迭代處理，得到粒子的更新位置和更新速度。所述的迭代處理，是
q-1-Vphest -·#)]+0.5. C2-K1-Vghes1 -柳]+0.5. C2-K1-H 洲]其中Vi(k+l)為第k+1次更新後第i個粒子的速度，Vi(k)為第k次更新後第i個 粒子的速度，i = 1，…，30，Γι和r2分別是介於1到η之間的隨機整數，gbest為子群最優位 置，gbest W為其它子群最優粒子位置，Pbest是系統最優粒子位置，係數2為加速因子，係數 0. 5用於平衡粒子最優位置Pbest。5)用粒子的更新位置和更新速度對PID神經網絡進行前向傳遞，得到所有粒子新 的適應值，並分別得到各子群新的最優粒子和系統新的最優粒子的位置。6)用新的最優粒子再次對PID神經網絡進行前向傳遞，計算系統誤差和輸出並繪 圖，得到新的最優粒子的適應值，返回3)，直至達到設定的循環次數，最終得到的最優粒子 的位置就是PID神經網絡的連接權值。所述的對PID神經網絡進行前向傳遞，包括以下步驟(本實施例以直流電壓為 例)Α、輸入層兩個神經元，採用比例神經元，比例係數為1，分別接收系統直流電壓給 定值，和測量的到的反饋值，即將各自接收的到輸入值與比例因子1相乘後作為該神經元 輸出。B、神經網絡中輸入層到中間層各神經元的連接關係如圖4所示，其中每個神經 元分為三個部分，分別是神經元的輸入、狀態和輸出。神經元的輸入體現了生物神經元的空 間綜合作用，在任意時刻t，對於神經網絡的第j個神經元，其總輸入Iietj等於與其相連的 各支路輸入量xi、x2、…xn分別乘上各自權重 、 、…Wnj後的總和。神經元j的狀態Uj 由自身的狀態轉換函數g( ·)決定，其t+1時刻的狀態以當前總輸入ne、和當前狀態為自 變量。神經元j的輸出Xj由輸出函數f(·)決定。神經元狀態Uj為自變量，其輸出函數產生該神經元的輸出值。本實施例採用簡單的比例函數，易於實際系統的實現。將輸入層神經元的輸出乘以連接權值後傳遞給中間層各神經元，中間層神經元首 先將其接收到的輸入值求和，作為中間層神經元的輸入，然後P神經元將其輸入做比例運 算，比例係數取1，I神經元將其輸入做積分運算，D神經元將其輸入做微分運算，最後分別 得到中間層的P，I，D神經元的輸出。C、中間層神經元的輸出乘以粒子群優化得到中間層到輸出層的最優網絡權值，作 為輸出神經元的輸入，輸出神經元將其所有連接的輸入求和後作為整個神經網絡控器的輸
出ο第五步，PID神經網絡控制模型中輸入層中給定值到中間層的連接權值為+1，輸 入層中反饋值到中間層的連接權值為-1，對PID神經網絡進行前向傳遞，得到神經網絡的 輸出，其輸出信號作為標準SPWM觸發方法的參考波，將該參考波與IKHz以上的三角波比 較，生成觸發脈衝，從而驅動變流器主電路中各IGBT器件開關。圖5所示為系統階躍響應輸出曲線，包含三條曲線，分別為直流電壓給定值時系 統響應曲線(Vdcl)、傳統PI調節器控制時系統響應曲線(V*dc)和本實施例採用PID神經 網絡控制得到的系統響應曲線(Vdc2)。其中，圖5(b)為局部放大曲線，通過比較可以看出， 傳統PI調節方式雖然也可以獲得較好的系統響應性能，且且二者穩態跟蹤精度均較高。但 階躍過程中存在一定的超調和振蕩過程，而PID神經網絡控制則可以獲得更優良的暫態響 應性能。利用MATLAB/SIMULIK對輕型直流輸電控制系統進行仿真，仿真參數為風電場出 口線A電壓U1 = IOOkV,電抗器等值電阻為R = 0. 25 Ω、電感為L = 47. 7mH、電容為C = 1500μ F，給定直流電壓為v〗f =200kV。系統額定容量200MVA，線電壓有效值100kV，系統經過 標么化處理。仿真中初始化三群粒子，每群30個粒子，隨機分布於搜索空間中，加速因子C1 =C2 = 2，迭代80次，粒子搜索範圍[-40，+40]，輸入信號採樣點200個。模擬風電場輸出功率的波動性，設置輸入信號階躍變化，在第150採樣點時由0. 7 階躍變化為1，按照上述流程對網絡進行訓練和調整權值。將迭代後的最優粒子作為PIDNN 各層權值，並利用MATLAB的S函數實現其前向傳遞過程，經過仿真驗證，仿真中設置直流電 壓在0. 75s時由0. Spu階躍變化至lpu，仿真結果如圖5(a)所示，圖5 (b)為階躍響應局部 放大曲線。分析比較了傳統工程整定(典型I型系統)PI調節器和PIDNN(PID神經網絡) 控制器的控制效果，其中為直流電壓給定值，vdcl, vdc2分別為PIDNN控制器和傳統PI控 制器系統響應曲線。經調整工程整定法計算得到的PI參數為kp= 1.62 (比例環節)、ki = 87. 57 (積分放大倍數)；粒子群訓練獲得的PIDNN最優權值分別為8. 531,0. 00798,6. 649， 分別對應於圖4中的W' i、w' 2、w' 3。因跟蹤控制系統輸入層至中間層的權值取為定值 +1、_1，保持系統單位負反饋狀態，同時，也減少了運算量，節省存儲空間，便於實際系統的 開發。經傳統工程整定法設計的PI調節方法，直流電壓階躍變化過程中系統有大約 10%的超調量，而通過粒子群訓練獲得的PIDNN控制方法使系統無超調，且跟蹤較快； PIDNN控制方法器具有較快的響應速度和較高的跟蹤精度，進一步驗證了本實施例方法的 正確性和優越性；本實施例運算量較常規PID神經網絡明顯減少，對於本實施例，輸入層至 中間層的6個權值取為定值，不參與權值更新運算，使粒子維數由9維降低為3維，參與運算的數據量減少了 2/3。迭代運算中存儲神經網絡權值的數組長度也相應減少，大大節省了 運算中佔用的存儲空間。
權利要求
一種海上風電場輕型直流輸電系統變流器的控制方法，其特徵在於，包括以下步驟第一步，對海上風電場輕型直流輸電變流器進行簡化處理，得到變流器的傳遞函數，並採用雙閉環矢量控制方式對變流器進行控制；第二步，檢測風電場交流網側電壓及電流，計算有功功率P、無功功率Q和直流電壓Udc；第三步，建立三層結構形式的PID神經網絡控制模型，其中輸入層的兩個神經元分別接收系統的給定值和反饋值；中間層的三個神經元分別為比例P神經元、積分I神經元和微分D神經元；輸出層的一個神經元控制變流器的傳遞函數；第四步，採用粒子群搜索方法，對PID神經網絡控制模型進行優化處理，得到PID神經網絡控制模型中中間層到輸出層的三個連接權值；第五步，PID神經網絡控制模型中輸入層中給定值到中間層的連接權值為+1，輸入層中反饋值到中間層的連接權值為 1，對PID神經網絡進行前向傳遞，得到神經網絡的輸出，其輸出信號作為標準SPWM觸發方法的參考波，將該參考波與1KHz以上的三角波比較，生成觸發脈衝，從而驅動變流器主電路中各IGBT器件開關。
2.根據權利要求1所述的海上風電場輕型直流輸電系統變流器的控制方法，其特徵是，第一步中所述的簡化處理，是將海上風電場輕型直流輸電變流器簡化為一階慣性環節 和比例環節的串聯形式，得到變流器的傳遞函數為K/TsS+1其中K是等效比例放大倍數，Ts是IGBT開關動作的最大延遲時間，S是拉氏變換算子。
3.根據權利要求1所述的海上風電場輕型直流輸電系統變流器的控制方法，其特徵 是，第一步中所述的雙閉環矢量控制方式是指風電場側變流器控制直流電壓和無功功率 跟蹤給定值，電網側變流器控制系統有功功率和無功功率跟蹤給定值；內環基於變流器DQ 同步旋轉坐標系，採用前饋解耦控制方式，實現系統有功電流和無功電流的分別獨立控制。
4.根據權利要求1所述的海上風電場輕型直流輸電系統變流器的控制方法，其特徵 是，第三步中所述的給定值是風場輸出有功功率目標值Ρ*，無功功率給定值Q*，直流電壓給 定值C。
5.根據權利要求1所述的海上風電場輕型直流輸電系統變流器的控制方法，其特徵 是，第三步中所述的反饋值是第二步得到的有功功率P、無功功率Q和直流電壓Udc0
6.根據權利要求1所述的海上風電場輕型直流輸電系統變流器的控制方法，其特徵 是，第四步中所述的優化處理，包括以下步驟1)建立N群粒子，每群M個粒子，每個粒子的維數為3；2)設置每個粒子的搜索範圍、初始速度、學習效率、初始位置和搜索補償參數；3)對PID神經網絡進行前向傳遞，得到每個粒子的適應值，選取其中適應值最大的粒 子所對應的粒子作為系統最優粒子，每群粒子中適應值最大的粒子所對應的粒子作為該子 群的最優粒子；4)進行迭代處理，得到粒子的更新位置和更新速度；5)用粒子的更新位置和更新速度對PID神經網絡進行前向傳遞，得到所有粒子新的適 應值，並分別得到各子群新的最優粒子和系統新的最優粒子的位置；6)用新的最優粒子再次對PID神經網絡進行前向傳遞，得到網絡輸出，得到新的最優 粒子的適應值，返回3)，直至達到設定的循環次數，最終得到的最優粒子的位置就是PID神 經網絡的連接權值。
7.根據權利要求6所述的海上風電場輕型直流輸電系統變流器的控制方法，其特徵 是，所述的適應值是系統給定值和反饋值誤差平方的平均值。
8.根據權利要求6所述的海上風電場輕型直流輸電系統變流器的控制方法，其特徵 是，所述的迭代處理，是 其中Vi(k+l)為第k+1次更新後第i個粒子的速度，Vi (k)為第k次更新後第i個粒 子的速度，i = 1，…，Μ，Γι和r2分別是介於1到η之間的隨機整數，gbest為子群最優位置， gbest(r)為其它子群最優粒子位置，Pbest是系統最優粒子位置，ω為加速因子，h是搜索補償 參數。
全文摘要
一種電力傳輸技術領域的海上風電場輕型直流輸電系統變流器的控制方法，本發明基於粒子群尋優方法設計PID神經網絡控制器，替代傳統PI調節器，利用階躍輸入訓練神經網絡，即設置多群粒子在神經網絡權值空間中搜索，根據神經網絡的適應值函數不斷更新粒子的位置和速度，以獲得神經網絡最優權值。利用訓練得到的最優權值結合神經網絡誤差前向傳播方法，替換傳統PI調節器控制系統運行，不僅減少了需要調整的參數，同時，也可以提高系統暫態響應性能；神經網絡權值基於被控系統非線性模型訓練獲得，更接近真實系統。系統運行過程中只有PID神經網絡前向傳播過程參與控制，方法相對簡單、易於實現。
文檔編號H02J3/36GK101895125SQ201010247958
公開日2010年11月24日 申請日期2010年8月6日 優先權日2010年8月6日
發明者李爽, 王國強, 王志新 申請人:上海交通大學