• 一種用于直流輸電系統反演下垂控制的方法及系統與流程

                      文檔序號:19676443發布日期:2020-01-10 23:24
                      一種用于直流輸電系統反演下垂控制的方法及系統與流程

                      本發明涉及直流輸電系統控制技術領域,更具體地,涉及一種用于直流輸電系統反演下垂控制的方法及系統。



                      背景技術:

                      直流電網控制系統需確保直流系統與外界保持瞬時交換功率平衡,並穩定直流電網電壓。目前,柔性直流輸電網常用控制方法可分爲主從控制、裕度控制和下垂控制。其中,主從控制不適用于遠距離輸電;裕度控制是主從控制的擴展,當控制直流電壓的主換流站交接電壓控制權時,系統會發生振蕩;下垂控制能夠克服上述兩種控制方法的缺陷,是目前的研究熱點。

                      下垂控制策略最大的優點在于,各換流站只需本地的測量信號便可實現多個換流站間的相互協調以控制直流電網電壓。但由于缺乏站間通訊和集中控制,電網穩態功率調控能力很弱,因此,通常會在下垂控制上疊加系統控制層,優化潮流,爲各換流站節點分配功率,並作爲下垂控制的參考工作點。

                      然而,隨著接入柔性直流輸電網可再生能源電站容量增大,數量增多,會給直流電網帶來長時間、大幅度的功率波動,由于已有的下垂控制都基于線性關系建模,僅能粗略地基于有功功率控制換流站節點電壓,而當直流電網中存在長時間大幅度功率波動時,線性控制模型難以保障換流站的魯棒性。此外,在計算下垂控制參考點時,現有算法往往忽略系統隨機功率波動帶來的影響,控制對象建模不完善,也降低了控制精度。

                      系統控制層控制的實時性要求高,常規的潮流計算方法難以兼顧控制精度和實時性要求,但精確的潮流優化方法往往耗時長,從而導致系統與換流站控制層之間時延較長,控制實時性較差。多端直流輸電系統下垂控制參考工作點的動態優化是一個複雜的非線性規劃問題,要求在滿足特定的電力系統運行和安全約束條件下,計算各換流站控制的參考工作點。

                      新型群智能算法的參數較少,進化過程相對簡單,運算速度快,全局搜索能力較強,適用于解決高維和多目標優化問題。已提出的基于人工蜂群算法的電力系統最優潮流,該方法具有良好的全局收斂特性,但容易陷入局部最優。已提出的采用混合蛙跳算法在含風電場的電力系統中進行動態潮流優化,增加了全局尋優能力,但後期收斂速度慢。

                      因此,需要一種技術,以實現直流輸電系統反演下垂控制的技術。



                      技術實現要素:

                      本發明技術方案提供一種用于直流輸電系統反演下垂控制的方法及系統,以解決如何基于直流輸電系統進行反演下垂控制的問題。

                      爲了解決上述問題,本發明提供了一種用于直流輸電系統反演下垂控制的方法,所述方法包括:

                      采集典型柔性直流輸電網的運行數據,對所述運行數據進行預處理,利用經過預處理後的運行數據建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動;

                      通過篩選所述運行數據,獲取所述運行數據中的故障數據,對所述故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于所述故障發生概率建立故障發生概率分布模型,獲取不同類型概率的分布;

                      基于所述功率擾動,確定是否生成故障及生成故障時的故障類型,將所述功率擾動和生成的所述故障疊加至柔性直流輸電網的暫態仿真模型,計算各換流站參考工作點的偏離,獲取換流站的可行工作點;

                      基于所述換流站的可行工作點,通過貝葉斯的下垂控制反演構建下垂控制規律。

                      優選地,所述采集典型柔性直流輸電網的運行數據,對所述運行數據進行預處理,利用經過預處理後的運行數據建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動,還包括:

                      采集典型柔性直流輸電網的運行數據,對所述運行數據進行預處理,利用經過預處理後的運行數據利用最小二乘法建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動。

                      優選地,所述通過篩選所述運行數據,獲取所述運行數據中的故障數據,對所述故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于所述故障發生概率建立故障發生概率分布模型,獲取不同類型概率的分布,還包括:

                      通過篩選所述運行數據,獲取所述運行數據中的故障數據,對所述故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于所述故障發生概率利用最大似然估計法建立故障發生概率分布模型,獲取不同類型概率的分布。

                      優選地,所述基于所述換流站的可行工作點,通過貝葉斯的下垂控制反演構建下垂控制規律,還包括:

                      按照主從控制方案,獲取穩定的工作狀態,根據所述穩定的工作狀態,設計電壓下垂控制的參考工作點;

                      基于所述參考工作點,設計各換流站下垂特性的參數。

                      基于本發明的另一方面,提供一種用于直流輸電系統反演下垂控制的系統,所述系統包括:

                      擾動單元,用于采集典型柔性直流輸電網的運行數據,對所述運行數據進行預處理,利用經過預處理後的運行數據建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動;

                      故障單元,用于通過篩選所述運行數據,獲取所述運行數據中的故障數據,對所述故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于所述故障發生概率建立故障發生概率分布模型,獲取不同類型概率的分布;

                      獲取單元,用于基于所述功率擾動,確定是否生成故障及生成故障時的故障類型,將所述功率擾動和生成的所述故障疊加至柔性直流輸電網的暫態仿真模型,計算各換流站參考工作點的偏離,獲取換流站的可行工作點;

                      結果單元,用于基于所述換流站的可行工作點,通過貝葉斯的下垂控制反演構建下垂控制規律。

                      優選地,所述擾動單元用于采集典型柔性直流輸電網的運行數據,對所述運行數據進行預處理,利用經過預處理後的運行數據建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動,還用于:

                      采集典型柔性直流輸電網的運行數據,對所述運行數據進行預處理,利用經過預處理後的運行數據利用最小二乘法建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動。

                      優選地,所述故障單元用于通過篩選所述運行數據,獲取所述運行數據中的故障數據,對所述故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于所述故障發生概率建立故障發生概率分布模型,獲取不同類型概率的分布,還用于:

                      通過篩選所述運行數據,獲取所述運行數據中的故障數據,對所述故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于所述故障發生概率利用最大似然估計法建立故障發生概率分布模型,獲取不同類型概率的分布。

                      優選地,所述結果單元,用于基于所述換流站的可行工作點,通過貝葉斯的下垂控制反演構建下垂控制規律,還用于:

                      按照主從控制方案,獲取穩定的工作狀態,根據所述穩定的工作狀態,設計電壓下垂控制的參考工作點;

                      基于所述參考工作點,設計各換流站下垂特性的參數。

                      本發明技術方案提供一種用于直流輸電系統反演下垂控制的方法及系統,其中方法包括:采集典型柔性直流輸電網的運行數據,對運行數據進行預處理,利用經過預處理後的運行數據建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動;通過篩選運行數據,獲取運行數據中的故障數據,對故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于故障發生概率建立故障發生概率分布模型,獲取不同類型概率的分布;基于功率擾動,確定是否生成故障及生成故障時的故障類型,將功率擾動和生成的故障疊加至柔性直流輸電網的暫態仿真模型,計算各換流站參考工作點的偏離,獲取換流站的可行工作點;基于換流站的可行工作點,通過貝葉斯的下垂控制反演構建下垂控制規律。本發明技術方案將建立一種基于分層群智能優化的直流輸電系統反演下垂控制方法。本發明的控制方法將制定基于反演建模法的柔性直流輸電網分層群智能優化下垂控制策略,有效提升直流電網接收、傳輸和消納可再生能源的能力,爲清潔能源外送奠定基礎。

                      附圖說明

                      通過參考下面的附圖,可以更爲完整地理解本發明的示例性實施方式:

                      圖1爲根據本發明優選實施方式的用于直流輸電系統反演下垂控制的方法流程圖;

                      圖2爲根據本發明優選實施方式的常用電壓下垂控制律示意圖;

                      圖3爲根據本發明優選實施方式的反演下垂控制設計思路圖示意圖;以及

                      圖4爲根據本發明優選實施方式的用于直流輸電系統反演下垂控制的系統結構圖。

                      具體實施方式

                      現在參考附圖介紹本發明的示例性實施方式,然而,本發明可以用許多不同的形式來實施,並且不局限于此處描述的實施例,提供這些實施例是爲了詳盡地且完全地公開本發明,並且向所屬技術領域的技術人員充分傳達本發明的範圍。對于表示在附圖中的示例性實施方式中的術語並不是對本發明的限定。在附圖中,相同的單元/元件使用相同的附圖標記。

                      除非另有說明,此處使用的術語(包括科技術語)對所屬技術領域的技術人員具有通常的理解含義。另外,可以理解的是,以通常使用的詞典限定的術語,應當被理解爲與其相關領域的語境具有一致的含義,而不應該被理解爲理想化的或過于正式的意義。

                      圖1爲根據本發明優選實施方式的用于直流輸電系統反演下垂控制的方法流程圖。本申請實施方式提出的一種基于分層群智能優化的直流輸電系統反演下垂控制方法,其改進之處在于:一種基于分層群智能優化的直流輸電系統反演下垂控制方法,由基于新型群智能優化算法的換流站下垂控制參考工作點計算方法、基于系統功率波動的換流站可行工作點構建方法、基于貝葉斯的下垂控制律反演構建方法組成。基于新型群智能優化算法的換流站下垂控制參考工作點計算方法,本優化問題擁有多個目標,且維度高,新型群智能算法參數較少,進化過程相對簡單,運算速度快,全局搜索能力強,適用于此類問題,還能減少系統控制層時延,優化與換流站控制層的時延匹配效果。其中bfcea群智能優化算法在雲計算環境下平衡負載和資源調度問題中有效提高了收斂速度和求解質量,考慮到與本優化問題的高相似度,擬借鑒bfcea群智能優化算法進行本問題的優化求解。基于系統功率波動的換流站可行工作點構建方法,擬參照實際系統運行數據,建立隨機功率擾動模型和故障概率分布模型,模擬系統功率波動,構建換流站可行工作點計算方法。如圖1所示,一種用于直流輸電系統反演下垂控制的方法,方法包括:

                      優選地,在步驟101:采集典型柔性直流輸電網的運行數據,對運行數據進行預處理,利用經過預處理後的運行數據建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動。優選地,采集典型柔性直流輸電網的運行數據,對運行數據進行預處理,利用經過預處理後的運行數據建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動,還包括:采集典型柔性直流輸電網的運行數據,對運行數據進行預處理,利用經過預處理後的運行數據利用最小二乘法建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動。本申請的隨機功率擾動建模,隨機功率擾動會導致換流站的工作點偏離參考點,本申請擬采集某典型柔性直流輸電網運行數據,預處理後利用最小二乘法對各換流站的隨機功率擾動進行建模,用以模擬各自的功率擾動情況。

                      優選地,在步驟102:通過篩選運行數據,獲取運行數據中的故障數據,對故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于故障發生概率建立故障發生概率分布模型,獲取不同類型概率的分布。優選地,通過篩選運行數據,獲取運行數據中的故障數據,對故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于故障發生概率建立故障發生概率分布模型,獲取不同類型概率的分布,還包括:通過篩選運行數據,獲取運行數據中的故障數據,對故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于故障發生概率利用最大似然估計法建立故障發生概率分布模型,獲取不同類型概率的分布。本申請的故障概率分布建模,當某個換流站發生故障時,將産生不平衡功率,也會導致換流站的工作點偏離參考點。過濾采集信息,獲取故障數據,利用機器學習分析故障類型,並統計其概率,再利用最大似然估計法對故障進行建模,得到故障概率分布模型,用以表示不同的故障分布情況。

                      優選地,在步驟103:基于功率擾動,確定是否生成故障及生成故障時的故障類型,將功率擾動和生成的故障疊加至柔性直流輸電網的暫態仿真模型,計算各換流站參考工作點的偏離,獲取換流站的可行工作點。

                      優選地,在步驟104:基于換流站的可行工作點,通過貝葉斯的下垂控制反演構建下垂控制規律。優選地,基于換流站的可行工作點,通過貝葉斯的下垂控制反演構建下垂控制規律,還包括:按照主從控制方案,獲取穩定的工作狀態,根據穩定的工作狀態,設計電壓下垂控制的參考工作點;基于參考工作點,設計各換流站下垂特性的參數。

                      模擬系統功率波動,通過隨機發生器生成隨機功率擾動,並隨即選擇是否生成故障及故障類型,將擾動和故障疊加到柔性直流輸電網的暫態仿真模型中,計算各換流站參考工作點的偏離,得出換流站i的可行工作點,但此時有功功率與電壓之間的約束關系難以維持,需進一步用貝葉斯算法反演構建換流站下垂控制律。

                      本申請基于貝葉斯的下垂控制律反演構建方法,常規下垂控制中,如何建立下垂控制模型是個難點。本申請擬采用基于系統功率波動的換流站可行工作點構建方法得出的換流站可行工作點,利用機器學習中貝葉斯建模法,反演構建換流站下垂控制律。

                      蜂群蛙跳混合優化算法(beeandfrogcoevolutionalgorithm,bfcea)在雲計算環境下平衡負載和資源調度問題中,能有效提高收斂速度和求解質量。bfcea與換流站下垂控制參考工作點優化問題相似度高,本申請將其應用到柔性直流輸電網潮流優化問題的求解。本申請提出了蜂群蛙跳混合優化算法,以期提高功率分配的准確度和實時性,減少系統控制層時延,優化與換流站執行層的時延匹配效果,進一步提升功率分配的合理性。構建電網隨機功率波動下換流站下垂控制律反演建模理論和方法,提升下垂控制換流站的魯棒性。

                      本申請提出的柔性直流輸電網分層下垂控制反演建模理論與新型群智能優化算法,旨在提升換流站分層動態優化的速度與精度,提高換流站下垂控制的穩定性和魯棒性,探索適用于柔性直流輸電網的控制新策略,對提升柔性直流輸電網消納可再生能源的能力有重要意義。

                      本申請實施方式一種基于分層群智能優化的直流輸電系統反演下垂控制方法,由基于新型群智能優化算法的換流站下垂控制參考工作點計算方法、基于系統功率波動的換流站可行工作點構建方法、基于貝葉斯的下垂控制律反演構建方法組成。

                      其中基于新型群智能優化算法的換流站下垂控制參考工作點計算方法,優化問題擁有多個目標,且維度高,新型群智能算法參數較少,進化過程相對簡單,運算速度快,全局搜索能力強,適用于此類問題,還能減少系統控制層時延,優化與換流站控制層的時延匹配效果。其中bfcea群智能優化算法在雲計算環境下平衡負載和資源調度問題中有效提高了收斂速度和求解質量,考慮到與本優化問題的高相似度,擬借鑒bfcea群智能優化算法進行本問題的優化求解,流程如下:

                      步驟1:在搜索空間中隨機初始化n個蛙類,用q表示出每個基因組中的蛙類數量,其中內叠代表示每個基因組中的叠代次數,dmax表示叠代允許的最大步長,max表示最大叠代次數。

                      步驟2:計算適合度並按降序的方法進行排序,用最佳的適合度初始化全局最優位置gbest,然後根據分組運算符將青蛙重新劃分爲m基因組。

                      步驟3:根據公式調整最差位置爲

                      pworsti'=pworsti+di(k)(5)

                      步驟4:如步驟3求得的新位置已得到改善,則用新位置替換最差位置,轉至步驟6,否則根據公式重新調整最差位置爲

                      步驟5:如果新位置在步驟4中得到改善,用新位置替代最差位置,轉至步驟6,或者最好的青蛙發生柯西突變時,用新位置替換最差的位置。

                      步驟6:計算每組的適合度,並按降序進行排列,判斷叠代是否完成,如果沒有完成,轉至步驟3。

                      步驟7:在所有的基因組中洗牌青蛙,判斷叠代次數是否達到g次,如果達到,則基因組中第一個1/20和最後一個1/20的青蛙調用abc算法進行操作,最終改革出一個新的種群。

                      步驟8:判斷是否滿足終止條件,如果滿足,導出最優值,退出算法,否則轉至步驟2。

                      通過bfcea優化算法可得到各換流站的參考工作點(pi*,vi*)。

                      其中基于系統功率波動的換流站可行工作點構建方法,通過動態最優化算法叠代計算出各換流站控制的參考工作點。多端直流輸電系統各端口電壓受直流電網拓撲結構的限制,需滿足有功功率與直流電壓之間的約束關系。由于各換流站都會受到不同的隨機功率擾動和故障幹擾,會導致偏離換流站的參考工作點,該約束條件無法成立,且出現系統靜態偏差,因此必須考慮兩種幹擾。

                      其中隨機功率擾動建模,隨機功率擾動會導致換流站的工作點偏離參考點,本發明擬采集某典型柔性直流輸電網運行數據,預處理後利用最小二乘法對各換流站的隨機功率擾動進行建模,用以模擬各自的功率擾動情況。

                      其中故障概率分布建模:當某個換流站發生故障時,將産生不平衡功率,也會導致換流站的工作點偏離參考點。過濾采集信息,獲取故障數據,利用機器學習分析故障類型,並統計其概率,再利用最大似然估計法對故障進行建模,得到故障概率分布模型,用以表示不同的故障分布情況。

                      通過隨機發生器生成隨機功率擾動,並隨即選擇是否生成故障及故障類型,將擾動和故障疊加到柔性直流輸電網的暫態仿真模型中,計算各換流站參考工作點的偏離,得出換流站i的可行工作點(pi',vi'),但此時有功功率與電壓之間的約束關系難以維持,需進一步用貝葉斯算法反演構建換流站下垂控制律。

                      其中基于貝葉斯的下垂控制律反演構建方法以及基于控制實時性、換流站魯棒性要求的下垂控制律建模複雜度優化,先依照主從控制方案,得到一組穩定的工作狀態,並將其設計成爲電壓下垂控制的參考工作點,再依照參考工作點,設計各換流站下垂特性的其他參數。

                      通用下垂控制關系表示爲:

                      vi-vi*=βi(pi-pi*)(8)

                      其中,vi、pi和βi分別表示換流站i的實際電壓、實際功率和下垂系數。pi*和vi*分別表示換流站i下垂控制的參考功率和參考電壓。

                      圖2描繪了公式(1)的電壓下垂控制通用關系。

                      圖2中(pi*,vi*)表示參考工作點,(pi,vi)表示實際工作點,實際工作點將工作在所建立的下垂特征圖上。vimax、vimin、pimax、pimin分別爲換流站i的電壓和功率的上下限,這些參數需滿足交直流系統和換流器的限制條件。實際工作點在穿越了參考工作點的下垂控制線上工作。

                      常規下垂控制中的功率和電壓是線性關系,其斜率確定是個難點,即使確定了斜率,在隨機功率擾動和故障擾動下也無法保證功率和電壓依然維持線性關系,因爲有功功率與直流電壓之間的約束關系不成立。

                      在本發明工作中,首先考慮了隨機功率擾動和故障擾動的影響,通過上述步驟可確定一系列換流站i的可行工作點(pi',vi'),從而建立下垂控制律fi(p,v)。圖3描繪了建立反演下垂控制方法的基本思路。

                      如圖3所示,利用機器學習中貝葉斯建模法,得到各換流站的下垂控制律。通過反演算法,每個網絡站點得到k個時刻的可行工作點(pmi',vmi'),其中m∈(0,n),i∈(0,k),n爲換流站總個數。將每個網絡站點的k個時刻數據(pk-pk',vk-vk')作爲訓練集輸入到貝葉斯模型中,訓練出每個站點的p與v的函數對應關系,其具體做法如下。

                      首先,將某個換流站k個時刻的數據整合成一個向量其中,xi=[1pi-pi']t,t=[v1-v1'v2-v2'…vk-vk']t,其中,δv作爲輸出量t,δp作爲輸入量x。

                      假設每個站點的功率與電壓服從正態分布,確定貝葉斯模型的先驗概率服從一個均值爲μ0,方差爲σ0的正態分布。通過邊緣似然值的峰值來確定貝葉斯模型的階數,邊緣似然值計算方法爲

                      p(t|x,μ0,σ0)=n(xμ0,σ2in+xσ0xt)(9)

                      其中,σ2爲樣本集的方差,得到貝葉斯模型的階數之後,建立貝葉斯概率模型

                      t=xω+εε~n(0,σ2in)(10)

                      p(t|ω,x,σ2)~n(xω,σ2in)(11)

                      其中,ω爲一個l維列向量,其維數等于貝葉斯模型的階數+1。

                      通過訓練集得到貝葉斯概率模型的各參數ω,最終,當有一個新得到的功率pnew時,通過得到預測概率最大值作爲輸出得vnew,其預測模型如下:

                      由此計算出換流站的下垂控制律fi(p,v),因爲該控制律作用于一個動態範圍,可以很好地調節時延導致的各端口有功功率與直流電壓關系波動,以滿足系統約束條件,進一步提升系統的工作性能。

                      圖4爲根據本發明優選實施方式的用于直流輸電系統反演下垂控制的系統結構圖。如圖4所示,一種用于直流輸電系統反演下垂控制的系統,系統包括:

                      擾動單元401,用于采集典型柔性直流輸電網的運行數據,對運行數據進行預處理,利用經過預處理後的運行數據建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動。優選地,擾動單元401用于采集典型柔性直流輸電網的運行數據,對運行數據進行預處理,利用經過預處理後的運行數據建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動,還用于:采集典型柔性直流輸電網的運行數據,對運行數據進行預處理,利用經過預處理後的運行數據利用最小二乘法建立隨機功率擾動模型,模擬各換流站的功率擾動,生成功率擾動。

                      故障單元402,用于通過篩選運行數據,獲取運行數據中的故障數據,對故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于故障發生概率建立故障發生概率分布模型,獲取不同類型概率的分布。優選地,故障單元402用于通過篩選運行數據,獲取運行數據中的故障數據,對故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于故障發生概率建立故障發生概率分布模型,獲取不同類型概率的分布,還用于:通過篩選運行數據,獲取運行數據中的故障數據,對故障數據進行分析以獲取故障類型,統計故障類型所對應的故障發生概率;基于故障發生概率利用最大似然估計法建立故障發生概率分布模型,獲取不同類型概率的分布。

                      獲取單元403,用于基于功率擾動,確定是否生成故障及生成故障時的故障類型,將功率擾動和生成的故障疊加至柔性直流輸電網的暫態仿真模型,計算各換流站參考工作點的偏離,獲取換流站的可行工作點;

                      結果單元404,用于基于換流站的可行工作點,通過貝葉斯的下垂控制反演構建下垂控制規律。優選地,結果單元404,用于基于換流站的可行工作點,通過貝葉斯的下垂控制反演構建下垂控制規律,還用于:按照主從控制方案,獲取穩定的工作狀態,根據穩定的工作狀態,設計電壓下垂控制的參考工作點;基于參考工作點,設計各換流站下垂特性的參數。

                      本發明優選實施方式的用于直流輸電系統反演下垂控制的系統400與本發明優選實施方式的用于直流輸電系統反演下垂控制的方法100相對應,在此不再進行贅述。

                      已經通過參考少量實施方式描述了本發明。然而,本領域技術人員所公知的,正如附帶的專利權利要求所限定的,除了本發明以上公開的其他的實施例等同地落在本發明的範圍內。

                      通常地,在權利要求中使用的所有術語都根據他們在技術領域的通常含義被解釋,除非在其中被另外明確地定義。所有的參考“一個/所述/該[裝置、組件等]”都被開放地解釋爲所述裝置、組件等中的至少一個實例,除非另外明確地說明。這裏公開的任何方法的步驟都沒必要以公開的准確的順序運行,除非明確地說明。

                      再多了解一些
                      當前第1頁1 2 3 
                      網友詢問留言 已有0條留言
                      • 還沒有人留言評論。精彩留言會獲得點贊!
                      1
                      X-POWER-BY FNC Vbeta FROM ZZtest