CN104399682B - 一种光伏电站组件清扫智能决策预警系统 - Google Patents
一种光伏电站组件清扫智能决策预警系统 Download PDFInfo
- Publication number
- CN104399682B CN104399682B CN201410707840.1A CN201410707840A CN104399682B CN 104399682 B CN104399682 B CN 104399682B CN 201410707840 A CN201410707840 A CN 201410707840A CN 104399682 B CN104399682 B CN 104399682B
- Authority
- CN
- China
- Prior art keywords
- power station
- data
- subsystem
- photovoltaic
- early warning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 230000036642 wellbeing Effects 0.000 claims abstract description 11
- 238000012423 maintenance Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010926 purge Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000000034 method Methods 0.000 description 12
- 230000007935 neutral effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 239000000428 dust Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏电站组件清扫智能决策预警系统,包括参数报警子系统、数据中心子系统、预警决策子系统,该光伏电站组件清扫智能决策预警系统从电站监控后台和本地气象站等获取实时关键信息,并对各种数据进行推理和分析,以电站的经济收益最大为目的输出决策预警方案,系统输出的决策预警方案既可以反馈回光伏电站监控后台,也可以传输到运维人员和业主的移动终端,不但适用于分布式光伏电站,而且也可应用于大型地面光伏电站,能够让运维人员和业主及时掌握电站的运行状态和清扫决策预警方案。
Description
技术领域
本发明涉及一种光伏电站组件清扫智能决策预警系统。
背景技术
太阳能资源取之不尽、用之不竭,以清洁、环保为主要特点的光伏发电产业正在世界各地迅猛发展。无论是分布式光伏发电还是大型地面光伏发电都是目前非常重要的太阳能利用形式,我国从诸多方面对光伏电站的建设给予大力支持和优惠。但光伏组件发电效率受灰尘遮挡损失比较大,如何清扫组件表面的灰尘已经成为业界关注的重点,以大型地面光伏电站为例,由于灰尘等污染物遮挡导致的效率损耗可达到3%~4%。
中国发明专利申请号201310259095.4公开了一种区域分布式光伏组件用清扫系统,可以通过手持式总遥控器给区域控制模块发送命令,从而控制步进电机正反转,步进电机带动组件边框上安装的传动机构和清扫刷完成组件的表面清扫工作,但没有具体说明需要清洗的区域、时间和次数等信息,清扫工作缺少指导性。
对于电站运维人员和电站业主来说,在组件清扫之前,应该有具体的清扫决策预警方案,才能够对需要清扫的光伏阵列区域发送清扫命令,而且清扫预警方案要综合考虑多种因素,以电站的经济收益最大化为根本目标。
发明内容
本发明的目的是提供一种光伏电站组件清扫智能决策预警系统,以解决现有光伏电站清扫工作中,缺少清扫决策预警方案的指导,没有以电站的经济收益最大化为目标的问题。
为了实现以上目的,本发明所采用的技术方案是:一种光伏电站组件清扫智能决策预警系统,该系统包括:
参数报警子系统,用于从光伏电站监控后台采集光伏电站区域阵列和电站整体的发电量及发电效率的电站运行数据,并确定是否将采集的数据传输出到数据中心子系统;
数据中心子系统,用于接收并存储参数报警子系统输出的电站运行数据以及设定时间段内的天气预报数据和各区域阵列、电站整体清扫一次的费用成本数据、各区域阵列和电站整体清扫一次的发电效率、发电量、经济收益数据,并传输给决策预警子系统;
决策预警子系统,用于对数据中心子系统中的各种数据进行判断和分析,并制定和输出组件清扫执行数据。
所述参数报警子系统包括参数监测子系统和门限报警子系统,所述参数监测子系统与光伏监控后台通讯连接,用于获取光伏电站区域阵列和电站整体的发电量及发电效率的电站运行数据,所述门限报警子系统用于与参数监测子系统通讯连接,用于比较所设定的门限值和实际采集的参数值以确定是否将采集的数据传输出到数据中心子系统。
所述数据中心子系统的天气预报数据以本地实时的气象台数据为准,通过无线传输形式输入到数据中心子系统;所述各区域阵列、电站整体清扫一次的费用成本数据、各区域阵列和电站整体清扫一次的发电效率、发电量、经济收益数据通过经验演算得知,手动输入到数据中心子系统中。
所述决策预警子系统采用模糊神经网络算法并以光伏电站的经济收益最大为目的制定和输出组件清扫执行数据。
所述决策预警子系统制定和输出的清扫执行数据包括清扫区域、清扫时间、清扫次数。
所述决策预警子系统用于通过通讯线的形式反馈到光伏电站监控后台或通过无线信号的形式传输到运维人员和业主的移动终端。
本发明的光伏电站组件清扫智能决策预警系统从电站监控后台和本地气象站等获取实时关键信息,并对各种数据进行推理和分析,以电站的经济收益最大为目的输出决策预警方案,系统输出的决策预警方案既可以反馈回光伏电站监控后台,也可以传输到运维人员和业主的移动终端,不但适用于分布式光伏电站,而且也可应用于大型地面光伏电站,能够让运维人员和业主及时掌握电站的运行状态和清扫决策预警方案。
附图说明
图1为本发明的系统结构流程图;
图2为标准的BP模型结构图;
图3为本发明模糊神经网络的拓扑结构图;
图4为模糊神经网络学习流程图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
如图1为光伏电站组件清扫智能决策预警系统结构原理图,包括参数报警子系统、数据中心子系统、预警决策子系统,其中参数报警子系统与数据中心子系统通讯连接,数据中心子系统与决策预警子系统通讯连接,其详细说明如下:
参数报警子系统,用于从光伏电站监控后台采集拨码设定地址的光伏电站区域阵列和电站整体的发电量及发电效率的电站运行数据,并确定是否将采集的数据传输出到数据中心子系统。该参数报警子系统包括参数监测子系统和门限报警子系统,参数监测子系统与光伏监控后台通讯连接,用于获取光伏电站区域阵列和电站整体的发电量及发电效率的电站运行数据,门限报警子系统用于与参数监测子系统通讯连接,用于对所收集的参数进行判断,比较实际采集的参数值和所设定的门限值的大小,以确定是否将采集的数据传输出到数据中心子系统,若实际值大于门限值,则不报警,否则参数报警子系统将获取的光伏电站区域阵列和电站整体的发电量及发电效率等电站运行的关键数据输出到数据中心子系统。
数据中心子系统,用于接收并存储参数报警子系统输出的电站运行数据以及设定时间段内的天气预报数据和各区域阵列、电站整体清扫一次的费用成本数据、各区域阵列和电站整体清扫一次的发电效率、发电量、经济收益数据并传输给决策预警子系统。
数据中心子系统的天气预报数据以本地实时的气象台数据为准,通过无线传输形式输入到数据中心子系统;所述各区域阵列、电站整体清扫一次的费用成本数据、各区域阵列和电站整体清扫一次的发电效率、发电量、经济收益数据通过经验演算得知,手动输入到数据中心子系统中。
决策预警子系统,用于对数据中心子系统中的各种数据进行判断和分析,并制定和输出组件清扫执行数据方案。该决策预警子系统通过模糊神经网络算法进行建模,模糊神经网络首先经过数据集的训练,能够表征电站各种数据的原始特征,然后以电站经济收益最大化为原则,建立数学模型对输入的数据进行综合分析。所制定和输出的清扫执行数据方案包括清扫区域、清扫时间、清扫次数等内容。
BP神经网络是一种按误差逆向传播(BACK PROPA GATION)的BP算法进行网络训练的多层前馈型神经网络,是目前影响最大、应用最广的人工神经网络(ANN,Artificial Neural Network)之一,它具有很强的自适应性和学习能力、非线性映射能力、鲁棒性和容错能力,因而成为一种有效的信息处理和数据识别工具。人工神经网络模拟人的智能是根据人脑的生理结构和信息处理过程来实现的,模糊系统(Fuzzy System)则是模拟人的智能,描述和处理人的语言、思维中存在的模糊性概念,模糊神经网络(FNN,FuzzyNeural Network)是一种集模糊逻辑推理的强大结构性知识表达能力与神经网络的强大自学习能力与一体的技术,是模糊系统和神经网络有机结合的产物。
模糊神经网络已经广泛运用于过程控制、电力系统线路保护、变压器故障诊断等领域,神经网络和模糊系统取长补短,既能有效体现光伏电站组件清扫智能决策预警系统中存在的模糊性,又通过BP多层前馈网络,实现输入到输出的任意非线性映射,而且能加快神经网络的学习速度,快速给出预警系统的逻辑决策结果。
BP神经网络由信息的正向传播和误差的逆向传播2个过程组成,其基本思想是最小二乘法,它采用梯度搜索技术,通过反向传播来不断修正网络的权值,以期使网络的实际输出值与期望输出值的误差均方值最小。如图2所示,一个标准的BP模型由3层神经元组成:输入层、隐含层和输出层。
输入层将外部信号输入到神经网络中,起到信息传递的作用;隐含层的权系数改变,可以改变整个多层神经网络的性能;输出层则是网络内部信号反映到外部的接口部分。模糊神经网络通过建立模糊隶属函数,对神经网络的输入进行模糊处理,将其转化为0到1之间的数据。经过模糊处理后的数据才是BP神经网络的实际输入,因而隶属函数的选择要尽量减小外界因素的干扰。
本发明数据中心子系统中存储的重要参数设计为6个,分别是:
a1-光伏电站区域阵列的发电量(万kW·h);
a2-光伏电站整体的发电量(万kW·h);
a3-光伏场所在区域的平均辐射量(kWh/m2/日);
a4-光伏场所在区域的空气颗粒物浓度(μg/m3);
a5-光伏电站区域阵列清扫一次增加的资金收益与成本费用之差(万元);
a6-光伏电站整体清扫一次增加的资金收益与成本费用之差(万元);
设各个参数在既定单位下为个位数(否则可调整单位),则它们的模糊隶属函数分别为:
由于对输入数据首先进行了隶属度处理,因而本智能决策预警系统的模糊神经网络在BP神经网络的输入层之前增加量一个模糊层,用于对输入量进行模糊化处理,形成输入层的输入信号,设计的模糊神经网络的拓扑结构如图3所示。根据系统实际输入和输出的参数可知,该模糊神经网络共有6个输入节点(X1~X6),5个输出节点(y1~y5),输出参数分别为:
y1-需要清扫的光伏区域阵列编码;
y2-需要清扫的光伏区域阵列的清扫时间;
y3-需要清扫的光伏区域阵列的清扫次数;
y4-光伏电站区域阵列清扫一次增加的资金收益与成本费用之差(万元);
y5-光伏电站整体清扫一次增加的资金收益与成本费用之差(万元)。
本系统选取具有代表性的N组样本数据(采集光伏电站的实时监测数据及其经验数据)对神经网络进行训练,网络的学习函数为Sigmoid函数。当实际输出与期望输出不符时,进入误差的反向传播阶段,误差通过输出层,按误差梯度下降的方式修正各层权值,并向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者到预先设定的学习次数为止。
如图4所示为模糊神经网络学习流程图。当网络学习训练结束后,便可得到稳定的神经网络结构。最终本智能决策预警系统中的数据中心子系统接收和存储的实时光伏电站数据,经过模糊神经网络的处理,即可输出相应的智能决策结果。
决策预警子系统配置有与监控后台通讯的通讯线接口,和与电站运维人员及业主移动终端通讯的无线传输装置,可以通过通讯线的形式反馈到光伏电站监控后台,也可以通过无线信号的形式传输到运维人员和业主的移动终端。
电站运维人员或业主将决策预警方案以命令的形式发送到光伏组件清扫系统,已完成组件清扫。
在本实施例中,若门限报警系统发生报警,但经过数学模型推理和分析后,电站清扫后得到的经济收益小于成本费用,或者根据天气预报数据,电站清理后在很短时间内会有沙尘暴、扬尘等恶劣天气出线,在短期内可不清洗。
在本实施例中,光伏电站执行策预警子系统输出的决策预警方案后,若不满足门限报警系统中门限值参数的要求,则应继续执行系统流程。
以上实施例仅用于帮助理解本发明的核心思想,不能以此限制本发明,对于本领域的技术人员,凡是依据本发明的思想,对本发明进行修改或者等同替换,在具体实施方式及应用范围上所做的任何改动,均应包含在本发明的保护范围之内。
Claims (5)
1.一种光伏电站组件清扫智能决策预警系统,其特征在于,该系统包括:
参数报警子系统,用于从光伏电站监控后台采集光伏电站区域阵列和电站整体的发电量及发电效率的电站运行数据,并确定是否将采集的数据传输出到数据中心子系统;
数据中心子系统,用于接收并存储参数报警子系统输出的电站运行数据以及设定时间段内的天气预报数据和各区域阵列、电站整体清扫一次的费用成本数据、各区域阵列和电站整体清扫一次的发电效率、发电量、经济收益数据,并传输给决策预警子系统;
决策预警子系统,用于对数据中心子系统中的各种数据进行判断和分析,并制定和输出组件清扫执行数据;所述参数报警子系统包括参数监测子系统和门限报警子系统,所述参数监测子系统与光伏监控后台通讯连接,用于获取光伏电站区域阵列和电站整体的发电量及发电效率的电站运行数据,所述门限报警子系统用于与参数监测子系统通讯连接,用于比较所设定的门限值和实际采集的参数值以确定是否将采集的数据传输出到数据中心子系统。
2.根据权利要求1所述的光伏电站组件清扫智能决策预警系统,其特征在于: 所述数据中心子系统的天气预报数据以本地实时的气象台数据为准,通过无线传输形式输入到数据中心子系统;所述各区域阵列、电站整体清扫一次的费用成本数据、各区域阵列和电站整体清扫一次的发电效率、发电量、经济收益数据通过经验演算得知,手动输入到数据中心子系统中。
3.根据权利要求1所述的光伏电站组件清扫智能决策预警系统,其特征在于:所述决策预警子系统采用模糊神经网络算法并以光伏电站的经济收益最大为目的制定和输出组件清扫执行数据。
4.根据权利要求1所述的光伏电站组件清扫智能决策预警系统,其特征在于: 所述决策预警子系统制定和输出的清扫执行数据包括清扫区域、清扫时间、清扫次数。
5.根据权利要求1所述的光伏电站组件清扫智能决策预警系统,其特征在于:所述决策预警子系统用于通过通讯线的形式反馈到光伏电站监控后台或通过无线信号的形式传输到运维人员和业主的移动终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410707840.1A CN104399682B (zh) | 2014-11-28 | 2014-11-28 | 一种光伏电站组件清扫智能决策预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410707840.1A CN104399682B (zh) | 2014-11-28 | 2014-11-28 | 一种光伏电站组件清扫智能决策预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104399682A CN104399682A (zh) | 2015-03-11 |
CN104399682B true CN104399682B (zh) | 2016-12-07 |
Family
ID=52637385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410707840.1A Active CN104399682B (zh) | 2014-11-28 | 2014-11-28 | 一种光伏电站组件清扫智能决策预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104399682B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108718108A (zh) * | 2018-04-27 | 2018-10-30 | 上海太阳能科技有限公司 | 一种基于udp的分布式光伏电站遥监控及智能决策系统 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105215034B (zh) * | 2015-11-16 | 2017-06-16 | 上海许继电气有限公司 | 实现光伏电站太阳能电池板智能清洗的系统及方法 |
CN105652658B (zh) * | 2015-12-29 | 2018-12-04 | 国能日新科技股份有限公司 | 基于光伏电场数据分析及实时环境监测的有功控制系统 |
CN106982029A (zh) * | 2016-01-15 | 2017-07-25 | 优信电子(香港)有限公司 | 判断太阳能模块清洗时间点的方法及太阳能模块系统 |
CN105956683A (zh) * | 2016-04-19 | 2016-09-21 | 国网甘肃省电力公司电力科学研究院 | 公共机构电力需求侧管理系统以及电能质量预测方法 |
CN108268028B (zh) * | 2016-12-30 | 2021-08-20 | 浙江克里蒂弗机器人科技有限公司 | 光伏电池板清洗工作的智能规划系统及方法 |
CN107229817B (zh) * | 2017-04-19 | 2020-08-25 | 华电电力科学研究院有限公司 | 光伏电站灰尘遮挡损失分析方法 |
CN107947724A (zh) * | 2017-11-28 | 2018-04-20 | 北京上恩科技有限公司 | 分布式光伏电站自动清扫及监控系统 |
CN108304931A (zh) * | 2018-02-06 | 2018-07-20 | 国网天津市电力公司电力科学研究院 | 一种变电设备状态检修故障诊断方法 |
CN109317432A (zh) * | 2018-11-12 | 2019-02-12 | 河北工业大学 | 光伏组件智能清洁机器人 |
CN110161860B (zh) * | 2019-05-28 | 2022-03-11 | 南通大学 | 一种光伏组件智能清扫策略的方法及控制系统 |
CN111813003A (zh) * | 2020-07-16 | 2020-10-23 | 苏州鼎威新能源有限公司 | 光伏清扫设备的设备控制方法、装置及存储介质 |
CN114472424B (zh) * | 2021-12-22 | 2024-04-05 | 上海电气分布式能源科技有限公司 | 一种光伏清扫机器人的智能调控方法及系统 |
CN117496450B (zh) * | 2024-01-02 | 2024-03-22 | 江西联合能源有限公司 | 一种渔光互补的监控系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07325613A (ja) * | 1994-05-31 | 1995-12-12 | Toshiba Corp | アイソレーション管理装置 |
CN102521670A (zh) * | 2011-11-18 | 2012-06-27 | 中国电力科学研究院 | 基于气象要素的光伏电站发电输出功率预测方法 |
CN102671875B (zh) * | 2012-05-25 | 2013-11-27 | 陕西长岭光伏电气有限公司 | 一种太阳能光伏阵列清洁系统及其清洁方法 |
CN103350075B (zh) * | 2013-06-26 | 2015-06-17 | 国家电网公司 | 区域分布式光伏组件用清扫系统 |
CN103390199A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 光伏发电量/发电功率预测装置 |
CN203365585U (zh) * | 2013-07-23 | 2013-12-25 | 国家电网公司 | 光伏板灰尘检测装置 |
CN103439896B (zh) * | 2013-08-23 | 2015-10-14 | 常州捷佳创精密机械有限公司 | 一种用于光伏链式系统的控制方法 |
-
2014
- 2014-11-28 CN CN201410707840.1A patent/CN104399682B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108718108A (zh) * | 2018-04-27 | 2018-10-30 | 上海太阳能科技有限公司 | 一种基于udp的分布式光伏电站遥监控及智能决策系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104399682A (zh) | 2015-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104399682B (zh) | 一种光伏电站组件清扫智能决策预警系统 | |
CN105930955A (zh) | 基于深度学习的充电网络运行态势分析方法及装置 | |
CN103886374B (zh) | 一种基于rbf神经网络的电缆接头导线温度预测方法 | |
CN105827195B (zh) | 一种光伏组件清洗方法 | |
CN106017551A (zh) | 一种智能化输电线路综合监测分析预警方法 | |
CN109214552A (zh) | 基于集成学习光伏预测的智能运维方法 | |
CN107818410A (zh) | 一种光伏组件积灰程度远程智能诊断方法 | |
CN115423301B (zh) | 一种基于物联网的电力能源智能管控方法、装置及系统 | |
CN113885398B (zh) | 一种基于可微推理的水循环智能感知与监控系统 | |
CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN106405352A (zh) | 一种电力绝缘子表面积污物的等值盐密预测及预警系统 | |
Eseye et al. | A double-stage hierarchical hybrid PSO-ANN model for short-term wind power prediction | |
CN106227127A (zh) | 发电设备智能监控装置和监控方法 | |
Wang et al. | Ultra-short-term wind power forecasting based on deep belief network | |
CN106169771A (zh) | 一种可预测发电量数据的并网逆变器 | |
CN108767987A (zh) | 一种配电网及其微电网保护与控制系统 | |
Motepe et al. | South African distribution networks load forecasting using ANFIS | |
CN104050377A (zh) | 一种时变设备故障概率确定方法 | |
Tang et al. | A heuristic path planning algorithm for inspection robots | |
CN108846529A (zh) | 一种发电量预测系统 | |
CN102156408B (zh) | 一种动态自适应演化最大功率点跟踪控制系统及方法 | |
CN116435989A (zh) | 新型电力系统设备物联状态预测方法、装置及系统 | |
CN103546948A (zh) | 基于图论的能量获取传感器网络节点休眠调度方法和系统 | |
CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |