CN106992588A - 一种基于物联网的太阳能风能集成高智能控制系统 - Google Patents

Abstract

本发明公开了一种基于物联网的太阳能风能集成高智能控制系统，包括电脑终端，所述电脑终端包括外框，本发明涉及智能控制技术领域。该基于物联网的太阳能风能集成高智能控制系统通过电脑终端的输出端分别与控制器的输入端和风光互补控制器的输入端连接，电脑终端控制控制器进行太阳能的采集，通过A/D转换器将太阳能转化为电能，通过中央处理器，将电能储存在蓄电池组，对用不完的电能进行储存，可以有效地节约了能量，保护环境，通过控制器的输入端与太阳能电板的输出端连接，将大自然的风能进行采集，风光互补控制器控制A/D转换器将采集的能量转换为电能，中央处理器将其电能储存在蓄电池组，减少了能量的消耗。

Description

一种基于物联网的太阳能风能集成高智能控制系统

技术领域

本发明涉及智能控制技术领域，具体为一种基于物联网的太阳能风能集成高智能控制系统。

背景技术

太阳能的能源是来自地球外部天体的能源主要是太阳能，是太阳中的氢原子核在超高温时聚变释放的巨大能量，人类所需能量的绝大部分都直接或间接地来自太阳，我们生活所需的煤炭、石油、天然气等化石燃料都是因为各种植物通过光合作用把太阳能转变成化学能在植物体内贮存下来后，再由埋在地下的动植物经过漫长的地质年代形成，此外，水能、风能、波浪能、海流能等也都是由太阳能转换来的。

大部分的太阳能和风能都是利用其能量转换为电能，满足人们的生产生活，但是大部分的能量都被浪费，增加了能量的消耗，也不环保。

发明内容

针对现有技术存在的问题，本发明提供了一种基于物联网的太阳能风能集成高智能控制系统。

本发明是这样实现的，一种基于物联网的太阳能风能集成高智能控制系统，所述基于物联网的太阳能风能集成高智能控制系统包括电脑终端；

所述电脑终端包括外框，所述外框的表面固定连接有显示屏；

所述显示屏采用Harris和DOG分别进行特征点提取。以参考图像为基准进行图像序列筛选，选出主光轴与参考图像之间夹角小于60度的图像作为候选图像；对参考图像的每个特征点f，根据极线约束在候选图像中找到对应的候选匹配点f’；然后利用稠密扩散方法，选择零均值归一化互相关系数作为目标函数，计算匹配点对的ZNCC值，并按照其大小进行排序，选取大于阈值μ1的特征点作为种子点进行邻域扩散，选取大于阈值μ2的特征点作为储备匹配点(μ1>μ2)；对于参考图像的所有匹配点，在候选图像中心固定窗口大小建立一对多的匹配；在满足视差梯度约束和置信度约束的前提下，计算扩散匹配点对的ZNCC，筛选大于阈值μ3的扩散点作为种子点进行二次扩散，筛选大于阈值μ4的扩散点作为储备匹配点μ3>μ4；

所述电脑终端的输出端分别与控制器的输入端和风光互补控制器的输入端连接；

所述控制器的输入端与太阳能电板的输出端连接；

所述风光互补控制器的输入端分别与光伏组件的输出端和风力发电机的输出端连接；

所述控制器的输出端和风光互补控制器的输出端均与A/D转换器的输入端连接；

所述控制器利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率时，包括以下步骤：

第一步，在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；

第二步，对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；

第三步，对所有求均值并取整，得到源信号个数的估计即

第四步，找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；

第五步，根据第二步中估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

这里表示第l跳对应的个混合矩阵列向量估计值；

第六步，估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

所述A/D转换器的输出端与中央处理器的输入端连接；

所述中央处理器的输出端分别与蓄电池组的输入端和电脑终端的输入端连接；

所述中央处理器设置有定位节点坐标计算模块，所述定位节点坐标接收模块的计算方法包括：

第一步，选定差分修正点，确定定位交点坐标和复数定位交点，计算定位交点间距离；

从d_i′(i＝0,1,2,…,n)中选择距离值最小的锚节点A₀为差分修正点，再从剩余的距离值中取出3个最小的距离值，这3个为距离值分别d₁′、d₂′和d₃′，对应的锚节点坐标分别为A₁(x₁,y₁)、A₂(x₂,y₂)和A₃(x₃,y₃)，分别以锚节点A_i(x_i,y_i)为圆心，d_i′为半径作三个定位圆i，其中i＝1,2,3，三个定位圆的相交情况共有6种，两个圆之间存在两个交点，这两个交点为两个相等的实数交点，或两个不相等的实数交点，或两个复数交点；两个定位圆的两个交点中，选择与第三定位圆圆心坐标的距离较小的那个交点作为定位交点，以参与待定位节点的定位；由3个定位圆确定三个定位交点及复数定位交点的个数m，由定位圆2和定位圆3确定的定位交点坐标为A′(x₁,y₁)、由定位圆1和定位圆3确定的定位交点的坐标为B′(x₂,y₂)，由定位圆1和定位圆2确定的定位交点的坐标为C′(x₃,y₃)，定位交点A′与B′、B′与C′、A′与C′的距离分别为d₁₂、d₂₃、d₁₃：

第二步，设置阈值T，个体差异系数修正系数ω，参数λ(λ>0)，设置T＝0.5、ω＝1500以及λ＝0.001，三个定位交点之间的距离d₁₂<T、d₂₃<T、d₁₃<T时，执行第四步；

第三步，根据如下自适应距离修正公式修正d₁′、d₂′、d₃′，得到修正距离为d₁、d₂、d₃：

其中，d_i表示待定位节点与锚节点A_i之间的修正距离，d_0i表示差分修正点A₀与锚节点A_i之间的实际距离，d′_0i表示差分修正点A₀与锚节点A_i之间的测量距离，ω表示个体差异系数修正系数，λ_i表示方向修正因子，exp(·)表示指数函数；

根据修正后的距离d₁、d₂、d₃，重新求解修正后的三个定位交点间的距离d₁₂、d₂₃、d₁₃，返回第二步；

第四步，根据如下公式，计算出待定位节点的定位坐标O(x₀,y₀)：

其中，α₁、α₂、α₃分别表示x₁′、x₂′、x₃′的权重，β₁、β₂、β₃分别表示y₁′、y₂′、y₃′的权重，

进一步，所述显示屏的底部固定连接有底座。

进一步，所述底座的一侧通过连接线设置有键盘。

进一步，所述键盘的一侧设置有无线鼠标。

进一步，所述A/D转换器的型号为A/D7574。

进一步，所述显示器的时频分析图像按如下方式进行：

频率切片小波变换定义式为：

其中p(t)是信号的时域表；矢量σ为时频分析的尺度因子且σ≠0，σ通过建立变换因子与时频分辨率的对应关系σ＝ω/k,k＞0和来确定的σ；为频率片函数h(t)的傅里叶变换，称为频率切片函数；

依据帕塞维尔方程，如果矢量σ不是估计频率v的函数，上述FSWT表达式可表示为：

使用作为FSF对时频重叠信号进行时频分析处理，此时可表示为：

与现有技术相比，本发明的有益效果是：该基于物联网的太阳能风能集成高智能控制系统，通过电脑终端的输出端分别与控制器的输入端和风光互补控制器的输入端连接，控制器的输入端与太阳能电板的输出端连接，电脑终端控制控制器进行太阳能的采集，通过A/D转换器将太阳能转化为电能，通过中央处理器，将电能储存在蓄电池组，对用不完的电能进行储存，可以有效地节约了能量，保护环境；该基于物联网的太阳能风能集成高智能控制系统，通过控制器的输入端与太阳能电板的输出端连接，风光互补控制器的输入端分别与光伏组件的输出端和风力发电机的输出端连接，光伏组件和风力发电机的配合使用，将大自然的风能进行采集，风光互补控制器控制A/D转换器将采集的能量转换为电能，中央处理器将其电能储存在蓄电池组，减少了能量的消耗。

附图说明

图1是本发明实施例提供的基于物联网的太阳能风能集成高智能控制系统结构示意图；

图2是本发明实施例提供的基于物联网的太阳能风能集成高智能控制系统工作原理框图。

图中：1、电脑终端；101、外框；102、显示屏；103、底座；104、连接线；105、键盘；106、无线鼠标；2、控制器；3、风光互补控制器；4、太阳能电板；5、光伏组件；6、风力发电机；7、A/D转换器；8、中央处理器；9、蓄电池组。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的结构作详细的描述。

请参阅图1和图2，本发明实施例提供的基于物联网的太阳能风能集成高智能控制系统，包括电脑终端1，电脑终端1包括外框101，外框101的表面固定连接有显示屏102，显示屏102的底部固定连接有底座103，底座103的一侧通过连接线104设置有键盘105，键盘105的一侧设置有无线鼠标106，电脑终端1的输出端分别与控制器2的输入端和风光互补控制器3的输入端连接，风光互补控制器3的型号为MPPT1230，控制器2的输入端与太阳能电板4的输出端连接，风光互补控制器3的输入端分别与光伏组件5的输出端和风力发电机6的输出端连接，控制器2的输出端和风光互补控制器3的输出端均与A/D转换器7的输入端连接，A/D转换器7的型号为A/D7574，A/D转换器7的输出端与中央处理器8的输入端连接，中央处理器8的型号为SMC62，中央处理器8的输出端分别与蓄电池组9的输入端和电脑终端1的输入端连接。

所述显示屏采用Harris和DOG分别进行特征点提取。以参考图像为基准进行图像序列筛选，选出主光轴与参考图像之间夹角小于60度的图像作为候选图像；对参考图像的每个特征点f，根据极线约束在候选图像中找到对应的候选匹配点f’；然后利用稠密扩散方法，选择零均值归一化互相关系数作为目标函数，计算匹配点对的ZNCC值，并按照其大小进行排序，选取大于阈值μ1的特征点作为种子点进行邻域扩散，选取大于阈值μ2的特征点作为储备匹配点(μ1>μ2)；对于参考图像的所有匹配点，在候选图像中心固定窗口大小建立一对多的匹配；在满足视差梯度约束和置信度约束的前提下，计算扩散匹配点对的ZNCC，筛选大于阈值μ3的扩散点作为种子点进行二次扩散，筛选大于阈值μ4的扩散点作为储备匹配点μ3>μ4；

所述控制器利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率时，包括以下步骤：

第一步，在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；

第二步，对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；

第三步，对所有求均值并取整，得到源信号个数的估计即

第四步，找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；

第五步，根据第二步中估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

这里表示第l跳对应的个混合矩阵列向量估计值；

第六步，估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

所述中央处理器设置有定位节点坐标计算模块，所述定位节点坐标接收模块的计算方法包括：

第一步，选定差分修正点，确定定位交点坐标和复数定位交点，计算定位交点间距离；

从d_i′(i＝0,1,2,…,n)中选择距离值最小的锚节点A₀为差分修正点，再从剩余的距离值中取出3个最小的距离值，这3个为距离值分别d₁′、d₂′和d₃′，对应的锚节点坐标分别为A₁(x₁,y₁)、A₂(x₂,y₂)和A₃(x₃,y₃)，分别以锚节点A_i(x_i,y_i)为圆心，d_i′为半径作三个定位圆i，其中i＝1,2,3，三个定位圆的相交情况共有6种，两个圆之间存在两个交点，这两个交点为两个相等的实数交点，或两个不相等的实数交点，或两个复数交点；两个定位圆的两个交点中，选择与第三定位圆圆心坐标的距离较小的那个交点作为定位交点，以参与待定位节点的定位；由3个定位圆确定三个定位交点及复数定位交点的个数m，由定位圆2和定位圆3确定的定位交点坐标为A′(x₁,y₁)、由定位圆1和定位圆3确定的定位交点的坐标为B′(x₂,y₂)，由定位圆1和定位圆2确定的定位交点的坐标为C′(x₃,y₃)，定位交点A′与B′、B′与C′、A′与C′的距离分别为d₁₂、d₂₃、d₁₃：

第二步，设置阈值T，个体差异系数修正系数ω，参数λ(λ>0)，设置T＝0.5、ω＝1500以及λ＝0.001，三个定位交点之间的距离d₁₂<T、d₂₃<T、d₁₃<T时，执行第四步；

第三步，根据如下自适应距离修正公式修正d₁′、d₂′、d₃′，得到修正距离为d₁、d₂、d₃：

其中，d_i表示待定位节点与锚节点A_i之间的修正距离，d_0i表示差分修正点A₀与锚节点A_i之间的实际距离，d′_0i表示差分修正点A₀与锚节点A_i之间的测量距离，ω表示个体差异系数修正系数，λ_i表示方向修正因子，exp(·)表示指数函数；

根据修正后的距离d₁、d₂、d₃，重新求解修正后的三个定位交点间的距离d₁₂、d₂₃、d₁₃，返回第二步；

第四步，根据如下公式，计算出待定位节点的定位坐标O(x₀,y₀)：

其中，α₁、α₂、α₃分别表示x₁′、x₂′、x₃′的权重，β₁、β₂、β₃分别表示y₁′、y₂′、y₃′的权重，

进一步，所述显示器的时频分析图像按如下方式进行：

频率切片小波变换定义式为：

其中p(t)是信号的时域表；矢量σ为时频分析的尺度因子且σ≠0，σ通过建立变换因子与时频分辨率的对应关系σ＝ω/k,k＞0和来确定的σ；为频率片函数h(t)的傅里叶变换，称为频率切片函数；

依据帕塞维尔方程，如果矢量σ不是估计频率v的函数，上述FSWT表达式可表示为：

使用作为FSF对时频重叠信号进行时频分析处理，此时可表示为：

工作时，打开电脑终端1，通过操作鼠标106可以同时操控控制器2和风光互补控制器3，控制器2控制太阳能电板4对太阳能进行采集，风光互补控制器3控制光伏组件5和风力发电机6对风能进行采集，然后控制器2和风光互补控制器3同时将采集的能量传输给A/D转换器7，A/D转换器7将采集到的能量转换为电能，中央处理器8接收到A/D转换器7传输的电能，控制蓄电池组9将电能进行储存，这样就完成了太能能风能集成的控制。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于物联网的太阳能风能集成高智能控制系统，其特征在于，所述基于物联网的太阳能风能集成高智能控制系统包括电脑终端；

所述电脑终端包括外框，所述外框的表面固定连接有显示屏；

所述显示屏采用Harris和DOG分别进行特征点提取，以参考图像为基准进行图像序列筛选，选出主光轴与参考图像之间夹角小于60度的图像作为候选图像；对参考图像的每个特征点f，根据极线约束在候选图像中找到对应的候选匹配点f’；然后利用稠密扩散方法，选择零均值归一化互相关系数作为目标函数，计算匹配点对的ZNCC值，并按照其大小进行排序，选取大于阈值μ1的特征点作为种子点进行邻域扩散，选取大于阈值μ2的特征点作为储备匹配点(μ1>μ2)；对于参考图像的所有匹配点，在候选图像中心固定窗口大小建立一对多的匹配；在满足视差梯度约束和置信度约束的前提下，计算扩散匹配点对的ZNCC，筛选大于阈值μ3的扩散点作为种子点进行二次扩散，筛选大于阈值μ4的扩散点作为储备匹配点μ3>μ4；

所述电脑终端的输出端分别与控制器的输入端和风光互补控制器的输入端连接；

所述控制器的输入端与太阳能电板的输出端连接；

所述风光互补控制器的输入端分别与光伏组件的输出端和风力发电机的输出端连接；

所述控制器的输出端和风光互补控制器的输出端均与A/D转换器的输入端连接；

所述控制器利用聚类算法估计每一跳的跳变时刻以及各跳对应的归一化的混合矩阵列向量、跳频频率时，包括以下步骤：

第一步，在p(p＝0，1，2，…P-1)时刻，对表示的频率值进行聚类，得到的聚类中心个数表示p时刻存在的载频个数，个聚类中心则表示载频的大小，分别用表示；

第二步，对每一采样时刻p(p＝0，1，2，…P-1)，利用聚类算法对进行聚类，同样可得到个聚类中心，用表示；

第三步，对所有求均值并取整，得到源信号个数的估计即

$\hat{N}=round\left(\frac{1}{p}\underset{p=0}{\overset{P-1}{\&Sigma;}}{\hat{N}}_p\right);$

第四步，找出的时刻，用p_h表示，对每一段连续取值的p_h求中值，用表示第l段相连p_h的中值，则表示第l个频率跳变时刻的估计；

第五步，根据第二步中估计得到的以及第四步中估计得到的频率跳变时刻估计出每一跳对应的个混合矩阵列向量具体公式为：

${\hat{a}}_n\left(l\right)=\left\{\begin{array}{cc}\frac{1}{{\stackrel{\&OverBar;}{p}}_h\left(1\right)}\&CenterDot;\underset{p=1,p\&NotEqual;p_h}{\overset{{\stackrel{\&OverBar;}{p}}_h\left(1\right)}{\mathrm{\&Sigma;}}}{b}_{n,p}^0& l=1,\\ \frac{1}{{\stackrel{\&OverBar;}{p}}_h\left(l\right)-{\stackrel{\&OverBar;}{p}}_h\left(l-1\right)}\&CenterDot;\underset{p={\stackrel{\&OverBar;}{p}}_h\left(l-1\right)+1,p\&NotEqual;p_h}{\overset{{\stackrel{\&OverBar;}{p}}_h\left(l\right)}{\mathrm{\&Sigma;}}}{b}_{n,p}^0& l>1,\end{array}\right.,n=1,2,...,\hat{N}$

这里表示第l跳对应的个混合矩阵列向量估计值；

第六步，估计每一跳对应的载频频率，用表示第l跳对应的个频率估计值，计算公式如下：

${\hat{f}}_{c,n}\left(l\right)=\left\{\begin{array}{cc}\frac{1}{{\stackrel{\&OverBar;}{p}}_h\left(1\right)}\&CenterDot;\underset{p=1,p\&NotEqual;p_h}{\overset{{\stackrel{\&OverBar;}{p}}_h\left(1\right)}{\mathrm{\&Sigma;}}}{f}_o^n\left(p\right)& l=1,\\ \frac{1}{{\stackrel{\&OverBar;}{p}}_h\left(l\right)-{\stackrel{\&OverBar;}{p}}_h\left(l-1\right)}\&CenterDot;\underset{p={\stackrel{\&OverBar;}{p}}_h\left(l-1\right)+1,p\&NotEqual;p_h}{\overset{{\stackrel{\&OverBar;}{p}}_h\left(l\right)}{\mathrm{\&Sigma;}}}{f}_o^n\left(p\right)& l>1,\end{array}\right.,n=1,2,...,\hat{N};$

所述A/D转换器的输出端与中央处理器的输入端连接；

所述中央处理器的输出端分别与蓄电池组的输入端和电脑终端的输入端连接；

所述中央处理器设置有定位节点坐标计算模块，所述定位节点坐标接收模块的计算方法包括：

第一步，选定差分修正点，确定定位交点坐标和复数定位交点，计算定位交点间距离；

从d′_i(i＝0,1,2,…,n)中选择距离值最小的锚节点A₀为差分修正点，再从剩余的距离值中取出3个最小的距离值，这3个为距离值分别d′₁、d′₂和d′₃，对应的锚节点坐标分别为A₁(x₁,y₁)、A₂(x₂,y₂)和A₃(x₃,y₃)，分别以锚节点A_i(x_i,y_i)为圆心，d′_i为半径作三个定位圆i，其中i＝1,2,3，三个定位圆的相交情况共有6种，两个圆之间存在两个交点，这两个交点为两个相等的实数交点，或两个不相等的实数交点，或两个复数交点；两个定位圆的两个交点中，选择与第三定位圆圆心坐标的距离较小的那个交点作为定位交点，以参与待定位节点的定位；由3个定位圆确定三个定位交点及复数定位交点的个数m，由定位圆2和定位圆3确定的定位交点坐标为A′(x₁,y₁)、由定位圆1和定位圆3确定的定位交点的坐标为B′(x₂,y₂)，由定位圆1和定位圆2确定的定位交点的坐标为C′(x₃,y₃)，定位交点A′与B′、B′与C′、A′与C′的距离分别为d₁₂、d₂₃、d₁₃：

$d_{12}=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2}$

$d_{23}=\sqrt{{(x_2-x_3)}^2+{(y_2-y_3)}^2}$

$d_{13}=\sqrt{{(x_1-x_3)}^2+{(y_1-y_3)}^2}$

第二步，设置阈值T，个体差异系数修正系数ω，参数λ(λ>0)，设置T＝0.5、ω＝1500以及λ＝0.001，三个定位交点之间的距离d₁₂<T、d₂₃<T、d₁₃<T时，执行第四步；

第三步，根据如下自适应距离修正公式修正d′₁、d′₂、d′₃，得到修正距离为d₁、d₂、d₃：

$d_i=d_i-{\mathrm{\&lambda;}}_i(d_{0i}-d_{0i})\exp 1-d_i/(d_{0i}-\frac{d_{0i}}{\mathrm{\&omega;}}\underset{k=1}{\overset{n}{\&Sigma;}}\frac{d_{0k}-d_{0k}}{d_{0k}^{\&prime;}})$

其中，d_i表示待定位节点与锚节点A_i之间的修正距离，d_0i表示差分修正点A₀与锚节点A_i之间的实际距离，d′_0i表示差分修正点A₀与锚节点A_i之间的测量距离，ω表示个体差异系数修正系数，λ_i表示方向修正因子，exp(·)表示指数函数；

根据修正后的距离d₁、d₂、d₃，重新求解修正后的三个定位交点间的距离d₁₂、d₂₃、d₁₃，返回第二步；

第四步，根据如下公式，计算出待定位节点的定位坐标O(x₀,y₀)：

$\left\{\begin{array}{cccc}{x}_0={\mathrm{\&alpha;}}_1{x}_1+{\mathrm{\&alpha;}}_2{x}_2+{\mathrm{\&alpha;}}_3{x}_3& 0& {\mathrm{\&alpha;}}_1,{\mathrm{\&alpha;}}_2,{\mathrm{\&alpha;}}_3& 1\\ y_0={\mathrm{\&beta;}}_1{y}_1+{\mathrm{\&beta;}}_2{y}_2+{\mathrm{\&beta;}}_3{y}_3& 0& {\mathrm{\&beta;}}_1,{\mathrm{\&beta;}}_2,{\mathrm{\&beta;}}_3& 1\end{array}\right.$

其中，α₁、α₂、α₃分别表示x′₁、x′₂、x′₃的权重，β₁、β₂、β₃分别表示y′₁、y′₂、y′₃的权重，

2.如权利要求1所述的基于物联网的太阳能风能集成高智能控制系统，其特征在于，所述显示屏的底部固定连接有底座。

3.如权利要求1所述的基于物联网的太阳能风能集成高智能控制系统，其特征在于，所述底座的一侧通过连接线设置有键盘。

4.如权利要求1所述的基于物联网的太阳能风能集成高智能控制系统，其特征在于，所述键盘的一侧设置有无线鼠标。

5.如权利要求1所述的基于物联网的太阳能风能集成高智能控制系统，其特征在于，所述A/D转换器的型号为A/D7574。

6.如权利要求1所述的基于物联网的太阳能风能集成高智能控制系统，其特征在于，所述显示器的时频分析图像按如下方式进行：

频率切片小波变换定义式为：

$F_f(t,\mathrm{\&omega;},\mathrm{\&sigma;})=\frac{1}{2\mathrm{\&pi;}}\underset{-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Integral;}}\hat{p}\left(v\right){\hat{h}}^{*}\left(\right(v-\mathrm{\&omega;})/\mathrm{\&sigma;})e^{jvt}dv;$

其中p(t)是信号的时域表；矢量σ为时频分析的尺度因子且σ≠0，σ通过建立变换因子与时频分辨率的对应关系σ＝ω/k,k＞0和来确定的σ；为频率片函数h(t)的傅里叶变换，称为频率切片函数；

依据帕塞维尔方程，如果矢量σ不是估计频率v的函数，上述FSWT表达式可表示为：

使用作为FSF对时频重叠信号进行时频分析处理，此时可表示为：

$F_f(t,\mathrm{\&omega;},\mathrm{\&sigma;})=\frac{1}{2\mathrm{\&pi;}}\underset{-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Integral;}}\hat{p}\left(v\right)e^{-\frac{1}{2}{\left(\frac{v-\mathrm{\&omega;}}{\mathrm{\&sigma;}}\right)}^2}{e}^{jvt}dv.$