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
一种基于物联网的太阳能风能集成高智能控制系统 Download PDFInfo
- Publication number
- CN106992588A CN106992588A CN201710302358.3A CN201710302358A CN106992588A CN 106992588 A CN106992588 A CN 106992588A CN 201710302358 A CN201710302358 A CN 201710302358A CN 106992588 A CN106992588 A CN 106992588A
- Authority
- CN
- China
- Prior art keywords
- point
- energy
- wind
- positioning
- frequency
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims description 21
- 238000009792 diffusion process Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S10/00—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power
- H02S10/10—PV power plants; Combinations of PV energy systems with other systems for the generation of electric power including a supplementary source of electric power, e.g. hybrid diesel-PV energy systems
- H02S10/12—Hybrid wind-PV energy systems
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
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
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ph表示,对每一段连续取值的ph求中值,用表示第l段相连ph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di′(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Ai(xi,yi)为圆心,di′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,di表示待定位节点与锚节点Ai之间的修正距离,d0i表示差分修正点A0与锚节点Ai之间的实际距离,d′0i表示差分修正点A0与锚节点Ai之间的测量距离,ω表示个体差异系数修正系数,λi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ph表示,对每一段连续取值的ph求中值,用表示第l段相连ph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di′(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Ai(xi,yi)为圆心,di′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,di表示待定位节点与锚节点Ai之间的修正距离,d0i表示差分修正点A0与锚节点Ai之间的实际距离,d′0i表示差分修正点A0与锚节点Ai之间的测量距离,ω表示个体差异系数修正系数,λi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
第四步,找出的时刻,用ph表示,对每一段连续取值的ph求中值,用表示第l段相连ph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Ai(xi,yi)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d′1、d′2、d′3,得到修正距离为d1、d2、d3:
其中,di表示待定位节点与锚节点Ai之间的修正距离,d0i表示差分修正点A0与锚节点Ai之间的实际距离,d′0i表示差分修正点A0与锚节点Ai之间的测量距离,ω表示个体差异系数修正系数,λi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:
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:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710302358.3A CN106992588A (zh) | 2017-05-02 | 2017-05-02 | 一种基于物联网的太阳能风能集成高智能控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710302358.3A CN106992588A (zh) | 2017-05-02 | 2017-05-02 | 一种基于物联网的太阳能风能集成高智能控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106992588A true CN106992588A (zh) | 2017-07-28 |
Family
ID=59417468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710302358.3A Pending CN106992588A (zh) | 2017-05-02 | 2017-05-02 | 一种基于物联网的太阳能风能集成高智能控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106992588A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108054834A (zh) * | 2017-12-20 | 2018-05-18 | 湖南工程学院 | 一种多级能源协调控制系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102159003A (zh) * | 2010-11-12 | 2011-08-17 | 深圳市斯派克光电科技有限公司 | 太阳能风能集成高智能控制方法及其系统 |
CN103051367A (zh) * | 2012-11-27 | 2013-04-17 | 西安电子科技大学 | 一种基于聚类的同步正交跳频信号盲源分离方法 |
CN204652285U (zh) * | 2015-04-30 | 2015-09-16 | 昆明理工大学 | 一种小型家用太阳能风能应急智能供电装置 |
WO2016087856A1 (en) * | 2014-12-03 | 2016-06-09 | Clean Power Solutions Ltd | An energy management device and an electrical installation |
CN106357720A (zh) * | 2016-08-06 | 2017-01-25 | 内蒙古大学 | 一种基于物联网的数据显示系统及方法 |
CN106600686A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于多幅未标定图像的三维点云重建方法 |
-
2017
- 2017-05-02 CN CN201710302358.3A patent/CN106992588A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102159003A (zh) * | 2010-11-12 | 2011-08-17 | 深圳市斯派克光电科技有限公司 | 太阳能风能集成高智能控制方法及其系统 |
CN103051367A (zh) * | 2012-11-27 | 2013-04-17 | 西安电子科技大学 | 一种基于聚类的同步正交跳频信号盲源分离方法 |
WO2016087856A1 (en) * | 2014-12-03 | 2016-06-09 | Clean Power Solutions Ltd | An energy management device and an electrical installation |
CN204652285U (zh) * | 2015-04-30 | 2015-09-16 | 昆明理工大学 | 一种小型家用太阳能风能应急智能供电装置 |
CN106357720A (zh) * | 2016-08-06 | 2017-01-25 | 内蒙古大学 | 一种基于物联网的数据显示系统及方法 |
CN106600686A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于多幅未标定图像的三维点云重建方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108054834A (zh) * | 2017-12-20 | 2018-05-18 | 湖南工程学院 | 一种多级能源协调控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stefenon et al. | Photovoltaic power forecasting using wavelet Neuro-Fuzzy for active solar trackers | |
Saeed et al. | An optimal approach of wind power assessment using Chebyshev metric for determining the Weibull distribution parameters | |
CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
CN106779154A (zh) | 基于卫星云图的区域分布式光伏出力预测方法 | |
Zhu et al. | Wind speed behaviors feather analysis and its utilization on wind speed prediction using 3D-CNN | |
CN103559561A (zh) | 一种光伏电站辐照度的超短期预测方法 | |
JP6693330B2 (ja) | 太陽光発電システムの動作 | |
CN107730044A (zh) | 一种可再生能源发电和负荷的混合预测方法 | |
CN103020423A (zh) | 基于copula函数获取风电场出力相关特性的方法 | |
CN106529719A (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN106532710B (zh) | 计及电压稳定约束的微电网潮流优化方法 | |
CN102945223A (zh) | 一种构建多个风电场出力联合概率分布函数的方法 | |
CN103823504B (zh) | 一种基于最小二乘支持向量机的最大功率跟踪控制方法 | |
CN105262108B (zh) | 一种有源配电网鲁棒无功优化运行方法 | |
CN104156777B (zh) | 一种基于城市天气预报的低成本光伏发电功率预测方法 | |
CN114445634A (zh) | 一种基于深度学习模型的海浪波高预测方法及系统 | |
CN108830411A (zh) | 一种基于数据处理的风电功率预测方法 | |
CN106374531A (zh) | 一种主动配电网光储能量交换指数评估方法 | |
Prastawa et al. | New approach on renewable energy solar power prediction in Indonesia based on Artificial Neural Network technique: Southern region of Sulawesi island study case | |
CN106992588A (zh) | 一种基于物联网的太阳能风能集成高智能控制系统 | |
CN106202700A (zh) | 一种光伏发电出力预测的数据分析方法 | |
CN105610199A (zh) | 考虑网架约束的风光配比确定方法及其装置 | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
CN107832489A (zh) | 一种光伏面板最佳数目及月倾角的计算方法 | |
CN106650060A (zh) | 一种光伏电池内阻衰减系数预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |
|
RJ01 | Rejection of invention patent application after publication |