CN109578209B - 一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统 - Google Patents
一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统 Download PDFInfo
- Publication number
- CN109578209B CN109578209B CN201811526643.4A CN201811526643A CN109578209B CN 109578209 B CN109578209 B CN 109578209B CN 201811526643 A CN201811526643 A CN 201811526643A CN 109578209 B CN109578209 B CN 109578209B
- Authority
- CN
- China
- Prior art keywords
- wind power
- control
- power generation
- internet
- things
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000006855 networking Effects 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 12
- 230000010365 information processing Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 239000004973 liquid crystal related substance Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 230000033228 biological regulation Effects 0.000 abstract description 3
- 230000009123 feedback regulation Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Abstract
本发明公开了一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统,包括物联网组网模块、传感信息采集模块、中央处理器模块和输出控制模块;采用云计算的分布式处理技术进行复杂风电发电参数控制系统的大数据处理,实现控制指令信息的自适应融合;结合稳态功率控制和反馈调节方法,进行复杂风电发电参数控制系统的稳态补偿和自适应功率调节,提高复杂风电发电参数控制系统的组网性和数据优化采集能力。
Description
技术领域
本发明涉及风电发电控制领域,具体涉及一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统。
背景技术
目前对复杂风电节能控制系统的设计是建立在风电电机的工况数据和环境数据采集的基础上,采用物联网技术进行原始数据感知和采集,采用功率传感器和电压传感器进行数据分析,采用电磁耦合器进行电流输出的振荡控制,结合大数据信息处理系统和云计算技术,实现复杂风电发电参数控制系统的智能设计。传统方法中,对复杂风电发电参数控制系统的智能设计方法主要有模糊控制方法、人工神经网络控制方法等,同时,采用自适应的输出参数调节方法,进行风电系统的稳定性控制分析,建立传感器融合跟踪模型,实现风电控制和智能数据分析,取得了一定的控制效益,相关文献进行了复杂风电发电参数控制系统的设计研究,取得了一定的成果。其中,文献[Marimon M C,Tangonan G,LibatiqueN J,et al.Development and evaluation of wave sensor nodes for ocean wavemonitoring[J].IEEE Systems Journal,2015,9(1):292-302.]中提出一种基于模糊PID的复杂风电发电传输节点的主动控制方法,构建风电机的等效电路模型,以输出耦合系数、感应电能、电能传输的功率损耗以及功率增益等参量为控制约束指标,进行风电稳定性控制,提高节能控制效能,但该方法受到电机的耦合干扰较大,导致风电系统的输出功率损耗增大,控制稳定性不好;文献[JEON W S,HAN J A,DONG G J.A novel MAC scheme formultichannel cognitive radio Ad Hoc networks[J].IEEE Transactions on MobileComputing,2012,11(6):922-934]中提出一种可编程逻辑PLC的风电电机节能智能控制器设计方案,采用PLC为主控芯片,实现风电电机滤波和高频噪声抑制,提高了风电电机的节能效果控制效果,但该方法进行风电控制中的负载较高,控制输出的稳定性不好。
发明内容
为解决上述问题,本发明提供了一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统。
为实现上述目的,本发明采取的技术方案为:
一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统,该系统采用嵌入式控制技术进行复杂风电发电参数的大数据处理,具体的:
构建风电发电参数分布节点的有向图分别为G1=(Mα 1,Mβ 1,Y1),G2=(Mα 2,Mβ 2,Y2),则令A={a1,a2,...,an}为表示风电发电参数节能控制的输出指令集,B={b1,b2,...,bm}为大数据的传输调度集,得结合指向性聚类法分析方法,得到控制指令集的优化聚类函数为:
其中,ω为分点控制输出的自适应学习权重,p为信息融合交叉项,q为嵌入式控制维数,Kwpg为时间跨度,Wpg为物联网进行大数据信息采样的融合跟踪项;结合统计分析方法,得到风电传输大数据的嵌入式跟踪模型为:
在物联网的近邻节点(t-t',f-f')上,采用自适应加权方法,得到输出控制指令函数SBi={bi-w+1,bi-w+2,...,bi};
采用周期性指令调度,得到风电发电参数控制的输出信号:
式中,amn称作边缘融合系数,得到风电发电参数大数据的嵌入式控制输出序列为:
gmn(t)=g(t-mT)ej2π(nF)t m,n=0,±1,±2,… (4)
式中,m和n分别表示正负符号序列,实现对复杂风电发电参数大数据的嵌入式控制处理。
进一步地,该系统采用分布式并行挖掘方法,进行物联网环境下的风节能控制,具体的:
定义控制指令传输的分数阶Fourier变换表达式定义为:
式中,p为的阶,为一实数,云计算设备大数据特征匹配旋转角α=pπ/2。Fα[·]为大数据特征匹配的传递函数;
提取复杂风电发电参数控制大数据的频繁项集为:
(Fp)-1=F-p (6)
其中,f(t)为控制指令的周期函数,为K-L变换,对物联网节点簇Mi与Mj采集的大数据进行云计算,得到参数数据融合的目标聚类函数Clustdist(Mi,Mj),其中,(i≠j,1≤i≤q,1≤j≤q),对控制指令的输出样本xi,i=1,2,…,n,结合参数指令信息融合方法,得到控制指令集的特征信息函数为:
其中,Xp为状态参数向量,u为物联网的尺度特性,v为风电机的输出状态特征。
所述的一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统包括物联网组网模块、传感信息采集模块、中央处理器模块和输出控制模块;
所述物联网组网模块采用多传感器分布组网技术构建,通过ZigBee进行物联网通信,传输距离在10~100m之间,采用星型、树型、网型三种网络拓扑结构构建物联网组网模型;
所述传感信息采集模块,采用ZigBee协调器进行复杂风电发电参数控制系的信息采集,采用ARM Cortex-M0处理器进行风电电机节能控制器的嵌入式设计,控制器提供6种可编程的FIFO,在低电平输出端实现风电电机的功率分配和增益放大,采用ADI公司的ADM706芯片作为复位检测器,进行风电电机输出的高电位控制和低电位复位;
所述中央处理器模块结合PCI协议进行复杂风电发电参数控制系统的集成信息处理和中央控制,采用TI公司的TMS320VC5409A;
所述输出控制模块用于实现人机交互功能,人机交互的接口指令分别设定为PME#、RST#、GNT#、RST#,设计外端接口控制D/A转换器进行复杂风电发电参数控制的人机交互控制,采用TMEGA2560作为风电控制器的接口电路,将复杂风电发电参数控制系统的控制数据发送到液晶屏显示。
本发明具有以下有益效果:
1)本发明系统的参数数据控制处理能力较强,控制指令传输的稳定性较好,控制指令集的并行处理能力较高;
2)本发明采用云计算的分布式处理技术进行复杂风电发电参数控制系统的大数据处理,实现控制指令信息的自适应融合。
3)本发明结合稳态功率控制和反馈调节方法,进行复杂风电发电参数控制系统的稳态补偿和自适应功率调节,提高复杂风电发电参数控制系统的组网性和数据优化采集能力。
附图说明
图1为本发明实施例中的风电节能控制系统的物联网体系结构。
图2为本发明实施例的系统模型。
图3为物联网组网拓扑结构。
图4为传感器信息采集模块的电路图。
图5为中央处理器模块的系统结构图。
图6为输出控制模块的电路图。
图7为本发明实施例中控制指令的参数数据处理输出。
图8为本发明实施例中的控制性能曲线。
图9本发明实施例中的风电发电节能参数优化结果。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明实施例的一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统的物联网体系结构模型如图1所示,包括信息感知层、复杂风电发电参数控制系统的信息处理层和风电发电节能控制应用层,采用物联网技术进行信息感知及集成信息处理,提取有用信息,在应用层和数据交互层,实现复杂风电发电参数控制系统的参数识别和控制指令传输。本系统结合稳态功率控制和反馈调节方法,进行复杂风电发电参数控制系统的稳态补偿和自适应功率调节,提高复杂风电发电参数控制系统的组网性和数据优化采集能力。采用PLC微处理器和嵌入式ARM进行风电电机嵌入式集成控制,并通过分散控制系统(distributed control systems,DCS)实现复杂风电发电参数控制系统节能设计,建立决策系统,采用大数据信息处理技术,实现复杂风电发电参数的节能控制。
所述控制系统采用嵌入式控制技术进行复杂风电发电参数的大数据处理,构建风电发电参数分布节点的有向图分别为G1=(Mα 1,Mβ 1,Y1),G2=(Mα 2,Mβ 2,Y2),则令A={a1,a2,...,an}为表示风电发电参数节能控制的输出指令集,B={b1,b2,...,bm}为大数据的传输调度集,得结合指向性聚类法分析方法,得到控制指令集的优化聚类函数为:
其中,ω为分点控制输出的自适应学习权重,p为信息融合交叉项,q为嵌入式控制维数,Kwpg为时间跨度,Wpg为物联网进行大数据信息采样的融合跟踪项,结合统计分析方法[12],得到风电传输大数据的嵌入式跟踪模型为:
其中,代表时域均值,R(k)表示信息融合的关联规则特征,表示对取转置矩阵。在物联网的近邻节点(t-t',f-f')上,采用自适应加权方法,得到输出控制指令函数SBi={bi-w+1,bi-w+2,...,bi}。采用周期性指令调度,得到风电发电参数控制的输出信号:
式中,amn称作边缘融合系数,得到风电发电参数大数据的嵌入式控制输出序列为:
gmn(t)=g(t-mT)ej2π(nF)t m,n=0,±1,±2,… (4)
其中,m和n分别表示正负符号序列,实现对复杂风电发电参数大数据的嵌入式控制处理。
所述控制系统采用分布式并行挖掘方法,进行物联网环境下的风节能控制,定义控制指令传输的分数阶Fourier变换表达式定义为:
式中,p为的阶,为一实数,云计算设备大数据特征匹配旋转角α=pπ/2。Fα[·]为大数据特征匹配的传递函数,提取复杂风电发电参数控制大数据的频繁项集为:
(Fp)-1=F-p (6)
其中,f(t)为控制指令的周期函数,为K-L变换,对物联网节点簇Mi与Mj采集的大数据进行云计算,得到参数数据融合的目标聚类函数Clustdist(Mi,Mj),其中,(i≠j,1≤i≤q,1≤j≤q),对控制指令的输出样本xi,i=1,2,…,n,结合参数指令信息融合方法,得到控制指令集的特征信息函数为:
其中,Xp为状态参数向量,u为物联网的尺度特性,v为风电机的输出状态特征。
根据上述处理,实现风电节能控制指令信息的自适应融合,提高了控制指令集的大数据传输和调度能力。
如图2所示,所述系统包括物联网组网模块、传感信息采集模块、中央处理器模块和输出控制模块;
物联网组网模块是整个复杂风电发电参数控制系统的基础层,也是核心,采用多传感器分布组网技术构建物联网模块,通过ZigBee进行物联网通信,传输距离在10~100m之间,有效满足的低功耗的应用需求,降低维修成本,采用星型、树型、网型三种网络拓扑结构,构建物联网组网模型,如图3所示。
传感信息采集模块采用ZigBee协调器进行复杂风电发电参数控制系的信息采集,采用ARM Cortex-M0处理器进行风电电机节能控制器的嵌入式设计,控制器提供6种可编程的FIFO,在低电平输出端实现风电电机的功率分配和增益放大,采用ADI公司的ADM706芯片作为复位检测器,进行风电电机输出的高电位控制和低电位复位,得到传感器信息采集模块的硬件设计如图4所示。
中央处理器模块用于实现风电电机节能控制的集成控制和信息处理,采用双端口的PCI与DSP,结合PCI协议进行复杂风电发电参数控制系统的集成信息处理和中央控制,采用TI公司的TMS320VC5409A,系统结构设计如图5所示。
输出控制模块用于实现节能控制系统的人机交互功能,人机交互的接口指令分别设定为PME#、RST#、GNT#、RST#,设计外端接口控制D/A转换器进行复杂风电发电参数控制的人机交互控制,采用TMEGA2560作为风电控制器的接口电路,将复杂风电发电参数控制系统的控制数据发送到液晶屏显示,得到输出控制模块接口设计如图6所示。
系统测试仿真分析
为了测试本发明方法在实现复杂风电发电参数控制中的应用性能,进行系统测试,使用Linux下的NFS仿真平台进行物联网环境下的风电控制大数据分析和集成信息处理,设定风电发电的节点数为2000,Sink节点数为100,对控制指令数据采样的时间间隔为0.24s,大数据采样样本规模集为1200,云计算并行处理的效率设定为0.76,风电机的输出总功耗为200KW。根据上述仿真环境和参数设定,进行复杂风电发电参数控制仿真,得到控制指令大数据信息输出如图7所示。
分析图7得知,采用本发明方法进行复杂风电发电参数控制,大数据信息处理能力较好,输出的控制指令集的集成调度能力较强,且输出的参数数据曲线清晰,表明其参数控制过程稳定,受环境影响较小。以此为基础,进行风电发电参数控制,得到控制增益曲线如图8所示,风电发电节能参数优化结果如图9所示。
分析图8和图9得知,本发明设计的控制系统提高了风电机的输出增益,最优效果中电压增益达到了1.12,电流和电压等参数的稳定控制性能较好,误差收敛性较强,提高了风电机的控制品质。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (3)
1.一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统,其特征在于:该系统采用嵌入式控制技术进行复杂风电发电参数的大数据处理,具体的:
构建风电发电参数分布节点的有向图分别为G1=(Mα 1,Mβ 1,Y1),G2=(Mα 2,Mβ 2,Y2),则令A={a1,a2,...,an}为表示风电发电参数节能控制的输出指令集,B={b1,b2,...,bm}为大数据的传输调度集,得结合指向性聚类法分析方法,得到控制指令集的优化聚类函数为:
其中,ω为分点控制输出的自适应学习权重,p为信息融合交叉项,q为嵌入式控制维数,Kwpg为时间跨度,Wpg为物联网进行大数据信息采样的融合跟踪项;结合统计分析方法,得到风电传输大数据的嵌入式跟踪模型为:
在物联网的近邻节点(t-t′,f-f′)上,采用自适应加权方法,得到输出控制指令函数SBi={bi-w+1,bi-w+2,...,bi};
采用周期性指令调度,得到风电发电参数控制的输出信号:
式中,amn称作边缘融合系数,得到风电发电参数大数据的嵌入式控制输出序列为:
gmn(t)=g(t-mT)ej2π(nF)t m,n=0,±1,±2,… (4)
式中,m和n分别表示正负符号序列,实现对复杂风电发电参数大数据的嵌入式控制处理。
2.如权利要求1所述的一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统,其特征在于:该系统采用分布式并行挖掘方法,进行物联网环境下的风节能控制,具体的:
定义控制指令传输的分数阶Fourier变换表达式定义为:
式中,p为的阶,为一实数,云计算设备大数据特征匹配旋转角α=pπ/2,Fα[·]为大数据特征匹配的传递函数;
提取复杂风电发电参数控制大数据的频繁项集为:
(Fp)-1=F-p (6)
其中,f(t)为控制指令的周期函数,为K-L变换,对物联网节点簇Mi与Mj采集的大数据进行云计算,得到参数数据融合的目标聚类函数Clustdist(Mi,Mj),其中,(i≠j,1≤i≤q,1≤j≤q),对控制指令的输出样本xi,i=1,2,…,n,结合参数指令信息融合方法,得到控制指令集的特征信息函数为:
其中,Xp为状态参数向量,u为物联网的尺度特性,v为风电机的输出状态特征。
3.如权利要求1所述的一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统,其特征在于:包括物联网组网模块、传感信息采集模块、中央处理器模块和输出控制模块;
所述物联网组网模块采用多传感器分布组网技术构建,通过ZigBee进行物联网通信,传输距离在10~100m之间,采用星型、树型、网型三种网络拓扑结构构建物联网组网模型;
所述传感信息采集模块,采用ZigBee协调器进行复杂风电发电参数控制系的信息采集,采用ARM Cortex-MO处理器进行风电电机节能控制器的嵌入式设计,控制器提供6种可编程的FIFO,在低电平输出端实现风电电机的功率分配和增益放大,采用ADI公司的ADM706芯片作为复位检测器,进行风电电机输出的高电位控制和低电位复位;
所述中央处理器模块结合PCI协议进行复杂风电发电参数控制系统的集成信息处理和中央控制,采用TI公司的TMS320VC5409A;
所述输出控制模块用于实现人机交互功能,人机交互的接口指令分别设定为PME#、RST#、GNT#、RST#,设计外端接口控制D/A转换器进行复杂风电发电参数控制的人机交互控制,采用TMEGA2560作为风电控制器的接口电路,将复杂风电发电参数控制系统的控制数据发送到液晶屏显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811526643.4A CN109578209B (zh) | 2018-12-13 | 2018-12-13 | 一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811526643.4A CN109578209B (zh) | 2018-12-13 | 2018-12-13 | 一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109578209A CN109578209A (zh) | 2019-04-05 |
CN109578209B true CN109578209B (zh) | 2020-04-21 |
Family
ID=65928514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811526643.4A Active CN109578209B (zh) | 2018-12-13 | 2018-12-13 | 一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109578209B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000011B (zh) * | 2020-08-12 | 2022-05-24 | 深圳市烨嘉为技术有限公司 | 小龙门数控加工中心的机电耦合分析与优化方法 |
CN113970886B (zh) * | 2021-10-09 | 2023-05-23 | 南京理工大学 | 基于优化准确性的风电试验台控制周期选取方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968676A (zh) * | 2011-09-01 | 2013-03-13 | 苏州容其电子科技有限公司 | 基于嵌入式终端和物联网的纺织行业生产流程管理系统 |
CN203532160U (zh) * | 2013-09-29 | 2014-04-09 | 西安扩力机电科技有限公司 | 一种基于物联网的风力发电远程监控系统 |
CN206221177U (zh) * | 2016-11-24 | 2017-06-06 | 天津市军联科技有限公司 | 基于工业物联网技术的风电机组远程实时监测装置 |
CN108512909A (zh) * | 2018-03-14 | 2018-09-07 | 日照职业技术学院 | 一种基于物联网的计算机远程控制系统 |
-
2018
- 2018-12-13 CN CN201811526643.4A patent/CN109578209B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968676A (zh) * | 2011-09-01 | 2013-03-13 | 苏州容其电子科技有限公司 | 基于嵌入式终端和物联网的纺织行业生产流程管理系统 |
CN203532160U (zh) * | 2013-09-29 | 2014-04-09 | 西安扩力机电科技有限公司 | 一种基于物联网的风力发电远程监控系统 |
CN206221177U (zh) * | 2016-11-24 | 2017-06-06 | 天津市军联科技有限公司 | 基于工业物联网技术的风电机组远程实时监测装置 |
CN108512909A (zh) * | 2018-03-14 | 2018-09-07 | 日照职业技术学院 | 一种基于物联网的计算机远程控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109578209A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maatallah et al. | Recursive wind speed forecasting based on Hammerstein Auto-Regressive model | |
CN103345227B (zh) | 一种微电网监测与能量管理装置及方法 | |
CN106446494B (zh) | 基于小波包-神经网络的风光功率预测方法 | |
CN110490385A (zh) | 一种综合能源系统中电负荷和热负荷的联合预测方法 | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
CN109578209B (zh) | 一种基于嵌入式控制结合物联网的复杂风电发电参数控制系统 | |
CN107204615B (zh) | 一种实现功率预测的方法及系统 | |
CN107623337B (zh) | 一种微电网能量管理方法 | |
CN112701729B (zh) | 一种基于边缘计算的微电网分布式协同控制系统及方法 | |
Chang et al. | An ensemble learning model based on Bayesian model combination for solar energy prediction | |
CN109242180A (zh) | 中长期电力负荷预测方法和系统 | |
Tao et al. | Input dimension reduction for load forecasting based on support vector machines | |
Nengroo et al. | Management of distributed renewable energy resources with the help of a wireless sensor network | |
Qijun et al. | Photovoltaic power prediction based on principal component analysis and Support Vector Machine | |
Yang et al. | Multi-objective coordinated planning of distributed generation and AC/DC hybrid distribution networks based on a multi-scenario technique considering timing characteristics | |
Goh et al. | Short-term wind power prediction based on preprocessing and improved secondary decomposition | |
Hu et al. | Edge intelligence for real-time data analytics in an IoT-based smart metering system | |
Zhu et al. | Data acquisition, power forecasting and coordinated dispatch of power systems with distributed PV power generation | |
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 | |
CN105528517B (zh) | 基于神经网络、小波分解光伏电站功率预测方法、系统 | |
Rabah et al. | Efficiency enhancement of a hybrid sustainable energy harvesting system using hhhopso-mppt for iot devices | |
Chen et al. | Accounting information disclosure and financial crisis beforehand warning based on the artificial neural network | |
Wang et al. | Improved butterfly optimization algorithm applied to prediction of combined cycle power plant | |
Anbalagan et al. | Fuzzy membership-function-dependent design of aperiodic sample-data control scheme for nonlinear PMSG-based WECS with quantization measurements via refined looped Lyapunov functional | |
Martin et al. | Artificial vision wireless PV system to efficiently track the MPP under partial shading |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |