CN111399370B - 离网逆变器的人工蜂群pi控制方法 - Google Patents
离网逆变器的人工蜂群pi控制方法 Download PDFInfo
- Publication number
- CN111399370B CN111399370B CN202010171305.4A CN202010171305A CN111399370B CN 111399370 B CN111399370 B CN 111399370B CN 202010171305 A CN202010171305 A CN 202010171305A CN 111399370 B CN111399370 B CN 111399370B
- Authority
- CN
- China
- Prior art keywords
- food source
- bee colony
- current
- artificial bee
- current food
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 235000013305 food Nutrition 0.000 claims abstract description 49
- 241000257303 Hymenoptera Species 0.000 claims abstract description 15
- 238000005065 mining Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000006467 substitution reaction Methods 0.000 claims abstract description 4
- 241000256844 Apis mellifera Species 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 241000256837 Apidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种离网逆变器的人工蜂群PI控制方法，包括以下步骤：初始化人工蜂群及其它算法参数；控制和故障判断所需实时数据的采集；对当前食物源进行开采和评估，由人工蜂群中的采蜜蜂在当前食物源进行尝试，根据适应度函数对尝试结果进行优化程度评估，按照择优替代的原则决定是否更新食物源；计算当前食物源选中概率；观察蜂角色转换；当前食物源取舍判断；结束判断，记录当前为止寻找到的最优解；本发明更加适用于离网逆变器控制领域特性，在算法实用性、嵌入软件实现成本等方面更具优势。
Description
技术领域
本发明涉及新能源及电力电子技术领域，特别是一种离网逆变器的人工蜂群PI控制方法。
背景技术
比例积分(PI)控制器，是目前逆变器系统最常采用的控制方法。PI控制器有三个重要的控制参数：比例系数Kp、积分系数Ki、微积分阶次参数λ。参数取值是否合适，直接决定了系统性能是否稳定可靠。
目前逆变器PI控制参数的选取方式，主要有工程整定法、试凑法和经验法三种，它们都存在过程漫长繁琐的问题。要找到适应多种输入及负载变化的最优参数组合，通常需要花费很长的时间。
人工蜂群算法是模仿自然界里的蜂群行为，通过各人工蜂个体的自动局部寻优，经过不断尝试，对尝试结果进行优劣比较，最终找到全局最优值，其特点是智能高效，计算速度快，具有良好的优化机理和收敛性能。
申请号为201510884746.8的发明专利公开了一种伺服电机分数阶PI控制器的参数整定方法，提出了利用人工蜂群算法求解伺服电机的规范约束条件方程的方法，首先要根据伺服电机特性，列出三个待定参数Kp、Ki、λ的规范约束条件超越方程组，然后根据三个方程确定各自的寻优区间，然后确定出一个复杂的目标函数，然后据此目标函数计算三个待定参数的适应度，然后用一到三维动态区域可变的复杂搜索方法，进行区域内的人工蜂群搜索，重复以上适应度和搜索过程，最后输出方程组最优解；其算法要通过单片机或DSP完成，需要大量代码，实现难度大，占用资源多、耗时长，影响到系统的动态响应速度，所以并不适合对主控制器芯片成本和动态响应要求高的逆变器系统；虽然都是利用人工蜂群算法进行PI控制参数整定，但针对的领域和解决的目标问题不同，而且无论在算法复杂度、主控制器资源占用，还是实现难易程度和系统动态响应速度上都需进一步优化。
发明内容
为解决现有技术中存在的问题，本发明的目的是提供一种离网逆变器的人工蜂群PI控制方法，本发明可快速获得针对特定逆变器系统的良好参数组合，使PI参数的确定过程不再像以往那样费时费力。
为实现上述目的，本发明采用的技术方案是：一种离网逆变器的人工蜂群PI控制方法，包括以下步骤：
步骤1、初始化人工蜂群及其它算法参数：包括迭代周期T、采样周期t、PI控制器的Kp、Ki可行解的全局取值范围Range[a,b]，人工蜂群的初始化，包括蜜蜂总数TatalB_No，采蜜蜂HonyB和观察蜂ObsB个数，每个食物源最大迭代计算次数Max_Iter_No，人工蜂群总的最大开采尝试次数Max_Rep_No，蜂群食物源初始尝试条件组Kp、Ki取值，还有其它所需中间变量寄存器的初始化等；Max_Iter_No和Max_Rep_No的大小可根据系统PI控制要求和收敛速度灵活设定，控制精度要求越高则值的设定越大，同时收敛速度越慢；
步骤2、控制和故障判断所需实时数据的采集：包括电压、电流、功率管温度等的采集；
步骤3、HonyB对当前食物源进行开采和评估，由人工蜂群中的采蜜蜂在当前食物源(尝试条件组)进行尝试，根据适应度函数对尝试结果进行优化程度评估，按照择优替代的原则决定是否更新食物源；当前适应度高于上次计算值，表明当前食物源质量高(尝试条件较适合)，不用迭代；反之则需要更新替代食物源，以进行新的尝试，直到次数达到Max_Iter_No为止；当前适应度高于上次计算值，表明当前食物源质量高，不用更新；反之则需要更新新源以代替旧源；此处所采用的适应度函数为：
其中e(t)为PI控制器反馈值uout_fbk、iload_fbk分别与参考输入值Uout_fbk、iload_ref之间的偏差；
步骤4、计算当前食物源选中概率：由蜂群中的ObsB，根据选择概率公式求取当前食物源的选中几率；此处所采用的选择概率公式为：
其中，e(ti)和e(ti-1)分别代表本次和上次迭代尝试的PI环反馈值uout_fbk、iload_fbk分别与参考输入值Uout_fbk、iload_ref之间的偏差值；
步骤5、观察蜂角色转换：由ObsB根据步骤4算出的选中概率值，若Prob(i)为1，则ObsB就到跟随的HonyB当前食物源的周围去确定新的食物源(新的尝试条件组)进行开采、评估，以完成ObsB到HonyB的角色转换；为0则等待下一次的选中概率计算；
步骤6、当前食物源取舍判断：如果HonyB的当前食物源经过Max_Iter_No次的开采尝试，均未能产生更优的食物源，则放弃当前食物源，转而在一个新的领域(∈Range[a,b])产生新的食物源，重新开采和评估；
步骤7、结束判断，记录当前为止寻找到的最优解：若蜂群总的开采尝试次数还未达上限Max_Rep_No，则返回步骤2，开始新一轮的循环；若已达上限，则结束算法，将此次循环获得的最优解Kp_u、Ki_u、Kp_i、Kp_i作为PI控制最优条件，依此获得占空比输出给逆变器PWM驱动模块，完成整个控制流程。
本发明的有益效果是：本发明是在常用离网逆变器PI控制器的基础上，按照“蜂群和尝试条件组初始化——电量采集——当前尝试适应度计算——选中概率计算——角色替换判断——当前条件组取舍迭代——输出最优解”的过程完成Kp、Ki的整定；相较于现有技术，本发明将人工蜂群的自动优化与传统的PI计算相结合，可快速获得针对特定逆变器系统的良好参数组合，使PI参数的确定过程不再像以往那样费时费力，采用此方法，系统能迅速消除动态误差，快速降低调试初期超调量，动态响应速度也大幅提升；本发明相对于现有人工蜂群算法技术而言，更加适用于离网逆变器控制领域特性，在算法实用性、嵌入软件实现成本等方面更具优势。
附图说明
图1为本发明实施例的流程框图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例
如图1所示，一种离网逆变器的人工蜂群PI控制方法，以某品牌容量为3KW的离网电压型逆变器为例，其采用FPGA+DSP组成系统主控中心，输入电压范围为100～190V，输出电压范围要求在220V±10％以内，采用人工蜂群和电压电流双闭环PI相结合的控制方法，包括以下步骤：
步骤1、初始化算法参数，迭代周期T设为1ms、采样周期t设为25us、PI控制器的参数可行解空间的全局取值范围分别定为Kp_i[0，0.8]、Kp_u[0，0.8]、Ki_i[0，0.5]、Ki_i[0，0.5]。人工蜂群的蜜蜂总数TatalB_No为48，其中采蜜蜂HonB个数为24，观察蜂ObsB个数为24，四个参数各分配6个采蜜蜂和6个观察蜂。每个源最大迭代计算次数Max_Iter_No为26，人工蜂群总的最大开采尝试次数Max_Rep_No为62，食物源的初始尝试值Kp_u＝0.75，Ki_u＝0.01，Kp_i＝0.7，Ki_i＝0.01；
步骤2、采集控制及故障判断所需实时数据，包括输出电压uout、负载电流iload、直流母线电压Vbus、功率管温度等的采集和反馈；
步骤3、采蜜蜂对当前食物源进行开采和评估，即由人工蜂群中的采蜜蜂在当前食物源(尝试条件组)进行开采尝试，并根据适应度函数对尝试结果进行优化程度评估，按照择优替代的原则决定是否更新食物源：
步骤4、计算当前食物源选中概率，即由蜂群中的观察蜂，根据选择概率公式求取当前食物源的选中几率：
步骤5、观察蜂角色转换：根据步骤4算出的Prob(i)，ObsB选择跟随相应的HonyB，在其周围确定新的尝试条件组进行开采、评估。Prob(i)为1，则观察蜂就到采蜜蜂当前食物源的周围去确定新的食物源(新的尝试条件组)进行开采、评估；为0则等待下一次的选中概率计算；
步骤6、当前食物源取舍判断，当迭代次数未达到上限时，需回到步骤2，由采蜜蜂继续开采尝试和评估。当迭代次数达到上限时，观察蜂算得的选中概率值一直保持为0，说明蜂群已获得最优食物源条件组；
步骤7、记录当前为止人工蜂群算法所寻找到的最优解，将获得的最优解Kp_u、Ki_u、Kp_i、Ki_i输出给PI控制器，产生对应的占空比去驱动逆变桥工作，从而结束整个控制流程。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于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。
Claims (3)
1.一种离网逆变器的人工蜂群PI控制方法，其特征在于，包括以下步骤：
步骤1、初始化人工蜂群及其它算法参数：包括迭代周期T、采样周期t、PI控制器的Kp、Ki可行解的全局取值范围Range[a,b]，人工蜂群的初始化，包括蜜蜂总数TatalB_No，采蜜蜂HonyB和观察蜂ObsB个数，每个食物源最大迭代计算次数Max_Iter_No，人工蜂群总的最大开采尝试次数Max_Rep_No，蜂群食物源初始尝试条件组Kp、Ki的取值；
步骤2、控制和故障判断所需实时数据的采集；
步骤3、HonyB对当前食物源进行开采和评估，由人工蜂群中的采蜜蜂在当前食物源进行尝试，根据适应度函数对尝试结果进行优化程度评估，按照择优替代的原则决定是否更新食物源；如果当前适应度高于上次计算值，表明当前食物源质量高，不用迭代；反之则需要更新替代食物源，以进行新的尝试，直到次数达到Max_Iter_No为止；所述的适应度函数为：
其中e(t)为PI控制器反馈值uout_fbk、i load_fbk分别与参考输入值Uout_fbk、iload_ref之间的偏差；
步骤4、计算当前食物源选中概率：由蜂群中的观察蜂ObsB，根据选择概率公式求取当前食物源的选中几率；所述的选择概率公式为：
其中，e(ti)和e(ti-1)分别代表本次和上次迭代尝试的PI环反馈值uout_fbk、iload_fbk分别与参考输入值Uout_fbk、iload_ref之间的偏差值；
步骤5、观察蜂角色转换：由观察蜂ObsB根据步骤4算出的选中概率值，若Prob(i)为1，则ObsB就到跟随的HonyB当前食物源的周围去确定新的食物源进行开采、评估，以完成ObsB到HonyB的角色转换；若Prob(i)为0则等待下一次的选中概率计算；
步骤6、当前食物源取舍判断：如果HonyB的当前食物源经过Max_Iter_No次的开采尝试，均未能产生更优的食物源，则放弃当前食物源，转而在一个∈Range[a,b]的新的领域产生新的食物源，重新开采和评估；
步骤7、结束判断，记录当前为止寻找到的最优解：若蜂群总的开采尝试次数还未达上限Max_Rep_No，则返回步骤2，开始新一轮的循环；若已达上限，则结束算法，将此次循环获得的最优解Kp_u、Ki_u、Kp_i、Kp_i作为PI控制最优条件，依此获得占空比输出给逆变器PWM驱动模块，完成整个控制流程。
2.根据权利要求1所述的离网逆变器的人工蜂群PI控制方法，其特征在于，在步骤1中，所述每个食物源最大迭代计算次数Max_Iter_No和人工蜂群总的最大开采尝试次数Max_Rep_No的大小根据系统PI控制要求和收敛速度进行设定，控制精度要求越高则值的设定越大，同时收敛速度越慢。
3.根据权利要求1所述的离网逆变器的人工蜂群PI控制方法，其特征在于，在步骤2中，采集的数据包括电压、电流和功率管温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171305.4A CN111399370B (zh) | 2020-03-12 | 2020-03-12 | 离网逆变器的人工蜂群pi控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171305.4A CN111399370B (zh) | 2020-03-12 | 2020-03-12 | 离网逆变器的人工蜂群pi控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111399370A CN111399370A (zh) | 2020-07-10 |
| CN111399370B true CN111399370B (zh) | 2022-08-16 |
Family
ID=71432381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010171305.4A Active CN111399370B (zh) | 2020-03-12 | 2020-03-12 | 离网逆变器的人工蜂群pi控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111399370B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113410864A (zh) * | 2021-05-08 | 2021-09-17 | 南昌大学 | 一种基于改进人工蜂群算法的三相逆变器控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104852654A (zh) * | 2015-03-06 | 2015-08-19 | 东华大学 | 基于人工蜂群算法永磁同步电机速度环控制参数优化方法 |
| CN104965941A (zh) * | 2015-06-02 | 2015-10-07 | 上海电力学院 | 基于改进的人工蜂群算法的漏磁检测缺陷重构方法 |
| CN106786757A (zh) * | 2016-12-30 | 2017-05-31 | 集美大学 | 基于人工蜂群算法优化孤岛式混合能源系统配置的方法 |
| CN108023519A (zh) * | 2017-11-01 | 2018-05-11 | 青岛中加特变频电机有限公司 | 一种基于人工蜂群参数优化的交流异步电动机滑膜变结构直接转矩控制方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279652B (zh) * | 2013-05-13 | 2016-03-30 | 浙江大学 | 一种基于蜂群行为的dna遗传算法的复杂化工过程建模方法 |
| CN103336887A (zh) * | 2013-06-05 | 2013-10-02 | 哈尔滨工程大学 | 一种基于蜂群算法辨识水动力系数的方法 |
| CN103323755A (zh) * | 2013-06-17 | 2013-09-25 | 广东电网公司电力科学研究院 | Gis特高频局部放电信号识别方法及系统 |
| CN105259753A (zh) * | 2015-07-21 | 2016-01-20 | 湖南城市学院 | 一种优化方法、参数更新模块及控制装置 |
| CN105511259B (zh) * | 2015-12-03 | 2016-10-05 | 山东科技大学 | 一种伺服电机分数阶pi控制器的参数整定方法 |
| US20180240018A1 (en) * | 2016-05-19 | 2018-08-23 | Jiangnan University | Improved extreme learning machine method based on artificial bee colony optimization |
| CN107450498B (zh) * | 2017-09-11 | 2018-08-28 | 合肥工业大学 | 基于改进人工蜂群算法的生产调度方法及系统 |
| CN109426920A (zh) * | 2018-01-19 | 2019-03-05 | 武汉十傅科技有限公司 | 一种考虑预测订单和实际订单的企业生产计划优化方法 |
| CN109359833B (zh) * | 2018-09-27 | 2022-05-27 | 中国石油大学(华东) | 一种基于abc-brann模型的海洋平台燃爆风险分析方法 |
| CN109597304B (zh) * | 2018-11-30 | 2022-02-11 | 北京工业大学 | 基于人工蜂群算法的模具库智能分区存储方法 |
| CN109696836B (zh) * | 2019-02-11 | 2022-02-25 | 中国民航大学 | 飞机舵机电液伺服系统智能控制方法 |
-
2020
- 2020-03-12 CN CN202010171305.4A patent/CN111399370B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104852654A (zh) * | 2015-03-06 | 2015-08-19 | 东华大学 | 基于人工蜂群算法永磁同步电机速度环控制参数优化方法 |
| CN104965941A (zh) * | 2015-06-02 | 2015-10-07 | 上海电力学院 | 基于改进的人工蜂群算法的漏磁检测缺陷重构方法 |
| CN106786757A (zh) * | 2016-12-30 | 2017-05-31 | 集美大学 | 基于人工蜂群算法优化孤岛式混合能源系统配置的方法 |
| CN108023519A (zh) * | 2017-11-01 | 2018-05-11 | 青岛中加特变频电机有限公司 | 一种基于人工蜂群参数优化的交流异步电动机滑膜变结构直接转矩控制方法 |
Non-Patent Citations (5)
| Title |
|---|
| "Distorted Waveform Balancing Using an Artificial Bee Colony (ABC) Based Optimal Control for Mitigating Total Harmonics in Single Phase Inverter";N. M. Spencer Prathap Singh，等;《Circuits and Systems》;20160712;2154-2167 * |
| "Efficiency Improvement of Overall PMSM-Inverter System Based on Artificial Bee Colony Algorithm Under Full Power Range";Xiaofeng Ding，等;《IEEE Transactions on Magnetics》;20160731;1-4 * |
| "基于人工蜂群的电机分数阶速度控制器的设计";黄梁松，等;《驱动控制》;20151231;59-63 * |
| "基于人工蜂群算法的微网并网优化运行";崔秋丽;《系统仿真学报》;20180430;1551-1559 * |
| "基于改进人工蜂群算法的PID参数整定研究";商建平，等;《自动化与仪器仪表》;20151231;166-167,170 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111399370A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rahimian et al. | Optimal PID controller design for AVR system using particle swarm optimization algorithm | |
| CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
| CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
| CN106940068B (zh) | 一种基于遗传蚁群算法的水蓄冷空调系统节能优化控制策略的确定方法 | |
| CN111399370B (zh) | 离网逆变器的人工蜂群pi控制方法 | |
| CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
| CN111555682A (zh) | 一种基于优化算法的pid永磁同步电机的控制方法 | |
| CN111198550A (zh) | 基于案例推理的云端智能生产优化调度在线决策方法及系统 | |
| CN112012875B (zh) | 一种水轮机调节系统pid控制参数的优化方法 | |
| CN115453931A (zh) | 一种水电机组监控系统有功功率控制的优化方法及装置 | |
| CN109460608A (zh) | 一种基于模糊时间序列的高陡边坡形变预测的方法 | |
| CN105955032A (zh) | 基于蝙蝠算法优化极限学习机的逆变器控制方法 | |
| CN117311422A (zh) | 一种农作物种植的大棚内部环境的调控方法及系统 | |
| CN117220357A (zh) | 配电网无功电压优化方法、装置、电子设备及存储介质 | |
| CN110705756A (zh) | 一种基于输入凸神经网络的电力能耗优化控制方法 | |
| CN113991752B (zh) | 一种电网准实时智能控制方法及系统 | |
| CN110766072A (zh) | 一种基于结构相似性的计算图进化ai模型自动生成方法 | |
| CN115062537B (zh) | 基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法 | |
| CN116094049A (zh) | 一种低压分布式可再生能源的电力辅助调频方法及装置 | |
| CN114938175A (zh) | 永磁同步电机参数辨识方法、电子设备和存储介质 | |
| CN114298429A (zh) | 一种配电网动案辅助决策方法、系统、装置和存储介质 | |
| CN114971207A (zh) | 基于改进人工蜂群算法的负荷优化分配方法 | |
| CN102141778B (zh) | 一种受核糖体rna启发的高阶控制器参数优化方法 | |
| Yue et al. | Application of Fuzzy PID Control Algorithm Based on Genetic Self-tuning in Constant Temperature Incubator | |
| CN114285089B (zh) | 优化风光火储系统中的火电机组启停方法和系统 |
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 |