CN113919965A - 模型训练方法及系统、储能逆变器及基于其的预测方法 - Google Patents

模型训练方法及系统、储能逆变器及基于其的预测方法 Download PDF

Info

Publication number
CN113919965A
CN113919965A CN202010659506.9A CN202010659506A CN113919965A CN 113919965 A CN113919965 A CN 113919965A CN 202010659506 A CN202010659506 A CN 202010659506A CN 113919965 A CN113919965 A CN 113919965A
Authority
CN
China
Prior art keywords
data
historical
wind driven
service life
driven generator
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
Application number
CN202010659506.9A
Other languages
English (en)
Inventor
陈欣
吴文俊
王典
董瑢
王秀芳
董红赞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Setri Group Co ltd
Original Assignee
Setri Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Setri Group Co ltd filed Critical Setri Group Co ltd
Priority to CN202010659506.9A priority Critical patent/CN113919965A/zh
Publication of CN113919965A publication Critical patent/CN113919965A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种模型训练方法及系统、储能逆变器及基于其的预测方法，模型训练方法包括以下步骤：获取多个风力发电机的历史数据，所述历史数据包括历史属性数据、历史运行数据、历史环境数据以及历史寿命数据；将获取的历史数据输入至神经网络模型中进行训练，获取用于预测风力发电机寿命的目标模型。本发明能够对储能逆变器相配合的风力发电机的寿命进行准确预测，并能够在风力发电机寿命终结之前进行相应的信息显示以及发出风机更换请求，从而能够保证老化的风力发电机能够被及时更换，保证风力发电机以及储能逆变器的正常工作。

Description

模型训练方法及系统、储能逆变器及基于其的预测方法
技术领域
本发明涉及模型训练领域，特别涉及一种模型训练方法及系统、储能逆变器及基于其的预测方法。
背景技术
储能逆变器(PCS，Power Converter System)是微网储能系统同电网与储能电池连接的关键部件，其一方面可以同电网进行柔性的连接，对电网输送或吸收有功及无功，另一方面可以对储能电池进行充放电控制及对电池进行维护。现有的储能逆变器并不具备针对风力发电机的预测功能，无法对与其配合工作的风力发电机进行预测，进而无法确定风力发电机的更换时间，导致影响到风力发电机及储能逆变器的工作。
发明内容
本发明要解决的技术问题是为了克服现有技术中储能逆变器并不具备针对风力发电机的预测功能，无法对与其配合工作的风力发电机进行预测的缺陷，提供一种模型训练方法及系统、储能逆变器及基于其的预测方法。
本发明是通过下述技术方案来解决上述技术问题：
本发明提供了一种模型训练方法，包括以下步骤：
获取多个风力发电机的历史数据，所述历史数据包括历史属性数据、历史运行数据、历史环境数据以及历史寿命数据；
将获取的历史数据输入至神经网络模型中进行训练，获取用于预测风力发电机寿命的目标模型。
较佳地，所述历史属性数据包括风力发电机的材料数据，所述历史运行数据包括风力发电机的载荷数据，所述历史环境数据包括风力发电机所处运行环境的温度数据、湿度数据、风力数据、位置数据。
本发明还提供了一种基于储能逆变器的预测方法，包括以下步骤：
在所述储能逆变器中利用如上所述的模型训练方法训练出所述目标模型；
获取与所述储能逆变器相配合的待预测风力发电机的当前数据，所述当前数据包括所述待预测风力发电机的当前属性数据、当前运行数据以及当前环境数据；
将所述当前属性数据、当前运行数据以及当前环境数据输入至所述目标模型中，获取所述待预测风力发电机的预测寿命数据。
较佳地，所述预测方法还包括：
根据所述预测寿命数据计算所述待预测风力发电机的寿命终结时间；
在所述寿命终结时间之前的一预设时间段内向后台发送风机更换请求。
较佳地，所述预测方法还包括：
实时显示所述待预测风力发电机的预测寿命数据以及寿命终结时间。
本发明还提供了一种模型训练系统，包括：
历史数据获取模块，用于获取多个风力发电机的历史数据，所述历史数据包括历史属性数据、历史运行数据、历史环境数据以及历史寿命数据；
训练模块，用于将获取的历史数据输入至神经网络模型中进行训练，获取用于预测风力发电机寿命的目标模型。
较佳地，所述历史属性数据包括风力发电机的材料数据，所述历史运行数据包括风力发电机的载荷数据，所述历史环境数据包括风力发电机所处运行环境的温度数据、湿度数据、风力数据、位置数据。
本发明还提供了一种储能逆变器，包括如上所述的模型训练系统、当前数据获取模块以及预测模块；
所述模型训练系统用于训练出所述目标模型；
所述当前数据获取模块用于获取与所述储能逆变器相配合的待预测风力发电机的当前数据，所述当前数据包括所述待预测风力发电机的当前属性数据、当前运行数据以及当前环境数据；
所述预测模块用于将所述当前属性数据、当前运行数据以及当前环境数据输入至所述目标模型中，获取所述待预测风力发电机的预测寿命数据。
较佳地，所述储能逆变器还包括：
计算模块，用于根据所述预测寿命数据计算所述待预测风力发电机的寿命终结时间；
请求模块，用于在所述寿命终结时间之前的一预设时间段内向后台发送风机更换请求。
较佳地，所述储能逆变器还包括：
显示模块，用于实时显示所述待预测风力发电机的预测寿命数据以及寿命终结时间。
本发明的积极进步效果在于：本发明能够对储能逆变器相配合的风力发电机的寿命进行准确预测，并能够在风力发电机寿命终结之前进行相应的信息显示以及发出风机更换请求，从而能够保证老化的风力发电机能够被及时更换，保证风力发电机以及储能逆变器的正常工作。
附图说明
图1为本发明实施例1的模型训练方法的流程图。
图2为本发明实施例2的基于储能逆变器的预测方法的流程图。
图3位本发明实施例3的模型训练系统的模块示意图。
图4位本发明实施例4的储能逆变器的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供了一种模型训练方法，如图1所示，包括以下步骤：
步骤11、获取多个风力发电机的历史数据，所述历史数据包括历史属性数据、历史运行数据、历史环境数据以及历史寿命数据；
步骤12、将获取的历史数据输入至神经网络模型中进行训练，获取用于预测风力发电机寿命的目标模型。
其中，所述历史属性数据包括风力发电机的材料数据，所述历史运行数据包括风力发电机的载荷数据，所述历史环境数据包括风力发电机所处运行环境的温度数据、湿度数据、风力数据、位置数据。
本实施例将风力发电机的历史属性数据、历史运行数据、历史环境数据作为历史输入，将风力发电机的历史寿命数据作为历史输出，从而可以对风力发电机的寿命预测进行训练，能够训练出可以准确预测风力发电机寿命的目标模型，其中，所述神经网络模型的类型可以根据实际需要进行选择。
实施例2
本实施例提供了一种基于储能逆变器的预测方法，如图2所示，包括以下步骤：
步骤21、在所述储能逆变器中利用实施例1的模型训练方法训练出所述目标模型；
步骤22、获取与所述储能逆变器相配合的待预测风力发电机的当前数据，所述当前数据包括所述待预测风力发电机的当前属性数据、当前运行数据以及当前环境数据；
步骤23、将所述当前属性数据、当前运行数据以及当前环境数据输入至所述目标模型中，获取所述待预测风力发电机的预测寿命数据；
步骤24、根据所述预测寿命数据计算所述待预测风力发电机的寿命终结时间；
步骤25、在所述寿命终结时间之前的一预设时间段内向后台发送风机更换请求。
另外，本实施例的预测方法还可以包括：实时显示所述待预测风力发电机的预测寿命数据以及寿命终结时间。
本实施例的预测方法能够在风力发电机寿命终结之前进行相应的信息显示以及发出风机更换请求，从而能够保证老化的风力发电机能够被及时更换，保证风力发电机以及储能逆变器的正常工作。
实施例3
本实施例提供了一种模型训练系统，如图3所示，包括历史数据获取模块31以及训练模块32；
其中，历史数据获取模块31用于获取多个风力发电机的历史数据，所述历史数据包括历史属性数据、历史运行数据、历史环境数据以及历史寿命数据；
训练模块32用于将获取的历史数据输入至神经网络模型中进行训练，获取用于预测风力发电机寿命的目标模型。
所述历史属性数据包括风力发电机的材料数据，所述历史运行数据包括风力发电机的载荷数据，所述历史环境数据包括风力发电机所处运行环境的温度数据、湿度数据、风力数据、位置数据。
实施例4
本实施例提供了一种储能逆变器，如图4所示，包括实施例3所述的模型训练系统、当前数据获取模块41以及预测模块42；
所述模型训练系统用于训练出所述目标模型；
所述当前数据获取模块41用于获取与所述储能逆变器相配合的待预测风力发电机的当前数据，所述当前数据包括所述待预测风力发电机的当前属性数据、当前运行数据以及当前环境数据；
所述预测模块42用于将所述当前属性数据、当前运行数据以及当前环境数据输入至所述目标模型中，获取所述待预测风力发电机的预测寿命数据。
所述储能逆变器还包括：
计算模块43，用于根据所述预测寿命数据计算所述待预测风力发电机的寿命终结时间；
请求模块44，用于在所述寿命终结时间之前的一预设时间段内向后台发送风机更换请求；
显示模块45，用于实时显示所述待预测风力发电机的预测寿命数据以及寿命终结时间。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (10)

1.一种模型训练方法，其特征在于，包括以下步骤：
获取多个风力发电机的历史数据，所述历史数据包括历史属性数据、历史运行数据、历史环境数据以及历史寿命数据；
将获取的历史数据输入至神经网络模型中进行训练，获取用于预测风力发电机寿命的目标模型。
2.如权利要求1所述的模型训练方法，其特征在于，所述历史属性数据包括风力发电机的材料数据，所述历史运行数据包括风力发电机的载荷数据，所述历史环境数据包括风力发电机所处运行环境的温度数据、湿度数据、风力数据、位置数据。
3.一种基于储能逆变器的预测方法，其特征在于，包括以下步骤：
在所述储能逆变器中利用如权利要求1或2所述的模型训练方法训练出所述目标模型；
获取与所述储能逆变器相配合的待预测风力发电机的当前数据，所述当前数据包括所述待预测风力发电机的当前属性数据、当前运行数据以及当前环境数据；
将所述当前属性数据、当前运行数据以及当前环境数据输入至所述目标模型中，获取所述待预测风力发电机的预测寿命数据。
4.如权利要求3所述的基于储能逆变器的预测方法，其特征在于，所述预测方法还包括：
根据所述预测寿命数据计算所述待预测风力发电机的寿命终结时间；
在所述寿命终结时间之前的一预设时间段内向后台发送风机更换请求。
5.如权利要求4所述的基于储能逆变器的预测方法，其特征在于，所述预测方法还包括：
实时显示所述待预测风力发电机的预测寿命数据以及寿命终结时间。
6.一种模型训练系统，其特征在于，包括：
历史数据获取模块，用于获取多个风力发电机的历史数据，所述历史数据包括历史属性数据、历史运行数据、历史环境数据以及历史寿命数据；
训练模块，用于将获取的历史数据输入至神经网络模型中进行训练，获取用于预测风力发电机寿命的目标模型。
7.如权利要求6所述的模型训练系统，其特征在于，所述历史属性数据包括风力发电机的材料数据，所述历史运行数据包括风力发电机的载荷数据，所述历史环境数据包括风力发电机所处运行环境的温度数据、湿度数据、风力数据、位置数据。
8.一种储能逆变器，其特征在于，包括如权利要求6或7所述的模型训练系统、当前数据获取模块以及预测模块；
所述模型训练系统用于训练出所述目标模型；
所述当前数据获取模块用于获取与所述储能逆变器相配合的待预测风力发电机的当前数据，所述当前数据包括所述待预测风力发电机的当前属性数据、当前运行数据以及当前环境数据；
所述预测模块用于将所述当前属性数据、当前运行数据以及当前环境数据输入至所述目标模型中，获取所述待预测风力发电机的预测寿命数据。
9.如权利要求8所述的储能逆变器，其特征在于，所述储能逆变器还包括：
计算模块，用于根据所述预测寿命数据计算所述待预测风力发电机的寿命终结时间；
请求模块，用于在所述寿命终结时间之前的一预设时间段内向后台发送风机更换请求。
10.如权利要求9所述的储能逆变器，其特征在于，所述储能逆变器还包括：
显示模块，用于实时显示所述待预测风力发电机的预测寿命数据以及寿命终结时间。
CN202010659506.9A 2020-07-10 2020-07-10 模型训练方法及系统、储能逆变器及基于其的预测方法 Pending CN113919965A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010659506.9A CN113919965A (zh) 2020-07-10 2020-07-10 模型训练方法及系统、储能逆变器及基于其的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010659506.9A CN113919965A (zh) 2020-07-10 2020-07-10 模型训练方法及系统、储能逆变器及基于其的预测方法

Publications (1)

Publication Number Publication Date
CN113919965A true CN113919965A (zh) 2022-01-11

Family

ID=79232180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010659506.9A Pending CN113919965A (zh) 2020-07-10 2020-07-10 模型训练方法及系统、储能逆变器及基于其的预测方法

Country Status (1)

Country Link
CN (1) CN113919965A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970665A (zh) * 2022-03-28 2022-08-30 上海电气集团股份有限公司 模型训练方法、电解电容剩余寿命预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050091004A1 (en) * 1998-04-15 2005-04-28 Alexander G. Parlos System and method for condition assessment and end-of-life prediction
CN103019135A (zh) * 2012-11-28 2013-04-03 北京金风科创风电设备有限公司 风机部件的寿命预测方法及系统
CN104505907A (zh) * 2015-01-09 2015-04-08 成都鼎智汇科技有限公司 一种具有无功调节功能的电池储能系统的监控装置
CN109301865A (zh) * 2018-10-11 2019-02-01 深圳量云能源网络科技有限公司 用于风电机组的储能系统的控制方法和通讯管理系统
CN110059872A (zh) * 2019-04-09 2019-07-26 南京航空航天大学 一种基于状态监测的海上风电场运维调度方法
CN110415835A (zh) * 2018-09-26 2019-11-05 中车工业研究院有限公司 一种机械设备的剩余寿命预测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050091004A1 (en) * 1998-04-15 2005-04-28 Alexander G. Parlos System and method for condition assessment and end-of-life prediction
CN103019135A (zh) * 2012-11-28 2013-04-03 北京金风科创风电设备有限公司 风机部件的寿命预测方法及系统
CN104505907A (zh) * 2015-01-09 2015-04-08 成都鼎智汇科技有限公司 一种具有无功调节功能的电池储能系统的监控装置
CN110415835A (zh) * 2018-09-26 2019-11-05 中车工业研究院有限公司 一种机械设备的剩余寿命预测方法及装置
CN109301865A (zh) * 2018-10-11 2019-02-01 深圳量云能源网络科技有限公司 用于风电机组的储能系统的控制方法和通讯管理系统
CN110059872A (zh) * 2019-04-09 2019-07-26 南京航空航天大学 一种基于状态监测的海上风电场运维调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张立强，李练兵主编: "《电动汽车充电技术》", vol. 1, 30 April 2019, 天津大学出版社, pages: 237 - 238 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114970665A (zh) * 2022-03-28 2022-08-30 上海电气集团股份有限公司 模型训练方法、电解电容剩余寿命预测方法及系统

Similar Documents

Publication Publication Date Title
CN102003341B (zh) 用于风力方案集的系统和方法
CN103163841B (zh) 自动化设备远程监控系统及方法
CN103835882A (zh) 大型风力发电机组状态监测与故障诊断系统
US8639454B2 (en) Method of efficacy anticipation and failure examination for an apparatus
CA3030059C (en) Method and device for monitoring a power supply device of a traffic system
CN112950001B (zh) 基于云边端闭环架构的智慧能量管控系统及方法
CN113154897A (zh) 一种火电厂空冷系统的远程运维系统
CN113868078A (zh) 一种基于云平台的风电场的监控方法
CN115755639A (zh) 一种风电机组数字孪生仿真方法及系统
CN116739360A (zh) 基于区块链的分布式风光储智慧能量管理系统
KR20150118699A (ko) Gis 기반 실시간 기상정보를 활용한 풍력 예측 발전량 시각화 방법
CN113919965A (zh) 模型训练方法及系统、储能逆变器及基于其的预测方法
CN117993614A (zh) 一种基于配电网架的配电网规划装置
US20220291649A1 (en) Method for computer-implemented determination of control parameters of a turbine
CN116454983B (zh) 一种风光储联合最优控制管理方法、系统及设备
CN114281113B (zh) 一种水电设备智能运行信息模型的构建方法及其系统
KR20030087712A (ko) 풍력발전기의 원격 감시 시스템
CN111612219A (zh) 一种风力发电预测系统
Eecen et al. Estimating costs of operations and maintenance of offshore wind farms
Soundarapandian et al. An improved artificial fish swarm optimization for proficient solving of advanced unit commitment problem with wind energy and pumped hydro storage
CN117375106B (zh) 基于物联网的海上风电建设管理方法及系统
CN219061902U (zh) 一种电力现货场景下风力发电机的监控系统
CN116961061B (zh) 一种储能设备的控制方法、装置及电子设备
CN114465231B (zh) 一种海上风力发电的电力接入方法及系统
CN109944740B (zh) 风电场场群控制方法和设备

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