CN116032190B - 利用神经网络的电机负荷管理系统 - Google Patents
利用神经网络的电机负荷管理系统 Download PDFInfo
- Publication number
- CN116032190B CN116032190B CN202310322208.4A CN202310322208A CN116032190B CN 116032190 B CN116032190 B CN 116032190B CN 202310322208 A CN202310322208 A CN 202310322208A CN 116032190 B CN116032190 B CN 116032190B
- Authority
- CN
- China
- Prior art keywords
- power
- motor
- load
- load power
- time segment
- 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
Images
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及一种利用神经网络的电机负荷管理系统，包括：主从式动力机构，包括主电机和从电机；内容预测设备，用于基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用神经网络预测主电机在当前时间分段内对应的平均负荷功率；动力调节设备，用于在接收到的平均负荷功率大于第一满额功率且小于等于第一满额功率与第二满额功率的和时，保持启用主电机并启动从电机。本发明的利用神经网络的电机负荷管理系统运行稳定、节能环保。由于能够基于历史测量的多份平均负荷功率采用训练后的卷积神经网络完成对当前时间分段的负荷功率的预测处理，从而保证了电机节能管理的可靠性和有效性。
Description
技术领域
本发明涉及电机管理领域，更具体地，涉及一种利用神经网络的电机负荷管理系统。
背景技术
一般来说，电机销售面向三类客户：即终端用户、代理商和设备配套商。其产品用量所占比分别为：终端用户占5%，代理商约占15%，下游产业的机械设备配套商占80%。
当前，世界各国都面临很高的节能减排的压力，因此分别制定了节能高效电机的法令法规。以中国为例，2022年全国用电量约为46928亿千瓦时，若使用中小型节能高效电机提高4%计算，全国可节电1051亿千瓦时，可减少3549万吨标准煤，减少二氧化碳9347万吨排放，二氧化硫31万吨排放。上述计划一方面显示中国对提高电机效率的高度重视，另一方面，中小型节能高效电机在中国使用较少，另外，好的中小型节能高效电机主要依赖进口，价格昂贵。此外，国内企业大多因为制作中小型节能高效电机的材料费用过高而望而却步。这需要国家加大对国内电机制造企业的扶持，令国产产品尽快形成市场竞争力。
在电机功率负荷管理方面已经公开的现有技术有：
申请公布号CN115173413A，提供了一种基于新型电气介数的电网脆弱线路辨识方法，包括将电网构建为网络图，依次移除所述网络图中的线路，对每条线路的新型电气介数从大到小进行排序；构建考虑过载和加权边的复杂网络级联失效非线性模型，对排序后的所述新型电气介数分别进行两种移除线路方式，分别是依次移除预设比例线路和依次移除全部线路，直至所述网络图中无新线路被移除；获取每次移除线路前后发电机-负荷功率的变化，基于所述发电机-负荷功率的变化评价电网故障的严重程度，完成电网脆弱线路辨识。
申请公布号CN101969202A，公开了电力系统暂态稳定输电断面功率极限区间的识别方法，采用暂态功角稳定量化评估方法和暂态电压安全稳定量化评估方法对输电断面暂态安全稳定考核故障集中每个故障分别进行暂态安全稳定评估，得到每个故障的暂态功角稳定模式和暂态电压安全稳定模式；分别依据发电机、负荷的参与因子、功率对输电断面功率的灵敏度和暂态功角稳定裕度、暂态电压安全稳定裕度计算出每台发电机、每个负荷对输电断面功率极限的影响因子；根据发电机和负荷对输电断面功率极限的影响因子，通过发电机、负荷功率调整计算出输电断面功率极限的最大值和最小值。
申请公布号CN1111409A，一种微电脑三相异步电机节电保护器，采用微电脑控制执行机构对电机实行全功能保护，并通过微电脑运算电机负荷功率与额定功率的比值，按轻重负荷发出控制令使电机绕组分别按星形、三角形连接方式节电运行。具有通用性强，可靠性高，操作简单等特点，而且电机绕组连接方式的转换采用区间数据，可以获得良好的节电效果，改善电网性能，而且避免了负荷电流在临界值附近变化时出现转换不稳定的故障，保证电机在稳定的供电制式下可靠地工作。
现有技术中，存在多个电机共同负担同一负载场景的负荷驱动，如果不考虑具体负荷功率，将所有电机保持运行状态，显然会在负荷功率较低时，浪费了大量的电机输出功率，造成电机节能等级的下降，相反，如果只开启少量电机，则一旦碰到偶发的大负荷功率的需求时，电机输出功率相对不足，又会影响正常的负荷驱动操作，由此可见，难点在于很难预测未来时间区间内的负荷功率需求。
发明内容
为了解决现有技术中的技术问题，本发明提供了一种利用神经网络的电机负荷管理系统，针对包括主电机和从电机的主从式动力机构，能够基于过往各个时间分段分别对应的各个平均负荷功率以及历史各天同一时间分段分别对应的各个平均负荷功率采用训练后的卷积神经网络完成对当前时间分段的负荷功率的预测处理，从而有效预测未来时间区间内的负荷功率需求，为未来时间区间的电机的节能管理提供基础信息。
根据本发明的一方面，提供了一种利用神经网络的电机负荷管理系统，所述系统包括：
主从式动力机构，包括主电机和从电机，用于对同一负荷驱动场景共同执行负荷驱动操作，所述主从式动力机构在默认状态下仅仅启用所述主电机而关闭所述从电机；
数据获取机构，与所述主从式动力机构连接，用于获取所述主电机的最大输出功率以及所述从电机的最大输出功率以分别作为第一满额功率和第二满额功率输出；
负荷测量机构，用于测量在未开启所述从电机时所述主电机在过往各个时间分段内分别对应的各个平均负荷功率以作为各个第一负荷功率，还用于测量在未开启所述从电机时所述主电机在过往各天与当前时间分段相同的各个时间分段内分别对应的各个平均负荷功率以作为各个第二负荷功率；
内容预测设备，分别与所述数据获取机构以及所述负荷测量机构连接，用于基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出；
动力调节设备，分别与所述主从式动力机构以及所述内容预测设备连接，用于在接收到的预测负荷功率大于第一满额功率且小于等于第一满额功率与第二满额功率的和时，保持启用所述主电机并启动所述从电机；
其中，所述动力调节设备还用于在接收到的预测负荷功率大于第一满额功率与第二满额功率的和时，发出负荷过量信号；
其中，所述动力调节设备还用于在接收到的预测负荷功率小于等于第一满额功率时，保持启用所述主电机并关闭所述从电机；
其中，基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出包括：所述人工智能模型为完成训练的卷积神经网络。
本发明的利用神经网络的电机负荷管理系统运行稳定、节能环保。由于能够基于历史测量的多份平均负荷功率采用训练后的卷积神经网络完成对当前时间分段的负荷功率的预测处理，从而保证了电机节能管理的可靠性和有效性。
附图说明
本领域技术人员通过参考附图可更好理解本发明的众多优点。
图1是依照本发明实施例A的利用神经网络的电机负荷管理系统的内部结构示意图。
图2是依照本发明实施例B的利用神经网络的电机负荷管理系统的内部结构示意图。
图3是依照本发明实施例C的利用神经网络的电机负荷管理系统的内部结构示意图。
具体实施方式
下面将参照附图对本发明的利用神经网络的电机负荷管理系统的实施例进行详细说明。
实施例A
图1是依照本发明实施例A的利用神经网络的电机负荷管理系统的内部结构示意图，所述系统包括：
主从式动力机构，包括主电机和从电机，用于对同一负荷驱动场景共同执行负荷驱动操作，所述主从式动力机构在默认状态下仅仅启用所述主电机而关闭所述从电机；
数据获取机构，与所述主从式动力机构连接，用于获取所述主电机的最大输出功率以及所述从电机的最大输出功率以分别作为第一满额功率和第二满额功率输出；
负荷测量机构，用于测量在未开启所述从电机时所述主电机在过往各个时间分段内分别对应的各个平均负荷功率以作为各个第一负荷功率，还用于测量在未开启所述从电机时所述主电机在过往各天与当前时间分段相同的各个时间分段内分别对应的各个平均负荷功率以作为各个第二负荷功率；
内容预测设备，分别与所述数据获取机构以及所述负荷测量机构连接，用于基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出；
动力调节设备，分别与所述主从式动力机构以及所述内容预测设备连接，用于在接收到的预测负荷功率大于第一满额功率且小于等于第一满额功率与第二满额功率的和时，保持启用所述主电机并启动所述从电机；
其中，所述动力调节设备还用于在接收到的预测负荷功率大于第一满额功率与第二满额功率的和时，发出负荷过量信号；
其中，所述动力调节设备还用于在接收到的预测负荷功率小于等于第一满额功率时，保持启用所述主电机并关闭所述从电机；
其中，基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出包括：所述人工智能模型为完成训练的卷积神经网络。
实施例B
图2是依照本发明实施例B的利用神经网络的电机负荷管理系统的内部结构示意图，所述系统包括：
主从式动力机构，包括主电机和从电机，用于对同一负荷驱动场景共同执行负荷驱动操作，所述主从式动力机构在默认状态下仅仅启用所述主电机而关闭所述从电机；
数据获取机构，与所述主从式动力机构连接，用于获取所述主电机的最大输出功率以及所述从电机的最大输出功率以分别作为第一满额功率和第二满额功率输出；
负荷测量机构，用于测量在未开启所述从电机时所述主电机在过往各个时间分段内分别对应的各个平均负荷功率以作为各个第一负荷功率，还用于测量在未开启所述从电机时所述主电机在过往各天与当前时间分段相同的各个时间分段内分别对应的各个平均负荷功率以作为各个第二负荷功率；
内容预测设备，分别与所述数据获取机构以及所述负荷测量机构连接，用于基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出；
动力调节设备，分别与所述主从式动力机构以及所述内容预测设备连接，用于在接收到的预测负荷功率大于第一满额功率且小于等于第一满额功率与第二满额功率的和时，保持启用所述主电机并启动所述从电机；
状态监测设备，与所述主从式动力机构连接，用于监测并获取所述主电机和所述从电机各自的当前输出功率。
实施例C
图3是依照本发明实施例C的利用神经网络的电机负荷管理系统的内部结构示意图，所述系统包括：
主从式动力机构，包括主电机和从电机，用于对同一负荷驱动场景共同执行负荷驱动操作，所述主从式动力机构在默认状态下仅仅启用所述主电机而关闭所述从电机；
数据获取机构，与所述主从式动力机构连接，用于获取所述主电机的最大输出功率以及所述从电机的最大输出功率以分别作为第一满额功率和第二满额功率输出；
负荷测量机构，用于测量在未开启所述从电机时所述主电机在过往各个时间分段内分别对应的各个平均负荷功率以作为各个第一负荷功率，还用于测量在未开启所述从电机时所述主电机在过往各天与当前时间分段相同的各个时间分段内分别对应的各个平均负荷功率以作为各个第二负荷功率；
内容预测设备，分别与所述数据获取机构以及所述负荷测量机构连接，用于基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出；
动力调节设备，分别与所述主从式动力机构以及所述内容预测设备连接，用于在接收到的预测负荷功率大于第一满额功率且小于等于第一满额功率与第二满额功率的和时，保持启用所述主电机并启动所述从电机；
定时服务设备，与所述内容预测设备连接，用于为所述内容预测设备提供各个时间分段的定时服务。
接着，继续对本发明的利用神经网络的电机负荷管理系统的具体结构进行进一步的说明。
在根据本发明的各个实施例的利用神经网络的电机负荷管理系统中：
测量在未开启所述从电机时所述主电机在过往各个时间分段内分别对应的各个平均负荷功率以作为各个第一负荷功率，还用于测量在未开启所述从电机时所述主电机在过往各天与当前时间分段相同的各个时间分段内分别对应的各个平均负荷功率以作为各个第二负荷功率包括：测量的在未开启所述从电机时所述主电机在过往每一个时间分段内对应的平均负荷功率为在所述时间分段内均匀分布的各个时刻分别对应的各个负荷功率的算术平均值；
其中，测量在未开启所述从电机时所述主电机在过往各个时间分段内分别对应的各个平均负荷功率以作为各个第一负荷功率，还用于测量在未开启所述从电机时所述主电机在过往各天与当前时间分段相同的各个时间分段内分别对应的各个平均负荷功率以作为各个第二负荷功率包括：测量的在未开启所述从电机时所述主电机在过往每一天与当前时间分段相同的时间分段内对应的平均负荷功率为在所述时间分段内均匀分布的各个时刻分别对应的各个负荷功率的算术平均值；
其中，测量在未开启所述从电机时所述主电机在过往各个时间分段内分别对应的各个平均负荷功率以作为各个第一负荷功率，还用于测量在未开启所述从电机时所述主电机在过往各天与当前时间分段相同的各个时间分段内分别对应的各个平均负荷功率以作为各个第二负荷功率包括：过往各个时间分段是当前时间分段之前最新的各个时间分段；
其中，过往各个时间分段是当前时间分段之前最新的各个时间分段包括：当前时间分段的持续时长与过往每一个时间分段的持续时长相等。
以及在根据本发明的各个实施例的利用神经网络的电机负荷管理系统中：
基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出包括：对所述卷积神经网络执行训练的数量与所述第一满额功率的数值正向关联；
其中，基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出包括：每一次训练时，将已知平均负荷功率的过往时间分段作为参考时间分段；
其中，基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出包括：每一次训练时，将第一满额功率、第二满额功率、所述参考时间分段对应的各个第一负荷功率以及所述参考时间分段对应的各个第二负荷功率作为所述卷积神经网络的各项输入数据，将已知平均负荷功率作为所述卷积神经网络的单项输出数据。
另外，在所述利用神经网络的电机负荷管理系统中，基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出包括：将第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率作为所述人工智能模型的各项输入数据，将所述主电机在当前时间分段内对应的平均负荷功率作为所述人工智能模型的单项输出数据。
由此可见，本发明至少具备以下几处有益的技术效果：
1：针对包括主电机和从电机的主从式动力机构，在默认状态下仅仅启用所述主电机而关闭所述从电机，并在预测到当前时间分段内负载功率超过所述主电机的最大输出功率时，自动控制从电机启动以尽可能提升电机使用效率，减少电机消耗功率，达到节能环保的技术效果；
2：基于过往各个时间分段分别对应的各个平均负荷功率以及历史各天同一时间分段分别对应的各个平均负荷功率采用训练后的卷积神经网络完成对当前时间分段的负荷功率的预测处理，从而为电机的节能管理提供关键数据。
已经结合实施例对本发明的各种特征进行了详细地描述。但是应当明白，这些特定的描述仅是例举，在所附权利要求书的范围内，可以对本发明作出最充分的解释。
Claims (10)
1.一种利用神经网络的电机负荷管理系统，其特征在于，所述系统包括：
主从式动力机构，包括主电机和从电机，用于对同一负荷驱动场景共同执行负荷驱动操作，所述主从式动力机构在默认状态下仅仅启用所述主电机而关闭所述从电机；
数据获取机构，与所述主从式动力机构连接，用于获取所述主电机的最大输出功率以及所述从电机的最大输出功率以分别作为第一满额功率和第二满额功率输出；
负荷测量机构，用于测量在未开启所述从电机时所述主电机在过往各个时间分段内分别对应的各个平均负荷功率以作为各个第一负荷功率，还用于测量在未开启所述从电机时所述主电机在过往各天与当前时间分段相同的各个时间分段内分别对应的各个平均负荷功率以作为各个第二负荷功率；
内容预测设备，分别与所述数据获取机构以及所述负荷测量机构连接，用于基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出；
动力调节设备，分别与所述主从式动力机构以及所述内容预测设备连接，用于在接收到的预测负荷功率大于第一满额功率且小于等于第一满额功率与第二满额功率的和时，保持启用所述主电机并启动所述从电机；
其中，所述动力调节设备还用于在接收到的预测负荷功率小于等于第一满额功率时，保持启用所述主电机并关闭所述从电机；
其中，所述动力调节设备还用于在接收到的预测负荷功率大于第一满额功率与第二满额功率的和时，发出负荷过量信号；
其中，基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出包括：所述人工智能模型为完成训练的卷积神经网络。
2.如权利要求1所述的利用神经网络的电机负荷管理系统，其特征在于，所述系统还包括：
状态监测设备，与所述主从式动力机构连接，用于监测并获取所述主电机和所述从电机各自的当前输出功率。
3.如权利要求1所述的利用神经网络的电机负荷管理系统，其特征在于，所述系统还包括：
定时服务设备，与所述内容预测设备连接，用于为所述内容预测设备提供各个时间分段的定时服务。
4.如权利要求1-3任一所述的利用神经网络的电机负荷管理系统，其特征在于：
测量在未开启所述从电机时所述主电机在过往各个时间分段内分别对应的各个平均负荷功率以作为各个第一负荷功率，还用于测量在未开启所述从电机时所述主电机在过往各天与当前时间分段相同的各个时间分段内分别对应的各个平均负荷功率以作为各个第二负荷功率包括：测量的在未开启所述从电机时所述主电机在过往每一个时间分段内对应的平均负荷功率为在所述时间分段内均匀分布的各个时刻分别对应的各个负荷功率的算术平均值。
5.如权利要求4所述的利用神经网络的电机负荷管理系统，其特征在于：
测量在未开启所述从电机时所述主电机在过往各个时间分段内分别对应的各个平均负荷功率以作为各个第一负荷功率，还用于测量在未开启所述从电机时所述主电机在过往各天与当前时间分段相同的各个时间分段内分别对应的各个平均负荷功率以作为各个第二负荷功率包括：测量的在未开启所述从电机时所述主电机在过往每一天与当前时间分段相同的时间分段内对应的平均负荷功率为在所述时间分段内均匀分布的各个时刻分别对应的各个负荷功率的算术平均值。
6.如权利要求5所述的利用神经网络的电机负荷管理系统，其特征在于：
测量在未开启所述从电机时所述主电机在过往各个时间分段内分别对应的各个平均负荷功率以作为各个第一负荷功率，还用于测量在未开启所述从电机时所述主电机在过往各天与当前时间分段相同的各个时间分段内分别对应的各个平均负荷功率以作为各个第二负荷功率包括：过往各个时间分段是当前时间分段之前最新的各个时间分段。
7.如权利要求6所述的利用神经网络的电机负荷管理系统，其特征在于：
过往各个时间分段是当前时间分段之前最新的各个时间分段包括：当前时间分段的持续时长与过往每一个时间分段的持续时长相等。
8.如权利要求1-3任一所述的利用神经网络的电机负荷管理系统，其特征在于：
基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出包括：对所述卷积神经网络执行训练的数量与所述第一满额功率的数值正向关联。
9.如权利要求8所述的利用神经网络的电机负荷管理系统，其特征在于：
基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出包括：每一次训练时，将已知平均负荷功率的过往时间分段作为参考时间分段。
10.如权利要求9所述的利用神经网络的电机负荷管理系统，其特征在于：
基于第一满额功率、第二满额功率、各个第一负荷功率以及各个第二负荷功率采用人工智能模型预测所述主电机在当前时间分段内对应的平均负荷功率以作为当前时间分段对应的预测负荷功率输出包括：每一次训练时，将第一满额功率、第二满额功率、所述参考时间分段对应的各个第一负荷功率以及所述参考时间分段对应的各个第二负荷功率作为所述卷积神经网络的各项输入数据，将已知平均负荷功率作为所述卷积神经网络的单项输出数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310322208.4A CN116032190B (zh) | 2023-03-29 | 2023-03-29 | 利用神经网络的电机负荷管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310322208.4A CN116032190B (zh) | 2023-03-29 | 2023-03-29 | 利用神经网络的电机负荷管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116032190A CN116032190A (zh) | 2023-04-28 |
| CN116032190B true CN116032190B (zh) | 2023-05-30 |
Family
ID=86079791
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310322208.4A Active CN116032190B (zh) | 2023-03-29 | 2023-03-29 | 利用神经网络的电机负荷管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116032190B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202841029U (zh) * | 2011-04-07 | 2013-03-27 | 发那科株式会社 | 电动机驱动控制装置 |
| CN104376389A (zh) * | 2014-12-10 | 2015-02-25 | 国电南京自动化股份有限公司 | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 |
| CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
| CN104868590A (zh) * | 2014-02-21 | 2015-08-26 | 科勒公司 | 具有预测操作的发电系统 |
| CN106165232A (zh) * | 2014-02-19 | 2016-11-23 | 博格华纳股份有限公司 | 利用选择性负荷减小在并联连接的发电机的系统中用于负荷分担平衡的方法 |
| CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
| CN108400580A (zh) * | 2017-02-04 | 2018-08-14 | 中兴通讯股份有限公司 | 通信供电系统及通信供电系统供电控制方法 |
| CN112087165A (zh) * | 2020-09-19 | 2020-12-15 | 西安科技大学 | 一种刮板输送机的双电机驱动控制方法 |
| CN112950296A (zh) * | 2021-05-12 | 2021-06-11 | 浙江万里扬能源科技股份有限公司 | 一种电力市场出清计算网络模型数据处理方法 |
| CN115409360A (zh) * | 2022-08-26 | 2022-11-29 | 湖北省天顺零碳技术有限公司 | 多机型风电场功率调度方法、系统、设备及存储介质 |
-
2023
- 2023-03-29 CN CN202310322208.4A patent/CN116032190B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202841029U (zh) * | 2011-04-07 | 2013-03-27 | 发那科株式会社 | 电动机驱动控制装置 |
| CN106165232A (zh) * | 2014-02-19 | 2016-11-23 | 博格华纳股份有限公司 | 利用选择性负荷减小在并联连接的发电机的系统中用于负荷分担平衡的方法 |
| CN104868590A (zh) * | 2014-02-21 | 2015-08-26 | 科勒公司 | 具有预测操作的发电系统 |
| CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
| CN104376389A (zh) * | 2014-12-10 | 2015-02-25 | 国电南京自动化股份有限公司 | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 |
| CN108400580A (zh) * | 2017-02-04 | 2018-08-14 | 中兴通讯股份有限公司 | 通信供电系统及通信供电系统供电控制方法 |
| CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
| CN112087165A (zh) * | 2020-09-19 | 2020-12-15 | 西安科技大学 | 一种刮板输送机的双电机驱动控制方法 |
| CN112950296A (zh) * | 2021-05-12 | 2021-06-11 | 浙江万里扬能源科技股份有限公司 | 一种电力市场出清计算网络模型数据处理方法 |
| CN115409360A (zh) * | 2022-08-26 | 2022-11-29 | 湖北省天顺零碳技术有限公司 | 多机型风电场功率调度方法、系统、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116032190A (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108649592B (zh) | 一种中低压线路多功能自动换相系统及其换相方法 | |
| CN115603453B (zh) | 一种带智能监测系统的直流母线群控装置 | |
| CN101630918A (zh) | 节能的模块化高压直流电源系统 | |
| CN108180602A (zh) | 一种智能变频控制柜及其控制方法 | |
| CN108983104B (zh) | 一种基于电池开路电压法在线容量计算方法 | |
| CN111942206B (zh) | 充电站电力自动化测控节能控制系统及其方法 | |
| CN114421471A (zh) | 一种应用于转供电的电流负荷特性识别系统 | |
| CN116032190B (zh) | 利用神经网络的电机负荷管理系统 | |
| CN105160500A (zh) | 配电网可靠性评估方法及系统 | |
| CN113659701B (zh) | 一种智能空压站电能供应系统及其供应方法 | |
| CN200998906Y (zh) | 注塑机节能智能控制系统 | |
| CN203278710U (zh) | 一种新型电机型微机磁控装置 | |
| CN110927628B (zh) | 机车牵引变压器次边绕组短路诊断方法和装置 | |
| CN107302156A (zh) | 一种具有低频切负荷功能的220v智能插座及其工作方法 | |
| CN114977224B (zh) | 考虑分布式电源接入居民区的三相不平衡分时段治理方法 | |
| CN203259848U (zh) | 循环水节能管理控制系统 | |
| CN105974834A (zh) | 一种用于油田抽油机的削峰填谷伺服驱动方法系统 | |
| CN210154027U (zh) | 变频空调控制器容错电路 | |
| CN113467291A (zh) | 一种适合双向互动的节能楼宇集中器控制方法 | |
| CN208330300U (zh) | 一种无需载荷传感器实现自动调参的抽油机自控设备 | |
| CN2603198Y (zh) | 具有防窃电和节能功能的抽油机智能控制装置 | |
| CN2424575Y (zh) | 油田抽油机智能型节能拖动装置 | |
| CN117329112B (zh) | 一种水泵的远程控制系统 | |
| CN206442173U (zh) | 太阳能路灯的充放电控制设备 | |
| CN218470177U (zh) | 一种可调负载减速机试运行磨合系统 |
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 |