CN116596106A - 风电场站的功率预测方法、装置、电子设备及存储介质 - Google Patents
风电场站的功率预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116596106A CN116596106A CN202310245123.0A CN202310245123A CN116596106A CN 116596106 A CN116596106 A CN 116596106A CN 202310245123 A CN202310245123 A CN 202310245123A CN 116596106 A CN116596106 A CN 116596106A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- weather
- station
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000010248 power generation Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 68
- 230000003746 surface roughness Effects 0.000 claims description 65
- 238000001514 detection method Methods 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 16
- FNYLWPVRPXGIIP-UHFFFAOYSA-N Triamterene Chemical compound NC1=NC2=NC(N)=NC(N)=C2N=C1C1=CC=CC=C1 FNYLWPVRPXGIIP-UHFFFAOYSA-N 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 66
- 238000004891 communication Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风电场站的功率预测方法、装置、电子设备及存储介质。其中，该方法包括：获取与待预测的风电场站关联的目标环境数据，其中，目标环境数据包括实时天气数据和场站环境数据；基于实时天气数据和功率预测时刻确定天气预测数据，并基于天气预测数据和功率预测模型确定风电场站的初始功率预测结果，其中，功率预测模型基于多个历史时刻下风电场的历史天气数据和与历史天气数据对应的实际发电功率对预先建立的神经网络模型训练得到；根据场站环境数据获得与风电场站对应的功率影响系数，基于功率影响系数和初始功率预测结果确定风电场站的目标功率预测结果。取到了提高了功率预测的准确性及功率预测结果可靠性的有益效果。
Description
技术领域
本发明涉及风力发电技术领域，尤其涉及一种风电场站的功率预测方法、装置、电子设备及存储介质。
背景技术
风电功率预测技术是指对未来一段时间内风电场所能输出的功率大小进行预测。
现有的风电功率预测方法通常是根据风电设备将风能转化为机械功的功率大小，预测风电功率，功率预测结果的准确率较低，功率预测结果的可靠性较低。
发明内容
本发明提供了一种风电场站的功率预测方法、装置、电子设备及存储介质，以解决现有的风电功率预测结果准确率较低，功率预测结果可靠性较低的问题。
根据本发明的一方面，提供了一种风电场站的功率预测方法，该风电场站的功率预测方法，包括：
获取与待预测的风电场站关联的目标环境数据，其中，所述目标环境数据包括实时天气数据和场站环境数据；
基于所述实时天气数据和功率预测时刻确定天气预测数据，并基于所述天气预测数据和功率预测模型确定所述风电场站的初始功率预测结果，其中，功率预测模型基于多个历史时刻下所述风电场的历史天气数据和与所述历史天气数据对应的实际发电功率对预先建立的神经网络模型训练得到；
根据所述场站环境数据获得与所述风电场站对应的功率影响系数，基于所述功率影响系数和所述初始功率预测结果确定所述风电场站的目标功率预测结果。
根据本发明的另一方面，提供了一种风电场站的功率预测装置，该风电场站的功率预测装置，包括：
环境数据获取模块，用于获取与待预测的风电场站关联的目标环境数据，其中，所述目标环境数据包括实时天气数据和场站环境数据；
功率初步预测模块，用于基于所述实时天气数据和功率预测时刻确定天气预测数据，并基于所述天气预测数据和功率预测模型确定所述风电场站的初始功率预测结果，其中，功率预测模型基于多个历史时刻下所述风电场的历史天气数据和与所述历史天气数据对应的实际发电功率对预先建立的神经网络模型训练得到；
目标功率确定模块，用于根据所述场站环境数据获得与所述风电场站对应的功率影响系数，基于所述功率影响系数和所述初始功率预测结果确定所述风电场站的目标功率预测结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的风电场站的功率预测方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的风电场站的功率预测方法。
本发明实施例的技术方案，通过获取与待预测的风电场站关联的目标环境数据，其中，所述目标环境数据包括实时天气数据和场站环境数据；基于所述实时天气数据和功率预测时刻确定天气预测数据，并基于所述天气预测数据和功率预测模型确定所述风电场站的初始功率预测结果，其中，功率预测模型基于多个历史时刻下所述风电场的历史天气数据和与所述历史天气数据对应的实际发电功率对预先建立的神经网络模型训练得到；根据所述场站环境数据获得与所述风电场站对应的功率影响系数，基于所述功率影响系数和所述初始功率预测结果确定所述风电场站的目标功率预测结果。解决了现有的风电功率预测结果准确率较低，功率预测结果可靠性较低的问题，取到了提高了功率预测的准确性及功率预测结果可靠性的有益效果。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种风电场站的功率预测方法的流程图；
图2是根据本发明实施例二提供的一种风电场站的功率预测方法的流程图；
图3是根据本发明实施例三提供的一种风电场站的功率预测装置的结构示意图；
图4是实现本发明实施例的风电场站的功率预测方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“原始”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种风电场站的功率预测方法的流程图，本实施例可适用于风力发电情况，该方法可以由风电场站的功率预测装置来执行，该风电场站的功率预测装置可以采用硬件和/或软件的形式实现，该风电场站的功率预测装置可配置于电子设备中。如图1所示，该方法包括：
S110、获取与待预测的风电场站关联的目标环境数据，其中，所述目标环境数据包括实时天气数据和场站环境数据。
其中，目标环境数据可以理解为风电场站的环境信息。实时天气数据可以理解为当前时刻的天气信息，所述实时天气数据可以包括风向、风速、气温以及气压中的至少一种。场站环境数据可以理解为风电场站周围的环境信息。
具体的，可以通过数据采集装置集成的多种信息传感器采集待预测的风电场站的当前时刻的天气信息和周围的环境信息，将电场站的当前时刻的天气信息和周围的环境信息作为与待预测的风电场站关联的目标环境数据。示例性地，所述数据采集装置可以包括但不限于风向传感器、风速传感器、气温传感器和气压传感器等。
可选的，所述场站环境数据包括地表粗糙度；相应地，所述获取与待预测的风电场站关联的目标环境数据，包括：
针对所述地表粗糙度，确定与待预测的风电场站对应的环境检测区域；
基于所述环境检测区域内的地表粗糙度的变化信息对所述环境检测区域进行划分，得到子检测区域；
基于各个所述子检测区域的区域面积以及所述子检测区域对应的地表粗糙度确定所述风电场站的地表粗糙度。
其中，地表粗糙度可以理解为地表的粗糙程度。子检测区域可以理解为划分后的环境检测区域。
具体的，确定待预测的风电场站对应的环境监测区域的地表粗糙度。根据环境监测区域内，地表粗糙度的变化信息判断是否对环境检测区域进行划分。若环境监测区域内地表粗糙度的没有发生变化，则表明环境监测区域内地表粗糙度一致。可直接确定整个环境监测区域内的地表粗糙度，作为风电场站的地表粗糙度。若环境监测区域内地表粗糙度的发生变化，则表明环境监测区域内地表粗糙度不一致。基于风电场站对应的环境监测区域的不同位置处的地表粗糙度，将环境检测区域按照地表粗糙度划分为两块及以上的子检测区域。基于各个所述子检测区域的区域面积以及所述子检测区域对应的地表粗糙度确定所述风电场站的地表粗糙度。可以理解的是，同一子检测区域内的地表粗糙度相似或一致，具体地，同一子检测区域内不同位置处的地表粗糙度的差值可以处于预设粗糙度误差范围内。在本发明实施例中也可以按照地貌来划分子检测区域。同一子检测区域内地貌相似或一致。
可选的，所述基于各个所述子检测区域的区域面积以及所述子检测区域对应的地表粗糙度确定所述风电场站的地表粗糙度，包括：
针对每个所述子检测区域，确定所述子检测区域的区域面积在所述环境检测区域的总面积中的面积占比，并计算所述子检测区域的所述面积占比与其对应的所述地表粗糙度的乘积；
将各个所述子检测区域对应的所述乘积进行求和运算，得到所述风电场站的地表粗糙度。
具体的，将每个所述子检测区域的区域面积除以环境检测区域的总面积，得到各个子检测区域所占环境检测区域的总面积的比重。再将子检测区域的区域面积乘以子检测区域对应的地表粗糙度，获得两者之积。然后将各个所述子检测区域对应的所述乘积进行求和运算，获得地表粗糙系数即所述地表粗糙度。这样设置的好处在于，可以确定出环境检测区域内不同地表粗糙度对应的面积占比，并以此为权重，计算出整个风电场站的地表粗糙度，使得计算出的风电场站的地表粗糙度更具参考价值。
S120、基于所述实时天气数据和功率预测时刻确定天气预测数据，并基于所述天气预测数据和功率预测模型确定所述风电场站的初始功率预测结果，其中，功率预测模型基于多个历史时刻下所述风电场的历史天气数据和与所述历史天气数据对应的实际发电功率对预先建立的神经网络模型训练得到。
其中，功率预测时刻可以理解为功率预测的时间点。初始功率预测结果可以理解为功率预测模型输出的功率结果。典型地，功率预测时刻可以为实时天气数据的采集时刻的未来时刻。换而言之，功率预测时刻晚于实时天气数据的采集时刻。
具体的，获取多个历史时刻下的多组历史天气数据和与多组历史天气数据对应的实际发电功率，即，建立所述历史天气数据与实际发电功率之间的映射关系。根据多组所述历史天气数据和所述实际发电功率构建样本数据集。按照预先设定的数据划分比例将所述样本数据集划分为样本训练集和样本验证集。建立神经网络模型，通过所述样本训练集和所述样本验证集对所神经网络模型进行监督训练和验证训练。将所述样本训练集中的训练数据输入所述功率预测模型进行训练，当模型的输出结果趋于收敛状态时，然后利用样本验证集中数据对所述模型进行验证测试。根据模型输出结果与预设准确率指标的关系，判断是否得到功率预测模型。若功率预测模型的输出结果的准确率不小于准确率指标时，停止训练，得到功率预测模型。若功率预测模型的输出结果的准确率小于准确率指标时，继续对神经网络模型进行迭代训练，直至模型输出结果不小于预设准确率指标时，得到功率预测模型。将所述天气预测数据作为输入数据输入功率预测模型，将功率预测模型的输出结果作为输出初始功率预测结果。
本发明实施例中，通过构建所述功率预测模型进行功率预测，可以提高风电场站的功率预测的准确率。
S130、根据所述场站环境数据获得与所述风电场站对应的功率影响系数，基于所述功率影响系数和所述初始功率预测结果确定所述风电场站的目标功率预测结果。
其中，功率影响系数可以理解为指示对风电场站的预测功率的影响程度的数值。
具体的，根据所述功率影响系数，确定对风电场站的预测功率的影响大小，并根据功率影响系数对所述初始功率预测结果进行调整。具体地，可以根据功率影响系数确定功率误差，进而，将初始功率预测结果减去所述功率影响系数造成的功率误差，得到目标功率预测结果。可选地，功率影响系数可以为0到1之间的数值，将功率影响系数乘以确定初始功率预测结果得到功率影响系数造成的功率误差。
可选的，所述场站环境数据包括地理等压线、地表粗糙度以及周围障碍物数据中的至少一种。
进一步地，所述根据所述场站环境数据获得与所述风电场站对应的功率影响系数，包括下述操作中的至少一项：
基于所述风电场站对应的地理等压线的密集度确定与所述地理等压线对应的功率影响系数；
基于所述风电场站对应的地表粗糙度确定与所述地表粗糙度对应的功率影响系数；
基于所述风电场站对应的周围障碍物数据确定与所述周围障碍物数据对应的功率影响系数。
其中，地理等压线可以理解为在一定时间内气压相等的地点在平面图上连接起来所成的封闭线。周围障碍物数据可以理解为待检测风电场站周围所存在的障碍物信息。
具体的，基于风电场站的场站环境数据，选取目标区域，对目标区域内的地理等压线进行密集度分析，获得密集度分析结果。其中，密集度分析结果包括目标区域内地理等压线的个数。目标区域内的地理等压线越密集，区域相对风速越大。即，地理等压线的密集度与地理等压线对应的功率影响系数正相关。根据所述密集度分析结果和等压线对风速的影响力确定地理等压线对应的功率影响系数。
具体的，根据不同地表(例如草地、平原、砂石地面和高原等)对应的地表粗糙程度确定地表功率影响系数。地表粗糙度越大，与所述地表粗糙度对应的功率影响系数越大。即，地表粗糙度与其对应的功率影响系数正相关。
具体的，根据风电场站周围的障碍物数据获得障碍物功率影响系数。其中，周围障碍物数据可以包括但不限于周围障碍物的面积、高度、数量以及分布密度等数据中的至少一种。周围障碍物面积越大、高度越高和周围障碍物分布越密集等情况下，与所述周围障碍物数据对应的障碍物功率影响系数越大。即，周围障碍物数据与其对应的功率影响系数正相关。
本发明实施例中，可以综合多种场站环境数据来确定风电场站的功率影响系数。具体地，可分别获取与地理等压线、地表粗糙度和周围障碍物数据对应的功率影响系数，进而，准确的确定各个功率影响系数对初始功率预测结果的影响，提高了目标功率预测结果的准确率。
可选的，所述根据所述场站环境数据获得与所述风电场站对应的功率影响系数，包括：
在包括多种所述场站环境数据的情况下，分别确定每种所述场站环境数据对应的功率影响系数；
基于确定出的多个所述功率影响系数确定与所述风电场站对应的功率影响系数。
在本发明实施例中，可以综合多种场站环境数据对应的功率影响系数所述功率影响系数确定与风电场站对应的功率影响系数。可选地，将每种场站环境数据对应的功率影响系数进行相加、加权相加、相乘、加权相乘或求平均值等运算，得到风电场站对应的功率影响系数。
具体的，在包括地理等压线、地表粗糙度以及周围障碍物数据场站环境数据的情况下，分别确定地理等压线、地表粗糙度以及周围障碍物数据场站环境数据对应的功率影响系数。示例性地，分别对等压线功率影响系数、所述地表功率影响系数、所述障碍物功率影响系数设置不同权重。通过预设计算方式获得功率影响系数。其中，预设计算方式可以根据经验选择，例如：相加、相乘、求平均值等单一或组合的计算方式，本实施例不对其进行限制。
本实施例的技术方案，通过获取与待预测的风电场站关联的目标环境数据，其中，所述目标环境数据包括实时天气数据和场站环境数据；基于所述实时天气数据和功率预测时刻确定天气预测数据，并基于所述天气预测数据和功率预测模型确定所述风电场站的初始功率预测结果，其中，功率预测模型基于多个历史时刻下所述风电场的历史天气数据和与所述历史天气数据对应的实际发电功率对预先建立的神经网络模型训练得到；根据所述场站环境数据获得与所述风电场站对应的功率影响系数，基于所述功率影响系数和所述初始功率预测结果确定所述风电场站的目标功率预测结果。解决了现有的风电功率预测结果准确率较低，功率预测结果可靠性较低的问题，取到了提高了功率预测的准确性及功率预测结果可靠性的有益效果。
实施例二
图2为本发明实施例二提供的一种风电场站的功率预测方法的流程图，本实施例与上述实施例之间的关系如何基于所述实时天气数据和功率预测时刻确定天气预测数据的进一步的细化。可选的，所述基于所述实时天气数据和功率预测时刻确定天气预测数据，包括：获取所述风电场站多个时刻下的历史天气数据，并基于多个所述历史天气数据确定天气变化参考数据；确定功率预测时刻的天气预报数据，基于所述实时天气数据、所述天气变化参考数据和所述天气预报数据确定天气预测数据。
如图2所示，该方法包括：
S210、获取与待预测的风电场站关联的目标环境数据，其中，所述目标环境数据包括实时天气数据和场站环境数据。
S220、获取所述风电场站多个时刻下的历史天气数据，并基于多个所述历史天气数据确定天气变化参考数据。
其中，天气变化参考数据可以理解为不同时刻下天气的变化关系参考数据。历史天气数据可以是历史时刻下实时采集的天气数据。
具体的，可以基于大数据技术进行数据搜索和查询，获得多个时刻下的历史天气数据。进而，可以基于历史天气数据构建多组待分析天气数据，每组待分析天气数据中包括第一时刻下的历史天气数据和与第一时刻间隔预设时间长度的第二时刻下的历史天气数据。基于第一时刻下的历史天气数据和第二时刻下的历史天气数据之间的关系，获得多个关联参数，即多个关联性分析结果。采集多个所述关联性分析结果中最具差异的特征信息生成新的融合特征，获得关联性特征分析结果。基于历史天气数据所包含的风向、风速、气温、气压等数据，确定多个历史时刻下历史天气数据的变化关系及变化范围。将历史关联性分析结果和将历史天气数据的变化关系及变化范围作为天气变化参考数据。其中，变化关系可以包括正相关或负相关。天气变化关系参考数据可包含多组具有对应关系的标准天气数据。例如：风速在A-B区间时，气温在A1-B1区间。风速在C-D区间时，气压在C1-D1区间。
S230、确定功率预测时刻的天气预报数据，基于所述实时天气数据、所述天气变化参考数据和所述天气预报数据确定天气预测数据。
其中，天气预报数据可以理解为根据气象观测资料，对某区域或某地点未来一定时段的天气状况作出定性或定量的预测数据。
具体的，确定待预测风电场站所处区域的功率预测时刻的天气预报数据，基于实时天气数据的风向、风速、气温、气压和天气变化关系以及待预测风电场站所处区域的功率预测时刻的天气预报数据确定天气预测数据。
可选的，所述基于所述实时天气数据、所述天气变化参考数据和所述天气预报数据确定天气预测数据，包括：
基于所述实时天气数据和所述天气预报数据确定当前天气变化数据；
基于所述当前天气变化数据与所述天气变化参考数据是否相匹配；
若是，则将所述天气预报数据作为天气预测数据；
若否，则基于所述天气变化参考数据所述实时天气数据对所述天气预报数据进行调整，将调整后的天气预报数据作为天气预测数据。
其中，当前天气变化数据可以理解为当前时刻天气变化关系，当前时刻天气变化关系可以包括正相关和负相关。
具体的，基于实时天气数据的风向、风速、气温、气压和天气预报数据，可确定出当前天气的变化关系及变化范围。基于当前天气的变化范围与天气变化参考数据的变化关系及变化范围进行匹配。若当前天气的变化关系及变化范围与天气变化参考数据的变化关系及变化范围不匹配，如，超出了天气变化参考数据限定的范围，表明天气预报数据异常，则根据天气变化参考数据的变化关系及变化范围对当前天气预报数据进行调整。
其中，调整天气预报数据使得当前天气变化数据匹配天气变化参考数据，可以通过将天气预报数据调整至天气变化参考数据指示的变化范围的端点值，也可以，通过基于预设调整步长将天气预报数据调整至天气变化参考数据指示的变化范围内，本实施例不对调整方式进行具体限制。将调整后的天气预报数据作为天气预测数据。
若当前天气的变化关系及变化范围与天气变化参考数据的变化关系及变化范围匹配，表明天气预报数据正常，则直接将天气预报数据作为天气预测数据。
本发明实施例中，通过基于多个所述历史天气数据确定天气变化参考数据，在当前天气变化数据与所述天气变化参考数据不匹配时，基于所述天气变化参考数据所述实时天气数据对所述天气预报数据进行调整，将调整后的天气预报数据作为天气预测数据，提高天气预测的准确率。
S240、基于所述天气预测数据和功率预测模型确定所述风电场站的初始功率预测结果，其中，功率预测模型基于多个历史时刻下所述风电场的历史天气数据和与所述历史天气数据对应的实际发电功率对预先建立的神经网络模型训练得到。
S250、根据所述场站环境数据获得与所述风电场站对应的功率影响系数，基于所述功率影响系数和所述初始功率预测结果确定所述风电场站的目标功率预测结果。
本实施例的技术方案，通过获取所述风电场站多个时刻下的历史天气数据，并基于多个所述历史天气数据确定天气变化参考数据；确定功率预测时刻的天气预报数据，基于所述实时天气数据、所述天气变化参考数据和所述天气预报数据确定天气预测数据，能够结合历史天气变化情况准确地预测出风电场站在功率预测时刻的天气数据，为基于预测出的天气数据进行风电场站的功率预测奠定基础，以提升风电场站的功率预测结果的准确性。
实施例三
图3为本发明实施例三提供的一种风电场站的功率预测装置的结构示意图。如图3所示，该装置包括：环境数据获取模块310、功率初步预测模块320和目标功率确定模块330。
其中，环境数据获取模块310，用于获取与待预测的风电场站关联的目标环境数据，其中，所述目标环境数据包括实时天气数据和场站环境数据；功率初步预测模块320，用于基于所述实时天气数据和功率预测时刻确定天气预测数据，并基于所述天气预测数据和功率预测模型确定所述风电场站的初始功率预测结果，其中，功率预测模型基于多个历史时刻下所述风电场的历史天气数据和与所述历史天气数据对应的实际发电功率对预先建立的神经网络模型训练得到；目标功率确定模块330，用于根据所述场站环境数据获得与所述风电场站对应的功率影响系数，基于所述功率影响系数和所述初始功率预测结果确定所述风电场站的目标功率预测结果。
本实施例的技术方案，通过环境数据获取模块，获取与待预测的风电场站关联的目标环境数据，其中，所述目标环境数据包括实时天气数据和场站环境数据；通过功率初步预测模块，基于所述实时天气数据和功率预测时刻确定天气预测数据，并基于所述天气预测数据和功率预测模型确定所述风电场站的初始功率预测结果，其中，功率预测模型基于多个历史时刻下所述风电场的历史天气数据和与所述历史天气数据对应的实际发电功率对预先建立的神经网络模型训练得到；通过目标功率确定模块，根据所述场站环境数据获得与所述风电场站对应的功率影响系数，基于所述功率影响系数和所述初始功率预测结果确定所述风电场站的目标功率预测结果。解决了现有的风电功率预测结果准确率较低，功率预测结果可靠性较低的问题，取到了提高了功率预测的准确性及功率预测结果可靠性的有益效果。
可选的，所述功率初步预测模块包括：
天气变化参考数据确定单元，用于获取所述风电场站多个时刻下的历史天气数据，并基于多个所述历史天气数据确定天气变化参考数据；
天气预测数据确定单元，用于确定功率预测时刻的天气预报数据，基于所述实时天气数据、所述天气变化参考数据和所述天气预报数据确定天气预测数据。
可选的，所述天气预测数据确定单元，包括：
当前天气变化数据确定子单元，用于基于所述实时天气数据和所述天气预报数据确定当前天气变化数据；
数据匹配子单元，用于基于所述当前天气变化数据与所述天气变化参考数据是否相匹配；
第一天气预测数据确定子单元，用于若是，则将所述天气预报数据作为天气预测数据；
第二天气预测数据确定子单元，用于若否，则基于所述天气变化参考数据所述实时天气数据对所述天气预报数据进行调整，将调整后的天气预报数据作为天气预测数据。
可选的，所述场站环境数据包括地表粗糙度；相应的，所述环境数据获取模块，包括：
环境检测区域确定单元，用于针对所述地表粗糙度，确定与待预测的风电场站对应的环境检测区域；
区域划分单元，用于基于所述环境检测区域内的地表粗糙度的变化信息对所述环境检测区域进行划分，得到子检测区域；
地表粗糙度确定单元，用于基于各个所述子检测区域的区域面积以及所述子检测区域对应的地表粗糙度确定所述风电场站的地表粗糙度。
可选的，所述地表粗糙度确定单元，包括：
区域面积计算子单元，用于针对每个所述子检测区域，确定所述子检测区域的区域面积在所述环境检测区域的总面积中的面积占比，并计算所述子检测区域的所述面积占比与其对应的所述地表粗糙度的乘积；
地表粗糙度获取子单元，用于将各个所述子检测区域对应的所述乘积进行求和运算，得到所述风电场站的地表粗糙度。
可选的，目标功率确定模块，包括：
功率影响系数确定单元，用于在包括多种所述场站环境数据的情况下，分别确定每种所述场站环境数据对应的功率影响系数；
功率影响系数确定单元，用于基于确定出的多个所述功率影响系数确定与所述风电场站对应的功率影响系数。
可选的，所述场站环境数据包括地理等压线、地表粗糙度以及周围障碍物数据中的至少一种；
所述根据所述场站环境数据获得与所述风电场站对应的功率影响系数，包括下述操作中的至少一项：
基于所述风电场站对应的地理等压线的密集度确定与所述地理等压线对应的功率影响系数；
基于所述风电场站对应的地表粗糙度确定与所述地理等压线对应的功率影响系数；
基于所述风电场站对应的周围障碍物数据确定与所述周围障碍物数据对应的功率影响系数。
本发明实施例所提供的风电场站的功率预测装置可执行本发明任意实施例所提供的风电场站的功率预测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如方法风电场站的功率预测。
在一些实施例中，方法风电场站的功率预测可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的方法风电场站的功率预测的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法风电场站的功率预测。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种风电场站的功率预测方法，其特征在于，包括：
获取与待预测的风电场站关联的目标环境数据，其中，所述目标环境数据包括实时天气数据和场站环境数据；
基于所述实时天气数据和功率预测时刻确定天气预测数据，并基于所述天气预测数据和功率预测模型确定所述风电场站的初始功率预测结果，其中，功率预测模型基于多个历史时刻下所述风电场的历史天气数据和与所述历史天气数据对应的实际发电功率对预先建立的神经网络模型训练得到；
根据所述场站环境数据获得与所述风电场站对应的功率影响系数，基于所述功率影响系数和所述初始功率预测结果确定所述风电场站的目标功率预测结果。
2.根据权利要求1所述的方法，其特征在于，所述基于所述实时天气数据和功率预测时刻确定天气预测数据，包括：
获取所述风电场站多个时刻下的历史天气数据，并基于多个所述历史天气数据确定天气变化参考数据；
确定功率预测时刻的天气预报数据，基于所述实时天气数据、所述天气变化参考数据和所述天气预报数据确定天气预测数据。
3.根据权利要求2所述的方法，其特征在于，所述基于所述实时天气数据、所述天气变化参考数据和所述天气预报数据确定天气预测数据，包括：
基于所述实时天气数据和所述天气预报数据确定当前天气变化数据；
基于所述当前天气变化数据与所述天气变化参考数据是否相匹配；
若是，则将所述天气预报数据作为天气预测数据；
若否，则基于所述天气变化参考数据所述实时天气数据对所述天气预报数据进行调整，将调整后的天气预报数据作为天气预测数据。
4.根据权利要求1所述的方法，其特征在于，所述场站环境数据包括地表粗糙度；所述获取与待预测的风电场站关联的目标环境数据，包括：
针对所述地表粗糙度，确定与待预测的风电场站对应的环境检测区域；
基于所述环境检测区域内的地表粗糙度的变化信息对所述环境检测区域进行划分，得到子检测区域；
基于各个所述子检测区域的区域面积以及所述子检测区域对应的地表粗糙度确定所述风电场站的地表粗糙度。
5.根据权利要求4所述的方法，其特征在于，所述基于各个所述子检测区域的区域面积以及所述子检测区域对应的地表粗糙度确定所述风电场站的地表粗糙度，包括：
针对每个所述子检测区域，确定所述子检测区域的区域面积在所述环境检测区域的总面积中的面积占比，并计算所述子检测区域的所述面积占比与其对应的所述地表粗糙度的乘积；
将各个所述子检测区域对应的所述乘积进行求和运算，得到所述风电场站的地表粗糙度。
6.根据权利要求1所述的方法，其特征在于，所述根据所述场站环境数据获得与所述风电场站对应的功率影响系数，包括：
在包括多种所述场站环境数据的情况下，分别确定每种所述场站环境数据对应的功率影响系数；
基于确定出的多个所述功率影响系数确定与所述风电场站对应的功率影响系数。
7.根据权利要求1所述的方法，其特征在于，所述场站环境数据包括地理等压线、地表粗糙度以及周围障碍物数据中的至少一种；
所述根据所述场站环境数据获得与所述风电场站对应的功率影响系数，包括下述操作中的至少一项：
基于所述风电场站对应的地理等压线的密集度确定与所述地理等压线对应的功率影响系数；
基于所述风电场站对应的地表粗糙度确定与所述地表粗糙度对应的功率影响系数；
基于所述风电场站对应的周围障碍物数据确定与所述周围障碍物数据对应的功率影响系数。
8.一种风电场站的功率预测装置，其特征在于，包括：
环境数据获取模块，用于获取与待预测的风电场站关联的目标环境数据，其中，所述目标环境数据包括实时天气数据和场站环境数据；
功率初步预测模块，用于基于所述实时天气数据和功率预测时刻确定天气预测数据，并基于所述天气预测数据和功率预测模型确定所述风电场站的初始功率预测结果，其中，功率预测模型基于多个历史时刻下所述风电场的历史天气数据和与所述历史天气数据对应的实际发电功率对预先建立的神经网络模型训练得到；
目标功率确定模块，用于根据所述场站环境数据获得与所述风电场站对应的功率影响系数，基于所述功率影响系数和所述初始功率预测结果确定所述风电场站的目标功率预测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的风电场站的功率预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的风电场站的功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310245123.0A CN116596106A (zh) | 2023-03-13 | 2023-03-13 | 风电场站的功率预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310245123.0A CN116596106A (zh) | 2023-03-13 | 2023-03-13 | 风电场站的功率预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116596106A true CN116596106A (zh) | 2023-08-15 |
Family
ID=87599640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310245123.0A Pending CN116596106A (zh) | 2023-03-13 | 2023-03-13 | 风电场站的功率预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116596106A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349611A (zh) * | 2023-12-06 | 2024-01-05 | 山东清控生态环境产业发展有限公司 | 一种基于大数据分析的水质波动仪监测方法 |
-
2023
- 2023-03-13 CN CN202310245123.0A patent/CN116596106A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349611A (zh) * | 2023-12-06 | 2024-01-05 | 山东清控生态环境产业发展有限公司 | 一种基于大数据分析的水质波动仪监测方法 |
| CN117349611B (zh) * | 2023-12-06 | 2024-03-08 | 山东清控生态环境产业发展有限公司 | 一种基于大数据分析的水质波动仪监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116596106A (zh) | 风电场站的功率预测方法、装置、电子设备及存储介质 | |
| CN116090605A (zh) | 一种管网预警方法、装置、电子设备及存储介质 | |
| CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
| CN116523140A (zh) | 窃电检测方法、装置、电子设备和存储介质 | |
| CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
| CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
| CN116957539A (zh) | 电缆状态评价方法、装置、电子设备及存储介质 | |
| CN114838699B (zh) | 一种输电塔的变形监测方法、装置、设备及存储介质 | |
| CN117131315B (zh) | 基于求解多元二次函数极值的超差电能表确定方法及介质 | |
| CN117249036B (zh) | 一种抽水蓄能系统、水轮发电机组状态评估方法及装置 | |
| CN116990744B (zh) | 一种电能表检测方法、装置、设备及介质 | |
| CN118014018A (zh) | 一种楼宇能源消耗预测方法、装置、设备及存储介质 | |
| CN117131353B (zh) | 一种超差电能表确定方法、装置、电子设备及存储介质 | |
| CN118189869A (zh) | 一种光缆弧垂检测方法、装置、设备及介质 | |
| CN116128857A (zh) | 一种主变压器的监控方法、装置、电子设备及存储介质 | |
| CN118245823A (zh) | 一种绝缘子泄漏电流预测方法、装置、设备及存储介质 | |
| CN116484719A (zh) | 一种内部温升值确定方法、装置、设备和存储介质 | |
| CN118100233A (zh) | 微网群储能容量配置方法、装置、电子设备和存储介质 | |
| CN117647702A (zh) | 低压配电网的故障确定方法、装置、设备以及存储介质 | |
| CN117456695A (zh) | 电网输电设备的缺陷预警方法、装置、设备及介质 | |
| CN117833208A (zh) | 配电网状态推演方法、装置、电子设备和存储介质 | |
| CN118230094A (zh) | 一种线路缺陷检测模型确定方法、装置、设备及介质 | |
| CN116504042A (zh) | 一种异常温度告警的生成方法、装置、设备及介质 | |
| CN116845287A (zh) | 一种燃料电池的测试数据预测方法、装置、设备及介质 | |
| CN116409609A (zh) | 光伏设备故障感知方法、装置、电子设备及存储介质 |
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 |