找到 17 条结果 · 光伏发电技术
多时间尺度深度强化学习光储配电网电压优化
Multi-time Scale Deep Reinforcement Learning for Voltage Optimization in Photovoltaic-Storage Distribution Networks
黄冬梅 · 余京朋 · 崔承刚 · 董倩文 等6人 · 中国电机工程学报 · 2025年17月 · Vol.45
针对分布式光伏接入导致的配电网电压越限问题，提出一种基于多时间尺度深度强化学习的电压优化策略。该方法结合无模型深度强化学习，综合考虑多种离散与连续调压设备、光伏逆变器及储能的动作时域特性，通过事件触发机制限制储能动作次数与荷电状态变化，以最小化电压偏移与网损为目标，实现多时间尺度协同优化。仿真结果表明，所提方法在IEEE 33节点系统中显著降低电压偏移至0.0166 pu和平均网损至141.2 kW，同时将有载调压变压器与电容器组动作次数分别控制在6次与3次，储能15分钟内荷电状态变化低于30%...
解读: 该多时间尺度深度强化学习电压优化技术对阳光电源光储协同控制具有重要应用价值。可直接应用于SG系列光伏逆变器的无功调压功能与ST系列储能变流器的协同控制策略，通过事件触发机制优化储能动作频次，有效延长PowerTitan储能系统寿命。该方法将储能SOC变化控制在30%以内、动作频次降至10%以下的成果...
基于深度强化学习的考虑网络重构的多时间尺度电压/无功控制
Deep Reinforcement Learning Based Multi-Timescale Volt/Var Control in Distribution Networks Considering Network Reconfiguration
Hexiang Peng · Kai Liao · Jianwei Yang · Bo Pang 等5人 · IEEE Transactions on Sustainable Energy · 2025年5月
针对配电网中不同响应特性的设备带来的多时间尺度电压/无功控制（VVC）难题，本文提出一种新型双层数据驱动的多时间尺度VVC方法。该方法将光伏等连续型设备的短时间尺度控制与电容器组及网络重构等离散型设备的长时间尺度控制相协调，构建双层部分可观测马尔可夫决策过程（POMDP）模型。内层采用TD3算法控制连续变量，外层利用DDQN算法处理离散动作与网络重构。通过统一奖励信号并传递内层动作为外层状态实现协同训练，并引入图神经网络（GNN）识别代表性拓扑以缩减重构空间，抑制过度探索。在IEEE 33节点和...
解读: 该多时间尺度Volt/Var控制技术对阳光电源配电侧产品具有重要应用价值。在SG系列光伏逆变器中，可利用TD3算法实现连续无功功率的快速调节，优化现有MPPT算法与无功控制的协同；在ST系列储能变流器及PowerTitan大型储能系统中，可通过DDQN算法协调储能充放电与电容器组的离散控制决策。该方...
基于图元强化学习的高比例光伏接入智能配电网自主电压调节
Autonomous Voltage Regulation for Smart Distribution Network With High-Proportion PVs: A Graph Meta-Reinforcement Learning Approach
Leijiao Ge · Jingjing Li · Luyang Hou · Jingang Lai · IEEE Transactions on Sustainable Energy · 2025年5月
高比例分布式光伏接入的智能配电网常面临严峻的电压质量问题。深度强化学习（DRL）无需显式建模即可实现优化控制，但在应用于此类系统时易受环境不稳定和智能体学习不均衡等问题影响。本文将电压控制建模为部分可观测马尔可夫决策过程，提出一种基于图卷积网络的多智能体元强化学习算法，融合元学习以提升智能体对他人行为的预测能力，缓解环境非稳性；通过引入自关注机制与值分解方法改善学习不均衡。在IEEE 33、141和322节点系统上的实验验证了所提方法的有效性，并优于五种主流多智能体DRL及模型预测控制方法。
解读: 该图元强化学习电压调节技术对阳光电源SG系列光伏逆变器和ST储能系统具有重要应用价值。可直接应用于分布式光伏并网场景的智能电压控制：1）通过多智能体协同优化，提升SG逆变器在高渗透率光伏配电网中的无功调节能力，解决传统MPC建模复杂、计算负荷高的问题；2）结合ST储能变流器的有功-无功协调控制，实现...
基于多智能体深度强化学习的配电网三相不平衡在线治理方法
Online Three-Phase Imbalance Mitigation Method for Distribution Networks Based on Multi-Agent Deep Reinforcement Learning
李彬贤 · 李佳勇 · 海征 · 万灿 等7人 · 中国电机工程学报 · 2025年5月 · Vol.45
随着分布式电源渗透率提升，配电网三相不平衡问题日益严重。针对该问题，以分布式光伏为调控手段，提出一种基于多智能体深度强化学习的在线治理方法。通过地理分区构建多智能体协同架构，采用多智能体注意力动作-评价（MAAC）算法实现光伏控制策略的集中训练与分布式执行，利用实时观测数据在线生成控制指令。基于改进IEEE 123节点系统的仿真结果表明，所提方法能有效降低三相不平衡度，优于四种典型方法，具备良好的协同性与应用前景。
解读: 该多智能体深度强化学习三相不平衡治理技术对阳光电源SG系列光伏逆变器和ST储能变流器具有重要应用价值。可直接集成到三相逆变器的控制算法中，通过MAAC算法实现分布式光伏集群的协同控制，动态调节各相输出功率以平衡负载。该方法与阳光电源iSolarCloud云平台结合，可实现在线实时优化，提升配电网电能...
基于深度强化学习的主动配电网动态重构综述
A Review of Dynamic Reconfiguration in Active Distribution Networks Based on Deep Reinforcement Learning
江昌旭郭辰刘晨曦林俊杰邵振国 · 高电压技术 · 2025年4月 · Vol.51
随着双碳目标推进，风电、光伏等分布式电源大量接入配电网，加剧了出力的间歇性与波动性。主动配电网动态重构属高维混合整数非线性随机优化问题，传统方法存在局限。深度强化学习融合深度学习表征能力与强化学习决策优势，适用于该场景下的重构策略求解。本文综述其研究进展，分析数学模型构建、编码方式及算法应用现状，总结现有方法不足与深度强化学习的优势，并展望未来研究方向。
解读: 该深度强化学习配电网重构技术对阳光电源储能与光伏系统协同优化具有重要价值。在PowerTitan大型储能系统中，可结合iSolarCloud平台实时数据，通过DRL算法动态优化储能充放电策略与网络拓扑，应对光伏出力波动。对于SG系列逆变器集群，该技术可优化多逆变器协同控制与潮流分配，提升MPPT效率...
基于深度强化学习的多模态对抗攻击下鲁棒光伏功率预测
Robust Photovoltaic Power Forecasting Against Multi-Modal Adversarial Attack via Deep Reinforcement Learning
Jingxuan Liu · Haixiang Zang · Lilin Cheng · Tao Ding 等6人 · IEEE Transactions on Sustainable Energy · 2025年3月
随着深度学习与多模态外部数据在光伏功率预测中的广泛应用，网络攻击尤其是虚假数据注入可能严重误导预测结果，威胁电网安全经济运行。现有研究尚未充分关注多模态协同攻击的影响，且难以应对隐蔽性攻击。为此，本文提出一种新型鲁棒预测框架，通过构建充分利用多模态相关性的对抗攻击模拟潜在虚假数据注入，并采用深度确定性策略梯度算法动态调整各模态权重，以抑制数据污染并保留有效信息。 actor与环境模块预训练以提升收敛性与泛化能力。实验表明，在输入扰动低于5%时，所提方法均绝对误差仅增加0.053 kW，显著优于无...
解读: 该多模态鲁棒预测技术对阳光电源iSolarCloud云平台和PowerTitan储能系统具有重要应用价值。针对光伏电站面临的网络安全威胁，可将深度强化学习的动态权重调整机制集成到智能运维平台中，增强气象数据、历史功率等多源信息融合的抗攻击能力。对于ST系列储能变流器的功率预测模块，该方法可有效抵御虚...
基于深度强化学习算法的分布式光伏-EV互补系统智能调度
Intelligent Scheduling of Distributed Photovoltaic-EV Complementary Systems Based on Deep Reinforcement Learning Algorithm
陈宁李法社王霜张慧聪唐存靖倪梓皓 · 高电压技术 · 2025年3月 · Vol.51
针对分布式光伏与电动汽车大规模接入电网带来的冲击，构建了光伏-EV互补调度模型，以平抑并网功率波动、提升用户经济性为目标，综合考虑光伏出力、负荷波动、EV接入随机性、实时电价及电池老化成本等因素，提出采用梯度随机扰动改进的近端策略优化算法（GRP-PPO）求解。通过调整目标函数获得两种运行策略：策略一优先满足出行需求与功率稳定，并网点功率稳定率达91.84%；策略二侧重用户收益，单日EV收益达82.6元，有效激励用户参与调度，较传统PPO算法性能提升3.48%。
解读: 该深度强化学习调度技术对阳光电源光储充一体化解决方案具有重要应用价值。GRP-PPO算法可直接集成至iSolarCloud云平台，实现分布式光伏SG系列逆变器、ST储能变流器与充电桩的协同优化调度。91.84%的并网功率稳定率可显著降低PowerTitan储能系统的功率波动应对压力，延长电池寿命；双...
基于深度强化学习的风光水储混合能源系统长短周期协调调度
Long-Term and Short-Term Coordinated Scheduling for Wind-PV-Hydro-Storage Hybrid Energy System Based on Deep Reinforcement Learning
Huaiyuan Zhang · Kai Liao · Jianwei Yang · Zhe Yin 等5人 · IEEE Transactions on Sustainable Energy · 2025年1月
针对多时间尺度调度复杂的风光水储混合能源系统，传统长期调度策略常削弱短期调节能力，导致资源浪费与电力短缺。本文提出一种将短期运行特性嵌入长期调度规则的协同框架，将长期调度建模为马尔可夫决策过程，并在每一步耦合基于优化模型生成的短期发电计划。通过融合数据驱动与模型驱动方法，利用深度强化学习简化长期决策，结合混合整数线性规划确保短期约束满足。实证表明，该方法使弃电率由11.67%降至0.63%，切负荷率从3.3%降至0.69%，显著优于传统方法。
解读: 该深度强化学习协调调度技术对阳光电源PowerTitan储能系统和iSolarCloud云平台具有重要应用价值。研究提出的长短周期协同框架可直接集成到ST系列储能变流器的能量管理系统中，通过MDP建模和DRL算法优化多时间尺度调度决策，显著降低弃电率（11.67%→0.63%）和切负荷率（3.3%→...
浮体式太阳能发电系统的强化学习基准测试与原型开发：结合棕熊优化算法的实验研究与LSTM建模
Benchmarking reinforcement learning and prototyping development of floating solar power system: Experimental study and LSTM modeling combined with brown-bear optimization algorithm
Mohamed E. Zay · Shafiqur Rehman · Ibrahim A.Elgendy · Ali Al-Shaikhi 等8人 · Energy Conversion and Management · 2025年1月 · Vol.332
摘要 本研究对浮体式太阳能光伏（SFPV）系统与地面安装式太阳能光伏（GSPV）系统进行了全面的对比性实验研究、性能评估分析以及增强型人工智能（AI）建模。两种系统——SFPV与GSPV——均在沙特阿拉伯阿尔-霍巴尔巴林湾地区相同的严苛环境条件下安装、测试并进行比较，详细评估了电功率输出、光伏组件表面温度、光伏直流电压与电流，以及能量产出和效率。此外，本研究还构建了一种混合人工智能框架，该框架融合了轻量梯度提升机（LightGBM）、门控循环单元（GRU）和长短期记忆网络（LSTM）模型，并通过...
解读: 该研究对阳光电源浮式光伏系统集成具有重要价值。SFPV相比地面电站发电量提升59.25%、组件温度降低32.36%,验证了浮式方案的技术优势。LSTM-BBOA混合AI模型(R²达0.9999)可应用于iSolarCloud平台的预测性维护,优化SG系列逆变器的MPPT算法。浮式场景的温度控制特性有...
解锁建筑一体化光伏与电池
BIPVB）系统深度强化学习中的预测洞察力与可解释性
Yuan Gao · Zehuan Hu · Shun Yamat · Junichiro Otomo 等9人 · Applied Energy · 2025年1月 · Vol.384
摘要 可再生能源的部署以及智能能源管理策略的实施对于建筑能源系统（BES）的脱碳至关重要。尽管数据驱动的深度强化学习（DRL）在优化BES方面已取得近期进展，但仍存在显著挑战，例如缺乏针对时间序列数据观测空间的研究以及模型可解释性的不足。本文首次将未来预测信息引入DRL算法中，以构建时间序列数据的观测空间，并采用门控循环单元（GRU）和Transformer网络与DRL算法相结合，用于建筑一体化光伏与电池（BIPVB）系统的运行控制。此外，通过将前沿的Shapley加性解释（SHAP）技术与所开...
解读: 该深度强化学习优化技术对阳光电源光储一体化系统具有重要应用价值。研究中的GRU/Transformer时序预测与DRL决策框架可直接应用于ST系列储能变流器的智能调度策略,结合电价预测信息实现成本降低10%以上。SHAP可解释性分析方法可增强iSolarCloud平台的AI决策透明度,为PowerT...
基于多智能体强化学习的社区共享储能-光伏系统用于电动汽车负荷管理
Community shared ES-PV system for managing electric vehicle loads via multi-agent reinforcement learning
Baligen Talihati · Shiyi Fu · Bowen Zhang · Yuqing Zhao 等6人 · Applied Energy · 2025年1月 · Vol.380
摘要 在全球能源转型背景下，电动汽车（EV）的快速增长已成为不可逆转的趋势。然而，大规模电动汽车的接入对电力系统的稳定性与可靠性带来了严峻挑战。本研究提出通过社区共享的储能与光伏发电（ES-PV）系统来缓解电动汽车负荷带来的压力。在多智能体强化学习（MARL）框架下，多个决策智能体协同工作，共同管理社区内的各类变量与系统，包括储能系统的充放电策略、智能电动汽车充电策略以及ES-PV系统的电价策略。通过MARL实现的协调与优化，使上述策略能够应对各变量之间的相互依赖关系及动态变化，从而提升整体系统...
解读: 该多智能体强化学习框架对阳光电源社区能源解决方案具有重要价值。研究验证了光储系统可承载38.68%电动车负荷,与公司ST系列储能变流器、SG光伏逆变器及充电桩产品形成协同。多智能体协同优化储能充放电、智能充电及电价策略的思路,可融入iSolarCloud平台,提升社区微网的GFM控制性能。光伏自消纳...
基于鲁棒深度强化学习的考虑输电网电压波动的多馈线配电网分布式电压控制
Distributed voltage control for multi-feeder distribution networks considering transmission network voltage fluctuation based on robust deep reinforcement learning
Zhi Wu · Yiqi Li · Xiao Zhang · Shu Zheng 等5人 · Applied Energy · 2025年1月 · Vol.379
摘要 在多馈线配电网中，区域间光伏出力与负荷需求的功率平衡问题更加复杂。为解决上述问题，本文提出一种基于鲁棒深度强化学习的多智能体分布式电压控制策略，以降低电压偏差。将整个多馈线配电网划分为主智能体和多个子智能体，建立了一种考虑输电网电压波动及其对应功率波动的多智能体分布式电压控制模型。主智能体基于子智能体上传的信息，将输电网电压波动及相应功率波动的不确定性建模为对系统状态的扰动，并采用鲁棒深度强化学习方法确定有载调压变压器分接头的位置。进一步地，各子智能体利用二阶锥松弛技术调节每条馈线上逆变器...
解读: 该多馈线分布式电压控制技术对阳光电源ST系列储能变流器和SG系列光伏逆变器具有重要应用价值。论文提出的主从代理架构可应用于iSolarCloud平台,实现毫秒级电压调节决策。鲁棒深度强化学习方法可增强PowerTitan储能系统应对电网电压波动的能力,二阶锥松弛技术优化逆变器无功输出与阳光电源现有M...
人工智能在聚光光伏热系统发展中的综合研究进展
A comprehensive review on the artificial intelligence for the development of thermal concentrating photovoltaic systems
Mohammad Karimzadeh Kolamroudi · Oluwasegun Henry Jaiyeob · Mustafa Ilkan · Babak Safaeie · Solar Energy · 2025年1月 · Vol.301
摘要 在气候危机加剧和化石燃料枯竭的背景下，太阳能有望成为一种关键的可再生能源。尽管传统光伏（PVs）的效率有限，但聚光光伏-热（CPV/T）系统能够同时发电和产热，实现60%至80%的总效率，显著高于单独使用光伏系统所达到的效率。然而，CPV/T系统的性能高度依赖于辐照度波动、电池温度和跟踪误差等运行参数，这限制了其在实际应用中的广泛部署。人工智能（AI）技术，包括深度神经网络（DNNs）、强化学习（RL）以及混合算法，通过实现自适应热管理、故障检测、实时优化和高精度太阳跟踪，有效解决了上述问...
解读: 该CPV/T系统AI优化技术对阳光电源具有重要借鉴价值。文中深度神经网络实现的实时优化、故障检测和预测性维护技术,可直接应用于SG系列逆变器的MPPT算法优化和iSolarCloud平台的智能运维功能增强。AI驱动的热管理控制提升35%以上热稳定性的成果,对ST系列储能变流器的温控策略和PowerT...
新型SEPIC衍生半桥式PFC变换器用于电池充电应用
New SEPIC Derived Semi-Bridgeless PFC Converter for Battery Charging Application
Sampson E. Nwachukwu · Komla A. Folly · Kehinde O. Awodele · IEEE Access · 2025年1月
本文提出交直流半桥双开关SEPIC变换器，专为电池充电设计。通过改进结构显著降低交流输入电流总谐波畸变率，提升功率因数。变换器工作在断续导通模式以实现低电流THD，同时大幅减小电感尺寸。采用两个功率开关实现功率因数校正，主要创新在于通过电感电容能量平衡原理设计电路结构，确保低THD和单位功率因数。阻断二极管消除输入电感环流，提升效率。100W/53V原型测试显示电流THD为2.1%、单位功率因数、额定工况效率92.4%。
解读: 该PFC变换器技术与阳光电源OBC车载充电机设计理念一致。阳光OBC产品追求高功率因数、低THD和高效率，该半桥SEPIC拓扑无需额外PFC控制算法即可实现2.1% THD，优于传统方案。该技术可应用于阳光下一代OBC产品，减小电感体积，提升功率密度，在800V高压快充平台上实现更紧凑的设计和更高的...
基于多目标与多智能体深度强化学习的光伏逆变器寿命考虑下配电网实时分散式电压/无功控制
Multi-Objective and Multi-Agent Deep Reinforcement Learning for Real-Time Decentralized Volt/VAR Control of Distribution Networks Considering PV Inverter Lifetime
Rudai Yan · Yan Xu · IEEE Transactions on Power Systems · 2024年8月
光伏逆变器能够为配电网的电压/无功控制（VVC）提供快速且灵活的无功功率支持，但额外的无功功率输出会显著缩短其使用寿命。为平衡电压/无功控制性能与逆变器使用寿命之间的矛盾，本文首先提出了一种多目标实时分散式电压/无功控制框架。然后，开发了一种多目标多智能体深度强化学习（MOMADRL）算法，通过集中训练和分散执行来协调光伏逆变器，为传统的基于模型的方法提供了一种更具优势的替代方案，并且无需进行集中通信。通过引入多个智能体和基于智能体的并行训练方案（ABPTS），可以同时学习多种策略以找到帕累托前...
解读: 该多目标多智能体强化学习技术对阳光电源SG系列光伏逆变器的智能控制具有重要应用价值。研究提出的寿命损耗模型可直接应用于逆变器功率器件（IGBT/SiC模块）的热应力管理，通过优化无功调节频次降低温度循环冲击，延长功率模块使用寿命。分散式控制架构与iSolarCloud云平台的边缘智能策略高度契合，可...
一种基于在线强化学习的集中式控制微电网能量管理策略
An Online Reinforcement Learning-Based Energy Management Strategy for Microgrids With Centralized Control
Qinglin Meng · Sheharyar Hussain · Fengzhang Luo · Zhongguan Wang 等5人 · IEEE Transactions on Industry Applications · 2024年7月
为解决可再生能源，尤其是风能和太阳能显著的不可预测性和间歇性问题，本文提出了一种基于在线强化学习的新型优化模型。首先，考虑到风电 - 光伏储能系统（WPESS）固有的挑战，设计了一个能源管理优化模型，以实现计划执行并最小化储能（ES）运行成本。采用在线强化学习框架，为能源管理优化模型定义了各种状态变量、动作变量和奖励函数。应用状态 - 动作 - 奖励 - 状态 - 动作（SARSA）算法来学习微电网系统的联合调度策略，利用其迭代探索机制并与环境进行交互。该策略旨在实现有效功率跟踪和减少储能充放电...
解读: 从阳光电源的业务视角来看，这项基于在线强化学习的微电网能量管理技术具有重要的战略价值。该技术针对风光储系统的不确定性和间歇性问题，提出了SARSA算法驱动的实时优化方案，这与我司在光储一体化解决方案领域的核心需求高度契合。 在产品应用层面，该技术可直接赋能我司的PowerStack储能系统和微电网...
通过结合负荷与光伏预测的迁移学习提升基于强化学习的能量管理
Enhancing Reinforcement Learning-Based Energy Management Through Transfer Learning With Load and PV Forecasting
Chang Xu · Masahiro Inuiguchi · Naoki Hayashi · Wong Jee Keen Raymond 等6人 · IEEE Access · 2025年1月
在可再生能源微电网中，高效能量管理对维持系统稳定性和降低运行成本至关重要。传统强化学习（RL）控制器常面临训练时间长和过程不稳定等问题。本研究提出一种融合迁移学习（TL）技术的新型RL方法，利用ResNet18+BiLSTM等先进预测模型生成的合成数据对RL智能体进行预训练，嵌入领域知识以提升性能。基于一年运行数据的实验结果表明，相较于基线模型，TL增强的RL控制器累计运行成本最高降低62.63%，系统不平衡度改善达80%，并显著提升初始性能与训练效率。该方法展现了TL与RL结合在复杂电力系统实...
解读: 该迁移学习增强的强化学习能量管理技术对阳光电源PowerTitan储能系统和ST系列储能变流器具有重要应用价值。研究中的ResNet18+BiLSTM预测模型可集成至iSolarCloud云平台，提升光伏-储能微电网的实时调度能力。62.63%的成本降低和80%的系统不平衡改善直接契合阳光电源ESS...