找到 2 条结果 · 光伏发电技术
通过神经网络方法加速钙钛矿太阳能电池的器件表征
Accelerating device characterization in perovskite solar cells via neural network approach
Xinhai Zhaoab1 · Chaopeng Huangae1 · Erik Birgersson · Nikita Suprun 等11人 · Applied Energy · 2025年1月 · Vol.392
摘要 钙钛矿太阳能电池是下一代高效光伏器件的有力候选者，尤其适合作为叠层结构中的顶部电池。基于物理机制的光电模型，我们采集了十万量级的大数据样本，用于训练神经网络模型，以高效预测器件性能和复合损耗。在数据准备、模型训练和神经网络优化过程中，分别采用了拉丁超立方采样、贝叶斯正则化和贝叶斯优化方法。最优的神经网络模型在预留的测试数据集上实现的均方误差低于4 × 10⁻⁴。神经网络的计算速度比传统光电模型快一千倍以上。因此，器件快速校准可在24秒内完成。显著降低的计算成本使得高效的器件表征、参数研究、...
解读: 该神经网络加速钙钛矿电池表征技术对阳光电源光伏逆变器产品线具有重要借鉴价值。研究采用的深度学习方法将器件仿真速度提升千倍以上,可应用于SG系列逆变器的MPPT算法优化和iSolarCloud平台的预测性维护功能。通过贝叶斯优化和敏感性分析快速标定器件参数的思路,可迁移至SiC/GaN功率器件的损耗分...
ConvODE-Mixer：一种用于超短期光伏功率预测的多模态深度学习模型
ConvODE-Mixer: A multimodal deep learning model for ultra-short-term PV power forecasting
Binbin Yonga · Yanxiang Zhang · Jun Shenb · Aiai Renb 等6人 · Solar Energy · 2025年1月 · Vol.300
摘要 太阳能已成为应对全球能源与环境挑战的关键可再生能源。由于气象因素引起的光伏发电随机波动，光伏功率预测仍面临重大挑战，可能引发电网不稳定事件。本文提出了一种名为ConvODE-Mixer的多模态模型，该模型将卷积神经网络（CNN）与神经常微分方程（NODE）相结合，以提高超短期光伏功率预测的准确性。通过融合地面云图（GBCI）和气象数据，ConvODE-Mixer采用多尺度轻量化缩减型空洞空间金字塔池化（LR-ASPP）分割模块来捕捉云层厚度的变化，并引入通道注意力机制对光透射率敏感特征进行...
解读: 该ConvODE-Mixer多模态超短期光伏功率预测技术对阳光电源SG系列逆变器及ST储能系统具有重要应用价值。通过融合地基云图与气象数据,10分钟预测精度显著提升(MSE降低40.45%),可深度集成至iSolarCloud平台实现预测性运维。该技术能优化储能系统充放电策略,配合GFM控制技术提升...