找到 2 条结果 · 光伏发电技术
一种面向带宽受限网络控制系统的语义感知多包并行传输方案
A Semantic-Aware Multipacket Parallel Transmission Scheme for Bandwidth-Constrained Networked Control Systems
Hongchenyu Yang · Chen Peng · Engang Tian · Zhiru Cao · IEEE Transactions on Industrial Informatics · 2025年7月
本文采用基于自编码器的编解码框架，研究了一种用于网络控制系统（NCSs）的语义感知多数据包并行传输（MPPT）方案。首先，基于自编码器技术提出了语义编码和解码方案，旨在有效提高网络控制系统多数据包并行传输过程中数据包的信息密度，降低带宽使用。通过抽象语义表示，将原始数据映射到低维空间进行语义编码。随后，传输这些语义表示并用于语义解码，实现原始数据的重构。综合考虑语义解码误差、延迟和干扰等多种因素，基于李雅普诺夫稳定性理论，探索了语义感知多数据包并行传输方案下网络控制系统的稳定性分析和 <inli...
解读: 从阳光电源的业务视角来看，这项基于语义感知的多包并行传输技术对我们在新能源领域的网络化控制系统具有重要应用价值。 在光伏电站和储能系统的集中监控场景中，海量逆变器、储能变流器等设备需要实时上传运行数据并接收控制指令。该技术通过自编码器将原始数据映射到低维语义空间，能够显著降低带宽占用，这对于我们在...
基于贝叶斯优化算法与二次分解的误差校正深度Autoformer模型在光伏发电预测中的应用
An error-corrected deep Autoformer model via Bayesian optimization algorithm and secondary decomposition for photovoltaic power prediction
Jie Chen · Tian Peng · Shijie Qian · Yida Ge 等7人 · Applied Energy · 2025年1月 · Vol.377
准确的光伏发电功率预测对于电网的稳定运行和合理调度至关重要。然而，由于光伏发电具有不稳定性，其功率预测仍面临巨大挑战。为此，本文提出一种结合二次分解、贝叶斯优化与误差校正机制的Autoformer模型用于光伏发电功率预测。为降低数据复杂性并充分提取特征，采用了两种分解方法：首先利用经验模态分解（EMD）对光伏功率序列进行初级分解；然后引入样本熵（SE）衡量各分量的复杂度，并对复杂度最高的分量采用变分模态分解（VMD）进行二次分解。其次，构建基于贝叶斯优化算法优化的Autoformer模型，分别预...
解读: 该基于深度学习的光伏功率预测技术对阳光电源iSolarCloud智慧运维平台具有重要应用价值。通过EMD-VMD二次分解和Autoformer模型可显著提升预测精度,可集成至SG系列逆变器的MPPT优化算法中,实现更精准的发电功率预测。结合ST系列储能PCS,该预测模型能优化储能系统充放电策略,提升...