找到 9 条结果 · 光伏发电技术
揭示有机光伏中的结构-性能关系：可解释的机器学习模型预测功率转换效率
Uncovering Structure–Performance Relationships in Organic Photovoltaics: Interpretable Machine Learning Model for Predicting the Power Conversion Efficiency
Yi Yang · Arowa Yasmeen · Ovidiu Daescu · IEEE Journal of Photovoltaics · 2025年8月
有机光伏（OPV）是一种颇具前景的光伏技术，但传统上候选分子的设计采用试错法，效率低下。然而，机器学习通过从大量的有机光伏材料数据集中学习，提供了一种基于数据的策略，有助于加速高性能有机光伏材料的发现和优化。在本研究中，我们使用极端梯度提升（XGBoost）模型，利用从哈佛光伏数据集（HOPV15）中提取的结构特征，来预测通过密度泛函理论计算得到的有机光伏供体材料的功率转换效率（PCE）。为了提高预测性能，我们基于随机森林和XGBoost的平均特征重要性得分，选择了最具信息价值的分子指纹。我们的...
解读: 该可解释机器学习模型对阳光电源光伏产品线具有重要参考价值。虽然研究聚焦有机光伏材料设计，但其核心方法论——通过机器学习建立结构-性能映射关系——可迁移至SG系列逆变器的功率器件选型优化。具体而言，可借鉴该模型框架建立GaN/SiC器件的结构参数（掺杂浓度、栅极结构等）与性能指标（导通损耗、开关速度）...
先进的光伏组件表征：利用图像变换器从电致发光图像预测电流-电压曲线
Advanced Photovoltaic Module Characterization: Using Image Transformers for Current–Voltage Curve Prediction From Electroluminescence Images
Brandon K. Byford · Laura E. Boucheron · Bruce H. King · Jennifer L. Braid · IEEE Journal of Photovoltaics · 2025年5月
对太阳能电站的运维而言，单个光伏（PV）组件的健康监测是一项艰巨的任务。可以通过发光检测、热成像以及电流 - 电压（$I - V$）曲线分析来检查组件，以识别损伤和功率损耗。$I - V$ 曲线能直接提供电气性能指标，可提供易于解读的数据来判断组件的健康状况。然而，为了获取这些曲线，必须将组件从阵列中断开，要么将其移至太阳模拟器，要么在原位进行表征，并对组件温度、入射太阳光谱和强度进行校正。组件的发光或热图像相对容易在原位获取。电致发光（EL）图像能突出显示组件中的物理缺陷，但无法提供易于解读的...
解读: 该EL图像智能诊断技术对阳光电源智能运维体系具有重要应用价值。可直接集成至iSolarCloud云平台的预测性维护模块，通过无人机或固定相机采集电站组件EL图像，利用Image Transformer模型实时预测I-V曲线，无需现场IV测试即可评估组件健康状态。该技术可显著提升SG系列逆变器配套的智...
基于模糊神经网络作为数字孪生核心的光伏设施模型设计
Model design for photovoltaic facilities based on fuzzy neural network as core of its digital twin
William D.Chicaiza · Alex O.Top · Adolfo J.Sánchez · Juan M.Escaño 等5人 · Energy Conversion and Management · 2025年1月 · Vol.342
摘要 本研究提出了位于CIESOL-阿尔梅里亚的一个光伏（PV）设施数字孪生核心的构建方法。文中提出了两种建模方法：一种是基于等效电路的物理模型，另一种是基于自适应神经模糊推理系统（ANFIS）的数据驱动型神经模糊模型。该神经模糊模型被设计为灰箱系统，具有高可解释性和强适应性，并因其能够快速与物理实体同步，实现对数字孪生框架至关重要的实时行为建模而尤为突出。基于ANFIS的模型能够准确捕捉光伏系统的动态功率输出，适用于基于预测建模的能量管理策略集成。该模型表现出优异的预测性能，最坏情况下的平均绝...
解读: 该模糊神经网络数字孪生技术对阳光电源SG系列光伏逆变器和iSolarCloud平台具有重要应用价值。ANFIS灰盒模型实现0.99决定系数和16.37W平均绝对误差,可嵌入逆变器实时MPPT优化算法,提升发电效率。其低计算资源需求适配工业控制器,可增强iSolarCloud预测性运维能力,实现光储电...
基于有限数据的分布式区域光伏功率预测：一种鲁棒的自回归迁移学习方法
Distributed-regional photovoltaic power generation prediction with limited data: A robust autoregressive transfer learning method
Wanting Zheng · Hao Xiao · Wei Pei · Applied Energy · 2025年1月 · Vol.380
摘要 本文提出了一种针对高比例数据缺失场景下的分布式区域光伏发电功率预测方法。该方法通过两个关键策略增强光伏发电信息的可用性。首先，针对区域内具有有限可用光伏发电数据的参考电站，构建了一种基于DSC-LightGBM算法的可解释性预测模型，以提高光伏发电功率预测的准确性。针对这些电站在气象数据获取方面存在的不足，通过物理建模引入太阳高度角和太阳时角等太阳辐射特征，并采用Shapley加性解释（SHAP）可解释算法分析原始特征与增强特征的重要性。其次，为解决区域内大量非参考电站在实际运行中数据匮乏...
解读: 该分布式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。针对区域内大量电站数据缺失场景,其自回归迁移学习方法可显著提升SG系列逆变器集群的发电预测精度(误差降低25.8%-50.3%)。DSC-LightGBM算法结合太阳高度角等物理特征的建模思路,可优化PowerTi...
基于Kolmogorov-Arnold网络与timeGAN混合架构并结合考虑运行机制的数据增强的可解释光伏功率建模
Interpretable photovoltaic power modeling via Kolmogorov-Arnold network and timeGAN hybrid architecture with regime-aware data augmentation
Yuqiao Pan · Zhaocai Wang · Zuowen Tan · Zhihua Zhu · Solar Energy · 2025年1月 · Vol.302
摘要 光伏（PV）发电的波动性和随机性为其大规模并入电力系统带来了显著挑战，限制了太阳能作为一种清洁能源的充分开发利用。为解决这一问题，本研究提出了一种混合建模框架，协同融合数据预处理、特征扩展与先进的深度学习架构。首先，采用集成变分自编码器（VAE）进行特征选择与降维，并对数据进行季节性和昼夜模式划分；随后，利用 Ordering Points to Identify the Clustering Structure（OPTICS）算法识别内在的运行机制（regime），并通过TimeGAN生...
解读: 该Transformer-KAN混合架构对阳光电源SG系列光伏逆变器及iSolarCloud平台具有重要应用价值。通过VAE特征降维与TimeGAN数据增强,可显著提升光伏功率预测精度(RMSE降低29.51%),优化MPPT算法动态响应。regime-aware聚类识别可增强ST系列储能PCS的充...
基于LSTM-XGBoost模型的光伏电站短期功率预测
Short-term power prediction of photovoltaic power station based on LSTM-XGBoost model
Chenyang Zhua · Yibo Tua · Qingya Weia · Yue Zanga 等11人 · Solar Energy · 2025年1月 · Vol.300
摘要 目前，由于太阳能本身具有变异性与不确定性，受天气条件、一天中的时间以及季节变化等因素影响，光伏发电功率的精确预测仍是一个重大挑战。传统的预测模型往往难以捕捉数据中复杂的时序依赖关系和非线性关系，导致预测精度不理想。为应对这些挑战，本文提出一种新颖的混合方法，结合深度学习与集成学习的优势。采用长短期记忆网络（LSTM）提取时间序列数据中的动态特征，通过捕获短期和长期依赖关系，提供对时序信息的稳健表征。极端梯度提升算法（XGBoost）则利用其强大的非线性建模能力和特征选择技术进一步优化预测结...
解读: 该LSTM-XGBoost混合预测模型对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过捕捉光伏发电的时序依赖性和非线性特征,可显著提升ST系列PCS的功率预测精度,优化PowerTitan储能系统的充放电策略。模型的SHAP可解释性分析有助于增强预测性维护能力,提升SG系...
基于Hellinger距离和个体条件期望分析的光伏系统传感器故障检测与诊断
Sensor fault detection and diagnosis in photovoltaic systems using Hellinger Distance and Individual Conditional Expectation analysis
Fouzi Harrou · K. Ramakrishna Kinib · Muddu Madakyaru · Ying Suna · Solar Energy · 2025年1月 · Vol.298
准确的故障检测对于维持光伏（PV）系统的最佳性能并延长系统寿命至关重要。本文提出了一种结合偏最小二乘（PLS）回归与基于Hellinger距离（HD）的监控图的传感器故障检测与诊断方法，该方法在处理高维数据集中的多重共线性问题以及降维方面具有优势。PLS生成能够反映偏差的残差，随后利用基于HD的监控图对这些残差进行分析，其控制阈值通过核密度估计（KDE）确定。该方法增强了对多种传感器故障的敏感性，包括偏差、漂移（或老化）以及间歇性故障。在本研究中，通过向总辐射计和温度传感器中人为注入传感器故障，...
解读: 该传感器故障诊断技术对阳光电源SG系列光伏逆变器及iSolarCloud智能运维平台具有重要应用价值。PLS-HD方法可有效识别辐照度计和温度传感器的偏差、漂移及间歇性故障,提升MPPT优化精度和发电效率预测准确性。ICE可视化分析可集成至iSolarCloud预测性维护模块,实现故障溯源与诊断。该...
可解释性机器学习揭示杂化钙钛矿太阳能电池的光电转换效率
Interpretable machine learning insights of power conversion efficiency for hybrid perovskites solar cells
Yudong Shi · Jiansen Wen · Cuilian Wen · Linqin Jiang 等7人 · Solar Energy · 2025年1月 · Vol.290
摘要 杂化有机-无机钙钛矿（HOIPs）太阳能电池因其高能量转换效率、易于制备以及低成本等优势，在光伏领域展现出广阔的应用前景。随着人工智能的蓬勃发展，机器学习（ML）近年来已被用于新型HOIPs材料的设计。然而，由于现有机器学习模型缺乏可解释性，其在HOIPs材料设计中的实际应用受到较大限制。本文提出一种数据驱动的可解释性机器学习方法，用于提取影响基于HOIPs太阳能电池功率转换效率（PCE）的通用且简洁的描述符。研究突出提出了两个由易于获取参数构成的描述符，可用于准确预测PCE，其预测性能优...
解读: 该可解释机器学习技术为阳光电源光伏逆变器研发提供重要启示。通过数据驱动方法快速筛选高效钙钛矿电池,可优化SG系列逆变器的MPPT算法适配性。研究中提出的简化描述符预测方法,可应用于iSolarCloud平台的组件性能预测模型,实现电站级效率优化。结合GaN功率器件特性,该方法有助于加速新型光伏材料与...
基于KAN的可解释净负荷概率预测方法
A KAN-Based Interpretable Probabilistic Net Load Forecasting Method
刘栋 · 郭国栋 · 辛蜀骏 · 毛志航 等6人 · 电力系统自动化 · 2025年1月 · Vol.49
分布式光伏的大规模接入导致电力系统净负荷预测面临强不确定性。针对现有深度学习模型在预测精度与可解释性之间的权衡难题，提出一种基于Kolmogorov-Arnold网络（KAN）的净负荷概率预测方法。通过挖掘KAN基函数权重矩阵与样条系数的可解释性，实现模型内在可解释性；结合最大似然估计设计均值与方差网络结构，有效拟合概率密度函数；采用最大互信息系数进行气象特征筛选，提升模型对多维气象因素的映射能力。算例验证表明，该方法在准确性、可解释性、训练效率与泛化性能方面优于传统方法。
解读: 该KAN可解释概率预测技术对阳光电源储能与光伏产品具有重要应用价值。在PowerTitan储能系统中，可集成该算法优化充放电策略，通过概率预测提升净负荷波动应对能力，降低电网调度风险；在iSolarCloud平台中，可解释性特征使运维人员直观理解气象因素对发电影响，提升预测性维护精度；对于ST储能变...