找到 3 条结果 · 风电变流技术
基于广义动态因子模型与生成对抗网络的风电场景生成
Wind Power Scenario Generation based on the Generalized Dynamic Factor Model and Generative Adversarial Network
Young-ho Cho · Hao Zhu · Junghyeop Im · Duehee Lee 等5人 · IEEE Transactions on Power Systems · 2025年9月
为开展资源充足性研究，我们利用时空特征（空间和时间相关性、波形、边际和爬坡率分布、功率谱密度以及统计特征）合成了分布式风电场的多个长期风电情景。在情景中生成空间相关性需要为相邻风电场设计公共因子，为远距离风电场设计对立因子。广义动态因子模型（GDFM）可以通过互谱密度分析提取公共因子，但它无法精确复制波形模式。生成对抗网络（GAN）可以通过假样本判别器验证样本，从而合成能体现时间相关性的合理样本。为结合GDFM和GAN的优势，我们使用GAN提供一个滤波器，从观测数据中提取包含时间信息的动态因子，...
解读: 该风电场景生成技术对阳光电源储能与并网产品具有重要应用价值。通过广义动态因子模型与GAN网络的结合，可以准确预测风电功率波动特征，这对ST系列储能变流器的调度策略优化和PowerTitan系统的容量配置具有重要指导意义。该方法可集成到iSolarCloud平台，提升风储联合运行的经济性。同时，其时空...
基于期望实现的深度学习的风电功率与爬坡率确定性及概率预测
Deterministic and Probabilistic Forecasting of Wind Power Generation and Ramp Rate With Expectation-Implemented Deep Learning
Min-Seung Ko · Hao Zhu · Kyeon Hur · IEEE Transactions on Sustainable Energy · 2025年7月
准确的日前风电功率确定性与概率预测对电力系统可靠高效运行至关重要，尤其在以可再生能源为主导的系统中。同时，风电固有的波动性要求对爬坡率进行日前预测以保障能量平衡。为此，本文提出一种小时级日前预测框架，可同时预测风电出力与爬坡率。该框架采用基于定制损失函数的期望实现深度学习模型，结合特征构造与前馈误差学习策略，在多任务间保持平衡并提升性能。框架进一步融合异构模型输出，生成发电量与爬坡率的概率预测。基于真实数据的实验验证了各模块的有效性，结果表明所提方法能有效识别风电内在波动特性，充分挖掘其应用潜力...
解读: 该风电功率与爬坡率预测技术对阳光电源储能产品线具有重要应用价值。可直接应用于PowerTitan大型储能系统的调度优化,通过深度学习模型预测风电波动特性,提前部署储能容量与功率配置。对ST系列储能变流器的GFM控制策略也有重要参考意义,可基于预测结果优化VSG参数设置,提升系统稳定性。此外,该技术可...
涡激振动压电能量收集的随机分析在来流风湍流中的应用
Stochastic analysis for vortex-induced vibration piezoelectric energy harvesting in incoming wind turbulence
Jingyan Wang · Hongjun Xiang · Hao Jing · Yijiang Zhu 等5人 · Applied Energy · 2025年1月 · Vol.377
摘要 利用涡激振动压电能量收集器（VPEHs）从环境中捕获风能以驱动传感器，是一种具有前景的技术。以往大多数学者仅考虑均匀风场，即采用风湍流的平均值，而忽略了实际风环境中脉动分量的影响。这可能导致无法准确预测VPEHs在真实环境下的工作性能。为解决这一问题，本文基于概率密度演化方法（PDEM）建立了一种针对VPEHs的随机分析方法。将升力系数和阻力系数视为随机变量，随后通过数值分析与风洞实验，研究了不同来流风湍流条件下VPEHs的随机响应特性。结果表明，所提出的随机分析方法计算得到的置信区间和概...
解读: 该涡激振动压电能量采集技术对阳光电源风电变流器及分布式传感系统具有应用价值。研究中的随机风场建模方法可借鉴用于优化SG风电变流器的MPPT算法,提升湍流工况下的功率追踪精度。压电能量采集技术可为风电场分布式传感器供电,配合iSolarCloud平台实现免维护监测。基于概率密度演化法的可靠性设计思路,...