找到 4 条结果 · 风电变流技术
具有缺失数据容忍性的概率风力发电预测：一种端到端非参数方法
Probabilistic Wind Power Forecasting With Missing Data Tolerance: An End-to-End Nonparametric Approach
Zichao Meng · Ye Guo · Chenhao Zhao · IEEE Transactions on Sustainable Energy · 2025年9月
针对传感器故障、通信问题或测量中断导致的缺失数据问题，本文提出一种端到端非参数概率风力发电预测方法，集成缺失数据填补机制。该方法包含端到端训练与在线应用两个阶段：训练阶段通过迭代填补缺失数据并优化模型损失函数；应用阶段则持续填补实时观测数据以实现多步概率预测。相比现有方法，本方法无需假设分布类型，且通过联合优化提升填补质量与预测性能。实验表明，该方法在不同缺失率下均优于传统两阶段及参数化端到端方法，尤其在多步预测中表现更优。
解读: 该端到端非参数预测方法对阳光电源的储能和风电产品线具有重要应用价值。首先可应用于ST系列储能变流器的功率预测与调度优化，提升PowerTitan大型储能系统的调度效率。其次可集成到iSolarCloud平台，增强风电场发电量预测和运维预警能力。该方法的缺失数据容忍机制可显著提升阳光电源设备在恶劣环境...
提高能源市场中跨时间预测协调的准确性和实用性
Improving cross-temporal forecasts reconciliation accuracy and utility in energy market
Mahdi Abolghasemi · Daniele Girolimetto · Tommaso Di Fonzo · Applied Energy · 2025年1月 · Vol.394
摘要 风能发电预测对于风电场日常运行管理以及使市场运营商能够在需求规划中有效应对电力不确定性至关重要。传统的预测协调方法依赖于样本内误差进行预测协调，但这些方法在未来性能上的泛化能力可能不足。此外，传统的聚合结构并不总是与实际决策需求相一致，而评估指标也常常忽视预测误差带来的经济影响。为应对这些挑战，本文探讨了先进的跨时间预测模型及其在提升预测准确性与决策质量方面的潜力。首先，我们提出一种新方法，在协方差矩阵估计和预测协调过程中利用验证误差而非传统的样本内误差。其次，我们引入基于决策的聚合层级用...
解读: 该跨时序预测协调技术对阳光电源储能系统(ST系列PCS、PowerTitan)及新能源场站具有重要应用价值。论文提出的基于验证误差的协调方法可提升预测精度7%以上,能优化储能系统充放电策略,降低辅助服务罚金成本。决策导向的聚合层级设计与阳光电源iSolarCloud平台的智能运维需求高度契合,可将计...
使用超窄窗口条形掩模实现c面α-Ga2O3的外延横向过生长
Epitaxial lateral overgrowth of _c_-plane α-Ga2O3 using a stripe mask with ultra-narrow windows
Yuichi Oshima · Takashi Shinohe · Applied Physics Letters · 2025年1月 · Vol.126
采用卤化物气相外延法，结合窗口宽度为50–750 nm的条形掩模，实现了α-Ga2O3的外延横向过生长。即使在最窄窗口条件下，α-Ga2O3仅在窗口区域选择性生长，掩模表面无非故意成核。腐蚀坑观察与截面透射电镜分析表明，缩小窗口显著抑制了位错向再生层的延伸。对于50 nm窗口掩模，合并后的薄膜整体位错密度低至4×10⁷ cm⁻²（包含窗口区与合并边界）。该结果对发展高性能α-Ga2O3基功率器件具有重要意义。
解读: 该研究在α-Ga2O3外延生长方面的突破对阳光电源功率器件技术具有重要价值。超低位错密度(4×10⁷ cm⁻²)的α-Ga2O3材料有望用于开发新一代宽禁带功率器件,可应用于SG系列光伏逆变器和ST系列储能变流器的功率模块。相比现有SiC器件,α-Ga2O3基器件具有更高的击穿电场和更低的导通损耗,...
非参数随机微分方程在风电功率超短期概率预测中的应用
Nonparametric Stochastic Differential Equations for Ultra-Short-Term Probabilistic Forecasting of Wind Power Generation
Yuqi Xu · Can Wan · Guangya Yang · Ping Ju · IEEE Transactions on Power Systems · 2024年11月
超短期风电功率概率预测为电力系统实时运行提供了关键的不确定性信息。然而，风电出力的随机动态特性复杂，传统参数化模型难以准确刻画其非线性演化过程。本文提出一种基于非参数随机微分方程的建模方法，直接从历史数据中学习漂移与扩散项的结构，无需预设函数形式，有效捕捉风功率的时变统计特征与局部动态行为。实验结果表明，该方法在多个时间尺度下均能提供高精度的概率预测结果，显著提升预测可靠性。
解读: 该非参数随机微分方程预测技术对阳光电源的风电变流器和储能系统具有重要应用价值。可直接应用于ST系列储能变流器的功率调度优化和PowerTitan大型储能系统的容量配置。通过精确预测风电功率的随机波动特性,有助于提升储能系统的调峰调频性能,优化电池充放电策略。该技术还可集成到iSolarCloud平台...