找到 36 条结果 · Applied Energy
基于图特征与深度学习的锂离子电池退化轨迹早期感知
Early perception of Lithium-ion battery degradation trajectory with graphical features and deep learning
Haichuan Zhao · Jinhao Meng · Qiao Peng · Applied Energy · 2025年1月 · Vol.381
摘要 在电池储能系统（BESS）的全生命周期管理中，早期捕捉锂离子电池（LIB）的退化路径至关重要，然而现有研究主要集中在短期电池健康状态（如健康状态，SOH）诊断。本研究提出一种创新性概念，旨在仅利用少量初始循环数据即可感知锂离子电池的退化轨迹，从而为BESS复杂化的运行与维护策略预留充足的调整空间。本文提出一种新颖的深度学习框架，通过构建基于电池早期使用数据的图特征来获取容量退化轨迹。为了捕获更丰富的容量衰减特征，该框架通过生成增量容量（IC）曲线和容量差分曲线对电压-容量数据进行增强，并将...
解读: 该早期电池退化轨迹预测技术对阳光电源ST系列储能系统及PowerTitan产品具有重要价值。通过少量初始循环数据的图形化特征和深度学习,可在电池全生命周期早期预判容量衰减路径,为储能系统预测性维护提供60个循环内的精准预警。该技术可集成至iSolarCloud平台,结合增量容量曲线分析,优化BMS健...
通过特征空间匹配分析解释基于时空相关性的LASSO回归模型用于风电功率预测
Interpreting LASSO regression model by feature space matching analysis for spatio-temporal correlation based wind power forecasting
Yongning Zhao · Yuan Zhao · Haohan Liao · Shiji Pan 等5人 · Applied Energy · 2025年1月 · Vol.380
摘要 解释高性能的风电功率预测（WPF）模型对于推动更可信和更精确的预测方法至关重要。当前的研究主要集中在解释黑箱深度学习模型，而忽视了能够直接指示特征重要性的自解释模型，尽管这些模型无法阐明其背后的成因机制。基于最小绝对收缩与选择算子（LASSO）的自解释回归模型在WPF中表现出色。因此，探索其内在决策逻辑及其系数的实际意义，以提取有益的领域知识，具有重要意义。本文提出了一种解释框架，旨在阐明考虑时空相关性的LASSO回归模型在WPF中的决策逻辑。该框架包含四个主要组成部分：首先，建立一个时空...
解读: 该LASSO回归模型解释框架对阳光电源储能系统(ST系列PCS、PowerTitan)和iSolarCloud平台具有重要应用价值。通过时空相关性量化和特征匹配分析,可优化风储协同预测精度,提升储能系统功率调度策略。特征扰动分析方法可应用于多场站协同控制,识别关键影响因素如特征共线性、参考场站空间分...
一种基于记忆增强型Elman神经网络的选择性集成系统用于短期风速预测
An innovative memory-enhanced Elman neural network-based selective ensemble system for short-term wind speed prediction
Xueyi Aia · Tao Fenga · Wei Ganb · Shijia Lic · Applied Energy · 2025年1月 · Vol.380
摘要 风速固有的波动性和不确定性给电网运行带来了巨大压力，因此建立精确的风速预测模型至关重要。目前大多数基于分解-集成的预测研究仍存在一定的局限性，传统的集成策略难以有效协调多个预测模型生成的子序列之间的信息差异。此外，大多数集成模型选择策略仅关注模型的拟合能力，而忽视了预测模型的多样性。为此，本文提出了一种创新的基于记忆增强型Elman神经网络的选择性集成系统，用于短期风速预测。首先，本文首次引入记忆增强型Elman神经网络作为集成策略，该方法能够有效记忆各子序列的预测信息，并识别它们之间的信...
解读: 该记忆增强型风速预测技术对阳光电源储能系统具有重要应用价值。可集成至ST系列PCS和PowerTitan储能系统的智能调度模块,通过精准预测风电波动提前优化充放电策略,提升电网稳定性。其选择性集成学习机制可借鉴至iSolarCloud平台的预测性维护算法,增强多源数据协同处理能力。自适应预处理技术与...
基于门控循环单元神经网络利用稀疏监测数据的车载超级电容器储能系统寿命预测
Life prediction of on-board supercapacitor energy storage system based on gate recurrent unit neural network using sparse monitoring data
Li Wei · Yu Wang · Tingrun Lin · Xuelin Huang 等5人 · Applied Energy · 2025年1月 · Vol.379
摘要 随着超级电容器在交通和能源领域的广泛应用，其服役寿命预测成为一个需要重点考虑的问题。由于车载超级电容器的老化过程与实际工况密切相关，其实际使用寿命可能与实验室测得的循环寿命不一致。然而，记录历史工作状况的车载监测数据质量较低，通常具有稀疏性和碎片化特征，导致难以提取有价值的信息。在我们前期的研究中，已成功从稀疏且碎片化的数据中获取了特征参数，但这些特征参数呈周期性变化，无法直接用于寿命预测。本文首先通过复合正弦函数与多项式时间序列分解模型，从特征参数中提取超级电容器的退化趋势项；其次，为弥...
解读: 该超级电容寿命预测技术对阳光电源储能系统和充电桩产品具有重要价值。针对车载及储能应用中监测数据稀疏问题,GRU神经网络结合时序分解模型可实现2.36%高精度预测,可直接应用于ST系列PCS和PowerTitan储能系统的健康管理。该方法通过提取特征电容、温度等退化趋势,能有效补偿iSolarClou...
基于物理信息神经网络的振荡越浪式波浪能转换装置系统辨识
System identification of oscillating surge wave energy converter using physics-informed neural network
Mahmoud Ayy · Lisheng Yang · Alaa Ahm · Ahmed Shalaby 等9人 · Applied Energy · 2025年1月 · Vol.378
优化波浪能转换装置的几何结构并通过PTO控制提高其效率，需要发展能够预测其水动力响应的有效低阶模型。本文采用多步方法，识别控制振荡越浪式波浪能转换装置响应方程的系数。依次利用准静态实验、自由响应实验和扭矩强迫实验的数据，分别识别水静力刚度系数、辐射阻尼系数、附加质量系数以及非线性阻尼系数。这些数据集来源于对振荡式波浪能转换装置模型所进行的实验。刚度系数由准静态实验确定。随后，将物理信息神经网络应用于自由响应数据，以识别表征辐射阻尼的状态空间模型的系数。同样的方法被应用于扭矩强迫响应数据，以识别附...
解读: 该物理信息神经网络(PINN)系统辨识方法对阳光电源储能变流器ST系列和电机驱动控制具有重要借鉴价值。文中多步骤辨识非线性阻尼、辐射阻尼及附加质量的思路,可应用于PowerTitan储能系统的PCS控制参数自适应优化和电动汽车驱动系统的电机参数在线辨识。结合SiC器件高频特性,PINN可实现GFM/...
用于交流最优潮流的高效计算数据合成：融合物理信息神经网络求解器与主动学习
Computationally efficient data synthesis for AC-OPF: Integrating Physics-Informed Neural Network solvers and active learning
Jiahao Zhang · Ruo Peng · Chenbei Lu · Chenye Wu · Applied Energy · 2025年1月 · Vol.378
摘要 本研究针对在发布保护隐私的交流最优潮流（AC Optimal Power Flow, AC-OPF）运行数据时面临的隐私性、实用性与效率性挑战展开研究。传统方法在差分隐私（Differential Privacy, DP）框架下向运行数据（即负荷需求数据和调度配置文件）中注入噪声，但此类操作常导致数据违反物理约束，产生不现实且不可行的结果，从而降低数据的实用性。尽管基于AC-OPF求解器的双层后处理优化能够强制实现物理可行性，但由于后处理目标与AC-OPF本身目标之间存在偏差，仍会导致结果...
解读: 该研究提出的物理信息神经网络(PINN)求解AC-OPF方法,对阳光电源储能系统(ST系列PCS、PowerTitan)和光伏逆变器(SG系列)的智能调度具有重要价值。通过主动学习加速优化计算,可应用于iSolarCloud平台的实时能量管理系统,在保护用户隐私前提下实现多站点协同优化。该技术能显著...
DEST-GNN：一种用于多站点小时内光伏功率预测的双探索时空图神经网络
DEST-GNN: A double-explored spatio-temporal graph neural network for multi-site intra-hour PV power forecasting
Yanru Yang · Yu Liu · Yihang Zhang · Shaolong Shu 等5人 · Applied Energy · 2025年1月 · Vol.378
准确的光伏发电（PV）功率预测对于电网实时平衡和储能系统优化至关重要。然而，由于光伏发电具有间歇性和波动性，实现高精度的光伏功率预测仍然是一项挑战。本文提出了一种用于多站点小时内光伏功率预测的新方法。与当前独立预测每个光伏电站功率的方法不同，我们通过考虑各光伏电站之间固有的时空相关性，同时预测所有站点的发电功率，并设计了一种新型图神经网络模型——DEST-GNN。在DEST-GNN中，采用无向图来表示这些光伏电站之间的依赖关系：每个光伏电站由一个节点表示，任意两个电站之间的时空相关性则由它们之间...
解读: 该多站点小时内光伏功率预测技术对阳光电源SG系列逆变器和ST储能系统具有重要应用价值。DEST-GNN通过时空图神经网络捕捉多电站关联性,可集成至iSolarCloud平台实现区域级功率预测,优化储能系统PowerTitan的充放电策略。其稀疏注意力机制可提升GFM/GFL控制算法的前瞻性调度能力,...
基于物理信息生成式深度学习的风力机分层动态尾流建模
Hierarchical dynamic wake modeling of wind turbine based on physics-informed generative deep learning
Qiulei Wang · Zilong Ti · Shanghui Yang · Kun Yang 等6人 · Applied Energy · 2025年1月 · Vol.378
摘要 随着电力需求的不断增长，风电场的规模远超以往。功率与载荷预测是风电场布局优化中最关键的两个课题。传统的尾流建模方法，如解析模型和计算流体动力学（CFD）模拟，在准确性和效率方面均难以有效应对如此大规模的问题。本研究提出了一种新颖的基于生成式深度学习的风力机分层动态尾流建模方法——PHOENIX（PHysics-infOrmed gEnerative deep learniNg for hIerarchical dynamic wake modeling eXploration），用于捕捉风...
解读: 该深度学习风电尾流建模技术对阳光电源风电变流器及储能系统具有重要价值。通过精准预测风机功率输出的时空特性,可优化ST系列储能PCS的充放电策略,提升风储协同效率。该物理信息神经网络方法可借鉴应用于iSolarCloud平台的预测性维护算法,结合GFM控制技术实现风电场群级功率平滑输出。动态尾流模型的...
使用多通道单维卷积神经网络模型评估高密度城市区域的建筑一体化光伏潜力
Assessing building-integrated photovoltaic potential in dense urban areas using a multi-channel single-dimensional convolutional neural network model
Xiaotian Geng · Senhong Cai · Zhonghua Gou · Applied Energy · 2025年1月 · Vol.377
摘要 评估建筑一体化光伏（BIPV）潜力对于太阳能的全面推广与部署具有重要意义。传统模型大多依赖形态学参数进行光伏潜力评估，在高密度城市区域中存在对城市形态主观认知强、泛化能力差等挑战。本研究采用卷积神经网络（CNN）进行三维建模，以评估中大规模城市尺度下的BIPV潜力，提出了一种多维单通道一维CNN模型框架。该模型结合高斯混合模型与建筑物点云数据，提取建筑窗墙比，从而增强建筑群点云中的个体特征；同时利用三维物理模型提取建筑地理朝向信息，并通过空间连通性整合点云分布，以解决点云卷积旋转不变性导致...
解读: 该BIPV潜力评估技术对阳光电源SG系列光伏逆变器和智能运维平台具有重要应用价值。基于CNN的三维建模方法可精准预测城市建筑光伏发电潜力,为SG逆变器在密集城区的容量配置和MPPT优化提供数据支撑。研究中的点云数据处理和地理方位提取技术可集成至iSolarCloud平台,实现建筑光伏系统的智能选址和...
一种基于演化多分位数长短期记忆神经网络的超短期光伏功率概率预测混合模型
A novel hybrid model based on evolving multi-quantile long and short-term memory neural network for ultra-short-term probabilistic forecasting of photovoltaic power
Jianhua Zhu · Yaoyao He · Applied Energy · 2025年1月 · Vol.377
摘要 概率预测在消除光伏发电不确定性方面具有极其重要的作用。由于具备强大的泛化能力，分位数回归长短期记忆神经网络（QRLSTM）被广泛认为是光伏发电概率预测中颇具前景的方法。然而，这类模型对每个分位数单独进行训练，忽略了不同分位数之间的相关性与单调性约束，且多次训练导致计算复杂度过高。此外，由分位数回归产生的不可微分的分位损失函数对优化算法提出了较高要求。为解决上述问题，本文提出一种基于演化分布混沌粒子群优化算法（EDCPSO）优化的多分位数LSTM（MQLSTM）模型，以实现高质量的光伏发电概...
解读: 该超短期光伏功率概率预测技术对阳光电源SG系列逆变器及iSolarCloud平台具有重要应用价值。MQLSTM多分位点神经网络可集成至智能运维系统,实现光伏出力的概率区间预测,优化MPPT控制策略。结合ST系列储能变流器,可基于预测置信区间动态调整充放电计划,提升能量管理精度。EDCPSO优化算法的...
利用聚光太阳能热能储存优化固体氧化物电解池：一种混合深度学习方法
Optimization of solid oxide electrolysis cells using concentrated solar-thermal energy storage: A hybrid deep learning approach
Hongwei Liua1 · Wei Shuaia1 · Zhen Yao · Jin Xuan 等7人 · Applied Energy · 2025年1月 · Vol.377
摘要 固体氧化物电解池（SOEC）是一种将CO2和H2O转化为合成气的前沿技术，具有显著的经济与环境效益。然而，该过程需要大量的高温热量输入，传统上依赖电能供给。本研究提出一种创新方法，利用聚光太阳辐射作为SOEC的可再生热源，并通过集成热能储存（TES）系统来应对太阳辐射固有的波动性挑战。我们构建了一种混合模型，将多物理场仿真与深度学习算法相结合，能够在实时直法向辐照度条件下快速优化电解过程。研究结果表明，在系统架构中引入TES后，SOEC入口处的温度变化率显著降低了53%，从而确保了运行的稳...
解读: 该研究将光热储能与固体氧化物电解耦合的深度学习优化方法,对阳光电源ST系列储能变流器及PowerTitan系统具有重要借鉴价值。其热能存储系统可降低53%温度波动率的控制策略,可应用于我司储能系统的热管理优化;混合多物理场仿真与深度学习算法的实时优化框架,可增强iSolarCloud平台的预测性维护...
基于混合深度学习的屋顶光伏供给与农宅负荷不匹配分析：数据降维与可解释负荷模式挖掘
Mismatch analysis of rooftop photovoltaics supply and farmhouse load: Data dimensionality reduction and explicable load pattern mining via hybrid deep learning
Ding Gao · Yuan Zhi · Xing Rong · Xudong Yang · Applied Energy · 2025年1月 · Vol.377
摘要 建立以屋顶光伏（PV）为基础的新型电力系统有助于推动中国农村地区的能源转型。光伏供给与农村家庭用电需求之间不匹配的研究，对光伏微电网系统的广泛推广至关重要。目前，农村地区典型负荷模式（TLPs）缺乏准确的特征刻画方法，且现有的不匹配评估方法未充分考虑光伏弃电问题。因此，本研究提出一种基于混合深度学习的分析框架，用于量化全天时段内光伏发电与典型负荷模式之间的短期不匹配程度，并将其应用于真实农村地区数据集。本研究采用变分自编码器（VAE）模型对高分辨率负荷数据进行降维与特征提取，并与传统方法进...
解读: 该研究对阳光电源户用光伏微电网解决方案具有重要价值。VAE深度学习模型可集成至iSolarCloud平台,实现农村负荷模式精准识别与PV出力失配预测。研究揭示的三类典型负荷曲线可优化SG系列逆变器的MPPT策略,结合ST系列储能PCS动态调节充放电功率,降低弃光率。基尼系数量化方法为PowerTit...
基于物理信息的积分神经网络用于溶剂法燃烧后CO2捕集过程的动态建模
Physics informed integral neural network for dynamic modelling of solvent-based post-combustion CO2 capture process
Peng Sh · Cheng Zheng · Xiao Wu · Jiong Shen · Applied Energy · 2025年1月 · Vol.377
摘要 溶剂法燃烧后碳捕集（PCC）是实现能源和工业领域大规模脱碳最有前景的技术。然而，该过程的复杂特性和高能耗阻碍了PCC在复杂电力市场中的高效灵活运行。PCC系统的成功运行优化高度依赖于对过程的动态建模，而采用先进的数据驱动方法已成为研究热点。目前广泛使用的数据驱动动态建模方法未将PCC过程的物理机理信息融入模型中，导致模型稳定性不足。物理信息神经网络（PINNs）通过融合数据与物理信息，提供了一种创新的建模方法。然而，其在PCC过程动态建模中的应用仍面临重大挑战。为此，本文基于带外生输入的非...
解读: 该物理信息神经网络(PIINN)动态建模技术对阳光电源储能系统具有重要应用价值。碳捕集系统的复杂非线性动态特性与PowerTitan储能系统在电力市场中的灵活调度需求高度相似。PIINN方法通过平衡点稳定性约束保证模型可靠性的思路,可借鉴应用于ST系列PCS的宽工况运行建模,提升GFM/GFL控制策...
一种结合数据驱动预测与超 twisting 控制的低碳微电网混合方法
A hybrid approach involving data driven forecasting and super twisting control action for low-carbon microgrids
Naghmash Ali · Xinwei Shen · Hammad Armgha · Applied Energy · 2025年1月 · Vol.398
摘要 本文提出了一种基于两级密集残差神经网络的优化框架，旨在提升微电网中能量管理系统（EMS）的运行效率。该框架解决了传统数值优化方法在求解经济调度问题时存在的不足，这些传统方法通常优先考虑精度而牺牲了实时性能，并且未能充分最大化可再生能源的发电量。所提出的框架在上层控制中不仅能够求解经济调度问题，还能优化来自可再生能源的功率输出。在本地层面，采用超 twisting 滑模控制策略，以精确跟踪由能量管理系统生成的参考指令，并确保直流母线电压的精准调节。框架的稳定性通过李雅普诺夫稳定性准则进行了理...
解读: 该混合优化框架对阳光电源ST系列储能变流器和PowerTitan系统具有重要应用价值。论文提出的双层密集残差神经网络可优化微电网经济调度,超扭曲滑模控制实现精确直流母线调控,与阳光电源GFM/GFL控制技术高度契合。该方法在600V氢电混合微网的实时验证表明,可提升储能系统EMS响应速度和新能源消纳...
MapVC：基于地图的深度学习用于电动汽车生态驾驶中的实时电流预测
MapVC: Map-based deep learning for real-time current prediction in eco-driving electric vehicles
Zhuoer Wanga1 · Xiaowen Zhub1 · Qingbo Wangc1 · Jian Zhoua 等7人 · Applied Energy · 2025年1月 · Vol.396
摘要 电源电池工作电流的预测对于保障电动汽车（EV）的工作性能至关重要。然而，复杂的真实世界生态驾驶场景——特别是再生制动系统（RBS）的频繁启用导致出现负电流值——给动力系统数据带来了强烈的随机性。为了克服传统数据驱动模型在捕捉此类复杂性方面的局限性，本文提出了MapVC框架。首先，引入一种基于地图的编码器，通过估计车辆运动状态来推断RBS的工作情况，显著增强了对复杂真实驾驶条件下数据的预测性能。此外，采用基于多头自注意力机制的解码器，以提取多尺度时间特征，实现对电池内部状态变化的全面建模。同...
解读: 该MapVC框架对阳光电源储能系统和充电桩产品具有重要应用价值。其基于地图的电流预测技术可直接应用于ST系列PCS和充电站的能量管理系统,通过预判制动回馈电流优化PowerTitan储能系统的充放电策略。多头注意力机制与双向GRU的组合为iSolarCloud平台的预测性维护提供了新思路,可提升电池...
多尺度协同建模与基于深度学习的风冷数据中心热预测：热管理的新视角
Multi-scale collaborative modeling and deep learning-based thermal prediction for air-cooled data centers: An innovative insight for thermal management
Ningbo Wang · Yanhua Guo · Congqi Huang · Bo Tian 等5人 · Applied Energy · 2025年1月 · Vol.377
摘要 研究数据中心（DC）的热环境及温度分布对于应对设备故障或环境变化等突发事件至关重要。然而，构建从数据中心机房级到芯片级的全尺寸仿真模型面临巨大挑战。本文提出一种独特的方法，将多尺度协同建模与深度学习技术相结合，用于风冷数据中心的热预测。通过将父模型的仿真结果作为子模型的边界条件，构建了数据中心多尺度仿真模型，显著降低了模型复杂度和计算资源消耗。利用实验数据，对不同尺度的模型分别进行了验证。研究了不同冷却策略、送风温度和送风流量对多尺度仿真模型的影响。基于参数化仿真方法，构建了用于训练数据驱...
解读: 该多尺度协同建模与深度学习热管理技术对阳光电源储能系统具有重要应用价值。ST系列PCS和PowerTitan等大型储能产品面临电池簇、模组到电芯的多层级热管理挑战,可借鉴其多尺度仿真方法降低建模复杂度。CNN-BiLSTM-Attention神经网络可集成至iSolarCloud平台,实现储能柜温度...
第 2 / 2 页