找到 36 条结果 · Applied Energy
利用物理信息神经网络构建代理模型辅助强化学习优化智能电网能源管理
Optimizing energy management of smart grid using reinforcement learning aided by surrogate models built using physics-informed neural networks
Julen Cestero · Carmine Delle Femine · Kenji S. Muroa · Marco Quartulli 等5人 · Applied Energy · 2025年1月 · Vol.401
摘要 在智能电网场景下优化能源管理面临重大挑战，主要源于现实世界系统的复杂性以及各组件之间错综复杂的相互作用。强化学习（Reinforcement Learning, RL）正逐渐成为解决智能电网中最优潮流（Optimal Power Flow, OPF）问题的一种有效方案。然而，RL需要在给定环境中进行强制性的反复迭代才能获得最优策略，这意味着必须从一个很可能代价高昂的模拟器中获取样本，从而导致样本效率低下问题。在本研究中，我们通过使用基于物理信息神经网络（Physics-Informed N...
解读: 该研究采用物理信息神经网络(PINN)构建代理模型加速强化学习训练,对阳光电源ST系列储能变流器和PowerTitan系统的能量管理优化具有重要价值。通过PINN代理模型可将训练速度提升50%,能显著加快储能系统最优潮流控制策略的开发周期。该方法可应用于iSolarCloud平台的智能调度算法优化,...
基于动态参数的物理信息神经网络用于短期光伏功率预测：融合物理信息与数据驱动
Dynamic-parameter physics-informed neural networks for short-term photovoltaic power prediction: Integrating physics-informed and data driven
Weiru Wanga · Hanyang Guoa · Shaofeng Liub · Yechun Xina 等6人 · Applied Energy · 2025年1月 · Vol.401
为了克服传统混合预测模型中物理约束刚性以及样本不平衡的局限性，本文提出了一种基于动态参数物理信息神经网络（DP-PINN）的新型短期光伏（PV）功率预测框架。基于牛顿-拉夫森优化的K-means++（NBRO-Kmeans++）算法将天气划分为四种类型，与标准K-means++相比，轮廓系数提升了6.6%至45.8%。采用合成少数类过采样技术（SMOTE）对少数类样本进行动态平衡，在该情况下使均方根误差（RMSE）降低了50.5%。物理方程根据天气类型进行动态调整，三重约束损失函数融合了数据拟合...
解读: 该DP-PINN动态物理信息神经网络技术对阳光电源iSolarCloud智慧运维平台及SG系列光伏逆变器具有重要应用价值。通过天气分类与SMOTE样本平衡,极端天气下RMSE降低50.8%,可显著提升光伏电站功率预测精度。其动态参数优化机制(光电转化效率η、温度系数α可学习)与阳光电源MPPT优化技...
基于SHAP与物理引导神经网络的卡诺电池主导因素识别与快速优化
Dominant factor identification and fast optimization of carnot battery by integrating SHAP and physics-guided neural network
Yunfei Zhang · Jian Lia · Mingzhe Yua · Xu Chena 等6人 · Applied Energy · 2025年1月 · Vol.401
摘要 卡诺电池是一种新兴的长时电能储存技术，有望大规模应用于促进波动性可再生能源的消纳。然而，卡诺电池由热泵、储热和热机单元组成，其内部存在复杂的能量流耦合关系。在不同工况下决定电-电（PTP）效率的主导因素及其耦合关系尚不明确，传统的优化方法也因耗时较长而制约了优化设计进程。本文构建了SHapley加性解释（SHAP）模型，用于识别卡诺电池的主导因素及其相互间的耦合关系。进一步提出一种融合SHAP与物理引导神经网络（PGNN）的新型优化方法——SPGO方法，能够快速实现最大PTP效率并给出相应...
解读: 该卡诺电池优化技术对阳光电源储能系统具有重要借鉴价值。论文提出的SHAP主导因素识别与物理引导神经网络(PGNN)优化方法,可应用于ST系列PCS及PowerTitan储能系统的效率优化。其多物理场耦合分析思路与SiC器件热管理优化高度契合,PGNN模型在插值/外推场景下误差降低15-30%的表现,...
一种基于深度学习的多源信息融合方法用于高精度光伏识别：U2-Net图像分割与多光谱筛选的集成
A deep-learning multi-source information fusion method for high-precision PV identification: Integration of U2-net image segmentation and multi-spectral screening
Junyi Yanga · Lihua Zhaoa · Chengliang Xub · Yongjun Sunc 等6人 · Applied Energy · 2025年1月 · Vol.401
准确的光伏（PV）识别对未来光伏系统的选址和大规模渗透具有广阔的应用前景。本研究致力于通过融合U2-Net神经网络图像分割模型与多光谱光伏筛选技术，提升城市环境中光伏识别技术的精度。U2-Net模型对可见光卫星图像进行图像分割，以获取现有光伏站点的坐标和面积；随后，多光谱筛选技术结合多光谱卫星图像对图像分割结果进行处理，剔除误识别样本。为提高该技术的筛选性能，构建了光伏指数（Photovoltaic Index, PVI）及其归一化表达形式（nPVI）。详细的案例研究表明，所提出的基于深度学习的...
解读: 该深度学习光伏识别技术对阳光电源具有重要战略价值。通过U2-Net与多光谱融合实现91.37% IoU精度的光伏站点识别,可直接赋能iSolarCloud平台的智能运维能力,实现分布式光伏资产的自动化盘点与监测。识别出的城市光伏分布密度数据可指导SG系列逆变器在高工业化区域的优化部署,并为Power...
基于神经网络前馈算法的SOEC系统热电双控策略
A thermo-electrical dual control strategy for SOEC system based on a neural network feedforward algorithm
Biaowu Lua · Shaozhuo Niub · Yuxuan Feic · Ang Lia 等8人 · Applied Energy · 2025年1月 · Vol.401
摘要 固体氧化物电解池（SOEC）通过共电解技术为将可再生能源转化为合成气提供了有前景的途径，实现了高效的能量存储。然而，可再生能源固有的波动性，以及SOEC系统内部多物理场和组件之间的复杂耦合作用，给实现快速动态调节带来了重大挑战。本文建立了包含蒸发器、电加热器、换热器和SOEC电堆在内的SOEC系统综合模型。通过详细的多时间尺度特性分析发现，燃料流量在控制电堆温度和电压方面具有优势。随后，对比了基本燃料流量控制（FFC）、空气流量控制（AFC）和恒定转化率控制（CCRC）对关键性能的影响。结...
解读: 该SOEC双控策略对阳光电源储能系统具有重要借鉴价值。论文提出的神经网络前馈控制算法可应用于ST系列PCS的多物理场协同控制,特别是在光伏波动场景下实现电压稳定与温度管理的双重优化。其多时间尺度特性分析方法可用于PowerTitan储能系统的动态响应优化,将电压波动降低75%的控制思路可迁移至SiC...
基于变分自编码器的光伏功率预测无监督域自适应框架
Unsupervised domain adaptation framework for photovoltaic power forecasting using variational auto-encoders
Atit Bashya · Chidambar Prabhakar Bangr · Tina Boroukhia · Hendro Wicakson · Applied Energy · 2025年1月 · Vol.400
摘要 全球向可再生能源的转型迫切需要对这类能源进行准确预测，以实现高效的电网管理。尽管深度学习模型为间歇性可再生能源的预测提供了有效的解决方案，但由于其本身对数据的高度依赖，仍面临诸多挑战。迁移学习方法因此成为应对这些挑战的重要工具。然而，目前在可再生能源预测中使用的迁移学习框架通常需要大量带标签的训练数据来进行微调和知识迁移，这限制了其在数据匮乏场景下的适用性。本文提出了一种域自适应框架，能够将从拥有丰富数据的源域训练得到的预测模型中的知识，无缝迁移到目标域中无需带标签数据的模型训练过程。所提...
解读: 该无监督域自适应光伏功率预测技术对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过变分自编码器实现跨场站知识迁移,可在缺乏标注数据的新建光伏电站快速部署高精度预测模型,显著降低SG系列逆变器接入的分布式电站调试成本。该技术可与PowerTitan储能系统的能量管理策略深度融...
结合连续学习与多数字孪生机制的物理编码光伏功率预测方法
The physical-encoded Photovoltaic forecasting method combined with continuous learning and multi-digital twins mechanisms
Shuwei Liua · Jianyan Tian · Yuanyuan Daia · Zhengxiong Jia 等5人 · Applied Energy · 2025年1月 · Vol.399
摘要 端到端神经网络模型通常被视为黑箱模型，已被广泛应用于光伏（PV）功率预测中。然而，这类模型在模型适应性、可迁移性和可解释性方面仍面临挑战。为解决上述问题，本文提出了一种物理编码的光伏功率预测模型，该模型将端到端网络分解为数据驱动的外部参数预测模型和物理驱动的功率计算模型。其中，具有明确物理意义的功率计算模型增强了模型的可解释性。本文设计了一种连续学习机制，使模型能够快速适应环境变化，缓解模型漂移的影响，从而提升模型的适应性与可迁移性。同时，引入多数字孪生协同运行机制，融合其他模型的优势，进...
解读: 该物理编码光伏预测技术对阳光电源iSolarCloud智慧运维平台具有重要应用价值。其物理驱动+数据驱动的混合架构可显著提升SG系列逆变器功率预测精度,概念漂移场景下nMAE提升30.5%,跨电站迁移时准确率提升45.8%。持续学习机制能有效应对环境变化导致的模型漂移,增强ST储能系统的充放电策略优...
基于物理信息神经网络的锂离子电池健康状态、剩余使用寿命与短期退化路径联合估计
Physics-informed neural network for co-estimation of state of health, remaining useful life, and short-term degradation path in Lithium-ion batteries
Li Yanga · Mingjian Heab · Yatao Ren · Baohai Gao 等5人 · Applied Energy · 2025年1月 · Vol.398
摘要 锂离子电池由于各种内部和外部因素会随时间逐渐退化，这种退化带来了显著的安全性和可靠性风险，凸显了电池健康管理作为关键研究领域的重要性。然而，当前仍面临一个重大挑战，即开发一种通用的健康管理方法，以适应不同的电池材料、工作环境以及多样化的任务需求。为应对这一问题，本文提出了一种新颖的多任务健康管理方法，该方法将多任务处理框架与物理信息神经网络相结合。通过共享参数与任务特定参数的协同设计，并结合基于物理规律的特征提取机制，该方法高效地整合了健康状态估计、剩余使用寿命预测以及短期退化路径预测三项...
解读: 该物理信息神经网络多任务学习框架对阳光电源储能系统具有重要应用价值。可直接集成至ST系列PCS和PowerTitan储能系统的BMS中,实现SOH估算(误差0.75%)、RUL预测(误差104循环)和短期退化路径预测的协同管理。其基于恒压充电阶段电压电流数据的特征提取方法,与阳光电源iSolarCl...
适应光伏波动的动态网络剪枝在低压配电网边缘计算中的应用
Photovoltaic fluctuation-adapted dynamic network pruning for low-voltage distribution network edge computing
Jian Zhaoa · Kai Denga · Xianjun Shaob · Zhibin Zhoub 等7人 · Applied Energy · 2025年1月 · Vol.397
摘要 光伏（PV）出力的固有波动性 necessitates 使用高复杂度的深度学习（DL）模型以实现准确预测。然而，此类模型即使在光伏出力稳定期间也以满容量运行，消耗了冗余的计算资源，并加重了低压配电网（LVDN）中资源受限的边缘设备的负担。为解决上述问题，本文提出了一种动态网络剪枝框架，能够根据光伏出力的波动情况自适应地调整深度学习模型的复杂度。首先，提出一种对光伏波动敏感的通道重要性评估方法，用于识别深度学习模型中的冗余结构。随后，构建了一个包含光伏运行约束的轻量化优化框架，根据光伏出力的...
解读: 该动态网络剪枝技术对阳光电源边缘计算场景具有重要应用价值。针对iSolarCloud平台的边缘侧设备,可将该方法集成至SG系列逆变器和ST储能变流器的本地控制器中,根据光伏波动自适应调整深度学习模型复杂度,在平稳期压缩72%计算量,显著降低边缘设备算力需求。该技术可优化PowerTitan储能系统的...
时空特征编码的深度学习方法用于屋顶光伏潜力评估
Spatiotemporal feature encoded deep learning method for rooftop PV potential assessment
Jian Xuab · Zhiling Guo · Qing Yuc · Kechuan Dongd 等7人 · Applied Energy · 2025年1月 · Vol.394
摘要 屋顶光伏（PV）系统是提升城市环境中可再生能源利用的一种有前景的解决方案。准确估算屋顶光伏系统的发电潜力受到复杂城市形态所引起的遮蔽效应的制约，这些效应显著降低了屋顶表面的太阳辐照度，从而导致预测误差。传统的遮蔽模拟方法计算成本高昂，凸显了在计算效率与评估精度之间实现精细平衡的必要性。本研究提出了一种创新的深度学习框架，能够有效编码多种时空数据源，以精确预测阴影投射并计算屋顶光伏潜力。具体而言，基于物理原理的真实数据，结合U-Net网络、三维（3D）建筑细节、太阳能资源数据以及气象参数，使...
解读: 该时空特征编码深度学习框架对阳光电源屋顶光伏系统规划具有重要价值。研究通过U-Net网络精准预测建筑阴影对发电量的影响(平均损失5.32%),可优化SG系列逆变器的MPPT算法在遮挡工况下的功率追踪策略。158倍的计算加速能力可集成至iSolarCloud平台,实现大规模城市屋顶光伏资源快速评估与选...
基于深度学习的分布鲁棒联合机会约束配电网光伏承载能力评估
Deep learning-based distributionally robust joint chance constrained distribution networks PV hosting capacity assessment
Zihui Wanga1 · Yanbing Jiaa2 · Xiaoqing Hana3 · Peng Wangb4 等5人 · Applied Energy · 2025年1月 · Vol.394
摘要 随着分布式光伏（PV）在配电网（DNs）中的渗透率不断提高，评估光伏承载能力（PVHC）以确保配电网安全运行变得至关重要。本文提出了一种数据驱动的分布鲁棒联合机会约束（DRJCC）配电网光伏承载能力评估框架。首先，引入基于时空注意力、投影、监督和Transformer架构的生成对抗模块，构建一种增强型时间序列生成对抗网络（ATS-GAN）。该网络通过在联合训练过程中融合监督学习与无监督学习，能够更好地捕捉光伏与负荷功率的时空特征。随后，利用ATS-GAN构建以生成器神经网络所诱导分布为中心...
解读: 该分布鲁棒联合机会约束光伏承载力评估技术对阳光电源SG系列逆变器和ST储能系统的配置优化具有重要价值。论文提出的ATS-GAN时空特征捕捉方法可应用于iSolarCloud平台,提升多点分布式光伏出力预测精度。分布鲁棒优化框架能指导PowerTitan储能系统在配电网中的容量配置,通过联合机会约束降...
通过神经网络方法加速钙钛矿太阳能电池的器件表征
Accelerating device characterization in perovskite solar cells via neural network approach
Xinhai Zhaoab1 · Chaopeng Huangae1 · Erik Birgersson · Nikita Suprun 等11人 · Applied Energy · 2025年1月 · Vol.392
摘要 钙钛矿太阳能电池是下一代高效光伏器件的有力候选者，尤其适合作为叠层结构中的顶部电池。基于物理机制的光电模型，我们采集了十万量级的大数据样本，用于训练神经网络模型，以高效预测器件性能和复合损耗。在数据准备、模型训练和神经网络优化过程中，分别采用了拉丁超立方采样、贝叶斯正则化和贝叶斯优化方法。最优的神经网络模型在预留的测试数据集上实现的均方误差低于4 × 10⁻⁴。神经网络的计算速度比传统光电模型快一千倍以上。因此，器件快速校准可在24秒内完成。显著降低的计算成本使得高效的器件表征、参数研究、...
解读: 该神经网络加速钙钛矿电池表征技术对阳光电源光伏逆变器产品线具有重要借鉴价值。研究采用的深度学习方法将器件仿真速度提升千倍以上,可应用于SG系列逆变器的MPPT算法优化和iSolarCloud平台的预测性维护功能。通过贝叶斯优化和敏感性分析快速标定器件参数的思路,可迁移至SiC/GaN功率器件的损耗分...
SolarNexus：一种用于自适应光伏功率预测与可扩展管理的深度学习框架
_SolarNexus_: A deep learning framework for adaptive photovoltaic power generation forecasting and scalable management
Hyunsik Mina · Byeongjoon Noh · Applied Energy · 2025年1月 · Vol.391
摘要 光伏（PV）功率预测在可再生能源管理中发挥着关键作用。然而，传统预测模型通常难以适应动态环境变化，并在不同区域间实现有效扩展。针对这些挑战，本文提出了一种融合时间卷积网络（TCN）、多头注意力机制（MHA）、在线学习和迁移学习的深度学习框架。为验证所提方法的有效性，我们采用了来自韩国九个太阳能电站的数据。该数据集来源于韩国开放数据门户和韩国气象厅，涵盖了2017年1月1日至2019年12月31日的逐小时光伏发电量及气象参数，其中两年用于训练，一年用于测试。我们在相同条件下将所提出的TCN-...
解读: 该深度学习预测框架对阳光电源iSolarCloud智能运维平台具有重要应用价值。TCN-MHA在线学习模型可集成至SG系列逆变器和ST储能系统的智能调度算法,实现17.19%的NRMSE预测精度,支持多区域迁移学习降低85%训练时间和99%功耗。该技术可优化PowerTitan储能系统的充放电策略,...
开发基于深度学习的硅基太阳能电池模型用于聚光光伏系统：面向高效应用的实时性能预测
Developing deep learning-based model for silicon-based solar cells in concentrator photovoltaic systems: A real-time prediction for efficient application-oriented performance
Mohamed M.Elsabahy · Mohamed Emam · Sameh A. Nad · Applied Energy · 2025年1月 · Vol.388
摘要 聚光光伏（CPV）技术利用高强度的入射太阳辐射，通过紧凑且成本效益高的散热器实现电能输出与热能利用的结合。然而，最大化聚光比需要强化冷却，从而产生大量低温热能。另一方面，为了使这些低温热能达到热驱动应用所需的温度水平，必须协调多个运行和设计参数，包括聚光比和散热器特性。这一问题可通过传统的有限体积法（FVM）结合优化技术或在不同冷却方式下针对宽范围聚光比进行的大量参数研究来数值揭示，但这种方法需要极高的计算成本和时间。为应对这一挑战，本研究提出一种基于深度学习的模型，作为计算高效的替代方案...
解读: 该深度学习CPV性能预测技术对阳光电源SG系列光伏逆变器及iSolarCloud平台具有重要应用价值。文中提出的实时性能优化模型可集成至智能运维系统,通过神经网络快速预测不同气象条件下的发电效率,替代传统有限元仿真的高计算成本。该方法可应用于MPPT算法优化,实现动态参数调整;同时为PowerTit...
深度灵活的商业建筑暖通空调系统控制：一种融合物理感知深度学习的模型预测控制方法
Deeply flexible commercial building HVAC system control: A physics-aware deep learning-embedded MPC approach
Lingfeng Tang · Haipeng Xi · Yongguan Wang · Zhanbo Xu · Applied Energy · 2025年1月 · Vol.388
摘要 商业建筑中的供暖、通风与空调（HVAC）系统可作为灵活性资源，促进可再生能源在电力系统中的集成。然而，冷水机组复杂的运行特性以及水循环与空气循环耦合下的多区域热动态特性导致HVAC系统控制模型复杂度高，限制了其运行灵活性的充分挖掘。为解决该问题，本文提出一种融合物理感知深度学习的模型预测控制（MPC）方法，以实现面向需求响应的深度灵活商业建筑HVAC系统控制。首先，采用具有高逼近能力的深度学习模型捕捉冷水机组的运行特性，并结合物理约束模块以保证运行约束的满足；多区域热动态则利用基于先验建筑...
解读: 该物理感知深度学习MPC技术对阳光电源工商业储能系统具有重要应用价值。论文中HVAC柔性调控思路可迁移至ST系列PCS的需求响应场景:利用深度学习建模复杂负荷特性,结合物理约束保证设备安全运行;图卷积网络建模多区域热动态的方法,可借鉴用于PowerTitan多簇电池热管理协同优化;混合整数线性化嵌入...
基于深度学习与遥感的城市土地分类对光伏潜力的分析
PV potential analysis through deep learning and remote sensing-based urban land classification
Hongjun Tan · Zhiling Guo · Yuntian Chen · Haoran Zhang 等7人 · Applied Energy · 2025年1月 · Vol.387
城市土地在商业、居住、草地及其他行政分区中的利用情况将影响可再生能源基础设施（如光伏板）的可用安装面积。将土地利用类型纳入光伏潜力评估对于优化空间配置、贴近能源需求中心以及提升系统效率至关重要。为解决以往研究忽视城市土地利用问题的局限性，本文提出一个融合遥感数据与深度学习方法的框架，实现八类细粒度和三类粗粒度的土地利用分类。该框架针对每种土地利用类型计算其可安装光伏系统的面积，并结合2023年年均太阳辐照量评估其发电潜力。案例研究表明，德国海尔布隆（Heilbronn）地区的土地适合地面光伏安装...
解读: 该研究基于深度学习和遥感数据的城市土地分类与光伏潜力评估框架,对阳光电源SG系列逆变器和iSolarCloud平台具有重要应用价值。通过精细化土地利用分类(商业、住宅、未利用地等),可优化地面光伏与屋顶光伏的配置策略。研究中不同地类的单位面积发电潜力差异,可指导阳光电源1500V系统和MPPT优化技...
一种用于风力涡轮机应用中精确预测三维时空风场的新型频域物理信息神经网络
A novel frequency-domain physics-informed neural network for accurate prediction of 3D spatio-temporal wind fields in wind turbine applications
Shaopeng Li · Xin Li · Yan Jiang · Qingshan Yang 等7人 · Applied Energy · 2025年1月 · Vol.386
摘要 风能是全球关键的清洁能源之一。风力涡轮机的结构安全性和动力响应分析在很大程度上受到其所在位置风速数据可获得性与精度的影响。然而，气象观测站分布稀疏，通常难以获取高分辨率的空间风速数据，因此需要采用条件模拟方法来补充低分辨率的观测数据。本研究针对这一挑战，提出了一种频域物理信息神经网络（FD-PINN），该方法利用频域信息，旨在实现对风力涡轮机三维（3D）时空风场的精准预测。该方法构建了一个深度神经网络，并将其与关键物理模型相结合，包括风谱、风场相干函数以及风速廓线。通过融合这些物理先验知识...
解读: 该频域物理信息神经网络技术对阳光电源风电变流器及新能源场站具有重要价值。通过高精度3D时空风场预测,可优化SG系列风电变流器的功率预测算法和主动抗扰控制策略,提升MPPT效率。结合iSolarCloud平台,该深度学习方法可增强风光储混合电站的预测性维护能力,优化储能系统ST系列PCS的充放电策略。...
基于卫星图像纹理特征与迁移学习的区域光伏功率预测优化高效方法
An efficient approach for regional photovoltaic power forecasting optimization based on texture features from satellite images and transfer learning
Yang Xi · Jianyong Zheng · Fei Mei · Gareth Taylor 等5人 · Applied Energy · 2025年1月 · Vol.385
准确高效的区域光伏发电功率预测对于提升光伏电力供应的稳定性并扩大其市场份额至关重要。近年来的研究进展已将卫星与地面观测数据的特征相结合，基于混合神经网络的模型展现出优异的预测性能。然而，仍存在若干挑战：直接从卫星图像中提取的空间特征往往缺乏细节，且大多数现有预测方法需要大量电力数据样本。因此，在云量变化速率较高的情况下，预测精度易受相位滞后的影响，同时由于区域光伏装置数量庞大且分布分散，计算负担也显著增加。为解决上述问题，本研究提出一种创新的时空特征，该特征将从卫星图像重构的纹理特征（TFs）与...
解读: 该区域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。通过卫星图像纹理特征与迁移学习结合,可显著提升SG系列逆变器集群的功率预测精度(RMSE提升72%)并降低相位滞后,特别适用于分布式光伏电站管理。该算法计算效率提升10倍,可与ST储能系统协同优化充放电策略,减少云层...
用于评估中压电网可靠性的图神经网络
Graph neural networks for assessing the reliability of the medium-voltage grid
Charlotte Cambier van Nooten · Tomvan de Poll · Sonja Füllhas · Jacco Heres 等6人 · Applied Energy · 2025年1月 · Vol.384
摘要 随着向可再生能源转型以及传统发电容量的减少，确保电力系统可靠性正变得日益具有挑战性。配电系统运营商（Distribution System Operators, DSOs）通过验证n-1安全准则来实现电网可靠性，即利用开关策略重新配置电网并恢复供电。尽管DSOs通常运行辐射状电网，但政府法规和诸如平均停电分钟数等可靠性指标要求尽可能通过重构实现供电连续性。尽管可靠性评估在电网运行中具有关键作用，但当前的方法（如数学优化方法）往往计算成本高昂，难以适用于大规模电网。本文针对这些局限性，提出了...
解读: 该图神经网络可靠性评估技术对阳光电源储能系统和微电网解决方案具有重要价值。可应用于PowerTitan储能系统的n-1容错设计,通过GNN快速评估ST系列PCS在配电网重构中的可靠性,预测时间提升1000倍。结合iSolarCloud平台可实现实时故障预测和拓扑优化,增强分布式光储系统的供电连续性。...
符合概率分布的物理约束风力发电预测方法：面向抗噪深度学习
Physics-constrained wind power forecasting aligned with probability distributions for noise-resilient deep learning
Jiaxin Gao · Yuanqi Cheng · Dongxiao Zhang · Yuntian Chen · Applied Energy · 2025年1月 · Vol.383
摘要 风电作为关键的可再生能源之一，在实现碳中和目标中发挥着重要作用。然而，由于风速预测数据具有高噪声特性，风力发电功率的准确预测面临挑战，这会降低预测的精度与鲁棒性。为解决这一问题，本文提出一种理论引导（即物理约束）的深度学习风力发电预测方法（TgDPF）。TgDPF将表征风电功率概率分布的风电功率曲线领域知识，与长短期记忆网络（LSTM）深度学习模型相结合。该融合机制确保模型输出与风电功率的概率分布保持一致，遵循物理约束条件，从而增强对噪声的抵抗能力。因此，TgDPF是一种典型的物理约束建模...
解读: 该物理约束深度学习风电预测技术对阳光电源储能系统(ST系列PCS、PowerTitan)具有重要应用价值。通过融合风电功率曲线概率分布与LSTM模型,在高噪声环境下预测精度提升24.7%-73.9%,可显著优化储能系统的充放电策略与能量管理。该方法的抗噪声特性与物理约束思想可迁移至iSolarClo...
第 1 / 2 页