找到 3 条结果 · Applied Energy
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...
一种面向模块化储热系统设计的高效机器学习方法
Computationally effective machine learning approach for modular thermal energy storage design
Davinder Singh · Tanguy Rugamb · Harsh Katar · Kuljeet Singh Grewal · Applied Energy · 2025年1月 · Vol.377
摘要 本研究提出了一种创新性方法，将计算流体动力学（CFD）与机器学习（ML）相结合，用于热能储存（TES）系统的设计与优化。基于使用CFD开展的放热过程参数化分析结果，训练了多种机器学习模型，包括线性回归、K近邻回归（KNN回归）、梯度提升回归（GBR）、XGBoost、LightGBM以及神经网络（NN）。结果表明，神经网络（NN）在预测混凝土和传热流体（HTF）温度随时间变化方面表现最优，是最适合的模型。训练后的机器学习模型为传统的CFD模拟提供了高效的替代方案，能够在不同入口条件、流速和...
解读: 该CFD与机器学习融合技术对阳光电源储能系统具有重要价值。可应用于PowerTitan液冷储能热管理优化,通过神经网络模型替代传统CFD仿真,计算效率提升99%以上。适用于ST系列PCS多模块级联散热设计,快速预测电池簇温度分布。该方法可集成至iSolarCloud平台,实现储能电站热失控预测性维护...
耦合计算流体动力学与深度强化学习的点吸收式波浪能转换装置在不规则波浪环境中的锁定控制
Latching control of a point absorber wave energy converter in irregular wave environments coupling computational fluid dynamics and deep reinforcement learning
Hao Qin · Haowen Sua · Zhixuan Wen · Hongjian Liangb · Applied Energy · 2025年1月 · Vol.396
摘要 本文提出了一种新颖的锁定控制模型，该模型耦合计算流体动力学（CFD）与深度强化学习（DRL），以提升点吸收式波浪能转换装置（WEC）的波浪能量捕获性能。首先，构建了一个数值波浪水槽（NWF）以生成不可预测的不规则波浪，并基于CFD模拟WEC与波浪之间的双向耦合作用，从而为DRL输入构建非线性的环境状态空间。同时，设计了一种基于软演员-评论家（Soft Actor-Critic, SAC）算法的训练方法，无需显式参数调节，实现非预测性的锁定控制智能体。其次，利用CFD-DRL耦合模型，在并行...
解读: 该CFD-DRL耦合控制技术对阳光电源储能系统具有重要借鉴价值。论文中SAC算法实现的非预测性控制策略,可应用于ST系列PCS的能量管理优化,通过深度强化学习应对电网波动的非线性特性,类似波浪能转换器应对不规则波浪。多物理场耦合仿真方法可增强PowerTitan储能系统的热管理与功率控制协同优化。该...