找到 10 条结果 · Applied Energy
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12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...
可再生能源驱动的膜技术：集成太阳辐照度预测用于光伏驱动苦咸水淡化系统的预测控制
Renewable energy powered membrane technology: Integration of solar irradiance forecasting for predictive control of photovoltaic-powered brackish water desalination system
Martin Ansong · Emmanuel O.Ogunniyi · Blanca Pérez Jiméneza1 · Bryce S.Richards · Applied Energy · 2025年12月 · Vol.401
摘要 太阳辐照度（SI）的波动会扰乱光伏（PV）发电系统的输出功率，导致直接耦合的光伏驱动膜法脱盐系统出现运行不稳定和非预期停机，从而降低产水率、水质和能源效率。传统的基于储能的缓解策略会增加系统成本和复杂性。基于天空成像的SI预测技术能够分析天空状况，并提供长达15分钟的SI预测，为减少功率波动影响提供了替代方案，且无需过度依赖储能系统。本研究将一种基于图像的太阳辐照度预测系统（SIFS）集成至一套光伏驱动的苦咸水脱盐系统中。该SIFS采用卷积神经网络-长短期记忆（CNN-LSTM）模型，利用...
解读: 该光伏预测控制技术对阳光电源SG系列逆变器与ST储能系统集成具有重要价值。研究通过CNN-LSTM模型实现15分钟光照预测,可与我司MPPT优化算法协同,提升直驱式光伏系统稳定性。建议将天空成像预测技术集成到iSolarCloud平台,结合VSG虚拟同步发电机控制策略,在减少储能配置的同时优化功率波...
基于微调策略的跨工况船用柴油机故障诊断通用迁移学习框架
A universal transfer learning framework for cross-working-condition marine diesel engine fault diagnosis based on fine-tuning strategy
Zeyu Shia · Zhongwei Wanga · Zhiguo Yuana · Muyu Wanga 等6人 · Applied Energy · 2025年8月 · Vol.392
摘要 船用柴油机（MDEs）及时且准确的故障诊断（FD）对于提升船舶动力系统的安全性和可靠性至关重要。MDEs在变工况下运行，导致其运行状态和故障数据存在显著差异。这种变异性降低了数据驱动FD模型的适应能力，而这些模型通常是基于单台发动机或特定工况下的数据构建的。为解决上述问题，本研究提出了一种基于深度迁移学习与微调策略的MDEs故障诊断框架。为了增强故障特征提取能力，引入了一种数据层级融合方法用于数据重构。此外，提出了一种新型混合预训练网络，结合CNN + GRU与KAN，以获取源域数据的全面...
解读: 该跨工况迁移学习故障诊断框架对阳光电源储能系统(ST系列PCS、PowerTitan)及光伏逆变器(SG系列)具有重要应用价值。文章提出的CNN+GRU+KAN混合网络和精细调优策略,可应用于不同环境工况下的功率器件(SiC/IGBT)健康监测与故障预测。该方法能有效解决iSolarCloud平台中...
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8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,...
一种针对异质城乡区域的全面逐栋建筑屋顶光伏系统检测方法：以法国领土为例
A comprehensive building-wise rooftop photovoltaic system detection in heterogeneous urban and rural areas: application to French territories
Martin Thebault1 · Boris Nerot1 · Benjamin Govehovit · Christophe Menezo · Applied Energy · 2025年6月 · Vol.388
摘要 随着屋顶光伏（RPV）系统的快速扩张，准确识别这些装置的位置对于城市规划、电网管理以及社会经济分析变得至关重要。然而，现有的欧洲RPV系统数据集在空间覆盖范围和精度方面往往存在局限性，尤其是在建筑风格多样的地区。本研究提出了一种新颖的识别RPV系统的方法，该方法采用基于高分辨率航空影像和建筑物登记数据训练的卷积神经网络（CNN）。与传统的基于图像切片的方法不同，我们提出了一种逐栋建筑的处理方式，确保对每栋建筑进行独立评估。该模型在代表多种屋面材料和城市类型的五个法国省份进行了训练和验证。结...
解读: 该研究基于CNN深度学习的屋顶光伏系统识别技术,对阳光电源SG系列逆变器市场布局和iSolarCloud智慧运维平台具有重要价值。通过建筑级精准识别法国4000万建筑中的60万光伏系统,可为分布式光伏并网规划、储能系统(ST系列PCS/PowerTitan)配置优化提供数据支撑。该方法论可应用于电网...
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5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...
AM-MFF：一种基于注意力机制的多特征融合框架用于鲁棒且可解释的锂离子电池健康状态估计
AM-MFF: A multi-feature fusion framework based on attention mechanism for robust and interpretable lithium-ion battery state of health estimation
Si-Zhe Chen · Jing Liu · Haoliang Yuan · Yibin Tao 等6人 · Applied Energy · 2025年3月 · Vol.381
健康状态（SOH）是电池管理系统（BMS）中的一个关键参数。利用多种数据源可有效提升端到端SOH估计的性能。然而，现有的基于多维特征的方法未能充分挖掘不同数据源之间的内在关联。同时，大多数方法缺乏可解释性，并忽视了噪声带来的不利影响。本研究提出了一种基于注意力机制的多特征融合框架（AM-MFF），以实现鲁棒且可解释的SOH估计。AM-MFF结合了卷积神经网络（CNN）和注意力机制（AM）的优势，能够高效提取并融合健康特征，从而全面感知电池老化信息。该框架将两个运行阶段的数据作为输入，并通过两个独...
解读: 该AM-MFF锂电池SOH估算框架对阳光电源储能系统具有重要应用价值。其多特征融合与注意力机制可直接集成至ST系列PCS和PowerTitan储能系统的BMS中,提升电池健康状态预测精度和抗噪性能。多输入容错设计确保单传感器故障时系统仍可靠运行,符合大规模储能安全需求。注意力分数的可解释性有助于iS...
一种基于多时间分辨率注意力机制的交互网络用于多种电池状态联合估计
A multi-time-resolution attention-based interaction network for co-estimation of multiple battery states
Ruixue Liu · Benben Jiang · Applied Energy · 2025年3月 · Vol.381
摘要 高效且可靠的电池管理系统依赖于对多个电池状态的精确联合估计，包括荷电状态（SOC）、健康状态（SOH）和剩余使用寿命（RUL）。然而，由于这些状态在不同时间尺度上具有不同的时间分辨率以及复杂的相互作用，特别是在缺乏历史电池数据的情况下，该任务面临显著挑战。为应对这些挑战，本文提出了一种新颖的端到端多时间分辨率注意力机制交互网络（MuRAIN），用于多种电池状态的联合估计，该方法直接利用当前的充放电循环数据，无需历史数据。MuRAIN方法引入了一个多分辨率分块模块，能够从循环数据中智能提取具...
解读: 该多时间分辨率注意力交互网络技术对阳光电源ST系列储能变流器及PowerTitan储能系统的BMS优化具有重要价值。MuRAIN可实现SOC、SOH、RUL的高精度联合估计,无需历史数据即可基于当前循环数据运行,特别适合浅循环工况下的商业储能应用。该技术可集成至iSolarCloud平台,提升预测性...
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...
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...