找到 2 条结果 · Applied Energy
基于回声状态网络的实时误差补偿迁移学习以增强风力发电预测
Real-time Error Compensation Transfer Learning with Echo State Networks for Enhanced Wind Power Prediction
Yingqin Zhua · Yue Liub · Nan Wangc · Zhao Zhao Zhang 等5人 · Applied Energy · 2025年1月 · Vol.379
准确的风力发电预测对于高效的能源管理和电网稳定至关重要，能够帮助能源供应商平衡供需、优化可再生能源的集成、降低运行成本并提高电力系统的可靠性。回声状态网络（Echo State Network, ESN）由于其结构简单且训练速度快，被广泛应用于非线性动态系统的建模。然而，在处理高阶非线性复杂性时，ESN容易产生系统误差，导致模型精度下降。为克服这一问题，本文提出了误差补偿迁移学习回声状态网络（Error Compensation Transfer Learning Echo State Netw...
解读: 该ETL-ESN风电预测技术对阳光电源储能系统具有重要应用价值。其2秒快速训练和95%以上精度提升可显著优化ST系列PCS的能量管理策略和PowerTitan储能系统的充放电调度。实时误差补偿机制可增强iSolarCloud平台的预测性维护能力,提升新能源并网稳定性。迁移学习方法为不同机型的GFM/...
发电与储能规划中网络建模、二元变量及不确定性的分解处理
Generation and energy storage planning decomposing complexities in modeling networks, binary variables and uncertainties
Xi Lu · Yiding Zhao · Siqi Bu · Qinran Hu · Applied Energy · 2025年1月 · Vol.377
摘要 随着电力系统负荷和不确定性的持续增加，以及储能（ES）成本的不断降低，具备高建模精度的发电与储能规划变得愈发重要。考虑到潮流计算、二元变量和不确定性带来的建模复杂性，本文提出一种包含三个决策步骤的新型规划模型，以避免因不同复杂性直接叠加而导致的计算复杂度指数级增长问题。为降低对网络建模的要求，本文首先利用特定电力系统的特性，采用二阶锥潮流模型获取可能运行工况的信息。随后，构建定制化的线性潮流模型，以在较低建模复杂度下实现精确的网络建模，从而支持更精确的不确定性建模。此外，基于发电机与储能设...
解读: 该规划模型对阳光电源储能系统具有重要应用价值。通过三阶段决策分解网络建模、二进制变量和不确定性复杂度,可优化ST系列PCS和PowerTitan储能系统的容量配置与选址决策。二阶锥潮流模型结合定制化线性潮流简化,适用于iSolarCloud平台的源储协同规划算法,提升发电侧和用户侧储能方案的经济性。...