找到 3 条结果 · Applied Energy
基于物理信息注意力残差网络的电池智能温度预警模型
Battery intelligent temperature warning model with physically-informed attention residual networks
Xue Ke · Lei Wang · Jun Wang · Anyang Wang 等12人 · Applied Energy · 2025年1月 · Vol.388
摘要 电动汽车的快速发展对锂离子电池的热安全管理提出了更高要求。传统的物理模型需要大量离线参数辨识，在计算效率与模型保真度之间难以平衡；而数据驱动方法虽然精度较高，但缺乏可解释性，且在不同工况下需要大量数据支持。为应对上述挑战，本文提出了一种物理信息引导的注意力残差网络（Physics-Informed Attention Residual Network, PIARN），该模型将改进的非线性双电容模型与热集总模型嵌入到物理引导的循环神经网络框架中，从而提升了模型的可解释性与泛化能力。所设计的残...
解读: 该物理信息引导的电池温度预警技术对阳光电源储能系统具有重要价值。PIARN模型结合物理模型与深度学习,可集成至ST系列PCS和PowerTitan储能系统的BMS热管理模块,实现0.1°C精度的在线温度预测和近100%准确率的热预警。其轻量化物理模型与残差网络架构适合边缘计算部署,可通过iSolar...
基于跨域自适应生成对抗网络的多退化水平光伏阵列故障诊断
Fault diagnosis of photovoltaic arrays with different degradation levels based on cross-domain adaptive generative adversarial network
Peijie Lin · Feng Guo · Yaohai Lin · Shuying Cheng 等7人 · Applied Energy · 2025年1月 · Vol.386
摘要 近年来，由于光伏电站运行与维护的重要性，光伏（PV）阵列故障诊断（FD）取得了令人瞩目的进展。然而，由于运行工况复杂，光伏阵列不可避免地会发生渐进式退化，导致输出数据出现域偏移，这对故障诊断性能产生显著的负面影响。为解决上述问题，本研究提出了一种两阶段跨域自适应生成对抗网络深度学习方法，用于不同退化水平下的光伏阵列故障诊断。在第一阶段，利用源域（即无性能退化的光伏阵列）中的正常数据进行训练；随后，在对抗训练过程中将最大均值差异（MMD）损失引入故障生成器，以生成源域故障数据的高层特征表示。...
解读: 该跨域自适应GAN故障诊断技术对阳光电源SG系列光伏逆变器及iSolarCloud智慧运维平台具有重要应用价值。针对光伏阵列性能衰减导致的数据域偏移问题,该方法通过MMD损失函数实现跨域特征对齐,仅需健康状态数据即可生成故障样本进行诊断,准确率达98.34%。可集成至iSolarCloud平台的预测...
结合内部电池物理特性的最优构网型储能系统管理
Optimal grid-forming BESS management incorporating internal battery physics
Yuanbo Chen · Kedi Zheng · Cheng Feng · Junling Huang 等6人 · Applied Energy · 2025年1月 · Vol.385
摘要 通过电池储能系统（BESS）提供构网服务（GFS）对于现代电网中日益增长的可再生能源并网至关重要。然而，GFS响应与电池物理特性之间的快速交互给构网型BESS运行管理带来了重大挑战。本文研究了考虑内部电池物理特性的构网型BESS管理方法。我们首先建立了一个基于物理机理的模型，以准确刻画BESS在提供GFS过程中的可用功率能力及老化动态特性。基于该物理模型，本文提出了一种两阶段随机优化问题，用于在日前阶段确定GFS控制系数并制定BESS功率调度计划，同时考虑电网频率的不确定性。进一步地，设计...
解读: 该研究对阳光电源ST系列储能变流器及PowerTitan系统的构网型控制策略具有重要参考价值。通过建立电池物理模型优化GFM服务系数,可提升我司储能系统在高比例新能源电网中的频率支撑能力和经济性。研究中的两阶段随机优化方法可集成至iSolarCloud平台,实现日前调度与实时功率调节的协同优化,同时...