找到 2 条结果 · Applied Energy
一种数据-物理混合驱动的大规模风电场布局优化框架
A data-physics hybrid-driven layout optimization framework for large-scale wind farms
Peiyi Li · Yanbo Ch · Anran Hu · Lei Wang 等6人 · Applied Energy · 2025年1月 · Vol.392
摘要 全球风能利用的发展趋势正朝着建设大规模、远距离风电场的方向推进，而战略性的布局优化对于提升风电场发电量至关重要。然而，大规模风电场布局优化（WFLO）面临诸多挑战，主要体现在涉及高维决策变量的复杂计算，以及在尾流模型精度与计算效率之间需要进行权衡。为解决上述问题，本文提出了一种新颖的数据-物理混合驱动的大规模风电场布局优化框架。该框架尝试将含可变参数的物理方程融入建模过程，以指导尾流效应的建模，并进一步促进布局优化的实现。具体而言，本文提出了物理信息引导的双神经网络（PIDNN）模型用于风...
解读: 该数据-物理混合驱动的大规模风电场布局优化框架对阳光电源风电变流器及储能系统具有重要借鉴价值。其物理信息双神经网络(PIDNN)模型通过融合Navier-Stokes方程与可变推力系数,实现尾流效应精准建模,可启发阳光电源在风储一体化项目中优化ST系列储能变流器的功率调度策略。基因定向差分进化算法(...
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...