找到 4 条结果 · Applied Energy
基于增强特征提取与新型损失函数的TimesNet光伏功率多步短期预测方法
Multi-step short-term forecasting of photovoltaic power utilizing TimesNet with enhanced feature extraction and a novel loss function
Sheng Yu · Bin He · Lei Fang · Applied Energy · 2025年6月 · Vol.388
摘要 天气条件的不稳定性常导致光伏发电呈现出随机性和波动性，使得准确可靠的光伏发电功率预测对于综合能源系统的稳定调度至关重要。由于难以捕捉相邻离散时间点之间的时序依赖关系，多步预测仍面临挑战，这主要归因于一维建模方法在时间序列特征表达能力上的局限性。为此，本文提出一种专门针对光伏发电功率多步短期预测的方法论框架。该框架基于TimesNet架构，通过将气象特征在二维空间建模以增强特征表达能力。此外，引入了一种新的特征提取模块，用于替代原始TimesNet中的Inception模块，缓解了标准卷积中...
解读: 该多步光伏功率预测技术对阳光电源iSolarCloud智慧运维平台及储能系统调度具有重要价值。TimesNet二维时序建模可增强SG系列逆变器功率预测精度,改进的损失函数能提升异常工况识别能力。12小时预测RMSE降低3.21%可优化ST系列PCS的充放电策略制定,减少PowerTitan储能系统的...
一种考虑单体电池运行状态的锂离子电池健康状态贝叶斯迁移学习评估框架
A Bayesian transfer learning framework for assessing health status of Lithium-ion batteries considering individual battery operating states
Jiarui Zhang · Lei Mao · Zhongyong Liu · Kun Yu 等5人 · Applied Energy · 2025年3月 · Vol.382
摘要 锂离子电池（LIBs）健康状态（SOH）的快速准确评估对于实现高效的电池监测与管理具有重要意义。LIBs的退化是一个复杂的过程，每一块电池的退化路径均具有独特性，受到内部和外部多种因素共同影响。然而，现有方法通常将每块电池视为独立个体处理，未能充分挖掘和利用各单体电池的独特特征。为克服这一局限性，本研究提出了一种贝叶斯迁移学习框架，用于建模锂离子电池特有的退化过程，从而完成对SOH的评估。具体而言，构建了一个混合效应模型（MEM）以描述电池健康状态的退化过程，该模型能够捕捉不同电池之间的异...
解读: 该贝叶斯迁移学习框架对阳光电源ST系列储能变流器及PowerTitan储能系统的电池管理具有重要价值。混合效应模型可捕捉单体电池差异性,实现精准SOH评估,优化BMS策略。三种参数更新策略适配不同应用场景,可提升iSolarCloud平台预测性维护能力。该方法兼容循环老化与日历老化,适用于大规模储能...
混合光伏-热电系统在可再生能源中的进展与挑战
Advances and challenges in hybrid photovoltaic-thermoelectric systems for renewable energy
Raza Moshwan · Xiao-Lei Shi · Min Zhang · Yicheng Yu 等9人 · Applied Energy · 2025年2月 · Vol.380
将热电发电机（TEGs）与光伏（PV）器件相结合，是一种有效提升光伏电池发电能力的策略，从而显著促进太阳能的广泛应用。通过同时利用太阳光中的光子能量和热能，该集成方式能够最大化能量捕获，提高整个系统的整体效率，进而推动太阳能发电的可行性与规模化发展。本文及时综述了混合光伏-热电发电机（PV-TEG）技术在基础原理、热阻、接触电阻和负载电阻对性能的影响、多种集成方案（如结合光谱分束器、相变材料及热力系统的混合PV-TEG系统）、热管理、可行性分析以及经济与环境影响、长期效率提升等方面的最新进展与面...
解读: 该PV-TEG混合发电技术对阳光电源光伏逆变器产品线具有重要启示价值。热电联合发电可提升组件侧能量利用率,与SG系列逆变器的MPPT优化技术形成协同:通过精准追踪光伏-热电双模式功率点,配合三电平拓扑降低损耗,可进一步提升系统效率。该技术的热管理方案可为PowerTitan储能系统的温控设计提供参考...
一种模块化的多步预测方法用于海上风电场群
A modular multi-step forecasting method for offshore wind power clusters
Lei Fang · Bin He · Sheng Yu · Applied Energy · 2025年2月 · Vol.380
摘要 随着规模经济的推动，海上风电场群正逐渐成为一种普遍趋势。然而，由于风资源的不确定性，海上风电出力具有间歇性和波动性，给预测工作带来了显著挑战。目前针对海上风电场群功率预测的研究仍较为有限。本文针对这一研究空白，提出了一种面向海上风电场群的模块化、解耦式的多步预测方法。该方法采用模块化设计，能够适应多种预测场景，特别是有无数值天气预报（NWP）数据的情况，为未来的研究与应用提供了灵活的框架。该方法首先利用信号处理技术（包括快速傅里叶变换FFT和奇异值分解SVD）对集群内各风电场的历史功率输出...
解读: 该海上风电集群多步预测方法对阳光电源储能系统(ST系列PCS、PowerTitan)具有重要应用价值。通过时空特征提取和多模态数据融合,可显著提升风储协同控制精度,优化iSolarCloud平台的预测性维护能力。模块化架构适配有无NWP数据场景,可集成至GFM/GFL控制策略中,提升电网友好型并网性...