找到 3 条结果 · Applied Energy
利用物理信息神经网络构建代理模型辅助强化学习优化智能电网能源管理
Optimizing energy management of smart grid using reinforcement learning aided by surrogate models built using physics-informed neural networks
Julen Cestero · Carmine Delle Femine · Kenji S. Muroa · Marco Quartulli 等5人 · Applied Energy · 2025年12月 · Vol.401
摘要 在智能电网场景下优化能源管理面临重大挑战，主要源于现实世界系统的复杂性以及各组件之间错综复杂的相互作用。强化学习（Reinforcement Learning, RL）正逐渐成为解决智能电网中最优潮流（Optimal Power Flow, OPF）问题的一种有效方案。然而，RL需要在给定环境中进行强制性的反复迭代才能获得最优策略，这意味着必须从一个很可能代价高昂的模拟器中获取样本，从而导致样本效率低下问题。在本研究中，我们通过使用基于物理信息神经网络（Physics-Informed N...
解读: 该研究采用物理信息神经网络(PINN)构建代理模型加速强化学习训练,对阳光电源ST系列储能变流器和PowerTitan系统的能量管理优化具有重要价值。通过PINN代理模型可将训练速度提升50%,能显著加快储能系统最优潮流控制策略的开发周期。该方法可应用于iSolarCloud平台的智能调度算法优化,...
用于交流最优潮流的高效计算数据合成：融合物理信息神经网络求解器与主动学习
Computationally efficient data synthesis for AC-OPF: Integrating Physics-Informed Neural Network solvers and active learning
Jiahao Zhang · Ruo Peng · Chenbei Lu · Chenye Wu · Applied Energy · 2025年1月 · Vol.378
摘要 本研究针对在发布保护隐私的交流最优潮流（AC Optimal Power Flow, AC-OPF）运行数据时面临的隐私性、实用性与效率性挑战展开研究。传统方法在差分隐私（Differential Privacy, DP）框架下向运行数据（即负荷需求数据和调度配置文件）中注入噪声，但此类操作常导致数据违反物理约束，产生不现实且不可行的结果，从而降低数据的实用性。尽管基于AC-OPF求解器的双层后处理优化能够强制实现物理可行性，但由于后处理目标与AC-OPF本身目标之间存在偏差，仍会导致结果...
解读: 该研究提出的物理信息神经网络(PINN)求解AC-OPF方法,对阳光电源储能系统(ST系列PCS、PowerTitan)和光伏逆变器(SG系列)的智能调度具有重要价值。通过主动学习加速优化计算,可应用于iSolarCloud平台的实时能量管理系统,在保护用户隐私前提下实现多站点协同优化。该技术能显著...
基于物理信息的积分神经网络用于溶剂法燃烧后CO2捕集过程的动态建模
Physics informed integral neural network for dynamic modelling of solvent-based post-combustion CO2 capture process
Peng Sh · Cheng Zheng · Xiao Wu · Jiong Shen · Applied Energy · 2025年1月 · Vol.377
摘要 溶剂法燃烧后碳捕集（PCC）是实现能源和工业领域大规模脱碳最有前景的技术。然而，该过程的复杂特性和高能耗阻碍了PCC在复杂电力市场中的高效灵活运行。PCC系统的成功运行优化高度依赖于对过程的动态建模，而采用先进的数据驱动方法已成为研究热点。目前广泛使用的数据驱动动态建模方法未将PCC过程的物理机理信息融入模型中，导致模型稳定性不足。物理信息神经网络（PINNs）通过融合数据与物理信息，提供了一种创新的建模方法。然而，其在PCC过程动态建模中的应用仍面临重大挑战。为此，本文基于带外生输入的非...
解读: 该物理信息神经网络(PIINN)动态建模技术对阳光电源储能系统具有重要应用价值。碳捕集系统的复杂非线性动态特性与PowerTitan储能系统在电力市场中的灵活调度需求高度相似。PIINN方法通过平衡点稳定性约束保证模型可靠性的思路,可借鉴应用于ST系列PCS的宽工况运行建模,提升GFM/GFL控制策...