Shuwei Liua · Jianyan Tian · Yuanyuan Daia · Zhengxiong Jia 等5人 · Applied Energy · 2025年1月 · Vol.399

摘要 端到端神经网络模型通常被视为黑箱模型，已被广泛应用于光伏（PV）功率预测中。然而，这类模型在模型适应性、可迁移性和可解释性方面仍面临挑战。为解决上述问题，本文提出了一种物理编码的光伏功率预测模型，该模型将端到端网络分解为数据驱动的外部参数预测模型和物理驱动的功率计算模型。其中，具有明确物理意义的功率计算模型增强了模型的可解释性。本文设计了一种连续学习机制，使模型能够快速适应环境变化，缓解模型漂移的影响，从而提升模型的适应性与可迁移性。同时，引入多数字孪生协同运行机制，融合其他模型的优势，进...

解读: 该物理编码光伏预测技术对阳光电源iSolarCloud智慧运维平台具有重要应用价值。其物理驱动+数据驱动的混合架构可显著提升SG系列逆变器功率预测精度,概念漂移场景下nMAE提升30.5%,跨电站迁移时准确率提升45.8%。持续学习机制能有效应对环境变化导致的模型漂移,增强ST储能系统的充放电策略优...