找到 5 条结果 · Applied Energy
基于全光谱太阳能与热储能的固体氧化物电解池高效自适应制氢
Efficient and adaptive hydrogen production via integrated full-Spectrum solar energy and solid oxide electrolysis cells with thermal storage
Jianhong Liu · Zhenyu Tian · Mingwei Sun · Xihan Chen 等6人 · Applied Energy · 2025年8月 · Vol.391
全光谱太阳能利用与固体氧化物电解池（SOECs）的集成技术为高效制氢提供了有前景的解决方案。然而，该技术的发展面临两个主要挑战：其一，太阳能提供的热能与电能供给比例与SOECs运行所需的热电需求比例之间存在不匹配；其二，太阳能输入的波动性与SOECs对温度波动耐受能力有限之间的矛盾。针对上述问题，本研究提出了一种集成热储能模块的SOEC制氢系统。该系统根据波长对太阳能进行分频利用：短波长太阳光通过光伏电池转化为电能，长波长太阳光则在反应器中转化为热能。反应器通过储存和释放多余的太阳能热量来抑制温...
解读: 该全光谱太阳能制氢技术对阳光电源光储融合系统具有重要启示。研究中光伏发电与热能分频利用的思路,可应用于SG系列逆变器与ST储能系统的协同优化:通过PowerTitan储能单元平抑光伏波动,配合iSolarCloud平台实现热电比动态调控。系统夜间利用储能回收余热降低26.6%电网功耗的策略,与阳光电...
基于贝叶斯优化算法与二次分解的误差校正深度Autoformer模型在光伏发电预测中的应用
An error-corrected deep Autoformer model via Bayesian optimization algorithm and secondary decomposition for photovoltaic power prediction
Jie Chen · Tian Peng · Shijie Qian · Yida Ge 等7人 · Applied Energy · 2025年1月 · Vol.377
准确的光伏发电功率预测对于电网的稳定运行和合理调度至关重要。然而，由于光伏发电具有不稳定性，其功率预测仍面临巨大挑战。为此，本文提出一种结合二次分解、贝叶斯优化与误差校正机制的Autoformer模型用于光伏发电功率预测。为降低数据复杂性并充分提取特征，采用了两种分解方法：首先利用经验模态分解（EMD）对光伏功率序列进行初级分解；然后引入样本熵（SE）衡量各分量的复杂度，并对复杂度最高的分量采用变分模态分解（VMD）进行二次分解。其次，构建基于贝叶斯优化算法优化的Autoformer模型，分别预...
解读: 该基于深度学习的光伏功率预测技术对阳光电源iSolarCloud智慧运维平台具有重要应用价值。通过EMD-VMD二次分解和Autoformer模型可显著提升预测精度,可集成至SG系列逆变器的MPPT优化算法中,实现更精准的发电功率预测。结合ST系列储能PCS,该预测模型能优化储能系统充放电策略,提升...
用于并网光伏电站选址的分段变异粒子群优化算法
PSO with segmented mutation for site selection in grid-connected photovoltaic power generation system
Xiao Zhang · Yujiang Chen · Linhui Cheng · Shasha Tian 等5人 · Applied Energy · 2025年1月 · Vol.377
摘要 本文提出了一种新型的分段变异粒子群优化（SMPSO）算法，用于解决并网光伏发电系统规划阶段中光伏（PV）阵列场址与电力变压器场址的选址问题。光伏阵列和电力变压器的选址过程直接影响系统的发电效率与建设运行成本。然而，该选址任务对优化算法提出了严峻挑战。粒子群优化（PSO）是一种应用广泛的基于种群的优化器，具有众多应用场景。但由于标准PSO在处理选址问题时存在早熟收敛和易陷入局部最优的缺陷，本文提出一种分段变异的PSO算法：在迭代初期采用全局粒子变异操作以增强全局搜索能力；在迭代后期则对较优粒...
解读: 该SMPSO算法对阳光电源光伏电站规划具有重要应用价值。在大型地面电站设计中,可优化SG系列逆变器和箱变布局,降低线损和建设成本。算法的分段变异策略可集成到iSolarCloud平台的智能选址模块,结合地形、辐照和电网接入条件,实现光伏阵列与ST系列储能系统的协同优化配置。其快速收敛特性适用于多场景...
一种融合MIC-BOA-TiDE与核密度估计的锂离子电池剩余使用寿命点预测与概率预测新框架
A novel MIC-BOA-TiDE fusion framework with kernel density estimation for point and probabilistic remaining useful life prediction of lithium-ion batteries
Tian Peng · Zhongzheng Mo · Jie Chen · Chenghao Sun 等7人 · Applied Energy · 预计 2026年5月 · Vol.410
本文提出MIC-BOA-TiDE融合框架，结合互信息准则（MIC）、蝴蝶优化算法（BOA）与时间序列深度估计器（TiDE），并引入核密度估计实现锂离子电池剩余使用寿命（RUL）的高精度点预测与不确定性量化。
解读: 该研究聚焦锂电RUL智能预测，直接支撑阳光电源PowerTitan、PowerStack等储能系统中BMS的寿命预警与健康状态管理能力。其概率化RUL输出可增强ST系列PCS在梯次利用、运维调度和质保服务中的决策可靠性。建议将该框架嵌入iSolarCloud平台，与PCS实时数据流对接，构建云端-边...
面向实时电价预测的电网物理信息驱动与时间自适应堆叠学习：短中期协同方法
Grid physics-informed and time-adaptive stacked learning for real-time electricity price forecasting: a short-term to mid-term approach
Yawen Yi · Xinyu Chen · Zhiyong Tian · Yuxin Zhang · Applied Energy · 预计 2026年5月 · Vol.410
本文提出一种融合电网物理约束与时间动态特性的堆叠学习框架，用于提升短期至中期电力市场价格预测精度，支持源网荷储协同优化决策。
解读: 该研究对阳光电源iSolarCloud智能运维平台及PowerTitan/ST系列储能PCS的能源调度策略具有直接价值。通过物理信息嵌入的时序预测模型，可增强光储系统在电力市场中的报价精度与调峰调频响应能力。建议将该算法集成至iSolarCloud的电价预测模块，并适配ST系列PCS的本地边缘推理单...