找到 3 条结果 · Applied Energy
解锁建筑一体化光伏与电池
BIPVB）系统深度强化学习中的预测洞察力与可解释性
Yuan Gao · Zehuan Hu · Shun Yamat · Junichiro Otomo 等9人 · Applied Energy · 2025年4月 · Vol.384
摘要 可再生能源的部署以及智能能源管理策略的实施对于建筑能源系统（BES）的脱碳至关重要。尽管数据驱动的深度强化学习（DRL）在优化BES方面已取得近期进展，但仍存在显著挑战，例如缺乏针对时间序列数据观测空间的研究以及模型可解释性的不足。本文首次将未来预测信息引入DRL算法中，以构建时间序列数据的观测空间，并采用门控循环单元（GRU）和Transformer网络与DRL算法相结合，用于建筑一体化光伏与电池（BIPVB）系统的运行控制。此外，通过将前沿的Shapley加性解释（SHAP）技术与所开...
解读: 该深度强化学习优化技术对阳光电源光储一体化系统具有重要应用价值。研究中的GRU/Transformer时序预测与DRL决策框架可直接应用于ST系列储能变流器的智能调度策略,结合电价预测信息实现成本降低10%以上。SHAP可解释性分析方法可增强iSolarCloud平台的AI决策透明度,为PowerT...
AM-MFF：一种基于注意力机制的多特征融合框架用于鲁棒且可解释的锂离子电池健康状态估计
AM-MFF: A multi-feature fusion framework based on attention mechanism for robust and interpretable lithium-ion battery state of health estimation
Si-Zhe Chen · Jing Liu · Haoliang Yuan · Yibin Tao 等6人 · Applied Energy · 2025年3月 · Vol.381
健康状态（SOH）是电池管理系统（BMS）中的一个关键参数。利用多种数据源可有效提升端到端SOH估计的性能。然而，现有的基于多维特征的方法未能充分挖掘不同数据源之间的内在关联。同时，大多数方法缺乏可解释性，并忽视了噪声带来的不利影响。本研究提出了一种基于注意力机制的多特征融合框架（AM-MFF），以实现鲁棒且可解释的SOH估计。AM-MFF结合了卷积神经网络（CNN）和注意力机制（AM）的优势，能够高效提取并融合健康特征，从而全面感知电池老化信息。该框架将两个运行阶段的数据作为输入，并通过两个独...
解读: 该AM-MFF锂电池SOH估算框架对阳光电源储能系统具有重要应用价值。其多特征融合与注意力机制可直接集成至ST系列PCS和PowerTitan储能系统的BMS中,提升电池健康状态预测精度和抗噪性能。多输入容错设计确保单传感器故障时系统仍可靠运行,符合大规模储能安全需求。注意力分数的可解释性有助于iS...
面向主观不确定性的能源存储共享动态租赁框架
Subjective-uncertainty-oriented dynamic renting framework for energy storage sharing
Yan Hea · Jiang-Wen Xiao · Yan-Wu Wang · Zhi-Wei Liu 等5人 · Applied Energy · 2025年1月 · Vol.378
近年来，共享式储能因能够缓解分布式可再生能源间歇性所导致的供需不平衡问题而受到广泛关注。考虑到产消者在面对不确定性时的主观感知，本文提出了一种新的动态竞争性按需租赁框架，用于储能容量（ESC）共享，旨在提高储能利用率、增加储能运营商（ESO）的收益并降低产消者的成本。在该框架中，引入了一种基于需求的动态容量定价机制，将ESO与产消者之间的关系建模为斯塔克尔伯格博弈（Stackelberg game），并在产消者之间建立广义纳什均衡（GNE）问题。ESO决定动态容量定价机制，而产消者则根据自身需求...
解读: 该动态储能共享框架对阳光电源PowerTitan储能系统和ST系列PCS具有重要应用价值。通过引入前景理论建模用户主观不确定性感知,可优化iSolarCloud平台的储能容量动态定价策略,提升储能利用率24.07%和收益13.73%。该框架的Stackelberg博弈机制可集成到阳光电源储能EMS系...