找到 8 条结果 · Applied Energy
LLM协调的频率调节自动竞价：交叉注意力分布强化学习智能体框架
LLM-coordination in auto-bidding of frequency regulation: Cross-attention distributional reinforcement agentic learning
Borui Zhang · Chaojie Lia · Guo Chena · Zhao Xub 等5人 · Applied Energy · 2025年1月 · Vol.401
摘要 电池储能系统（BESS）涉及大量资本投入，因此盈利能力成为关键关注点。在澳大利亚国家电力市场（NEM）中，频率控制辅助服务（FCAS）市场已成为BESS的主要收入来源。然而，FCAS市场的高波动性和复杂动态特性使得捕捉潜在市场机会并制定盈利性竞价策略极具挑战性。为应对这些挑战，本文提出了一种面向联合电能与FCAS市场的电池储能系统的大语言模型（LLM）协调式自动竞价系统。该系统引入了一种LLM驱动的智能体协调框架，通过多智能体工作流以及基于心智理论（ToM）推理的交互机制，实现自动化且可解...
解读: 该LLM协同自动竞价技术对阳光电源ST系列储能变流器及PowerTitan系统在澳洲等调频市场具有重要应用价值。论文提出的交叉注意力机制可增强市场动态识别,分布式深度强化学习算法能优化FCAS市场不确定性下的竞价策略,可集成至iSolarCloud平台实现储能资产智能竞价。该方法显著优于传统预测优化...
一种物理增强型动态耦合混合Kolmogorov–Arnold网络用于可解释的电池荷电状态估计
A physics-enhanced hybrid Kolmogorov–Arnold network with dynamic coupling for interpretable battery state-of-charge estimation
Yuqian Fan · Yi Lia · Chong Yana · Yaqi Liang 等12人 · Applied Energy · 2025年1月 · Vol.400
准确估计锂离子电池的荷电状态（SOC）是电池管理系统中的核心任务。然而，SOC估计在复杂工况下面临着精度不足、鲁棒性差以及可解释性弱等挑战。本文提出了一种物理增强型混合Kolmogorov–Arnold网络（PEHKAN）方法，这是首个将机械应力特性与电化学–热力学多物理场建模相结合的方法。构建了改进的Butler–Volmer方程电化学势能模块，以及具有协同控制的温度–压力耦合扩散动力学模块；这些模块显式地刻画了电化学、热力学与机械应力之间的协同作用。此外，设计了一种动态门控融合机制，以实现物...
解读: 该物理增强混合神经网络SOC估算技术对阳光电源ST系列储能变流器及PowerTitan系统的电池管理具有重要价值。其电化学-热力学-机械应力多物理场耦合建模可直接应用于BMS优化,在复杂工况下MAE低至0.00312,显著提升储能系统全生命周期安全性与经济性。动态门控融合机制可增强iSolarClo...
基于两阶段分解与综合相对重要性分析的可解释风速预测
Interpretable wind speed forecasting through two-stage decomposition with comprehensive relative importance analysis
Huanze Zeng · Binrong Wu · Haoyu Fang · Jiacheng Lin · Applied Energy · 2025年1月 · Vol.392
摘要 准确的风速预测为风电场的高效调度与运行提供了关键的决策支持，从而保障智能电网的稳定运行。然而，风速序列固有的波动性和非平稳性给提升预测精度带来了挑战。现有研究表明，风速与多种气象因素之间存在密切的相关性；有效利用这些气象数据可显著提高风速预测的准确性。本研究提出了一种新颖的短期多变量可解释风速预测方法，旨在同时提升预测的准确性和可解释性。所提出的模型融合了两阶段分解过程、综合相对重要性分析（CRIA）、基于牛顿-拉夫森的优化器（NRBO）以及可解释的深度学习模型——时间融合变换器（TFT）...
解读: 该风速预测技术对阳光电源风电变流器及储能系统具有重要应用价值。通过MVMD-CEEMDAN二级分解和CRIA特征选择,可显著提升风电场功率预测精度,优化ST系列储能变流器的充放电策略制定。TFT深度学习模型的可解释性为iSolarCloud平台的预测性维护提供决策支持,结合气象多变量分析可改进GFM...
基于广义加性模型的小时级电力负荷中期高效预测
Efficient mid-term forecasting of hourly electricity load using generalized additive models
Monika Zimmerman · Florian Ziel · Applied Energy · 2025年1月 · Vol.388
摘要 准确的中期（数周至一年）小时级电力负荷预测对于发电厂运行中的战略决策至关重要，有助于保障供电安全与电网稳定、规划和建设储能系统以及开展电力交易。尽管已有大量模型能够有效预测短期（数小时至数天）的小时负荷，但针对中期负荷预测的解决方案仍然较为稀缺。在中期负荷预测中，捕捉负荷多方面的特征存在显著的建模挑战，这些特征包括日、周和年的季节性模式、自回归效应、天气及节假日影响，以及社会经济非平稳性。为应对这些挑战，本文提出一种新颖的预测方法，该方法采用由可解释的P样条构成的广义加性模型（GAM），并...
解读: 该中期负荷预测技术对阳光电源储能系统具有重要应用价值。GAM模型可优化PowerTitan及ST系列PCS的能量管理策略,通过精准预测周至年度负荷曲线,实现储能系统充放电计划优化和容量配置决策。其可解释性强的特点可集成至iSolarCloud平台,结合气象、节假日等多维数据,提升储能电站经济调度能力...
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1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...
基于有限数据的分布式区域光伏功率预测：一种鲁棒的自回归迁移学习方法
Distributed-regional photovoltaic power generation prediction with limited data: A robust autoregressive transfer learning method
Wanting Zheng · Hao Xiao · Wei Pei · Applied Energy · 2025年1月 · Vol.380
摘要 本文提出了一种针对高比例数据缺失场景下的分布式区域光伏发电功率预测方法。该方法通过两个关键策略增强光伏发电信息的可用性。首先，针对区域内具有有限可用光伏发电数据的参考电站，构建了一种基于DSC-LightGBM算法的可解释性预测模型，以提高光伏发电功率预测的准确性。针对这些电站在气象数据获取方面存在的不足，通过物理建模引入太阳高度角和太阳时角等太阳辐射特征，并采用Shapley加性解释（SHAP）可解释算法分析原始特征与增强特征的重要性。其次，为解决区域内大量非参考电站在实际运行中数据匮乏...
解读: 该分布式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。针对区域内大量电站数据缺失场景,其自回归迁移学习方法可显著提升SG系列逆变器集群的发电预测精度(误差降低25.8%-50.3%)。DSC-LightGBM算法结合太阳高度角等物理特征的建模思路,可优化PowerTi...
基于可解释对比学习的数据增强趋势-波动表征用于风电功率预测
Data-augmented trend-fluctuation representations by interpretable contrastive learning for wind power forecasting
Yongning Zhao · Haohan Liao · Yuan Zhao · Shiji Pan · Applied Energy · 2025年1月 · Vol.380
摘要 数据增强可以通过分析风电功率数据的统计特性来扩展数据规模，为预测模型提供更丰富的输入信息，从而提高预测精度。然而，现有的数据增强方法仅学习原始数据的概率分布，难以从数据中捕捉并表征复杂的变化趋势与波动特征。此外，来自不同风电场的异构数据模式会影响预测模型的泛化能力，而深度学习模型的黑箱结构在实际应用中也缺乏可信度。因此，本文提出一种新颖的可解释趋势-波动表征对比学习框架（ICoTF），用于风电功率预测。具体而言，ICoTF包含预训练阶段和回归阶段。首先，在预训练阶段设计了基于对比学习的数据...
解读: 该风电功率预测技术对阳光电源储能系统具有重要应用价值。ICoTF框架的趋势-波动特征提取能力可应用于ST系列PCS的功率预测模块,通过对比学习增强数据表征,提升PowerTitan储能系统的充放电策略优化精度。其可解释性设计符合iSolarCloud平台的预测性维护需求,特征重要性分析可优化GFM/...
可解释且高精度的基于三级树的集成混合模型用于预测光电化学电池中的光电流密度和电极电势：理论支持并由实验数据外部验证
Interpretable and highly accurate tertiary tree-based ensemble hybrid models for the prediction of photocurrent density and electrode potential in PEC cell: Theoretically supported and externally validated by experimental data
Nepal Sahua · Chandrashekhar Azadb · Uday Kumar · Applied Energy · 2025年1月 · Vol.401
摘要 光电流密度（J）以及相对于可逆氢电极的电势（V RHE）是评估用于绿色氢气生产的光电化学（PEC）系统性能的关键参数。本研究旨在构建一种高精度、可解释、稳健且通用的机器学习模型，用于预测J和V RHE，并通过理论支持与外部验证加以证实。在本研究中，首先利用贝叶斯优化（BO）方法将两个单模型（M1, M2）结合，基于包含2593条记录的数据集开发了两个二元混合模型（M3, M4），随后进一步构建了两个用于预测J和V RHE的三级混合模型（M5, M6）。采用五组独立的实验数据集和三个基于物理...
解读: 该光电化学制氢预测模型对阳光电源绿氢储能系统具有重要参考价值。研究中的机器学习混合模型(R²>0.999)可应用于ST系列储能变流器的氢储能场景优化,通过预测光电流密度和电极电位提升制氢效率。SHAP可解释性分析揭示的带隙、电极面积等关键参数,可指导iSolarCloud平台开发光伏制氢预测性维护算...