找到 13 条结果 · IEEE Access
通过深度学习和混合安全模型缓解智能信息物理电力系统的网络风险
Mitigating Cyber Risks in Smart Cyber-Physical Power Systems Through Deep Learning
M. A. S. P. Dayarathne · M. S. M. Jayathilaka · R. M. V. A. Bandara · V. Logeeshan 等6人 · IEEE Access · 2025年2月
智能电网中可再生能源集成的兴起带来新网络安全挑战，促使本研究检验智能信息物理电力系统CPPS的脆弱性。风能和太阳能等可再生能源集成到智能电网因其分散和可变特性带来运行风险，特别是在实时监控和控制所需的通信层内。虽然可再生能源集成增加不直接影响网络安全脆弱性，但主要挑战源于其分散性。解决这种分散需要在供需之间使用网络层，为电力系统控制和通信系统引入网络威胁脆弱性。这些层易受虚假数据注入FDI、拒绝服务DoS和重放攻击等多样化网络攻击，可能危及电网稳定性和安全性。为应对这些风险，研究提出混合方法，集...
解读: 该网络安全技术对阳光电源智慧能源平台安全防护至关重要。阳光iSolarCloud云平台连接海量光伏储能设备，面临虚假数据注入和拒绝服务等网络攻击威胁。该研究的深度学习异常检测方法可集成到阳光云平台安全体系，实现实时威胁识别和防御。在电网侧储能场景下，网络攻击可能导致储能系统误动作，影响电网稳定。该C...
基于Transformer网络和专家优化器的小时级风电功率预测深度学习模型
A Deep Learning Model Using Transformer Network and Expert Optimizer for an Hour Ahead Wind Power Forecasting
Anushalini Thiyagarajan · B. Sri Revathi · Vishnu Suresh · IEEE Access · 2025年2月
精准的风电功率预测对可再生能源平台运行至关重要,可帮助电力系统更好地管理供应并保证电网可靠性。本文提出一种新型改进型孪生Transformer网络模型,采用多注意力机制增强对不同输入序列的关注能力,更好地捕捉风电预测的长期依赖关系。采用自适应山地瞪羚优化器对PID控制器参数进行微调,实现最小均方误差和THD。在1500kW容量的实时数据集上测试,MST-Net能够紧密跟踪实际功率趋势。
解读: 该深度学习预测技术可集成到阳光电源智慧风电云平台。通过Transformer架构实现高精度小时级风电功率预测,优化风电场能量管理和电网调度策略,降低弃风率,提升风电并网的经济性和可靠性,为大规模风电接入提供精准的功率预测支持。...
基于Transformer的电动汽车电池荷电状态估计模型
A Transformer-Based Model for State of Charge Estimation of Electric Vehicle Batteries
Metin Yılmaz · Eyüp Çinar · Ahmet Yazıcı · IEEE Access · 2025年2月
电池在电动汽车EV系统设备中发挥关键作用。这些应用的安全性和性能依赖准确的电池管理系统BMS来监测和优化电池性能。传统BMS系统因复杂化学过程和电池老化在充电预测过程中面临挑战，导致故障。完美传感器的缺失凸显外部因素特别是传感器噪声引起的测量问题的局限性。因此需要能解决现实世界电池充电预测问题的算法。本研究比较创新解决方案Transformer模型与传统长短期记忆LSTM、双向LSTM和支持向量回归SVR。本研究旨在使用NASA、BMW i3、斯坦福大学电池数据集和本研究收集的Musoshi品牌...
解读: 该Transformer模型SOC估计技术对阳光电源电池管理系统产品线有重要应用价值。阳光车载OBC和储能BMS需要高精度SOC估计来优化充电策略和电池保护。Transformer相比传统LSTM的性能优势值得阳光BMS算法借鉴。RMSE接近1的卓越精度可显著提升阳光BMS的SOC估计准确性。该技术...
基于卷积神经网络、小波神经网络与掩码多头注意力机制的全球辐照度预测模型
A Global Irradiance Prediction Model Using Convolutional Neural Networks, Wavelet Neural Networks, and Masked Multi-Head Attention Mechanism
Walid Mchara · Lazhar Manai · Mohamed Abdellatif Khalfa · Monia Raissi 等5人 · IEEE Access · 2025年2月
准确预测全球辐照度对光伏系统尤其是太阳能电动汽车的能量管理至关重要。传统模型难以捕捉辐照数据中复杂的时空依赖性，导致在多变天气条件下预测精度受限。本文提出一种融合卷积神经网络（CNN）、小波神经网络（WNN）与掩码多头注意力（MMHA）机制的新型混合框架CNN-WNN-MMHA。CNN提取局部空间特征，WNN进行频域分解以捕获多尺度变化，MMHA建模时间依赖并编码位置信息。模型在突尼斯八年实测气候数据上训练与验证，实验表明其性能显著优于LSTM、BiLSTM和CNN-LSTM等先进方法，MAPE...
解读: 该混合深度学习辐照度预测模型对阳光电源多条产品线具有重要应用价值。在SG系列光伏逆变器中，可优化MPPT算法的前瞻性控制，提前调整功率跟踪策略；在PowerTitan储能系统中，精准的辐照度预测可优化充放电调度策略，提升光储协同效率；在iSolarCloud智能运维平台中，该模型可增强预测性维护能力...
光伏发电场产量预测：基于改进元启发式优化的长短期记忆网络方法
Photovoltaic Farm Production Forecasting: Modified Metaheuristic Optimized Long Short-Term Memory-Based Networks Approach
Aleksandar Stojkovic · Bosko Nikolic · Miodrag Zivkovic · Nebojsa Bacanin · IEEE Access · 2025年1月
化石能源的有限性推动了可再生能源的发展，但其并网仍面临挑战。太阳能发电受天气影响显著，精确预测对电网调度与电力交易至关重要。本文研究基于轻量化长短期记忆网络（LSTM）结合注意力机制的模型，并提出一种改进的粒子群元启发式优化算法以优化超参数。基于印度两座光伏电站及塞尔维亚Mihailo Pupin研究所屋顶电站的实际数据进行实验，所提方法在多个指标上表现优异，最低均方误差达0.001812。通过TinyML验证了模型在边缘设备部署的可行性，填补了轻量化LSTM在该领域应用的研究空白。
解读: 该轻量化LSTM光伏预测技术对阳光电源iSolarCloud智能运维平台及PowerTitan储能系统具有重要应用价值。精确的发电预测可优化ST系列储能变流器的充放电策略，提升能量管理效率；改进的粒子群算法可用于SG系列逆变器MPPT参数自适应优化。TinyML边缘部署方案与阳光电源构网型GFM控制...
使用深度学习方法预测锂离子电池健康状态退化
Lithium-Ion Battery State of Health Degradation Prediction Using Deep Learning Approaches
Talal Alharbi · Muhammad Umair · Abdulelah Alharbi · IEEE Access · 2025年1月
及时预测锂离子电池健康状态对电池管理和寿命至关重要。传统集中式深度学习模型显示良好结果，但因需在单个节点收集和训练数据引发数据隐私担忧。本研究通过利用集中式即深度学习和分散式即联邦学习方法应对该挑战进行健康状态预测。使用包含充放电循环的NASA电池数据集进行模型训练和评估。集中式方法使用三种深度学习架构：1D卷积神经网络、CNN加长短期记忆网络和CNN加门控循环单元。1D CNN模型性能最佳展示强大预测能力，因此分散式学习即联邦学习中1D CNN模型与联邦平均技术在五个客户端使用，允许本地训练无...
解读: 该联邦学习电池诊断技术对阳光电源储能系统数据安全具有重要价值。阳光管理的大规模储能电站涉及海量电池数据，数据隐私和安全是核心关切。该联邦学习方法可在不上传原始数据的情况下实现全局模型优化，阳光可将该技术应用于BMS系统，实现跨电站的电池健康状态模型协同训练，提升诊断精度同时保护用户数据隐私，符合数据...
基于数值天气数据驱动的光伏数字孪生传感器数据生成：一种混合模型方法
Numerical Weather Data-Driven Sensor Data Generation for PV Digital Twins: A Hybrid Model Approach
Jooseung Lee · Jimyung Kang · Sangwoo Son · Hui-Myoung Oh · IEEE Access · 2025年1月
随着全球对环保政策的重视，可再生能源系统广泛应用，光伏（PV）系统因其易管理性备受青睐，而数字孪生（DT）技术则用于实现实时监控与管理。本文提出一种基于数值天气预报（NWP）数据的新型传感器数据生成模型，结合LSTM与GAN构建混合数据驱动框架，并引入融合Transformer的TransTimeGAN以捕捉15分钟级变化特征。模型在自研PV DT系统数据上训练验证，实验结果显示其在均方误差（7.84e-3）、动态时间规整（1.3769）、KL散度（0.9591）和标准差相似性（0.9671）等...
解读: 该混合数字孪生技术对阳光电源iSolarCloud智能运维平台及SG系列光伏逆变器具有重要应用价值。TransTimeGAN模型可基于NWP数据生成15分钟级高精度传感器数据，弥补实际电站传感器缺失或故障场景，为MPPT算法优化提供完整数据支撑。在PowerTitan储能系统中，该技术可实现光储协同...
级联H桥储能变流器的模块化冗余控制与容错运行策略
Integrated Spatiotemporal Hybrid Solar PV Generation Forecast Between Countries on Different Continents Using Transfer Learning Method
Bowoo Kim · Kaouther Belkilani · Gerd Heilscher · Marc-Oliver Otto 等6人 · IEEE Access · 2024年12月
级联H桥拓扑广泛应用于大规模储能系统,但模块故障会影响系统可用性。本文提出模块化冗余控制策略,通过动态拓扑重构和功率再分配实现故障模块的热插拔和容错运行,保证系统连续性。
解读: 该容错控制技术可应用于阳光电源ST系列大规模储能系统。通过模块化冗余设计提升系统可靠性,实现故障模块的在线维护,降低非计划停机损失,为电网侧储能和工商业储能提供高可用性保障。...
基于新型混合深度神经网络的电池SOC和SOH估计
Battery State of Charge and State of Health Estimation Using a New Hybrid Deep Neural Network Approach
Saeid Jorkesh · Ryan Ahmed · Saeid Habibi · Reza Hosseininejad 等5人 · IEEE Access · 2024年10月
电动汽车BEV采用增加推动电池管理系统BMS进步，以应对成本和续航焦虑等挑战，两者均与电池性能相关。本文研究各种荷电状态SOC和健康状态SOH估计方法，提出结合门控循环单元GRU和长短期记忆LSTM模型的新型混合神经网络。所提方法在SOH和SOC估计精度方面显示显著改进，所需训练数据最少。关键贡献包括(1)混合GRU-LSTM模型提升SOC/SOH精度，(2)自优化能力，(3)有效处理温度变化无需OCV-SOC查找表，(4)适用于各种锂电池类型。实验结果显示，该方法在-10°C至40°C温度范围...
解读: 该混合神经网络技术对阳光电源电池管理系统具有重要应用价值。阳光ST储能系统和OBC车载充电机需要高精度SOC和SOH估计以优化充放电策略和延长电池寿命。该GRU-LSTM混合模型在宽温度范围内的高精度（SOC误差2%、SOH误差0.65%）可集成到阳光BMS系统，提升电池状态估计准确性。在工商业储能...
基于竞争深度Q网络的移动边缘计算部分卸载与资源分配深度强化学习
Deep Reinforcement Learning With Dueling DQN for Partial Computation Offloading
Ehzaz Mustafa · Junaid Shuja · Faisal Rehman · Abdallah Namoun 等6人 · IEEE Access · 2025年5月
计算卸载将IoT设备资源密集型任务转移到强大边缘服务器，最小化延迟并降低计算负载。深度强化学习广泛用于优化卸载决策，但现有研究存在两大不足：未全面优化状态空间，且Q学习和DQN在大动作空间中难以辨别最优动作。本文提出多分支竞争深度Q网络MBDDQN，解决高维状态-动作空间和动态环境长期成本优化挑战。竞争DQN缓解同步卸载和资源分配决策复杂性，每个分支独立控制决策变量子集，随IoT设备增加高效扩展，避免组合爆炸。实施LSTM网络和独特优势-价值层增强短期动作选择和长期成本估计，提升模型时序学习能力...
解读: 该多分支强化学习技术可应用于阳光电源储能系统的智能调度优化。阳光ST储能变流器在电网侧和工商业场景面临多目标优化挑战，需同时考虑能耗、响应延迟和功率分配。该MBDDQN算法的自适应权重机制可集成到阳光EMS能量管理系统，实现储能系统在削峰填谷、调频调峰和需求响应等多场景下的动态优化。结合阳光iSol...
温室气候预测的深度学习创新：来自西班牙案例研究的见解
Deep Learning Innovations for Greenhouse Climate Prediction: Insights From a Spanish Case Study
Salma Ait Oussous · Dauris Madama Lail · Rachid El Bouayadi · Aouatif Amine · IEEE Access · 2025年4月
准确预测温室温度对有效气候控制和优化作物生产至关重要。本文研究深度学习DL模型和早期研究提出的Power LSTM模型在西班牙数据库上预测温室内部温度的性能。通过分析GRU、ANN、LSTM-ANN和LSTM-RNN等DL架构，对比评估PLSTM模型性能。结果显示PLSTM模型始终优于其他DL模型，R²达0.9999，RMSE和MAE显著更低，展示其处理温室条件时间序列预测的鲁棒性，为改进农业精准气候控制和智能温室系统开发提供关键工具。
解读: 该温室气候预测技术对阳光电源农业光伏和智慧农业应用有重要意义。阳光光伏+农业大棚解决方案需要精准的环境控制和能源管理。PLSTM深度学习模型可集成到阳光智慧农业系统，实现温室温度精准预测和智能调控。结合阳光光伏发电和储能系统，可优化温室供暖制冷能源使用，降低农业用能成本。该技术可进一步扩展到光伏电站...
输入长度对短期多步电力负荷预测准确性的影响：CNN-LSTM方法
The Effect of Input Length on Prediction Accuracy in Short-Term Multi-Step Electricity Load Forecasting: A CNN-LSTM Approach
Şeyda Özdemır · Yakup Demır · Özal Yildirim · IEEE Access · 2025年2月
准确的负荷预测对电力系统管理和规划至关重要。由于电能难以储存，短期电力负荷预测对系统运营商意义重大。本文提出创新混合深度学习模型，结合卷积神经网络CNN和长短期记忆LSTM网络，使用住宅用户实时小时数据进行短期多步负荷预测。模型在12种对称递增输入长度配置下测试，包含天气数据。结果表明增加输入长度可提升所有条件下的学习性能，输入长度大于输出长度可提高预测准确性，MAPE改善67%，RMSE改善70%。增加输入长度的多步预测性能优于单步预测。
解读: 该负荷预测技术对阳光电源户用光伏和储能系统的智能能量管理有重要应用价值。阳光户用光储系统需要准确的负荷预测来优化储能充放电策略和光伏自发自用率。CNN-LSTM混合模型可集成到阳光户用逆变器和储能系统控制算法中，结合天气数据和历史负荷实现精准多步预测。该技术可提升阳光户用系统经济性，降低用户电费，提...
模糊驱动医疗设备的电能质量评估与优化
Power Quality Assessment and Optimization in FUZZY-Driven Healthcare Devices
Dinesh Kumar Nishad · Saifullah Khalid · Rashmi Singh · IEEE Access · 2025年1月
模糊技术出现彻底改变医疗保健，赋能更智能医疗设备和设备。然而，这些模糊驱动系统的成功运行取决于高电能质量。本文引入创新模糊驱动能源管理系统，结合卷积神经网络CNN用于实时电能质量事件检测、长短期记忆LSTM网络用于预测分析以及强化学习用于优化控制。通过IEEE 13总线测试馈线广泛仿真，证明系统在检测和缓解电能质量扰动方面的卓越性能。基于CNN的检测在事件分类中达到97%准确率，而LSTM实现95%准确预测新兴问题。强化学习控制器相比传统方法，实现电压凹陷恢复快50%、谐波降低提升20%、停电期...
解读: 该电能质量管理技术对阳光电源储能系统在医疗等关键负荷场景具有重要参考。阳光PowerTitan工商业储能系统服务医院、数据中心等对电能质量要求极高的场所。该研究的CNN-LSTM-强化学习混合框架可集成到阳光储能变流器的智能控制系统，实现电能质量事件实时检测和快速响应。在医疗场景下，电压凹陷和谐波可...