找到 2 条结果 · IEEE Transactions on Industry Applications
可解释的物理深度学习模型用于架空输电线路覆冰厚度预测
Explainable Physical Deep-Learning Model for Overhead Transmission Line Icing-Thickness Prediction
Hui Hou · Yi Wan · Zhenguo Wang · Shaohua Wang 等6人 · IEEE Transactions on Industry Applications · 2025年7月
全球变暖导致极端天气事件频发，其中频繁发生的冰灾对电力系统的稳定性构成了重大威胁。随着预测模型复杂度的增加，必须同时确保其准确性和可解释性。因此，我们提出了一种用于架空输电线路覆冰厚度预测的可解释物理深度学习模型。首先，通过白鲸优化（BWO）方法构建了一个优化模型，该模型可使预测误差最小化。其次，将深度学习预测模型与物理模型和长短期记忆网络（LSTM）模型相结合。物理模型考虑了诸如风偏角、风荷载和冰荷载等物理定律。此外，我们使用沙普利加性解释法来阐释输入特征对输出特征及模型预测结果的影响。最后，...
解读: 该覆冰预测技术对阳光电源户外电力设备具有重要防护价值。针对ST系列储能变流器和PowerTitan大型储能系统的户外部署场景，可通过集成气象传感器与物理深度学习模型，实现设备覆冰风险的提前预警，触发主动加热或功率调节策略。对于SG系列光伏逆变器，该可解释AI方法可借鉴至iSolarCloud智能运维...
基于机器学习的光伏逆变器可靠性评估及其告警-环境变异性的考虑
Machine Learning-Driven Reliability Estimation of PV Inverters Considering Alert-Ambient Variability
Sukanta Roy · Alexander Stevenson · Shahid Tufail · Hugo Riggs 等6人 · IEEE Transactions on Industry Applications · 2024年12月
摘要：天气引发的时空劣化限制了户外光伏逆变器的使用寿命和可靠性，因此需要进行先进的数据分析。本研究采用自上而下、数据驱动的方法，利用多种机器学习（ML）算法来评估一座1.4兆瓦光伏电站中逆变器的可靠性，同时考虑了辐照度、湿度、温度、一天中的时间以及天气状况等因素。来自17台相同逆变器的大量警报数据集，包括警报类型、传播情况和发生频率，揭示了其与环境因素和逆变器输出功率之间的显著相关性，从而能够构建性能可靠性模型。对双阶段监督式机器学习模型的准确性进行了评估，其中人工神经网络（ANN）的“分类 -...
解读: 该机器学习驱动的可靠性评估技术对阳光电源SG系列光伏逆变器及ST储能变流器产品线具有重要应用价值。研究提出的告警-环境变异性分析框架可直接集成至iSolarCloud智能运维平台，通过融合温湿度、辐照度等多源环境参数与现场告警数据，实现对户外逆变器的精准寿命预测与预测性维护。该方法可优化阳光电源现有...