找到 2 条结果 · IEEE Transactions on Industry Applications
基于隐私保护的多分布式储能系统运行的分布式状态分解凸优化
Privacy-Preserving-Based Distributed State-Decomposition Convex Optimization for Multi-DESS Operations
Yajie Jiang · Noven Lee · Yici Wang · Xiangrong Zhang 等6人 · IEEE Transactions on Industry Applications · 2025年3月
分布式凸优化策略广泛用于分布式储能系统（DESSs）之间的电压调节和电流分配。同时，基于一致性的二次控制方法被普遍采用，但在显式交换信息时存在泄露初始状态信息的风险。为解决这一问题，本文提出了一种用于直流网络电流分配的分布式状态分解凸优化（DSDCO）方法，以确保保护 DESSs 的初始状态。在 DSDCO 中，实施了一种状态分解策略，即将每个 DESS 的状态变量分解为两个具有随机初始值的子状态变量。其中一个子变量用于外部一致性控制，以保护节点的真实初始状态，而另一个子变量则管理内部动态以实现...
解读: 该隐私保护分布式优化技术对阳光电源ST系列储能系统和PowerTitan大型储能集群具有重要应用价值。在多储能单元协同运行场景中，该方法可应用于：1）ST2236/2500储能变流器的并联运行，通过状态分解凸优化实现电压调节与电流均衡，避免传统集中式控制中的敏感参数暴露；2）PowerTitan储能...
面向多方风电功率预测的隐私保护自适应联邦深度学习
Privacy-Preserving and Adaptive Federated Deep Learning for Multiparty Wind Power Forecasting
Yi Wang · Qinglai Guo · IEEE Transactions on Industry Applications · 2024年7月
先进的预测工具对于现代电力系统减轻可再生能源的不确定性至关重要。尽管数据驱动的方法在风电预测方面取得了显著进展，但数据可用性有限阻碍了其有效性。严格的数据监管规则和竞争利益使得相邻风电场无法整合数据集以学习更准确的预测模型。为应对这一挑战，我们提出了 SecFedAProx - LSTM，这是一种结合深度学习模型和隐私保护自适应联邦学习框架的新型风电预测方法。该方法动态调整局部优化目标，以在全局收敛性能和探索个体特征之间取得平衡，从而解决统计异质性问题。此外，它采用去中心化多客户端功能加密进行安...
解读: 从阳光电源的业务视角来看，本文提出的隐私保护自适应联邦学习风电预测方法具有重要的战略参考价值。虽然研究聚焦于风电场景，但其核心技术框架可直接迁移至光伏功率预测、储能系统优化及多能源协同管理等阳光电源的核心业务领域。 该技术的核心价值在于突破了数据孤岛困境。当前阳光电源在全球部署了大量光伏电站和储能...