找到 2 条结果 · IEEE Transactions on Industry Applications
基于Koopman算子的物理信息数据驱动可再生能源主导电力系统振荡抑制策略
Physics Informed Data-Driven Oscillation Stabilization Strategy for Renewable-Dominant Power Systems Based on Koopman Operator
Zihan Wang · Gengyin Li · Ziyang Huang · Xiaonan Zhang 等6人 · IEEE Transactions on Industry Applications · 2025年1月
随着波动性可再生能源发电（REGs）的高比例接入，振荡现象在全球范围内频繁出现。与传统电力系统中的低频振荡不同，以可再生能源为主导的电力系统中的振荡频率更高，涉及更多非线性因素，严重威胁着系统的稳定运行。振荡稳定控制设计的主要技术挑战在于以可再生能源为主导的电力系统具有非线性、复杂性，且难以获取其模型。为应对这一范式转变，本文提出了一种基于柯普曼算子（KO）的物理信息驱动的数据驱动振荡稳定控制（PDOS）策略，该策略具有强可解释性和高计算效率的优点。首先，基于柯普曼算子实现了非线性动态的全局线性...
解读: 从阳光电源的业务视角来看，这项基于Koopman算子的物理信息驱动振荡稳定技术具有重要的战略价值。随着全球新能源渗透率持续攀升，我们在实际项目中已观察到高频振荡问题日益突出，这与传统电力系统的低频振荡特性存在本质差异，对我们的光伏逆变器和储能系统控制策略提出了新挑战。 该技术的核心价值在于通过Ko...
基于增量贝叶斯随机配置网络的漂移环境概率风力预测
Probabilistic Wind Power Prediction Using Incremental Bayesian Stochastic Configuration Network Under Concept Drift Environment
Jizhong Zhu · Le Zhang · Di Zhang · Yixi Chen · IEEE Transactions on Industry Applications · 2024年9月
传统数据驱动的概率风力预测方法通常假设外部环境静态不变，而实际工业数据常受概念漂移影响，导致模型性能下降。为此，本文提出一种增量贝叶斯随机配置网络方法。该方法利用无需迭代的轻量级随机权值神经网络SCN建模变量与目标间的潜在关系，并结合贝叶斯推断更新输出层参数，构建概率预测模型BSCN。通过最大均值差异与连续排序概率评分检测虚拟与真实漂移，以真实漂移触发BSCN的增量学习，并设计特定更新策略实现模型自适应。实验表明，该方法在动态漂移环境中能持续学习新模式且不遗忘旧知识，显著提升预测精度。
解读: 该增量贝叶斯预测方法对阳光电源风电和储能产品线具有重要应用价值。首先可用于ST系列储能变流器的功率预测与调度优化，提升储能系统对风电波动的平抑效果。其次可集成到iSolarCloud平台，通过实时漂移检测和自适应学习提高风电场发电预测准确度，优化PowerTitan储能系统的调度策略。该方法的轻量级...