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...
考虑可再生能源发电商与共享储能合作的市场框架
A Market Framework Considering Cooperation Between Renewable Generators and Shared Energy Storage
Shaohua Zhang · Xian Wang · Ziyan Zhang · Jingjie Ma 等6人 · IEEE Transactions on Industry Applications · 2025年3月
风力和光伏等可再生能源生产商正越来越多地参与电力市场。然而，可再生能源的严重不确定性会导致显著的投标偏差，影响其在市场中的竞争力。在此背景下，与共享储能系统（SESS）合作对于可再生能源发电商解决这一问题具有巨大潜力。本研究提出了一种新颖的市场框架，其中包括一个由风力和光伏发电商与共享储能系统合作形成的合作式混合资源联盟（HRC），该联盟在日前市场中与火力发电商展开竞争。通过允许联盟内部进行电力共享，并使共享储能系统能够减轻投标偏差并利用市场套利，该市场框架显著提高了储能的利用率。基于此市场框架...
解读: 从阳光电源的业务视角来看，这项研究提出的"可再生能源与共享储能协同市场框架"具有重要战略价值，与公司"光储融合"解决方案高度契合。 该框架的核心创新在于构建风光储混合资源联盟参与日前市场竞价，通过共享储能系统（SESS）平抑可再生能源出力波动，同时实现市场套利。这与阳光电源当前推广的"1+X"模块...