找到 3 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...
储能装置布点以增强基于变换器的可再生能源系统的小信号稳定性
Placing Storage Energies for Enhancing Small-Signal Stability of Converter-Based-Renewable Systems
Hui Yuan · Yi Hao · Huanhai Xin · Linbin Huang 等6人 · IEEE Transactions on Industry Applications · 2025年2月
储能（SEs）具有双向功率调节的灵活性，因此它们通过电力电子变换器接入电力系统，以减少基于变换器的可再生能源（CBRs）（如太阳能和风能）带来的功率波动。然而，基于变换器的储能可能会通过电网与基于变换器的可再生能源相互作用，这增加了多基于变换器的可再生能源系统中锁相环（PLL）引起的小信号稳定性分析的复杂性和难度，尤其是在弱电网中。在此背景下，储能的配置方式如何影响锁相环引起的小信号稳定性仍不明确，特别是当储能从电网吸收有功功率时。为填补这一空白，本文从电网强度的角度分析了储能对多变换器系统中锁...
解读: 从阳光电源的业务视角来看，该论文针对储能系统（SE）在新能源并网系统中的优化配置问题提供了重要的理论指导，对公司储能与光伏协同解决方案具有显著价值。 论文揭示了储能系统在吸收有功功率模式下能够增强电网强度，进而改善锁相环（PLL）引发的小信号稳定性问题。这一发现对阳光电源的光储一体化系统设计具有直...
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...