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...