找到 2 条结果 · IEEE Transactions on Industry Applications
建筑中电池储能系统的能量管理与控制：实验验证与盈利性评估
Energy Management and Control of Battery Storage Systems in Buildings: Experimental Validation and Profitability Assessment
Lysandros Tziovani · Lenos Hadjidemetriou · Stelios Timotheou · IEEE Transactions on Industry Applications · 2025年8月
电池储能系统（BESS）可集成到建筑物中，以在可变电价方案下降低电费成本。然而，电池老化以及电池 - 逆变器组合系统的非线性效率给电池储能系统的优化管理带来了重大挑战。本研究针对建筑物中的电池储能系统，考虑电池老化和近似的逆变器 - 电池功率损耗模型，开发了一种能量管理优化方案。所提出的方案被构建为一个线性规划问题，可在长期时间范围内快速且可靠地求解，使其可用于运行和规划策略。利用该优化方案，提出了一种模型预测控制（MPC）方法，以解决因使用近似功率损耗模型而产生的建模误差问题。此外，利用该优化...
解读: 该建筑储能能量管理技术对阳光电源ST系列储能变流器和PowerTitan系统具有重要应用价值。研究中的优化控制策略可直接应用于C&I工商业储能场景，通过精准的峰谷套利算法和电池寿命管理模型，提升iSolarCloud云平台的智能调度能力。文章验证的电池老化与经济性平衡方法，可优化阳光电源ESS集成方...
基于物理雅可比信息的编码器-解码器神经网络用于非线性潮流回归
Physically Jacobian-Informed Encoder-Decoder ANNs for Nonlinear Power Flow Regression
Hao Yang · Kai Zheng · Wendong Su · Zhenglong Sun 等6人 · IEEE Transactions on Industry Applications · 2024年7月
潮流（PF）是电力系统稳态分析与控制的基础。传统的基于一组隐式非线性方程构建的模型驱动潮流计算方法采用牛顿 - 拉夫逊法进行迭代求解。然而，潮流计算的速度和收敛性会受到合适初值以及迭代过程效率的影响。数据驱动的潮流回归方法可以通过从潮流数据集学习显式映射函数来克服上述问题。但是，该方法仅实现了从潮流输入到输出的非线性映射，忽略了潮流计算中的物理规则，这可能导致精度和泛化能力较差。本文提出了一种基于物理雅可比信息的编解码器神经网络（NNs）用于潮流非线性回归。基于正向和反向潮流模型，构建了一种采用...
解读: 从阳光电源的业务实践来看，这项基于物理雅可比信息的神经网络潮流计算技术具有显著的工程应用价值。在新能源电站并网运行中，快速准确的潮流计算是实现主动电压支撑、功率调度优化和故障预判的基础。传统牛顿-拉夫逊迭代方法在高比例新能源接入场景下常面临收敛性问题，特别是在光伏、储能等分布式资源大规模并网时，系统...