找到 4 条结果 · IEEE Transactions on Power Systems
一种集成多源数值天气预报的短期非参数概率光伏功率预测两阶段集成学习框架
A Two-Stage Ensemble Learning Framework for Short-Term Nonparametric Probabilistic Photovoltaic Power Forecasting Integrating Multi-Source Numerical Weather Predictions
Hanting Zhao · Yao Zhang · Wei Huo · Fan Lin 等5人 · IEEE Transactions on Power Systems · 2025年9月
利用数值天气预报（NWP）进行短期太阳能功率概率预测（SSPPF）已被证明是一种提高太阳能整合与利用效率的有效方法。然而，大多数现有的SSPPF研究仅采用单源NWP，忽略了多源NWP在提高概率预测准确性和稳健性方面的潜在优势。本文提出了一种用于SSPPF的改进两阶段集成学习预测框架（ITS - ELFF）。ITS - ELFF将多源NWP作为关键的外部协变量，以生成多步分位数预测。在第一阶段，一组稳健且多样的基学习器提供初始分位数预测。在第二阶段，一个元学习器整合所有基学习器的分位数预测，以生成...
解读: 该两阶段集成学习框架对阳光电源iSolarCloud智能运维平台和SG系列光伏逆变器具有重要应用价值。通过融合多源NWP数据的非参数概率预测，可显著提升光伏电站功率预测精度，优化MPPT算法的前瞻性控制策略。在PowerTitan储能系统中，高精度概率预测能改进充放电调度决策，提升削峰填谷效果和电网...
基于解析神经网络高斯过程的机会约束电压调节方法用于含光伏、电池和电动汽车的主动配电网
Analytic Neural Network Gaussian Process Enabled Chance-Constrained Voltage Regulation for Active Distribution Systems With PVs, Batteries and EVs
Tong Su · Junbo Zhao · Yansong Pei · Yiyun Yao 等5人 · IEEE Transactions on Power Systems · 2024年11月
本文提出一种基于解析神经网络高斯过程（NNGP）的机会约束实时电压调节方法，适用于含光伏、储能和电动汽车的主动配电网。NNGP利用历史量测数据通过贝叶斯推断实现节点电压的实时概率估计，并被完全解析地嵌入最优潮流模型中，以适应多种拓扑变化。通过机会约束显式考虑电压估计的不确定性，显著提升了不同场景下电压调节的可靠性。在美国科罗拉多州西部实际759节点系统上的仿真结果表明，所提方法在多种拓扑下均能实现精确电压估计，并有效协调光伏、电池与电动汽车实现可靠电压调节。
解读: 该解析神经网络高斯过程电压调节技术对阳光电源多产品线协同控制具有重要价值。在ST储能系统方面，可将NNGP概率预测嵌入PowerTitan的能量管理系统，实现基于不确定性的机会约束优化调度，提升电压支撑可靠性。对于SG系列光伏逆变器，该方法可优化无功调节策略，在拓扑变化场景下保持电压稳定。在充电桩产...
面向不平衡AC-DC混合配电系统的动态区域化方法及其对分布式电源不确定性的分布鲁棒保障
Dynamic Regionalization for Unbalanced AC-DC Hybrid Distribution Systems With a Distributionally Robust Guarantee Against DG Uncertainty
Qianhao Sun · Yao Zhang · Yidan Zhou · Jiale Wang 等6人 · IEEE Transactions on Power Systems · 2024年7月
如今，在现代电力电子与信息通信技术的推动下，去中心化组织已成为交直流混合配电系统（DS）的新兴特征。这促使配电系统摒弃集中供电模式，转而将其划分为若干个自足的子网进行运行。本文提出了一种两阶段Wasserstein分布鲁棒优化（WDRO）框架，旨在为不平衡交直流混合配电系统提供动态分区策略。首先，提出了一种基于半定规划的三相动态分区策略，以确定子网的动态内部边界。并且，该分区策略通过利用软开关和相开关装置这两种新兴技术得以实现。然后，考虑到分布式电源的不确定性，建立了WDRO模型，以确保每个子网...
解读: 该研究提出的分布鲁棒动态区域化方法对阳光电源的AC-DC混合系统产品具有重要参考价值。特别适用于ST系列储能变流器和PowerTitan大型储能系统的多机并联控制，可提升系统在DG不确定性下的运行稳定性。通过Wasserstein距离建模的分布鲁棒优化方法，可优化SG系列光伏逆变器的MPPT控制策略...
基于卷积图神经网络与参数迁移的区域光伏功率短期概率预测
Short-Term Probabilistic Forecasting for Regional PV Power Based on Convolutional Graph Neural Network and Parameter Transferring
Fan Lin · Yao Zhang · Hanting Zhao · Wei Huo 等5人 · IEEE Transactions on Power Systems · 2024年11月
本文提出一种用于区域光伏功率短期概率预测的新型端到端深度学习模型，该模型具有局部-全局两层结构。在局部层，构建基于有向图的动态空间卷积图神经网络，以学习光伏电站的高维特征表示；在全局层，提出动态图池化方法，将局部特征聚合为全局表示，并映射为区域光伏功率的概率预测结果。为防止过拟合，引入基于参数迁移的训练策略。在公开真实数据上的实验表明，该模型可提供高质量且可靠的短期概率预测。
解读: 该区域光伏功率概率预测技术对阳光电源iSolarCloud智能运维平台具有重要应用价值。其卷积图神经网络可建模区域内多个光伏电站的空间关联性，为SG系列逆变器集群提供更精准的短期功率预测。概率预测结果可优化PowerTitan储能系统的充放电策略制定，通过预测区间合理配置储能容量，提升系统经济性。参...