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...
基于矩阵编码的主级虚假数据注入攻击影响缓解方法
Matrix Coding Enabled Impact Mitigation Against Primary False Data Injection Attacks in Cyber-Physical Microgrids
Mengxiang Liu · Xin Zhang · Chengcheng Zhao · Ruilong Deng · IEEE Transactions on Power Systems · 2025年1月
针对网络物理微电网中主级虚假数据注入攻击（PFDIA）的影响缓解问题，提出一种高效轻量的防御方案。该方法通过可逆编码矩阵对传输测量值进行交替编码，并在检测到攻击后触发两个半下采样未知输入观测器，利用编码与未编码数据的残差递推重构完整偏差向量，进而消除恶意影响。通过优化编码矩阵，在保证重构稳定性与隐蔽性的同时抑制系统噪声对精度的影响。实验验证了该方案的有效性、鲁棒性与低开销特性。
解读: 该矩阵编码防御技术对阳光电源PowerTitan储能系统及ST系列储能变流器的网络安全防护具有重要应用价值。在大型储能电站中，iSolarCloud云平台需实时采集海量测量数据（电压、电流、SOC等），易遭受FDIA攻击导致BMS误判或功率调度失控。该方案的轻量级编码机制可集成至储能PCS通信模块，...
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...