找到 3 条结果 · IEEE Transactions on Sustainable Energy
融合人工智能与基于物理的建模用于极端高温事件下的长期级联水电调度
Integrated Artificial Intelligence and Physics-Based Modeling for Long-Term Cascaded Hydropower Scheduling under Extreme Heat Events
Maryam Baghkarvasef · Masood Parvania · IEEE Transactions on Sustainable Energy · 2025年6月
极端热浪事件对水电站运行构成严峻挑战。本文结合人工智能与基于物理的模型，提出一种高效的长期调度框架，旨在极端高温期间最大化水力发电量。所提出的模型生成的水价值可用于指导短期调度策略制定。构建了考虑陆-气相互作用的物理蒸发模型（PEM），以刻画极端高温下水库蒸发量的变化，并采用多变量长短期记忆（M-LSTM）模型预测PEM及调度所需的关键输入参数。通过回归型机器学习算法拟合水电出力函数，实现了非线性、非凸特性的线性化集成。案例研究涵盖哥伦比亚河上11个级联水电站，结果表明该模型能有效优化水库调度，...
解读: 该研究的AI-物理混合建模方法对阳光电源PowerTitan储能系统与水光互补项目具有重要应用价值。其M-LSTM多变量预测模型可移植至iSolarCloud平台，用于极端气候下的储能系统热管理与功率预测，优化ST系列储能变流器的散热策略与功率调度。物理蒸发模型的陆-气耦合思路可启发储能电站的热力学...
一种基于机器学习的光伏系统在复杂局部遮阴条件下的全局最大功率点跟踪技术
A Machine Learning-Based Global Maximum Power Point Tracking Technique for a Photovoltaic Generation System Under Complicated Partially Shaded Conditions
Yi-Hua Liu · Yu-Shan Cheng · Yu-Chih Huang · IEEE Transactions on Sustainable Energy · 2024年12月
在局部遮阴条件下，光伏系统输出功率与电压关系呈多峰特性，导致全局最大功率点（GMPP）追踪困难。本文提出一种基于机器学习的两阶段GMPPT方法：第一阶段采用回归树预测GMPP大致位置，第二阶段利用α-扰动观察法精确捕获GMPP。通过建立仿真平台生成训练数据，优化并集成回归树模型。在252种遮阴模式下，平均跟踪损耗为2.13 W，平均响应时间0.11秒，准确识别出244种情况下的GMPP区间。实验结果表明，该方法在追踪精度和速度上均优于五种先进方法。
解读: 该机器学习GMPPT技术对阳光电源SG系列光伏逆变器的MPPT算法优化具有重要应用价值。当前SG逆变器在复杂遮阴场景下的多峰功率曲线处理仍依赖传统扰动观察法，易陷入局部最优。该研究提出的回归树+α-扰动观察两阶段方法，可将平均响应时间缩短至0.11秒，跟踪损耗降至2.13W，显著优于现有方案。建议将...
基于LightGBM与自注意力编码-解码网络的日前太阳能功率预测
Day-Ahead Solar Power Forecasting Using LightGBM and Self-Attention Based Encoder-Decoder Networks
Hossein Nourollahi Hokmabad · Oleksandr Husev · Juri Belikov · IEEE Transactions on Sustainable Energy · 2024年10月
可再生能源大规模并网带来的随机性与间歇性对电网可靠性与稳定性构成挑战，数据驱动的预测方法在缓解该问题中至关重要。然而，在历史数据不足的情况下，纯数据驱动模型性能往往受限。为此，本文提出一种融合物理模型与机器学习的新型日前光伏功率混合预测框架，提升低数据场景下的预测可靠性；同时针对数据丰富环境设计了一种创新的机器学习流水线。该方法包含针对不同天气条件定制的回归器组与基于自注意力的编码-解码网络，并通过元学习器融合双分支输出，显著提升了预测精度。实验结果表明，所提方法在测试数据集上优于基准模型。
解读: 该混合预测框架对阳光电源iSolarCloud智能运维平台及SG系列光伏逆变器具有重要应用价值。日前功率预测可直接集成至智能诊断系统，优化MPPT算法的前瞻性调度策略。针对ST系列储能变流器，精准的24小时功率预测能显著提升储能系统充放电策略优化，降低电网波动冲击。LightGBM与自注意力网络的双...