找到 2 条结果 · IEEE Transactions on Sustainable Energy
基于增强多分位数损失的扩张因果卷积风速确定性预测与预测区间
Deterministic Forecasts and Prediction Intervals for Wind Speed Using Enhanced Multi-Quantile Loss Based Dilated Causal Convolutions
Adnan Saeed · Chaoshun Li · Qiannan Zhu · Belal Ahmad · IEEE Transactions on Sustainable Energy · 2025年2月
随着风电渗透率的提高，获取包含不确定性的风速预测对电力系统的规划与调度至关重要。本文提出一种改进的多分位数回归损失函数，可同时生成确定性预测及相应的预测区间。为提升模型效率，设计了一种基于多尺度扩张因果卷积的网络架构，并采用粒子群优化融合多尺度预测以获得最优结果。模型在NREL模拟数据及中国国家电网三个地点的实际运行数据上进行训练与验证，实验表明所提方法在模拟与真实场景下均具有优异的预测性能。
解读: 该风速预测技术对阳光电源储能和风电产品线具有重要应用价值。基于扩张因果卷积的预测方法可集成到ST系列储能变流器和PowerTitan系统的能量管理算法中，提升风储联合运行效率。其多分位数预测区间可优化储能调度策略，为风电波动性补偿提供更精确的容量预留。该方法也可应用于iSolarCloud平台，通过...
基于OWT-STGradRAM的超短期时空风速预测
Ultra-Short-Term Spatio-Temporal Wind Speed Prediction Based on OWT-STGradRAM
Feihu Hu · Xuan Feng · Huaiwen Xu · Xinhao Liang 等5人 · IEEE Transactions on Sustainable Energy · 2025年2月
考虑风电场中风机站点的方向与距离特征有助于提升风电功率预测精度。本文提出一种基于正交风向变换时空梯度回归激活映射（OWT-STGrad-RAM）的深度学习时空预测方法。该模型将风电场编码为图像，各风机作为图像中的点，通过时空融合卷积网络集成风速、温度和气压等多源数据进行特征融合与预训练，构建特征数据集。利用OWT消除不同主导风向的影响，结合STGrad-RAM刻画风机节点间的方位与距离关系，增强空间特征的可解释性，并用于风速预测。实验结果表明，所提方法在预测精度上显著优于对比模型。
解读: 该风速预测技术对阳光电源的储能和风电产品具有重要应用价值。OWT-STGradRAM模型通过深度学习实现的高精度风速预测，可优化ST系列储能变流器的调度策略和PowerTitan储能系统的容量配置。在风电场应用中，该技术可提升风电并网点功率预测精度，有助于改进储能系统的功率平滑控制和调频调峰性能。模...