找到 2 条结果 · IEEE Transactions on Sustainable Energy
近额定风速区大型风力机转子推力控制
Rotor Thrust Control for Large-Scale Wind Turbine in Near-Rated Wind Speed Region
Jiaqi Li · Siyuan Fan · Hua Geng · IEEE Transactions on Sustainable Energy · 2025年5月
为限制近额定风速区转子推力的最大值，本文提出一种适用于大型风力机的新型转子推力控制方案，包含推力辨识器、推力控制回路及前馈变桨控制器。基于叶素动量理论，通过简化叶片模型利用叶根面外弯矩实现转子推力在线辨识，并构建推力反馈控制环。进一步设计基于非线性动态逆的最小变桨饱和器（NDI-PS）作为前馈控制器，通过对推力系数曲线进行非线性动态逆实现变桨前馈补偿。仿真结果表明，所提方案在提升1%～1.5%发电功率的同时，叶根与塔底载荷降低约4%，性能优于NREL与金风现有控制器。
解读: 该研究的转子推力控制方案对阳光电源风电变流器产品线具有重要参考价值。其中推力辨识和非线性动态逆控制的思路可应用于我司SG系列风电变流器的控制算法优化，特别是在功率优化和载荷控制方面。通过引入类似的推力反馈控制环和前馈补偿机制，可提升风电变流器在近额定风速区的发电效率和可靠性。该技术还可与iSolar...
基于元强化学习的自适应可解释储能控制应对动态场景
Meta Reinforcement Learning Based Adaptive and Interpretable Energy Storage Control Meets Dynamic Scenarios
Yibing Dang · Jiangjiao Xu · Fan Yang · Changjun Jiang 等5人 · IEEE Transactions on Sustainable Energy · 2025年4月
随着可再生能源的广泛应用，储能系统在能量调度与经济套利中发挥关键作用。传统强化学习方法因泛化能力有限，在高动态环境下易出现性能下降。本文提出一种基于元强化学习的储能控制框架，包含离线训练与在线适应阶段，通过双循环更新机制和多任务学习获得高泛化性的初始参数，并结合Shapley值方法增强决策可解释性。实验表明，该模型在多种动态微网场景下适应性强，性能较传统方法提升20%至50%，且调度决策特征贡献分析符合人类直觉。
解读: 该元强化学习储能控制技术对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。其自适应双循环更新机制可显著提升储能系统在光伏出力波动、负荷变化等动态场景下的调度性能，相比传统方法提升20%-50%的经济效益直接增强产品市场竞争力。Shapley值可解释性分析可集成至iSol...