找到 3 条结果 · IEEE Transactions on Sustainable Energy
HiGN-ARec：一种用于空间层级光伏功率预测的自适应协调分层图网络
HiGN-ARec: A Hierarchical Graph Network with Adaptive Reconciliation for PV Power Forecasting in Spatial Hierarchy
Yanru Yang · Ping Wang · Shaolong Shu · Feng Lin · IEEE Transactions on Sustainable Energy · 2025年8月
在具有层级结构的电网中，光伏（PV）功率预测至关重要。本文提出一种端到端深度网络HiGN-ARec，可同时预测各层级的光伏功率。该模型包含基础预测与协调两部分：基础预测部分结合先进的时空模块与跨层级交互模块，充分挖掘层级内与层级间信息；协调部分引入可学习的协调矩阵P和聚合矩阵S，以实现预测结果的动态调整与层级一致性约束。实验基于美国国家可再生能源实验室（NREL）的合成数据验证了方法的有效性，结果表明所提方法优于现有对比方法。
解读: 该分层图网络光伏功率预测技术对阳光电源iSolarCloud智能运维平台及SG系列光伏逆变器具有重要应用价值。其层级化预测架构可直接应用于分布式光伏电站的多层级功率管理：从单台SG逆变器到汇流箱、再到区域电站的全链条预测。自适应协调机制能确保各层级预测一致性，可优化PowerTitan储能系统的充放...
可解释性增强模糊集用于配电鲁棒最优调度中区域风电不确定性量化
Interpretable Augmented Ambiguity Set for Quantifying Regional Wind Power Uncertainty in Distributionally Robust Optimal Dispatch
Zhuo Li · Lin Ye · Ming Pei · Xuri Song 等6人 · IEEE Transactions on Sustainable Energy · 2025年7月
大规模风电并网给电力系统运行带来严峻的不确定性挑战。本文提出一种基于深度学习的可解释增强模糊集，用于分布鲁棒优化框架下的两阶段经济调度，以精确刻画区域风电不确定性。该模糊集融合各风电场细粒度误差模型及站点间交互依赖关系。首次提出多教师知识蒸馏-时间生成对抗网络（MKD-time GAN），通过级联学习机制构建单风电场预测误差的球形模糊集；进一步结合Nataf变换将多个模糊集映射为表征区域联合误差分布的增强模糊集，并推导出可 tractable 的两阶段调度求解算法。IEEE 118节点系统验证了...
解读: 该研究提出的深度学习增强模糊集方法对阳光电源的储能和风电产品线具有重要应用价值。具体而言：1) 可应用于ST系列储能变流器的调度优化,提升大规模风储联合系统的经济性和可靠性；2) 其多教师知识蒸馏框架可优化PowerTitan储能系统的功率预测算法,提高调度精度；3) 研究的区域联合误差建模方法可用...
基于时空信息增益嵌入图结构学习的风电场群超短期功率预测
Ultra-Short-Term Prediction of Wind Farm Cluster Power Based on Embedded Graph Structure Learning With Spatiotemporal Information Gain
Mao Yang · Yunfeng Guo · Fulin Fan · IEEE Transactions on Sustainable Energy · 2024年9月
风电场群超短期功率预测对日内发电计划制定具有重要意义，但受天气系统混沌效应及信息不完整性影响，预测精度提升困难。本文提出一种融合时空信息增益（STIG）理论的风电场群嵌入图结构学习方法，基于风电场间功率波形的时空传递关系构建描述信息演化关联的图结构。提出嵌入式图注意力网络（EGAN）以学习风电场间的STIG邻接关系，并构建基于STIG距离的动态冗余节点分组策略降低建模复杂度。在中国内蒙古风电场群的应用结果表明，所提方法在各时间尺度下NRMSE、NMAE和MAPE平均降低2.63%、2.09%和2...
解读: 该风电场群超短期功率预测技术对阳光电源储能系统和智能运维产品具有重要应用价值。在PowerTitan大型储能系统中，可基于时空信息增益图结构学习实现风储联合调度的精准功率预测，优化ST系列储能变流器的充放电策略制定，提升日内发电计划准确性。嵌入式图注意力网络（EGAN）可集成至iSolarCloud...