找到 2 条结果 · IEEE Transactions on Sustainable Energy
基于气泡熵融合与SCAD正则化的鲁棒模糊认知图在光伏发电预测中的应用
Learning a Robust Fuzzy Cognitive Map Based on Bubble Entropy Fusion With SCAD Regularization for Solar Power Generation
Shoujiang Li · Jianzhou Wang · Hui Zhang · Yong Liang · IEEE Transactions on Sustainable Energy · 2025年2月
精确可靠的光伏功率预测对智能电网的经济调度与稳定运行至关重要。针对太阳能固有的间歇性、非平稳性和随机性导致现有方法难以满足高精度预测需求的问题，本文提出一种结合气泡熵与平滑截断绝对偏差（SCAD）正则化的模糊认知图（FCM）预测方法（BesFCM）。该方法利用气泡熵融合两种模态分解技术以增强光伏数据特征的稳定性与判别性，构建融合模糊逻辑、神经网络与专家系统的FCM模型，并引入高阶SCAD正则化学习机制抑制过拟合，提升模型鲁棒性与泛化能力。实验结果表明，该方法在比利时多区域、多采样间隔的光伏数据集...
解读: 该鲁棒模糊认知图预测技术对阳光电源iSolarCloud智能运维平台和PowerTitan储能系统具有重要应用价值。其气泡熵融合与SCAD正则化方法可显著提升光伏功率预测精度，直接优化SG系列逆变器的MPPT算法和功率预测模块。在储能侧，精准的发电预测能改进ST系列储能变流器的充放电策略，降低备用容...
一种基于迁移学习的集成稀疏门控图密度网络用于多站点可再生能源概率预测
An Integrated Sparse Gated Graph Density Network Based on Transfer Learning for Multi-Site Probabilistic Forecasting of Renewable Energy
Kang Wang · Jianzhou Wang · Zhiwu Li · Yilin Zhou · IEEE Transactions on Sustainable Energy · 2024年10月
大规模新能源并网对智能电网的安全高效运行带来严峻挑战。可再生能源概率预测（REPF）技术可分析发电不确定性，量化风险平衡，防止电网崩溃。然而，现有依赖时空图的方法难以准确估计可再生能源的概率密度函数（PDF），导致对分布式发电系统的不确定性分析不足。为此，本文提出一种融合迁移学习的集成稀疏门控图密度网络（ISGGDN）。该模型结合交叉注意力与残差连接，构建稀疏门控图动态卷积网络，有效提取站点间空间特征及时空交互关系，提升概率预测精度。同时，设计多种迁移学习微调策略，增强特征迁移能力。基于相邻多站...
解读: 该ISGGDN多站点概率预测技术对阳光电源iSolarCloud智能运维平台及PowerTitan储能系统具有重要应用价值。通过稀疏门控图网络捕捉分布式光伏电站间时空关联，可显著提升SG系列逆变器集群的功率预测精度，为ST系列储能变流器提供更准确的充放电调度依据。其概率密度函数估计能力可优化储能系统...