找到 4 条结果 · IEEE Transactions on Sustainable Energy
基于领域知识引导的特征与损失函数构建的可解释风电功率预测
Interpretable Wind Power Forecasting with Feature and Loss Function Construction Guided by Domain Knowledge
Yongning Zhao · Yuan Zhao · Yanxu Chen · Haohan Liao 等6人 · IEEE Transactions on Sustainable Energy · 2025年8月
针对当前风电功率预测方法缺乏领域知识融合导致精度与可解释性不足的问题，提出一种可解释的数据-知识融合超短期预测模型。通过历史风速输入构建风速-功率曲线生成理论输出，并结合实测数据作为模型输入；设计边界约束损失函数，利用alpha shape算法和局部加权线性回归提取功率上下边界并动态更新以捕捉波动特性；引入基于Jensen-Shannon散度的误差分布形状损失，促使训练误差逼近正态分布。在30个风电场的实验表明，该方法在各预测时域均优于基线模型，且在噪声与缺失数据下具有强鲁棒性。
解读: 该风电功率预测技术对阳光电源储能和智能运维产品线具有重要应用价值。特别是其基于领域知识的边界约束和误差分布优化方法,可直接应用于ST系列储能变流器的功率调度和PowerTitan系统的容量规划。通过将该预测算法集成到iSolarCloud平台,可提升风储联合项目的调度精度和经济性。其数据-知识融合的...
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...
一种用于增强并网型微电网可再生能源消纳的双向电氢系统分布式调度方法
A Distributed Dispatch of Bi-Directional Power and Hydrogen Systems for Enhancing the Renewable Energy Integration in Grid-Connected Microgrids
Longfei Li · Chenhui Lin · Ye Guo · Wenchuan Wu 等5人 · IEEE Transactions on Sustainable Energy · 2025年4月
以可再生能源为主的电力系统转型对实现碳中和至关重要。集中式可再生能源通常构成并网型微电网，受限于与主网的功率交换能力，导致可再生能源利用率不足。随着氢能成为关键能源载体，电制氢技术被广泛用于缓解弃风弃光问题。本文提出一种考虑电解槽动态特性和氢燃料电池系统的双向电氢系统协同调度模型，并设计基于混合整数线性规划的改进交替方向乘子法（I-ADMM），实现可再生能源与氢能系统的分布式协调调度。数值仿真验证了该方法在提升经济性与减少可再生能源弃用方面的有效性。
解读: 该双向电氢系统分布式调度技术对阳光电源PowerTitan储能系统和SG系列光伏逆变器具有重要应用价值。I-ADMM分布式优化算法可集成至iSolarCloud云平台，实现光伏-储能-制氢多能源协调调度，提升可再生能源消纳率。电解槽动态特性建模为ST储能变流器与制氢设备的协同控制提供理论基础，优化功...
基于重叠历史数值天气预报集成的日内风电功率预测
Intraday Wind Power Forecasting by Ensemble of Overlapping Historical Numerical Weather Predictions
Yongning Zhao · Shiji Pan · Yanxu Chen · Haohan Liao 等6人 · IEEE Transactions on Sustainable Energy · 2024年12月
数值天气预报（NWP）对提升日内风电功率预测（WPF）精度至关重要。然而，传统方法仅依赖最新单次NWP，忽略了时序发布且时间重叠的多段历史NWP中的隐含信息。为此，本文提出一种融合重叠历史NWP的时空表征学习网络。通过掩码-重构预训练策略提取风电与NWP的隐含特征，并结合端到端微调及硬参数共享的多任务学习机制，提升多风电场预测均衡性。基于5个真实风电场的实验表明，该方法在各预测时域均优于基线模型。
解读: 该风电功率预测技术对阳光电源储能和智能运维产品线具有重要应用价值。首先，可将其集成至ST系列储能系统的EMS能量管理模块，提升风储联合运行的调度精度。其次，该技术可优化iSolarCloud平台的新能源发电预测功能，通过多时序NWP数据融合提升预测准确度，为用户提供更可靠的发电计划和运维决策支持。特...