找到 2 条结果 · IEEE Transactions on Sustainable Energy
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...
一种避免模仿现象的短期概率波浪能功率预测方法
A Mimicking-Avoiding Short-Term Probabilistic Power Forecasting Method for Wave Energies
Haoxuan Chen · Yinliang Xu · Hongbin Sun · IEEE Transactions on Sustainable Energy · 2024年10月
波浪能在可持续海洋开发中具有重要作用，但复杂的海洋气象条件导致波浪功率输出波动，引发预测中的模仿现象。此外，精确数值天气预报（NWP）数据的缺乏加剧了预测偏差。为此，本文提出一种序列特征感知（SCP）方法，并结合改进的混合模型——分位数自由损失门控循环单元核密度估计（QLB-GRU-KDE），用于浮式波浪能吸收系统的概率化功率预测。首先通过集成方法获取先验知识，再利用自由损失函数缓解模仿现象，并采用GRU与KDE融合模型实现概率预测。同时提出量化模仿严重程度的评估指标。基于真实波浪数据的实验验证...
解读: 该波浪能概率预测方法对阳光电源储能系统和智能运维平台具有重要借鉴价值。其提出的序列特征感知与QLB-GRU-KDE混合模型可迁移至ST系列储能变流器的功率预测场景，解决海上风电、光伏等新能源输出波动导致的预测'模仿现象'问题。该方法的分位数自由损失函数可优化iSolarCloud平台的预测性维护算法...