找到 2 条结果 · Solar Energy
无模型I-V曲线重构实现光伏系统全局柔性功率点跟踪
Model-free reconstruction of I-V curve for global flexible power point tracking of photovoltaic systems
Jun Yang · Qiao Peng · Haichuan Zhao · Tianqi Liu 等7人 · Solar Energy · 预计 2026年5月 · Vol.309
本文提出一种无需光伏系统数学模型的I-V曲线实时重构方法，结合在线测量与数据驱动拟合，支持动态阴影、老化等复杂工况下的全局最大功率点跟踪（GMPPT），提升多峰场景下能量捕获效率。
解读: 该技术可直接赋能阳光电源组串式逆变器（如SG系列）及iSolarCloud平台的智能MPPT算法升级，尤其适用于分布式工商业光伏中组件失配严重的场景。建议将该无模型重构方法嵌入ST系列PCS和PowerTitan储能系统的光储协同MPPT模块，增强弱光/局部遮挡下的功率追踪鲁棒性；同时为PowerS...
基于LSTM-XGBoost模型的光伏电站短期功率预测
Short-term power prediction of photovoltaic power station based on LSTM-XGBoost model
Chenyang Zhua · Yibo Tua · Qingya Weia · Yue Zanga 等11人 · Solar Energy · 2025年11月 · Vol.300
摘要 目前，由于太阳能本身具有变异性与不确定性，受天气条件、一天中的时间以及季节变化等因素影响，光伏发电功率的精确预测仍是一个重大挑战。传统的预测模型往往难以捕捉数据中复杂的时序依赖关系和非线性关系，导致预测精度不理想。为应对这些挑战，本文提出一种新颖的混合方法，结合深度学习与集成学习的优势。采用长短期记忆网络（LSTM）提取时间序列数据中的动态特征，通过捕获短期和长期依赖关系，提供对时序信息的稳健表征。极端梯度提升算法（XGBoost）则利用其强大的非线性建模能力和特征选择技术进一步优化预测结...
解读: 该LSTM-XGBoost混合预测模型对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过捕捉光伏发电的时序依赖性和非线性特征,可显著提升ST系列PCS的功率预测精度,优化PowerTitan储能系统的充放电策略。模型的SHAP可解释性分析有助于增强预测性维护能力,提升SG系...