找到 3 条结果 · Solar Energy
一种用于长期光伏和风电功率预测的细粒度频率分解框架
A fine-grained frequency decomposition framework for long-term photovoltaic and wind power forecasting
Peng Suna · Tingxiao Dinga · Jin Sua · Yuhan Yanga 等8人 · Solar Energy · 2025年1月 · Vol.301
准确预测太阳能和风能对于实现高效的电网集成至关重要。然而，现有的机器学习和深度学习方法在处理复杂且变化多端的时间序列数据时面临若干挑战，例如通用性有限、泛化能力不足，以及难以平衡计算效率与预测精度之间的关系。为应对这些挑战，本研究提出了一种细粒度频率分解框架（FDF），并设计了一种基于小波变换与下采样策略（连续采样和间隔采样）的序列分解方案。该框架旨在深入挖掘时间序列中的复杂时序模式，并充分捕捉长距离依赖关系。具体而言，FDF首先利用小波变换将原始时间序列分解为多个不同频率的分量；随后，对每个分...
解读: 该细粒度频率分解框架对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过小波变换与采样策略结合,可显著提升光伏功率预测精度(MAE降低7.65%),同时保持轻量化特性(0.29M参数)。该方法可集成至ST系列PCS的功率预测模块,优化PowerTitan储能系统的充放电策略制...
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1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...
通过给体取代策略调控锌卟啉基空穴传输材料的光伏参数
Tuning the photovoltaic parameters of ZnII porphyrin-based hole-transport materials by donor substitution strategy
Xueling Zhang · Kaiyan Zhang · Minmin Chen · Peng Song 等5人 · Solar Energy · 2025年1月 · Vol.292
我们采用量子化学方法对具有前景的实验分子MDA4（以Zn II卟啉环为核心，二芳胺为给体）以及基于该分子通过给体基团取代设计的分子（命名为MDA4-Z1、MDA4-Z2和MDA4-Z3）进行了理论研究，研究内容包括几何结构、电子性质、激发态性质及空穴迁移率等。研究结果表明，所设计的分子均具有优异的光吸收性能，有利于提高分子的短路电流密度。这些分子还表现出良好的电荷转移性能。与实验分子MDA4相比，所设计分子的最大吸收峰波长均发生蓝移。分子MDA4-Z1和MDA4-Z3的溶解性与实验分子MDA4相...
解读: 该卟啉基空穴传输材料研究对阳光电源SG系列光伏逆变器具有重要参考价值。MDA4-Z3分子展现的高空穴迁移率和优异光吸收特性,可启发组件端材料优化,提升光电转换效率和短路电流密度。其蓝移吸收特性有助于拓宽光谱响应范围,配合MPPT算法可实现更精准的最大功率点跟踪。该分子设计的供体取代策略为提升光伏系统...