找到 5 条结果 · Solar Energy
光伏温室的多目标优化建模与实地验证
Multi-objective optimization of photovoltaic greenhouses with modelling and field validation
Anuradha Tomar · Solar Energy · 2025年11月 · Vol.301
摘要 光伏温室（PVGHs）为粮食和能源生产提供了一种可持续的解决方案，尤其适用于无电网覆盖且水资源匮乏的地区。然而，其运行优化需要在发电效率、灌溉效率、作物品质和经济可行性等多个相互竞争的目标之间进行权衡管理。本研究提出了一种基于第一性原理并经过实地验证的多目标优化框架，专为光伏温室量身定制。该模型同时最大化四个目标：（i）光伏发电效率，（ii）基于水分利用效率的作物产量，（iii）综合果实品质，以及（iv）经济回报。与以往研究不同，该框架将一个动态品质指数——整合了糖度（°Brix）、硬度、...
解读: 该光伏温室多目标优化技术对阳光电源SG系列光伏逆变器及智能运维平台具有重要应用价值。研究中的动态MPPT优化与能量-作物-水资源协同控制理念,可融入iSolarCloud平台实现农光互补场景的精细化管理。其实时成本收益分析逻辑可启发SG逆变器在离网农业场景中的自适应控制策略开发,结合ST储能系统可构...
用于光伏系统中自动缺陷检测的机器学习方法
Machine learning approaches for automatic defect detection in photovoltaic systems
Swayam Rajat Mohanty · Moin Uddin Maruf · Vaibhav Singh · Zeeshan Ahmad · Solar Energy · 2025年9月 · Vol.298
摘要 太阳能光伏（PV）组件在制造、安装和运行过程中容易受到损坏，从而降低其光电转换效率。这种效率损失削弱了其在整个生命周期中的积极环境影响。通过无人机拍摄的图像对光伏组件进行运行期间的持续监测，对于及时修复或更换有缺陷的面板以维持高效率至关重要。结合计算机视觉技术，该方法为光伏电站中的缺陷监测提供了一种自动、非破坏性且成本效益高的工具。本文综述了当前基于深度学习的计算机视觉技术在太阳能组件缺陷检测中的应用现状。我们从多个层面比较和评估了现有的深度学习方法，包括图像类型、数据采集与处理方法、所采...
解读: 该机器学习缺陷检测技术对阳光电源智能运维体系具有重要价值。可集成至iSolarCloud平台,结合无人机巡检与深度学习算法,实现光伏电站组件缺陷的自动识别与预测性维护。技术可应用于SG系列逆变器的MPPT优化策略调整,通过识别组件热斑、隐裂等缺陷,动态优化发电效率。建议将物理约束神经网络与气象数据融...
通过多功能分源逆变器的解耦预测功率控制增强光伏功率采集与电网支撑
Enhanced PV power harvesting and grid support through decoupled predictive power control of multi-functional split-source inverter
Billel Talbi · Abbes Kihal · Abdelbasset Kram · Abdeslem Sahli 等6人 · Solar Energy · 2025年6月 · Vol.293
摘要 本文研究了一种采用分源逆变器（SSI）的新型多功能光伏并网逆变器（MF-PVGCI）结构，该结构相较于传统的阻抗源逆变器具有显著优势。所提出的MF-PVGCI能够根据太阳辐照度的可用性自适应地运行于三种不同模式：完全有源滤波器（F-APF）模式、部分有源滤波器（P-APF）模式以及有功功率注入（RPI）模式。为了提升系统性能，本文提出一种基于有限集模型预测控制策略的多目标控制结构，旨在最大化从光伏阵列中获取的功率，并以精确解耦的方式控制电网的有功和无功功率。该控制结构使SSI能够作为无功功...
解读: 该分源逆变器多功能控制技术对阳光电源SG系列并网逆变器具有重要应用价值。其基于有限集模型预测控制的有功无功解耦策略,可增强现有1500V系统的电网支撑能力,实现MPPT优化与无功补偿的协同运行。三种自适应运行模式(全APF/部分APF/实功率注入)的切换逻辑,可融入iSolarCloud平台的智能控...
基于多空间注意力LSTM的时序环境感知光伏性能预测框架
Temporal environment informed photovoltaic performance prediction framework with multi-spatial attention LSTM
Dou Hong · Fengze Li · Jieming Ma · Ka Lok Man 等6人 · Solar Energy · 2025年6月 · Vol.296
摘要 预测光伏（PV）系统的性能对于优化可再生能源利用至关重要。然而，传统的时间序列方法仅关注时间模式，忽略了环境变化的影响，而诸如局部遮挡等动态条件进一步增加了功率预测的复杂性。为应对由遮挡引起的变化，本文提出了一种时序与环境感知预测（TEIP）框架，该框架通过一种新颖的多空间注意力LSTM（MSAL）网络，动态整合时序与环境数据，从而提升光伏功率预测精度。该框架利用TE矩阵捕捉随时间变化的结构化环境条件，包括由局部遮挡引起的变异性。所设计的双分支MSAL模型通过空间特征提取对环境数据进行独特...
解读: 该TEIP框架的多空间注意力LSTM架构对阳光电源SG系列光伏逆变器和iSolarCloud平台具有重要应用价值。其时空环境矩阵建模方法可增强MPPT算法在局部遮挡场景下的动态响应能力,R²达0.952的预测精度可显著提升ST储能系统的充放电策略优化。建议将该框架集成至智能运维平台,结合虚拟同步发电...
基于无人机图像与粗糙集理论的光伏系统故障检测
Fault detection in photovoltaic systems using unmanned aerial vehicle-captured images and rough set theory
C.V.Prasshanth · S. Badri Narayanan · Naveen Venkatesh Sridharan · Sugumaran Vaithiyanathan · Solar Energy · 2025年4月 · Vol.290
摘要 随着光伏（PV）系统作为可持续能源的广泛应用，其性能因故障导致的退化问题日益突出，亟需高效的故障检测方法。本研究提出一种基于人工智能的方法，利用无人机（UAV）拍摄的图像实现对光伏组件的自动化检测。通过采用先进的特征提取技术，包括纹理分析、快速傅里叶变换（FFT）、灰度共生矩阵（GLCM）、灰度差异法（GLDM）以及离散小波变换（DWT），对图像数据进行深入分析。研究优化了一种基于粗糙集理论的规则分类器，当与DWT特征结合时，分类准确率达到100%。此外，还引入了数据增强技术以提升模型的鲁...
解读: 该无人机+粗糙集理论的光伏故障检测技术对阳光电源iSolarCloud智慧运维平台具有重要应用价值。通过DWT特征提取实现100%准确率的非接触式故障诊断,可与SG系列逆变器的MPPT优化算法协同,提升大型光伏电站的预测性维护能力。该AI驱动方法可集成至PowerTitan储能系统的智能监控模块,实...