找到 4 条结果 · Solar Energy
基于Kolmogorov-Arnold网络与timeGAN混合架构并结合考虑运行机制的数据增强的可解释光伏功率建模
Interpretable photovoltaic power modeling via Kolmogorov-Arnold network and timeGAN hybrid architecture with regime-aware data augmentation
Yuqiao Pan · Zhaocai Wang · Zuowen Tan · Zhihua Zhu · Solar Energy · 2025年1月 · Vol.302
摘要 光伏（PV）发电的波动性和随机性为其大规模并入电力系统带来了显著挑战，限制了太阳能作为一种清洁能源的充分开发利用。为解决这一问题，本研究提出了一种混合建模框架，协同融合数据预处理、特征扩展与先进的深度学习架构。首先，采用集成变分自编码器（VAE）进行特征选择与降维，并对数据进行季节性和昼夜模式划分；随后，利用 Ordering Points to Identify the Clustering Structure（OPTICS）算法识别内在的运行机制（regime），并通过TimeGAN生...
解读: 该Transformer-KAN混合架构对阳光电源SG系列光伏逆变器及iSolarCloud平台具有重要应用价值。通过VAE特征降维与TimeGAN数据增强,可显著提升光伏功率预测精度(RMSE降低29.51%),优化MPPT算法动态响应。regime-aware聚类识别可增强ST系列储能PCS的充...
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...
基于Hellinger距离和个体条件期望分析的光伏系统传感器故障检测与诊断
Sensor fault detection and diagnosis in photovoltaic systems using Hellinger Distance and Individual Conditional Expectation analysis
Fouzi Harrou · K. Ramakrishna Kinib · Muddu Madakyaru · Ying Suna · Solar Energy · 2025年1月 · Vol.298
准确的故障检测对于维持光伏（PV）系统的最佳性能并延长系统寿命至关重要。本文提出了一种结合偏最小二乘（PLS）回归与基于Hellinger距离（HD）的监控图的传感器故障检测与诊断方法，该方法在处理高维数据集中的多重共线性问题以及降维方面具有优势。PLS生成能够反映偏差的残差，随后利用基于HD的监控图对这些残差进行分析，其控制阈值通过核密度估计（KDE）确定。该方法增强了对多种传感器故障的敏感性，包括偏差、漂移（或老化）以及间歇性故障。在本研究中，通过向总辐射计和温度传感器中人为注入传感器故障，...
解读: 该传感器故障诊断技术对阳光电源SG系列光伏逆变器及iSolarCloud智能运维平台具有重要应用价值。PLS-HD方法可有效识别辐照度计和温度传感器的偏差、漂移及间歇性故障,提升MPPT优化精度和发电效率预测准确性。ICE可视化分析可集成至iSolarCloud预测性维护模块,实现故障溯源与诊断。该...
可解释性机器学习揭示杂化钙钛矿太阳能电池的光电转换效率
Interpretable machine learning insights of power conversion efficiency for hybrid perovskites solar cells
Yudong Shi · Jiansen Wen · Cuilian Wen · Linqin Jiang 等7人 · Solar Energy · 2025年1月 · Vol.290
摘要 杂化有机-无机钙钛矿（HOIPs）太阳能电池因其高能量转换效率、易于制备以及低成本等优势，在光伏领域展现出广阔的应用前景。随着人工智能的蓬勃发展，机器学习（ML）近年来已被用于新型HOIPs材料的设计。然而，由于现有机器学习模型缺乏可解释性，其在HOIPs材料设计中的实际应用受到较大限制。本文提出一种数据驱动的可解释性机器学习方法，用于提取影响基于HOIPs太阳能电池功率转换效率（PCE）的通用且简洁的描述符。研究突出提出了两个由易于获取参数构成的描述符，可用于准确预测PCE，其预测性能优...
解读: 该可解释机器学习技术为阳光电源光伏逆变器研发提供重要启示。通过数据驱动方法快速筛选高效钙钛矿电池,可优化SG系列逆变器的MPPT算法适配性。研究中提出的简化描述符预测方法,可应用于iSolarCloud平台的组件性能预测模型,实现电站级效率优化。结合GaN功率器件特性,该方法有助于加速新型光伏材料与...