找到 63 条结果
基于天气的光伏功率随机模拟的双向LSTM与基于风格的生成对抗网络
Bi-LSTM and Style-Based Generative Adversarial Network for Stochastic Simulation of Photovoltaic Power Generation Based on Weather
Chunyu Zhang · Xueqian Fu · Zhengshuo Li · IET Power Electronics · 2025年7月 · Vol.18
本文提出一种基于天气场景生成模型的潮流分析方法，该方法能够生成具有真实概率特性、时间特征及全年多样化变化的大量逐小时天气场景，从而全面分析电力系统潮流。通过结合双向长短期记忆网络与基于风格的生成对抗网络，模型有效捕捉气象变量的时序依赖性与多模态分布特征，提升光伏出力随机模拟的精度与多样性，为电网运行与规划提供可靠的输入场景。
解读: 该Bi-LSTM与StyleGAN融合的光伏功率随机模拟技术对阳光电源iSolarCloud智能运维平台及SG系列逆变器控制策略具有重要应用价值。模型生成的高精度逐小时天气-功率场景可直接用于：1）iSolarCloud平台的预测性维护模块，通过多样化场景模拟提升发电量预测准确性；2）ST储能系统的...
面向多方风电功率预测的隐私保护自适应联邦深度学习
Privacy-Preserving and Adaptive Federated Deep Learning for Multiparty Wind Power Forecasting
Yi Wang · Qinglai Guo · IEEE Transactions on Industry Applications · 2024年7月
先进的预测工具对于现代电力系统减轻可再生能源的不确定性至关重要。尽管数据驱动的方法在风电预测方面取得了显著进展，但数据可用性有限阻碍了其有效性。严格的数据监管规则和竞争利益使得相邻风电场无法整合数据集以学习更准确的预测模型。为应对这一挑战，我们提出了 SecFedAProx - LSTM，这是一种结合深度学习模型和隐私保护自适应联邦学习框架的新型风电预测方法。该方法动态调整局部优化目标，以在全局收敛性能和探索个体特征之间取得平衡，从而解决统计异质性问题。此外，它采用去中心化多客户端功能加密进行安...
解读: 从阳光电源的业务视角来看，本文提出的隐私保护自适应联邦学习风电预测方法具有重要的战略参考价值。虽然研究聚焦于风电场景，但其核心技术框架可直接迁移至光伏功率预测、储能系统优化及多能源协同管理等阳光电源的核心业务领域。 该技术的核心价值在于突破了数据孤岛困境。当前阳光电源在全球部署了大量光伏电站和储能...
基于真实同步波形测量数据的逆变型资源次周期动态数据驱动建模
Data-Driven Modeling of Sub-Cycle Dynamics of Inverter-Based Resources Using Real-World Synchro-Waveform Measurements
Hossein Mohsenzadeh-Yazdi · Fatemeh Ahmadi-Gorjayi · Hamed Mohsenian-Rad · IEEE Transactions on Power Delivery · 2025年6月
随着逆变型资源（IBRs）在现代电力系统中的广泛接入，亟需能够准确捕捉其扰动下动态响应的建模方法。本文提出三种基于长短期记忆（LSTM）网络的新型数据驱动方法，用于建模IBRs在次周期扰动下的动态响应。利用加利福尼亚某试验 site 安装的波形测量单元（WMUs）采集的真实电压电流波形数据，构建并验证模型。所提方法在LSTM结构和特征提取方面各有差异，并进一步提出两种策略，通过分析两个IBRs的时序同步波形数据，实现模型在不同IBR间的复用或调整。实验结果表明，即使模型源自不同IBR，仍具有高精...
解读: 该研究对阳光电源的SG系列光伏逆变器和ST系列储能变流器的动态响应建模具有重要应用价值。通过LSTM网络对IBR次周期动态特性的精确建模，可以优化我司产品的GFL/GFM控制策略，提升大规模新能源并网场景下的系统稳定性。研究中提出的模型复用方法，可用于快速开发不同容量等级产品的控制参数，显著提升产品...
输入长度对短期多步电力负荷预测准确性的影响：CNN-LSTM方法
The Effect of Input Length on Prediction Accuracy in Short-Term Multi-Step Electricity Load Forecasting: A CNN-LSTM Approach
Şeyda Özdemır · Yakup Demır · Özal Yildirim · IEEE Access · 2025年2月
准确的负荷预测对电力系统管理和规划至关重要。由于电能难以储存，短期电力负荷预测对系统运营商意义重大。本文提出创新混合深度学习模型，结合卷积神经网络CNN和长短期记忆LSTM网络，使用住宅用户实时小时数据进行短期多步负荷预测。模型在12种对称递增输入长度配置下测试，包含天气数据。结果表明增加输入长度可提升所有条件下的学习性能，输入长度大于输出长度可提高预测准确性，MAPE改善67%，RMSE改善70%。增加输入长度的多步预测性能优于单步预测。
解读: 该负荷预测技术对阳光电源户用光伏和储能系统的智能能量管理有重要应用价值。阳光户用光储系统需要准确的负荷预测来优化储能充放电策略和光伏自发自用率。CNN-LSTM混合模型可集成到阳光户用逆变器和储能系统控制算法中，结合天气数据和历史负荷实现精准多步预测。该技术可提升阳光户用系统经济性，降低用户电费，提...
基于新型混合深度神经网络的电池SOC和SOH估计
Battery State of Charge and State of Health Estimation Using a New Hybrid Deep Neural Network Approach
Saeid Jorkesh · Ryan Ahmed · Saeid Habibi · Reza Hosseininejad 等5人 · IEEE Access · 2024年10月
电动汽车BEV采用增加推动电池管理系统BMS进步，以应对成本和续航焦虑等挑战，两者均与电池性能相关。本文研究各种荷电状态SOC和健康状态SOH估计方法，提出结合门控循环单元GRU和长短期记忆LSTM模型的新型混合神经网络。所提方法在SOH和SOC估计精度方面显示显著改进，所需训练数据最少。关键贡献包括(1)混合GRU-LSTM模型提升SOC/SOH精度，(2)自优化能力，(3)有效处理温度变化无需OCV-SOC查找表，(4)适用于各种锂电池类型。实验结果显示，该方法在-10°C至40°C温度范围...
解读: 该混合神经网络技术对阳光电源电池管理系统具有重要应用价值。阳光ST储能系统和OBC车载充电机需要高精度SOC和SOH估计以优化充放电策略和延长电池寿命。该GRU-LSTM混合模型在宽温度范围内的高精度（SOC误差2%、SOH误差0.65%）可集成到阳光BMS系统，提升电池状态估计准确性。在工商业储能...
模糊驱动医疗设备的电能质量评估与优化
Power Quality Assessment and Optimization in FUZZY-Driven Healthcare Devices
Dinesh Kumar Nishad · Saifullah Khalid · Rashmi Singh · IEEE Access · 2025年1月
模糊技术出现彻底改变医疗保健，赋能更智能医疗设备和设备。然而，这些模糊驱动系统的成功运行取决于高电能质量。本文引入创新模糊驱动能源管理系统，结合卷积神经网络CNN用于实时电能质量事件检测、长短期记忆LSTM网络用于预测分析以及强化学习用于优化控制。通过IEEE 13总线测试馈线广泛仿真，证明系统在检测和缓解电能质量扰动方面的卓越性能。基于CNN的检测在事件分类中达到97%准确率，而LSTM实现95%准确预测新兴问题。强化学习控制器相比传统方法，实现电压凹陷恢复快50%、谐波降低提升20%、停电期...
解读: 该电能质量管理技术对阳光电源储能系统在医疗等关键负荷场景具有重要参考。阳光PowerTitan工商业储能系统服务医院、数据中心等对电能质量要求极高的场所。该研究的CNN-LSTM-强化学习混合框架可集成到阳光储能变流器的智能控制系统，实现电能质量事件实时检测和快速响应。在医疗场景下，电压凹陷和谐波可...
面向直流微电网的PINN混合网络防御机制：抵御重放/虚假数据注入攻击的弹性可靠控制
Hybrid Cyber Defense Mechanism With PINN for Resilient and Reliable Control Against Replay/ FDI Attacks in DC Microgrid Systems
Venkata Siva Prasad Machina · Sriranga Suprabhath Koduru · Sreedhar Madichetty · Sukumar Mishra · IEEE Transactions on Industry Applications · 2025年10月 · Vol.62
本文提出一种融合双向LSTM自编码器、互相关分析与物理信息神经网络（PINN）的混合网络防御框架，用于检测并抑制直流微电网中的重放和虚假数据注入攻击，结合卡尔曼滤波器保障控制稳定性，已在MATLAB/Simulink及实验平台验证其95%以上检测精度与实时性。
解读: 该研究对阳光电源PowerTitan、PowerStack等储能系统在微电网场景下的网络安全防护具有直接参考价值，尤其适用于iSolarCloud平台接入的分布式光储系统。其轻量化PINN+Bi-LSTM算法可嵌入ST系列PCS本地控制器（如ST50K），增强边缘侧攻击识别与自主恢复能力；建议在新一...
温室气候预测的深度学习创新：来自西班牙案例研究的见解
Deep Learning Innovations for Greenhouse Climate Prediction: Insights From a Spanish Case Study
Salma Ait Oussous · Dauris Madama Lail · Rachid El Bouayadi · Aouatif Amine · IEEE Access · 2025年4月
准确预测温室温度对有效气候控制和优化作物生产至关重要。本文研究深度学习DL模型和早期研究提出的Power LSTM模型在西班牙数据库上预测温室内部温度的性能。通过分析GRU、ANN、LSTM-ANN和LSTM-RNN等DL架构，对比评估PLSTM模型性能。结果显示PLSTM模型始终优于其他DL模型，R²达0.9999，RMSE和MAE显著更低，展示其处理温室条件时间序列预测的鲁棒性，为改进农业精准气候控制和智能温室系统开发提供关键工具。
解读: 该温室气候预测技术对阳光电源农业光伏和智慧农业应用有重要意义。阳光光伏+农业大棚解决方案需要精准的环境控制和能源管理。PLSTM深度学习模型可集成到阳光智慧农业系统，实现温室温度精准预测和智能调控。结合阳光光伏发电和储能系统，可优化温室供暖制冷能源使用，降低农业用能成本。该技术可进一步扩展到光伏电站...
级联H桥储能变流器的模块化冗余控制与容错运行策略
Integrated Spatiotemporal Hybrid Solar PV Generation Forecast Between Countries on Different Continents Using Transfer Learning Method
Bowoo Kim · Kaouther Belkilani · Gerd Heilscher · Marc-Oliver Otto 等6人 · IEEE Access · 2024年12月
级联H桥拓扑广泛应用于大规模储能系统,但模块故障会影响系统可用性。本文提出模块化冗余控制策略,通过动态拓扑重构和功率再分配实现故障模块的热插拔和容错运行,保证系统连续性。
解读: 该容错控制技术可应用于阳光电源ST系列大规模储能系统。通过模块化冗余设计提升系统可靠性,实现故障模块的在线维护,降低非计划停机损失,为电网侧储能和工商业储能提供高可用性保障。...
基于多层长短期记忆网络的光伏电站数据完整性攻击检测与诊断
Detection and Diagnosis of Data Integrity Attacks in Solar Farms Based on Multilayer Long Short-Term Memory Network
Fangyu Li · Qi Li · Jinan Zhang · Jiabao Kou 等7人 · IEEE Transactions on Power Electronics · 2021年3月
随着光伏系统数字化程度提高，网络安全威胁日益严峻。本文提出一种基于深度序列学习的诊断方案，利用多层长短期记忆网络（LSTM）检测并识别光伏电站中的数据完整性攻击，为电力电子变换器的网络物理安全提供有效防护。
解读: 随着阳光电源iSolarCloud平台接入规模的扩大，电站数据安全已成为运维核心。该研究提出的多层LSTM诊断模型可直接集成至iSolarCloud的智能运维算法库中，用于实时监测组串式逆变器及PowerTitan储能系统的遥测数据异常。通过识别数据完整性攻击，可有效防止恶意指令导致的逆变器误动作或...
基于短历史数据的长短期记忆模型锂离子电池SOH估计
Lithium-Ion Battery SOH Estimation Based on a Long Short-Term Memory Model Using Short History Data
Wenbin Li · Changwei Lin · Seyedmehdi Hosseininasab · Lennart Bauer 等5人 · IEEE Transactions on Power Electronics · 2025年5月
本文针对电动汽车电池管理系统（BMS），提出了一种基于短时充电历史数据的锂离子电池健康状态（SOH）估计方法。该数据驱动模型利用长短期记忆（LSTM）网络，解决了实际应用中因部分充放电循环导致的SOH估计难题，实现了在灵活电压范围下的高精度健康状态评估。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及ST系列PCS）具有极高价值。目前储能系统在电网侧和工商业侧常面临频繁的浅充浅放，传统的基于全周期数据的SOH估算精度受限。引入基于LSTM的短历史数据估算模型，可显著提升iSolarCloud平台对电池衰减的预测精度，优化电池...
基于电压异常结合长短期记忆神经网络与等效电路模型的电动汽车电池故障诊断
Battery Fault Diagnosis for Electric Vehicles Based on Voltage Abnormality by Combining the Long Short-Term Memory Neural Network and the Equivalent Circuit Model
Da Li · Zhaosheng Zhang · Peng Liu · Zhenpo Wang 等5人 · IEEE Transactions on Power Electronics · 2021年2月
本文提出了一种结合长短期记忆（LSTM）神经网络与等效电路模型的电池故障诊断新方法。通过改进的自适应提升算法提高诊断精度，并利用预判模型降低计算负载，有效提升了电动汽车电池系统的运行安全性与可靠性。
解读: 该技术对阳光电源的储能业务（如PowerTitan、PowerStack）具有重要参考价值。储能系统本质上是大规模电池组的集成，其安全性与BMS（电池管理系统）的故障诊断能力直接相关。文中提出的LSTM与等效电路模型结合的方法，可优化阳光电源iSolarCloud平台对储能电站电池健康状态（SOH）...
基于异常发热与深度学习算法的电动汽车电池热失控故障预测
Battery Thermal Runaway Fault Prognosis in Electric Vehicles Based on Abnormal Heat Generation and Deep Learning Algorithms
Da Li · Peng Liu · Zhaosheng Zhang · Lei Zhang 等9人 · IEEE Transactions on Power Electronics · 2022年7月
针对电动汽车在复杂工况下电池热失控预测难的问题，本文提出了一种基于异常发热（AHG）的预测模型。该模型结合长短期记忆网络（LSTM）等深度学习算法，能够有效识别电池异常状态，提升电动汽车运行安全性。
解读: 该研究对阳光电源的储能系统（如PowerTitan、PowerStack）具有重要参考价值。储能系统本质上是大规模电池组的集成，热失控监测是BMS的核心安全功能。通过引入基于异常发热的深度学习预测模型，阳光电源可优化iSolarCloud平台的电池健康状态（SOH）评估与预警算法，从单纯的阈值报警升...
基于预测的风-光互补电解制氢系统的设计与优化调度
Design and optimal scheduling of a forecasting-based wind-and-photovoltaic complementary electrolytic hydrogen production system
Weichao Dong · Hexu Sun · Zheng Li · Huifang Yang · Applied Energy · 2025年8月 · Vol.392
摘要 氢能可有效缓解能源短缺并减少环境污染。本文首次设计了一个完整的风能与光伏（PV）互补制氢系统，包括高效的发电系统模型、精确的预测模型、优良的优化调度策略以及高效的催化剂。该离网型互补发电系统在直流母线上实现。提出了一种混合预测模型，结合长短期记忆网络（LSTM）、分位数回归（QR）和正则藤copula方法。LSTM与QR相结合可获得边缘概率密度函数（PDF）。利用正则藤copula建立风能与光伏能源之间的相关性，并将边缘PDF与其相关性结构结合，实现对风能和光伏出力的联合预测。提出一种基于...
解读: 该风光制氢系统对阳光电源ST系列储能变流器和SG光伏逆变器具有重要应用价值。文中直流母线离网架构可结合我司1500V系统和三电平拓扑技术,提升功率转换效率。LSTM-DRL多目标优化调度策略可集成至iSolarCloud平台,实现风光出力预测与氢储能协同控制。研究的3.1美元/kg制氢成本为Powe...
基于AAV辅助协同干扰的认知无线电网络物理层安全增强：一种MAPPO-LSTM深度强化学习方法
Physical Layer Security Enhancement in AAV-Assisted Cooperative Jamming for Cognitive Radio Networks: A MAPPO-LSTM Deep Reinforcement Learning Approach
Jun Wang · Rong Wang · Zibin Zheng · Ruiquan Lin 等6人 · IEEE Transactions on Vehicular Technology · 2024年10月
认知无线电（CR）和能量收集（EH）技术为缓解频谱利用效率低下和能量存储容量有限等问题提供了思路。在认知无线电网络中，安全威胁，尤其是来自窃听者的威胁，可能导致信息泄露。本研究聚焦于通过自主飞行器（AAV）进行协作干扰，以提高具有能量收集功能的多用户物理层安全（PLS），从而最大化安全通信速率。在AAV辅助的EH - CR系统中，如果次用户（SUs）向主用户（PU）发送的协作干扰功率低于一定阈值，次用户就可以使用主用户占用的授权频谱频段。次用户可以从主发射机（PT）收集并使用射频（RF）能量。A...
解读: 从阳光电源的业务视角来看，该论文提出的认知无线电网络物理层安全增强技术与公司在分布式能源管理和智能通信系统方面存在潜在协同价值。 **业务相关性分析**：论文中的能量收集（EH）技术与阳光电源的储能系统业务高度契合。在大规模光伏电站和储能电站的运营中，分布式设备间的安全通信至关重要。该研究提出的射...
基于开源低成本天空成像仪和混合深度学习技术的超短期太阳辐照度预测
Very short-term solar irradiance forecasting based on open-source low-cost sky imager and hybrid deep-learning techniques
Martin Ansong · Gan Huang · Thomas N.Nyang’on · Robinson J.Musembi 等5人 · Solar Energy · 2025年7月 · Vol.294
摘要 太阳辐照度（SI）预测对于光伏（PV）系统的可靠运行至关重要。这一点在非洲等地区尤为突出，因为这些地区的许多SI预测方法依赖于稀缺的历史数据，而电力网络本身存在的不稳定性又因SI的波动性而进一步加剧。准确的太阳能预测对于改善电网管理至关重要，可帮助运营商平衡供需关系并提升系统稳定性。基于地面的天空成像技术是一种有前景的SI预测方法，无需依赖大量历史数据。然而，商用天空成像仪价格昂贵且灵活性有限。本文介绍了卡尔斯鲁厄低本钱全天候成像仪（KALiSI），该设备由市售组件构成，能够拍摄高分辨率图...
解读: 该低成本天空成像超短期光伏预测技术对阳光电源SG系列逆变器和ST储能系统具有重要应用价值。15分钟前瞻预测可优化MPPT算法响应速度,提升逆变器在云层遮挡等突变工况下的功率跟踪精度。结合iSolarCloud平台,CNN-LSTM预测模型可为PowerTitan储能系统提供精准充放电调度依据,降低电...
光伏发电场产量预测：基于改进元启发式优化的长短期记忆网络方法
Photovoltaic Farm Production Forecasting: Modified Metaheuristic Optimized Long Short-Term Memory-Based Networks Approach
Aleksandar Stojkovic · Bosko Nikolic · Miodrag Zivkovic · Nebojsa Bacanin · IEEE Access · 2025年1月
化石能源的有限性推动了可再生能源的发展，但其并网仍面临挑战。太阳能发电受天气影响显著，精确预测对电网调度与电力交易至关重要。本文研究基于轻量化长短期记忆网络（LSTM）结合注意力机制的模型，并提出一种改进的粒子群元启发式优化算法以优化超参数。基于印度两座光伏电站及塞尔维亚Mihailo Pupin研究所屋顶电站的实际数据进行实验，所提方法在多个指标上表现优异，最低均方误差达0.001812。通过TinyML验证了模型在边缘设备部署的可行性，填补了轻量化LSTM在该领域应用的研究空白。
解读: 该轻量化LSTM光伏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。精确的发电预测可优化ST系列储能变流器的充放电策略，提升能量管理效率；改进的粒子群算法可用于SG系列逆变器MPPT参数自适应优化。TinyML边缘部署方案与阳光电源构网型GFM控制...
面向预测不确定性的电池储能系统最优管理：削峰与电池健康协同优化
Optimal BESS Management for Peak Load Shaving and Battery Health Under Prediction Uncertainty
Lixin Li · Tim Kappler · Bernhard Schwarz · Nina Munzke 等7人 · IEEE Transactions on Sustainable Energy · 2025年7月 · Vol.17
本文提出一种结合LSTM预测与约束收紧的随机模型预测控制（SMPC）框架，用于提升BESS在负荷削峰与电池健康间的协同优化能力。在德国某企业实测负荷下，相较传统MPC降低峰值取电5.8%（99 kW），显著增强不确定性下的鲁棒性。
解读: 该研究高度契合阳光电源ST系列PCS及PowerTitan大型储能系统的智能能量管理需求。其LSTM+SMPC框架可直接嵌入iSolarCloud平台，提升用户侧/电网侧储能的削峰精度与循环寿命。建议将SMPC算法模块化集成至ST5000/6300KTL PCS的本地EMS中，并适配PowerTit...
考虑预测不确定性的电池储能系统最优管理以实现削峰和电池健康
Optimal BESS Management for Peak Load Shaving and Battery Health Under Prediction Uncertainty
Lixin Li · Tim Kappler · Bernhard Schwarz · Nina Munzke 等6人 · IEEE Transactions on Sustainable Energy · 2025年7月
在现代电力系统中，为缓解可再生能源出力波动，部署电池储能系统（BESS）日益重要。然而，可再生能源与负荷预测的不确定性给BESS运行优化带来挑战。本文提出一种新颖的随机模型预测控制（SMPC）框架，兼顾削峰负荷与电池健康，并有效应对预测不确定性。该框架采用长短期记忆（LSTM）神经网络进行预测，并结合约束收紧技术构建滚动时域随机优化问题。基于德国某企业负荷数据的仿真结果表明，相比传统模型预测控制（MPC），该方法额外降低峰值取电功率99 kW（5.8%），验证了其处理不确定性的优势。
解读: 该SMPC框架对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。研究提出的LSTM预测结合约束收紧技术可直接集成到iSolarCloud云平台的智能调度模块，提升储能系统在工商业削峰场景下的经济性。相比传统MPC额外降低5.8%峰值功率的效果，可优化ST2236/250...
可解释的物理深度学习模型用于架空输电线路覆冰厚度预测
Explainable Physical Deep-Learning Model for Overhead Transmission Line Icing-Thickness Prediction
Hui Hou · Yi Wan · Zhenguo Wang · Shaohua Wang 等6人 · IEEE Transactions on Industry Applications · 2025年7月
全球变暖导致极端天气事件频发，其中频繁发生的冰灾对电力系统的稳定性构成了重大威胁。随着预测模型复杂度的增加，必须同时确保其准确性和可解释性。因此，我们提出了一种用于架空输电线路覆冰厚度预测的可解释物理深度学习模型。首先，通过白鲸优化（BWO）方法构建了一个优化模型，该模型可使预测误差最小化。其次，将深度学习预测模型与物理模型和长短期记忆网络（LSTM）模型相结合。物理模型考虑了诸如风偏角、风荷载和冰荷载等物理定律。此外，我们使用沙普利加性解释法来阐释输入特征对输出特征及模型预测结果的影响。最后，...
解读: 该覆冰预测技术对阳光电源户外电力设备具有重要防护价值。针对ST系列储能变流器和PowerTitan大型储能系统的户外部署场景，可通过集成气象传感器与物理深度学习模型，实现设备覆冰风险的提前预警，触发主动加热或功率调节策略。对于SG系列光伏逆变器，该可解释AI方法可借鉴至iSolarCloud智能运维...
第 2 / 4 页