找到 240 条结果
基于序的异构智能体强化学习方法用于配电网与输电网协调的负荷频率控制
Order-based Heterogeneous Agents Reinforcement Learning Method with the Coordination of Distribution Network and Transmission Network for Load Frequency Control
Shixuan Yu · Xiaodong Zheng · Tianzhuo Shi · Ruilin Chen 等6人 · IEEE Transactions on Power Systems · 2025年8月
随着大规模分布式能源（DERs）持续接入配电网（DN），DN已具备参与负荷频率控制（LFC）的能力。本文提出一种基于序的异构智能体软演员-评论家方法（OHASAC），以解决异构可控DERs间的协调问题。通过神经网络估计异构智能体的最优更新顺序，并将最优LFC问题建模为考虑DN与输电网（TN）协调的局部可观测马尔可夫博弈。模型涵盖变辐照条件下电池储能系统（BESS）与光伏（PV）的协同调频。仿真结果表明，该方法在DN-TN协同环境中能有效管理多种分布式电源，兼具优良的泛化性与可扩展性。
解读: 该异构智能体协同控制技术对阳光电源PowerTitan储能系统与SG系列光伏逆变器的协同调频具有重要应用价值。OHASAC方法可优化ST储能变流器在变辐照条件下的BESS-PV协同响应策略，提升配电侧分布式资源参与电网LFC的能力。基于序的智能体更新机制可集成至iSolarCloud平台，实现多站点...
通过机器学习技术预测屋顶几何形状以释放太阳能潜力——一项综述
Unlocking solar potential through machine learning techniques for roof geometry prediction- A review
Dina Shat · Sara Omrani · Robin Drogemuller · Simon Denman 等5人 · Solar Energy · 2025年1月 · Vol.302
摘要 全球向可再生能源的转型凸显了优化住宅太阳能光伏（PV）系统的必要性。准确的屋顶几何形状预测对于提高屋顶太阳能安装的效率和可扩展性至关重要。本综述考察了近期为提升屋顶几何预测精度而设计的机器学习（ML）方法，综合分析了包括卷积神经网络（CNN）和多任务学习框架在内的最新技术，以评估预测精度和计算效率方面的改进。本文还强调了当前面临的挑战，例如数据可用性、多样化数据集的整合（如航拍影像和LiDAR扫描）以及地理泛化能力，并提出了未来研究的方向。未来的研究机会包括开发鲁棒且可扩展的机器学习模型以...
解读: 该机器学习屋顶几何预测技术对阳光电源户用光伏系统具有重要应用价值。通过CNN等深度学习模型精准预测屋顶结构,可优化SG系列逆变器的MPPT配置方案和组串设计。结合iSolarCloud平台,能实现屋顶光伏潜力自动评估、系统容量智能推荐及安装方案优化。该技术可与阳光电源储能系统ST系列协同,通过屋顶数...
基于物理信息神经网络的含非线性频率约束线性交流最优潮流框架的电力系统前瞻调度
Look-ahead Dispatch of Power Systems Based on Linear Alternating Current Optimal Power Flow Framework with Nonlinear Frequency Constraints Using Physics-informed Neural Networks
Guoqiang Sun1Qihui Wang2Sheng Chen3Zhinong Wei4Haixiang Zang5 · 现代电力系统通用与清洁能源学报 · 2025年1月 · Vol.1
可再生能源渗透率的提高削弱了电力系统的频率稳定性。本文提出一种基于线性交流最优潮流框架并计及非线性频率约束的前瞻调度模型以应对该问题。为提升求解效率，引入物理信息神经网络（PINN）准确预测关键频率控制参数。PINN确保学习结果符合真实物理频率动态模型，所预测参数可加速调度模型求解，使其能高效调用商用求解器完成计算。在改进的IEEE 118节点系统上的数值仿真验证了所提模型的有效性与优势。
解读: 该基于PINN的前瞻调度技术对阳光电源储能系统和光伏产品具有重要应用价值。在PowerTitan大型储能系统中，可通过PINN快速预测频率响应参数，优化ST系列储能变流器的一次调频策略，提升电网频率支撑能力。对于工商业光伏场景，该线性化OPF框架结合非线性频率约束，可集成到iSolarCloud平台...
受脑启发的协作式自动发电控制与大规模电动汽车集成
Brain-Inspired Collaborative Automatic Generation Control With Large-Scale Electric Vehicles Integration
Zhihong Liu · Lei Xi · Yue Quan · Chen Cheng 等5人 · IEEE Transactions on Sustainable Energy · 2024年10月
分布式能源、负荷与储能设备具有间歇性和强随机性，接入电网后易引发显著的频率波动。现有基于多智能体协同神经网络的控制算法易遭遇灾难性遗忘问题，难以在强随机扰动下实现最优控制。本文提出一种基于正交权重修正策略网络更新的近端受脑启发策略优化（PBPO）算法，赋予网络类脑上下文感知能力，从而加速多区域协同控制的收敛速度，有效抑制电网严重随机扰动引起的频率波动。通过大规模电动汽车接入场景下的两个负荷频率控制模型仿真验证，所提PBPO算法在收敛速度、频率稳定性及控制性能方面均优于多种强化学习算法。
解读: 该脑启发协同控制技术对阳光电源储能与充电桩产品具有重要应用价值。针对PowerTitan大型储能系统参与电网AGC调频场景，PBPO算法的抗遗忘特性可显著提升多储能站点协同响应能力，解决ST系列储能变流器在强随机扰动下的频率稳定问题。对于新能源汽车业务，该算法可优化大规模充电桩V2G协同控制策略，实...
一种结合数据驱动预测与超 twisting 控制的低碳微电网混合方法
A hybrid approach involving data driven forecasting and super twisting control action for low-carbon microgrids
Naghmash Ali · Xinwei Shen · Hammad Armgha · Applied Energy · 2025年1月 · Vol.398
摘要 本文提出了一种基于两级密集残差神经网络的优化框架，旨在提升微电网中能量管理系统（EMS）的运行效率。该框架解决了传统数值优化方法在求解经济调度问题时存在的不足，这些传统方法通常优先考虑精度而牺牲了实时性能，并且未能充分最大化可再生能源的发电量。所提出的框架在上层控制中不仅能够求解经济调度问题，还能优化来自可再生能源的功率输出。在本地层面，采用超 twisting 滑模控制策略，以精确跟踪由能量管理系统生成的参考指令，并确保直流母线电压的精准调节。框架的稳定性通过李雅普诺夫稳定性准则进行了理...
解读: 该混合优化框架对阳光电源ST系列储能变流器和PowerTitan系统具有重要应用价值。论文提出的双层密集残差神经网络可优化微电网经济调度,超扭曲滑模控制实现精确直流母线调控,与阳光电源GFM/GFL控制技术高度契合。该方法在600V氢电混合微网的实时验证表明,可提升储能系统EMS响应速度和新能源消纳...
PowerFlowMultiNet：用于不平衡三相配电系统的多图神经网络
PowerFlowMultiNet: Multigraph Neural Networks for Unbalanced Three-Phase Distribution Systems
Salah Ghamizi · Jun Cao · Aoxiang Ma · Pedro Rodriguez · IEEE Transactions on Power Systems · 2024年9月
高效求解配电网中的三相不平衡潮流对于电网分析和仿真至关重要。迫切需要能够处理大规模不平衡电网的可扩展算法，以提供准确、快速的解决方案。为此，深度学习技术，尤其是图神经网络（GNN）应运而生。然而，现有文献主要集中在平衡网络，在支持三相不平衡电网方面存在重大空白。本文介绍了 PowerFlowMultiNet，这是一种专门为三相不平衡电网设计的新型多图 GNN 框架。该方法在多图表示中分别对每一相进行建模，有效捕捉了不平衡电网的固有不对称性。引入了一种利用消息传递的图嵌入机制，以捕捉电力系统网络内...
解读: 该多图神经网络潮流计算技术对阳光电源配电侧产品具有重要应用价值。在PowerTitan大型储能系统并网场景中，可实时分析三相不平衡工况下的潮流分布，优化ST系列储能变流器的三相功率调度策略，提升不平衡补偿能力。对于分布式光伏集群（SG逆变器阵列），该算法可快速评估不对称故障下的系统状态，为iSola...
基于人工神经网络的封装SiC MOSFET短路耐受时间筛选方法
Artificial Neural Network-Based Screening Method for Short-Circuit Withstand Time in Packaged SiC MOSFETs to Enhance Device Consistency
Hengyu Yu · Monikuntala Bhattacharya · Michael Jin · Limeng Shi 等6人 · IEEE Electron Device Letters · 2025年4月
开发一种有效的方法以提高碳化硅（SiC）金属 - 氧化物 - 半导体场效应晶体管（MOSFET）的短路耐受时间（SCWT）均匀性，对于确保电力电子系统中器件的可靠性和一致性至关重要。本文详细分析了由不可避免的工艺偏差导致的短路耐受时间变化，并介绍了一种基于人工神经网络（ANN）技术的新型筛选方法。利用从碳化硅MOSFET中提取的特征参数构建了一个两层隐藏层的人工神经网络模型。训练后的模型能够准确预测通过技术计算机辅助设计（TCAD）模拟的碳化硅MOSFET的短路耐受时间，最大误差小于15%，平均...
解读: 从阳光电源的业务视角来看，这项基于人工神经网络的SiC MOSFET短路耐受时间筛选技术具有重要的工程应用价值。作为全球领先的光伏逆变器和储能系统供应商，我们的产品正加速向SiC功率器件转型，以实现更高的功率密度和系统效率。然而，SiC MOSFET的短路耐受时间（SCWT）一致性问题一直是制约大规...
嵌入式系统电驱动故障诊断的平均池化降采样数据融合方法
Fault Diagnosis for Electric Drives Using Averagely Pooled and Downsampled Data Fusion on Embedded Systems
Jaehoon Shim · Gyu Cheol Lim · Sangwon Lee · Jung-Ik Ha · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2024年12月
提出嵌入式系统电驱动故障诊断的数据驱动方法,无需额外传感器或外部计算资源诊断霍尔电流传感器偏置/比例误差和功率开关开路故障。首先识别并建议电驱动系统中故障信息丰富的数据类型,使用统计分析提出候选输入数据类型的有效融合方法创建诊断模型。其次引入利用平均池化(AP)的降采样方法从DSP处理的大量原始数据中有效采样,保留关键信息同时减小数据量。最后提出采用神经网络(NN)分类器的诊断方案使用降采样数据准确诊断故障。通过分析和统计验证证明从采样到诊断的有效性。使用TMS320F28379S DSP展示实...
解读: 该嵌入式电驱动故障诊断技术对阳光电源电机驱动产品有重要应用价值。平均池化降采样方法可应用于新能源汽车OBC和电机控制器的实时故障诊断,在资源受限的嵌入式系统中实现高准确度诊断。神经网络分类器对ST储能系统的功率开关和传感器故障检测有借鉴意义,可提高系统可靠性和可维护性。该技术对阳光电源智能运维平台的...
基于增量贝叶斯随机配置网络的漂移环境概率风力预测
Probabilistic Wind Power Prediction Using Incremental Bayesian Stochastic Configuration Network Under Concept Drift Environment
Jizhong Zhu · Le Zhang · Di Zhang · Yixi Chen · IEEE Transactions on Industry Applications · 2024年9月
传统数据驱动的概率风力预测方法通常假设外部环境静态不变，而实际工业数据常受概念漂移影响，导致模型性能下降。为此，本文提出一种增量贝叶斯随机配置网络方法。该方法利用无需迭代的轻量级随机权值神经网络SCN建模变量与目标间的潜在关系，并结合贝叶斯推断更新输出层参数，构建概率预测模型BSCN。通过最大均值差异与连续排序概率评分检测虚拟与真实漂移，以真实漂移触发BSCN的增量学习，并设计特定更新策略实现模型自适应。实验表明，该方法在动态漂移环境中能持续学习新模式且不遗忘旧知识，显著提升预测精度。
解读: 该增量贝叶斯预测方法对阳光电源风电和储能产品线具有重要应用价值。首先可用于ST系列储能变流器的功率预测与调度优化，提升储能系统对风电波动的平抑效果。其次可集成到iSolarCloud平台，通过实时漂移检测和自适应学习提高风电场发电预测准确度，优化PowerTitan储能系统的调度策略。该方法的轻量级...
多任务图自适应学习在澳大利亚国家电力市场多元电价短期预测中的应用
Multi-Task Graph Adaptive Learning for Multivariate Electricity Price Short-Term Forecasting in Australia's National Electricity Market
Yi Li · Chaojie Li · Guo Chen · Xiaojun Zhou 等5人 · IEEE Transactions on Power Systems · 2024年4月
准确的电价短期预测对电力市场数字化至关重要。然而，可再生能源扩张与用电需求增长导致电价波动加剧，预测难度加大。供需不平衡的不确定性及电力市场的时空关联性是精准预测的主要障碍。本文提出一种多任务学习模型MGAAL，结合图注意力机制，并引入异常价格尖峰预测的辅助任务，提升泛化能力并降低过拟合风险。MGAAL采用基于注意力的图神经网络捕捉电力时空流动动态，并通过同方差不确定性和梯度归一化自适应调整任务权重。基于澳大利亚国家电力市场数据的实验表明，该模型性能优于当前先进方法。
解读: 该多任务图自适应学习电价预测技术对阳光电源储能系统具有重要应用价值。在PowerTitan大型储能系统和ST系列储能变流器的能量管理策略中，精准的电价短期预测可优化充放电调度决策，通过峰谷套利提升收益。其图神经网络捕捉时空关联的方法可集成至iSolarCloud云平台，实现多站点储能协同优化。异常价...
基于时空知识蒸馏的居民用户电力负荷预测
Electric Load Forecasting for Individual Households via Spatial-Temporal Knowledge Distillation
Weixuan Lin · Di Wu · Michael Jenkin · IEEE Transactions on Power Systems · 2024年4月
随着电网安全运行和家庭能源管理系统的发展，居民用户的短期负荷预测（STLF）日益重要。尽管机器学习在住宅STLF中表现有效，但本地设备的数据与资源限制制约了个体用户预测的精度。相比之下，电力公司拥有更丰富的数据和更强的计算能力，可部署基于图神经网络（GNN）等复杂模型，挖掘用户间的时空关联以提升预测性能。本文提出一种高效且保护隐私的知识蒸馏框架，通过将基于公用数据预训练的GNN模型中的时空知识迁移至轻量级个体模型，在不访问其他用户数据的前提下提升个体预测精度。在真实住宅负荷数据集上的实验验证了该...
解读: 该时空知识蒸馏负荷预测技术对阳光电源户用储能系统（如ST系列）和iSolarCloud平台具有重要应用价值。可将云端基于海量用户数据训练的GNN预测模型压缩至本地ESS控制器，在保护用户隐私前提下实现高精度负荷预测，优化储能充放电策略和光储协同控制。该轻量化模型可嵌入户用逆变器DSP/ARM芯片，降...
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...
基于流形特征插值的静态测量到动态测量的保证转换
Guaranteed Conversion From Static Measurements Into Dynamic Ones Based on Manifold Feature Interpolation
Lihao Mai · Haoran Li · Yang Weng · Erik Blasch 等5人 · IEEE Transactions on Power Systems · 2025年2月
可再生能源渗透率上升及电动汽车等负荷波动导致电力系统稳定性问题，亟需动态测量技术。然而，高分辨率量测设备（如PMU）在配电网中数量有限，而低分辨率量测设备广泛存在。本文提出一种多分辨率数据插值方法，结合自编码器与曲率正则化实现最优插值设计，并引入物理信息神经网络（PINN）和随机物理信息神经网络（SPINN）以融合系统物理规律并处理不确定性。所提方法在输电与配电系统中均得到充分验证。
解读: 该多分辨率动态测量技术对阳光电源储能与光伏产品具有重要应用价值。在PowerTitan大型储能系统中，可融合SCADA低分辨率数据与有限PMU高分辨率数据，通过流形插值实现全站动态状态估计，提升ST系列储能变流器的并网稳定性监测能力。对于分布式光伏场站，该方法可将SG逆变器的秒级功率数据插值为毫秒级...
考虑低频共模电压的LCL型三电平并网逆变器多目标集成分-合控制方法
Multiobjectives Integrated Division-Summation Method for LCL-Type Three-Level Grid-Connected Inverter Considering Low-Frequency Common Mode Voltage
Jiang Liu · Guobing Song · Maojun Deng · Yiming Ren 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2024年11月
LCL型三电平并网逆变器广泛应用于光伏发电系统，具有多个独立控制目标。本文提出一种集成分-合（I-D-Σ）控制策略，可同时实现并网电流跟踪、中点电位平衡、谐振抑制及低频共模电压抑制。针对双分-合（D-D-Σ）方法仅考虑电流与谐振抑制的不足，引入虚拟零电位点以实现中点电位控制；并提出基于全连接卷积神经网络（FC-CNN）的低频共模电压估计算法，有效解决无传感器条件下共模电压不可观测问题。所提I-D-Σ方法通过低频共模电压补偿显著降低其幅值。实验结果验证了该策略的有效性。
解读: 该I-D-Σ多目标集成控制技术对阳光电源SG系列三电平光伏逆变器及ST储能变流器具有重要应用价值。研究提出的虚拟零电位点中点平衡控制可直接优化现有三电平拓扑产品的直流侧电容电压均衡性能，延长器件寿命。基于FC-CNN的无传感器低频共模电压估计算法可降低系统成本，其共模电压抑制技术能有效减少对地漏电流...
一种数据驱动的桨距角与转矩控制方法以提升风电场运行性能与效率
A Data-Driven Pitch Angle and Torque Control Method for Enhanced Wind Farm Operation Performance and Efficiency
Luobin W · Sheng H · Ji Z · Guan B 等5人 · IEEE Transactions on Sustainable Energy · 2025年9月
本文提出一种可逆深度门控网络（RDG-Net），用于风电场的桨距角（β）与发电机转矩（Tg）协同控制。该方法通过可逆实例归一化与深度可分离卷积（Revin-DSCNN）模型精确预测单个风电机组输出，抑制疲劳载荷并提升功率捕获效率。结合多头注意力与门控图循环神经网络（multi-GGRNN），有效建模机组间尾流耦合关系，避免高维数学建模带来的计算复杂性。RDG-Net部署于分布式服务器，实现在线训练，增强模型适应性与泛化能力。MATLAB仿真验证了其有效性。
解读: 该数据驱动的控制方法对阳光电源风电变流器及储能系统具有重要参考价值。RDG-Net的可逆深度门控架构可优化应用于ST系列储能变流器的功率调度算法,提升系统响应速度与控制精度。其多头注意力机制对建模储能集群间的功率协调具有启发意义,可用于优化PowerTitan大型储能系统的群控策略。此外,该方法的分...
基于期望实现的深度学习的风电功率与爬坡率确定性及概率预测
Deterministic and Probabilistic Forecasting of Wind Power Generation and Ramp Rate With Expectation-Implemented Deep Learning
Min-Seung Ko · Hao Zhu · Kyeon Hur · IEEE Transactions on Sustainable Energy · 2025年7月
准确的日前风电功率确定性与概率预测对电力系统可靠高效运行至关重要，尤其在以可再生能源为主导的系统中。同时，风电固有的波动性要求对爬坡率进行日前预测以保障能量平衡。为此，本文提出一种小时级日前预测框架，可同时预测风电出力与爬坡率。该框架采用基于定制损失函数的期望实现深度学习模型，结合特征构造与前馈误差学习策略，在多任务间保持平衡并提升性能。框架进一步融合异构模型输出，生成发电量与爬坡率的概率预测。基于真实数据的实验验证了各模块的有效性，结果表明所提方法能有效识别风电内在波动特性，充分挖掘其应用潜力...
解读: 该风电功率与爬坡率预测技术对阳光电源储能产品线具有重要应用价值。可直接应用于PowerTitan大型储能系统的调度优化,通过深度学习模型预测风电波动特性,提前部署储能容量与功率配置。对ST系列储能变流器的GFM控制策略也有重要参考意义,可基于预测结果优化VSG参数设置,提升系统稳定性。此外,该技术可...
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1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...
基于优化卷积长短期记忆模型的智能电网异常检测
Anomaly Detection on Smart Grids With Optimized Convolutional Long Short-Term Memory Model
Ahmad N. Alkuwari · Saif Al-Kuwari · Abdullatif Albaseer · Marwa Qaraqe · IEEE Access · 2025年1月
数字技术融入传统电力系统提升了电网效率和可持续性,将传统电网转型为智能电网。然而,这一转型也引入新的脆弱性,如虚假数据注入攻击,可导致严重的能源盗窃。据估计这类攻击每年造成电力供应商约1010亿美元损失。本文提出一种基于优化轻量级卷积长短期记忆模型的智能电网异常检测方法,针对七种多分类标记的虚假数据注入攻击进行检测,在分类这些攻击时达到91.3%的高准确率。
解读: 该智能电网异常检测技术可应用于阳光电源智慧能源管理平台的安全监控。通过深度学习模型检测虚假数据注入攻击,保护ST系列储能系统和SG系列光伏逆变器的数据安全,预防能源盗窃和电网欺诈行为,提升智能电网的安全性和可靠性,为工商业储能和分布式光伏提供网络安全保障。...
使用谱图神经网络增强智能电网中虚假数据注入攻击的检测
Enhancing Detection of False Data Injection Attacks in Smart Grid Using Spectral Graph Neural Network
作者未知 · IEEE Transactions on Industrial Informatics · 2025年1月
智能电网（SG）是电力行业中工业信息物理系统应用的典范。确保信息安全是智能电网的首要关切。然而，虚假数据注入攻击（FDIA）在操纵数据和损害智能电网功能方面构成了重大风险。现有的利用频谱关系检测虚假数据注入攻击的方法主要针对突变情况，无法应用于梳状信号变化。因此，为解决这一问题，本文引入了一种基于谱图神经网络的方法，利用伯恩斯坦多项式来近似谱图滤波器，以检测虚假数据注入攻击。通过神经网络训练得到的滤波器系数，能够创建适用于不同信号变化的梳状和高通谱滤波器。为评估我们模型的有效性，我们将其与其他最...
解读: 从阳光电源的业务视角来看，这项基于谱图神经网络的虚假数据注入攻击检测技术具有重要的战略价值。随着公司光伏逆变器、储能系统在全球范围内大规模部署，设备接入智能电网后面临的网络安全威胁日益严峻。虚假数据注入攻击可能导致电网状态估计失准，进而影响我司设备的调度指令准确性，甚至引发系统性安全风险。 该技术...
基于变分自编码器的光伏功率预测无监督域自适应框架
Unsupervised domain adaptation framework for photovoltaic power forecasting using variational auto-encoders
Atit Bashya · Chidambar Prabhakar Bangr · Tina Boroukhia · Hendro Wicakson · Applied Energy · 2025年1月 · Vol.400
摘要 全球向可再生能源的转型迫切需要对这类能源进行准确预测，以实现高效的电网管理。尽管深度学习模型为间歇性可再生能源的预测提供了有效的解决方案，但由于其本身对数据的高度依赖，仍面临诸多挑战。迁移学习方法因此成为应对这些挑战的重要工具。然而，目前在可再生能源预测中使用的迁移学习框架通常需要大量带标签的训练数据来进行微调和知识迁移，这限制了其在数据匮乏场景下的适用性。本文提出了一种域自适应框架，能够将从拥有丰富数据的源域训练得到的预测模型中的知识，无缝迁移到目标域中无需带标签数据的模型训练过程。所提...
解读: 该无监督域自适应光伏功率预测技术对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过变分自编码器实现跨场站知识迁移,可在缺乏标注数据的新建光伏电站快速部署高精度预测模型,显著降低SG系列逆变器接入的分布式电站调试成本。该技术可与PowerTitan储能系统的能量管理策略深度融...
第 4 / 12 页