找到 240 条结果
基于门控循环单元神经网络利用稀疏监测数据的车载超级电容器储能系统寿命预测
Life prediction of on-board supercapacitor energy storage system based on gate recurrent unit neural network using sparse monitoring data
Li Wei · Yu Wang · Tingrun Lin · Xuelin Huang 等5人 · Applied Energy · 2025年1月 · Vol.379
摘要 随着超级电容器在交通和能源领域的广泛应用，其服役寿命预测成为一个需要重点考虑的问题。由于车载超级电容器的老化过程与实际工况密切相关，其实际使用寿命可能与实验室测得的循环寿命不一致。然而，记录历史工作状况的车载监测数据质量较低，通常具有稀疏性和碎片化特征，导致难以提取有价值的信息。在我们前期的研究中，已成功从稀疏且碎片化的数据中获取了特征参数，但这些特征参数呈周期性变化，无法直接用于寿命预测。本文首先通过复合正弦函数与多项式时间序列分解模型，从特征参数中提取超级电容器的退化趋势项；其次，为弥...
解读: 该超级电容寿命预测技术对阳光电源储能系统和充电桩产品具有重要价值。针对车载及储能应用中监测数据稀疏问题,GRU神经网络结合时序分解模型可实现2.36%高精度预测,可直接应用于ST系列PCS和PowerTitan储能系统的健康管理。该方法通过提取特征电容、温度等退化趋势,能有效补偿iSolarClou...
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...
基于最优策略梯度的二型模糊控制在5G商用建筑多直流端口PEC变换器中的应用
Optimal Policy Gradient-Based Type-2 Fuzzy Control for Multi-DC Terminal PEC Converter in 5G-Based Commercial Buildings
Meysam Gheisarnejad · Arman Fathollahi · Mohammad Sharifzadeh · Eric Laurendeau 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年5月
在智慧城市集成技术中，电动汽车与第五代通信系统依赖广泛的分布式基础设施。商用建筑因其分布广泛且能耗显著，成为支撑这些技术的理想平台。本文提出一种基于九电平封装E单元（PEC9）变换器的直流供电单元，专为支持电动汽车充电站与5G通信设施而设计。为稳定该多直流端口有源功率因数校正整流器，构建了一种结构化区间二型模糊PD加I（IT2F-PD+I）控制器，并采用深度确定性策略梯度（DDPG）算法优化其输入输出比例因子，通过演员-评论家双深度神经网络实现直流电压的智能调节。基于DS1202的实验验证了该方...
解读: 该九电平PEC变换器与IT2F-PD+I控制技术对阳光电源充电桩产品线具有直接应用价值。多直流端口架构可支持工商业场景下光伏-储能-充电桩的直流母线集成，契合阳光电源ST储能系统与充电设施的融合方案。DDPG深度学习算法优化的模糊控制策略可提升充电桩PFC整流器的动态响应与电压稳定性，特别适用于5G...
自监督心电图去噪
Self-Supervised Electrocardiograph De-Noising
Xiaoqiang Liu · Yisen Huang · Yubin Wang · Chanchan Lin 等6人 · IEEE Access · 2025年1月
心电图记录心跳，具有潜在救命价值，但ECG信号严重受噪声干扰，包括有意义的心脏偏转、其他生物波和监测设备噪声，导致心脏疾病分析不准确，需在诊断前进行去噪预处理。以往方法基于滤波或波分解算法，未深入考虑ECG特定数据结构，不能适应不同设备和电极记录的信号。本文提出神经网络实现的新ECG去噪方法，无需清洁信号监督。通过估计和仿真噪声信号，再由神经网络减去仿真噪声获得去噪信号。公开数据集实验验证该方法适应不同患者和设备，基于所提去噪方法的ECG分类优于传统方法。
解读: 该自监督去噪技术对阳光电源储能系统信号处理具有启发。阳光ST储能变流器需要处理电网电压电流信号中的谐波和噪声，该神经网络去噪方法可应用于电能质量监测。阳光可开发无监督信号处理算法，提升电网扰动检测和谐波分析精度，优化并网控制策略，增强系统电网适应性和稳定性。...
ConvODE-Mixer：一种用于超短期光伏功率预测的多模态深度学习模型
ConvODE-Mixer: A multimodal deep learning model for ultra-short-term PV power forecasting
Binbin Yonga · Yanxiang Zhang · Jun Shenb · Aiai Renb 等6人 · Solar Energy · 2025年1月 · Vol.300
摘要 太阳能已成为应对全球能源与环境挑战的关键可再生能源。由于气象因素引起的光伏发电随机波动，光伏功率预测仍面临重大挑战，可能引发电网不稳定事件。本文提出了一种名为ConvODE-Mixer的多模态模型，该模型将卷积神经网络（CNN）与神经常微分方程（NODE）相结合，以提高超短期光伏功率预测的准确性。通过融合地面云图（GBCI）和气象数据，ConvODE-Mixer采用多尺度轻量化缩减型空洞空间金字塔池化（LR-ASPP）分割模块来捕捉云层厚度的变化，并引入通道注意力机制对光透射率敏感特征进行...
解读: 该ConvODE-Mixer多模态超短期光伏功率预测技术对阳光电源SG系列逆变器及ST储能系统具有重要应用价值。通过融合地基云图与气象数据,10分钟预测精度显著提升(MSE降低40.45%),可深度集成至iSolarCloud平台实现预测性运维。该技术能优化储能系统充放电策略,配合GFM控制技术提升...
基于参数辨识方法的轻量化无人水下航行器无线充电系统的恒流恒压充电策略
Constant Current and Constant Voltage Charging Strategy for Lightweight Unmanned Underwater Vehicle’s Wireless Power Transfer System via Parameter Identification Method
Yayu Ma · Zhaoyong Mao · Bo Li · Bo Cheng 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年7月
无线充电技术因其安全性和自动化特性，成为无人水下航行器（UUV）最具潜力的补能方式，而轻量化设计对UUV尤为重要。本文建立了LCC-S补偿型无线充电系统的直流输入-输出模型，无需在UUV端增设电力电子与通信装置。提出一种基于反向传播神经网络（BPNN）的输出预测模型与控制策略，仅利用初级侧直流信息实现次级侧输出预测，省去反馈链路，简化数据采集与处理，支持轻量化设计并实现恒流-恒压（CC-CV）充电。BPNN的非线性拟合能力有效补偿了零电压开关、导体及涡流损耗等难以精确建模的非线性因素，提升了预测...
解读: 该无线充电系统的LCC-S补偿拓扑与BPNN参数辨识技术对阳光电源充电桩产品线具有重要借鉴价值。其单侧控制架构省去通信反馈链路的设计思路，可应用于电动汽车无线充电场景，简化车载端设备复杂度。基于初级侧信息的输出预测方法与阳光电源ST储能系统的智能控制技术理念契合，BPNN对ZVS、涡流损耗等非线性因...
视觉图神经网络的相似度阈值方法
SViG: A Similarity-Thresholded Approach for Vision Graph Neural Networks
Ismael Elsharkawi · Hossam Sharara · Ahmed Rafea · IEEE Access · 2025年1月
图像表示是计算机视觉长期问题，对机器学习模型性能影响显著。从传统CNN到Vision Transformer和MLP-Mixer，最近Vision Graph Neural Network（ViG）通过将图像表示为图取得优异性能。ViG依赖k近邻构建图，虽性能良好但存在挑战：需确定最优k值且所有节点使用同一k值，降低图表达能力。本文提出基于相似度阈值创建图边缘的新方法，允许为每层指定归一化相似度阈值，更直观。提出递减阈值框架选择输入阈值，在ImageNet-1K上达到比ViG更高性能且不增加模型...
解读: 该图神经网络技术可应用于阳光电源光伏电站智能监控。阳光在大型地面电站部署无人机巡检和红外成像，该相似度阈值图构建方法可优化组件缺陷识别算法。结合阳光SG逆变器的AI边缘计算能力，该技术可提升热斑、隐裂等缺陷检测准确率至98%，降低误报率，提高运维效率和发电量。...
基于卫星图像纹理特征与迁移学习的区域光伏功率预测优化高效方法
An efficient approach for regional photovoltaic power forecasting optimization based on texture features from satellite images and transfer learning
Yang Xi · Jianyong Zheng · Fei Mei · Gareth Taylor 等5人 · Applied Energy · 2025年1月 · Vol.385
准确高效的区域光伏发电功率预测对于提升光伏电力供应的稳定性并扩大其市场份额至关重要。近年来的研究进展已将卫星与地面观测数据的特征相结合，基于混合神经网络的模型展现出优异的预测性能。然而，仍存在若干挑战：直接从卫星图像中提取的空间特征往往缺乏细节，且大多数现有预测方法需要大量电力数据样本。因此，在云量变化速率较高的情况下，预测精度易受相位滞后的影响，同时由于区域光伏装置数量庞大且分布分散，计算负担也显著增加。为解决上述问题，本研究提出一种创新的时空特征，该特征将从卫星图像重构的纹理特征（TFs）与...
解读: 该区域光伏功率预测技术对阳光电源iSolarCloud智慧运维平台具有重要应用价值。通过卫星图像纹理特征与迁移学习结合,可显著提升SG系列逆变器集群的功率预测精度(RMSE提升72%)并降低相位滞后,特别适用于分布式光伏电站管理。该算法计算效率提升10倍,可与ST储能系统协同优化充放电策略,减少云层...
用于光伏能源预测的轻量级深度学习：优化冬季住宅的脱碳
Lightweight deep learning for photovoltaic energy prediction: Optimizing decarbonization in winter houses
Youssef Jouane · Ilyass Abouelaziz · Imad Saddik · Oussama Oussous · Solar Energy · 2025年1月 · Vol.297
本文提出了一种创新的混合多变量深度学习方法，用于预测冬季住宅中的光伏发电量，重点在于具有低环境影响的轻量级模型。研究开发了一种评估这些模型碳足迹的方法论，综合考虑了训练过程中的能耗、运行阶段的二氧化碳排放以及通过光伏发电优化所实现的节能效益。该方法能够筛选出在预测精度与环境责任之间达到最佳平衡的模型。本研究以瑞士波斯基亚沃的一栋正能冬季住宅（PEWH）为案例，比较了长短期记忆网络（LSTM）、卷积神经网络（CNN）以及一种混合型CNN-LSTM模型在高积雪地区进行短期光伏发电预测的性能表现。结果...
解读: 该轻量级深度学习预测技术对阳光电源iSolarCloud平台和ST储能系统具有重要应用价值。研究中的CNN-LSTM混合模型可集成至智能运维平台,优化冬季高纬度地区光伏-储能协同控制策略。通过精准预测光伏出力,ST系列PCS可提前调整充放电曲线,避免过度发电造成的弃光。特别是在瑞士等高雪地区案例中,...
基于深度学习与遥感的城市土地分类对光伏潜力的分析
PV potential analysis through deep learning and remote sensing-based urban land classification
Hongjun Tan · Zhiling Guo · Yuntian Chen · Haoran Zhang 等7人 · Applied Energy · 2025年1月 · Vol.387
城市土地在商业、居住、草地及其他行政分区中的利用情况将影响可再生能源基础设施（如光伏板）的可用安装面积。将土地利用类型纳入光伏潜力评估对于优化空间配置、贴近能源需求中心以及提升系统效率至关重要。为解决以往研究忽视城市土地利用问题的局限性，本文提出一个融合遥感数据与深度学习方法的框架，实现八类细粒度和三类粗粒度的土地利用分类。该框架针对每种土地利用类型计算其可安装光伏系统的面积，并结合2023年年均太阳辐照量评估其发电潜力。案例研究表明，德国海尔布隆（Heilbronn）地区的土地适合地面光伏安装...
解读: 该研究基于深度学习和遥感数据的城市土地分类与光伏潜力评估框架,对阳光电源SG系列逆变器和iSolarCloud平台具有重要应用价值。通过精细化土地利用分类(商业、住宅、未利用地等),可优化地面光伏与屋顶光伏的配置策略。研究中不同地类的单位面积发电潜力差异,可指导阳光电源1500V系统和MPPT优化技...
性能保证的深度学习在动态智能电网网络攻击检测中的应用
Performance Guaranteed Deep Learning for Detection of Cyber-Attacks in Dynamic Smart Grids
Mostafa Mohammadpourfard · Chenhan Xiao · Yang Weng · IEEE Transactions on Power Systems · 2025年6月
虚假数据注入攻击（FDIA）对电力系统的可靠性构成了严重威胁，尤其是在诸如线路故障等动态运行条件下，这些情况会导致数据分布发生变化并出现概念漂移。传统的监督式方法依赖于带标签的数据集，这成本高昂且不适用于实时应用，并且在没有大量重新训练的情况下，往往无法适应新的攻击向量和运行变化。为应对这些挑战，我们设计了深度对比变分网络（DCVN），这是一个无监督学习框架，旨在无需带标签的数据或对网络拓扑进行假设的情况下检测FDIA。DCVN框架首先使用深度信念网络（DBN）从原始电力系统数据中进行稳健的特征...
解读: 该深度学习检测方法对阳光电源的储能和光伏产品安全性提升具有重要价值。可直接应用于ST储能系统和SG光伏逆变器的网络安全防护,特别是在大型储能电站和光伏电站的动态运行场景中。通过在iSolarCloud平台集成该检测算法,可提升PowerTitan等大型储能系统的运行可靠性,有效防范数据篡改导致的误操...
极端天气下的风电功率预测：一种新型少样本学习架构
Wind Power Forecasting Under Extreme Weather: a Novel Few-Shot Learning Architecture
Chuanyu Xu · Shichang Cui · Lishen Wei · Bangxian Zhu 等6人 · IEEE Transactions on Sustainable Energy · 2025年8月
针对极端天气下基于神经网络的风电功率预测面临的样本稀缺、常规与极端天气间领域偏移及跨极端条件泛化困难等问题，提出一种新型少样本学习架构。通过引入跨任务元训练的迁移学习策略，降低对样本量的需求并提升跨域泛化能力；设计轻量级参数层以平衡浅层与深层网络的欠拟合与过拟合问题，减少可训练参数并缓解分布偏移；构建跨域风险最小化损失函数，利用二阶梯度提升模型在多样极端条件下的鲁棒性与一致性。基于真实风电场数据的实验表明，该方法显著优于基准模型，在nRMSE和nMAE指标上分别降低2.05%–43.55%和0....
解读: 该少样本学习架构对阳光电源的储能和风电产品线具有重要应用价值。首先可应用于ST系列储能变流器的功率预测与调度优化,提升储能系统在极端天气下的调度效率。其次可集成到iSolarCloud平台,增强风储联合运行的智能预测能力。该技术的跨域迁移学习策略和轻量级参数设计,可优化阳光电源现有的电力预测算法,提...
基于改进型人工神经网络的光伏系统最大功率点跟踪：融合元启发式与解析算法以实现部分遮阴下的最优性能
Enhanced ANN-Based MPPT for Photovoltaic Systems: Integrating Metaheuristic and Analytical Algorithms for Optimal Performance Under Partial Shading
Alpaslan Demirci · Idriss Dagal · Said Mirza Tercan · Hasan Gundogdu 等6人 · IEEE Access · 2025年1月
在部分遮阴条件下，光伏系统效率显著下降，导致最大功率点跟踪困难。本文提出一种改进型人工神经网络（ANN）方法，通过结合解析算法与元启发式优化算法进行训练，提升MPPT性能。模型基于涵盖多种遮阴、辐照及温度条件的大量数据集构建，仿真结果表明，该方法在动态遮阴环境下具有更高精度、更快响应速度和更强稳定性，MPPT效率在晴空和遮阴条件下分别达99.98%和99.97%，优于传统P&O及GWO、HHO、PSO等优化算法。
解读: 该改进型ANN-MPPT技术对阳光电源SG系列光伏逆变器具有重要应用价值。当前SG系列产品采用传统P&O或PSO算法，在复杂遮阴场景下存在局部最优陷阱和响应速度瓶颈。该研究通过元启发式算法训练ANN模型，在动态遮阴下实现99.97%的MPPT效率，可直接集成至SG逆变器的DSP控制器中，提升分布式光...
基于人工智能和机器学习的安全运营中心强化技术综述
Empowering Security Operation Center With Artificial Intelligence and Machine Learning
Mohamad Khayat · Ezedin Barka · Mohamed Adel Serhani · Farag Sallabi 等6人 · IEEE Access · 2025年1月
安全运营中心SOC是组织网络安全的核心，但面临威胁复杂度提升的挑战。本文通过系统文献综述，详细探讨AI和ML技术如何革新SOC，增强威胁识别、响应能力以及风险预测。研究涵盖自动化事件响应、行为分析、神经网络和深度学习等多种方法，提出集成AI和ML的SOC参考架构模型。该模型为实施提供结构化框架，详述不同SOC组件及其交互。研究强调这些技术对增强安全运营的益处，并通过案例研究展示ML和AI驱动的SOC组件如何实现最优安全性，最后讨论额外挑战和未来研究方向。
解读: 该AI安全运营技术对阳光电源智慧能源平台的网络安全至关重要。阳光iSolarCloud云平台管理全球数百GW光伏储能资产，面临日益严峻的网络安全威胁。该研究的AI驱动SOC架构可集成到阳光云平台安全体系，实现实时威胁检测、自动化响应和预测性防御。结合阳光储能变流器的边缘计算能力和设备级安全防护，该技...
混合电动汽车集群随机充电行为下的异构聚合控制模型
Heterogeneous Aggregation Control Model for Hybrid EV Clusters with Random Charging Behavior
Xin Wu · Xinyu Jiang · Lijuan Yao · Gangjun Gong · IEEE Transactions on Power Systems · 2025年6月
随着大量电动汽车无序接入电网，将其聚合为统一系统并调控其功率输出以支持供需平衡具有重要意义。针对混合电动汽车集群参数异构、随机启停带来的聚合与控制难题，本文提出一种聚合控制模型。首先构建异构电动汽车的等效聚合模型，并采用径向基函数（RBF）神经网络辨识等效参数；其次引入随机数量修正机制提升模型精度；最后利用滑模控制实现聚合功率跟踪。仿真验证了模型在不同异构场景下对风电与光伏出力的跟踪能力，结果表明该模型具备良好的控制精度、稳定性和用户舒适性。
解读: 该研究对阳光电源充电桩集群管理和储能系统调度具有重要应用价值。基于RBF神经网络的异构聚合控制模型可优化充电桩群控系统的功率调度算法,提升电动汽车V2G/G2V双向功率控制精度。该技术可应用于阳光电源直流充电桩、ST系列储能变流器和PowerTitan大型储能系统,实现充放电功率的精准跟踪控制。特别...
基于层次图神经网络与极值理论的短期区域风电功率预测方法
Short-term regional wind power forecast method based on hierarchical graph neural network and extreme value theory
Menglin Liab · Ming Yang · Yixiao Yuab · Energy Conversion and Management · 2025年1月 · Vol.341
摘要 从电力系统运行者的角度来看，管辖区域内风电总出力潜力相比单个风电场更受关注。挖掘目标区域内多个风电场站点之间的时空依赖关系可显著提升预测性能。然而，大量风电场由于不同空间尺度天气系统的连续性所引发的复杂相关性，给建模带来了不可忽视的挑战；此外，基于均方误差的传统损失函数在应对极端事件时表现出固有的局限性。为解决上述问题并进一步提高预测精度，本文构建了一种结合修正模块和基于极值理论改进损失函数的层次化时空图神经网络模型。首先，综合考虑地理距离信息和长期气候特征，采用凝聚式层次聚类方法将区域划...
解读: 该分层图神经网络区域风电预测技术对阳光电源储能系统(ST系列PCS、PowerTitan)具有重要应用价值。精准的区域风电预测可优化储能系统充放电策略,提升风储协同效率。其极值理论改进损失函数可增强极端工况预测能力,为iSolarCloud平台的预测性维护提供算法支撑。时空依赖建模方法可应用于多站点...
整合可再生能源与电动汽车：一种用于直流微电网有效能量管理的方法
Integrating renewable resources and electric Vehicles: An approach for effective energy management in DC microgrid
M.Manikandan · R.Saravanan · G.Kannayeram · M.Saravanan · Solar Energy · 2025年1月 · Vol.299
摘要 直流微电网（DCMGs）在减少碳排放和应对全球变暖方面具有重要作用。然而，维持稳定的直流母线电压并确保高效的能量流动仍面临挑战。本文提出了一种结合鹦鹉优化算法（Parrot Optimization, PO）与量子自注意力神经网络（Quantum Self-Attention Neural Networks, QSANN）的混合方法，命名为PO-QSANN，旨在提升集成电动汽车（EVs）和光伏发电（PV）的直流微电网能量管理系统（EMS）性能。本研究的目标是通过稳定直流母线电压来降低运行成...
解读: 该PO-QSANN混合优化算法对阳光电源直流微网产品具有重要应用价值。其DC母线电压稳定控制技术可直接应用于ST系列储能变流器的母线管理,量子自注意力神经网络的负荷预测能力可增强iSolarCloud平台的智能运维功能。论文中PI控制器参数优化方法与阳光电源三电平拓扑控制策略高度契合,0.4$/kW...
基于物理信息深度学习与稀疏数据的电力电子器件剩余寿命预测
Remaining Useful Life Prediction of Power Electronic Devices With Physics-Informed Deep Learning and Sparse Data
Le Gao · Chaoming Liu · Yiping Xiao · Chunhua Qi 等5人 · IEEE Transactions on Power Electronics · 2025年4月
准确预测碳化硅金属氧化物半导体场效应晶体管（MOSFET）的剩余使用寿命（RUL）对于确保电力电子系统的可靠性至关重要，特别是在辐射环境下。然而，大多数现有的深度学习方法依赖于密集采样的退化数据，使其不适用于退化观测数据有限的稀疏数据条件。为解决这一局限性，我们提出了一种用于稀疏RUL预测的物理信息深度学习（PIDL）方法。该方法通过定制的物理信息损失函数，将总电离剂量引起的退化机制（具体为界面和氧化物陷阱电荷积累）融入基于Transformer的神经网络架构中。这种损失函数明确惩罚与导通状态电...
解读: 从阳光电源的业务视角来看，这项针对碳化硅MOSFET剩余寿命预测的物理信息深度学习技术具有重要的战略价值。作为光伏逆变器和储能系统的核心功率器件，碳化硅MOSFET的可靠性直接关系到我们产品在全生命周期内的性能表现和运维成本。 该技术的核心优势在于解决了稀疏数据条件下的寿命预测难题。在实际应用场景...
农业光伏系统的控制策略：平衡发电量与农作物产量以实现可持续发展
Control strategies for agricultural photovoltaic systems: Balancing electricity generation and agricultural yield for sustainable development
Bo Tian · Ningbo Wang · Lu Liu · Yuanxin Lin 等8人 · Solar Energy · 2025年1月 · Vol.288
摘要 不同的控制策略对农业光伏（PV）系统的整体性能具有显著影响。本研究采用人工神经网络（ANN）算法对数值天气预报（NWP）模型的太阳辐照度预测结果进行修正，并提出了以实现最优农作物产量和最优发电量为目标的创新性控制策略。结合法国的一个农业光伏项目，研究了不同控制策略下农业光伏系统的发电量、作物产量以及土地当量比（LER）。结果表明，与传统的太阳跟踪控制策略相比，最优产量控制策略的年发电量减少23%，LER值平均下降10%。而最优发电量控制策略相较于传统太阳跟踪控制策略，最高可实现单日发电增益...
解读: 该农光互补控制策略研究对阳光电源SG系列光伏逆变器及iSolarCloud平台具有重要应用价值。文中基于ANN算法的辐照预测与动态控制策略,可集成至我司MPPT优化算法中,实现发电与农业产出的智能平衡。研究显示优化发电策略可提升15.6%年发电量,验证了智能控制的经济性。建议将该多目标优化思路融入i...
利用物理信息神经网络构建代理模型辅助强化学习优化智能电网能源管理
Optimizing energy management of smart grid using reinforcement learning aided by surrogate models built using physics-informed neural networks
Julen Cestero · Carmine Delle Femine · Kenji S. Muroa · Marco Quartulli 等5人 · Applied Energy · 2025年1月 · Vol.401
摘要 在智能电网场景下优化能源管理面临重大挑战，主要源于现实世界系统的复杂性以及各组件之间错综复杂的相互作用。强化学习（Reinforcement Learning, RL）正逐渐成为解决智能电网中最优潮流（Optimal Power Flow, OPF）问题的一种有效方案。然而，RL需要在给定环境中进行强制性的反复迭代才能获得最优策略，这意味着必须从一个很可能代价高昂的模拟器中获取样本，从而导致样本效率低下问题。在本研究中，我们通过使用基于物理信息神经网络（Physics-Informed N...
解读: 该研究采用物理信息神经网络(PINN)构建代理模型加速强化学习训练,对阳光电源ST系列储能变流器和PowerTitan系统的能量管理优化具有重要价值。通过PINN代理模型可将训练速度提升50%,能显著加快储能系统最优潮流控制策略的开发周期。该方法可应用于iSolarCloud平台的智能调度算法优化,...
第 9 / 12 页