找到 235 条结果
基于尾流关联的动态超图风电功率超短期预测方法
A Dynamic Hypergraph-Based Ultra-Short-Term Wind Power Prediction Method Considering Wake Effects
钟吴君李培强涂春鸣 · 中国电机工程学报 · 2025年12月 · Vol.45
精准的风电功率预测对电力系统安全稳定运行具有重要意义。针对风电场内风机间受尾流效应影响存在的复杂时空关联特性，现有方法因忽略其动态变化且受限于传统图结构的二元表达能力，难以准确建模多元关系。本文提出一种基于尾流关联的动态超图预测方法，将风机作为节点，利用空间位置与多元关系构建超边，并结合Jensen尾流模型与射线法建立动态超图结构。设计动态超图卷积与双向LSTM融合的时空特征提取与拟合模块，有效捕捉风电功率的动态时空依赖性。基于真实数据的实验验证了该方法在多维度上的优越性。
解读: 该研究的动态超图预测方法对阳光电源的风电变流器和智能运维系统具有重要应用价值。首先，该方法可集成到iSolarCloud平台的预测模块中，提升风电场发电功率预测精度，优化调度策略。其次，对于风储混合电站的ST系列储能变流器，精准的功率预测有助于优化储能调度和容量配置。此外，该方法的时空特征建模思路可...
使用卷积神经网络检测光伏组件玻璃裂纹
Using Convolutional Neural Networks to Detect In-Field PV Module Glass Cracks
Savannah Bennett · Thomas Weber · Rory Bennett · Ernst Wittman 等6人 · IEEE Journal of Photovoltaics · 2025年9月
双玻光伏组件的应用日益广泛，人们对这些组件中的玻璃破裂问题也愈发关注。为证实这一现象、量化玻璃破裂率，并减轻在现场查找破裂组件的繁琐工作，本文考虑使用卷积神经网络进行玻璃裂纹检测。对七种模型进行了测试：六层模型、四层模型、VGG16、VGG19、ResNet18、ResNet34 和 ResNet50。在两个光伏（PV）场中采用非标准化图像采集方法，针对两种组件类型创建了七个标注数据集，图像数量从 3540 张到 12600 张不等。六层模型在裂纹与无裂纹分类方面的准确率可达 97.7%，使用 ...
解读: 该CNN玻璃裂纹检测技术对阳光电源SG系列光伏逆变器配套的智能运维体系具有重要应用价值。可直接集成至iSolarCloud云平台的智能诊断模块，通过无人机巡检图像自动识别双面玻璃组件裂纹，实现预测性维护。该技术与阳光现有的IV曲线诊断、红外热成像分析形成互补，可提前发现因玻璃裂纹导致的组件功率衰减和...
具有缺失数据容忍性的概率风力发电预测：一种端到端非参数方法
Probabilistic Wind Power Forecasting With Missing Data Tolerance: An End-to-End Nonparametric Approach
Zichao Meng · Ye Guo · Chenhao Zhao · IEEE Transactions on Sustainable Energy · 2025年9月
针对传感器故障、通信问题或测量中断导致的缺失数据问题，本文提出一种端到端非参数概率风力发电预测方法，集成缺失数据填补机制。该方法包含端到端训练与在线应用两个阶段：训练阶段通过迭代填补缺失数据并优化模型损失函数；应用阶段则持续填补实时观测数据以实现多步概率预测。相比现有方法，本方法无需假设分布类型，且通过联合优化提升填补质量与预测性能。实验表明，该方法在不同缺失率下均优于传统两阶段及参数化端到端方法，尤其在多步预测中表现更优。
解读: 该端到端非参数预测方法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PowerTitan大型储能系统的调度效率。其次可集成到iSolarCloud平台，增强风电场发电量预测和运维预警能力。该方法的缺失数据容忍机制可显著提升阳光电源设备在恶劣环境...
利用双层物理信息神经网络改进光伏模型参数估计
Improving Estimation of Parameters in Photovoltaic Models Using Two-Level Layered Physics-Informed Neural Networks
Nikta Shamsmohammadi · Giovanni Spagnuolo · José del Campo-Ávila · Esteban José Palomo 等5人 · IEEE Journal of Photovoltaics · 2025年9月
准确估计光伏模型中的参数对于改善系统监测、控制和诊断至关重要。在本研究中，提出了一种新颖的两级分层物理信息神经网络（PINN）架构，用于估计动态单二极管光伏模型中的参数，包括辐照度（$G$）、温度（$T$）和结电容（$C_{j0}$）。在光伏电流和电压波形不受噪声影响的情况下，所提出的方法实现的误差为：辐照度（$G$）误差为 0.25%，温度（$T$）误差为 1.5%，结电容（$C_{j0}$）误差为 2.1%。与传统优化方法相比，两级分层 PINN 表现更优，尤其在学习结电容（$C_{j0}$...
解读: 该双层物理信息神经网络参数估计技术对阳光电源SG系列光伏逆变器的MPPT算法优化具有重要应用价值。通过精准估计光伏组件的五参数模型（光生电流、二极管饱和电流、串联电阻等），可显著提升不同光照温度条件下的最大功率点追踪精度。该方法可集成到iSolarCloud智能运维平台，实现光伏阵列实时建模与性能诊...
基于神经网络的光伏集成主动配电网动态等值
Dynamic Equivalent of PV-Integrated Active Distribution System Using Neural Networks
Md Rifat Hossain · Prabin Mali · Sumit Paudyal · IEEE Transactions on Industrial Informatics · 2025年9月
随着配电系统（DSs）在光伏（PV）渗透率不断提高的情况下向有源配电网（ADNs）转变，计算上易于处理的动态模型对于实时分析和控制变得十分必要。本文提出了一种基于非线性自回归外生（NARX）型递归神经网络（RNNs）的两阶段数据驱动建模框架，用于开发智能光伏系统和含光伏的有源配电网的动态等效模型（DEMs）。首先，开发动态等效模型以捕捉具备辅助电压支撑功能的住宅光伏系统的非线性功率动态特性。该框架进一步扩展，以自动捕捉不同光伏渗透率水平下变电站级有源配电网的功率交换情况。数据驱动模型与传统建模方...
解读: 从阳光电源的业务视角来看，这项基于NARX递归神经网络的主动配电网动态等效建模技术具有重要战略价值。该技术直接切中高比例光伏接入配电网后系统建模复杂度激增的痛点，为我司智能光伏逆变器的电网支撑功能优化提供了新的技术路径。 该研究的核心价值在于将复杂的光伏并网系统动态特性压缩为高精度、低计算量的数据...
一种用于电网集成系统中太阳能光伏逆变器控制的新型M-POS-ANN控制器
A New M-POS-ANN Controller for the Solar Photo Voltaic Inverter Controlling in the Grid Integrated System
Abhinav Saxena · Jay Singh · Amevi Acakpovi · IET Power Electronics · 2025年9月 · Vol.18
本文提出的混合毒物分布与人工神经网络（M-POS-ANN）控制器在选择性、灵敏度方面表现更优，且直流链路电压畸变最小、波动最低。与 cuckoo 搜索算法（CSA）、传统人工神经网络（ANN）及其他现有方法相比，该控制器在动态响应和稳态性能上均展现出更强的鲁棒性与控制精度，有效提升了电网集成光伏系统的运行稳定性与能量转换效率。
解读: 该M-POS-ANN控制器对阳光电源SG系列光伏逆变器及ST储能变流器的并网控制具有重要应用价值。其核心优势在于：1）直流链路电压畸变最小化可直接提升1500V高压系统的稳定性，降低母线电容应力；2）优异的动态响应与鲁棒性可增强跟网型GFL控制在弱电网工况下的适应能力；3）基于神经网络的智能控制策略...
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...
基于生物材料介电层的有机滞回反相器用于人工神经元电路
Organic Hysteretic Inverter with Biomaterial Dielectric for Artificial Neuronal Circuit
Chong Qian · Xu Gao · Zhong-Da Zhang · Zi-Yi Yin 等6人 · IEEE Electron Device Letters · 2025年9月
受人类大脑启发，人工神经元的开发对于实现脉冲神经网络至关重要，该网络通过离散的脉冲传输利用时空处理能力。在这项工作中，我们展示了一种具有类似反相施密特触发器功能的有机滞后反相器，其中 p 型和 n 型有机薄膜晶体管（OTFT）均采用与十六烷基三甲基氯化铵复合的脱氧核糖核酸（DNA - CTMA）这种生物材料作为栅极电介质。DNA - CTMA 介电层的极化特性赋予了反相器稳定的记忆窗口，该窗口被充分利用以构建一个电子漏电积分发放（LIF）神经元，该神经元能够对输入电流脉冲进行积分并产生输出电压脉...
解读: 从阳光电源的业务视角来看，这项基于生物材料介电层的有机滞后逆变器研究虽然聚焦于神经形态计算，但其底层技术原理对我司在智能逆变器和储能系统控制领域具有前瞻性启示意义。 该研究展示的施密特触发器式滞后特性与我司光伏逆变器中的电压稳定控制、储能系统的充放电管理存在技术关联。其利用DNA-CTMA介电层实...
一种基于模型无关在线学习的直流/交流逆变器控制策略
A Model-Independent Online Learning-based Control Strategy for DC/AC Inverters
Zifan Lin · Yulin Liu · Wenxiang Du · Qingle Sun 等6人 · IEEE Transactions on Power Electronics · 2025年9月
本文提出了一种用于电力电子逆变器的新型控制方案，该方案采用了由障碍李雅普诺夫函数引导的径向基函数神经网络控制器，具有在线学习和实时应用的特点。与许多现有的基于自适应神经网络的控制器不同，所提出的方法无需了解系统参数，也不需要任何离线训练。控制律完全在线更新，并保证收敛，确保在存在不确定性和干扰的情况下实现有界电流跟踪。其结构简单，计算复杂度极低，使其成为目前适用于实时直流 - 交流逆变器控制的最高效的无模型控制器之一。通过将该控制器应用于三电平中性点钳位逆变器，验证了其有效性和鲁棒性。
解读: 从阳光电源的业务视角来看，这篇论文提出的基于径向基函数神经网络的无模型在线学习控制策略具有显著的应用价值。该技术针对DC/AC逆变器控制的核心痛点，通过障碍李雅普诺夫函数引导的实时在线学习机制，实现了无需系统参数知识、无需离线训练的自适应控制，这与我司在光伏逆变器和储能变流器领域追求的高可靠性、强适...
面向绿色人工智能：基于深度学习与滤波技术的商用锂离子电池健康状态估计与退化分析的节能方法
Towards Green AI: Energy-Efficient State of Health Estimation and Degradation Analysis of Commercial Lithium-Ion Batteries Based on Deep Learning and Filter Technique Approach
Deepak Kumar · Mujeeb Ahmed · Majid Jamil · M. Rizwan 等5人 · IEEE Transactions on Industry Applications · 2025年9月
大型数据集中冗余的相似数据点会增加数据集的规模、存储量、内存使用量、训练时间和计算资源需求，导致深度学习（DL）模型效率显著降低。这些低效问题会降低模型性能并增加能耗。现有的基于深度学习的锂离子电池健康状态（SOH）估计方法常常面临计算需求高、精度低和能耗高等挑战。这些模型为了获得准确的结果需要消耗大量能量，从而导致更高的电力需求和碳足迹。因此，本文提出了一种基于冗余减少方法的新型过滤技术（FT）。该方法可提高数据集的质量，即减小数据集规模、降低内存利用率并减少能耗。将这种新型过滤技术与门控循环...
解读: 该节能型电池健康状态估计技术对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。通过滤波技术减少冗余数据，可显著降低BMS系统的计算负荷和能耗，特别适用于大规模储能电站的实时健康监测。该方法可集成至iSolarCloud云平台，实现边缘侧轻量化SOH估算与云端深度分析的协...
基于自适应递归神经网络的ADRC附加阻尼控制器用于III型风电系统中次同步振荡抑制
Adaptive Recurrent Neural Network-Based ADRC Supplementary Damping Controller for SSO Mitigation in Type-3 Wind Power Systems
Anju M · Shihabudheen K V · Mija S J · IEEE Transactions on Power Delivery · 2025年8月
可再生能源接入改变了电力系统动态特性，增加了双馈感应发电机串联补偿系统中次同步振荡（SSO）的风险。传统次同步阻尼控制器（SSDC）虽易于实现，但在非线性、强不确定性的风电系统中效果受限。本文提出一种基于递归径向基函数神经网络（RRBFNN）的主动抗扰控制（ADRC）附加阻尼控制器，利用RRBFNN逼近参数不确定性、非线性动态及周期性扰动引起的总扰动，提升ADRC对扩展状态观测器的适应能力。采用Lyapunov方法分析闭环系统稳定性，并基于2009年ERCOT事件及互联风电场模型进行仿真验证，通...
解读: 该研究提出的RRBFNN-ADRC控制方案对阳光电源的储能变流器和大功率风电变流器产品具有重要参考价值。特别是ST系列储能变流器和风电产品线可借鉴其自适应抗扰控制思路,优化系统在弱电网下的次同步振荡抑制能力。该方案将神经网络与ADRC结合,可提升产品在复杂电网环境下的适应性,有助于提高PowerTi...
基于物理信息神经网络与交叉注意力的磁芯损耗模型
A Magnetic Core Loss Model Based on Physics-Informed Neural Network with Cross-Attention
Yunhao Xiao · Chi Li · Zedong Zheng · IEEE Transactions on Power Electronics · 2025年8月
由于软磁材料固有的损耗机制尚不明确，损耗建模往往成为电力电子系统分析中的瓶颈。一方面，损耗会显著影响整体效率；另一方面，高频运行导致的小型化使得高频磁性元件的温升对损耗更为敏感，这使得热可靠性分析变得至关重要。然而，现有的损耗模型由于对复杂运行条件的高敏感性，在这些条件下的适用性会变差。本文提出了一种自适应损耗模型，该模型通过交叉注意力机制增强了物理损耗模型的学习能力和运行条件适应性，在测试集上实现了平均误差2.8%、最大误差12.3%的效果。此外，通过热分析验证了所提模型的准确性，相对误差为1...
解读: 从阳光电源的业务视角来看，这项基于物理信息神经网络的磁芯损耗模型技术具有重要的战略价值。在光伏逆变器和储能变流器等核心产品中，高频变压器和电感等磁性元件是影响系统效率和可靠性的关键部件。该技术通过交叉注意力机制实现的自适应损耗建模，能够在复杂工况下保持2.8%的平均误差和1.7%的热分析误差，这对我...
高阶DC-DC变换器的在线神经网络无模型控制方法
Online Neural Network Based Model-free Control Method for High-order DC-DC Converter
Zhenkun Xiong · Liangzong He · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年8月
在复杂DC-DC变换器各种控制策略中,神经网络控制方法日益突出。其擅长无需精确数学模型的函数逼近,特别适合复杂、非线性和不确定控制系统。提出高阶DC-DC变换器新型在线无模型控制策略,利用神经网络能力。通过利用实时运行数据训练神经网络,该方法无需复杂模型即可开发变换器控制器。使用在线估计技术提取过程梯度。深入探讨无模型系统原理并详细分析控制方法稳定性。在高升压DC-DC变换器上进行大量实验验证控制框架的实用性、鲁棒性和响应性,该变换器高阶且难以建模,精确建模极具挑战性,可严格测试神经网络控制策略...
解读: 该在线神经网络无模型控制技术对阳光电源高阶复杂变换器控制有重要创新价值。无模型神经网络方法可应用于ST储能变流器的多级DC-DC变换器,简化控制器设计并提高适应性。在线训练和梯度估计技术对阳光电源变换器的自适应控制和参数漂移补偿有借鉴意义。该技术对PowerTitan大型储能系统的复杂拓扑控制和鲁棒...
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...
基于领域知识引导的特征与损失函数构建的可解释风电功率预测
Interpretable Wind Power Forecasting with Feature and Loss Function Construction Guided by Domain Knowledge
Yongning Zhao · Yuan Zhao · Yanxu Chen · Haohan Liao 等6人 · IEEE Transactions on Sustainable Energy · 2025年8月
针对当前风电功率预测方法缺乏领域知识融合导致精度与可解释性不足的问题，提出一种可解释的数据-知识融合超短期预测模型。通过历史风速输入构建风速-功率曲线生成理论输出，并结合实测数据作为模型输入；设计边界约束损失函数，利用alpha shape算法和局部加权线性回归提取功率上下边界并动态更新以捕捉波动特性；引入基于Jensen-Shannon散度的误差分布形状损失，促使训练误差逼近正态分布。在30个风电场的实验表明，该方法在各预测时域均优于基线模型，且在噪声与缺失数据下具有强鲁棒性。
解读: 该风电功率预测技术对阳光电源储能和智能运维产品线具有重要应用价值。特别是其基于领域知识的边界约束和误差分布优化方法,可直接应用于ST系列储能变流器的功率调度和PowerTitan系统的容量规划。通过将该预测算法集成到iSolarCloud平台,可提升风储联合项目的调度精度和经济性。其数据-知识融合的...
基于最优动态下垂系数的分布式光伏快速有功功率调节
Rapid Active Power Regulation of Distributed Photovoltaics based on Optimal Dynamic Droop Coefficients
Ting Yan · Chunxia Dou · Dong Yue · Ziwei He 等5人 · IEEE Transactions on Sustainable Energy · 2025年7月
为实现大规模分布式光伏（DPV）对快速有功功率调节的主动响应，本文提出一种融合聚类与优化的双层架构，用于协调设计DPV的动态下垂系数。底层根据调节需求选取可调容量和响应时间作为聚类特征，采用U-k-means算法实现DPV聚类；上层构建计及调节性能与网损的频率偏差-最优下垂系数模型，并从潮流影响角度进行优化。通过图注意力网络（GAT）预先求解不同频率波动下的下垂系数调节策略。在改进的IEEE 33节点系统上的仿真结果表明，所提GAT模型优于现有神经网络模型，且所提最优下垂系数调节策略具有有效性与...
解读: 该动态下垂系数优化技术对阳光电源SG系列光伏逆变器和PowerTitan储能系统具有重要应用价值。研究提出的双层架构可直接应用于iSolarCloud平台的分布式光伏集群控制：底层U-k-means聚类算法可根据各逆变器可调容量和响应时间实现智能分组，上层GAT神经网络模型可实时预测最优下垂系数，实...
基于学习增强型模型预测控制的混合储能系统实时能量管理策略及其在波浪能转换器中的应用
Real-Time Energy Management of Hybrid Energy Storage System with Application to Wave Energy Converters: A Learning-Augmented MPC Strategy
Xuanyi Zhu · Zechuan Lin · Xuanrui Huang · Kemeng Chen 等6人 · IEEE Transactions on Sustainable Energy · 2025年7月
将混合储能系统（HESS）集成到波浪能转换器（WEC）中可有效抑制多时间尺度下的功率波动，但需依赖高效的能量管理策略（EMS）。模型预测控制（MPC）虽能逼近全局最优并满足约束，但非线性优化问题带来高计算负担，且多目标权衡下的代价函数权重因子（WF）整定困难。为此，本文提出一种学习增强型MPC策略。该方法结合模糊逻辑非对称动作裁剪技术以降低计算耗时，并引入高效暖启动Q学习框架实现WF的在线自整定。为缩小仿真与实际间的差距，设计了基于神经网络的电流预测器以感知功率转换中的非线性损耗。仿真与实验结果...
解读: 该学习增强型MPC策略对阳光电源ST系列储能变流器及PowerTitan大型储能系统具有重要应用价值。其模糊逻辑动作裁剪技术可显著降低MPC实时计算负担，适配储能变流器DSP/FPGA控制平台；Q学习框架实现的权重因子在线自整定能优化多目标权衡（功率平滑、电池寿命、效率），提升ESS集成方案的全生命...
基于四级编码与弱光换流的超低功耗电子式电流互感器
Ultra-Low Power Electronic Current Transducer Based on 4-Level Encoding and Weak-Light Commutation
Yong Zhang · Wenhao Xu · Xiangyu Shen · Zhichao He 等5人 · IEEE Transactions on Power Delivery · 2025年7月
针对有源电子式电流互感器（ECT）高压侧供电方案存在的小电流死区、能量转换效率低等问题，提出一种高压侧功耗低于4 mW的ECT设计。该方案采用电池供电，利用驱动电压为1.8 V、有效占空比0.16的发光二极管（LED）弱光模式工作，并通过双半桥结构的低功耗驱动电路将两个数字信号合并为单路四级信号，使LED功耗降低50%。低压侧采用融合支持向量机与循环神经网络的四级抗干扰解码方法。实验结果表明，该ECT高压侧最大功耗为3.14 mW，精度达0.2S级；联合解码算法可准确识别所有四级实验数据及由自编...
解读: 该超低功耗ECT技术对阳光电源储能与光伏产品线具有重要应用价值。其3.14mW功耗设计和0.2S级精度可直接应用于ST系列储能变流器和SG光伏逆变器的电流采样环节，解决高压侧供电难题，降低辅助电源损耗。四级编码弱光通信方案为PowerTitan大型储能系统的多点电流监测提供低成本隔离方案。融合SVM...
可解释性增强模糊集用于配电鲁棒最优调度中区域风电不确定性量化
Interpretable Augmented Ambiguity Set for Quantifying Regional Wind Power Uncertainty in Distributionally Robust Optimal Dispatch
Zhuo Li · Lin Ye · Ming Pei · Xuri Song 等6人 · IEEE Transactions on Sustainable Energy · 2025年7月
大规模风电并网给电力系统运行带来严峻的不确定性挑战。本文提出一种基于深度学习的可解释增强模糊集，用于分布鲁棒优化框架下的两阶段经济调度，以精确刻画区域风电不确定性。该模糊集融合各风电场细粒度误差模型及站点间交互依赖关系。首次提出多教师知识蒸馏-时间生成对抗网络（MKD-time GAN），通过级联学习机制构建单风电场预测误差的球形模糊集；进一步结合Nataf变换将多个模糊集映射为表征区域联合误差分布的增强模糊集，并推导出可 tractable 的两阶段调度求解算法。IEEE 118节点系统验证了...
解读: 该研究提出的深度学习增强模糊集方法对阳光电源的储能和风电产品线具有重要应用价值。具体而言：1) 可应用于ST系列储能变流器的调度优化,提升大规模风储联合系统的经济性和可靠性；2) 其多教师知识蒸馏框架可优化PowerTitan储能系统的功率预测算法,提高调度精度；3) 研究的区域联合误差建模方法可用...
第 1 / 12 页