刘栋 · 郭国栋 · 辛蜀骏 · 毛志航 等6人 · 电力系统自动化 · 2025年1月 · Vol.49

分布式光伏的大规模接入导致电力系统净负荷预测面临强不确定性。针对现有深度学习模型在预测精度与可解释性之间的权衡难题，提出一种基于Kolmogorov-Arnold网络（KAN）的净负荷概率预测方法。通过挖掘KAN基函数权重矩阵与样条系数的可解释性，实现模型内在可解释性；结合最大似然估计设计均值与方差网络结构，有效拟合概率密度函数；采用最大互信息系数进行气象特征筛选，提升模型对多维气象因素的映射能力。算例验证表明，该方法在准确性、可解释性、训练效率与泛化性能方面优于传统方法。

解读: 该KAN可解释概率预测技术对阳光电源储能与光伏产品具有重要应用价值。在PowerTitan储能系统中，可集成该算法优化充放电策略，通过概率预测提升净负荷波动应对能力，降低电网调度风险；在iSolarCloud平台中，可解释性特征使运维人员直观理解气象因素对发电影响，提升预测性维护精度；对于ST储能变...

李鹏 · 葛儒哲 · 董存 · 孙树敏 等6人 · 高电压技术 · 2025年6月 · Vol.51

为保障锂离子电池运行的可靠性与安全性，及时监测其健康状态，本文在Autoformer与iTransformer模型基础上，融合线性回归模型，提出一种基于转置Transformer的自适应特征感知电池健康状态融合估计模型。通过提取充电曲线健康因子，将容量退化分解为趋势项与再生项，分别由线性回归和转置Transformer模型进行预测与估计，结合二者输出获得最终容量退化趋势。利用注意力权重增强模型可解释性。实验结果表明，该方法在NASA数据集上预测误差显著低于其他时序模型，验证了其精度与可靠性，为电...

解读: 该转置Transformer自适应SOH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。通过将容量退化分解为趋势项与再生项的混合建模方法，可显著提升iSolarCloud云平台的电池健康状态监测精度，实现更准确的预测性维护。该方法基于充电曲线健康因子提取，可无...

Maria Trigka · Elias Dritsas · IEEE Access · 2025年1月

生成式AI通过实现文本、图像、音频和结构化数据的高保真内容创建彻底革新AI领域。本综述探讨生成式AI的核心方法、进展、应用和持续挑战，涵盖变分自编码器、生成对抗网络、扩散模型和Transformer架构等关键模型。这些创新推动医疗、科学计算、自然语言处理、计算机视觉和自主系统的突破。尽管取得进展，生成式AI在偏见缓解、可解释性、计算效率和伦理治理方面面临挑战，需要研究可扩展架构、可解释性和AI安全机制。整合强化学习、多模态学习和自监督技术增强生成模型可控性和适应性。随着AI重塑工业自动化、数字媒...

解读: 该生成式AI综述对阳光电源智能化转型具有战略指导意义。阳光可将生成式AI应用于多个领域：电站运维中的故障诊断报告自动生成、光伏发电预测模型优化、储能调度策略智能生成等。结合阳光iSolarCloud平台的海量数据，可构建电力电子领域专用大模型，提升系统智能化水平，加速产品设计和运维优化，推进数字化转...

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...