找到 5 条结果
基于模型学习偏移修正的短期风电功率预测方法
A Model Learning Bias Correction Approach for Short-Term Wind Power Forecasting
陈延旭潘世纪赵永宁叶林 · 电力系统自动化 · 2025年1月 · Vol.49
现有数据驱动的风电功率预测模型因学习偏移性问题，易偏向学习分布集中的样本，导致泛化能力不足。为此，提出一种学习偏移修正的短期预测方法。通过分析差异化样本对预测偏移的影响机制，对时序样本进行分类表征；针对难以预测的极端天气、异常及相似不平衡样本，结合场景生成、渐进式掩码检测与特征增强策略联合修正学习偏移；利用Shapley值评估各类样本重要性，验证修正策略的合理性。实例表明，该方法显著提升预测精度与模型泛化能力。
解读: 该风电功率预测方法对阳光电源储能和光伏产品线具有重要应用价值。首先，其学习偏移修正技术可优化ST系列储能变流器的调度控制策略，提升PowerTitan大型储能系统在风光储联合运行时的能量管理效率。其次，该方法的极端工况处理机制可应用于SG系列逆变器的MPPT算法优化，增强产品在恶劣天气下的发电效率。...
基于白噪声注入数据增强的三电平NPC逆变器开路故障鲁棒诊断方法
Robust Open-Switch Fault Diagnosis of Three-Level NPC Inverters Based on Data Augmentation With White Noise Injection
Jiwon Jung · Dyan Puspita Apsari · Dong-Choon Lee · IEEE Transactions on Power Electronics · 2024年10月
本文提出了一种基于一维（1-D）卷积神经网络（CNN）的三电平中性点钳位逆变器实时故障诊断新方法。该方法将数据增强技术应用于仿真数据，提升了深度学习模型的泛化能力。这使得故障诊断模型即使在未经训练的系统条件下也具有较高的鲁棒性。在这种情况下，应用采用数据增强的一维卷积神经网络模型的性能优于未加入白噪声的相同模型，准确率最高可提高1.71%。此外，与使用实验数据训练的深度学习模型相比，使用经过数据增强的仿真数据训练的深度学习模型表现更佳。所提出的方法已通过离线测试仿真和实时深度学习算法实验得到验证...
解读: 从阳光电源的业务视角来看，这项基于一维卷积神经网络的三电平NPC逆变器开路故障诊断技术具有重要的战略价值。三电平NPC拓扑结构是我司大功率光伏逆变器和储能变流器的核心技术架构，该诊断方法直接契合我们在1500V及以上系统、集中式逆变器和大型储能PCS产品线的技术需求。 该技术的核心创新在于通过白噪...
基于时空图对比学习的风电功率预测
Spatiotemporal Graph Contrastive Learning for Wind Power Forecasting
Guiyan Liu · Yajuan Zhang · Ping Zhang · Junhua Gu · IEEE Transactions on Sustainable Energy · 2025年2月
精确且鲁棒的风电功率预测对电力系统的安全稳定运行至关重要。基于图卷积网络的混合时空预测模型因在空间特征提取方面的优势而受到广泛关注，但其性能易受数据噪声和缺失影响导致的图结构质量下降制约。本文提出一种基于时空图对比学习的混合深度学习模型，其编码器结合自适应图卷积网络与LSTM以捕捉细粒度时空依赖关系。为提升编码器对数据噪声的鲁棒性，我们在特征层和拓扑层引入数据增强，并设计了时序与空间双重视角的对比学习辅助任务。此外，通过融合静态图与可学习参数矩阵构建自适应图以捕获更全面的空间关联。在两个真实数据...
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。首先可集成至ST系列储能变流器和PowerTitan系统的能量管理系统(EMS)中,提升风储联合运行的调度精度。其次,该技术的时空图对比学习方法可优化iSolarCloud平台的预测算法,提高新能源电站群的发电预测准确性。特别是其抗噪...
内在与外在学习框架用于多设备初期故障检测与分类
Intrinsic and Extrinsic Learning Framework for Multi-Equipment Incipient Fault Detection and Classification
Lixian Shi · Yang Weng · Qiushi Cui · Xiaodong Zheng 等6人 · IEEE Transactions on Industry Applications · 2024年9月
早期故障（IFs）是电力设备故障的先兆。由于发生频率低，早期故障数据十分稀缺。早期故障数据的稀缺导致识别早期故障存在困难。传统方法缺乏学习早期故障数据丰富且有意义表征的能力，尤其是在早期故障数据有限的情况下。此外，一些将波形转换为图像的方法在捕捉时间关系和分析波形失真方面并无优势。为解决这些问题，本文开发了一个名为INTEL - IFD的智能框架。在数据处理过程中，提出了一种加权早期故障格拉姆矩阵表达方法，以获得增强了早期故障特征的加权格拉姆图像，用于进一步基于图像的智能识别。为应对故障数据有限...
解读: 该内在与外在学习框架对阳光电源的功率器件故障预测具有重要应用价值。可应用于ST系列储能变流器、SG系列光伏逆变器中的SiC功率模块故障预警,以及PowerTitan大型储能系统的预测性维护。通过挖掘有限故障样本的深层特征并引入外部知识,可提升iSolarCloud平台对功率器件初期故障的诊断准确率。...
用于光伏电池缺陷检测中数据不平衡的缺陷电致发光图像生成
Defective Electroluminescence Image Generation for Data Imbalance in Solar Cell Defect Inspection
Ziai Zhou · Jiacheng Jiang · Jinxia Zhang · IEEE Journal of Photovoltaics · 2025年9月
利用高分辨率电致发光（EL）图像对光伏组件进行缺陷检测已广受欢迎。然而，针对光伏组件EL图像中的不平衡问题（即缺陷图像数量远少于正常图像数量）开展的研究有限。为解决上述问题，本文提出一种快速生成缺陷EL图像的方法。为准确提取缺陷区域，需要找出与缺陷图像最相似的正常图像。首先，提出一种图像类型分类网络，用于识别与缺陷图像类型（单晶硅或多晶硅）相同的正常图像。然后，进一步利用余弦相似度来找出与缺陷图像最相似的正常图像。之后，通过将缺陷图像与所找出的相似正常图像进行对比，获取缺陷模板。为快速生成多样且...
解读: 该缺陷EL图像生成技术对阳光电源iSolarCloud智能运维平台具有重要应用价值。在光伏电站运维中，稀有缺陷样本（如隐裂、热斑等）难以大量获取，制约了AI诊断模型的训练效果。该GAN生成方法可为SG系列逆变器配套的组件健康监测系统提供数据增强方案，通过合成稀有缺陷样本平衡训练集，显著提升小样本条件...