找到 2 条结果
基于残差视觉重构器的天空图像序列超短期太阳能功率预测
Ultra-Short-Term Solar Power Prediction Using Sky Image Sequences by a Residual Vision Reformer
Razieh Rastgoo · Nima Amjady · Shunfu Lin · S. M. Muyeen · IEEE Transactions on Sustainable Energy · 2025年6月
太阳能发电受云层变化影响显著，具有较强不确定性，给可再生能源系统的稳定性带来挑战。准确的超短期太阳能功率预测有助于提升电网调度与运行效率。本文提出一种基于深度学习的预测模型，包含三个核心模块：多流视频视觉Transformer（MS-ViViT）用于提取天空图像序列的时空特征；融合改进型Reformer（Fused I-Reformer）通过融合编码器和新型损失函数增强序列学习能力；以及带注意力机制的残差全连接网络（ARFC）用于最终功率预测。在六个真实数据集上与36种对比模型进行的实验表明，该...
解读: 该基于天空图像序列的超短期光伏功率预测技术对阳光电源智能运维体系具有重要应用价值。可直接集成至iSolarCloud云平台，通过部署天空相机与深度学习模型，实现5-30分钟级功率预测，显著提升SG系列逆变器的MPPT算法响应速度。对于PowerTitan大型储能系统，该技术可优化充放电策略，通过提前...
STE-HOLNet：一种融合时空特征、动态概念漂移检测与自适应校正的风电功率预测新方法
STE-HOLNet: A new method for wind power prediction by integrating spatio-temporal features, dynamic concept drift detection and adaptive correction
Xiongfeng Zhao · Hai Peng Liu · Huaiping Jin · Xueping Shen 等5人 · Energy Conversion and Management · 2025年11月 · Vol.344
摘要 风电具有高度的不确定性和非线性，其时间序列通常表现出多周期性特征和概念漂移现象，这对实现高精度预测构成了重大挑战。本文提出了一种基于时空特征增强并结合动态在线校正机制的混合深度学习预测模型——时空增强型混合在线学习网络（Spatio-temporal Enhanced Hybrid Online Learning Network, STE-HOLNet），该模型通过改进的时间编码机制与深层网络结构紧密集成，实现了实时且高精度的风电功率预测。首先，引入一种改进的Time2Vec模块（E-Ti...
解读: 该风电功率预测技术对阳光电源储能系统具有重要应用价值。STE-HOLNet模型的概念漂移检测与自适应在线学习机制,可直接应用于ST系列PCS的功率预测模块,提升储能系统对风电波动的响应能力。其时空特征增强方法能优化iSolarCloud平台的预测性维护算法,降低RMSE达36.93%的性能可显著改善...