找到 4 条结果
基于KAN的可解释净负荷概率预测方法
A KAN-Based Interpretable Probabilistic Net Load Forecasting Method
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...
通过简化实现高效：基于MLP的低压配电网净负荷预测与不确定性估计方法
Efficiency Through Simplicity: MLP-Based Approach for Net-Load Forecasting With Uncertainty Estimates in Low-Voltage Distribution Networks
Anthony Faustine · Nuno Jardim Nunes · Lucas Pereira · IEEE Transactions on Power Systems · 2024年5月
电力需求预测在低压配电网的规划与运行中日益重要。分布式能源中光伏渗透率的提升使配电侧的负荷预测问题转变为净负荷预测。本文提出一种新颖且可扩展的低压变电站概率预测方法，采用分位数回归构建多变量概率预测框架，并利用计算高效的前馈神经网络捕捉历史负荷与太阳辐照等协变量间的复杂关系。实验表明，该方法能以自回归或单次前向传播方式生成校准良好的预测结果。与四种先进方法的对比表明，所提方法在预测精度、不确定性校准和计算复杂度之间实现了良好权衡。
解读: 该基于MLP的净负荷概率预测技术对阳光电源iSolarCloud智能运维平台和PowerTitan储能系统具有重要应用价值。其轻量级神经网络架构可集成至ST系列储能变流器的本地控制器，实现边缘侧实时预测，降低云端通信依赖。分位数回归提供的不确定性估计能优化储能系统充放电策略，在高光伏渗透率场景下提升...
基于联合分布建模的分布式光伏超短期功率概率预测方法
Ultra-short-term Power Probabilistic Forecasting Method for Distributed Photovoltaic based on Joint Distribution Modeling
Wenqiu Wang · Yuqing Wang · Fei Wang · Fei Xu 等6人 · IEEE Transactions on Industry Applications · 2025年7月
分布式光伏（DPV）超短期功率的准确概率预测对于配电网的运行与调度具有重要意义。针对现有研究未能有效考虑功率预测误差与波动特性之间依赖关系的问题，本文提出一种基于联合分布建模的分布式光伏超短期功率概率预测方法。该方法借鉴大语言模型（LLM）的设计理念，构建了一个能在小样本条件下出色完成时间序列确定性点预测的Transformer模型，为概率预测提供高质量的数据支撑。同时，为了更精细地挖掘功率预测误差与波动特性之间的关系，设计了利用自编码器（AE）提取和度量的深度不确定性，以有效支持功率波动模式识...
解读: 该分布式光伏超短期功率概率预测技术对阳光电源iSolarCloud智能运维平台和SG系列光伏逆变器具有重要应用价值。联合分布建模方法可集成到云平台的预测性维护模块，通过Copula函数刻画气象-功率非线性关联，为分布式光伏电站提供15分钟至4小时的概率预测区间，显著提升调度决策可靠性。该技术可优化S...
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...