找到 2 条结果
基于双馈风电机组的风电场高效实时电磁暂态
EMT）仿真建模方法
Yifan Liu · Jianzhong Xu · Yiyang Zhu · Zhaoxuan Tian 等6人 · IEEE Transactions on Power Electronics · 2025年9月
随着可再生能源并网规模扩大，电磁暂态（EMT）仿真对系统分析至关重要。由于风电机组模型节点多、计算复杂度高，实时仿真面临硬件资源挑战。本文提出了一种降低电路复杂度的建模方法，旨在提升双馈风电机组（DFIG）在实时仿真环境下的计算效率与精度。
解读: 该研究针对风电场实时仿真效率的优化，对阳光电源风电变流器业务具有重要参考价值。随着风电渗透率提升，电网对变流器在弱电网下的稳定性及构网型（GFM）控制能力要求提高。该建模方法可助力阳光电源在风电变流器研发阶段，通过更高效的EMT仿真平台，快速验证变流器在复杂电网工况下的动态响应与控制策略，缩短产品开...
基于物理信息自监督预训练的GNN在大规模电力系统分析中的泛化能力提升
GNNs' Generalization Improvement for Large-Scale Power System Analysis Based on Physics-Informed Self-Supervised Pre-Training
Yuhong Zhu · Yongzhi Zhou · Wei Wei · Peng Li 等5人 · IEEE Transactions on Power Systems · 2025年2月
在人工智能驱动的电力系统分析（PSA）中，系统拓扑的高效且信息丰富的表示至关重要。尽管取得了重大突破，但近期采用图神经网络（GNNs）的方法在大规模电力系统分析中面临重大挑战，包括获取足够标注数据的高计算需求，以及对未见故障拓扑的泛化能力较差。为解决这些问题，我们提出了一种用于预训练图神经网络的自监督策略，该策略可在单个节点特征层面和整个图结构层面提升图神经网络的表达能力。通过集成物理信息技术，我们的策略使图神经网络能够内化适用于多个下游任务的基本原理。我们证明，我们的方法能够在无监督的情况下对...
解读: 该研究提出的物理信息自监督GNN框架对阳光电源的智能化产品升级具有重要价值。首先可应用于ST系列储能系统和SG系列光伏逆变器的电网拓扑感知与控制优化,提升GFM/GFL控制的适应性;其次可集成到iSolarCloud平台,增强分布式电站群的智能调度与故障诊断能力。该方法通过物理规律预训练提升模型泛化...