找到 2 条结果
可解释的物理深度学习模型用于架空输电线路覆冰厚度预测
Explainable Physical Deep-Learning Model for Overhead Transmission Line Icing-Thickness Prediction
Hui Hou · Yi Wan · Zhenguo Wang · Shaohua Wang 等6人 · IEEE Transactions on Industry Applications · 2025年7月
全球变暖导致极端天气事件频发，其中频繁发生的冰灾对电力系统的稳定性构成了重大威胁。随着预测模型复杂度的增加，必须同时确保其准确性和可解释性。因此，我们提出了一种用于架空输电线路覆冰厚度预测的可解释物理深度学习模型。首先，通过白鲸优化（BWO）方法构建了一个优化模型，该模型可使预测误差最小化。其次，将深度学习预测模型与物理模型和长短期记忆网络（LSTM）模型相结合。物理模型考虑了诸如风偏角、风荷载和冰荷载等物理定律。此外，我们使用沙普利加性解释法来阐释输入特征对输出特征及模型预测结果的影响。最后，...
解读: 该覆冰预测技术对阳光电源户外电力设备具有重要防护价值。针对ST系列储能变流器和PowerTitan大型储能系统的户外部署场景，可通过集成气象传感器与物理深度学习模型，实现设备覆冰风险的提前预警，触发主动加热或功率调节策略。对于SG系列光伏逆变器，该可解释AI方法可借鉴至iSolarCloud智能运维...
电池储能系统的优化配置以提高弱电网的系统可靠性及电压和频率稳定性
Optimal allocation of battery energy storage systems to improve system reliability and voltage and frequency stability in weak grids
Dong Zhang · Gm M. Shafiullah · Choton K.Das · Kok Wai Wong · Applied Energy · 2025年1月 · Vol.377
摘要 近年来，太阳能和风能等可再生能源在电力网络中的集成显著增加。然而，这些能源本质上具有波动性和间歇性，给电网的稳定性和可靠性维持带来了挑战。应对这些挑战的一个有前景的解决方案是战略性地部署电池储能系统（Battery Energy Storage Systems, BESS）。BESS能够在需要时快速对电网进行充放电，从而支持改善系统的电压和频率稳定性，并提高系统可靠性。为了充分挖掘BESS在电力系统中的优势，确定其最优配置至关重要。因此，本文提出了一种在弱电网中优化配置BESS的技术，旨在...
解读: 该研究针对弱电网中储能系统优化配置的方法,对阳光电源ST系列PCS和PowerTitan储能解决方案具有重要应用价值。论文提出的自适应灰狼优化算法可为阳光电源储能系统的容量规划和选址提供理论支撑,特别是在高比例新能源接入场景下。结合阳光电源GFM/GFL控制技术和VSG虚拟同步机功能,可进一步提升弱...