找到 2 条结果
基于迁移学习和自编码器的极端天气自适应短期风电功率预测
Short-term Wind Power Forecasting for Extreme Weather Adaptation Based on Transfer Learning and Autoencoder
李宇佳陈富豪阎洁葛畅韩爽刘永前 · 电力系统自动化 · 2025年1月 · Vol.49
针对寒潮、台风、覆冰等极端天气下风电功率预测精度低的问题，提出一种基于气象因子的极端天气事件判别方法，并结合迁移学习与自编码器实现自适应短期风电功率预测。通过分析气象要素与机组出力的耦合特性，构建极端天气识别标准；利用自编码器增强长序列特征提取能力，采用‘预训练-微调’策略，在正常天气数据上预训练模型后，基于有限的极端天气样本进行微调，并根据识别结果自适应选用对应模型进行预测。基于12个风电场数据的实验表明，该方法可准确判别极端天气事件，并显著提升预测精度。
解读: 该研究对阳光电源风电变流器和储能系统具有重要应用价值。通过迁移学习和自编码器提升极端天气下的功率预测精度，可优化ST系列储能变流器的调度策略和PowerTitan系统的能量管理。特别是在寒潮、台风等极端天气条件下，该技术可提升风储联合系统的并网稳定性和经济性。建议将此预测方法集成到iSolarClo...
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...