找到 4 条结果
基于增强多分位数损失的扩张因果卷积风速确定性预测与预测区间
Deterministic Forecasts and Prediction Intervals for Wind Speed Using Enhanced Multi-Quantile Loss Based Dilated Causal Convolutions
Adnan Saeed · Chaoshun Li · Qiannan Zhu · Belal Ahmad · IEEE Transactions on Sustainable Energy · 2025年2月
随着风电渗透率的提高，获取包含不确定性的风速预测对电力系统的规划与调度至关重要。本文提出一种改进的多分位数回归损失函数，可同时生成确定性预测及相应的预测区间。为提升模型效率，设计了一种基于多尺度扩张因果卷积的网络架构，并采用粒子群优化融合多尺度预测以获得最优结果。模型在NREL模拟数据及中国国家电网三个地点的实际运行数据上进行训练与验证，实验表明所提方法在模拟与真实场景下均具有优异的预测性能。
解读: 该风速预测技术对阳光电源储能和风电产品线具有重要应用价值。基于扩张因果卷积的预测方法可集成到ST系列储能变流器和PowerTitan系统的能量管理算法中，提升风储联合运行效率。其多分位数预测区间可优化储能调度策略，为风电波动性补偿提供更精确的容量预留。该方法也可应用于iSolarCloud平台，通过...
基于OWT-STGradRAM的超短期时空风速预测
Ultra-Short-Term Spatio-Temporal Wind Speed Prediction Based on OWT-STGradRAM
Feihu Hu · Xuan Feng · Huaiwen Xu · Xinhao Liang 等5人 · IEEE Transactions on Sustainable Energy · 2025年2月
考虑风电场中风机站点的方向与距离特征有助于提升风电功率预测精度。本文提出一种基于正交风向变换时空梯度回归激活映射（OWT-STGrad-RAM）的深度学习时空预测方法。该模型将风电场编码为图像，各风机作为图像中的点，通过时空融合卷积网络集成风速、温度和气压等多源数据进行特征融合与预训练，构建特征数据集。利用OWT消除不同主导风向的影响，结合STGrad-RAM刻画风机节点间的方位与距离关系，增强空间特征的可解释性，并用于风速预测。实验结果表明，所提方法在预测精度上显著优于对比模型。
解读: 该风速预测技术对阳光电源的储能和风电产品具有重要应用价值。OWT-STGradRAM模型通过深度学习实现的高精度风速预测，可优化ST系列储能变流器的调度策略和PowerTitan储能系统的容量配置。在风电场应用中，该技术可提升风电并网点功率预测精度，有助于改进储能系统的功率平滑控制和调频调峰性能。模...
一种面向多地点短期风速预测的以位置为中心的Transformer框架
A location-centric transformer framework for multi-location short-term wind speed forecasting
Luyang Zhao · Changliang Liu · Chaojie Yang · Shaokang Liu 等6人 · Energy Conversion and Management · 2025年1月 · Vol.328
准确的时空风速预测在电力系统优化和可再生能源效率提升中起着至关重要的作用。然而，传统模型通常将多个地点的历史风速数据合并到统一的特征通道中，这种做法削弱了其捕捉空间相关性的能力，从而降低了预测精度。本研究提出，在建模时空关系时保持各位置特有的差异性有助于提升预测性能。基于这一前提，本文构建了一种新颖的基于Transformer、具有以位置为中心架构的预测框架，并引入了若干关键创新：（1）一种时空门控融合单元，能够动态整合地理坐标与时间风速数据，同时保留位置特异性信息；（2）一种重构的Transf...
解读: 该位置中心化Transformer风速预测框架对阳光电源新能源管理系统具有重要应用价值。精准的多点短期风速预测可直接优化ST系列储能变流器的充放电策略,通过时空关联建模提升风光储协调控制精度。其双重增强机制可集成至iSolarCloud平台的预测性维护模块,结合地理坐标与时序数据的门控融合单元能改进...
基于外生变量与调优形式时间序列提示增强的大型时间序列模型的风电功率预测
Wind power prediction using foundation large time series models enhanced by time series prompt in exogenous and tuning forms
Yuwei Fan · Tao Song · Chenlong Feng · Chao Liu 等5人 · Applied Energy · 2025年1月 · Vol.400
摘要 大型时间序列模型（Large Time Series Models, LTSMs）在能源领域具有广泛的应用前景，其中时间序列分析在电力预测等多种实际下游任务中发挥着重要作用。然而，对外生变量的忽视以及全量微调方法的局限性，制约了这些模型在下游任务中的适应能力。本文提出时间序列提示（Time Series Prompt, TSP）的概念，构建了一种基于TSP的方案，将外生变量融入基础LTSM，并结合参数高效微调（Parameter-Efficient Fine-Tuning, PEFT）方法...
解读: 该大型时序模型与时序提示技术对阳光电源风储系统具有重要价值。通过外生变量(风速预测)嵌入提示机制,可显著提升风电功率预测精度(MSE降低50%),结合参数高效微调进一步优化50%。该方法可直接应用于ST系列储能PCS的充放电策略优化,提升风储协同效率;集成至iSolarCloud平台实现智能预测性运...