ISI Net：一种集成可解释性与智能选择的新型集成学习范式用于精确风电功率预测

ISI Net: A novel paradigm integrating interpretability and intelligent selection in ensemble learning for accurate wind power forecasting

Bingjie Liang · Zhirui Tianb · Energy Conversion and Management · 2025年1月 · Vol.332

摘要 作为一种清洁能源，风能可以有效缓解能源危机并减少环境污染。准确的风电功率预测能够促进风电产业的快速发展。集成学习是一种广泛使用的风电功率预测方法，但现有的集成学习方法未能对子模型的权重进行解释，且在子模型的选择上缺乏准确依据。为解决上述问题，本研究提出了一种将智能选择与可解释性相结合的新型神经网络范式（ISI Net），用于风电功率预测。所提出的框架分为三个模块。在数据预处理模块中，采用灰色关联分析（Grey Relational Analysis, GRA）进行特征选择，以避免因特征过多...

解读: 该ISI Net风电功率预测范式对阳光电源储能系统具有重要应用价值。其集成智能选择与可解释性的集成学习方法,可应用于ST系列PCS的能源管理系统优化:通过精准预测风电出力,优化PowerTitan储能系统的充放电策略;GRA特征选择和VMD降噪技术可提升iSolarCloud平台的预测性维护能力;可...

PVMTF：基于块技术与信息融合编码的端到端长序列时间序列预测框架用于中期光伏发电预测

PVMTF: End-to-end long-sequence time-series forecasting frameworks based on patch technique and information fusion coding for mid-term photovoltaic power forecasting

Zhirui Tiana · Bingjie Liang · Applied Energy · 2025年1月 · Vol.396

准确的光伏发电功率预测能够缓解其对电网稳定性的不利影响。目前大多数光伏发电预测模型依赖于增加模型复杂度或扩大回溯窗口尺寸以提升所提取信息的量，但这往往导致已学习信息的灾难性遗忘或引入过多冗余噪声。此外，一些模型通过分解数据并采用非端到端的学习方式进行预测，可能导致信息不一致和误差累积，从而限制了预测精度的进一步提升。为应对上述挑战，本文提出了一种端到端的PVMTF预测框架，包含PatchGRU和PatchGRU_h两种模型。本研究分为两个模块：在数据预处理模块中，采用孤立森林（Isolation...

解读: 该PVMTF端到端光伏功率预测框架对阳光电源iSolarCloud智慧运维平台具有重要应用价值。其基于patch技术的长序列预测能力可显著提升4-7天中期功率预测精度,有效支撑SG系列逆变器集群的发电调度优化。通过灰色关联分析的特征选择可降低计算复杂度,适配边缘侧部署。该技术可与ST系列储能PCS协...