找到 53 条结果
一种基于加权特征融合的新型集成CNN框架用于光伏组件热成像故障诊断
A Novel Ensemble CNN Framework With Weighted Feature Fusion for Fault Diagnosis of Photovoltaic Modules Using Thermography Images
Nadia Drir · Adel Mellit · Maamar Bettayeb · IEEE Journal of Photovoltaics · 2024年11月
全球范围内光伏（PV）能源的应用不断增加，这凸显了在环境多变和故障情况下维持系统效率的紧迫性。识别、分类和修复缺陷的过程对于确保光伏装置的长期可持续性和性能完整性至关重要。本文介绍了一种创新的集成卷积神经网络（CNN）模型，该模型采用加权特征融合的方法，其准确性超越了单一CNN架构所能达到的水平。通过利用三个性能出色的CNN——VGG16、ResNet和MobileNet，融合从这些网络最后一层提取的深度特征，提升了性能，同时还充分利用了来自多个不同配置CNN的数据集成优势。该方法应用于一个包含...
解读: 该集成CNN热成像故障诊断技术对阳光电源智能运维体系具有重要应用价值。可直接集成至iSolarCloud云平台，为SG系列光伏逆变器配套的组件级监控提供AI诊断能力，通过无人机或固定热成像设备实现大规模电站的自动化巡检。加权特征融合策略可提升复杂工况下的故障识别准确率，特别适用于1500V高压系统中...
基于边缘2D-CNN轻量部署的ANPC逆变器多开路故障实时诊断
Real-Time Diagnosis of Multiple Open-Circuit Faults in ANPC Inverters Based on Lightweight Deployment of Edge 2D-CNN
Guangtong Ma · Chunxing Yao · Shuai Xu · Guanzhou Ren 等6人 · IEEE Transactions on Industrial Electronics · 2025年4月
摘要：多个开路（OC）故障严重影响了有源中点钳位（ANPC）逆变器的可靠运行。为实现对三电平ANPC（3L - ANPC）逆变器多个OC故障的快速准确检测，本文将轻量级卷积神经网络（CNN）部署到边缘计算板上。具体而言，所提出的在线诊断方法包括离线训练和在线部署。在离线训练阶段，设计了多源信息融合方法以促进有效特征提取，从而提高所设计CNN的预测精度。此外，采用特定的优化框架来简化离线训练过程。在在线部署方面，通过使用TensorRT实现训练好的CNN的轻量级设计，以降低计算成本并加快诊断速度。...
解读: 从阳光电源的业务视角来看，这项基于边缘计算的ANPC逆变器多重开路故障实时诊断技术具有重要的应用价值。ANPC（有源中点钳位）拓扑作为三电平逆变器的重要技术路线，在我司大功率光伏逆变器和储能变流器产品中已有广泛应用，其效率和功率密度优势明显，但多重开路故障一直是影响系统可靠性的关键痛点。 该论文提...
基于卷积神经网络的归一化I-V曲线光伏故障诊断及可解释性分析
CNN-based photovoltaic fault diagnosis using normalized I–V curves with Explainability analysis
Woogyun Shin · Jin Seok Lee · Young Chul Ju · Hye Mi Hwang 等5人 · Solar Energy · 2025年1月 · Vol.301
摘要 全球各国正在扩大可再生能源的应用，以实现2050年碳中和目标。在各类可再生能源中，太阳能的发展速度最快，部署规模最为广泛。随着光伏（PV）电站数量的增加，运维市场不断扩大，故障诊断技术也逐步发展，融合了传统方法与人工智能技术。本研究提出一种利用光伏组串的归一化电流-电压（I-V）曲线并结合卷积神经网络（CNN）的故障诊断方法。实测的I-V曲线通过考虑辐照度、组件温度和衰减率的仿真模型进行归一化处理。归一化后的曲线根据其形态特征和电气参数被标注为正常状态或六种故障类型之一。使用这些数据训练的...
解读: 该基于CNN的光伏故障诊断技术对阳光电源SG系列逆变器及iSolarCloud平台具有重要应用价值。通过归一化I-V曲线实现99.39%验证准确率的六类故障识别,可直接集成至智能运维系统,增强预测性维护能力。技术核心在于消除辐照度和温度影响的归一化处理,与阳光电源MPPT优化算法形成互补,可在组串级...
基于卷积神经网络、小波神经网络与掩码多头注意力机制的全球辐照度预测模型
A Global Irradiance Prediction Model Using Convolutional Neural Networks, Wavelet Neural Networks, and Masked Multi-Head Attention Mechanism
Walid Mchara · Lazhar Manai · Mohamed Abdellatif Khalfa · Monia Raissi 等5人 · IEEE Access · 2025年1月
准确预测全球辐照度对光伏系统尤其是太阳能电动汽车的能量管理至关重要。传统模型难以捕捉辐照数据中复杂的时空依赖性，导致在多变天气条件下预测精度受限。本文提出一种融合卷积神经网络（CNN）、小波神经网络（WNN）与掩码多头注意力（MMHA）机制的新型混合框架CNN-WNN-MMHA。CNN提取局部空间特征，WNN进行频域分解以捕获多尺度变化，MMHA建模时间依赖并编码位置信息。模型在突尼斯八年实测气候数据上训练与验证，实验表明其性能显著优于LSTM、BiLSTM和CNN-LSTM等先进方法，MAPE...
解读: 该混合深度学习辐照度预测模型对阳光电源多条产品线具有重要应用价值。在SG系列光伏逆变器中，可优化MPPT算法的前瞻性控制，提前调整功率跟踪策略；在PowerTitan储能系统中，精准的辐照度预测可优化充放电调度策略，提升光储协同效率；在iSolarCloud智能运维平台中，该模型可增强预测性维护能力...
基于混合深度学习方法的分数阶PID-PSS设计用于抑制电力系统振荡
Fractional Order PID-PSS Design Using Hybrid Deep Learning Approach for Damping Power System Oscillations
Devesh Umesh Sarkar · Tapan Prakash · Sri Niwas Singh · IEEE Transactions on Power Systems · 2024年6月
电力需求的急剧增长导致了传统电网的结构变化。现代电力系统包含先进的装置和设备，这使得维持可靠、安全的电力供应颇具挑战。低频振荡（LFO）是现代电力系统中一个显著的现象。为防止功角失稳，需要对这些振荡进行有效抑制。电力系统稳定器（PSS）通常用于解决这一问题。然而，传统的PSS在现代电网中无法有效抑制低频振荡。因此，本文采用混合深度学习方法，设计了一种将分数阶比例积分微分（FO - PID）控制器与传统PSS相结合的控制器。将卷积神经网络（CNN）和长短期记忆网络（LSTM）集成在一起形成CNN ...
解读: 该分数阶PID-PSS技术对阳光电源构网型储能系统具有重要应用价值。在PowerTitan大型储能系统并网运行中，低频振荡抑制是关键技术难点。文章提出的混合深度学习自适应参数整定方法，可直接应用于ST系列储能变流器的虚拟同步机VSG控制策略优化，通过分数阶控制器提升系统阻尼特性。该技术对阳光电源GF...
使用深度学习方法预测锂离子电池健康状态退化
Lithium-Ion Battery State of Health Degradation Prediction Using Deep Learning Approaches
Talal Alharbi · Muhammad Umair · Abdulelah Alharbi · IEEE Access · 2025年1月
及时预测锂离子电池健康状态对电池管理和寿命至关重要。传统集中式深度学习模型显示良好结果，但因需在单个节点收集和训练数据引发数据隐私担忧。本研究通过利用集中式即深度学习和分散式即联邦学习方法应对该挑战进行健康状态预测。使用包含充放电循环的NASA电池数据集进行模型训练和评估。集中式方法使用三种深度学习架构：1D卷积神经网络、CNN加长短期记忆网络和CNN加门控循环单元。1D CNN模型性能最佳展示强大预测能力，因此分散式学习即联邦学习中1D CNN模型与联邦平均技术在五个客户端使用，允许本地训练无...
解读: 该联邦学习电池诊断技术对阳光电源储能系统数据安全具有重要价值。阳光管理的大规模储能电站涉及海量电池数据，数据隐私和安全是核心关切。该联邦学习方法可在不上传原始数据的情况下实现全局模型优化，阳光可将该技术应用于BMS系统，实现跨电站的电池健康状态模型协同训练，提升诊断精度同时保护用户数据隐私，符合数据...
一种基于双流注意力机制的混合网络用于光伏发电预测
A Novel Dual-Stream Attention-Based Hybrid Network for Solar Power Forecasting
Rafiq Asghar · Michele Quercio · Lorenzo Sabino · Assia Mahrouch 等5人 · IEEE Access · 2025年1月
光伏发电功率预测对保障电网安全运行、降低运营成本具有重要意义。本文提出一种基于双向长短期记忆网络（BiLSTM）与卷积神经网络（CNN）的新型双流混合模型，通过并行提取时间与空间特征，并融合多头注意力机制强化关键特征选择。该模型在不同时间窗口、四季及天气条件下进行实验验证，并与三种单一模型和五种混合深度学习模型对比。结果表明，所提模型在多种气象、季节与气候条件下均具备优异的光伏功率预测精度。
解读: 该双流注意力混合预测模型对阳光电源iSolarCloud智能运维平台和ST系列储能系统具有重要应用价值。BiLSTM-CNN双流架构可集成至云平台的功率预测模块，通过多头注意力机制提升不同季节和天气条件下的预测精度，优化SG系列逆变器的MPPT算法动态响应。对PowerTitan大型储能系统，精准的...
输入长度对短期多步电力负荷预测准确性的影响：CNN-LSTM方法
The Effect of Input Length on Prediction Accuracy in Short-Term Multi-Step Electricity Load Forecasting: A CNN-LSTM Approach
Şeyda Özdemır · Yakup Demır · Özal Yildirim · IEEE Access · 2025年1月
准确的负荷预测对电力系统管理和规划至关重要。由于电能难以储存，短期电力负荷预测对系统运营商意义重大。本文提出创新混合深度学习模型，结合卷积神经网络CNN和长短期记忆LSTM网络，使用住宅用户实时小时数据进行短期多步负荷预测。模型在12种对称递增输入长度配置下测试，包含天气数据。结果表明增加输入长度可提升所有条件下的学习性能，输入长度大于输出长度可提高预测准确性，MAPE改善67%，RMSE改善70%。增加输入长度的多步预测性能优于单步预测。
解读: 该负荷预测技术对阳光电源户用光伏和储能系统的智能能量管理有重要应用价值。阳光户用光储系统需要准确的负荷预测来优化储能充放电策略和光伏自发自用率。CNN-LSTM混合模型可集成到阳光户用逆变器和储能系统控制算法中，结合天气数据和历史负荷实现精准多步预测。该技术可提升阳光户用系统经济性，降低用户电费，提...
基于热成像驱动的卷积神经网络预测太阳能光伏组件热点寿命
Thermal image-driven CNN for predicting solar photovoltaic module lifespan from hotspots
Ashwini Raoran · Dhiraj Magar · Yogita Mistr · Solar Energy · 2025年1月 · Vol.302
摘要 光伏（PV）组件的可靠性研究目前仍处于发展阶段。影响系统性能下降的环境因素已得到研究，这些因素依赖于环境条件、技术类型、设计以及所使用的材料。因此，对这些因素进行详细分析至关重要，以便能够量化组件的退化程度。当前面临的挑战主要来自热致退化，其中热点的形成会加速老化过程，缩短组件使用寿命，直接影响系统的经济性和可靠性。现有的检测方法缺乏对寿命进行定量评估的预测能力，限制了有效的维护规划和投资决策。本研究提出了一种改进的卷积神经网络（Mod-CNN），该网络利用热成像图像，结合退化机制来预测太...
解读: 该热成像CNN预测技术对阳光电源SG系列光伏逆变器和iSolarCloud智慧运维平台具有重要应用价值。通过集成热斑识别与寿命预测模型,可增强MPPT优化算法的故障预判能力,实现从被动巡检到主动预测性维护的升级。该技术可嵌入iSolarCloud平台,结合逆变器实时监测数据,构建电站级健康度评估体系...
基于Vague软集的海上风电功率区间预测
Interval Prediction of Offshore Wind Power Based on Vague Soft Sets
田书欣 · 朱峰 · 杨喜军 · 符杨 等5人 · 中国电机工程学报 · 2025年4月 · Vol.45
海上风电输出功率的精确预测是保障并网系统调度运行的关键。针对海上风电环境复杂、时空随机性强的特点，提出一种基于Vague软集的区间预测方法。通过融合Vague集的真伪隶属度函数，实现功率数据的Vague软区间化，并构建Vague-CNN-LSTM组合预测模型，将双隶属度概率向量转化为不确定环境下的预测区间。建立覆盖精度、区间宽度及综合水平等评估指标，验证结果表明该模型能有效兼顾预测精度与清晰性，适应不同运行工况需求。
解读: 该Vague软集预测方法对阳光电源的风电变流器和储能产品具有重要应用价值。可应用于ST系列储能变流器的功率预测与调度优化,提升系统响应速度和调节精度。该技术的双隶属度概率模型有助于提高PowerTitan储能系统在风电配套场景下的功率预测准确性,优化充放电策略。对iSolarCloud平台的智能运维...
基于开源低成本天空成像仪和混合深度学习技术的超短期太阳辐照度预测
Very short-term solar irradiance forecasting based on open-source low-cost sky imager and hybrid deep-learning techniques
Martin Ansong · Gan Huang · Thomas N.Nyang’on · Robinson J.Musembi 等5人 · Solar Energy · 2025年1月 · Vol.294
摘要 太阳辐照度（SI）预测对于光伏（PV）系统的可靠运行至关重要。这一点在非洲等地区尤为突出，因为这些地区的许多SI预测方法依赖于稀缺的历史数据，而电力网络本身存在的不稳定性又因SI的波动性而进一步加剧。准确的太阳能预测对于改善电网管理至关重要，可帮助运营商平衡供需关系并提升系统稳定性。基于地面的天空成像技术是一种有前景的SI预测方法，无需依赖大量历史数据。然而，商用天空成像仪价格昂贵且灵活性有限。本文介绍了卡尔斯鲁厄低本钱全天候成像仪（KALiSI），该设备由市售组件构成，能够拍摄高分辨率图...
解读: 该低成本天空成像超短期光伏预测技术对阳光电源SG系列逆变器和ST储能系统具有重要应用价值。15分钟前瞻预测可优化MPPT算法响应速度,提升逆变器在云层遮挡等突变工况下的功率跟踪精度。结合iSolarCloud平台,CNN-LSTM预测模型可为PowerTitan储能系统提供精准充放电调度依据,降低电...
基于混合博弈与电动汽车共享储能特性的园区综合能源系统协调优化运行
Coordinated Optimal Operation of Park-level Integrated Energy Systems Based on Hybrid Game and Shared Energy Storage Characteristics of Electric Vehicles
王义 · 靳梓康 · 王要强 · 吴坡 等6人 · 高电压技术 · 2025年1月 · Vol.51
针对园区综合能源系统中多利益主体间收益分配不均的问题，提出一种基于混合博弈的双层能量管理模型。构建微网运营商与用户聚合商的互动框架，通过主从博弈确定售能价格，并结合纳什-海萨尼理论实现用户侧利益分配。为降低储能投资成本，挖掘电动汽车集群的可调度潜力，采用CNN-BiLSTM方法处理其历史数据以抑制不确定性，提出利用电动汽车共享储能特性的运行策略。案例分析表明，该模型可有效降低碳排放，实现多方共赢。
解读: 该混合博弈能量管理模型对阳光电源PowerTitan储能系统和充电桩业务具有重要应用价值。研究提出的电动汽车共享储能策略可直接应用于阳光电源充电桩产品线，通过CNN-BiLSTM预测算法优化车网互动调度，降低独立储能配置成本。主从博弈定价机制可集成到iSolarCloud云平台，实现园区级微网运营商...
用于光伏能源预测的轻量级深度学习：优化冬季住宅的脱碳
Lightweight deep learning for photovoltaic energy prediction: Optimizing decarbonization in winter houses
Youssef Jouane · Ilyass Abouelaziz · Imad Saddik · Oussama Oussous · Solar Energy · 2025年1月 · Vol.297
本文提出了一种创新的混合多变量深度学习方法，用于预测冬季住宅中的光伏发电量，重点在于具有低环境影响的轻量级模型。研究开发了一种评估这些模型碳足迹的方法论，综合考虑了训练过程中的能耗、运行阶段的二氧化碳排放以及通过光伏发电优化所实现的节能效益。该方法能够筛选出在预测精度与环境责任之间达到最佳平衡的模型。本研究以瑞士波斯基亚沃的一栋正能冬季住宅（PEWH）为案例，比较了长短期记忆网络（LSTM）、卷积神经网络（CNN）以及一种混合型CNN-LSTM模型在高积雪地区进行短期光伏发电预测的性能表现。结果...
解读: 该轻量级深度学习预测技术对阳光电源iSolarCloud平台和ST储能系统具有重要应用价值。研究中的CNN-LSTM混合模型可集成至智能运维平台,优化冬季高纬度地区光伏-储能协同控制策略。通过精准预测光伏出力,ST系列PCS可提前调整充放电曲线,避免过度发电造成的弃光。特别是在瑞士等高雪地区案例中,...
基于白噪声注入数据增强的三电平NPC逆变器开路故障鲁棒诊断方法
Robust Open-Switch Fault Diagnosis of Three-Level NPC Inverters Based on Data Augmentation With White Noise Injection
Jiwon Jung · Dyan Puspita Apsari · Dong-Choon Lee · IEEE Transactions on Power Electronics · 2024年10月
本文提出了一种基于一维（1-D）卷积神经网络（CNN）的三电平中性点钳位逆变器实时故障诊断新方法。该方法将数据增强技术应用于仿真数据，提升了深度学习模型的泛化能力。这使得故障诊断模型即使在未经训练的系统条件下也具有较高的鲁棒性。在这种情况下，应用采用数据增强的一维卷积神经网络模型的性能优于未加入白噪声的相同模型，准确率最高可提高1.71%。此外，与使用实验数据训练的深度学习模型相比，使用经过数据增强的仿真数据训练的深度学习模型表现更佳。所提出的方法已通过离线测试仿真和实时深度学习算法实验得到验证...
解读: 从阳光电源的业务视角来看，这项基于一维卷积神经网络的三电平NPC逆变器开路故障诊断技术具有重要的战略价值。三电平NPC拓扑结构是我司大功率光伏逆变器和储能变流器的核心技术架构，该诊断方法直接契合我们在1500V及以上系统、集中式逆变器和大型储能PCS产品线的技术需求。 该技术的核心创新在于通过白噪...
基于卷积神经网络的功率器件结温监测
Junction Temperature Monitoring of Power Devices Using Convolutional Neural Networks
Zhiliang Xu · Huimin Wang · Xinglai Ge · Yichi Zhang 等6人 · IEEE Transactions on Industry Applications · 2025年3月
基于温度敏感电参数（TSEP）的方法能够实现功率器件结温的精确监测（JTM）。然而，大多数温度敏感电参数易受负载电流和器件老化的影响而产生误差，从而降低了结温监测的准确性。为解决这一问题，本文提出了一种基于卷积神经网络（CNN）模型的结温监测方法，以应对这两个因素带来的不利影响。在该方法中，选择开通集电极电流（$I_{C}$）作为温度敏感电参数，并通过数学模型深入分析了开通集电极电流的温度特性。此外，通过大量双脉冲测试全面研究了开通集电极电流的参数相关性。考虑到实际中负载电流影响显著且频繁变化的...
解读: 该CNN结温监测技术对阳光电源功率器件热管理具有重要应用价值。可直接应用于ST系列储能变流器和SG系列光伏逆变器的SiC/GaN功率模块，通过实时监测IGBT/MOSFET结温实现预测性维护。相比传统TSEP方法，CNN自动特征提取克服了非线性补偿难题，无需额外传感电路即可从开关波形获取温度信息，适...
基于长时域FCS-MPC训练的一维卷积神经网络用于FPGA平台电力电子变换器控制——以Si/SiC混合变换器为例
Long-Horizon FCS-MPC Trained 1-D Convolution Neural Networks for FPGA-Based Power-Electronic Converter Control With a Si/SiC Hybrid Converter Case Study
Ning Li · Hao Yu · Stephen Finney · Paul D. Judge · IEEE Transactions on Industrial Electronics · 2025年2月
传统的电力电子长时域有限控制集模型预测控制（FCS - MPC）在实时实现方面存在两个主要问题：1）计算负担和延迟；2）对现场可编程门阵列（FPGA）等实时平台的硬件资源要求较高。为解决这些问题，研究人员提出利用模型预测控制结果作为离线训练数据来训练人工神经网络（ANN），并将其应用于实时控制器中，以替代原有的模型预测控制模型。通过这种方式，人工神经网络减轻了在线计算负担和对硬件资源的需求。本文提出了一种基于FPGA的用于长时域FCS - MPC的一维卷积神经网络（CNN）。为进一步简化网络模型...
解读: 从阳光电源的业务视角来看，这项基于FPGA的一维卷积神经网络（CNN）控制技术对我们的核心产品线具有重要战略价值。该技术通过机器学习方法解决了长时域有限控制集模型预测控制（FCS-MPC）在功率电子变换器中的实时实现难题，这与我们在光伏逆变器、储能变流器等产品中面临的控制性能优化需求高度契合。 技...
基于RGB成像的太阳能光伏故障分类深度学习及预处理技术比较
Deep learning for solar PV fault classification using RGB imaging and comparison of preprocessing techniques
Muthu Eshwaran Ramachandran · Gurukarthik Babu Balachandran · Petchithai Velladurai · Arthy Rajakumar · Solar Energy · 2025年1月 · Vol.301
摘要：有效检测太阳能光伏（PV）系统中的故障对于确保系统最佳性能和维护至关重要。本研究探讨了不同图像预处理技术对基于深度学习的分类模型准确性的影响，所用的光伏组件RGB图像（包括鸟粪、灰尘、物理/电气损伤、积雪和清洁状态）来自Kaggle数据集。每个像素的R、G、B值捕捉了视觉特征，并通过预处理进一步增强。因此，RGB图像作为卷积神经网络（CNN）分类的原始输入。研究结果表明，仅使用原始RGB图像时，模型准确率仅为85%–89%，但当结合预处理技术（灰度转换+高斯模糊）后，性能显著提升至最高94...
解读: 该深度学习故障分类技术对阳光电源SG系列光伏逆变器及iSolarCloud智能运维平台具有重要应用价值。研究证实通过灰度转换+高斯模糊预处理可将RGB图像故障识别准确率提升至94%,可直接集成至iSolarCloud的预测性维护模块,实现鸟粪、灰尘、物理损伤等六类故障的自动识别。该轻量化CNN模型(...
基于深度学习与稀疏风洞数据的长跨柔性光伏结构时空风压场预测
Spatiotemporal wind pressure field prediction for long-span flexible photovoltaic structures using deep learning and sparse wind tunnel data
Hehe Ren · Haoyue Liu · Boyang Wang · Shitang Ke · Solar Energy · 2025年1月 · Vol.286
摘要 长跨柔性光伏（PV）结构是应对“光伏+”发展挑战的关键解决方案之一。然而，由于其跨度大、自重轻、刚度柔、离地高度高等特点，易产生显著的风致振动响应，属于典型的风敏感结构，因此风荷载成为其结构设计中的控制性荷载。目前，针对柔性光伏结构的风荷载尚无明确的设计标准，相关研究主要依赖风洞试验获取风荷载数据。但由于试验尺度限制，风压测点只能在结构表面稀疏布置。为此，本文将风洞试验数据与深度学习方法相结合，提出一种仅基于有限数量监测点即可预测柔性光伏结构表面风压时空场的方法。考虑到风压具有显著的时空波...
解读: 该风压场时空预测技术对阳光电源大型地面光伏电站及柔性支架系统具有重要应用价值。针对SG系列逆变器配套的大跨度柔性光伏支架，该深度学习模型可优化抗风设计，降低结构成本。对于PowerTitan储能系统的户外集装箱布局，可通过风压预测优化散热通道设计，提升系统可靠性。建议将该技术集成至iSolarClo...
基于卷积神经网络和遗传算法的BIPV曲面屋顶体育馆碳减排优化方法
Carbon reduction optimization method for BIPV curved-roof gymnasiums based on CNN and genetic algorithms
Haoqi Duan · Yu Dong · Kuntong Huang · Ruinan Zhang · Solar Energy · 2025年1月 · Vol.286
摘要 随着建筑一体化光伏（BIPV）技术的发展，其在曲面建筑表皮上的应用逐渐成为可能，利用体育馆大面积未占用屋顶安装光伏系统所带来的碳减排效益正受到越来越多关注。尽管已有研究对不同类型曲面屋顶体育馆的能耗、光伏发电量及二氧化碳排放进行了比较，但曲面几何形态影响上述三项指标的作用因素与机制仍不明确。本研究分别模拟了500组具有凸形、凹形、双曲形和自由形态屋顶的体育馆的能源使用强度（EUI）、太阳能发电强度（SEGI）和碳排放强度（CEI），并对四种曲面屋顶体育馆的EUI、SEGI与CEI之间的相关...
解读: 该BIPV曲面屋顶碳减排优化研究对阳光电源SG系列光伏逆变器和iSolarCloud平台具有重要应用价值。研究通过CNN和遗传算法优化曲面屋顶几何参数,最高可实现6.5%的碳排放强度降低,为我司MPPT优化技术在复杂曲面场景的应用提供理论支撑。建议将该几何优化算法集成至iSolarCloud智能运维...
使用多通道单维卷积神经网络模型评估高密度城市区域的建筑一体化光伏潜力
Assessing building-integrated photovoltaic potential in dense urban areas using a multi-channel single-dimensional convolutional neural network model
Xiaotian Geng · Senhong Cai · Zhonghua Gou · Applied Energy · 2025年1月 · Vol.377
摘要 评估建筑一体化光伏（BIPV）潜力对于太阳能的全面推广与部署具有重要意义。传统模型大多依赖形态学参数进行光伏潜力评估，在高密度城市区域中存在对城市形态主观认知强、泛化能力差等挑战。本研究采用卷积神经网络（CNN）进行三维建模，以评估中大规模城市尺度下的BIPV潜力，提出了一种多维单通道一维CNN模型框架。该模型结合高斯混合模型与建筑物点云数据，提取建筑窗墙比，从而增强建筑群点云中的个体特征；同时利用三维物理模型提取建筑地理朝向信息，并通过空间连通性整合点云分布，以解决点云卷积旋转不变性导致...
解读: 该BIPV潜力评估技术对阳光电源SG系列光伏逆变器和智能运维平台具有重要应用价值。基于CNN的三维建模方法可精准预测城市建筑光伏发电潜力,为SG逆变器在密集城区的容量配置和MPPT优化提供数据支撑。研究中的点云数据处理和地理方位提取技术可集成至iSolarCloud平台,实现建筑光伏系统的智能选址和...
第 1 / 3 页