找到 4 条结果
发电与储能规划中网络建模、二元变量及不确定性的分解处理
Generation and energy storage planning decomposing complexities in modeling networks, binary variables and uncertainties
Xi Lu · Yiding Zhao · Siqi Bu · Qinran Hu · Applied Energy · 2025年1月 · Vol.377
摘要 随着电力系统负荷和不确定性的持续增加，以及储能（ES）成本的不断降低，具备高建模精度的发电与储能规划变得愈发重要。考虑到潮流计算、二元变量和不确定性带来的建模复杂性，本文提出一种包含三个决策步骤的新型规划模型，以避免因不同复杂性直接叠加而导致的计算复杂度指数级增长问题。为降低对网络建模的要求，本文首先利用特定电力系统的特性，采用二阶锥潮流模型获取可能运行工况的信息。随后，构建定制化的线性潮流模型，以在较低建模复杂度下实现精确的网络建模，从而支持更精确的不确定性建模。此外，基于发电机与储能设...
解读: 该规划模型对阳光电源储能系统具有重要应用价值。通过三阶段决策分解网络建模、二进制变量和不确定性复杂度,可优化ST系列PCS和PowerTitan储能系统的容量配置与选址决策。二阶锥潮流模型结合定制化线性潮流简化,适用于iSolarCloud平台的源储协同规划算法,提升发电侧和用户侧储能方案的经济性。...
基于机器学习的多浮置埋层LDMOS器件击穿电压建模与优化
Machine Learning-Based Modeling and BV Optimization for LDMOS With Multifloating Buried Layers
Zhen Cao · Qi Sun · Qiaowei Peng · Biao Hou 等6人 · IEEE Transactions on Electron Devices · 2024年12月
本文介绍了一种利用机器学习（ML）优化具有多浮动埋层（MFBL）的横向双扩散金属氧化物半导体场效应晶体管（LDMOS）器件击穿电压（BV）的新方法。本研究摒弃了传统复杂的物理推导方法，将神经网络与遗传算法相结合，构建了一个自适应优化框架。首先，我们分析了MFBL LDMOS的物理特性，以确定影响BV性能的关键参数，并确定其合理取值范围。然后，通过TCAD仿真生成数据集，并应用卷积神经网络（CNN）建立MFBL LDMOS的BV预测模型。在后续阶段，采用遗传算法对结构参数进行自适应优化，从而推导出...
解读: 从阳光电源的业务视角来看，该论文提出的基于机器学习优化多浮埋层LDMOS器件击穿电压的方法具有重要的战略价值。LDMOS作为功率半导体的核心器件，广泛应用于我司光伏逆变器和储能变流器的功率转换模块中，其击穿电压性能直接影响系统的功率密度、转换效率和可靠性。 该技术的核心价值在于突破了传统物理推导方...
面向多输电节点分布式能源聚合的实时经济调度方法
Real-Time Economic Dispatch Approach for Wholesale Energy Market With Multi-Transmission-Node DER Aggregation
Zhentong Shao · Weilun Wang · Brent Eldridge · Abhishek Somani 等5人 · IEEE Transactions on Power Systems · 2024年11月
联邦能源管理委员会第2222号令推动分布式能源资源（DER）参与批发电力市场，带来显著运行复杂性。为适应现行市场机制，区域输电组织正探索在输电节点层面聚合DER（T-DER），将其建模为虚拟电厂等聚合形式。本文提出一种实时经济调度（RTED）框架，支持多T-DER协同优化参与市场运行。通过改进分布因子（DF）模型刻画各T-DER对输电网络的影响，并引入基于K近邻预测与离散PI校正的DF动态更新策略，结合保障输电约束的信号机制，提升市场出清的经济性。基于实际负荷数据在改进的24节点和118节点系统...
解读: 该多输电节点DER聚合调度技术对阳光电源PowerTitan储能系统和ST系列储能变流器的电力市场参与具有重要应用价值。文章提出的改进分布因子模型和K近邻预测算法可直接应用于iSolarCloud云平台，优化多站点储能资产的虚拟电厂聚合调度策略。基于离散PI校正的动态更新机制可增强储能系统实时经济调...
基于回声状态网络的实时误差补偿迁移学习以增强风力发电预测
Real-time Error Compensation Transfer Learning with Echo State Networks for Enhanced Wind Power Prediction
Yingqin Zhua · Yue Liub · Nan Wangc · Zhao Zhao Zhang 等5人 · Applied Energy · 2025年1月 · Vol.379
准确的风力发电预测对于高效的能源管理和电网稳定至关重要，能够帮助能源供应商平衡供需、优化可再生能源的集成、降低运行成本并提高电力系统的可靠性。回声状态网络（Echo State Network, ESN）由于其结构简单且训练速度快，被广泛应用于非线性动态系统的建模。然而，在处理高阶非线性复杂性时，ESN容易产生系统误差，导致模型精度下降。为克服这一问题，本文提出了误差补偿迁移学习回声状态网络（Error Compensation Transfer Learning Echo State Netw...
解读: 该ETL-ESN风电预测技术对阳光电源储能系统具有重要应用价值。其2秒快速训练和95%以上精度提升可显著优化ST系列PCS的能量管理策略和PowerTitan储能系统的充放电调度。实时误差补偿机制可增强iSolarCloud平台的预测性维护能力,提升新能源并网稳定性。迁移学习方法为不同机型的GFM/...