找到 1 条结果
基于双分支专家融合记忆网络的大规模配电网净负荷高效预测
Efficient Net Load Forecasting in Large-Scale Power Distribution Systems via Dual-Branch Experts Fusion Memory Network
Shijie Li · Ruican Hu · Guanlin Chen · Lulu Chen 等10人 · IEEE Transactions on Power Systems · 2025年8月 · Vol.41
本文针对高比例可再生能源接入下配电网净负荷预测难题，提出双分支专家融合记忆网络（DEFMN），分别建模负荷与分布式电源的异质性，并融合时空相关性。在IEEE 8500节点系统验证中，该模型在MAPE等指标上达到SOTA性能。
解读: 该研究对阳光电源iSolarCloud智能运维平台及PowerTitan/ST系列储能PCS的日前-日内净负荷预测能力具有直接提升价值。DEFMN可嵌入iSolarCloud的AI预测引擎，优化光储协同调度策略；尤其适用于工商业光伏+用户侧储能场景中多类型DG（如组串式逆变器、充电桩、小型风电变流器...