找到 4 条结果
面向海上风电-海水制氢-海洋牧场一体化系统的鲁棒多准则决策框架与大语言模型融合研究
A robust MCDM framework with LLM for offshore wind power-seawater hydrogen production-marine ranch integrated system investment decision
Xiaoyu Yu · Xiwen Cui · Dongxiao Niu · Yuchen Diao 等5人 · Applied Energy · 预计 2026年5月 · Vol.410
本文提出一种融合大语言模型（LLM）的鲁棒多准则决策（MCDM）框架，用于评估海上风电耦合海水电解制氢及海洋牧场的一体化系统投资可行性，涵盖技术、经济、环境与社会多维指标。
解读: 该研究涉及海上风电制氢系统集成，与阳光电源ST系列储能变流器（PCS）、PowerTitan大型储能系统及iSolarCloud智能平台高度协同——ST PCS可适配电解槽动态功率调节，PowerTitan可支撑离网型制氢微网能量缓冲，iSolarCloud可扩展氢能场景数字孪生与投资决策支持模块。...
基于改进灰狼算法的LCL并网逆变器多目标模型预测控制
Multiobjective Model Predictive Control of LCL Grid-Connected Inverter Based on an Improved Gray Wolf Algorithm
Fengxiang Wang · Feng Cai · Dongxiao Huang · Yao Wei 等6人 · IEEE Transactions on Power Electronics · 2025年9月
针对单相LCL并网逆变器电流谐波畸变、开关损耗大及动态响应不足的问题，本文提出了一种基于改进灰狼优化（IGWO）算法的多目标模型预测控制（MOMPC）方法。该方法建立了LCL逆变器数学模型，通过IGWO算法优化权重系数，在提升系统动态性能的同时，有效平衡了电流质量与开关损耗。
解读: 该技术直接服务于阳光电源的核心产品线——组串式及户用光伏逆变器。LCL滤波器是提升并网电能质量的关键，而模型预测控制（MPC）相比传统PWM控制具有更快的动态响应能力。通过引入改进灰狼算法（IGWO）优化多目标权重，可有效解决逆变器在复杂电网环境下的谐波抑制与损耗平衡难题，显著提升阳光电源逆变器在弱...
选择有效的NWP集成方法以实现基于深度学习的光伏功率预测
Selecting effective NWP integration approaches for PV power forecasting with deep learning
Dayin Chenab · Xiaodan Shie · Mingkun Jiang · Shibo Zhuab 等8人 · Solar Energy · 2025年11月 · Vol.301
准确预测光伏发电功率对于可靠的能源调度和系统运行至关重要。尽管深度学习模型在该领域已展现出强大的能力，但如何有效地将数值天气预报（NWP）数据融入此类模型仍然是一个具有挑战性的问题。在本研究中，我们提出并系统评估了五种不同的NWP集成策略——分别称为方法1至方法5——以提升光伏发电预测性能。这些方法在14种代表性模型和四个预测时间范围（4、24、72和144步）上进行了测试，涵盖了短期、中期和长期预测场景。实验结果表明，每种集成方法的有效性取决于模型结构和预测时间范围。特别是，在短期预测中，方法...
解读: 该研究系统评估了五种NWP数值天气预报与深度学习模型的集成策略,对阳光电源iSolarCloud智慧运维平台的光伏功率预测模块具有直接应用价值。研究发现Method 5适配LSTM短期预测、Method 4适配Transformer长期预测的结论,可优化SG系列逆变器的发电预测算法。精准的多时间尺度...
符合概率分布的物理约束风力发电预测方法：面向抗噪深度学习
Physics-constrained wind power forecasting aligned with probability distributions for noise-resilient deep learning
Jiaxin Gao · Yuanqi Cheng · Dongxiao Zhang · Yuntian Chen · Applied Energy · 2025年4月 · Vol.383
摘要 风电作为关键的可再生能源之一，在实现碳中和目标中发挥着重要作用。然而，由于风速预测数据具有高噪声特性，风力发电功率的准确预测面临挑战，这会降低预测的精度与鲁棒性。为解决这一问题，本文提出一种理论引导（即物理约束）的深度学习风力发电预测方法（TgDPF）。TgDPF将表征风电功率概率分布的风电功率曲线领域知识，与长短期记忆网络（LSTM）深度学习模型相结合。该融合机制确保模型输出与风电功率的概率分布保持一致，遵循物理约束条件，从而增强对噪声的抵抗能力。因此，TgDPF是一种典型的物理约束建模...
解读: 该物理约束深度学习风电预测技术对阳光电源储能系统(ST系列PCS、PowerTitan)具有重要应用价值。通过融合风电功率曲线概率分布与LSTM模型,在高噪声环境下预测精度提升24.7%-73.9%,可显著优化储能系统的充放电策略与能量管理。该方法的抗噪声特性与物理约束思想可迁移至iSolarClo...