Atit Bashya · Chidambar Prabhakar Bangr · Tina Boroukhia · Hendro Wicakson · Applied Energy · 2025年1月 · Vol.400

摘要 全球向可再生能源的转型迫切需要对这类能源进行准确预测，以实现高效的电网管理。尽管深度学习模型为间歇性可再生能源的预测提供了有效的解决方案，但由于其本身对数据的高度依赖，仍面临诸多挑战。迁移学习方法因此成为应对这些挑战的重要工具。然而，目前在可再生能源预测中使用的迁移学习框架通常需要大量带标签的训练数据来进行微调和知识迁移，这限制了其在数据匮乏场景下的适用性。本文提出了一种域自适应框架，能够将从拥有丰富数据的源域训练得到的预测模型中的知识，无缝迁移到目标域中无需带标签数据的模型训练过程。所提...

解读: 该无监督域自适应光伏功率预测技术对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过变分自编码器实现跨场站知识迁移,可在缺乏标注数据的新建光伏电站快速部署高精度预测模型,显著降低SG系列逆变器接入的分布式电站调试成本。该技术可与PowerTitan储能系统的能量管理策略深度融...