找到 2 条结果
基于稀疏回归无迹卡尔曼滤波的光伏系统数据驱动动态状态估计
Data-Driven Dynamic State Estimation of Photovoltaic Systems via Sparse Regression Unscented Kalman Filter
Elham Jamalinia · Zhongtian Zhang · Javad Khazaei · Rick S. Blum · IEEE Transactions on Industrial Informatics · 2024年12月
本文提出了一种数据驱动的动态状态估计（DSE）方法，该方法专为受过程噪声和测量噪声影响的光伏（PV）能量转换系统（单级和两级）而设计。所提出的框架采用两阶段方法，包括“数据驱动的模型识别”和“状态估计”。在初始的模型识别阶段，利用非线性稀疏回归技术收集状态反馈，以阐明光伏系统的动态特性。在识别出光伏系统的动态特性后，将使用非线性数据驱动模型来估计光伏系统的动态，以用于监测和保护目的。为了应对不完整的测量、内在的不确定性和噪声，我们采用了“无迹卡尔曼滤波器”，该滤波器通过处理含噪输出数据来实现状态...
解读: 从阳光电源的业务视角来看，这项基于数据驱动的光伏系统动态状态估计技术具有重要的应用价值。该技术通过稀疏回归与无迹卡尔曼滤波器的结合，为光伏发电系统的实时监测和故障保护提供了新的解决方案，这与我们在逆变器智能化和系统可靠性提升方面的战略方向高度契合。 对于阳光电源的核心产品线，该技术的价值主要体现在...
一种促进稀疏性的自适应调节方法用于并网太阳能光伏系统的数据驱动建模与控制
Adaptive Regulated Sparsity Promoting Approach for Data-Driven Modeling and Control of Grid-Connected Solar Photovoltaic Generation
Zhongtian Zhang · Javad Khazaei · Rick S. Blum · IEEE Transactions on Sustainable Energy · 2024年9月
本文提出一种基于稀疏性促进的新型统计学习方法，用于太阳能光伏（PV）系统的数据驱动建模与控制。针对传统稀疏回归在候选函数增多时计算复杂度高的问题，设计了自适应调节稀疏回归（ARSR）算法。该方法为各状态变量自适应调节候选函数的超参数权重，提升模型精度，并有效剔除动态模型中的无关项。基于实测数据，建立了单级和两级PV系统的开环与闭环模型，并用于控制器设计。此外，该方法还可用于故障分析，展现出优于其他数据驱动技术的能力。实时仿真验证了所提方法的有效性。
解读: 该自适应稀疏回归建模技术对阳光电源SG系列光伏逆变器和ST储能变流器的控制优化具有重要价值。其数据驱动建模方法可直接应用于iSolarCloud平台的智能诊断模块，通过实测运行数据快速建立系统动态模型，无需复杂物理建模。稀疏性促进算法能有效识别关键控制变量，优化MPPT算法和并网控制策略，提升GFL...