找到 5 条结果
考虑交流潮流与气体动态的非凸集成电-气系统分布式调度
Distributed dispatch of non-convex integrated electricity and gas systems considering AC power flow and gas dynamics
Qingju Luo · Jizhong Zhu · Di Zhang · Haohao Zhu 等5人 · Applied Energy · 2025年1月 · Vol.392
摘要 集成电-气系统（IEGS）的协调运行可带来显著的经济与环境效益。本文采用非凸的交流（AC）电力潮流模型和动态气体模型，以精确刻画IEGS的物理特性，并提出一种改进的分解-协调内点法（IDIPM），用于高效求解非凸IEGS调度问题的分布式优化。不同于传统的分布式算法，分解-协调内点法（DIPM）在数学上等价于集中式内点法（CIPM），从而保证了非凸分布式优化问题的局部收敛性。本文通过修正牛顿矩阵，并引入舒尔补（Schur complement）与矩阵分解技术对DIPM进行改进，使所提IDIP...
解读: 该电-气综合能源系统分布式优化技术对阳光电源多能互补解决方案具有重要价值。其非凸AC潮流建模与改进内点法可应用于ST系列储能变流器与SG逆变器的协同调度,特别是在工业园区多能源场景中,通过分布式优化算法实现光伏-储能-燃气发电的经济调度。该方法较传统集中式算法效率提升4倍,可集成至iSolarClo...
受脑启发的协作式自动发电控制与大规模电动汽车集成
Brain-Inspired Collaborative Automatic Generation Control With Large-Scale Electric Vehicles Integration
Zhihong Liu · Lei Xi · Yue Quan · Chen Cheng 等5人 · IEEE Transactions on Sustainable Energy · 2024年10月
分布式能源、负荷与储能设备具有间歇性和强随机性，接入电网后易引发显著的频率波动。现有基于多智能体协同神经网络的控制算法易遭遇灾难性遗忘问题，难以在强随机扰动下实现最优控制。本文提出一种基于正交权重修正策略网络更新的近端受脑启发策略优化（PBPO）算法，赋予网络类脑上下文感知能力，从而加速多区域协同控制的收敛速度，有效抑制电网严重随机扰动引起的频率波动。通过大规模电动汽车接入场景下的两个负荷频率控制模型仿真验证，所提PBPO算法在收敛速度、频率稳定性及控制性能方面均优于多种强化学习算法。
解读: 该脑启发协同控制技术对阳光电源储能与充电桩产品具有重要应用价值。针对PowerTitan大型储能系统参与电网AGC调频场景，PBPO算法的抗遗忘特性可显著提升多储能站点协同响应能力，解决ST系列储能变流器在强随机扰动下的频率稳定问题。对于新能源汽车业务，该算法可优化大规模充电桩V2G协同控制策略，实...
基于增量贝叶斯随机配置网络的漂移环境概率风力预测
Probabilistic Wind Power Prediction Using Incremental Bayesian Stochastic Configuration Network Under Concept Drift Environment
Jizhong Zhu · Le Zhang · Di Zhang · Yixi Chen · IEEE Transactions on Industry Applications · 2024年9月
传统数据驱动的概率风力预测方法通常假设外部环境静态不变，而实际工业数据常受概念漂移影响，导致模型性能下降。为此，本文提出一种增量贝叶斯随机配置网络方法。该方法利用无需迭代的轻量级随机权值神经网络SCN建模变量与目标间的潜在关系，并结合贝叶斯推断更新输出层参数，构建概率预测模型BSCN。通过最大均值差异与连续排序概率评分检测虚拟与真实漂移，以真实漂移触发BSCN的增量学习，并设计特定更新策略实现模型自适应。实验表明，该方法在动态漂移环境中能持续学习新模式且不遗忘旧知识，显著提升预测精度。
解读: 该增量贝叶斯预测方法对阳光电源风电和储能产品线具有重要应用价值。首先可用于ST系列储能变流器的功率预测与调度优化，提升储能系统对风电波动的平抑效果。其次可集成到iSolarCloud平台，通过实时漂移检测和自适应学习提高风电场发电预测准确度，优化PowerTitan储能系统的调度策略。该方法的轻量级...
知识增强的群体深度强化学习用于大规模电网实时网络约束经济调度
Knowledge-Augmented Population-Based Deep Reinforcement Learning for Real-Time Network-Constrained Economic Dispatch of Large-Scale Power Grid
Yixi Chen · Jizhong Zhu · Hanjiang Dong · Cong Zeng 等5人 · IEEE Transactions on Power Systems · 2025年6月
近年来，深度强化学习（DRL）因其在在线前瞻决策和应对不确定性方面的优势，被广泛应用于实时网络约束经济调度（NCED）。然而，传统DRL方法在计算效率与并行性方面存在局限，难以适应大规模电网环境。为此，本文提出一种新型知识增强的群体深度强化学习（PDRL）方法。PDRL通过扰动代理参数生成种群进行探索，并聚合个体结果构建代理梯度以更新模型，具有高效探索能力与高并行性。结合电网物理知识，提出序贯安全投影（S2P）技术，显著提升决策安全性并降低训练难度。在39节点、500节点和2383节点系统上的仿...
解读: 该知识增强群体深度强化学习技术对阳光电源PowerTitan大型储能系统及iSolarCloud云平台具有重要应用价值。在储能侧，PDRL的高并行性与序贯安全投影技术可优化ST系列储能变流器的实时调度策略，确保大规模储能电站在电网约束下实现经济最优充放电决策，提升电网友好性。在光伏侧，该方法可集成至...
异构动态数据环境下分布式光伏在线增量概率功率预测
Online incremental probability power prediction for distributed PVs in heterogeneous and dynamic data environments
Le Zhang · Ziyu Chen · Jizhong Zhu · Kaixin Lin 等5人 · Applied Energy · 2025年1月 · Vol.394
摘要 数据共享是提升小样本条件下分布式光伏发电功率数据驱动模型预测精度的标准解决方案。然而在实际应用中，由于数据的去中心化所有权以及复杂多变的外部环境，该方案面临数据隐私、数据异构性以及动态数据学习等方面的挑战。为应对这些挑战，本文提出一种基于贝叶斯随机配置网络（BSCN）与个性化联邦学习（PFL）的增量式概率预测方法。具体而言，采用随机配置网络——一种新兴的单隐层无迭代神经网络——快速构建功率预测模型；为获得后验分布并确定概率输出，引入贝叶斯推断对SCN的输出参数进行评估。针对小样本和异构数据...
解读: 该分布式光伏概率预测技术对阳光电源iSolarCloud智慧运维平台及SG系列逆变器具有重要应用价值。其联邦学习框架可保护多业主数据隐私,增量学习策略适配动态环境,可显著提升小样本场景下的功率预测精度。技术可集成至iSolarCloud平台,优化分布式光伏集群的预测性维护与功率调度;结合SG逆变器M...