找到 3 条结果
基于Kolmogorov-Arnold网络的跟网型与构网型电力电子系统阻抗辨识
Kolmogorov-Arnold Network Based Impedance Identification of Power Electronic Systems with Grid Following and Grid Forming Control
Cao Shen · Fei Zhang · Wei Gu · Tao Chen 等6人 · IEEE Transactions on Power Electronics · 2025年9月
阻抗模型正被用于电力电子系统的稳定性分析。由于难以获取详细的控制器信息，因此很难推导解析阻抗模型。本文针对采用跟网型和构网型控制的并网变流器系统，提出了一种基于柯尔莫哥洛夫 - 阿诺尔德网络（KAN）和物理信息的阻抗识别方法。利用柯尔莫哥洛夫 - 阿诺尔德表示定理，所提出的两层 KAN 用可学习的单变量样条函数取代了固定的神经元权重，从而与具有相当精度的多层感知器相比，以更少的可训练参数和更浅的网络深度实现了通用逼近。通过实时数字仿真器中采用双馈感应发电机变流器的风电场验证了所提方法的有效性，并...
解读: 从阳光电源的业务角度来看，这项基于Kolmogorov-Arnold网络（KAN）的阻抗识别技术具有重要的战略价值。当前，阳光电源的光伏逆变器、储能系统在大规模并网场景中面临日益复杂的稳定性挑战，特别是在构网型（Grid-Forming）和跟网型（Grid-Following）控制模式共存的新型电力...
基于KAN的可解释净负荷概率预测方法
A KAN-Based Interpretable Probabilistic Net Load Forecasting Method
刘栋 · 郭国栋 · 辛蜀骏 · 毛志航 等6人 · 电力系统自动化 · 2025年1月 · Vol.49
分布式光伏的大规模接入导致电力系统净负荷预测面临强不确定性。针对现有深度学习模型在预测精度与可解释性之间的权衡难题，提出一种基于Kolmogorov-Arnold网络（KAN）的净负荷概率预测方法。通过挖掘KAN基函数权重矩阵与样条系数的可解释性，实现模型内在可解释性；结合最大似然估计设计均值与方差网络结构，有效拟合概率密度函数；采用最大互信息系数进行气象特征筛选，提升模型对多维气象因素的映射能力。算例验证表明，该方法在准确性、可解释性、训练效率与泛化性能方面优于传统方法。
解读: 该KAN可解释概率预测技术对阳光电源储能与光伏产品具有重要应用价值。在PowerTitan储能系统中，可集成该算法优化充放电策略，通过概率预测提升净负荷波动应对能力，降低电网调度风险；在iSolarCloud平台中，可解释性特征使运维人员直观理解气象因素对发电影响，提升预测性维护精度；对于ST储能变...
基于Kolmogorov-Arnold网络与timeGAN混合架构并结合考虑运行机制的数据增强的可解释光伏功率建模
Interpretable photovoltaic power modeling via Kolmogorov-Arnold network and timeGAN hybrid architecture with regime-aware data augmentation
Yuqiao Pan · Zhaocai Wang · Zuowen Tan · Zhihua Zhu · Solar Energy · 2025年1月 · Vol.302
摘要 光伏（PV）发电的波动性和随机性为其大规模并入电力系统带来了显著挑战，限制了太阳能作为一种清洁能源的充分开发利用。为解决这一问题，本研究提出了一种混合建模框架，协同融合数据预处理、特征扩展与先进的深度学习架构。首先，采用集成变分自编码器（VAE）进行特征选择与降维，并对数据进行季节性和昼夜模式划分；随后，利用 Ordering Points to Identify the Clustering Structure（OPTICS）算法识别内在的运行机制（regime），并通过TimeGAN生...
解读: 该Transformer-KAN混合架构对阳光电源SG系列光伏逆变器及iSolarCloud平台具有重要应用价值。通过VAE特征降维与TimeGAN数据增强,可显著提升光伏功率预测精度(RMSE降低29.51%),优化MPPT算法动态响应。regime-aware聚类识别可增强ST系列储能PCS的充...