找到 63 条结果
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...
基于LSTM网络的IGBT结温时间序列特性表征方法
A Time Series Characterization of IGBT Junction Temperature Method Based on LSTM Network
Zheng-Wei Du · Yu Zhang · Yuankui Wang · Zhiyuan Chen 等9人 · IEEE Transactions on Power Electronics · 2025年1月
准确的结温表征对IGBT模块的性能优化与可靠性设计至关重要。针对现有方法多关注特定时刻温度预测而非时间序列变化的问题，本文提出了一种基于长短期记忆（LSTM）网络的方法，通过捕捉结温的时间演变特征，实现了对IGBT结温的精确追踪与表征。
解读: IGBT是阳光电源光伏逆变器、储能变流器（PCS）及风电变流器的核心功率器件。结温直接决定了器件的寿命与系统的可靠性。该研究利用LSTM网络实现结温的时间序列追踪，可深度集成于iSolarCloud智能运维平台，实现对组串式逆变器及PowerTitan/PowerStack储能系统内部功率模块的实时...
一种考虑主要气象因素的超短期光伏功率预测两阶段LSTM优化方法
A Two-Stage LSTM Optimization Method for Ultrashort Term PV Power Prediction Considering Major Meteorological Factors
Yiwei Ma · Weixing Ma · Xingzhen Li · Yimeng Shen · IEEE Transactions on Industrial Informatics · 2024年9月
超短期光伏发电功率预测是并网光伏电站日内调度的重要任务之一。为解决传统预测方法的不足，本文提出一种考虑主要气象因素的新型两阶段长短时记忆网络（LSTM）优化方法用于超短期光伏发电功率预测。第一阶段，开发了一种输入数据优化方法以提高 LSTM 的准确性和效率，该方法结合了基于因子分析的主要气象因素提取、利用模糊 C 均值算法进行的相似模式聚类，以及基于灰色关联分析和余弦相似度的最大相似模式识别。第二阶段，提出一种使用改进麻雀搜索算法的 LSTM 优化方法以进一步提高预测精度。最后，综合实验结果表明...
解读: 从阳光电源的业务视角来看，这项基于两阶段LSTM优化的超短期光伏功率预测技术具有显著的战略价值。该技术直接契合公司在光伏电站智能化运维和能量管理系统方面的核心需求。 在技术价值层面，超短期（15分钟至4小时）功率预测的精度提升对阳光电源的多个业务板块具有直接影响。首先，对于光储融合系统，精准的功率...
基于LSTM调优的深度学习型MPPT控制在5 kW太阳能电动汽车充电系统中的开发与实时验证
Development and Real‐Time Validation of Deep Learning‐Based LSTM‐Tuned MPPT Control for a 5 kW Solar‐Powered EV Charging System
Farha Khan · Hari Om Bansal · Dheerendra Singh · IET Power Electronics · 2026年1月 · Vol.19
本文提出一种基于LSTM网络的智能MPPT控制策略，用于太阳能驱动的5 kW电动汽车充电系统。该方法利用NASA/POWER气象数据训练模型，在MATLAB/Simulink仿真及OPAL-RT实时平台上验证，实现97.63%跟踪效率、0.21%低电流纹波和0.59 RMSE预测误差，性能优于INC、PSO和ANN。
解读: 该研究中LSTM驱动的MPPT算法可直接赋能阳光电源ST系列PCS及iSolarCloud平台的AI优化功能，提升光伏-储能-充电桩协同系统的动态响应与发电收益。建议将LSTM-MPPT模块集成至PowerStack光储充一体化解决方案，并在户用及工商业光储充场景中开展实证部署，强化阳光电源在智能微...
基于双向长短期记忆网络
Bi-LSTM）的并网变流器序阻抗预测
Sijia Li · Rui Kong · Frede Blaabjerg · Amjad Anvari-Moghaddam · IEEE Transactions on Power Electronics · 2026年2月
大规模电压源变流器（VSC）接入电网可能引发稳定性问题。基于阻抗建模的稳定性分析是解决该问题的核心框架。然而，在变流器内部结构和参数未知的情况下，现有频率扫描测量技术存在局限。本文提出一种基于Bi-LSTM神经网络的序阻抗预测方法，旨在实现对变流器阻抗特性的快速、准确评估，为复杂电网环境下的稳定性分析提供新途径。
解读: 该技术对阳光电源的组串式和集中式光伏逆变器、PowerTitan/PowerStack储能变流器（PCS）具有极高价值。在弱电网或复杂电网环境下，逆变器与电网的交互稳定性是核心痛点。通过引入Bi-LSTM深度学习模型，阳光电源可在iSolarCloud平台或现场运维中，无需获取逆变器内部详细参数即可...
结合元学习与CNN-LSTM算法的锂离子电池健康状态估计
Combined Meta-Learning With CNN-LSTM Algorithms for State-of-Health Estimation of Lithium-Ion Battery
Tiancheng Ouyang · Yingying Su · Chengchao Wang · Song Jin · IEEE Transactions on Power Electronics · 2024年8月
针对锂离子电池实际运行工况复杂导致健康状态（SOH）估计泛化能力差的问题，本文提出了一种结合元学习与CNN-LSTM的SOH估计方法。该方法通过元学习框架提升模型在不同工况下的适应性，有效解决了传统深度学习模型对大规模数据依赖及泛化性不足的难题。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统至关重要。目前BMS在全生命周期SOH预测上存在精度与泛化性的平衡难题，元学习算法能显著提升系统在不同环境温度、充放电倍率下的电池寿命评估准确度。建议将此算法集成至iSolarCloud智能运维平台，通过云端大数据训练与边缘侧BM...
基于小波包与LSTM的五电平嵌套NPP变换器故障诊断与容错控制
Fault Diagnosis and Tolerance Control of Five-Level Nested NPP Converter Using Wavelet Packet and LSTM
Shu Ye · Jianguo Jiang · Junjie Li · Yunlong Liu 等6人 · IEEE Transactions on Power Electronics · 2020年2月
五电平嵌套中点钳位（NPP）变换器具有高功率密度和鲁棒性，适用于高压大功率场景。然而，开关数量增加导致故障风险上升。本文提出一种结合小波包分解与长短期记忆网络（LSTM）的故障诊断与容错控制方法，有效提升了复杂多电平拓扑的运行可靠性。
解读: 该研究针对高压大功率多电平拓扑的故障诊断与容错控制，对阳光电源的集中式光伏逆变器及大型储能系统（如PowerTitan系列）具有重要参考价值。随着阳光电源产品向更高电压等级和更高功率密度演进，多电平拓扑的应用日益广泛，开关管故障诊断的复杂性随之增加。引入小波包与深度学习算法，可显著提升iSolarC...
基于混合深度学习方法的分数阶PID-PSS设计用于抑制电力系统振荡
Fractional Order PID-PSS Design Using Hybrid Deep Learning Approach for Damping Power System Oscillations
Devesh Umesh Sarkar · Tapan Prakash · Sri Niwas Singh · IEEE Transactions on Power Systems · 2024年6月
电力需求的急剧增长导致了传统电网的结构变化。现代电力系统包含先进的装置和设备，这使得维持可靠、安全的电力供应颇具挑战。低频振荡（LFO）是现代电力系统中一个显著的现象。为防止功角失稳，需要对这些振荡进行有效抑制。电力系统稳定器（PSS）通常用于解决这一问题。然而，传统的PSS在现代电网中无法有效抑制低频振荡。因此，本文采用混合深度学习方法，设计了一种将分数阶比例积分微分（FO - PID）控制器与传统PSS相结合的控制器。将卷积神经网络（CNN）和长短期记忆网络（LSTM）集成在一起形成CNN ...
解读: 该分数阶PID-PSS技术对阳光电源构网型储能系统具有重要应用价值。在PowerTitan大型储能系统并网运行中，低频振荡抑制是关键技术难点。文章提出的混合深度学习自适应参数整定方法，可直接应用于ST系列储能变流器的虚拟同步机VSG控制策略优化，通过分数阶控制器提升系统阻尼特性。该技术对阳光电源GF...
用于光伏输出预测的混合机器学习模型：结合随机森林与LSTM-RNN实现鱼菜共生系统的可持续能源管理
Hybrid Machine learning models for PV output prediction: Harnessing Random Forest and LSTM-RNN for sustainable energy management in aquaponic system
Tresna Dewi · Elsa Nurul Mardiyat · Pola Risma · Yurni Oktarin · Energy Conversion and Management · 2025年4月 · Vol.330
准确预测光伏发电（PV）系统输出对于优化可持续鱼菜共生系统中的能源管理至关重要，其中太阳辐照度的波动带来了重大挑战。本研究提出了一种结合长短期记忆循环神经网络（LSTM-RNN）与随机森林（RF）的混合模型，以有效应对这些挑战。该模型融合了LSTM-RNN在建模时间依赖性方面的优势以及RF在特征选择和处理非线性数据方面的能力，从而在电压、电流、功率和辐照度等参数上展现出优越的预测精度。通过采用包括归一化和序列转换在内的先进预处理步骤，使数据集与时间模式对齐，提升了模型的学习效率。评估指标如均方根...
解读: 该混合机器学习模型对阳光电源iSolarCloud智慧运维平台具有重要应用价值。LSTM-RNN与随机森林结合的预测方法可集成至SG系列光伏逆变器的MPPT优化算法,提升发电预测精度(RMSE<0.08)。模型对辐照度和温度的特征优先级分析(贡献度45%和22%)可优化ST系列储能PCS的充放电策略...
用于光伏能源预测的轻量级深度学习：优化冬季住宅的脱碳
Lightweight deep learning for photovoltaic energy prediction: Optimizing decarbonization in winter houses
Youssef Jouane · Ilyass Abouelaziz · Imad Saddik · Oussama Oussous · Solar Energy · 2025年9月 · Vol.297
本文提出了一种创新的混合多变量深度学习方法，用于预测冬季住宅中的光伏发电量，重点在于具有低环境影响的轻量级模型。研究开发了一种评估这些模型碳足迹的方法论，综合考虑了训练过程中的能耗、运行阶段的二氧化碳排放以及通过光伏发电优化所实现的节能效益。该方法能够筛选出在预测精度与环境责任之间达到最佳平衡的模型。本研究以瑞士波斯基亚沃的一栋正能冬季住宅（PEWH）为案例，比较了长短期记忆网络（LSTM）、卷积神经网络（CNN）以及一种混合型CNN-LSTM模型在高积雪地区进行短期光伏发电预测的性能表现。结果...
解读: 该轻量级深度学习预测技术对阳光电源iSolarCloud平台和ST储能系统具有重要应用价值。研究中的CNN-LSTM混合模型可集成至智能运维平台,优化冬季高纬度地区光伏-储能协同控制策略。通过精准预测光伏出力,ST系列PCS可提前调整充放电曲线,避免过度发电造成的弃光。特别是在瑞士等高雪地区案例中,...
基于多空间注意力LSTM的时序环境感知光伏性能预测框架
Temporal environment informed photovoltaic performance prediction framework with multi-spatial attention LSTM
Dou Hong · Fengze Li · Jieming Ma · Ka Lok Man 等6人 · Solar Energy · 2025年6月 · Vol.296
摘要 预测光伏（PV）系统的性能对于优化可再生能源利用至关重要。然而，传统的时间序列方法仅关注时间模式，忽略了环境变化的影响，而诸如局部遮挡等动态条件进一步增加了功率预测的复杂性。为应对由遮挡引起的变化，本文提出了一种时序与环境感知预测（TEIP）框架，该框架通过一种新颖的多空间注意力LSTM（MSAL）网络，动态整合时序与环境数据，从而提升光伏功率预测精度。该框架利用TE矩阵捕捉随时间变化的结构化环境条件，包括由局部遮挡引起的变异性。所设计的双分支MSAL模型通过空间特征提取对环境数据进行独特...
解读: 该TEIP框架的多空间注意力LSTM架构对阳光电源SG系列光伏逆变器和iSolarCloud平台具有重要应用价值。其时空环境矩阵建模方法可增强MPPT算法在局部遮挡场景下的动态响应能力,R²达0.952的预测精度可显著提升ST储能系统的充放电策略优化。建议将该框架集成至智能运维平台,结合虚拟同步发电...
基于Vague软集的海上风电功率区间预测
Interval Prediction of Offshore Wind Power Based on Vague Soft Sets
田书欣 · 朱峰 · 杨喜军 · 符杨 等5人 · 中国电机工程学报 · 2025年2月 · Vol.45
海上风电输出功率的精确预测是保障并网系统调度运行的关键。针对海上风电环境复杂、时空随机性强的特点，提出一种基于Vague软集的区间预测方法。通过融合Vague集的真伪隶属度函数，实现功率数据的Vague软区间化，并构建Vague-CNN-LSTM组合预测模型，将双隶属度概率向量转化为不确定环境下的预测区间。建立覆盖精度、区间宽度及综合水平等评估指标，验证结果表明该模型能有效兼顾预测精度与清晰性，适应不同运行工况需求。
解读: 该Vague软集预测方法对阳光电源的风电变流器和储能产品具有重要应用价值。可应用于ST系列储能变流器的功率预测与调度优化,提升系统响应速度和调节精度。该技术的双隶属度概率模型有助于提高PowerTitan储能系统在风电配套场景下的功率预测准确性,优化充放电策略。对iSolarCloud平台的智能运维...
基于Transformer的电动汽车电池荷电状态估计模型
A Transformer-Based Model for State of Charge Estimation of Electric Vehicle Batteries
Metin Yılmaz · Eyüp Çinar · Ahmet Yazıcı · IEEE Access · 2025年2月
电池在电动汽车EV系统设备中发挥关键作用。这些应用的安全性和性能依赖准确的电池管理系统BMS来监测和优化电池性能。传统BMS系统因复杂化学过程和电池老化在充电预测过程中面临挑战，导致故障。完美传感器的缺失凸显外部因素特别是传感器噪声引起的测量问题的局限性。因此需要能解决现实世界电池充电预测问题的算法。本研究比较创新解决方案Transformer模型与传统长短期记忆LSTM、双向LSTM和支持向量回归SVR。本研究旨在使用NASA、BMW i3、斯坦福大学电池数据集和本研究收集的Musoshi品牌...
解读: 该Transformer模型SOC估计技术对阳光电源电池管理系统产品线有重要应用价值。阳光车载OBC和储能BMS需要高精度SOC估计来优化充电策略和电池保护。Transformer相比传统LSTM的性能优势值得阳光BMS算法借鉴。RMSE接近1的卓越精度可显著提升阳光BMS的SOC估计准确性。该技术...
一种模块化的多步预测方法用于海上风电场群
A modular multi-step forecasting method for offshore wind power clusters
Lei Fang · Bin He · Sheng Yu · Applied Energy · 2025年2月 · Vol.380
摘要 随着规模经济的推动，海上风电场群正逐渐成为一种普遍趋势。然而，由于风资源的不确定性，海上风电出力具有间歇性和波动性，给预测工作带来了显著挑战。目前针对海上风电场群功率预测的研究仍较为有限。本文针对这一研究空白，提出了一种面向海上风电场群的模块化、解耦式的多步预测方法。该方法采用模块化设计，能够适应多种预测场景，特别是有无数值天气预报（NWP）数据的情况，为未来的研究与应用提供了灵活的框架。该方法首先利用信号处理技术（包括快速傅里叶变换FFT和奇异值分解SVD）对集群内各风电场的历史功率输出...
解读: 该海上风电集群多步预测方法对阳光电源储能系统(ST系列PCS、PowerTitan)具有重要应用价值。通过时空特征提取和多模态数据融合,可显著提升风储协同控制精度,优化iSolarCloud平台的预测性维护能力。模块化架构适配有无NWP数据场景,可集成至GFM/GFL控制策略中,提升电网友好型并网性...
一种考虑高温老化下表面金属化效应的SiC模块互连层力学性能快速识别与预测的机器学习框架
A Machine Learning Framework for Rapidly Identifying and Predicting Mechanical Properties of Interconnected Layer in SiC Module Considering Surface Metallization Effect Under High-Temperature Aging
Libo Zhao · Yanwei Dai · Fei Qin · IEEE Transactions on Industrial Informatics · 2025年7月
烧结银（Ag）作为高温碳化硅（SiC）功率模块封装中最具潜力的芯片互连材料，在封装过程和高温服役条件下常承受热应力，这极大地降低了SiC功率模块的热机械可靠性。本文通过机器学习辅助的实验与模拟方法，获取并评估了考虑金属化层和高温时效效应的烧结银互连层界面强度预测参数。提出了一种基于多层MLP（多层人工神经网络） - LSTM（长短期记忆网络）框架的模型，该模型具有更高的分类和预测能力。在该方法中，MLP用于提取不同金属化层作用下的分类特征，LSTM用于提取时间特征，以对高温时效引起的力学性能退化...
解读: 从阳光电源的业务角度来看，这项基于机器学习的SiC功率模块互连层性能预测技术具有重要的战略价值。随着公司光伏逆变器和储能系统向高功率密度、高效率方向发展，SiC功率器件已成为核心技术路线。该研究针对烧结银互连层在高温老化下的可靠性预测问题，直接关系到我们产品在严苛工况下的长期稳定性。 该技术的核心...
基于卷积神经网络、小波神经网络与掩码多头注意力机制的全球辐照度预测模型
A Global Irradiance Prediction Model Using Convolutional Neural Networks, Wavelet Neural Networks, and Masked Multi-Head Attention Mechanism
Walid Mchara · Lazhar Manai · Mohamed Abdellatif Khalfa · Monia Raissi 等5人 · IEEE Access · 2025年2月
准确预测全球辐照度对光伏系统尤其是太阳能电动汽车的能量管理至关重要。传统模型难以捕捉辐照数据中复杂的时空依赖性，导致在多变天气条件下预测精度受限。本文提出一种融合卷积神经网络（CNN）、小波神经网络（WNN）与掩码多头注意力（MMHA）机制的新型混合框架CNN-WNN-MMHA。CNN提取局部空间特征，WNN进行频域分解以捕获多尺度变化，MMHA建模时间依赖并编码位置信息。模型在突尼斯八年实测气候数据上训练与验证，实验表明其性能显著优于LSTM、BiLSTM和CNN-LSTM等先进方法，MAPE...
解读: 该混合深度学习辐照度预测模型对阳光电源多条产品线具有重要应用价值。在SG系列光伏逆变器中，可优化MPPT算法的前瞻性控制，提前调整功率跟踪策略；在PowerTitan储能系统中，精准的辐照度预测可优化充放电调度策略，提升光储协同效率；在iSolarCloud智能运维平台中，该模型可增强预测性维护能力...
基于TCN-LSTM神经网络与迁移学习的数字孪生支持型电池状态估计
Digital Twin-supported Battery State Estimation Based on TCN-LSTM Neural Networks and Transfer Learning
Kai ZhaoYing LiuYue ZhouWenlong MingJianzhong Wu · 中国电机工程学会热电联产 · 2025年4月 · Vol.45
准确估计电池荷电状态（SOC）、健康状态（SOH）及剩余使用寿命（RUL）对储能技术发展至关重要。本文提出一种融合时间卷积网络（TCN）与长短期记忆网络（LSTM）的数字孪生（DT）支持型电池状态估计算法。构建四层层次化DT架构以克服传统电池管理系统在计算与存储上的局限，并引入基于迁移学习的在线TCN-LSTM模型，实现神经网络参数的动态更新与实时精度优化。实验结果表明，该方法在90个循环数据下SOC、SOH和RUL的平均均方根误差分别为1.1%、0.8%和0.9%，显著优于传统CNN等模型，展...
解读: 该数字孪生支持的电池状态估计技术对阳光电源ST系列储能系统和PowerTitan大型储能方案具有重要应用价值。TCN-LSTM融合架构可直接集成至BMS系统，实现SOC/SOH/RUL的高精度实时估计（RMSE<1.1%），显著提升电池全生命周期管理能力。四层DT架构突破边缘侧计算瓶颈，可与iSol...
浮体式太阳能发电系统的强化学习基准测试与原型开发：结合棕熊优化算法的实验研究与LSTM建模
Benchmarking reinforcement learning and prototyping development of floating solar power system: Experimental study and LSTM modeling combined with brown-bear optimization algorithm
Mohamed E. Zay · Shafiqur Rehman · Ibrahim A.Elgendy · Ali Al-Shaikhi 等8人 · Energy Conversion and Management · 2025年5月 · Vol.332
摘要 本研究对浮体式太阳能光伏（SFPV）系统与地面安装式太阳能光伏（GSPV）系统进行了全面的对比性实验研究、性能评估分析以及增强型人工智能（AI）建模。两种系统——SFPV与GSPV——均在沙特阿拉伯阿尔-霍巴尔巴林湾地区相同的严苛环境条件下安装、测试并进行比较，详细评估了电功率输出、光伏组件表面温度、光伏直流电压与电流，以及能量产出和效率。此外，本研究还构建了一种混合人工智能框架，该框架融合了轻量梯度提升机（LightGBM）、门控循环单元（GRU）和长短期记忆网络（LSTM）模型，并通过...
解读: 该研究对阳光电源浮式光伏系统集成具有重要价值。SFPV相比地面电站发电量提升59.25%、组件温度降低32.36%,验证了浮式方案的技术优势。LSTM-BBOA混合AI模型(R²达0.9999)可应用于iSolarCloud平台的预测性维护,优化SG系列逆变器的MPPT算法。浮式场景的温度控制特性有...
基于物理信息的LSTM电力变压器时间序列预测模型
Physics-Informed LSTM-Based Time-Series Forecasting Model for Power Transformers
Leixiao Lei · Yigang He · Zhikai Xing · Zihao Li 等5人 · IEEE Transactions on Industrial Informatics · 2025年4月
数据的复杂性和有限的模型泛化能力极大地阻碍了预测精度。本文提出了一种具有自适应权重分配的物理信息融合长短期记忆模型（PILSTM - AWA）。首先，PILSTM - AWA采用分段特征提取方法，以增强局部信息捕获能力，提高对非线性数据的特征提取能力。然后，将油中溶解气体的物理分布和动态变化规律嵌入到长短期记忆（LSTM）框架中。设计了PILSTM模型来约束数据波动并预测油中溶解气体。最后，引入自适应动态加权策略来平衡物理信息和数据信息，提高预测精度。本研究利用了一台1000 kV变压器的在线监...
解读: 从阳光电源的业务视角来看，这项基于物理信息的LSTM时序预测技术虽然聚焦于电力变压器油中溶解气体预测，但其核心方法论对我司储能系统和光伏逆变器的预测性维护具有重要借鉴价值。 该技术的核心创新在于将物理约束嵌入深度学习框架，通过自适应权重平衡物理规律与数据驱动信息，这与我司大型储能电站中电池热管理、...
基于LSTM-XGBoost模型的光伏电站短期功率预测
Short-term power prediction of photovoltaic power station based on LSTM-XGBoost model
Chenyang Zhua · Yibo Tua · Qingya Weia · Yue Zanga 等11人 · Solar Energy · 2025年11月 · Vol.300
摘要 目前，由于太阳能本身具有变异性与不确定性，受天气条件、一天中的时间以及季节变化等因素影响，光伏发电功率的精确预测仍是一个重大挑战。传统的预测模型往往难以捕捉数据中复杂的时序依赖关系和非线性关系，导致预测精度不理想。为应对这些挑战，本文提出一种新颖的混合方法，结合深度学习与集成学习的优势。采用长短期记忆网络（LSTM）提取时间序列数据中的动态特征，通过捕获短期和长期依赖关系，提供对时序信息的稳健表征。极端梯度提升算法（XGBoost）则利用其强大的非线性建模能力和特征选择技术进一步优化预测结...
解读: 该LSTM-XGBoost混合预测模型对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过捕捉光伏发电的时序依赖性和非线性特征,可显著提升ST系列PCS的功率预测精度,优化PowerTitan储能系统的充放电策略。模型的SHAP可解释性分析有助于增强预测性维护能力,提升SG系...
第 1 / 4 页