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、...