找到 2 条结果
基于人工神经网络的粒子群优化微电网最优能量调度
Artificial Neural Network Based Particle Swarm Optimization for Microgrid Optimal Energy Scheduling
Maher Abdolrasol · Ramizi Mohamed · M Hannan · Ali Al-Shetwi 等6人 · IEEE Transactions on Power Electronics · 2021年11月
本文提出了一种结合人工神经网络（ANN）与粒子群优化（PSO）的增强算法，用于虚拟电厂（VPP）系统中可再生能源的管理。通过对比基于ANN的二进制粒子群优化（BPSO）算法与原始BPSO算法，验证了该方法在搜索微电网最优能量调度值方面的性能提升。
解读: 该研究提出的AI优化调度算法与阳光电源的iSolarCloud智能运维平台及PowerTitan/PowerStack储能系统高度契合。在虚拟电厂（VPP）场景下，通过ANN-PSO算法优化能量调度，可显著提升储能系统在调峰调频、削峰填谷中的经济效益。建议将该算法集成至阳光电源的EMS（能量管理系统...
基于学习率优化的深度全卷积网络锂离子电池SOC估计
SOC Estimation of Li-ion Batteries With Learning Rate-Optimized Deep Fully Convolutional Network
M. A. Hannan · D. N. T. How · M. S. Hossain Lipu · Pin Jern Ker 等7人 · IEEE Transactions on Power Electronics · 2021年7月
本文提出了一种深度全卷积网络（DFCN）模型，直接利用电压、电流和温度数据估计锂离子电池的荷电状态（SOC）。通过引入学习率优化策略，该模型在恒定及变温环境下均表现出优异的SOC估计精度，为电池管理系统提供了高效的算法支撑。
解读: 该技术对阳光电源的储能业务（如PowerTitan、PowerStack及户用储能系统）具有极高价值。SOC估计的精度直接决定了储能系统的可用容量和安全性。通过引入深度全卷积网络（DFCN）及学习率优化策略，可显著提升BMS在复杂工况（如变温、动态充放电）下的SOC估算准确度，从而优化电池均衡策略，...