找到 3 条结果
多市场中具有风险与预期溢价的能量存储容量复用
Energy Storage Capacity Multiplexing With Risk and Expected Premium in Multimarket
Binhuan Gao · Xiaohe Yan · Nian Liu · Alexis Pengfei Zhao · IEEE Transactions on Industrial Informatics · 2025年8月
作为重要的市场主体，储能（ES）可同时参与多个电力市场并从中获益。然而，当前储能的运营模式主要侧重于计算市场收益，未能准确评估市场价格的风险和相关性。因此，本文设计了一种考虑市场价格风险和耦合性的储能运营方法。首先，设计了一种考虑市场价格风险和市场耦合性的储能多市场复用运营方案。其次，引入广义自回归条件异方差和指数加权移动平均模型来精确评估价格风险，并设计了动态Copula方法来反映耦合系数。此外，引入了通过实物期权理论计算的预期溢价概念，从而能够在市场正向波动的情况下制定更精细的利润最大化策略...
解读: 从阳光电源储能业务发展角度看，该论文提出的多市场容量复用运营方法具有重要战略价值。当前公司PowerTitan、PowerStack等储能系统在全球市场快速部署，但传统运营模式多聚焦单一市场收益测算，未能充分挖掘储能资产的多元价值。该研究引入GARCH和EWMA模型量化价格风险，结合动态Copula...
基于模仿专家经验的可解释深度强化学习在电动汽车智能充电中的应用
Interpretable Deep Reinforcement Learning With Imitative Expert Experience for Smart Charging of Electric Vehicles
Shuangqi Li · Alexis Pengfei Zhao · Chenghong Gu · Siqi Bu 等6人 · IEEE Transactions on Power Systems · 2024年7月
深度强化学习（DRL）因计算效率高，有望实现复杂系统的在线优化控制，但其可解释性与可靠性限制了在智能电网能量管理中的工程应用。本文首次提出一种新颖的模仿学习框架，用于解决电网连接电动汽车（GEV）充电管理中的高效计算问题。通过基于车网互动（V2G）成本效益分析的先验优化模型生成最优策略，并构建专家经验池以配置学习环境。设计双Actor-Imitator网络结构，实现专家知识向强化学习模型的有效迁移，提升训练效率与调度性能。实验结果表明，该方法在英国某示范微网中有效提升了V2G经济效益并缓解了电池...
解读: 该可解释深度强化学习技术对阳光电源充电桩产品线及储能系统具有重要应用价值。文章提出的模仿学习框架可直接应用于阳光电源V2G充电桩的智能调度算法，通过专家经验池加速DRL训练，提升充电策略的可靠性与可解释性，解决传统黑盒AI在电网能量管理中的工程化难题。该方法可集成至iSolarCloud云平台，实现...
因果机制赋能的零标签学习在新建光伏电站发电功率预测中的应用
Causal Mechanism-Enabled Zero-Label Learning for Power Generation Forecasting of Newly-Built PV Sites
Pengfei Zhao · Weihao Hu · Di Cao · Rui Huang 等6人 · IEEE Transactions on Sustainable Energy · 2024年9月
针对新建光伏（PV）电站因缺乏历史发电数据导致的功率预测难题，本文提出一种无需任何标注样本的无监督零标签学习方法。通过挖掘不同电站间的不变因果结构，并利用因果机制提升目标电站的预测性能。设计了因果赋能的域自适应网络（CEDAN），结合内外注意力机制从时滞数据片段中提取发电因果关联，并构建域适应损失函数以对齐源域与目标域的因果分布差异。进一步扩展为分位数域适应损失以应对输出不确定性。联合优化域适应与预测损失，实现跨域不变因果机制的学习，从而在无标签情况下完成高泛化性功率预测。基于真实数据的实验表明...
解读: 该零标签功率预测技术对阳光电源iSolarCloud智能运维平台和SG系列光伏逆变器具有重要应用价值。针对新建光伏电站缺乏历史数据的痛点，通过因果机制实现无标签跨域迁移学习，可直接应用于阳光电源新部署站点的发电预测模块。该方法提升7.57%的确定性预测精度，能优化iSolarCloud平台的智能诊断...