找到 2 条结果
一种具有动态不确定性集合的可再生能源电力系统定量消纳保障鲁棒调度方法
A Quantitative Accommodation Guaranteed Robust Scheduling Method for Renewable Power System with Dynamic Uncertainty Set
Lianyong Zuo · Shengshi Wang · Jiakun Fang · Yong Sun 等6人 · IEEE Transactions on Sustainable Energy · 2025年7月
为降低碳排放，风电在电力系统中的渗透率不断提高，但其波动性和随机性给系统可靠运行与有效消纳带来挑战。本文提出一种面向风电接入电力系统的定量消纳保障鲁棒调度方法。首先构建风电出力的动态不确定性集，并据此提出可量化系统可实现消纳水平的随机消纳率指标；在此基础上，采用隐式仿射策略保证调度策略的非预见性，并结合系统最大与最小消纳率评估结果构建随机消纳率约束，将其嵌入调度模型以提供定量消纳保障。基于改进的6节点、14节点和118节点系统的仿真验证了所提方法的有效性与优越性。
解读: 该研究提出的定量消纳保障鲁棒调度方法对阳光电源储能产品线具有重要应用价值。可直接应用于PowerTitan大型储能系统的EMS能量管理算法中,通过动态不确定性集和随机消纳率指标,优化储能系统对风电波动的平抑效果。该方法也可集成到iSolarCloud平台,提升储能调度的智能化水平。对ST系列储能变流...
极端天气下的风电功率预测：一种新型少样本学习架构
Wind Power Forecasting Under Extreme Weather: a Novel Few-Shot Learning Architecture
Chuanyu Xu · Shichang Cui · Lishen Wei · Bangxian Zhu 等6人 · IEEE Transactions on Sustainable Energy · 2025年8月
针对极端天气下基于神经网络的风电功率预测面临的样本稀缺、常规与极端天气间领域偏移及跨极端条件泛化困难等问题，提出一种新型少样本学习架构。通过引入跨任务元训练的迁移学习策略，降低对样本量的需求并提升跨域泛化能力；设计轻量级参数层以平衡浅层与深层网络的欠拟合与过拟合问题，减少可训练参数并缓解分布偏移；构建跨域风险最小化损失函数，利用二阶梯度提升模型在多样极端条件下的鲁棒性与一致性。基于真实风电场数据的实验表明，该方法显著优于基准模型，在nRMSE和nMAE指标上分别降低2.05%–43.55%和0....
解读: 该少样本学习架构对阳光电源的储能和风电产品线具有重要应用价值。首先可应用于ST系列储能变流器的功率预测与调度优化,提升储能系统在极端天气下的调度效率。其次可集成到iSolarCloud平台,增强风储联合运行的智能预测能力。该技术的跨域迁移学习策略和轻量级参数设计,可优化阳光电源现有的电力预测算法,提...