找到 4 条结果
基于重叠历史数值天气预报集成的日内风电功率预测
Intraday Wind Power Forecasting by Ensemble of Overlapping Historical Numerical Weather Predictions
Yongning Zhao · Shiji Pan · Yanxu Chen · Haohan Liao 等6人 · IEEE Transactions on Sustainable Energy · 2024年12月
数值天气预报（NWP）对提升日内风电功率预测（WPF）精度至关重要。然而，传统方法仅依赖最新单次NWP，忽略了时序发布且时间重叠的多段历史NWP中的隐含信息。为此，本文提出一种融合重叠历史NWP的时空表征学习网络。通过掩码-重构预训练策略提取风电与NWP的隐含特征，并结合端到端微调及硬参数共享的多任务学习机制，提升多风电场预测均衡性。基于5个真实风电场的实验表明，该方法在各预测时域均优于基线模型。
解读: 该风电功率预测技术对阳光电源储能和智能运维产品线具有重要应用价值。首先，可将其集成至ST系列储能系统的EMS能量管理模块，提升风储联合运行的调度精度。其次，该技术可优化iSolarCloud平台的新能源发电预测功能，通过多时序NWP数据融合提升预测准确度，为用户提供更可靠的发电计划和运维决策支持。特...
基于领域知识引导的特征与损失函数构建的可解释风电功率预测
Interpretable Wind Power Forecasting with Feature and Loss Function Construction Guided by Domain Knowledge
Yongning Zhao · Yuan Zhao · Yanxu Chen · Haohan Liao 等6人 · IEEE Transactions on Sustainable Energy · 2025年8月
针对当前风电功率预测方法缺乏领域知识融合导致精度与可解释性不足的问题，提出一种可解释的数据-知识融合超短期预测模型。通过历史风速输入构建风速-功率曲线生成理论输出，并结合实测数据作为模型输入；设计边界约束损失函数，利用alpha shape算法和局部加权线性回归提取功率上下边界并动态更新以捕捉波动特性；引入基于Jensen-Shannon散度的误差分布形状损失，促使训练误差逼近正态分布。在30个风电场的实验表明，该方法在各预测时域均优于基线模型，且在噪声与缺失数据下具有强鲁棒性。
解读: 该风电功率预测技术对阳光电源储能和智能运维产品线具有重要应用价值。特别是其基于领域知识的边界约束和误差分布优化方法,可直接应用于ST系列储能变流器的功率调度和PowerTitan系统的容量规划。通过将该预测算法集成到iSolarCloud平台,可提升风储联合项目的调度精度和经济性。其数据-知识融合的...
基于可解释对比学习的数据增强趋势-波动表征用于风电功率预测
Data-augmented trend-fluctuation representations by interpretable contrastive learning for wind power forecasting
Yongning Zhao · Haohan Liao · Yuan Zhao · Shiji Pan · Applied Energy · 2025年1月 · Vol.380
摘要 数据增强可以通过分析风电功率数据的统计特性来扩展数据规模，为预测模型提供更丰富的输入信息，从而提高预测精度。然而，现有的数据增强方法仅学习原始数据的概率分布，难以从数据中捕捉并表征复杂的变化趋势与波动特征。此外，来自不同风电场的异构数据模式会影响预测模型的泛化能力，而深度学习模型的黑箱结构在实际应用中也缺乏可信度。因此，本文提出一种新颖的可解释趋势-波动表征对比学习框架（ICoTF），用于风电功率预测。具体而言，ICoTF包含预训练阶段和回归阶段。首先，在预训练阶段设计了基于对比学习的数据...
解读: 该风电功率预测技术对阳光电源储能系统具有重要应用价值。ICoTF框架的趋势-波动特征提取能力可应用于ST系列PCS的功率预测模块,通过对比学习增强数据表征,提升PowerTitan储能系统的充放电策略优化精度。其可解释性设计符合iSolarCloud平台的预测性维护需求,特征重要性分析可优化GFM/...
通过特征空间匹配分析解释基于时空相关性的LASSO回归模型用于风电功率预测
Interpreting LASSO regression model by feature space matching analysis for spatio-temporal correlation based wind power forecasting
Yongning Zhao · Yuan Zhao · Haohan Liao · Shiji Pan 等5人 · Applied Energy · 2025年1月 · Vol.380
摘要 解释高性能的风电功率预测（WPF）模型对于推动更可信和更精确的预测方法至关重要。当前的研究主要集中在解释黑箱深度学习模型，而忽视了能够直接指示特征重要性的自解释模型，尽管这些模型无法阐明其背后的成因机制。基于最小绝对收缩与选择算子（LASSO）的自解释回归模型在WPF中表现出色。因此，探索其内在决策逻辑及其系数的实际意义，以提取有益的领域知识，具有重要意义。本文提出了一种解释框架，旨在阐明考虑时空相关性的LASSO回归模型在WPF中的决策逻辑。该框架包含四个主要组成部分：首先，建立一个时空...
解读: 该LASSO回归模型解释框架对阳光电源储能系统(ST系列PCS、PowerTitan)和iSolarCloud平台具有重要应用价值。通过时空相关性量化和特征匹配分析,可优化风储协同预测精度,提升储能系统功率调度策略。特征扰动分析方法可应用于多场站协同控制,识别关键影响因素如特征共线性、参考场站空间分...