找到 2 条结果
一种考虑极端降雨时空特性的混合数据与知识驱动的分布式光伏系统风险预测方法
A Hybrid Data and Knowledge Driven Risk Prediction Method for Distributed Photovoltaic Systems Considering Spatio-Temporal Characteristics of Extreme Rainfalls
Yuxuan Wang · Bin Zhou · Cong Zhang · Siu Wing Or 等6人 · IEEE Transactions on Industry Applications · 2024年7月
本文提出一种结合基于知识与数据驱动的电气安全风险（ESR）预测方法，该方法考虑了极端降雨的时空特征，旨在识别因内涝导致高停机风险的分布式光伏系统（DPVS）。首先，建立了分布式光伏系统内涝的二维水动力偏微分模型，以推导极端降雨在时空异质性条件下淹没深度的动态分布。开发了一种基于快速图像分割的风险分区算法，以提取暴雨及内涝的非均匀空间分布和时间波动性，从而将分布式光伏系统划分为具有不同电气安全风险程度的多个区域。然后，从数学角度提出了一种基于知识的、考虑淹没深度和寄生电容的泄漏电流分析方法，以揭示...
解读: 从阳光电源的业务视角来看，这项针对分布式光伏系统极端降雨风险预测的研究具有重要的工程应用价值。当前我国分布式光伏装机规模快速增长，但极端天气导致的系统停机和电气安全事故已成为影响发电效率和资产安全的关键因素。该研究提出的知识与数据混合驱动方法，通过二维流体动力学模型模拟积水深度的时空演化，并结合漏电...
一种面向时空城市轨道交通的混合储能系统容量优化与能量管理多任务强化学习方法
A Multi-Task Reinforcement Learning Approach for Optimal Sizing and Energy Management of Hybrid Electric Storage Systems Under Spatio-Temporal Urban Rail Traffic
Guannan Li · Siu Wing Or · IEEE Transactions on Industry Applications · 2025年1月
客流波动和延误导致的交通管制给城市轨道交通牵引网络中混合储能系统（HESS）的高效再生制动能量利用带来了巨大挑战。本文提出了一种基于多任务强化学习（MTRL）的协同HESS容量配置与能量管理优化框架，以提高动态时空城市轨道交通下HESS的经济运行水平。将不同时空牵引负荷分布下特定配置的HESS控制问题表述为多任务马尔可夫决策过程（MTMDP），并设计了一种考虑日常运营模式的迭代容量优化方法，以最小化HESS的生命周期成本（LCC）。然后，开发了一个由基于Copula的客流生成方法和结合牵引能耗 ...
解读: 该多任务强化学习框架对阳光电源轨道交通储能解决方案具有重要应用价值。可直接应用于ST系列储能变流器的容量配置优化和PowerTitan储能系统的实时能量管理策略，通过协同优化提升再生制动能量回收效率。该方法处理时空负荷波动的能力可启发iSolarCloud云平台增强预测性维护功能，将强化学习算法集成...