Weiru Wanga · Hanyang Guoa · Shaofeng Liub · Yechun Xina 等6人 · Applied Energy · 2025年1月 · Vol.401

为了克服传统混合预测模型中物理约束刚性以及样本不平衡的局限性，本文提出了一种基于动态参数物理信息神经网络（DP-PINN）的新型短期光伏（PV）功率预测框架。基于牛顿-拉夫森优化的K-means++（NBRO-Kmeans++）算法将天气划分为四种类型，与标准K-means++相比，轮廓系数提升了6.6%至45.8%。采用合成少数类过采样技术（SMOTE）对少数类样本进行动态平衡，在该情况下使均方根误差（RMSE）降低了50.5%。物理方程根据天气类型进行动态调整，三重约束损失函数融合了数据拟合...

解读: 该DP-PINN动态物理信息神经网络技术对阳光电源iSolarCloud智慧运维平台及SG系列光伏逆变器具有重要应用价值。通过天气分类与SMOTE样本平衡,极端天气下RMSE降低50.8%,可显著提升光伏电站功率预测精度。其动态参数优化机制(光电转化效率η、温度系数α可学习)与阳光电源MPPT优化技...