找到 2 条结果
一种用于长期光伏和风电功率预测的细粒度频率分解框架
A fine-grained frequency decomposition framework for long-term photovoltaic and wind power forecasting
Peng Suna · Tingxiao Dinga · Jin Sua · Yuhan Yanga 等8人 · Solar Energy · 2025年1月 · Vol.301
准确预测太阳能和风能对于实现高效的电网集成至关重要。然而，现有的机器学习和深度学习方法在处理复杂且变化多端的时间序列数据时面临若干挑战，例如通用性有限、泛化能力不足，以及难以平衡计算效率与预测精度之间的关系。为应对这些挑战，本研究提出了一种细粒度频率分解框架（FDF），并设计了一种基于小波变换与下采样策略（连续采样和间隔采样）的序列分解方案。该框架旨在深入挖掘时间序列中的复杂时序模式，并充分捕捉长距离依赖关系。具体而言，FDF首先利用小波变换将原始时间序列分解为多个不同频率的分量；随后，对每个分...
解读: 该细粒度频率分解框架对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过小波变换与采样策略结合,可显著提升光伏功率预测精度(MAE降低7.65%),同时保持轻量化特性(0.29M参数)。该方法可集成至ST系列PCS的功率预测模块,优化PowerTitan储能系统的充放电策略制...
基于alpha通道融合的风力发电机组异常数据识别方法
Abnormal data recognition method for wind turbines based on alpha channel fusion
Yan Chen · Guihua Banb · Tingxiao Dinga · Applied Energy · 2025年1月 · Vol.396
尽管图像处理技术在风电功率曲线（WPC）异常检测领域发挥着先进作用，能够准确识别各类异常数据，但仍面临三大挑战：依赖人工标注的参考样本、通过栅格化和距离计算表示数据密度，以及对堆叠型异常数据识别精度不足。为解决上述问题，本研究提出一种简单且高效的WPC异常数据识别与清洗方法。该方法无需依赖人工标注的参考样本，仅通过调节两个参数的取值即可实现不同类型WPC异常数据的识别。所提方法首先采用alpha通道融合机制，在连续空间中直接表征数据密度，从而避免了栅格化处理；其次，引入边界离散化、序列平滑技术及...
解读: 该风电异常数据识别技术对阳光电源储能系统和智能运维平台具有重要借鉴价值。其alpha通道融合机制可应用于iSolarCloud平台的功率曲线异常检测,提升ST系列储能变流器和SG系列光伏逆变器的数据清洗能力。无需人工标注样本的特点契合大规模新能源场站运维需求,边界离散化与Canny边缘检测算法可增强...