找到 2 条结果
将季内振荡与数值天气预报结合用于15天风电功率预测
Integrating Intra-Seasonal Oscillations With Numerical Weather Prediction for 15-Day Wind Power Forecasting
Shuang Han · Weiye Song · Jie Yan · Ning Zhang 等6人 · IEEE Transactions on Power Systems · 2025年2月
延长风电功率预测（WPF）的时间尺度对于以可再生能源为主的电力系统的电网管理和市场运营至关重要。然而，风电功率预测对数值天气预报（NWP）的高度依赖带来了巨大挑战。基于短期数据的数值天气预报迭代运算会放大其固有的不确定性，导致其超过10天的预报精度降低。为解决这一问题，引入季节内振荡（ISO）来捕捉更长期、更大尺度的气象模式，进而提出了用于15天风电功率预测的ISO - NWP集成框架。首先，开发了一个遥相关（TC）的历史时空定位模型，该模型在季节内振荡的影响下关联远距离的天气变化和风电功率波动...
解读: 该研究对阳光电源的风电变流器和储能系统具有重要应用价值。通过融合季内振荡预测与数值天气预报的混合建模方法，可显著提升风电功率预测精度，这对我司ST系列储能变流器的调度策略优化和PowerTitan储能系统的容量配置具有直接指导意义。具体而言，可将该预测算法集成到iSolarCloud平台，优化储能调...
一种用于低风力发电预测的自监督预学习方法
A Self-Supervised Pre-Learning Method for Low Wind Power Forecasting
Weiye Song · Jie Yan · Shuang Han · Ning Zhang 等6人 · IEEE Transactions on Sustainable Energy · 2025年1月
随着风电在电力系统中占比提升，其出力间歇性导致的低功率风险日益突出，准确预测低风力发电对缓解电力短缺至关重要。然而，由于低风速事件稀少，传统方法面临样本不足难题，制约了预测精度提升。为此，本文提出一种自监督预学习方法，通过挖掘低出力样本间的相似性与差异性，分别预测低风力发电事件（LWPE）的发生时段和低风力发电过程（LWPP）的功率序列。针对LWPE预测，设计基于对比学习的孪生残差收缩网络，利用样本对进行特征预学习以缓解样本不平衡；对于LWPP预测，构建基于模式识别的嵌入式预测框架，将典型波动模...
解读: 该自监督预学习方法对阳光电源储能与风电产品线具有重要应用价值。可将其集成至ST系列储能变流器的EMS能量管理系统，提升风储联合运行策略的精准度；应用于PowerTitan大型储能系统的调度优化，实现对低风力时段的精准响应。该技术可优化iSolarCloud平台的预测算法，提高风电场群的运维效率。特别...