找到 4 条结果
一种具有动态不确定性集合的可再生能源电力系统定量消纳保障鲁棒调度方法
A Quantitative Accommodation Guaranteed Robust Scheduling Method for Renewable Power System with Dynamic Uncertainty Set
Lianyong Zuo · Shengshi Wang · Jiakun Fang · Yong Sun 等6人 · IEEE Transactions on Sustainable Energy · 2025年7月
为降低碳排放，风电在电力系统中的渗透率不断提高，但其波动性和随机性给系统可靠运行与有效消纳带来挑战。本文提出一种面向风电接入电力系统的定量消纳保障鲁棒调度方法。首先构建风电出力的动态不确定性集，并据此提出可量化系统可实现消纳水平的随机消纳率指标；在此基础上，采用隐式仿射策略保证调度策略的非预见性，并结合系统最大与最小消纳率评估结果构建随机消纳率约束，将其嵌入调度模型以提供定量消纳保障。基于改进的6节点、14节点和118节点系统的仿真验证了所提方法的有效性与优越性。
解读: 该研究提出的定量消纳保障鲁棒调度方法对阳光电源储能产品线具有重要应用价值。可直接应用于PowerTitan大型储能系统的EMS能量管理算法中,通过动态不确定性集和随机消纳率指标,优化储能系统对风电波动的平抑效果。该方法也可集成到iSolarCloud平台,提升储能调度的智能化水平。对ST系列储能变流...
改进的无通信协调控制用于VSC-MTDC集成海上风电场的陆上系统频率支撑
Improved Communication-Free Coordinated Control of VSC-MTDC Integrated Offshore Wind Farms for Onshore System Frequency Support
Yongxin Xiong · Wei Yao · Siqi Lin · Xiaomeng Ai 等6人 · IEEE Transactions on Power Delivery · 2022年6月
现有无通信频率支撑方案通常采用海上换流器直流电压作为输入信号，但其受风电输出功率影响而产生畸变，降低频率支撑性能。为此，提出一种改进的无通信协调控制（ICFCC）方案，将陆上频率变化引入直流电压偏差，并在海上换流站通过估计器获取陆上直流电压，以实现快速支撑并减小畸变影响。通过自适应调节下垂系数合理分配支撑功率，使靠近扰动母线的站点注入更多功率。频率支撑后，海上风电机组采用渐近控制恢复转速，避免二次频率跌落。在四端和五端系统中验证了该方案在参数不确定性和噪声干扰下的有效性。
解读: 该无通信协调控制技术对阳光电源储能和风电产品线具有重要参考价值。其中的直流电压偏差传递频率信息的方法,可应用于ST系列储能变流器的多机并联系统,优化功率分配策略。自适应下垂控制思路可用于PowerTitan大型储能系统的分布式协调控制,提升系统稳定性。渐近恢复控制方法对风电变流器的频率支撑功能具有启...
一种基于动态模型的碱性电解槽分钟级优化运行策略
A Dynamic Model-Based Minute-Level Optimal Operation Strategy for Alkaline Electrolyzers in Wind-Hydrogen Systems
Aobo Guan · Suyang Zhou · Wei Gu · Zhi Wu 等6人 · IEEE Transactions on Sustainable Energy · 2025年3月
为保障风电-氢能系统外送功率稳定，需应对碱性电解槽（AWE）调度周期长与风电短期波动不匹配的挑战。本文提出一种分钟级AWE优化运行策略，综合考虑其稳态电化学特性及温度、氢氧比的三阶动态模型，构建了以每分钟调节碱液流量、冷却流量和压力等细粒度变量实现电解功率快速跟踪风电波动的优化框架。通过改进模型预测控制（MPC）方法，结合模型简化与优化-仿真迭代流程，在保证计算效率的同时确保运行可行性。算例表明，该策略使AWE负荷范围扩展13.8%，弃风率降低15.06%，并兼顾系统效率、稳定性与安全性。
解读: 该研究的分钟级AWE优化运行策略对阳光电源储能产品线具有重要参考价值。其动态模型与MPC控制方法可直接应用于ST系列储能变流器的功率调节算法优化，特别是在风电配套储能场景中。通过引入类似的多变量优化框架，可提升PowerTitan系统在大规模风电消纳中的调节性能，扩大储能系统的实际负荷范围。该技术还...
极端天气下的风电功率预测：一种新型少样本学习架构
Wind Power Forecasting Under Extreme Weather: a Novel Few-Shot Learning Architecture
Chuanyu Xu · Shichang Cui · Lishen Wei · Bangxian Zhu 等6人 · IEEE Transactions on Sustainable Energy · 2025年8月
针对极端天气下基于神经网络的风电功率预测面临的样本稀缺、常规与极端天气间领域偏移及跨极端条件泛化困难等问题，提出一种新型少样本学习架构。通过引入跨任务元训练的迁移学习策略，降低对样本量的需求并提升跨域泛化能力；设计轻量级参数层以平衡浅层与深层网络的欠拟合与过拟合问题，减少可训练参数并缓解分布偏移；构建跨域风险最小化损失函数，利用二阶梯度提升模型在多样极端条件下的鲁棒性与一致性。基于真实风电场数据的实验表明，该方法显著优于基准模型，在nRMSE和nMAE指标上分别降低2.05%–43.55%和0....
解读: 该少样本学习架构对阳光电源的储能和风电产品线具有重要应用价值。首先可应用于ST系列储能变流器的功率预测与调度优化,提升储能系统在极端天气下的调度效率。其次可集成到iSolarCloud平台,增强风储联合运行的智能预测能力。该技术的跨域迁移学习策略和轻量级参数设计,可优化阳光电源现有的电力预测算法,提...