找到 2 条结果
基于增量贝叶斯随机配置网络的漂移环境概率风力预测
Probabilistic Wind Power Prediction Using Incremental Bayesian Stochastic Configuration Network Under Concept Drift Environment
Jizhong Zhu · Le Zhang · Di Zhang · Yixi Chen · IEEE Transactions on Industry Applications · 2024年9月
传统数据驱动的概率风力预测方法通常假设外部环境静态不变，而实际工业数据常受概念漂移影响，导致模型性能下降。为此，本文提出一种增量贝叶斯随机配置网络方法。该方法利用无需迭代的轻量级随机权值神经网络SCN建模变量与目标间的潜在关系，并结合贝叶斯推断更新输出层参数，构建概率预测模型BSCN。通过最大均值差异与连续排序概率评分检测虚拟与真实漂移，以真实漂移触发BSCN的增量学习，并设计特定更新策略实现模型自适应。实验表明，该方法在动态漂移环境中能持续学习新模式且不遗忘旧知识，显著提升预测精度。
解读: 该增量贝叶斯预测方法对阳光电源风电和储能产品线具有重要应用价值。首先可用于ST系列储能变流器的功率预测与调度优化，提升储能系统对风电波动的平抑效果。其次可集成到iSolarCloud平台，通过实时漂移检测和自适应学习提高风电场发电预测准确度，优化PowerTitan储能系统的调度策略。该方法的轻量级...
知识增强的群体深度强化学习用于大规模电网实时网络约束经济调度
Knowledge-Augmented Population-Based Deep Reinforcement Learning for Real-Time Network-Constrained Economic Dispatch of Large-Scale Power Grid
Yixi Chen · Jizhong Zhu · Hanjiang Dong · Cong Zeng 等5人 · IEEE Transactions on Power Systems · 2025年6月
近年来，深度强化学习（DRL）因其在在线前瞻决策和应对不确定性方面的优势，被广泛应用于实时网络约束经济调度（NCED）。然而，传统DRL方法在计算效率与并行性方面存在局限，难以适应大规模电网环境。为此，本文提出一种新型知识增强的群体深度强化学习（PDRL）方法。PDRL通过扰动代理参数生成种群进行探索，并聚合个体结果构建代理梯度以更新模型，具有高效探索能力与高并行性。结合电网物理知识，提出序贯安全投影（S2P）技术，显著提升决策安全性并降低训练难度。在39节点、500节点和2383节点系统上的仿...
解读: 该知识增强群体深度强化学习技术对阳光电源PowerTitan大型储能系统及iSolarCloud云平台具有重要应用价值。在储能侧，PDRL的高并行性与序贯安全投影技术可优化ST系列储能变流器的实时调度策略，确保大规模储能电站在电网约束下实现经济最优充放电决策，提升电网友好性。在光伏侧，该方法可集成至...