找到 28 条结果
可解释性机器学习揭示杂化钙钛矿太阳能电池的光电转换效率
Interpretable machine learning insights of power conversion efficiency for hybrid perovskites solar cells
Yudong Shi · Jiansen Wen · Cuilian Wen · Linqin Jiang 等7人 · Solar Energy · 2025年1月 · Vol.290
摘要 杂化有机-无机钙钛矿（HOIPs）太阳能电池因其高能量转换效率、易于制备以及低成本等优势，在光伏领域展现出广阔的应用前景。随着人工智能的蓬勃发展，机器学习（ML）近年来已被用于新型HOIPs材料的设计。然而，由于现有机器学习模型缺乏可解释性，其在HOIPs材料设计中的实际应用受到较大限制。本文提出一种数据驱动的可解释性机器学习方法，用于提取影响基于HOIPs太阳能电池功率转换效率（PCE）的通用且简洁的描述符。研究突出提出了两个由易于获取参数构成的描述符，可用于准确预测PCE，其预测性能优...
解读: 该可解释机器学习技术为阳光电源光伏逆变器研发提供重要启示。通过数据驱动方法快速筛选高效钙钛矿电池,可优化SG系列逆变器的MPPT算法适配性。研究中提出的简化描述符预测方法,可应用于iSolarCloud平台的组件性能预测模型,实现电站级效率优化。结合GaN功率器件特性,该方法有助于加速新型光伏材料与...
基于两阶段分解与综合相对重要性分析的可解释风速预测
Interpretable wind speed forecasting through two-stage decomposition with comprehensive relative importance analysis
Huanze Zeng · Binrong Wu · Haoyu Fang · Jiacheng Lin · Applied Energy · 2025年1月 · Vol.392
摘要 准确的风速预测为风电场的高效调度与运行提供了关键的决策支持，从而保障智能电网的稳定运行。然而，风速序列固有的波动性和非平稳性给提升预测精度带来了挑战。现有研究表明，风速与多种气象因素之间存在密切的相关性；有效利用这些气象数据可显著提高风速预测的准确性。本研究提出了一种新颖的短期多变量可解释风速预测方法，旨在同时提升预测的准确性和可解释性。所提出的模型融合了两阶段分解过程、综合相对重要性分析（CRIA）、基于牛顿-拉夫森的优化器（NRBO）以及可解释的深度学习模型——时间融合变换器（TFT）...
解读: 该风速预测技术对阳光电源风电变流器及储能系统具有重要应用价值。通过MVMD-CEEMDAN二级分解和CRIA特征选择,可显著提升风电场功率预测精度,优化ST系列储能变流器的充放电策略制定。TFT深度学习模型的可解释性为iSolarCloud平台的预测性维护提供决策支持,结合气象多变量分析可改进GFM...
基于领域知识引导的特征与损失函数构建的可解释风电功率预测
Interpretable Wind Power Forecasting with Feature and Loss Function Construction Guided by Domain Knowledge
Yongning Zhao · Yuan Zhao · Yanxu Chen · Haohan Liao 等6人 · IEEE Transactions on Sustainable Energy · 2025年8月
针对当前风电功率预测方法缺乏领域知识融合导致精度与可解释性不足的问题，提出一种可解释的数据-知识融合超短期预测模型。通过历史风速输入构建风速-功率曲线生成理论输出，并结合实测数据作为模型输入；设计边界约束损失函数，利用alpha shape算法和局部加权线性回归提取功率上下边界并动态更新以捕捉波动特性；引入基于Jensen-Shannon散度的误差分布形状损失，促使训练误差逼近正态分布。在30个风电场的实验表明，该方法在各预测时域均优于基线模型，且在噪声与缺失数据下具有强鲁棒性。
解读: 该风电功率预测技术对阳光电源储能和智能运维产品线具有重要应用价值。特别是其基于领域知识的边界约束和误差分布优化方法,可直接应用于ST系列储能变流器的功率调度和PowerTitan系统的容量规划。通过将该预测算法集成到iSolarCloud平台,可提升风储联合项目的调度精度和经济性。其数据-知识融合的...
基于可解释对比学习的数据增强趋势-波动表征用于风电功率预测
Data-augmented trend-fluctuation representations by interpretable contrastive learning for wind power forecasting
Yongning Zhao · Haohan Liao · Yuan Zhao · Shiji Pan · Applied Energy · 2025年1月 · Vol.380
摘要 数据增强可以通过分析风电功率数据的统计特性来扩展数据规模，为预测模型提供更丰富的输入信息，从而提高预测精度。然而，现有的数据增强方法仅学习原始数据的概率分布，难以从数据中捕捉并表征复杂的变化趋势与波动特征。此外，来自不同风电场的异构数据模式会影响预测模型的泛化能力，而深度学习模型的黑箱结构在实际应用中也缺乏可信度。因此，本文提出一种新颖的可解释趋势-波动表征对比学习框架（ICoTF），用于风电功率预测。具体而言，ICoTF包含预训练阶段和回归阶段。首先，在预训练阶段设计了基于对比学习的数据...
解读: 该风电功率预测技术对阳光电源储能系统具有重要应用价值。ICoTF框架的趋势-波动特征提取能力可应用于ST系列PCS的功率预测模块,通过对比学习增强数据表征,提升PowerTitan储能系统的充放电策略优化精度。其可解释性设计符合iSolarCloud平台的预测性维护需求,特征重要性分析可优化GFM/...
AM-MFF：一种基于注意力机制的多特征融合框架用于鲁棒且可解释的锂离子电池健康状态估计
AM-MFF: A multi-feature fusion framework based on attention mechanism for robust and interpretable lithium-ion battery state of health estimation
Si-Zhe Chen · Jing Liu · Haoliang Yuan · Yibin Tao 等6人 · Applied Energy · 2025年1月 · Vol.381
健康状态（SOH）是电池管理系统（BMS）中的一个关键参数。利用多种数据源可有效提升端到端SOH估计的性能。然而，现有的基于多维特征的方法未能充分挖掘不同数据源之间的内在关联。同时，大多数方法缺乏可解释性，并忽视了噪声带来的不利影响。本研究提出了一种基于注意力机制的多特征融合框架（AM-MFF），以实现鲁棒且可解释的SOH估计。AM-MFF结合了卷积神经网络（CNN）和注意力机制（AM）的优势，能够高效提取并融合健康特征，从而全面感知电池老化信息。该框架将两个运行阶段的数据作为输入，并通过两个独...
解读: 该AM-MFF锂电池SOH估算框架对阳光电源储能系统具有重要应用价值。其多特征融合与注意力机制可直接集成至ST系列PCS和PowerTitan储能系统的BMS中,提升电池健康状态预测精度和抗噪性能。多输入容错设计确保单传感器故障时系统仍可靠运行,符合大规模储能安全需求。注意力分数的可解释性有助于iS...
揭示有机光伏中的结构-性能关系：可解释的机器学习模型预测功率转换效率
Uncovering Structure–Performance Relationships in Organic Photovoltaics: Interpretable Machine Learning Model for Predicting the Power Conversion Efficiency
Yi Yang · Arowa Yasmeen · Ovidiu Daescu · IEEE Journal of Photovoltaics · 2025年8月
有机光伏（OPV）是一种颇具前景的光伏技术，但传统上候选分子的设计采用试错法，效率低下。然而，机器学习通过从大量的有机光伏材料数据集中学习，提供了一种基于数据的策略，有助于加速高性能有机光伏材料的发现和优化。在本研究中，我们使用极端梯度提升（XGBoost）模型，利用从哈佛光伏数据集（HOPV15）中提取的结构特征，来预测通过密度泛函理论计算得到的有机光伏供体材料的功率转换效率（PCE）。为了提高预测性能，我们基于随机森林和XGBoost的平均特征重要性得分，选择了最具信息价值的分子指纹。我们的...
解读: 该可解释机器学习模型对阳光电源光伏产品线具有重要参考价值。虽然研究聚焦有机光伏材料设计，但其核心方法论——通过机器学习建立结构-性能映射关系——可迁移至SG系列逆变器的功率器件选型优化。具体而言，可借鉴该模型框架建立GaN/SiC器件的结构参数（掺杂浓度、栅极结构等）与性能指标（导通损耗、开关速度）...
可解释性增强模糊集用于配电鲁棒最优调度中区域风电不确定性量化
Interpretable Augmented Ambiguity Set for Quantifying Regional Wind Power Uncertainty in Distributionally Robust Optimal Dispatch
Zhuo Li · Lin Ye · Ming Pei · Xuri Song 等6人 · IEEE Transactions on Sustainable Energy · 2025年7月
大规模风电并网给电力系统运行带来严峻的不确定性挑战。本文提出一种基于深度学习的可解释增强模糊集，用于分布鲁棒优化框架下的两阶段经济调度，以精确刻画区域风电不确定性。该模糊集融合各风电场细粒度误差模型及站点间交互依赖关系。首次提出多教师知识蒸馏-时间生成对抗网络（MKD-time GAN），通过级联学习机制构建单风电场预测误差的球形模糊集；进一步结合Nataf变换将多个模糊集映射为表征区域联合误差分布的增强模糊集，并推导出可 tractable 的两阶段调度求解算法。IEEE 118节点系统验证了...
解读: 该研究提出的深度学习增强模糊集方法对阳光电源的储能和风电产品线具有重要应用价值。具体而言：1) 可应用于ST系列储能变流器的调度优化,提升大规模风储联合系统的经济性和可靠性；2) 其多教师知识蒸馏框架可优化PowerTitan储能系统的功率预测算法,提高调度精度；3) 研究的区域联合误差建模方法可用...
基于Kolmogorov-Arnold网络与timeGAN混合架构并结合考虑运行机制的数据增强的可解释光伏功率建模
Interpretable photovoltaic power modeling via Kolmogorov-Arnold network and timeGAN hybrid architecture with regime-aware data augmentation
Yuqiao Pan · Zhaocai Wang · Zuowen Tan · Zhihua Zhu · Solar Energy · 2025年1月 · Vol.302
摘要 光伏（PV）发电的波动性和随机性为其大规模并入电力系统带来了显著挑战，限制了太阳能作为一种清洁能源的充分开发利用。为解决这一问题，本研究提出了一种混合建模框架，协同融合数据预处理、特征扩展与先进的深度学习架构。首先，采用集成变分自编码器（VAE）进行特征选择与降维，并对数据进行季节性和昼夜模式划分；随后，利用 Ordering Points to Identify the Clustering Structure（OPTICS）算法识别内在的运行机制（regime），并通过TimeGAN生...
解读: 该Transformer-KAN混合架构对阳光电源SG系列光伏逆变器及iSolarCloud平台具有重要应用价值。通过VAE特征降维与TimeGAN数据增强,可显著提升光伏功率预测精度(RMSE降低29.51%),优化MPPT算法动态响应。regime-aware聚类识别可增强ST系列储能PCS的充...
可解释且高精度的基于三级树的集成混合模型用于预测光电化学电池中的光电流密度和电极电势：理论支持并由实验数据外部验证
Interpretable and highly accurate tertiary tree-based ensemble hybrid models for the prediction of photocurrent density and electrode potential in PEC cell: Theoretically supported and externally validated by experimental data
Nepal Sahua · Chandrashekhar Azadb · Uday Kumar · Applied Energy · 2025年1月 · Vol.401
摘要 光电流密度（J）以及相对于可逆氢电极的电势（V RHE）是评估用于绿色氢气生产的光电化学（PEC）系统性能的关键参数。本研究旨在构建一种高精度、可解释、稳健且通用的机器学习模型，用于预测J和V RHE，并通过理论支持与外部验证加以证实。在本研究中，首先利用贝叶斯优化（BO）方法将两个单模型（M1, M2）结合，基于包含2593条记录的数据集开发了两个二元混合模型（M3, M4），随后进一步构建了两个用于预测J和V RHE的三级混合模型（M5, M6）。采用五组独立的实验数据集和三个基于物理...
解读: 该光电化学制氢预测模型对阳光电源绿氢储能系统具有重要参考价值。研究中的机器学习混合模型(R²>0.999)可应用于ST系列储能变流器的氢储能场景优化,通过预测光电流密度和电极电位提升制氢效率。SHAP可解释性分析揭示的带隙、电极面积等关键参数,可指导iSolarCloud平台开发光伏制氢预测性维护算...
基于机器学习和可解释人工智能的分布式智能电网可解释预测
Interpretable Prediction of a Decentralized Smart Grid Based on Machine Learning and Explainable Artificial Intelligence
Ahmet Cifci · IEEE Access · 2025年1月
分布式智能电网概念已成为高效管理和分配电能的可行方法。确保电网稳定性和可靠性，特别是在可再生能源集成和产消者数量增加的情况下，是该领域的主要挑战。本研究通过利用机器学习ML模型和可解释人工智能XAI技术预测分布式智能电网稳定性来应对该挑战。研究实施分布式智能电网控制DSGC概念的四节点星型网络，使用基于该网络仿真的数据集。对比十种ML模型包括AdaBoost、ANN、GBoost、k-NN、LR、NB、RF、SGD、SVM和XGBoost在预测电网稳定性方面的性能。采用XAI方法特别是SHAP和...
解读: 该智能电网稳定性预测技术对阳光电源虚拟电厂和智能电网解决方案有重要应用价值。阳光iSolarCloud平台管理分布式光伏储能资源，需要准确的电网稳定性预测。机器学习模型可集成到阳光平台的智能调度系统中，提前识别潜在稳定性风险。可解释AI技术SHAP可增强阳光智能决策系统的透明度和可信度。产消者管理是...
基于模仿专家经验的可解释深度强化学习在电动汽车智能充电中的应用
Interpretable Deep Reinforcement Learning With Imitative Expert Experience for Smart Charging of Electric Vehicles
Shuangqi Li · Alexis Pengfei Zhao · Chenghong Gu · Siqi Bu 等6人 · IEEE Transactions on Power Systems · 2024年7月
深度强化学习（DRL）因计算效率高，有望实现复杂系统的在线优化控制，但其可解释性与可靠性限制了在智能电网能量管理中的工程应用。本文首次提出一种新颖的模仿学习框架，用于解决电网连接电动汽车（GEV）充电管理中的高效计算问题。通过基于车网互动（V2G）成本效益分析的先验优化模型生成最优策略，并构建专家经验池以配置学习环境。设计双Actor-Imitator网络结构，实现专家知识向强化学习模型的有效迁移，提升训练效率与调度性能。实验结果表明，该方法在英国某示范微网中有效提升了V2G经济效益并缓解了电池...
解读: 该可解释深度强化学习技术对阳光电源充电桩产品线及储能系统具有重要应用价值。文章提出的模仿学习框架可直接应用于阳光电源V2G充电桩的智能调度算法，通过专家经验池加速DRL训练，提升充电策略的可靠性与可解释性，解决传统黑盒AI在电网能量管理中的工程化难题。该方法可集成至iSolarCloud云平台，实现...
基于元强化学习的自适应可解释储能控制应对动态场景
Meta Reinforcement Learning Based Adaptive and Interpretable Energy Storage Control Meets Dynamic Scenarios
Yibing Dang · Jiangjiao Xu · Fan Yang · Changjun Jiang 等5人 · IEEE Transactions on Sustainable Energy · 2025年4月
随着可再生能源的广泛应用，储能系统在能量调度与经济套利中发挥关键作用。传统强化学习方法因泛化能力有限，在高动态环境下易出现性能下降。本文提出一种基于元强化学习的储能控制框架，包含离线训练与在线适应阶段，通过双循环更新机制和多任务学习获得高泛化性的初始参数，并结合Shapley值方法增强决策可解释性。实验表明，该模型在多种动态微网场景下适应性强，性能较传统方法提升20%至50%，且调度决策特征贡献分析符合人类直觉。
解读: 该元强化学习储能控制技术对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。其自适应双循环更新机制可显著提升储能系统在光伏出力波动、负荷变化等动态场景下的调度性能，相比传统方法提升20%-50%的经济效益直接增强产品市场竞争力。Shapley值可解释性分析可集成至iSol...
基于KAN的可解释净负荷概率预测方法
A KAN-Based Interpretable Probabilistic Net Load Forecasting Method
刘栋 · 郭国栋 · 辛蜀骏 · 毛志航 等6人 · 电力系统自动化 · 2025年1月 · Vol.49
分布式光伏的大规模接入导致电力系统净负荷预测面临强不确定性。针对现有深度学习模型在预测精度与可解释性之间的权衡难题，提出一种基于Kolmogorov-Arnold网络（KAN）的净负荷概率预测方法。通过挖掘KAN基函数权重矩阵与样条系数的可解释性，实现模型内在可解释性；结合最大似然估计设计均值与方差网络结构，有效拟合概率密度函数；采用最大互信息系数进行气象特征筛选，提升模型对多维气象因素的映射能力。算例验证表明，该方法在准确性、可解释性、训练效率与泛化性能方面优于传统方法。
解读: 该KAN可解释概率预测技术对阳光电源储能与光伏产品具有重要应用价值。在PowerTitan储能系统中，可集成该算法优化充放电策略，通过概率预测提升净负荷波动应对能力，降低电网调度风险；在iSolarCloud平台中，可解释性特征使运维人员直观理解气象因素对发电影响，提升预测性维护精度；对于ST储能变...
LLM协调的频率调节自动竞价：交叉注意力分布强化学习智能体框架
LLM-coordination in auto-bidding of frequency regulation: Cross-attention distributional reinforcement agentic learning
Borui Zhang · Chaojie Lia · Guo Chena · Zhao Xub 等5人 · Applied Energy · 2025年1月 · Vol.401
摘要 电池储能系统（BESS）涉及大量资本投入，因此盈利能力成为关键关注点。在澳大利亚国家电力市场（NEM）中，频率控制辅助服务（FCAS）市场已成为BESS的主要收入来源。然而，FCAS市场的高波动性和复杂动态特性使得捕捉潜在市场机会并制定盈利性竞价策略极具挑战性。为应对这些挑战，本文提出了一种面向联合电能与FCAS市场的电池储能系统的大语言模型（LLM）协调式自动竞价系统。该系统引入了一种LLM驱动的智能体协调框架，通过多智能体工作流以及基于心智理论（ToM）推理的交互机制，实现自动化且可解...
解读: 该LLM协同自动竞价技术对阳光电源ST系列储能变流器及PowerTitan系统在澳洲等调频市场具有重要应用价值。论文提出的交叉注意力机制可增强市场动态识别,分布式深度强化学习算法能优化FCAS市场不确定性下的竞价策略,可集成至iSolarCloud平台实现储能资产智能竞价。该方法显著优于传统预测优化...
基于有限数据的分布式区域光伏功率预测：一种鲁棒的自回归迁移学习方法
Distributed-regional photovoltaic power generation prediction with limited data: A robust autoregressive transfer learning method
Wanting Zheng · Hao Xiao · Wei Pei · Applied Energy · 2025年1月 · Vol.380
摘要 本文提出了一种针对高比例数据缺失场景下的分布式区域光伏发电功率预测方法。该方法通过两个关键策略增强光伏发电信息的可用性。首先，针对区域内具有有限可用光伏发电数据的参考电站，构建了一种基于DSC-LightGBM算法的可解释性预测模型，以提高光伏发电功率预测的准确性。针对这些电站在气象数据获取方面存在的不足，通过物理建模引入太阳高度角和太阳时角等太阳辐射特征，并采用Shapley加性解释（SHAP）可解释算法分析原始特征与增强特征的重要性。其次，为解决区域内大量非参考电站在实际运行中数据匮乏...
解读: 该分布式光伏功率预测技术对阳光电源iSolarCloud智慧运维平台具有重要应用价值。针对区域内大量电站数据缺失场景,其自回归迁移学习方法可显著提升SG系列逆变器集群的发电预测精度(误差降低25.8%-50.3%)。DSC-LightGBM算法结合太阳高度角等物理特征的建模思路,可优化PowerTi...
基于广义加性模型的小时级电力负荷中期高效预测
Efficient mid-term forecasting of hourly electricity load using generalized additive models
Monika Zimmerman · Florian Ziel · Applied Energy · 2025年1月 · Vol.388
摘要 准确的中期（数周至一年）小时级电力负荷预测对于发电厂运行中的战略决策至关重要，有助于保障供电安全与电网稳定、规划和建设储能系统以及开展电力交易。尽管已有大量模型能够有效预测短期（数小时至数天）的小时负荷，但针对中期负荷预测的解决方案仍然较为稀缺。在中期负荷预测中，捕捉负荷多方面的特征存在显著的建模挑战，这些特征包括日、周和年的季节性模式、自回归效应、天气及节假日影响，以及社会经济非平稳性。为应对这些挑战，本文提出一种新颖的预测方法，该方法采用由可解释的P样条构成的广义加性模型（GAM），并...
解读: 该中期负荷预测技术对阳光电源储能系统具有重要应用价值。GAM模型可优化PowerTitan及ST系列PCS的能量管理策略,通过精准预测周至年度负荷曲线,实现储能系统充放电计划优化和容量配置决策。其可解释性强的特点可集成至iSolarCloud平台,结合气象、节假日等多维数据,提升储能电站经济调度能力...
一种物理增强型动态耦合混合Kolmogorov–Arnold网络用于可解释的电池荷电状态估计
A physics-enhanced hybrid Kolmogorov–Arnold network with dynamic coupling for interpretable battery state-of-charge estimation
Yuqian Fan · Yi Lia · Chong Yana · Yaqi Liang 等12人 · Applied Energy · 2025年1月 · Vol.400
准确估计锂离子电池的荷电状态（SOC）是电池管理系统中的核心任务。然而，SOC估计在复杂工况下面临着精度不足、鲁棒性差以及可解释性弱等挑战。本文提出了一种物理增强型混合Kolmogorov–Arnold网络（PEHKAN）方法，这是首个将机械应力特性与电化学–热力学多物理场建模相结合的方法。构建了改进的Butler–Volmer方程电化学势能模块，以及具有协同控制的温度–压力耦合扩散动力学模块；这些模块显式地刻画了电化学、热力学与机械应力之间的协同作用。此外，设计了一种动态门控融合机制，以实现物...
解读: 该物理增强混合神经网络SOC估算技术对阳光电源ST系列储能变流器及PowerTitan系统的电池管理具有重要价值。其电化学-热力学-机械应力多物理场耦合建模可直接应用于BMS优化,在复杂工况下MAE低至0.00312,显著提升储能系统全生命周期安全性与经济性。动态门控融合机制可增强iSolarClo...
先进的光伏组件表征：利用图像变换器从电致发光图像预测电流-电压曲线
Advanced Photovoltaic Module Characterization: Using Image Transformers for Current–Voltage Curve Prediction From Electroluminescence Images
Brandon K. Byford · Laura E. Boucheron · Bruce H. King · Jennifer L. Braid · IEEE Journal of Photovoltaics · 2025年5月
对太阳能电站的运维而言，单个光伏（PV）组件的健康监测是一项艰巨的任务。可以通过发光检测、热成像以及电流 - 电压（$I - V$）曲线分析来检查组件，以识别损伤和功率损耗。$I - V$ 曲线能直接提供电气性能指标，可提供易于解读的数据来判断组件的健康状况。然而，为了获取这些曲线，必须将组件从阵列中断开，要么将其移至太阳模拟器，要么在原位进行表征，并对组件温度、入射太阳光谱和强度进行校正。组件的发光或热图像相对容易在原位获取。电致发光（EL）图像能突出显示组件中的物理缺陷，但无法提供易于解读的...
解读: 该EL图像智能诊断技术对阳光电源智能运维体系具有重要应用价值。可直接集成至iSolarCloud云平台的预测性维护模块，通过无人机或固定相机采集电站组件EL图像，利用Image Transformer模型实时预测I-V曲线，无需现场IV测试即可评估组件健康状态。该技术可显著提升SG系列逆变器配套的智...
预算约束下的协作式可再生能源预测市场
Budget-Constrained Collaborative Renewable Energy Forecasting Market
Carla Gonçalves · Ricardo J. Bessa · Tiago Teixeira · João Vinagre · IEEE Transactions on Sustainable Energy · 2025年1月
准确的可再生能源发电功率预测对提升电力系统中可再生能源容量及实现可持续发展目标至关重要。本文强调将去中心化的时空数据融入预测模型的重要性，并针对数据分散所有权带来的挑战，提出促进数据共享的激励机制。主要贡献包括：a）通过比较分析推荐高效且可解释的样条LASSO回归模型；b）设计数据与分析市场中的 bidding 机制，确保数据提供者获得公平补偿，并支持买卖双方表达价格诉求。此外，提出一种结合价格约束、避免冗余特征分配的时间序列预测激励机制。实验结果表明，所提方法显著提升了预测精度，风力发电数据的...
解读: 该研究的可再生能源预测市场机制对阳光电源的储能和光伏产品线具有重要应用价值。首先，高精度的时空预测模型可直接应用于PowerTitan储能系统的调度优化，提升储充策略的经济性。其次，样条LASSO回归方法可集成到iSolarCloud平台，为分布式光伏电站和储能系统提供更准确的发电/负荷预测。通过数...
基于OWT-STGradRAM的超短期时空风速预测
Ultra-Short-Term Spatio-Temporal Wind Speed Prediction Based on OWT-STGradRAM
Feihu Hu · Xuan Feng · Huaiwen Xu · Xinhao Liang 等5人 · IEEE Transactions on Sustainable Energy · 2025年2月
考虑风电场中风机站点的方向与距离特征有助于提升风电功率预测精度。本文提出一种基于正交风向变换时空梯度回归激活映射（OWT-STGrad-RAM）的深度学习时空预测方法。该模型将风电场编码为图像，各风机作为图像中的点，通过时空融合卷积网络集成风速、温度和气压等多源数据进行特征融合与预训练，构建特征数据集。利用OWT消除不同主导风向的影响，结合STGrad-RAM刻画风机节点间的方位与距离关系，增强空间特征的可解释性，并用于风速预测。实验结果表明，所提方法在预测精度上显著优于对比模型。
解读: 该风速预测技术对阳光电源的储能和风电产品具有重要应用价值。OWT-STGradRAM模型通过深度学习实现的高精度风速预测，可优化ST系列储能变流器的调度策略和PowerTitan储能系统的容量配置。在风电场应用中，该技术可提升风电并网点功率预测精度，有助于改进储能系统的功率平滑控制和调频调峰性能。模...
第 1 / 2 页