找到 3 条结果 · 光伏发电技术
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8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...
基于两阶段级联模型的光伏功率群体预测方法
A Two-Stage Cascaded Model for Group Photovoltaic Power Forecasting
谢宇辰孙玉玺耿光超江全元 · 高电压技术 · 2025年7月 · Vol.51
光伏发电的不确定性与波动性使得准确预测成为提升系统效率的关键挑战。相较于单站点预测，群体预测可提升整体精度，有助于省级电网的电力电量平衡。本文提出一种两阶段级联模型：第一阶段结合数值天气预报，采用混合神经网络对各站点独立进行短期光伏功率预测；第二阶段利用全连接层建立单站与群体预测间的映射关系，在保留第一阶段特征的基础上优化整体预测性能。实验结果表明，该方法较单站点预测误差降低近1%，且训练时间短于单一模型，验证了其优越的预测性能。
解读: 该两阶段级联光伏功率预测技术对阳光电源iSolarCloud智能运维平台具有重要应用价值。第一阶段的混合神经网络可集成到SG系列逆变器的本地MPPT优化算法中，结合NWP数据实现单站点精准预测；第二阶段的群体映射模型可部署于省级电网侧的PowerTitan大型储能系统，通过全连接层建立多站点协同预测...
基于深度学习的光伏系统健康监测
Deep Learning-Based Health Monitoring for Photovoltaic Systems
Khaled Alnuaimi · Ameena Saad Al-Sumaiti · Mohamad Alansari · Huai Wang 等5人 · IEEE Journal of Photovoltaics · 2025年5月
向光伏（PV）系统等可再生能源转型对于社会进步至关重要，有助于抵消化石燃料的负面影响。然而，管理光伏系统面临着重大挑战和经济影响。光伏故障一旦发生，需要迅速检测和解决，这会加重经济负担。有效的故障诊断在很大程度上依赖于光伏电站监测和能源管理系统的数据。过去，光伏监测主要依靠人工检查，但无人机（UAV）技术提供了一种更高效、更全面的解决方案，它提高了安全性，能提供详细的图像、具备可扩展性、可进行环境监测以及开展先进的数据分析。本研究利用深度学习（DL）方法对光伏系统的健康状况进行监测，重点分析无人...
解读: 该深度学习健康监测技术对阳光电源iSolarCloud智能运维平台具有重要应用价值。LSTM时序建模方法可直接集成至SG系列光伏逆变器的智能诊断模块，通过分析MPPT工作曲线、直流侧电压电流等运行数据，实现组件热斑、遮挡、PID效应等故障的早期预警。对于PowerTitan大型储能系统，该技术可监测...