找到 5 条结果
基于大语言模型的家庭能源管理：动态用户偏好识别与分层数据共享
Large language model-enhanced home energy management with dynamic user preference elicitation and hierarchical data-sharing
Xunning Zhang · Yuheng Cheng · Xuanang Gui · Huan Zhao 等6人 · Applied Energy · 2026年5月 · Vol.410
本文提出一种融合大语言模型（LLM）的家庭能源管理系统，通过动态交互式偏好采集和隐私保护的分层数据共享机制，提升用户侧能源调度的个性化与协同优化能力。
解读: 该研究对阳光电源户用光伏+储能系统（如PowerStack户用版、ST5/10K系列PCS及iSolarCloud平台）具有直接应用价值。LLM可嵌入iSolarCloud智能运维平台，实现用户用电习惯自主学习与需求响应策略生成；动态偏好建模有助于优化ST系列PCS的充放电调度逻辑，提升PowerS...
光伏驱动多级膜蒸馏系统的模型框架与性能分析：面向高效水-电协同供给
Model framework and performance analysis of photovoltaic-driven multistage membrane distillation systems for efficient water-power co-supply
Yahui Du · Jiyuan Wu · Zhihua Zhou · Yuechao Chao 等10人 · Applied Energy · 2026年5月 · Vol.410
本文构建光伏驱动多级膜蒸馏（MD）系统的耦合模型，分析其在离网/弱网场景下水-电协同供给的能效、经济性与动态响应特性，重点评估MPPT跟踪精度、PCS功率调节匹配度及系统整体能量利用率。
解读: 该研究契合阳光电源光储水多能协同战略，尤其适用于PowerTitan储能系统与SG系列组串式逆变器在缺水缺电地区的微网集成应用。建议将ST系列PCS的宽负载范围与MPPT协同控制算法嵌入MD系统能量管理模块，并基于iSolarCloud平台开发水-电联合调度功能，拓展海外海岛、干旱地区等‘光伏+制水...
选择有效的NWP集成方法以实现基于深度学习的光伏功率预测
Selecting effective NWP integration approaches for PV power forecasting with deep learning
Dayin Chenab · Xiaodan Shie · Mingkun Jiang · Shibo Zhuab 等8人 · Solar Energy · 2025年11月 · Vol.301
准确预测光伏发电功率对于可靠的能源调度和系统运行至关重要。尽管深度学习模型在该领域已展现出强大的能力，但如何有效地将数值天气预报（NWP）数据融入此类模型仍然是一个具有挑战性的问题。在本研究中，我们提出并系统评估了五种不同的NWP集成策略——分别称为方法1至方法5——以提升光伏发电预测性能。这些方法在14种代表性模型和四个预测时间范围（4、24、72和144步）上进行了测试，涵盖了短期、中期和长期预测场景。实验结果表明，每种集成方法的有效性取决于模型结构和预测时间范围。特别是，在短期预测中，方法...
解读: 该研究系统评估了五种NWP数值天气预报与深度学习模型的集成策略,对阳光电源iSolarCloud智慧运维平台的光伏功率预测模块具有直接应用价值。研究发现Method 5适配LSTM短期预测、Method 4适配Transformer长期预测的结论,可优化SG系列逆变器的发电预测算法。精准的多时间尺度...
基于深度学习与遥感的城市土地分类对光伏潜力的分析
PV potential analysis through deep learning and remote sensing-based urban land classification
Hongjun Tan · Zhiling Guo · Yuntian Chen · Haoran Zhang 等7人 · Applied Energy · 2025年6月 · Vol.387
城市土地在商业、居住、草地及其他行政分区中的利用情况将影响可再生能源基础设施（如光伏板）的可用安装面积。将土地利用类型纳入光伏潜力评估对于优化空间配置、贴近能源需求中心以及提升系统效率至关重要。为解决以往研究忽视城市土地利用问题的局限性，本文提出一个融合遥感数据与深度学习方法的框架，实现八类细粒度和三类粗粒度的土地利用分类。该框架针对每种土地利用类型计算其可安装光伏系统的面积，并结合2023年年均太阳辐照量评估其发电潜力。案例研究表明，德国海尔布隆（Heilbronn）地区的土地适合地面光伏安装...
解读: 该研究基于深度学习和遥感数据的城市土地分类与光伏潜力评估框架,对阳光电源SG系列逆变器和iSolarCloud平台具有重要应用价值。通过精细化土地利用分类(商业、住宅、未利用地等),可优化地面光伏与屋顶光伏的配置策略。研究中不同地类的单位面积发电潜力差异,可指导阳光电源1500V系统和MPPT优化技...
时空特征编码的深度学习方法用于屋顶光伏潜力评估
Spatiotemporal feature encoded deep learning method for rooftop PV potential assessment
Jian Xuab · Zhiling Guo · Qing Yuc · Kechuan Dongd 等7人 · Applied Energy · 2025年9月 · Vol.394
摘要 屋顶光伏（PV）系统是提升城市环境中可再生能源利用的一种有前景的解决方案。准确估算屋顶光伏系统的发电潜力受到复杂城市形态所引起的遮蔽效应的制约，这些效应显著降低了屋顶表面的太阳辐照度，从而导致预测误差。传统的遮蔽模拟方法计算成本高昂，凸显了在计算效率与评估精度之间实现精细平衡的必要性。本研究提出了一种创新的深度学习框架，能够有效编码多种时空数据源，以精确预测阴影投射并计算屋顶光伏潜力。具体而言，基于物理原理的真实数据，结合U-Net网络、三维（3D）建筑细节、太阳能资源数据以及气象参数，使...
解读: 该时空特征编码深度学习框架对阳光电源屋顶光伏系统规划具有重要价值。研究通过U-Net网络精准预测建筑阴影对发电量的影响(平均损失5.32%),可优化SG系列逆变器的MPPT算法在遮挡工况下的功率追踪策略。158倍的计算加速能力可集成至iSolarCloud平台,实现大规模城市屋顶光伏资源快速评估与选...