找到 2 条结果
一种用于长期光伏和风电功率预测的细粒度频率分解框架
A fine-grained frequency decomposition framework for long-term photovoltaic and wind power forecasting
Peng Suna · Tingxiao Dinga · Jin Sua · Yuhan Yanga 等8人 · Solar Energy · 2025年11月 · Vol.301
准确预测太阳能和风能对于实现高效的电网集成至关重要。然而，现有的机器学习和深度学习方法在处理复杂且变化多端的时间序列数据时面临若干挑战，例如通用性有限、泛化能力不足，以及难以平衡计算效率与预测精度之间的关系。为应对这些挑战，本研究提出了一种细粒度频率分解框架（FDF），并设计了一种基于小波变换与下采样策略（连续采样和间隔采样）的序列分解方案。该框架旨在深入挖掘时间序列中的复杂时序模式，并充分捕捉长距离依赖关系。具体而言，FDF首先利用小波变换将原始时间序列分解为多个不同频率的分量；随后，对每个分...
解读: 该细粒度频率分解框架对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过小波变换与采样策略结合,可显著提升光伏功率预测精度(MAE降低7.65%),同时保持轻量化特性(0.29M参数)。该方法可集成至ST系列PCS的功率预测模块,优化PowerTitan储能系统的充放电策略制...
基于同步相量的次/超同步振荡参数辨识方法：自适应经验傅里叶分解
Synchrophasor-Based Parameter Identification of Sub/Super-Synchronous Oscillations Using Adaptive Empirical Fourier Decomposition
Lixin Wang · Zihan Zhang · Zhenglong Sun · Han Gao 等7人 · IEEE Transactions on Power Delivery · 2025年12月 · Vol.41
针对同步相量测量噪声导致次同步振荡（SSO）参数辨识精度低的问题，本文提出融合自适应经验傅里叶分解（AEFD）与Prony法的联合辨识方案，可准确分离并提取次/超同步模态，提升抗噪性与模态解耦能力。
解读: 该研究对阳光电源ST系列PCS、PowerTitan储能系统及组串式逆变器在弱电网/新能源高渗透场景下的并网稳定性监测具有重要价值。其高精度振荡模态辨识能力可增强iSolarCloud平台对次/超同步振荡的早期预警与故障归因分析能力，建议将AEFD-Prony算法嵌入PCS嵌入式DSP或iSolar...