找到 4 条结果
基于序贯决策的异构智能体强化学习方法——面向配网与输网协同的负荷频率控制
Order-Based Heterogeneous Agents Reinforcement Learning Method With the Coordination of Distribution Network and Transmission Network for Load Frequency Control
Shixuan Yu · Xiaodong Zheng · Tianzhuo Shi · Ruilin Chen 等6人 · IEEE Transactions on Power Systems · 2025年8月 · Vol.41
针对高比例分布式能源接入下配网参与负荷频率控制（LFC）的需求，本文提出一种序贯驱动的异构智能体软演员-评论家算法（OHASAC），建模为部分可观测马尔可夫博弈，实现配网（含光伏与储能）与输网的协同调频。仿真验证其在多源协调、泛化性与可扩展性上的优势。
解读: 该研究高度契合阳光电源ST系列PCS、PowerTitan及iSolarCloud平台在构网型调频与光储协同控制中的技术演进需求。OHASAC算法可嵌入PCS实时控制层，提升PowerTitan在电网侧/用户侧储能场景下的动态调频响应精度与多设备协同效率；建议将序贯决策机制集成至iSolarClou...
基于序的异构智能体强化学习方法用于配电网与输电网协调的负荷频率控制
Order-based Heterogeneous Agents Reinforcement Learning Method with the Coordination of Distribution Network and Transmission Network for Load Frequency Control
Shixuan Yu · Xiaodong Zheng · Tianzhuo Shi · Ruilin Chen 等6人 · IEEE Transactions on Power Systems · 2025年8月
随着大规模分布式能源（DERs）持续接入配电网（DN），DN已具备参与负荷频率控制（LFC）的能力。本文提出一种基于序的异构智能体软演员-评论家方法（OHASAC），以解决异构可控DERs间的协调问题。通过神经网络估计异构智能体的最优更新顺序，并将最优LFC问题建模为考虑DN与输电网（TN）协调的局部可观测马尔可夫博弈。模型涵盖变辐照条件下电池储能系统（BESS）与光伏（PV）的协同调频。仿真结果表明，该方法在DN-TN协同环境中能有效管理多种分布式电源，兼具优良的泛化性与可扩展性。
解读: 该异构智能体协同控制技术对阳光电源PowerTitan储能系统与SG系列光伏逆变器的协同调频具有重要应用价值。OHASAC方法可优化ST储能变流器在变辐照条件下的BESS-PV协同响应策略，提升配电侧分布式资源参与电网LFC的能力。基于序的智能体更新机制可集成至iSolarCloud平台，实现多站点...
基于流形特征插值的静态测量到动态测量的保证转换
Guaranteed Conversion From Static Measurements Into Dynamic Ones Based on Manifold Feature Interpolation
Lihao Mai · Haoran Li · Yang Weng · Erik Blasch 等5人 · IEEE Transactions on Power Systems · 2025年2月
可再生能源渗透率上升及电动汽车等负荷波动导致电力系统稳定性问题，亟需动态测量技术。然而，高分辨率量测设备（如PMU）在配电网中数量有限，而低分辨率量测设备广泛存在。本文提出一种多分辨率数据插值方法，结合自编码器与曲率正则化实现最优插值设计，并引入物理信息神经网络（PINN）和随机物理信息神经网络（SPINN）以融合系统物理规律并处理不确定性。所提方法在输电与配电系统中均得到充分验证。
解读: 该多分辨率动态测量技术对阳光电源储能与光伏产品具有重要应用价值。在PowerTitan大型储能系统中，可融合SCADA低分辨率数据与有限PMU高分辨率数据，通过流形插值实现全站动态状态估计，提升ST系列储能变流器的并网稳定性监测能力。对于分布式光伏场站，该方法可将SG逆变器的秒级功率数据插值为毫秒级...
内在与外在学习框架用于多设备初期故障检测与分类
Intrinsic and Extrinsic Learning Framework for Multi-Equipment Incipient Fault Detection and Classification
Lixian Shi · Yang Weng · Qiushi Cui · Xiaodong Zheng 等6人 · IEEE Transactions on Industry Applications · 2024年9月
早期故障（IFs）是电力设备故障的先兆。由于发生频率低，早期故障数据十分稀缺。早期故障数据的稀缺导致识别早期故障存在困难。传统方法缺乏学习早期故障数据丰富且有意义表征的能力，尤其是在早期故障数据有限的情况下。此外，一些将波形转换为图像的方法在捕捉时间关系和分析波形失真方面并无优势。为解决这些问题，本文开发了一个名为INTEL - IFD的智能框架。在数据处理过程中，提出了一种加权早期故障格拉姆矩阵表达方法，以获得增强了早期故障特征的加权格拉姆图像，用于进一步基于图像的智能识别。为应对故障数据有限...
解读: 该内在与外在学习框架对阳光电源的功率器件故障预测具有重要应用价值。可应用于ST系列储能变流器、SG系列光伏逆变器中的SiC功率模块故障预警,以及PowerTitan大型储能系统的预测性维护。通过挖掘有限故障样本的深层特征并引入外部知识,可提升iSolarCloud平台对功率器件初期故障的诊断准确率。...