近日,兰州理工大学电信学院博士生巩彬在兰州理工大学安爱民教授的指导下分别在知名期刊《Energy Conversion and Management》(中科院一区,影响因子:9.9)、《Energy》(中科院一区,影响因子:9)上以兰州理工大学电气工程与信息工程学院为第一通讯单位、计算机与通信学院为第二单位发表题为“Fault diagnosis of photovoltaic array with multi-module fusion under hyperparameter optimization”和“An Interpretable Hybrid Spatiotemporal Fusion Method for Ultra-Short-Term Photovoltaic Power Prediction”的研究性论文,其中兰州理工大学电气工程与信息工程学院2022级博士研究生巩彬为第一作者,兰州理工大学安爱民教授为通讯作者,兰州理工大学石耀科老师为第三作者。此外,2023年10月,该团队博士生巩彬已在世界能源领域著名学术期刊《Applied Energy》(中科院一区,影响因子:10.1)上发表题为“Fast fault detection method for photovoltaic arrays with adaptive deep multiscale feature enhancement”的研究性论文。截止目前,该团队已经在光伏阵列故障诊断与功率预测方面发表中科院一区期刊收录论文3篇。
光伏阵列的随机性和间歇性输出特性影响电力系统的安全性。为提高光伏阵列故障诊断模型的性能,提出了一种新型的在线故障监测技术。首先,构建故障诊断模型:由于光伏阵列在不同故障条件下的I-V和P-V曲线存在显著差异,基于I、V和P特征构建了一个三维通道特征图。其次,搭建多源信息融合网络(MSIFN):该多模块融合模型包括时频域融合模块(TDFM)、多特征混洗扩展卷积模块(MSECM)、无参数并行混合注意力增强模块以及多尺度混合池化融合分类模块(MMPCM)。最后设计了多策略融合鲸鱼优化算法(MSFWOA):针对原始鲸鱼优化算法的不足,构建基于透镜成像的时间控制、参数修改和贪婪控制策略,以优化MSIFN的超参数。
当前的超短期光伏功率预测研究中,复杂的时空相关性常常被忽视,同时深度学习方法的“黑箱”特性导致了预测结果缺乏可解释性。因此,本研究提出一种可解释的超短期光伏功率预测的混合时空融合方法。本研究首先提出了一种自适应并行时空融合网络(APSTFNet),该网络在空间网络中整合了观测感知模块和深度感知模块的特征,以捕捉不同输入长度下的特征,并增强模型对序列的理解。在时间网络中,结合了双向长短期记忆网络(BiLSTM)和自注意力机制,以捕捉序列数据中的长期依赖性和上下文信息。另外,提出了一种动态自适应加权的黑猩猩优化算法(DAWCHOA),用于优化APSTFNet的超参数配置,从而提升模型的整体性能。最后,提出了一个深度学习模型预测的可解释性框架,使用神经元电导梯度方法从模型结构的角度解释预测机制,进一步探索影响功率预测的核心时空特征。实验结果表明,本研究提出的DAWCHOA-APSTFNet表现出了优异的预测性能。(撰稿:安爱民)