近日，蘭州理工大學電信學院博士生鞏彬在蘭州理工大學安愛民教授的指導下分別在知名期刊《Energy Conversion and Management》(中科院一區，影響因子：9.9)、《Energy》(中科院一區，影響因子：9)上以蘭州理工大學電氣工程與信息工程學院為第一通訊單位、計算機與通信學院為第二單位發表題為“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”的研究性論文，其中蘭州理工大學電氣工程與信息工程學院2022級博士研究生鞏彬為第一作者，蘭州理工大學安愛民教授為通訊作者，蘭州理工大學石耀科老師為第三作者。此外，2023年10月，該團隊博士生鞏彬已在世界能源領域著名學術期刊《Applied Energy》(中科院一區，影響因子：10.1)上發表題為“Fast fault detection method for photovoltaic arrays with adaptive deep multiscale feature enhancement”的研究性論文。截止目前，該團隊已經在光伏陣列故障診斷與功率預測方面發表中科院一區期刊收錄論文3篇。
光伏陣列的隨機性和間歇性輸出特性影響電力系統的安全性。為提高光伏陣列故障診斷模型的性能，提出了一種新型的在線故障監測技術。首先，構建故障診斷模型：由于光伏陣列在不同故障條件下的I-V和P-V曲線存在顯著差異，基于I、V和P特征構建了一個三維通道特征圖。其次，搭建多源信息融合網絡（MSIFN）：該多模塊融合模型包括時頻域融合模塊（TDFM）、多特征混洗擴展卷積模塊（MSECM）、無參數并行混合注意力增強模塊以及多尺度混合池化融合分類模塊（MMPCM）。最后設計了多策略融合鯨魚優化算法（MSFWOA）：針對原始鯨魚優化算法的不足，構建基于透鏡成像的時間控制、參數修改和貪婪控制策略，以優化MSIFN的超參數。
當前的超短期光伏功率預測研究中，復雜的時空相關性常常被忽視，同時深度學習方法的“黑箱”特性導致了預測結果缺乏可解釋性。因此，本研究提出一種可解釋的超短期光伏功率預測的混合時空融合方法。本研究首先提出了一種自適應并行時空融合網絡（APSTFNet），該網絡在空間網絡中整合了觀測感知模塊和深度感知模塊的特征，以捕捉不同輸入長度下的特征，并增強模型對序列的理解。在時間網絡中，結合了雙向長短期記憶網絡（BiLSTM）和自注意力機制，以捕捉序列數據中的長期依賴性和上下文信息。另外，提出了一種動態自適應加權的黑猩猩優化算法（DAWCHOA），用于優化APSTFNet的超參數配置，從而提升模型的整體性能。最后，提出了一個深度學習模型預測的可解釋性框架，使用神經元電導梯度方法從模型結構的角度解釋預測機制，進一步探索影響功率預測的核心時空特征。實驗結果表明，本研究提出的DAWCHOA-APSTFNet表現出了優異的預測性能。（撰稿：安愛民）
