三相电流采样后，由于交流特性出现正负电流。当电机反电动势高于输入电压时，会产生负扭矩。控制算法需考虑电流大小及与转子的夹角，负夹角需转化为负电流处理。通过调节负电流和负电压，简化了控制算法，确保正反转控制一致。需要注意的是，负电流并不等于发电，只有当电流与电压的乘积为负时，才表示发电。

本研究使用机器学习和深度学习技术，研究了空气质量指数和天气特征对太阳能发电的影响，并提出了高准确性的预测模型。其他研究包括树形预测、UTEQ太阳辐射预测、无源域自适应学习预测、分层时序卷积神经网络预测、多地天气数据指导的可再生能源预测、太阳能热产量优化、开源深度学习模型SolNet、改善概率太阳能预测的模型链方法、卫星数据在尼泊尔太阳能供电预测。

本文介绍了多种新型太阳能发电预测模型，如SolNet、MATNet和PV-Client，利用深度学习和量子机器学习技术，提高了光伏发电的预测准确性。这些模型结合气象数据和历史发电数据，解决了数据匮乏问题，并展示了在不同国家的应用效果，推动了可再生能源的发展。

该研究提出了两种混合量子神经网络模型，用于预测太阳能电池板的功率输出。第一种模型将误差降低了40%，第二种模型在缺乏气象数据的情况下，误差比传统模型低16%。研究结果有助于优化电网运营和促进分布式光伏发电的整合。

本文提出了一种基于双重深度Q学习的强化学习策略，用于控制风力涡轮发电。该方法通过调整转子速度、偏转角和叶片俯仰角，在动态湍流风中显著提高了风机的功率输出和风电场收益。研究还探讨了强化学习在可再生能源管理中的应用，展示了其优化能源市场收益和提高系统效率的潜力。

本文介绍了多种机器学习模型在太阳能发电预测中的应用，包括基于图神经网络和深度学习的方法。这些模型通过迁移学习和天气特征分析，显著提高了预测准确性，尤其在荷兰、澳大利亚和比利时的实际数据中表现优异。研究还探讨了气候变化背景下的新天气预报方法，强调了局部模型的重要性。

提出了 PV-Client (Cross-variable Linear Integrated ENhanced Transformer) 用于光伏发电功率预测，采用增强 Transformer 模块捕获不同特征之间的复杂相互作用，使用线性模块学习光伏功率的趋势信息，并整合交叉变量注意力以捕获光伏功率与天气因素之间的依赖关系。实验结果表明，PV-Client 在光伏发电功率预测方面表现卓越。

本文探讨了太阳能预测模型的训练策略，比较了局部与全局模型的性能。研究发现，预训练模型在数据较少时表现优越。通过量子神经网络和深度学习框架，提出了多种模型以提高光伏发电预测的准确性，尤其是LSTM模型在短期预测中表现最佳。这些研究为优化电网运营和促进可再生能源整合提供了支持。

本文介绍了一种基于生成模型的概率预测方法，能够在缺失值的时间序列数据上实现有效预测。该方法通过深度学习和创新表示，在电力价格预测等多个应用领域中显著提高了预测准确性，优于传统技术。

该论文研究了使用符合性预测（CP）这种新兴的概率预测方法对光伏发电功率进行次日预测，以提高其参与电力市场的效果。研究结果表明，将 CP 与最近邻和 / 或 Mondrian binning 相结合优于线性分位数回归器，将 CP 与特定的竞标策略相结合，可以在最小化能量不平衡的同时获得高利润。

本文利用深度学习设计了预测全球水平辐照度的模型，并提出了预测不确定性分布的方法。作者通过测试方案评估了模型性能，并收集了多个地理位置的太阳能辐射数据。该方法在太阳能预测中表现出鲁棒性，有潜力促进太阳能与电网的整合。

通过改变CNN-LSTM和自回归模型的输入数据形状，提出了一种新的特征工程方法，以提高对噪声的处理能力。结果显示，该方法能够以83％的准确率预测长达24个时间步的未见数据，并在短期、中期和长期预测方面表现出较高的准确性。