手机版 客户端

Electricity 正式被 Ei Compendex 收录

  Electricity 正式被 Ei Compendex 收录。期刊名:Electricity

   期刊主页:https://www.mdpi.com/journal/electricity

   期刊介绍

   Electricity (ISSN 2673-4826) 创刊于2020年,旨在为电气工程领域的高影响力研究提供一个先进的交流平台。2026年11月,Electricity正式被 Ei Compendex 数据库收录。期刊发文范围包括但不限于电力基础设施及应用、电力系统、智能电网、电力储存与转换、电动交通、绿色电力、电力市场和经济等。期刊最新影响因子2.7,Citescore 4.4。

   期刊主编

   Andreas Sumper教授

   加泰罗尼亚理工大学,西班牙

   研究方向:电气工程;能源效率;电网;可再生能源;智能电网;数字能源;人工智能;电动汽车充电

   主编寄语

   我想向大家介绍Electricity,一本专注于电气工程与相关研究的国际性开放获取期刊。诚邀您根据本刊的收录范围,提交电气工程领域的学术稿件以供审阅。我们非常欢迎您投稿近期的研究成果与综述文章,也期待您分享关于示范项目及案例研究的独到见解。我相信,您会发现向本刊投稿十分便捷,同时也一定会乐于阅读Electricity所刊载的各类文章。

   投稿优势

   •更高文章曝光度

   除Ei Compendix之外,Electricity目前还被ESCI (Web of Science)、Scopus、DOAJ、EBSCO等数据库收录。

   •更快发表速度

   Time to First Decision:25.8 Days

   Acceptance to Publication:6.6 Days

   •开放获取

   读者可以免费阅读期刊文章。

   •作者持有版权

   文章推荐

   本期为您精选2025年发表在 Electricity期刊上的4篇封面文章,欢迎阅读。

   1. Grid-Forming: A Control Approach to Go Further Offshore?

   构网型控制:一种迈向更远海上的控制方法?

   Alves Rui, Thyge Knuppel, and Agustí Egea-Àlvarez

   https://www.mdpi.com/2673-4826/6/1/4

   引用格式:

   Alves, R.; Knuppel, T.; Egea-Àlvarez, A. Grid-Forming: A Control Approach to Go Further Offshore? Electricity 2025, 6, 4.

   GFM和GFL转换器控制器的线性化系统方案(SSM)

   文章亮点

   •这项研究探讨了构网型(GFM)控制应用于经长距离高压交流(HVAC)电缆并网的海上风电场的潜力。

   •本研究考察了在不同系统配置和电网强度下,构网型控制相较于传统跟网型(GFL)策略在小信号稳定性方面的表现。

   •结果表明,构网型控制不仅能够延长HVAC外送电缆的可行长度,还能显著增强系统鲁棒性,尤其是在弱电网条件下。该研究为设计更具韧性的海上风电基础设施提供了见解。

   2. Forecasting Electricity Demand in Renewable-Integrated Systems: A Case Study from Italy Using Recurrent Neural Networks

   可再生能源集成系统中的电力需求预测:基于循环神经网络的意大利案例研究

   Franco Alessandro, and Cecilia Pagliantini

   https://www.mdpi.com/2673-4826/6/2/30

   引用格式:

   Franco, A.; Pagliantini, C. Forecasting Electricity Demand in Renewable-Integrated Systems: A Case Study from Italy Using Recurrent Neural Networks. Electricity 2025, 6, 30.

   基本RNN LSTM神经网络的架构,重点展示输入门与输出门。

   文章亮点

   •当前电力系统正面临日益严峻的挑战,可变性资源并网规模不断扩大、消费模式持续演变,亟需更精细化的预测与控制策略。

   •本研究展示了如何基于现有数据,采用特定机器学习算法获得意大利系统的高精度电力需求预测。

   •文章指出,数据驱动方法已逐步超越传统基于物理机理的模型,同时指出未来的进一步改进很可能需要融合物理要素。

   3. Hybrid SDE-Neural Networks for Interpretable Wind Power Prediction Using SCADA Data

   基于SCADA数据的混合SDE-神经网络可解释风电功率预测

   Ghadiri Mehrdad, and Luca Di Persio

   https://www.mdpi.com/2673-4826/6/3/48

   引用格式:

   Ghadiri, M.; Persio, L.D. Hybrid SDE-Neural Networks for Interpretable Wind Power Prediction Using SCADA Data.Electricity 2025, 6, 48.

   风能与风速分布。

   文章亮点

   •本研究提出了一种混合SDE-神经网络模型,用于可解释的风电功率预测,并利用Senvion MM92风机的SCADA数据进行了验证。

   •通过将随机微分方程与神经网络相融合,该方法能够有效捕捉风能中复杂的非高斯波动特性。

   •研究表明,该模型在性能上与传统RNN、LSTM及CNN-LSTM模型相当或更优,为电网管理在预测精度与物理可解释性之间提供了有价值的平衡。

   4. Fourier Feature-Enhanced Neural Networks for Wind Turbine Power Modeling

   傅里叶特征增强神经网络的风力发电机功率建模

   Aravanis Theofanis, Polydoros Papadopoulos, and Dimitrios Georgikos

   https://www.mdpi.com/2673-4826/6/4/70

   引用格式:

   Aravanis, T.; Papadopoulos, P.; Georgikos, D. Fourier Feature-Enhanced Neural Networks for Wind Turbine Power Modeling.Electricity 2025, 6, 70.

   两个MLP模型的验证MAE学习曲线(归一化输出)。

   文章亮点

   •准确预测风力发电机功率输出对于高效可再生能源发电和电网并网至关重要。然而,实际功率曲线具有高度非线性特征,在切入、额定和切出阶段存在突变过渡,而普通多层感知机(全连接前馈神经网络)由于频谱偏置往往将这些突变平滑化。

   •本研究利用2011年公开的10分钟数据集对一台1 kW风机的功率曲线进行建模,并将基于归一化风速训练的传统多层感知机与经傅里叶特征编码增强的多层感知机进行对比。

   •通过将风速映射至正弦特征空间,傅里叶增强模型能够更忠实地捕捉急剧的工况转变,并显著降低预测误差,证明了傅里叶特征在数据驱动风机功率建模中的价值。

   作者指南

   如您对投稿有任何疑问,欢迎阅读作者指南,或联系Electricity期刊编辑部 (electricity@mdpi.com)。

   作者指南:https://www.mdpi.com/journal/electricity/instructions

  
来源:Electricity

Electricity 正式被 Ei Compendex 收录

参考标签

声明:本文转载仅出于学习和传播信息所需,并不意味着代表本站观点或证实其内容的真实性;其他网站或个人转载使用须保留本站所注“来源”,并自负相关法律责任;如作者不希望被转载或其他事宜,请及时联系我们!