← 返回
针对拓扑持续时间不确定开关电源参数辨识的扩展物理信息神经网络
Extended Physics-Informed Neural Networks for Parameter Identification of Switched Mode Power Converters With Undetermined Topological Durations
| 作者 | Yangxiao Xiang · Hongjian Lin · Henry Shu-Hung Chung |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年1月 |
| 技术分类 | 控制与算法 |
| 技术标签 | 机器学习 深度学习 功率模块 故障诊断 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 物理信息神经网络 参数辨识 开关电源变换器 拓扑切换 开关时刻 深度学习 |
语言:
中文摘要
针对开关电源拓扑持续时间不确定导致的参数辨识难题，本文提出一种扩展物理信息神经网络（PINN）。该方法无需额外的测量电路，通过将开关时刻和拓扑转换时的电路状态变量作为物理约束，实现了对变换器参数的高精度辨识，解决了传统物理建模中测量受限的问题。
English Abstract
It is challenging to perform high-precision parameter identification for switched mode power converters with undetermined topology duration because the physical information, such as switching instants and circuit state variables at topology transitions is critical for realizing this goal. In conventional physics-based solutions, additional measurement circuits are required to compensate for the ab...
S
SunView 深度解读
该技术对阳光电源的核心业务具有重要价值。在光伏逆变器和储能PCS（如PowerTitan、ST系列）的研发中，高精度的参数辨识是实现精准控制和故障诊断的基础。通过引入PINN，公司可以在无需增加复杂传感器硬件成本的前提下，实现对功率模块内部参数（如电感、电容老化状态）的实时监测，从而提升iSolarCloud平台的智能运维能力。建议在储能变流器的全生命周期健康管理（PHM）中引入该算法，以优化控制策略并提前预警潜在故障，提升产品可靠性。