← 返回
| 作者 | Zhixin Chen · Fei Xu · Qingxin Yang · Xian Zhang · Pengcheng Zhang · Xiquan Deng · Yize Wei |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 预计 2026年5月 |
| 技术分类 | 控制与算法 |
| 技术标签 | 机器学习 故障诊断 深度学习 |
| 相关度评分 | ★★ 2.0 / 5.0 |
| 关键词 | 水下无线电能传输 (UWPT) 在线参数辨识 数据驱动 谐波干扰 参数偏差 充电稳定性 |
语言:
中文摘要
针对水下无线电能传输（UWPT）系统在复杂环境下面临的导电性强、谐波干扰及参数偏差等挑战，传统基于电路模型的辨识方法难以满足需求。本文提出一种数据驱动的在线参数辨识方法，利用有限的现场数据实现系统参数的快速、精确辨识，从而保障UWPT系统的高效稳定运行。
English Abstract
Online parameter identification is essential for underwater wireless power transfer (UWPT) systems to ensure charging stability and high efficiency. However, strong conductivity, harmonic interference, and parameter deviations pose huge challenges for traditional parameter identification methods that rely entirely on circuit models. Data-driven methods are an effective method to solve this problem...
S
SunView 深度解读
该研究聚焦于无线电能传输的参数辨识，虽然目前阳光电源的核心业务集中在光伏、储能及充电桩领域，尚未直接涉及水下无线充电，但其核心方法论——“基于有限数据的在线参数辨识”具有极高的技术迁移价值。在阳光电源的iSolarCloud智能运维平台中，针对光伏电站或储能系统的复杂环境干扰，引入此类数据驱动的自适应辨识算法，可有效提升系统故障诊断的准确性与运行效率。建议研发团队关注该算法在复杂工况下对系统模型参数漂移的补偿能力，未来可探索将其应用于电动汽车无线充电桩的研发或储能系统内部阻抗的实时监测中。