← 返回
面向多模态逆变系统早期故障检测的通道注意力共享-独占解耦表征学习
Shared-Exclusive Disentangled Representation Learning With Channel Attention for Incipient Fault Detection in Multimode Power Inverter Systems
| 作者 | Shuihui Rao · Yu Shuai · Zhihua Xiong · Min Wang |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 预计 2026年5月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 故障诊断 机器学习 深度学习 光伏逆变器 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 逆变器系统 早期故障检测 多模式 解耦表征学习 通道注意力机制 深度学习 故障诊断 |
语言:
中文摘要
逆变系统在复杂多模态下运行，数据分布差异大，导致故障检测困难。本文提出了一种基于通道注意力的共享-独占解耦表征学习方法，旨在有效区分模态不变特征与模态特异性特征，从而提升多工作场景下的逆变器早期故障检测精度。
English Abstract
Inverter systems play a critical role in modern power conversion and energy management applications, where they often operate under diverse and complex modes. The presence of multiple operating modes leads to varying data distributions, posing significant challenges for accurate fault detection across different working scenarios. Existing methods struggle to disentangle mode-invariant and mode-spe...
S
SunView 深度解读
该技术对阳光电源的iSolarCloud智能运维平台具有极高的应用价值。阳光电源的组串式及集中式逆变器在不同光照、温度及电网环境下运行，属于典型的多模态系统。该研究提出的解耦表征学习方法，能有效解决传统算法在多工况下误报率高的问题，显著提升逆变器早期故障的预警准确性。建议将此算法集成至iSolarCloud的故障诊断模块，通过深度学习优化运维策略，降低电站运维成本，提升PowerTitan等储能系统及光伏逆变器在复杂环境下的全生命周期可靠性。