找到 195 条结果 · 智能化与AI应用
基于端点密集格拉姆特征编码与Mixup增强域对抗网络的多构型光伏阵列跨阵列故障诊断
Cross-array fault diagnosis of photovoltaic arrays with different configurations based on endpoint-dense gram feature encoding and mixup-enhanced domain adversarial network
Jiaqi Qu · Pengyuan Ma · Qiang Sun · Xiaogang Wu 等7人 · Applied Energy · 预计 2026年5月 · Vol.410
本文提出一种融合端点密集格拉姆图编码与Mixup增强域对抗网络的跨阵列故障诊断方法，提升不同拓扑、朝向、遮挡条件下光伏阵列的泛化故障识别能力。
解读: 该研究直接支撑阳光电源组串式逆变器（如SG系列）及iSolarCloud智能运维平台的故障预警升级。其跨配置鲁棒诊断能力可显著提升复杂山地/屋顶电站中多朝向、多倾角阵列的隐性故障识别精度；建议将模型轻量化后嵌入ST系列PCS边缘侧推理模块，并与PowerTitan储能系统联动实现‘光-储-智’协同诊...
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
Shuihui Rao · Yu Shuai · Zhihua Xiong · Min Wang · IEEE Transactions on Power Electronics · 预计 2026年5月
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。
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iSolarC...
基于细粒度子域对齐和特征分组的锂离子电池跨域SOH估计：一种Patch时间序列CNN-Transformer网络
Fine-Grained Subdomain Alignment and Feature Grouping-Based Cross-Domain SOH Estimation for Lithium-Ion Batteries Using a Patch Time Series CNN-Transformer Network
Xuanang Gui · Shu Zhang · Yuheng Cheng · Qianlong Wang 等7人 · IEEE Transactions on Power Electronics · 预计 2026年5月
针对锂离子电池健康状态（SOH）估计在跨域场景下因数据分布差异和标签数据不足导致性能下降的问题，本文提出了一种基于模糊聚类子域自适应的Patch时间序列CNN-Transformer网络。该方法通过细粒度子域对齐和特征分组策略，有效提升了跨域场景下的SOH估计精度与鲁棒性。
解读: 该研究直接服务于阳光电源储能业务的核心痛点。在PowerTitan和PowerStack等大型储能系统中，电池全生命周期的SOH精准估计是保障系统安全与收益的关键。该算法通过Patch时间序列与Transformer架构，能更高效地处理BMS采集的复杂工况数据，解决不同批次电池或不同应用场景（如调峰...
一种基于鲁棒规则的利用逆变器数据检测与分类光伏系统性能低下的方法
A robust rule-based method for detecting and classifying underperformance in photovoltaic systems using inverter data
Bernardo Mendonca Severiano · Earl Duran · Jonathan Rispler · Jaysson Guerrero Orbe 等10人 · Solar Energy · 2026年4月 · Vol.308
本文提出一种基于规则的鲁棒方法，利用光伏逆变器运行数据（如功率、电压、电流、温度等）自动识别和分类系统性能低下原因（如遮挡、污秽、组件失效、通信故障等），无需依赖高精度物理模型或大量标注数据。
解读: 该研究高度契合阳光电源iSolarCloud智能运维平台及SG系列组串式逆变器的故障预警能力升级需求。其规则驱动的轻量化诊断方法可嵌入逆变器边缘侧固件，提升ST系列PCS和PowerTitan在光储电站中的实时健康评估能力，降低对云端AI算力依赖。建议将该方法集成至iSolarCloud 3.0故障...
面向天气感知的双分支融合光伏功率预测方法
Weather-aware dual-branch fusion for photovoltaic power forecasting
Bo Liu · Gang Liu · Xinlong Ma · Yisheng Cao 等7人 · Solar Energy · 2026年4月 · Vol.308
本文提出一种融合气象数值预报与历史发电数据的双分支深度学习架构，通过注意力机制协同建模时空特征与天气敏感性，显著提升短期光伏功率预测精度。
解读: 该技术高度契合阳光电源iSolarCloud智能运维平台及组串式逆变器（如SG系列）的功率预测需求，可嵌入ST系列PCS和PowerTitan储能系统的能量管理模块，优化光储协同调度与电网辅助服务响应。建议将模型轻量化后部署于边缘侧逆变器，结合本地气象传感器实现实时滚动预测，提升户用及工商业光伏电站...
面向早期循环的自适应置信度校准半监督集成方法用于电池寿命预测
Adaptive confidence-calibrated semi-supervised ensemble for early-cycle battery lifetime prediction
Jianlong Bi · Zicheng Fei · Jin Wang · Applied Energy · 2026年4月 · Vol.409
本文提出一种自适应置信度校准的半监督集成方法，利用少量标注早期循环电池数据与大量无标签数据，提升电池剩余寿命（RUL）预测精度与可靠性。
解读: 该研究直接支撑阳光电源PowerTitan、PowerStack及ST系列PCS中嵌入式电池健康状态（SOH）与寿命预测功能升级。结合iSolarCloud平台，可实现储能电站全生命周期智能运维。建议将该算法集成至新一代PCS固件及BMS协同架构中，强化用户侧/电网侧储能项目的质保评估与二手电池梯次...
基于试点节点数据与神经网络的配电网实时光伏承载力分析
Real-time PV hosting capacity analysis of distribution networks using pilot buses data and neural networks
Md. Nazrul Islam Siddique · Krishneel Prakash · Saad Mekhilef · Hemanshu Pota · Applied Energy · 2026年4月 · Vol.409
该文提出一种利用试点节点量测数据结合神经网络模型实时评估配电网光伏承载力的方法，提升分布式光伏大规模接入下的安全裕度评估效率与精度。
解读: 该研究直接支撑阳光电源iSolarCloud智能运维平台对海量组串式逆变器集群的承载力动态评估需求，可集成至ST系列PCS及PowerTitan储能系统的协同调度模块，优化光储联合并网策略。建议将轻量化神经网络模型嵌入逆变器边缘侧（如SG系列组串逆变器），结合云端iSolarCloud实现‘端-边-...
面向韧性与电池感知的可解释深度强化学习微电网控制
Explainable deep reinforcement learning for resilient and battery-aware microgrid control
Mohammad Hossein Nejati Amiri · Florimond Guéniat · Energy Conversion and Management · 2026年4月 · Vol.353
本文提出一种可解释的深度强化学习框架，用于提升微电网在扰动下的运行韧性，并显式建模电池老化与荷电状态约束，实现储能系统寿命优化与实时协同控制。
解读: 该研究高度契合阳光电源ST系列PCS、PowerTitan及iSolarCloud平台在光储微网智能控制中的实际需求。其可解释强化学习方法可嵌入PCS能量管理策略，提升电池循环寿命预测精度与充放电决策透明度；建议在PowerTitan系统中集成该算法模块，结合BMS数据实现电池健康感知型调度，并通过...
基于物理增强分层神经网络的电力变换器深度学习建模
Deep Learning-Based Modeling for Power Converters via Physics-Enhanced Hierarchical Neural Network
Qianyi Shang · Fei Xiao · Yaxiang Fan · Ruitian Wang 等5人 · IEEE Transactions on Power Electronics · 2026年4月
针对电力变换器时间序列建模中数据依赖性高、物理信息神经网络计算需求大及泛化能力差的问题，本文提出了一种物理增强的分层神经网络方法，旨在提升变换器建模的效率与精度，为电力电子系统的智能化建模提供新思路。
解读: 该技术对阳光电源的核心产品线具有显著价值。在光伏逆变器和PowerTitan/PowerStack储能变流器（PCS）的研发中，传统的物理建模在复杂工况下计算量大，而纯数据驱动模型缺乏物理约束。该物理增强分层神经网络能有效结合物理规律与AI算法，提升逆变器在电网波动、极端环境下的动态响应预测精度。建...
基于I-V曲线变形特征与计算机视觉的光伏组件故障诊断
PV Module Fault Diagnosis Based on I–V Curve Deformation Characteristics and Computer Vision
Lingxiang Zhang · Kun Xia · Po Xu · Yibo Yu 等5人 · IEEE Transactions on Power Electronics · 2026年3月
本文针对光伏组件早期故障诊断问题，提出了一种基于三二极管模型分析I-V曲线变形特征的新方法。不同于传统仅提取特征点的方式，该研究利用计算机视觉技术全面捕捉曲线形态变化，实现了更精准的故障识别，有效降低了运维成本。
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。通过将基于计算机视觉的I-V曲线分析算法集成至iSolarCloud，可实现对组串式逆变器和集中式逆变器接入的光伏阵列进行远程、自动化的故障预警与诊断，无需人工现场巡检即可精准定位遮挡、老化或隐裂等问题。建议研发团队将此算法模型...
基于OVMD-CNN-BiLSTM的短期光伏发电预测
Short-Term Photovoltaic Power Forecasting Based on OVMD-CNN-BiLSTM
作者未知 · 太阳能学报 · 2026年1月 · Vol.2025
Proposes an OVMD-CNN-BiLSTM model optimized by Grey Wolf Optimizer (GWO) for short-term PV power forecasting. OVMD decomposes preprocessed PV data into frequency-separated modes; each mode plus meteorological features feeds into CNN-BiLSTM for traini...
解读: 该模型高度契合阳光电源iSolarCloud智能运维平台及组串式逆变器（如SG225HX）的功率预测与AGC/AVC协同调度需求。可嵌入ST系列PCS和PowerTitan储能系统，提升光储联合调峰精度；建议将OVMD-CNN-BiLSTM轻量化后部署于边缘侧逆变器端，增强本地化超短期预测能力，支撑...
基于改进VMD和CSABO-TCN-BiGRU的中短期光伏功率预测
Short- and Medium-term Photovoltaic Power Forecasting Based on Improved VMD and CSABO-TCN-BiGRU
作者未知 · 太阳能学报 · 2026年1月 · Vol.2025
提出一种融合改进VMD分解、CSABO优化及TCN-BiGRU混合神经网络的光伏功率预测方法。在澳大利亚实测数据上验证，其精度优于EMD-TCN-BiGRU等主流模型。
解读: 该研究直接支撑阳光电源iSolarCloud智能运维平台的功率预测引擎升级，可提升组串式逆变器（如SG系列）和ST系列PCS在光储协同调度中的日前/日内出力预判精度；建议将CSABO-TCN-BiGRU模型嵌入PowerTitan系统能量管理模块，增强电网侧储能参与调峰调频的响应可靠性，并为户用光储...
基于GAN-QRCNLSTM与高分辨率数据重构的日前光伏功率概率密度预测
Day-Ahead PV Power Probability Density Forecasting With GAN-QRCNLSTM Based on High-Resolution Data Reconstruction
Yaoyao He · Xiaolin Chen · Yifan Zhang · Xiaodong Yang · IEEE Transactions on Industrial Informatics · 2025年12月 · Vol.22
本文提出一种融合高分辨率多维相似时刻选择、GAN增强NWP-实测联合分布建模及QRCNLSTM多分支时空特征提取的概率预测模型，显著提升复杂天气下日前光伏功率预测精度与不确定性量化能力。
解读: 该研究高度契合阳光电源iSolarCloud智能运维平台及组串式逆变器、ST系列PCS的功率预测与协同调度需求。模型可嵌入iSolarCloud实现分钟级概率化发电预测，支撑PowerTitan储能系统在调峰调频中的动态充放电决策；建议将GAN-QRCNLSTM轻量化后集成至SG系列逆变器边缘AI模...
基于知识蒸馏轻量化卷积神经网络与SSCB集成的光伏电弧故障断路器
PV Arc Fault Circuit Interrupter with Knowledge Distillation-Based Lightweight Convolutional Neural Network and SSCB Integration
Kamal Chandra Paul · Jiale Zhou · Shen-En Chen · Tiefu Zhao · IEEE Transactions on Power Electronics · 2025年12月
光伏系统中的直流电弧故障易引发火灾及电力中断，精准检测至关重要。本文提出PArcNet，一种通过知识蒸馏优化的轻量化卷积神经网络，专为资源受限环境下的高效电弧故障检测而设计，显著提升了检测的实时性与准确性。
解读: 该技术对阳光电源的核心业务具有极高价值。电弧故障检测是组串式逆变器及户用逆变器安全合规的关键功能（如AFCI认证）。PArcNet的轻量化设计使其能直接嵌入逆变器现有的DSP或MCU中，无需额外昂贵的计算硬件，即可实现边缘侧的高精度故障诊断。建议研发团队将其集成至iSolarCloud智能运维平台及...
电路到图：基于多维泛化的功率变换器建模
Circuit-to-Graph: Power Converters Modeling With Multidimensional Generalization
Weihao Lei · Fanfan Lin · Xin Zhang · Xinze Li 等5人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年11月 · Vol.14
本文提出Circuit-to-Graph（C2G）方法，利用图神经网络（GNN）建模功率变换器全局结构特征，并结合领域自适应（DA）实现跨工况、调制策略和拓扑结构的高效泛化建模，显著提升小样本预测精度与训练效率。
解读: 该C2G方法高度适配阳光电源ST系列PCS、PowerTitan储能系统及组串式光伏逆变器的智能建模需求，可支撑iSolarCloud平台对多型号、多场景下设备损耗、温升与效率的快速精准预测。建议在下一代PCS固件中嵌入轻量化GNN推理模块，结合实时运行数据在线校准模型，提升故障预警与寿命评估能力；...
基于优化的风电与光伏聚合容量估计及馈线功率预测方法
Optimization-Based Method for Aggregate Wind and Solar Capacity Estimation and Feeder Power Prediction
Amir Reza Nikzad · Bala Venkatesh · IEEE Transactions on Power Delivery · 2025年11月 · Vol.41
针对海量分布式能源（DER）接入下配电网运行难题，提出一种融合优化与深度神经网络（DNN）的聚合容量估计（EAC）与中压馈线功率预测（FPP）方法，实测精度达97.45%（EAC）和97.29%（FPP），显著优于直接预测法。
解读: 该研究高度契合阳光电源在‘风光储智’一体化战略下的iSolarCloud智能运维平台与PowerTitan/ST系列储能变流器（PCS）的协同优化需求。其EAC估算能力可增强组串式逆变器与PCS对分布式源-荷不确定性的感知精度；FPP模型可嵌入iSolarCloud实现毫秒级馈线级功率预测，支撑光储...
基于神经网络的电力电子资源主导型电力系统不确定性感知稳定性分析
Uncertainty-Aware Stability Analysis of IBR-Dominated Power System With Neural Networks
Galadrielle Humblot-Renaux · Yang Wu · Sergio Escalera · Thomas B. Moeslund 等6人 · IEEE Transactions on Power Electronics · 2025年11月
机器学习技术在加速电力电子资源（IBR）主导的电力系统稳定性筛选方面潜力巨大。然而，基于神经网络的方法在面对未见过的运行场景时，难以保证预测的准确性和可靠性，存在安全隐患。本文提出了一种不确定性感知方法，以提升神经网络在电力系统稳定性评估中的可靠性。
解读: 随着阳光电源组串式逆变器和PowerTitan等储能系统在全球电网中的渗透率提升，系统稳定性分析变得日益复杂。该研究提出的不确定性感知神经网络方法，能够有效解决传统AI模型在复杂电网环境下（如弱电网）泛化能力不足的问题。建议将此技术集成至iSolarCloud智能运维平台，用于实时监测电网稳定性风险...
一种基于联邦迁移学习的电力变换器监测自适应机器学习框架
An Adaptive ML Framework for Power Converter Monitoring via Federated Transfer Learning
Panagiotis Kakosimos · Alireza Nemat Saberi · Luca Peretti · IEEE Transactions on Power Electronics · 2025年11月
本文提出了一种结合迁移学习（TL）与联邦学习（FL）的自适应机器学习框架，旨在优化电力变换器的热模型。该方法有效解决了不同运行工况下的模型适配、数据隐私保护及数据共享受限等挑战，通过分段式学习策略提升了变换器状态监测的准确性与鲁棒性。
解读: 该研究对阳光电源的智能化运维至关重要。在组串式逆变器和PowerTitan/PowerStack储能系统中，设备分布广泛且工况复杂，利用联邦学习可在不上传原始数据的前提下，实现跨电站的模型协同训练，提升故障诊断精度。迁移学习则能解决新机型或极端工况下样本稀缺的问题。建议将此框架集成至iSolarCl...
基于安全增强型多智能体强化学习的网络化微电网协同与电池换电站调度
Networked Microgrid Coordination With Battery Swapping Station Scheduling via Security-Enhanced Multi-Agent Reinforcement Learning
Meng Liu · Xiao Liu · Cuo Zhang · Jianguo Zhu · IEEE Transactions on Industry Applications · 2025年10月 · Vol.62
本文提出一种安全增强型多智能体强化学习方法，协调含电池换电站（BSS）的网络化微电网（NMG），兼顾电压安全与经济性。在改进IEEE 33节点系统上验证表明，该方法可提升运行安全性并保留BSS集成的经济收益。
解读: 该研究高度契合阳光电源ST系列储能变流器（PCS）及PowerTitan液冷储能系统的智能协同控制需求。其多智能体强化学习框架可直接赋能iSolarCloud平台对光储充一体化微电网的动态优化调度，尤其适用于含EV换电负荷的工商业/园区级光储充项目。建议将该算法嵌入ST PCS的本地边缘控制器，并与...
太阳能富集型网络化微电网的网络韧性：端到端DER停运实时管理框架
Cyber Resilience in Solar-Rich Networked Microgrids: A Real Time End-to-End DER Outage Management Framework
Jannatul Adan · Md Fazley Rafy · Anurag K. Srivastava · IEEE Transactions on Industry Applications · 2025年10月 · Vol.62
针对光伏等分布式能源（DER）高渗透下网络化微电网面临的网络-物理耦合故障检测与恢复难题，本文提出一种面向太阳能富集场景的DER停运管理系统（DEROMS），集成数据完整性校验、多源根因分析与自适应恢复优化，并在RTDS平台验证其对物理故障与网络攻击的有效性。
解读: 该研究高度契合阳光电源在光储融合微电网领域的战略布局，尤其支撑PowerTitan、PowerStack及iSolarCloud平台的智能运维升级。TraceAlign-DPI/RCA模块可嵌入ST系列PCS和组串式逆变器的边缘侧固件，提升光伏电站级异常识别精度；场景化恢复优化算法可增强iSolar...
第 1 / 10 页