找到 4 条结果 · 智能化与AI应用
基于机器学习代理的手动与自动开关在配电网中的优化配置
Optimal Placement of Manual and Automatic Switches in Power Distribution Systems Using a Machine Learning Proxy
Mehrdad Ebrahimi · Mohammad Rastegar · Kiana Karami · IEEE Transactions on Industry Applications · 2025年2月
故障管理涉及在故障发生后尽快恢复停电用户的操作，而优化开关布局有助于实现这一目标。然而，由于问题的非线性和巨大的搜索空间，开关优化问题需要大量的计算工作。因此，对于大规模配电系统而言，该问题可能难以求解。本文提出了一种基于机器学习的代理方法，用于确定实际配电系统中手动和自动开关的最佳数量和位置。目标函数包含设备成本和可靠性指标，包括系统平均停电频率指标（SAIFI）、系统平均停电持续时间指标（SAIDI）和未供电量（ENS）指标。所提出的模型是一个堆叠集成模型，其中基于卷积神经网络（CNN）的模...
解读: 从阳光电源的业务视角来看，这项基于机器学习的配电网开关优化技术具有重要的战略价值。随着公司在分布式光伏、储能系统及综合能源解决方案领域的深度布局，配电网的智能化管理已成为提升系统可靠性和经济性的关键环节。 该技术的核心价值在于通过堆叠集成学习模型，大幅降低开关优化问题的计算复杂度，这对阳光电源的配...
基于新型CNN集成与可解释人工智能的配电网虚假数据注入攻击检测与定位框架
False Data Injection Attack Detection and Localization Framework in Power Distribution Systems Using a Novel Ensemble of CNNs and Explainable Artificial Intelligence
Mohammad Reza Dehbozorgi · Mohammad Rastegar · Mohammadreza Fakhari Moghaddam Arani · IEEE Transactions on Industry Applications · 2025年1月
信息物理电力系统易受网络攻击，尤其是虚假数据注入攻击（FDIA）。近年来，针对配电系统状态估计（DSSE）的虚假数据注入攻击受到了研究人员的关注，此类攻击通过更改电表读数来改变状态估计（SE）。文献中常见的针对虚假数据注入攻击的防御方法是使用标记数据训练分类器作为虚假数据注入攻击检测器。然而，虚假数据注入攻击数据集的高度不平衡特性可能会限制这种方法的性能。机器学习模型的黑盒特性使其在重要应用中难以获得信任和采用。因此，我们提出了一种创新的可解释人工智能（XAI）增强的基于集成学习的检测与定位模型...
解读: 从阳光电源的业务视角来看，该论文提出的虚假数据注入攻击（FDIA）检测框架具有重要的战略意义。随着公司在分布式光伏、储能系统及综合能源解决方案领域的快速拓展，我们的产品正日益深度融入配电网的信息物理系统中，这使得网络安全防护成为保障系统可靠运行的关键要素。 该技术的核心价值在于为我们的智能逆变器和...
基于微调策略的跨工况船用柴油机故障诊断通用迁移学习框架
A universal transfer learning framework for cross-working-condition marine diesel engine fault diagnosis based on fine-tuning strategy
Zeyu Shia · Zhongwei Wanga · Zhiguo Yuana · Muyu Wanga 等6人 · Applied Energy · 2025年1月 · Vol.392
摘要 船用柴油机（MDEs）及时且准确的故障诊断（FD）对于提升船舶动力系统的安全性和可靠性至关重要。MDEs在变工况下运行，导致其运行状态和故障数据存在显著差异。这种变异性降低了数据驱动FD模型的适应能力，而这些模型通常是基于单台发动机或特定工况下的数据构建的。为解决上述问题，本研究提出了一种基于深度迁移学习与微调策略的MDEs故障诊断框架。为了增强故障特征提取能力，引入了一种数据层级融合方法用于数据重构。此外，提出了一种新型混合预训练网络，结合CNN + GRU与KAN，以获取源域数据的全面...
解读: 该跨工况迁移学习故障诊断框架对阳光电源储能系统(ST系列PCS、PowerTitan)及光伏逆变器(SG系列)具有重要应用价值。文章提出的CNN+GRU+KAN混合网络和精细调优策略,可应用于不同环境工况下的功率器件(SiC/IGBT)健康监测与故障预测。该方法能有效解决iSolarCloud平台中...
多尺度协同建模与基于深度学习的风冷数据中心热预测：热管理的新视角
Multi-scale collaborative modeling and deep learning-based thermal prediction for air-cooled data centers: An innovative insight for thermal management
Ningbo Wang · Yanhua Guo · Congqi Huang · Bo Tian 等5人 · Applied Energy · 2025年1月 · Vol.377
摘要 研究数据中心（DC）的热环境及温度分布对于应对设备故障或环境变化等突发事件至关重要。然而，构建从数据中心机房级到芯片级的全尺寸仿真模型面临巨大挑战。本文提出一种独特的方法，将多尺度协同建模与深度学习技术相结合，用于风冷数据中心的热预测。通过将父模型的仿真结果作为子模型的边界条件，构建了数据中心多尺度仿真模型，显著降低了模型复杂度和计算资源消耗。利用实验数据，对不同尺度的模型分别进行了验证。研究了不同冷却策略、送风温度和送风流量对多尺度仿真模型的影响。基于参数化仿真方法，构建了用于训练数据驱...
解读: 该多尺度协同建模与深度学习热管理技术对阳光电源储能系统具有重要应用价值。ST系列PCS和PowerTitan等大型储能产品面临电池簇、模组到电芯的多层级热管理挑战,可借鉴其多尺度仿真方法降低建模复杂度。CNN-BiLSTM-Attention神经网络可集成至iSolarCloud平台,实现储能柜温度...