找到 4 条结果 · 智能化与AI应用
面向边缘–云连续体的开源AI即服务框架：支持联邦学习、高效性与漂移鲁棒性的持续学习
An Open-Source AI-as-a-Service Framework for Federated, Efficient, and Drift-Robust Learning in the Continuum Edge–Cloud
Sebastián Andrés Cajas Ordóñez · Jaydeep Samanta · Andrés L. Suárez-Cetrulo · Romila Ghosh 等7人 · IEEE Access · 2026年2月 · Vol.14
本文提出OASIS开源框架，支持边缘–云协同下的联邦学习、模型压缩与概念漂移检测，集成SHAP可解释性、MLFlow/NannyML监控，适用于资源受限场景的实时预测与自适应监测。
解读: 该框架对阳光电源iSolarCloud智能运维平台及PowerTitan/ST系列储能系统的AI升级具有直接价值：可部署于边缘侧逆变器或PCS中实现本地化故障预警、功率预测漂移自适应校准，并通过联邦学习在多电站间协同优化而保护数据隐私。建议在组串式逆变器嵌入轻量OASIS模块，结合MPPT动态调优；...
面向微电网安全的边缘可部署机器学习代理：实时战术与技术归因
Edge-Deployable ML Agent for Real-Time Tactic and Technique Attribution in Microgrid Security
Suresh Mogilicharla · Manoj Tripathy · Mital Kanabar · IEEE Transactions on Industry Applications · 2025年10月 · Vol.62
针对微电网面临的高级持续性威胁（APT），本文提出一种基于XGBoost的轻量级ML代理，可实时解析IDS告警并依据MITRE ATT&CK框架归因攻击战术与技术。该代理支持IDMEF格式输入，在树莓派上实现15ms低延迟推理，CPU/内存占用极低，并通过Grafana可视化提升本地态势感知能力。
解读: 该研究对阳光电源PowerTitan、ST系列PCS及iSolarCloud平台的智能安全运维具有直接价值：可在储能变流器边缘侧嵌入轻量攻击归因模块，增强微电网异常行为的战术级识别能力；建议将XGBoost模型集成至iSolarCloud边缘节点或PCS固件中，支撑光储系统在离网/弱网场景下的自主威...
一种快速准确的粗略方法用于预测调制信号激励下射频滤波器的多极子阈值
A Fast and Accurate Coarse Method for Multipactor Threshold Prediction of RF Filters Under Modulated Signal Excitation
Carlos Alcaide Guillén · Miguel Rodríguez Jódar · Raúl Cervera Marín · Jose V. Morro 等6人 · IEEE Transactions on Electron Devices · 2025年4月
微放电是限制星载硬件系统性能的关键高功率效应。尽管现代粒子模拟器允许将任意几何结构和信号作为输入，但其实际应用通常仅限于连续波（CW）激励。遗憾的是，对输入调制信号进行微放电分析通常会导致过长的CPU计算时间，因为与电子群的演化时间相比，信号长度非常长。粗粒化方法是克服这一限制的有效途径，它能在较短的CPU计算时间内对微放电阈值做出较好的估计。然而，如果在分析输入信号之前不对其进行预处理，该方法就无法考虑频率相关性，因为它仅依据从单一频率提取的电子动力学信息进行运算，这会导致对如滤波器等窄带样本...
解读: 从阳光电源的业务视角来看，这篇关于射频滤波器多载子放电阈值预测的论文虽然聚焦于卫星通信领域，但其底层的电磁效应分析方法对我司高功率电力电子设备具有重要的借鉴价值。 **技术相关性分析** 多载子放电本质上是高频电磁场环境下的电子雪崩效应。在光伏逆变器和储能变流器中，虽然工作频率远低于射频波段，但...
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...