找到 5 条结果 · 智能化与AI应用
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...
面向任务的参数解耦框架用于持续异常检测
A Task-Aware Parameter Decoupling Framework for Continual Anomaly Detection
Zhizhong Zhang · Guchu Zou · Chengwei Chen · Zhenyi Qi 等10人 · IEEE Transactions on Industrial Informatics · 2025年11月 · Vol.22
本文提出一种面向工业场景的持续异常检测框架，基于ViT重构架构，融合实例感知提示调优（IPT）和梯度感知参数解耦（GPD），缓解灾难性遗忘，提升多阶段缺陷模式识别能力，在MVTec等数据集上达到SOTA性能。
解读: 该持续异常检测技术可赋能阳光电源iSolarCloud智能运维平台及ST系列PCS、PowerTitan储能系统的设备级故障预测与自适应诊断。尤其适用于光伏电站组件热斑、PID、接线盒失效等新型缺陷的增量式识别，以及储能系统BMS与PCS协同运行中未知工况异常的在线演化建模。建议在组串式逆变器边缘侧...
基于双分支专家融合记忆网络的大规模配电网净负荷高效预测
Efficient Net Load Forecasting in Large-Scale Power Distribution Systems via Dual-Branch Experts Fusion Memory Network
Shijie Li · Ruican Hu · Guanlin Chen · Lulu Chen 等10人 · IEEE Transactions on Power Systems · 2025年8月 · Vol.41
本文针对高比例可再生能源接入下配电网净负荷预测难题，提出双分支专家融合记忆网络（DEFMN），分别建模负荷与分布式电源的异质性，并融合时空相关性。在IEEE 8500节点系统验证中，该模型在MAPE等指标上达到SOTA性能。
解读: 该研究对阳光电源iSolarCloud智能运维平台及PowerTitan/ST系列储能PCS的日前-日内净负荷预测能力具有直接提升价值。DEFMN可嵌入iSolarCloud的AI预测引擎，优化光储协同调度策略；尤其适用于工商业光伏+用户侧储能场景中多类型DG（如组串式逆变器、充电桩、小型风电变流器...
MagNet-AI：作为磁性元件建模与材料推荐数据表的神经网络
MagNet-AI: Neural Network as Datasheet for Magnetics Modeling and Material Recommendation
Haoran Li · Diego Serrano · Shukai Wang · Minjie Chen · IEEE Transactions on Power Electronics · 2023年12月
本文介绍了MagNet-AI平台，该平台展示了“神经网络作为数据表”的概念，用于实现宽运行范围内功率磁性元件的B-H环路建模与材料推荐。研究摒弃了直接展示磁芯材料测量特性的传统方式，转而利用神经网络捕捉B-H环路映射关系，为磁性元件设计提供了高效的数字化解决方案。
解读: 磁性元件（电感、变压器）是阳光电源组串式/集中式光伏逆变器及PowerTitan/PowerStack储能变流器（PCS）的核心损耗部件。MagNet-AI提出的‘神经网络作为数据表’概念，可显著提升研发阶段磁性元件的设计精度与选型效率，优化高频化趋势下的磁芯损耗评估。建议研发团队引入该AI建模方法...
MagNet：用于建模功率磁性材料特性的机器学习框架
How MagNet: Machine Learning Framework for Modeling Power Magnetic Material Characteristics
Haoran Li · Diego Serrano · Thomas Guillod · Shukai Wang 等12人 · IEEE Transactions on Power Electronics · 2023年12月
本文提出了一种名为MagNet的开源机器学习框架，用于功率磁性材料建模。该框架整合了超过50万个实验测量的激励数据点，涵盖多种材料及运行工况。文章详细阐述了数据采集与质量控制流程，并展示了机器学习在提升磁性元件建模精度与效率方面的应用潜力。
解读: 磁性元件（电感、变压器）是阳光电源光伏逆变器和储能PCS的核心损耗源。MagNet框架提供的机器学习建模方法，可显著提升磁性元件在高频、复杂工况下的损耗预测精度，有助于优化PowerTitan等储能系统及组串式逆变器的磁性设计，实现更优的功率密度和效率。建议研发团队引入该数据库进行磁性材料特性拟合，...