找到 3 条结果 · 智能化与AI应用
基于强化学习的原位功率硬件在环接口控制最优方法：基于混合迭代自适应动态规划应对不确定动态的理论与应用
A Reinforcement-Learning, Optimal Approach to In Situ Power Hardware-in-the-Loop Interface Control for Testing Inverter-Based Resources: Theory and Application of the Adaptive Dynamic Programming Based on the Hybrid Iteration to Tackle Uncertain Dynamics
Masoud Davari · Omar Qasem · Weinan Gao · Frede Blaabjerg 等6人 · IEEE Transactions on Industrial Electronics · 2024年11月
对基于逆变器的资源（IBR）进行测试至关重要。本文提出了一种新颖的电力硬件在环（PHIL）接口控制（PHIL - IC）方法，该方法采用基于自适应动态规划（ADP，也称为近似动态规划）的强化学习方法，借助基于ADP的方法来加强基于PHIL仿真的IBR测试。由于与IBR、功率放大器、所有与基于PHIL仿真测试相关的组件及其延迟相关的整个系统（状态和干扰）的动态特性“不可用”或“不确定”，该方法采用输出反馈控制；它在考虑所有相关系统的所有不确定性和不可用信息的情况下，对PHIL - IC进行最优设计...
解读: 从阳光电源的业务视角来看，这项基于自适应动态规划的功率硬件在环（PHIL）测试技术具有重要的战略价值。该技术直接针对逆变器类资源（IBRs）的测试难题，这与我们光伏逆变器、储能变流器等核心产品的研发验证流程高度相关。 该论文提出的强化学习方法突破了传统PHIL测试的局限性。当前我们在进行逆变器并网...
基于多通道全局最大池化CNN的永磁同步电机驱动电流传感器故障检测与识别
Current Sensor Fault Detection and Identification for PMSM Drives Using Multichannel Global Maximum Pooling CNN
Sijia Wu · Guangtong Ma · Chunxing Yao · Zhenyao Sun 等5人 · IEEE Transactions on Power Electronics · 2024年8月
永磁同步电机（PMSM）在电机驱动应用中广泛使用。电流传感器在闭环控制中至关重要，但易受热应力和振动影响发生故障。本文提出了一种基于多通道全局最大池化卷积神经网络（CNN）的高效电流传感器故障检测与识别（FDI）方法，旨在提升电机驱动系统的可靠性。
解读: 该技术对阳光电源的电机驱动类产品（如风电变流器、电动汽车充电桩中的功率模块及储能系统中的辅助电机控制）具有重要参考价值。通过引入深度学习算法进行传感器故障诊断，可显著提升系统运行的鲁棒性，降低因传感器失效导致的停机风险。建议研发团队在iSolarCloud智能运维平台中集成此类AI诊断模型，实现对关...
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，...