找到 12 条结果 · 智能化与AI应用
基于可迁移知识共享网络的锂离子电池SOH与RUL同步预测
Simultaneous Prediction of SOH and RUL for Lithium-Ion Batteries Using Transferable Knowledge Sharing Network
Kai Zhong · Zhihao Liu · Jiaqiang Tian · Chao Fan 等8人 · IEEE Transactions on Power Electronics · 2025年9月
锂离子电池的健康状态（SOH）和剩余使用寿命（RUL）预测对电力系统的安全运行至关重要。针对现有方法在泛化能力、预测精度及多任务协同方面的不足，本文提出了一种可迁移知识共享网络，实现了SOH与RUL的同步预测，有效提升了复杂工况下的预测性能。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及ST系列PCS）具有极高价值。通过引入可迁移知识共享网络，BMS系统能够更精准地评估电池衰减状态，提升电池全生命周期的安全性与运维效率。建议将该算法集成至iSolarCloud智能运维平台，通过大数据分析实现电池簇的精细化管理，...
一种基于时频马尔可夫排列转移场的光伏系统串联电弧故障检测方法
A Series Arc Fault Detection Method Based on Time-Frequency Markov Permutation Transition Field for Photovoltaic Systems With Power Electronic Devices
Zhendong Yin · Shuang Peng · Chunyu Xiao · Li Wang 等5人 · IEEE Transactions on Power Electronics · 2025年8月
串联电弧故障（SAF）是光伏系统火灾的主要诱因。在电力电子设备干扰下，准确快速地检测SAF仍面临巨大挑战。本文提出了一种基于时频马尔可夫排列转移场（TFMPTF）的SAF检测方法。首先，利用变分模态分解对电流信号进行分解，通过特征提取与分类算法实现对电弧故障的精准识别。
解读: 该研究直接针对光伏系统安全核心痛点，对阳光电源的组串式逆变器及户用逆变器产品线具有极高应用价值。目前阳光电源逆变器已具备AFCI（电弧故障断路器）功能，该方法通过引入时频马尔可夫排列转移场，能有效提升在复杂电力电子干扰环境下的故障识别精度，降低误报率。建议研发团队将该算法集成至iSolarCloud...
基于氟等离子体处理双极型SnO薄膜晶体管的高增益CMOS样反相器
High-Gain CMOS-Like Inverters Based on F-Plasma-Treated Ambipolar SnO Thin-Film Transistors
Zening Gao · Peng Dai · Ning Wang · Yiwen Yao 等6人 · IEEE Transactions on Electron Devices · 2025年7月
尽管基于双极型薄膜晶体管（TFT）的类互补金属氧化物半导体（CMOS）反相器因其简化的制造工艺和高集成密度而备受关注，但实现高性能双极型TFT仍具有挑战性。在这项工作中，我们系统地研究了不同退火和钝化方案（包括无钝化退火（AWP）、钝化前退火（ABP）和钝化后退火（AAP）），以及使用二氧化硅（SiO₂）、氧化铝（Al₂O₃）和氧化铪（HfO₂）钝化层（PVL）对氧化锡（SnO）TFT性能的影响。其中，采用AAP - Al₂O₃工艺的器件表现出最平衡的p型和n型导电性能以及优异的负偏压应力（NB...
解读: 从阳光电源的业务视角来看，这项基于氟等离子体处理的双极性SnO薄膜晶体管（TFT）技术呈现出显著的应用潜力，特别是在光伏逆变器和储能系统的控制电路优化方面。 该技术的核心价值在于通过简化的CMOS类逆变器架构实现了289倍的高电压增益，这对我们的产品线具有重要意义。在光伏逆变器的栅极驱动电路和信号...
基于短时特征的锂离子电池SOH估计数据驱动模型多目标优化
Multiobjective Optimization of Data-Driven Model for Lithium-Ion Battery SOH Estimation With Short-Term Feature
Lei Cai · Jinhao Meng · Daniel-Ioan Stroe · Jichang Peng 等6人 · IEEE Transactions on Power Electronics · 2020年11月
锂离子电池广泛应用于储能系统（BESS）和电动汽车。数据驱动方法通过测量特征估计电池健康状态（SOH），但过多特征会降低精度并增加人工成本。本文提出了一种多目标优化方法，旨在通过精简特征集提升SOH估计的准确性与效率。
解读: 该研究直接服务于阳光电源的储能业务（PowerTitan、PowerStack系列）。SOH的高精度估计是BMS核心算法的关键，直接影响储能系统的全生命周期管理与电芯衰减预测。通过引入多目标优化算法精简特征，可显著降低iSolarCloud平台在处理海量电芯数据时的计算负载，提升远程运维的实时性。建...
基于GPR和GA统计特征估计的DC/DC变换器在线异常检测
Online Anomaly Detection in DC/DC Converters by Statistical Feature Estimation Using GPR and GA
Yueming Jiang · Yang Yu · Xiyuan Peng · IEEE Transactions on Power Electronics · 2020年10月
DC/DC变换器在电力系统中至关重要，其异常状态会严重影响后端组件及整个系统。针对电路结构未知的DC/DC变换器，本文提出了一种基于高斯过程回归（GPR）和遗传算法（GA）的统计特征估计方法，用于实现高效的在线异常检测。
解读: 该技术对阳光电源的核心业务具有极高价值。DC/DC变换器是光伏组串式逆变器（MPPT环节）及储能系统（ST系列PCS、PowerTitan等）中的关键功率变换单元。通过引入GPR和GA算法，可显著提升iSolarCloud智能运维平台对变换器早期故障的预判能力，实现从“被动维修”向“主动运维”的转型...
一种融合MIC-BOA-TiDE与核密度估计的锂离子电池剩余使用寿命点预测与概率预测新框架
A novel MIC-BOA-TiDE fusion framework with kernel density estimation for point and probabilistic remaining useful life prediction of lithium-ion batteries
Tian Peng · Zhongzheng Mo · Jie Chen · Chenghao Sun 等7人 · Applied Energy · 预计 2026年5月 · Vol.410
本文提出MIC-BOA-TiDE融合框架，结合互信息准则（MIC）、蝴蝶优化算法（BOA）与时间序列深度估计器（TiDE），并引入核密度估计实现锂离子电池剩余使用寿命（RUL）的高精度点预测与不确定性量化。
解读: 该研究聚焦锂电RUL智能预测，直接支撑阳光电源PowerTitan、PowerStack等储能系统中BMS的寿命预警与健康状态管理能力。其概率化RUL输出可增强ST系列PCS在梯次利用、运维调度和质保服务中的决策可靠性。建议将该框架嵌入iSolarCloud平台，与PCS实时数据流对接，构建云端-边...
电池电芯制造装备智能状态监测：一种动态扩张Transformer方法
Intelligent Condition Monitoring for Battery Cell Manufacturing Equipment: A Dynamic Dilated Transformer Approach
Shantao Zhao · Zhanglin Peng · Xiaonong Lu · Qiang Zhang 等6人 · IEEE Transactions on Industrial Informatics · 2025年11月 · Vol.22
针对电池电芯制造中激光模切卷绕设备的状态监测难题，提出基于Transformer的多尺度动态扩张注意力模型，实现传感器偏移轨迹预测与早期停机预警，将自注意力复杂度降至近O(L)，显著提升预测精度与部署适应性。
解读: 该技术可迁移应用于阳光电源储能系统（如PowerTitan、ST系列PCS）产线设备的智能运维与预测性维护，提升BMS产线测试设备及PCS老化试验平台的故障预警能力；建议在iSolarCloud平台中集成此类时序AI模型，拓展至储能变流器关键部件（如IGBT模块、冷却系统）的运行健康评估，强化全生命...
基于混合注意力深度强化学习的纯电动汽车健康感知集成热管理策略
Health-Conscious Integrated Thermal Management Strategy Using Hybrid Attention Deep Reinforcement Learning for Battery Electric Vehicles
Changcheng Wu · Jiankun Peng · Dawei Pi · Xin Guo 等7人 · IEEE Transactions on Power Electronics · 2025年10月
本文针对纯电动汽车（BEV），提出了一种考虑电池健康状态的集成热管理策略（ITMS）。通过引入混合注意力深度强化学习算法，在保证座舱舒适度的同时，有效延长了续航里程并优化了电池寿命，为电动汽车热管理系统的智能化控制提供了新方案。
解读: 该研究采用的深度强化学习与注意力机制，对阳光电源的充电桩业务及储能系统（如PowerStack/PowerTitan）具有重要借鉴意义。在充电桩产品中，集成热管理策略可优化充电过程中的温控效率，提升用户充电体验；在储能系统领域，该算法可用于BMS的精细化热管理，通过预测性控制延长电池组循环寿命，降低...
受脑启发的深度强化学习在复合干扰下电力系统负荷频率控制中的应用
Brain-Inspired Deep Reinforcement Learning for Load Frequency Control of Power Systems With Composite Interference
Xiaoming Sun · Chen Peng · Xinchun Jia · Yajian Zhang · IEEE Transactions on Industrial Informatics · 2025年4月
本文针对存在内部噪声和外部负荷波动复合干扰的电力系统，提出了一种受大脑启发的基于深度强化学习（DRL）的负荷频率控制框架。具体而言，受人类大脑决策过程的启发，系统状态的一些历史、当前和未来特征被充分提取到经验池中，以便深度强化学习智能体进行高效训练。同时，设计了一种渐进式训练机制，通过逐步增加训练目标将训练过程划分为多个阶段，以减少训练过程中的盲目性。此外，针对复合干扰，预先学习一些模拟干扰，以提高深度强化学习智能体的适应性。在单发电机组电力系统上的实验结果表明，所提出的方法能够在复合干扰下有效...
解读: 从阳光电源的业务视角来看，这项基于脑启发式深度强化学习的负荷频率控制技术具有重要的战略价值。随着公司光伏逆变器和储能系统在全球电网中的装机规模持续扩大，如何应对新能源接入带来的频率波动问题已成为核心技术挑战。 该技术的创新点与阳光电源的实际需求高度契合。首先，其针对"内部噪声与外部负荷波动复合干扰...
基于物理信息机器学习的电力电子变换器参数估计
Parameter Estimation of Power Electronic Converters With Physics-Informed Machine Learning
Shuai Zhao · Yingzhou Peng · Yi Zhang · Huai Wang · IEEE Transactions on Power Electronics · 2022年10月
物理信息机器学习（PIML）将领域知识与物理模型相结合，在电力电子领域展现出巨大潜力。本文提出了一种基于PIML的参数估计方法，并通过DC-DC Buck变换器案例进行了验证。该方法将深度神经网络与变换器的动态模型无缝耦合，实现了对关键参数的精确估计。
解读: 该技术对阳光电源的逆变器及储能PCS产品线具有重要应用价值。在复杂的电网环境下，功率变换器内部关键参数（如电感、电容老化状态）的实时精准估计是实现预测性维护的核心。通过将物理模型嵌入神经网络，阳光电源可在iSolarCloud平台及本地控制器中部署该算法，无需额外传感器即可实现对核心功率模块健康状态...
基于异常发热与深度学习算法的电动汽车电池热失控故障预测
Battery Thermal Runaway Fault Prognosis in Electric Vehicles Based on Abnormal Heat Generation and Deep Learning Algorithms
Da Li · Peng Liu · Zhaosheng Zhang · Lei Zhang 等9人 · IEEE Transactions on Power Electronics · 2022年7月
针对电动汽车在复杂工况下电池热失控预测难的问题，本文提出了一种基于异常发热（AHG）的预测模型。该模型结合长短期记忆网络（LSTM）等深度学习算法，能够有效识别电池异常状态，提升电动汽车运行安全性。
解读: 该研究对阳光电源的储能系统（如PowerTitan、PowerStack）具有重要参考价值。储能系统本质上是大规模电池组的集成，热失控监测是BMS的核心安全功能。通过引入基于异常发热的深度学习预测模型，阳光电源可优化iSolarCloud平台的电池健康状态（SOH）评估与预警算法，从单纯的阈值报警升...
基于电压异常结合长短期记忆神经网络与等效电路模型的电动汽车电池故障诊断
Battery Fault Diagnosis for Electric Vehicles Based on Voltage Abnormality by Combining the Long Short-Term Memory Neural Network and the Equivalent Circuit Model
Da Li · Zhaosheng Zhang · Peng Liu · Zhenpo Wang 等5人 · IEEE Transactions on Power Electronics · 2021年2月
本文提出了一种结合长短期记忆（LSTM）神经网络与等效电路模型的电池故障诊断新方法。通过改进的自适应提升算法提高诊断精度，并利用预判模型降低计算负载，有效提升了电动汽车电池系统的运行安全性与可靠性。
解读: 该技术对阳光电源的储能业务（如PowerTitan、PowerStack）具有重要参考价值。储能系统本质上是大规模电池组的集成，其安全性与BMS（电池管理系统）的故障诊断能力直接相关。文中提出的LSTM与等效电路模型结合的方法，可优化阳光电源iSolarCloud平台对储能电站电池健康状态（SOH）...