找到 14 条结果 · 智能化与AI应用
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8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...
一种符合EMI标准且适用于汽车级的48 V至负载点Dickson型混合开关电容DC–DC变换器
An EMI-Compliant and Automotive-Rated 48 V to Point-of-Load Dickson-Based Hybrid Switched-Capacitor DC–DC Converter
Sahana Krishnan · Margaret E. Blackwell · Robert C. N. Pilawa-Podgurski · IEEE Transactions on Power Electronics · 2025年3月
随着数据中心供电架构和汽车动力系统向48V配电轨转变，高性能混合开关电容（混合SC）转换器已成为这两个领域颇具吸引力的供电解决方案。然而，由于严格的电磁干扰（EMI）和可靠性要求，汽车电源系统带来了独特的设计挑战。本研究探讨了一种基于狄克逊结构、固有EMI较低的调节型混合SC拓扑，并讨论了采用基于控制的EMI缓解技术，如谐振和超谐振运行，以及扩频调频。研究了这些技术对混合SC转换器效率的影响，以及为达到EMI合规要求的无源滤波器设计。所提出的滤波器和调制方案使该转换器能够满足CISPR 25汽车...
解读: 从阳光电源的业务视角来看，这项基于Dickson拓扑的混合开关电容DC-DC转换技术具有重要的战略价值。随着光伏储能系统和新能源汽车充电设施向48V配电架构演进，该技术为我们的产品升级提供了新的技术路径。 该转换器实现97.1%的峰值效率，这对阳光电源的储能系统和车载DC-DC产品线尤为关键。在储...
基于历史依赖Prandtl-Ishlinskii神经网络的任意激励波形下准静态铁心损耗预测
History-Dependent Prandtl–Ishlinskii Neural Network for Quasi-Static Core Loss Prediction Under Arbitrary Excitation Waveforms
作者未知 · IEEE Transactions on Power Electronics · 2025年3月
电力电子应用中的磁性元件通常会经历包含高频谐波和/或直流偏置的复杂激励波形。这种复杂性对传统的磁芯损耗建模方法提出了挑战，这些方法往往容易出现严重误差，或者仅适用于某些类型的激励波形。本文提出了基于历史依赖的普朗特 - 伊斯林斯基神经网络（HDPI - NN），用于在任意激励下准确预测准静态磁芯损耗。HDPI - NN 通过考虑磁性材料更完整的磁化机制（即磁畴壁运动、磁畴旋转和记忆效应），并利用专门的神经网络确定模型参数，实现了较高的建模精度和通用性。获取了硅钢 B35A270 和铁氧体 N87...
解读: 从阳光电源的业务视角来看，这项基于历史相关Prandtl-Ishlinskii神经网络的磁芯损耗预测技术具有重要的工程应用价值。在我司光伏逆变器和储能变流器产品中，磁性元件（如高频变压器、电感）是核心功率器件，其损耗特性直接影响系统效率和热管理设计。 该技术的核心价值在于能够准确预测复杂激励波形下...
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...
面向电力变换器物理信息机器学习的预测性维护研究综述
Toward Physics-Informed Machine-Learning-Based Predictive Maintenance for Power Converters—A Review
Youssof Fassi · Vincent Heiries · Jerome Boutet · Sebastien Boisseau · IEEE Transactions on Power Electronics · 2024年2月
本文综述了电力电子变换器预测性维护的研究进展。随着深度学习技术的快速发展，其在提升变换器性能与可靠性方面展现出巨大潜力。文章重点探讨了在数据资源、物理一致性及泛化能力等方面面临的挑战，并分析了物理信息机器学习在解决这些问题中的关键作用。
解读: 该研究对阳光电源全线产品（如PowerTitan储能系统、组串式逆变器及风电变流器）的智能化运维具有重要指导意义。通过引入物理信息机器学习（PIML），可有效解决传统数据驱动模型在极端工况下泛化能力差的问题，提升iSolarCloud平台的故障预警精度。建议研发团队将物理模型（如IGBT热模型、电容...
基于图半监督学习的光伏阵列故障检测与分类
Graph-Based Semi-supervised Learning for Fault Detection and Classification in Solar Photovoltaic Arrays
Ye Zhao · Roy Ball · Jerry Mosesian · Jean-Francois de Palma 等5人 · IEEE Transactions on Power Electronics · 2015年5月
光伏阵列故障检测对提升系统可靠性与安全性至关重要。由于光伏输出具有非线性特征，传统保护装置难以识别多种复杂故障，存在安全隐患。本文提出一种基于图半监督学习的机器学习方法，旨在填补现有光伏系统保护技术的空白，实现对光伏阵列故障的精准检测与分类。
解读: 该技术对阳光电源的iSolarCloud智能运维平台具有极高的应用价值。通过引入图半监督学习算法，可显著提升iSolarCloud在组串式及集中式逆变器层面的故障预警精度，尤其是在复杂环境下的隐蔽性故障识别。建议将此算法集成至逆变器边缘计算单元，实现从“被动保护”向“主动运维”的升级，降低运维成本，...
电力电子系统故障诊断中的数据挖掘应用：系统综述
Data Mining Applications to Fault Diagnosis in Power Electronic Systems: A Systematic Review
作者未知 · IEEE Transactions on Power Electronics · 日期未知
本文综述了电力电子系统（PES）故障诊断的研究进展，重点介绍了基于数据挖掘的技术，包括人工神经网络、机器学习和深度学习算法。文章探讨了这些先进算法在提升系统可靠性、实现早期故障检测方面的应用潜力与挑战。
解读: 该研究直接服务于阳光电源的核心可靠性战略。在光伏逆变器（如SG系列组串式逆变器）和储能系统（如PowerTitan系列）中，引入机器学习和深度学习进行故障预测与健康管理（PHM）是提升运维效率的关键。通过iSolarCloud平台集成此类算法，可实现从“被动维修”向“主动运维”的转型，有效降低电站停...
基于混合机器学习方法的PMSM驱动系统多故障检测与诊断
Fault Detection and Diagnosis for Multi‐Faults of PMSM‐Drive Systems Using a Hybrid Machine Learning Method
Hüseyin Tayyer Canseven · Evin Şahin Sadık · Merve Cömert · Abdurrahman Ünsal · IET Power Electronics · 2026年2月 · Vol.19
本文提出一种基于低频相电流信号的无侵入式PMSM驱动系统故障检测与诊断方法，聚焦逆变器功率器件相关故障。通过Clarke变换、成对特征融合与三阶段特征选择，结合随机森林、梯度提升与KNN的晚期融合模型，实现93.3%准确率和95.91%宏F1分数。
解读: 该方法可直接迁移应用于阳光电源ST系列PCS、组串式逆变器及PowerTitan储能系统的IGBT模块健康状态监测，无需额外传感器，显著降低运维成本。建议在iSolarCloud平台中集成轻量化故障诊断模型，支持逆变器早期失效预警；尤其适用于工商业光伏+储能场景中高频启停导致的功率器件退化监测。...
基于深度迁移学习技术的电动汽车动力总成系统状态监测与故障诊断综述
Deep Transfer Learning Technology-Based Condition Monitoring and Fault Diagnosis of Electric Vehicle Electric Powertrain Systems: A Review
Haoxiang Xu · Zicheng Liu · Dong Jiang · Ronghai Qu 等5人 · IEEE Transactions on Power Electronics · 2026年1月
本文综述了电动汽车动力总成（电池、电机、电力电子系统）的状态监测与故障诊断技术。针对电动汽车运行工况复杂、系统配置多样导致的诊断难题，重点探讨了深度迁移学习在提升系统可靠性与安全性方面的应用，为实现动力总成的高效运维提供了理论基础。
解读: 该技术对阳光电源的电动汽车充电桩业务及储能系统运维具有重要参考价值。深度迁移学习能有效解决不同工况下设备故障特征提取难的问题，建议将其引入iSolarCloud智能运维平台，通过迁移学习算法优化充电桩及储能PCS的故障预测模型，提升设备在复杂环境下的预警准确率。此外，该诊断思路可延伸至PowerTi...
面向标签噪声鲁棒的时序分类方法：基于自监督标签校正
Label-Noise-Resistant Time-Series Classification With Self-Supervised Label Correction
Yimeng He · Zidong Wang · Weibo Liu · Jingzhong Fang 等6人 · IEEE Transactions on Industrial Informatics · 2025年11月 · Vol.22
工业系统可靠运行依赖精准的故障分类，但历史数据常含标签噪声，导致模型性能下降。本文提出LNRTSC方法，结合注意力机制编码器、局部一致性驱动的标签置信度评估及两阶段自监督增强（重建损失+改进对比损失），在TEP和SEU-gearbox数据集上显著提升噪声标签下的分类精度。
解读: 该方法可直接赋能阳光电源iSolarCloud智能运维平台及ST系列PCS、PowerTitan储能系统的故障早期识别与分类能力，尤其适用于光伏电站逆变器异常（如MPPT失效、IGBT过热）、储能BMS误报等标签不一致场景。建议将LNRTSC嵌入边缘侧轻量化模型，部署于组串式逆变器本地AI模块或Po...
面向孤岛型网络化微电网频率恢复的数据驱动式网络韧性框架
A Data-Driven Cyber-Resilience Framework With Minimal Feature Learning for Frequency Restoration in Isolated Networked Microgrids
Subrata K. Sarker · Hamidreza Shafei · Li Li · M. J. Hossain 等5人 · IEEE Transactions on Industry Applications · 2025年10月 · Vol.62
本文提出一种基于稀疏贝叶斯学习与序贯蒙特卡洛的数据驱动框架，用于孤岛型网络化微电网（INMG）上层控制层的网络攻击协同检测与缓解，实现快速频率恢复与经济运行。在MATLAB/OPAL-RT中验证了其对多通道攻击的强鲁棒性与实时性。
解读: 该框架高度契合阳光电源PowerTitan、PowerStack等储能系统在微电网场景下的构网型（GFM）与智能协同控制需求，可增强ST系列PCS在通信受扰时的频率自主恢复能力。建议将该轻量化AI检测模块嵌入iSolarCloud平台边缘侧，提升光储柴氢多源混合微电网的网络韧性；尤其适用于海外离网项...
增强智能配电网安全性：面向虚假数据注入攻击的近端策略协同优化
Enhancing Security in Smart Distribution Networks: Proximal Policy Cooperative Optimization Against False Data Injection Attacks
Songtao Liu · Lei Xi · Hongjun Chen · IEEE Transactions on Industry Applications · 2025年10月 · Vol.62
虚假数据注入攻击（FDIA）严重威胁智能配电网稳定运行。本文将自动发电控制系统中的FDIA反制问题建模为马尔可夫决策过程，提出基于近端策略协同优化的实时反制方法，通过多策略协同探索与集中式信息共享，提升响应速度与协调性。仿真表明该方法可有效维持频率稳定与联络线功率平衡。
解读: 该研究提出的强化学习驱动的FDIA实时反制算法，可深度集成至阳光电源iSolarCloud智能运维平台及PowerTitan/ST系列储能变流器的边缘侧安全控制器中，提升其在微电网、光储融合场景下的主动防御能力。建议在新一代构网型PCS（如ST50KWH）中嵌入轻量化策略模型，结合SCADA数据流实...
用于新能源汽车电力电子系统中伺服电机预测的时序记忆增强时频建模
Temporal Memory Enhanced Time-Frequency Modeling for Servo Motor Forecasting in NEV Power Electronics Systems
Qi Zhang · Jie Li · Jinsong Bao · Dan Zhang · IEEE Transactions on Power Electronics · 预计 2026年6月
本文针对新能源汽车换电系统中的伺服电机，提出了一种时序记忆增强的时频建模方法。通过分析伺服驱动器的转矩和速度信号，实现对动态负载条件的监测，这对评估电力电子系统的可靠性及组件健康状态至关重要。
解读: 该研究提出的时频建模与时序记忆增强技术，在智能化运维领域具有重要参考价值。阳光电源的iSolarCloud智能运维平台及PowerTitan/PowerStack储能系统，均涉及大量电力电子器件的运行状态监测。该算法可优化对逆变器及PCS内部关键功率器件的健康状态评估（PHM），通过分析电流/电压信...
基于宽学习的高速列车牵引系统故障诊断增强研究
Enhanced Fault Diagnosis Using Broad Learning for Traction Systems in High-Speed Trains
Chao Cheng · Weijun Wang · Hongtian Chen · Bangcheng Zhang 等6人 · IEEE Transactions on Power Electronics · 2021年7月
高速列车牵引系统故障会威胁行车安全。针对高采样频率下的故障检测与诊断（FDD）难题，本文提出了一种基于宽学习（Broad Learning）的诊断策略，旨在提升系统的安全性和可靠性。
解读: 该文章提出的宽学习（Broad Learning）算法具有训练速度快、结构简洁的特点，在处理高频传感器数据方面表现优异。这对阳光电源的iSolarCloud智能运维平台具有重要参考价值。在光伏电站和储能系统（如PowerTitan、PowerStack）的运维中，设备运行数据量巨大且实时性要求高，引...