找到 5 条结果 · 智能化与AI应用
基于物理增强分层神经网络的电力变换器深度学习建模
Deep Learning-Based Modeling for Power Converters via Physics-Enhanced Hierarchical Neural Network
Qianyi Shang · Fei Xiao · Yaxiang Fan · Ruitian Wang 等5人 · IEEE Transactions on Power Electronics · 2026年4月
针对电力变换器时间序列建模中数据依赖性高、物理信息神经网络计算需求大及泛化能力差的问题，本文提出了一种物理增强的分层神经网络方法，旨在提升变换器建模的效率与精度，为电力电子系统的智能化建模提供新思路。
解读: 该技术对阳光电源的核心产品线具有显著价值。在光伏逆变器和PowerTitan/PowerStack储能变流器（PCS）的研发中，传统的物理建模在复杂工况下计算量大，而纯数据驱动模型缺乏物理约束。该物理增强分层神经网络能有效结合物理规律与AI算法，提升逆变器在电网波动、极端环境下的动态响应预测精度。建...
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...
结合元学习与CNN-LSTM算法的锂离子电池健康状态估计
Combined Meta-Learning With CNN-LSTM Algorithms for State-of-Health Estimation of Lithium-Ion Battery
Tiancheng Ouyang · Yingying Su · Chengchao Wang · Song Jin · IEEE Transactions on Power Electronics · 2024年8月
针对锂离子电池实际运行工况复杂导致健康状态（SOH）估计泛化能力差的问题，本文提出了一种结合元学习与CNN-LSTM的SOH估计方法。该方法通过元学习框架提升模型在不同工况下的适应性，有效解决了传统深度学习模型对大规模数据依赖及泛化性不足的难题。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统至关重要。目前BMS在全生命周期SOH预测上存在精度与泛化性的平衡难题，元学习算法能显著提升系统在不同环境温度、充放电倍率下的电池寿命评估准确度。建议将此算法集成至iSolarCloud智能运维平台，通过云端大数据训练与边缘侧BM...
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...
基于贝叶斯优化残差CNN的永磁同步电机匝间短路故障估计
On Bayesian Optimization-Based Residual CNN for Estimation of Inter-Turn Short Circuit Fault in PMSM
Qiang Song · Mingsheng Wang · Wuxuan Lai · Sifang Zhao · IEEE Transactions on Power Electronics · 2023年2月
本文提出了一种基于贝叶斯优化（BO）的残差卷积神经网络（CNN）算法，用于永磁同步电机（PMSM）匝间短路（ITSC）故障的早期诊断。该方法通过优化CNN结构提升了故障特征提取能力，有效解决了传统CNN在电机故障诊断中应用面临的挑战，提高了电机运行的安全性与可靠性。
解读: 该技术主要针对电机驱动系统的故障诊断，与阳光电源的风电变流器及电动汽车充电桩业务具有一定的技术关联性。虽然阳光电源目前核心业务侧重于电力电子变换，但随着风电变流器向高可靠性、智能化运维方向发展，引入基于深度学习的故障预测与健康管理（PHM）技术是提升产品竞争力的关键。建议研发团队关注该算法在变流器功...