找到 5 条结果 · 智能化与AI应用
一种基于联邦迁移学习的电力变换器监测自适应机器学习框架
An Adaptive ML Framework for Power Converter Monitoring via Federated Transfer Learning
Panagiotis Kakosimos · Alireza Nemat Saberi · Luca Peretti · IEEE Transactions on Power Electronics · 2025年11月
本文提出了一种结合迁移学习（TL）与联邦学习（FL）的自适应机器学习框架，旨在优化电力变换器的热模型。该方法有效解决了不同运行工况下的模型适配、数据隐私保护及数据共享受限等挑战，通过分段式学习策略提升了变换器状态监测的准确性与鲁棒性。
解读: 该研究对阳光电源的智能化运维至关重要。在组串式逆变器和PowerTitan/PowerStack储能系统中，设备分布广泛且工况复杂，利用联邦学习可在不上传原始数据的前提下，实现跨电站的模型协同训练，提升故障诊断精度。迁移学习则能解决新机型或极端工况下样本稀缺的问题。建议将此框架集成至iSolarCl...
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...
多尺度协同建模与基于深度学习的风冷数据中心热预测：热管理的新视角
Multi-scale collaborative modeling and deep learning-based thermal prediction for air-cooled data centers: An innovative insight for thermal management
Ningbo Wang · Yanhua Guo · Congqi Huang · Bo Tian 等5人 · Applied Energy · 2025年1月 · Vol.377
摘要 研究数据中心（DC）的热环境及温度分布对于应对设备故障或环境变化等突发事件至关重要。然而，构建从数据中心机房级到芯片级的全尺寸仿真模型面临巨大挑战。本文提出一种独特的方法，将多尺度协同建模与深度学习技术相结合，用于风冷数据中心的热预测。通过将父模型的仿真结果作为子模型的边界条件，构建了数据中心多尺度仿真模型，显著降低了模型复杂度和计算资源消耗。利用实验数据，对不同尺度的模型分别进行了验证。研究了不同冷却策略、送风温度和送风流量对多尺度仿真模型的影响。基于参数化仿真方法，构建了用于训练数据驱...
解读: 该多尺度协同建模与深度学习热管理技术对阳光电源储能系统具有重要应用价值。ST系列PCS和PowerTitan等大型储能产品面临电池簇、模组到电芯的多层级热管理挑战,可借鉴其多尺度仿真方法降低建模复杂度。CNN-BiLSTM-Attention神经网络可集成至iSolarCloud平台,实现储能柜温度...
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...
利用深度残差机器学习估计电机温度
Estimating Electric Motor Temperatures With Deep Residual Machine Learning
Wilhelm Kirchgassner · Oliver Wallscheid · Joachim Bocker · IEEE Transactions on Power Electronics · 2021年7月
针对牵引驱动应用中电机温度监测不足的问题，本文提出一种基于深度残差学习的温度估计方法。传统热模型依赖复杂的参数选择且受几何结构和冷却动力学影响，而该数据驱动方法通过深度学习模型，在无需精确物理建模的情况下，实现了对电机内部温度的精准预测，有效提升了系统的运行安全性与设计优化能力。
解读: 该技术在电机热管理方面的应用对阳光电源的电动汽车充电桩及风电变流器业务具有参考价值。通过深度学习替代传统的复杂热网络模型，可以更精准地预测功率模块或电机在极端工况下的温度，从而优化散热设计，提升产品功率密度。建议研发团队关注该方法在iSolarCloud平台中的应用，通过挖掘设备运行数据，实现对逆变...