找到 14 条结果 · 智能化与AI应用
电力电子数字孪生技术综述：现状与未来趋势
An Overview of Digital Twin Technology for Power Electronics: State-of-the-Art and Future Trends
Chenhao Wu · Zhexin Cui · Qian Xia · Jiguang Yue 等5人 · IEEE Transactions on Power Electronics · 2025年9月
本文综述了数字孪生（DT）技术在电力电子系统中的应用现状。随着数字化转型加速，DT技术成为提升系统信息化与智能化水平的关键，涵盖了从建模、实时监测到故障预测的多种前沿技术，为电力电子系统的全生命周期管理提供了新范式。
解读: 数字孪生技术是阳光电源实现产品全生命周期智能运维的核心。在iSolarCloud平台中，引入数字孪生可实现组串式逆变器和PowerTitan储能系统的实时状态镜像，通过多物理场耦合仿真，精准预测功率模块及电芯的健康状态（SOH）。建议在PowerStack储能系统及大型光伏电站中部署基于DT的故障诊...
基于(Sr,Ca)ZrO3-Sr0.75Bi0.167TiO3陶瓷的U2J介质材料的制备与介电性能
Fabrication and dielectric properties of U2J dielectrics based on (Sr,Ca)ZrO3-Sr0.75Bi0.167TiO3 ceramics
Paraelectric U2J dielectrics have great potential for use in power electronics. In this work · Journal of Materials Science: Materials in Electronics · 2025年7月 · Vol.36.0
顺电型U2J介质材料在电力电子领域具有广阔的应用前景。本研究系统地探讨了(1-x)Sr0.75Bi0.167TiO3-x(SryCa1-y)ZrO3陶瓷体系U2J介质材料的制备工艺及其介电性能。当x = 0.2–0.5时，(1-x)Sr0.75Bi0.167TiO3-xCaZrO3陶瓷中存在杂相；在0.5Sr0.75Bi0.167TiO3-0.5(SryCa1-y)ZrO3体系中，随着Sr含量的增加，杂相含量逐渐降低。当x = 0.5且y = 0.2时，材料表现出最优的介电性能，满足U2J介质的...
解读: 该U2J介电陶瓷技术对阳光电源功率电子产品具有重要应用价值。其高介电常数(124.5)、低损耗(<0.001)和优异温度稳定性(-683ppm/°C)特性,可显著提升ST系列PCS和SG逆变器中直流母线电容、滤波电容的性能密度。1240°C低温烧结工艺支持铜电极应用,有助于降低成本。该材料的温度补偿...
电力电子中的数字孪生：增强虚拟热感知的综合方法
Digital Twins in Power Electronics: A Comprehensive Approach to Enhance Virtual Thermal Sensing
R. Torchio · F. Conte · M. Scarpa · M. Filippini 等11人 · IEEE Transactions on Power Electronics · 2025年5月
传统材料研究与硬件设计已难以满足现代电力电子运维需求。过度设计与冗余数据采集导致成本高昂。本文提出数字孪生（DT）技术，通过物理系统的实时仿真模型，为电力电子设备提供虚拟热感知能力，旨在优化运维效率并降低成本。
解读: 该技术对阳光电源的iSolarCloud智能运维平台及全系列产品（如PowerTitan储能系统、组串式逆变器）具有重大价值。通过引入数字孪生与虚拟热感知，可实现对功率模块内部温度的实时精准监测，替代昂贵的物理传感器，从而降低硬件成本并提升系统可靠性。建议在PowerTitan等核心储能产品中集成此...
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...
PE-GPT：电力电子设计的新范式
PE-GPT: A New Paradigm for Power Electronics Design
Fanfan Lin · Xinze Li · Weihao Lei · Juan J. Rodriguez-Andina 等6人 · IEEE Transactions on Industrial Electronics · 2024年10月
大型语言模型（LLM）在推动众多行业发展方面展现出了令人振奋的潜力，但由于缺乏专业的电力电子（PE）技术知识以及处理特定电力电子数据时面临的挑战，其在电力电子领域的应用受到了阻碍。本研究提出了一种开创性的方法，用于构建专门针对电力电子设计应用的多模态大型语言模型，名为 PE - GPT。该方法包括利用从电力电子知识库中进行检索增强生成来强化 PE - GPT，并提出了一个混合框架，将大型语言模型代理与元启发式算法、模型库和仿真库相结合。这增强了其多模态处理能力，并使其能够融入现有的设计工作流程。...
解读: 从阳光电源的业务视角来看，PE-GPT代表了电力电子设计范式的重要突破，对公司光伏逆变器、储能变流器等核心产品的研发具有战略意义。该技术通过多模态大语言模型与元启发式算法、仿真库的深度融合，能够显著提升电力电子设计的效率和准确性，在双有源桥（DAB）变换器调制策略和Buck变换器参数设计中已展现出比...
电力电子中人工智能应用综述
An Overview of Artificial Intelligence Applications for Power Electronics
Shuai Zhao · Frede Blaabjerg · Huai Wang · IEEE Transactions on Power Electronics · 2021年4月
本文概述了人工智能在电力电子系统中的应用，涵盖设计、控制和维护三个生命周期阶段。探讨了优化、分类、回归及数据结构探索等AI任务，并分析了四类AI技术在电力电子领域的应用潜力与挑战。
解读: AI技术是阳光电源实现产品智能化升级的核心驱动力。在设计阶段，AI可用于优化逆变器和PCS的拓扑参数，缩短研发周期；在控制层面，利用机器学习优化PWM策略或实现构网型控制，能显著提升系统在弱电网下的稳定性；在运维阶段，结合iSolarCloud平台，通过AI算法对组串式逆变器及PowerTitan储...
基于多层长短期记忆网络的光伏电站数据完整性攻击检测与诊断
Detection and Diagnosis of Data Integrity Attacks in Solar Farms Based on Multilayer Long Short-Term Memory Network
Fangyu Li · Qi Li · Jinan Zhang · Jiabao Kou 等7人 · IEEE Transactions on Power Electronics · 2021年3月
随着光伏系统数字化程度提高，网络安全威胁日益严峻。本文提出一种基于深度序列学习的诊断方案，利用多层长短期记忆网络（LSTM）检测并识别光伏电站中的数据完整性攻击，为电力电子变换器的网络物理安全提供有效防护。
解读: 随着阳光电源iSolarCloud平台接入规模的扩大，电站数据安全已成为运维核心。该研究提出的多层LSTM诊断模型可直接集成至iSolarCloud的智能运维算法库中，用于实时监测组串式逆变器及PowerTitan储能系统的遥测数据异常。通过识别数据完整性攻击，可有效防止恶意指令导致的逆变器误动作或...
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...
人工智能在电力电子系统高频磁性元件设计中的应用综述
Artificial Intelligence Applications in High-Frequency Magnetic Components Design for Power Electronics Systems: An Overview
Xiaobing Shen · Yu Zuo · Jiaze Kong · Wilmar Martinez · IEEE Transactions on Power Electronics · 2024年7月
本文综述了人工智能（AI）在电力电子高频磁性元件（电感与变压器）设计中的应用，涵盖专家系统、模糊逻辑、元启发式算法及机器学习四大类。文章重点探讨了AI模型在损耗估计、参数优化及设计自动化方面的应用，旨在提升高频电力电子系统的设计效率与性能。
解读: 磁性元件（电感、变压器）是阳光电源组串式逆变器、PowerTitan储能变流器及充电桩的核心功率密度瓶颈。引入AI辅助设计可显著缩短高频磁性元件的研发周期，优化损耗模型，助力提升产品功率密度。建议研发团队利用机器学习算法替代传统的繁琐有限元仿真，在PowerTitan等大功率储能产品中实现磁性元件的...
基于物理信息样条学习的电力电子最小数据网络安全研究
Cybersecurity in Power Electronics Using Minimal Data – A Physics-Informed Spline Learning Approach
V. S. Bharath Kurukuru · Mohammed Ali Khan · Subham Sahoo · IEEE Transactions on Power Electronics · 2022年11月
针对网络攻击伪造电网故障导致并网变换器误脱网的问题，本文提出一种基于物理信息样条学习的异常诊断机制。该方法首次在电力电子领域实现利用极少量数据准确区分网络攻击与真实电网故障，有效提升了系统的安全性与鲁棒性。
解读: 该技术对阳光电源的组串式逆变器及PowerTitan/PowerStack储能系统具有重要参考价值。随着全球电网数字化程度提升，逆变器面临的网络安全威胁日益严峻。该研究提出的“物理信息+机器学习”诊断模型，能有效解决传统基于数据驱动模型在小样本下泛化能力差的问题，可集成至iSolarCloud平台，...
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...
一种用于检测光伏电站虚假数据注入攻击的联邦学习框架
A Federated Learning Framework for Detecting False Data Injection Attacks in Solar Farms
Liang Zhao · Jiaming Li · Qi Li · Fangyu Li · IEEE Transactions on Power Electronics · 2022年3月
随着光伏系统接入智能电网，网络安全威胁日益严峻。基于数据驱动的机器学习方法在电力电子设备攻击检测中表现优异，但集中式处理存在效率瓶颈。本文提出一种联邦学习框架，在保护数据隐私的同时，实现对光伏电站虚假数据注入攻击的有效检测，提升了系统的安全性与鲁棒性。
解读: 该研究对于阳光电源的iSolarCloud智能运维平台具有重要参考价值。随着光伏电站规模扩大，数据隐私与网络安全成为运维痛点，联邦学习技术可实现分布式模型训练，在不上传原始电站数据的前提下提升逆变器及储能系统的故障诊断与安全防御能力。建议将此框架集成至PowerTitan等大型储能系统及组串式逆变器...
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...