找到 6 条结果 · IEEE Access
多目标集成电路物理布局优化的分层深度强化学习及拥塞感知奖励塑造
Hierarchical Deep Reinforcement Learning for Multi-Objective Integrated Circuit Physical Layout Optimization With Congestion-Aware Reward Shaping
Haijian Zhang · Yao Ge · Xiuyuan Zhao · Jiyuan Wang · IEEE Access · 2025年9月
随着半导体技术向先进节点演进,集成电路物理布局优化面临关键挑战,传统EDA工具难以同时优化布线拥塞、功耗和时序等多个冲突目标。本文提出一种新型分层深度强化学习框架,采用拥塞感知奖励塑造机制动态平衡探索与利用。
解读: 该深度强化学习优化技术可直接应用于阳光电源SiC功率模块的芯片布局设计。通过多目标优化框架同时优化功率密度、热分布和可靠性,为ST系列储能变流器的新一代高功率密度芯片设计提供AI辅助工具。...
基于神经网络模仿学习的随机电池管理系统近似
Neural Network-Based Imitation Learning for Approximating Stochastic Battery Management Systems
Andrea Pozzi · Alessandro Incremona · Daniele Toti · IEEE Access · 2025年4月
锂离子电池在电动汽车中发挥关键作用，但优化充电过程以提升电池寿命、安全性和效率仍是重大挑战。传统预测控制方法依赖精确模型，受老化、生产变异和运行条件导致的参数不确定性限制。随机预测控制策略可通过将不确定性纳入优化过程解决该问题，但引入大量计算复杂性。本文提出新型方法，通过模仿学习高效近似随机预测控制策略，通过离线训练显著降低计算负担。该方法利用Dataset Aggregation算法克服分布偏移问题。基于详细电化学模型的仿真验证方法有效性，遵守概率约束，为先进电池管理系统提供可扩展且计算高效的...
解读: 该随机电池管理优化技术对阳光电源新能源汽车电驱控产品线有重要价值。阳光车载OBC和BMS面临电池参数不确定性和复杂工况的挑战。模仿学习方法可将高计算复杂度的随机优化控制策略离线训练为轻量化神经网络模型，部署到阳光嵌入式BMS硬件中。该技术可提升阳光BMS在不确定条件下的充电优化性能，延长电池寿命，提...
梯度提升特征选择用于串补输电线路集成故障诊断
Gradient Boosting Feature Selection for Integrated Fault Diagnosis in Series-Compensated Transmission Lines
Rab Nawaz · Abdul Wadood · Khawaja Khalid Mehmood · Syed Basit Ali Bukhari 等6人 · IEEE Access · 2025年4月
串补输电线路是现代电网的组成部分，增强系统可靠性和稳定性。然而，它们引入电压反转、谐波失真和非线性动态等挑战，使当代电力系统故障诊断复杂化。本研究引入创新方法分析故障信号波形，利用互联网和传感器技术进步提供时间序列形式的大量电压和电流数据。通过优化从特征提取到模型学习的每个数据处理阶段，所提系统有效解决故障检测、分类和定位作为多分类问题。特征提取与高效梯度提升特征选择集成确保高准确度、速度和计算效率，优于需要大量预处理的技术。该方法使用四种集成分类器实施：自适应提升AB、轻量梯度提升机LGBM、...
解读: 该故障诊断技术对阳光电源光伏储能系统智能运维具有重要价值。阳光大型地面电站和集中式储能站需要快速准确的故障检测和定位。该研究的梯度提升特征选择和多分类模型可集成到阳光iSolarCloud平台，实现电站级故障智能诊断。在输电线路并网场景下，阳光储能系统需要识别电网侧故障并快速响应。该RF和XGB算法...
一种基于优化YOLOv8的单阶段光伏组件缺陷检测方法
A Single-Stage Photovoltaic Module Defect Detection Method Based on Optimized YOLOv8
Yihong Gao · Chengxin Pang · Xinhua Zeng · Pengyi Jiang · IEEE Access · 2025年2月
针对光伏组件缺陷检测中微小缺陷特征易丢失、计算复杂度高及边缘设备部署困难等问题，提出一种基于YOLOv8的单阶段检测模型PSA-PVdetector（PSA-det）。该模型引入部分空间注意力（PSA）机制，结合部分卷积与空间注意力，优化特征提取并降低计算开销；设计多通道特征融合（MCFF）检测头，提升小目标缺陷的定位精度；采用结合边界框形状信息的ShapeIoU作为回归损失，增强缺陷定位准确性。实验表明，PSA-det在Panel-2和Solar数据集上mAP50分别达到87.2%和72.0%...
解读: 该优化YOLOv8缺陷检测技术对阳光电源智能运维体系具有重要应用价值。PSA-det模型的2.6ms低延迟推理能力可直接部署于iSolarCloud云平台的边缘计算节点，实现SG系列光伏逆变器组件的实时缺陷诊断。其87.2%的高精度微小缺陷识别能力可增强预测性维护功能，提前发现热斑、隐裂等故障隐患，...
基于竞争深度Q网络的移动边缘计算部分卸载与资源分配深度强化学习
Deep Reinforcement Learning With Dueling DQN for Partial Computation Offloading
Ehzaz Mustafa · Junaid Shuja · Faisal Rehman · Abdallah Namoun 等6人 · IEEE Access · 2025年5月
计算卸载将IoT设备资源密集型任务转移到强大边缘服务器，最小化延迟并降低计算负载。深度强化学习广泛用于优化卸载决策，但现有研究存在两大不足：未全面优化状态空间，且Q学习和DQN在大动作空间中难以辨别最优动作。本文提出多分支竞争深度Q网络MBDDQN，解决高维状态-动作空间和动态环境长期成本优化挑战。竞争DQN缓解同步卸载和资源分配决策复杂性，每个分支独立控制决策变量子集，随IoT设备增加高效扩展，避免组合爆炸。实施LSTM网络和独特优势-价值层增强短期动作选择和长期成本估计，提升模型时序学习能力...
解读: 该多分支强化学习技术可应用于阳光电源储能系统的智能调度优化。阳光ST储能变流器在电网侧和工商业场景面临多目标优化挑战，需同时考虑能耗、响应延迟和功率分配。该MBDDQN算法的自适应权重机制可集成到阳光EMS能量管理系统，实现储能系统在削峰填谷、调频调峰和需求响应等多场景下的动态优化。结合阳光iSol...
基于改进GMM分割和DenseNet的遥感识别新方法
A Novel Remote Sensing Recognition Using Modified GMM Segmentation and DenseNet
Muhammad Waqas Ahmed · Moneerah Alotaibi · Sultan Refa Alotaibi · Dina Abdulaziz Alhammadi 等6人 · IEEE Access · 2025年1月
航空图像准确分类是遥感关键任务，应用范围从土地覆盖制图、城市规划到灾害响应和环境监测。然而，标记数据有限、固有数据复杂性和高计算需求等挑战常阻碍传统方法性能。为应对这些挑战，我们提出创新框架，结合先进分割技术、多样化特征提取方法、优化算法和深度学习。我们方法始于新颖图割优化模糊GMM分割GC-GMM，确保精确目标识别和边界描绘。采用方位角平均特征提取、Haar小波变换和最大稳定极值区域MSER捕获涵盖纹理、频率和形状信息的丰富特征集。使用粒子群优化PSO融合和精炼这些特征，创建鲁棒信息表示。利用...
解读: 该遥感识别技术对阳光电源光伏电站监测和管理具有重要应用。阳光管理全球数百GW光伏电站，需要高效的遥感图像分析能力。该研究的分割和特征提取方法可应用于阳光iSolarCloud平台的卫星图像分析，自动识别光伏组件、阴影遮挡和环境变化。在大型地面电站中，该DenseNet分类器可实现电站区域规划、土地利...