Sukanta Roy · Milad Behnamfar · Anjan Debnath · Arif Sarwat · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2024年11月

在商业应用中，DC/DC变换器的运行状态显著影响系统整体性能与长期可靠性。本文提出一种数据驱动的数字孪生方法，用于估计稳态下DC/DC降压变换器关键退化参数。首先，利用离线粒子群优化算法对电路级数字模型进行校准，并通过平均模型验证其稳态响应。随后，在模型中引入电感、电容及MOSFET的退化特性，生成大规模数据集，用于训练和验证随机森林机器学习模型。实验结果表明，该方法回归精度高，决定系数达0.99978，均方根误差低至4.2×10⁻⁶，并在中等功率硬件原型上验证了不同负载及MOSFET导通电阻退...

解读: 该数据驱动数字孪生技术对阳光电源ST系列储能变流器及SG光伏逆变器的DC/DC变换模块具有重要应用价值。通过随机森林模型非侵入式识别电感、电容及MOSFET导通电阻退化（R²=0.99978），可集成至iSolarCloud平台实现预测性维护，提前预警功率器件老化。该方法特别适用于工商业储能系统中B...