找到 2 条结果 · IEEE Journal of Emerging and Selected Topics in Power Electronics
基于分相角分析的两级光伏并网系统建模与稳定性分析
Modeling and Stability Analysis of Two-stage Photovoltaic Grid-connected System Based on Phase-by-phase Angle Analysis
Ronglong Wang · Fan Xie · Bo Zhang · Dongyuan Qiu 等5人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年8月
级联DC-DC变换器与DC-AC逆变器系统（CDCACS）广泛应用于可再生能源并网系统，其稳定性是系统可靠运行的基础。现有阻抗或平均模型难以分析倍周期分岔等复杂非线性行为，而离散时间映射（DTM）模型虽可实现，但难以适用于不同开关频率的级联系统且建模复杂。此外，CDCACS状态方程时变且无传统平衡点，无法直接应用Lyapunov间接法分析稳定性。为此，本文提出基于分相角分析（PAA）的逆变器离散时间映射模型（ACDTM），将时变系统转化为时不变系统，显著降低建模复杂度，并能准确预测系统倍周期分岔...
解读: 该分相角离散时间映射建模方法对阳光电源SG系列光伏逆变器和ST储能变流器的稳定性设计具有重要价值。针对两级拓扑（Boost+逆变器）系统，该方法可精确预测倍周期分岔等非线性失稳现象，突破传统阻抗分析局限。可直接应用于：1）SG250HX等大功率组串逆变器的DC-DC与逆变级联控制参数优化；2）Pow...
协同分布对齐神经网络用于高性能变流器故障定位
Synergetic Distribution Align Neural Network for High-Performance Power Converters Fault Location
Wu Fan · Qiu Gen · Zhang Gang · Sheng Hanming 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年4月
基于深度学习的数据驱动方法在变流器故障诊断中表现优异，但普遍存在依赖故障样本、精度与鲁棒性不足的问题，限制了其在工业系统中的应用。本文提出一种小样本学习理论，通过共享特征提取器实现严格的跨域特征分布对齐，以同时获取域不变性与故障判别性特征，从而提升诊断性能。基于该理论，设计了一种具有嵌入式结构和参数分离训练机制的渐近特征分布对齐神经网络。该结构通过多层渐近特征约束实现严格分布对齐，并结合渐近损失函数提升训练稳定性。在多种变流器上的实验表明，即使在零样本条件下，该方法仍能准确识别多个开路故障位置，...
解读: 该协同分布对齐神经网络技术对阳光电源ST系列储能变流器和SG系列光伏逆变器的智能运维具有重要应用价值。其零样本/小样本学习能力可解决工业现场故障数据稀缺问题，直接应用于iSolarCloud云平台的预测性维护模块。针对IGBT/SiC功率模块开路故障的精准定位能力，可显著提升PowerTitan大型...