找到 7 条结果 · IEEE Transactions on Industry Applications
面向绿色人工智能：基于深度学习与滤波技术的商用锂离子电池健康状态估计与退化分析的节能方法
Towards Green AI: Energy-Efficient State of Health Estimation and Degradation Analysis of Commercial Lithium-Ion Batteries Based on Deep Learning and Filter Technique Approach
Deepak Kumar · Mujeeb Ahmed · Majid Jamil · M. Rizwan 等5人 · IEEE Transactions on Industry Applications · 2025年9月
大型数据集中冗余的相似数据点会增加数据集的规模、存储量、内存使用量、训练时间和计算资源需求，导致深度学习（DL）模型效率显著降低。这些低效问题会降低模型性能并增加能耗。现有的基于深度学习的锂离子电池健康状态（SOH）估计方法常常面临计算需求高、精度低和能耗高等挑战。这些模型为了获得准确的结果需要消耗大量能量，从而导致更高的电力需求和碳足迹。因此，本文提出了一种基于冗余减少方法的新型过滤技术（FT）。该方法可提高数据集的质量，即减小数据集规模、降低内存利用率并减少能耗。将这种新型过滤技术与门控循环...
解读: 该节能型电池健康状态估计技术对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。通过滤波技术减少冗余数据，可显著降低BMS系统的计算负荷和能耗，特别适用于大规模储能电站的实时健康监测。该方法可集成至iSolarCloud云平台，实现边缘侧轻量化SOH估算与云端深度分析的协...
基于多层感知机人工神经网络的频谱间谐波诊断方法
Multilayer Perceptron Artificial Neural Network-Based Solution for Interharmonics Diagnosis in Frequency Spectra
Stefan Thiago Cury Alves dos Santos · Paulo Roberto Ubaldo Guazzelli · Gaspar Henrique Martins de Oliveira · José Roberto Boffino de Almeida Monteiro · IEEE Transactions on Industry Applications · 2025年5月
由于电力电子设备、可再生能源系统及相关技术的兴起，间谐波诊断变得愈发重要。IEC 61000 - 4 - 7 对频谱中间谐波幅值的计算进行了标准化；然而，该标准在间谐波识别和频率估计方面存在不足，这导致文献中出现了一些未遵循 IEC 61000 - 4 - 7 所确立框架的替代解决方案。本研究提出了一种基于多层感知器人工神经网络的新型间谐波诊断解决方案。作为一种后处理技术，该解决方案采用了 IEC 61000 - 4 - 7 中定义的间谐波组，并通过验证测量的含噪信号频谱中间谐波的存在性以及估计...
解读: 该基于MLP神经网络的间谐波诊断技术对阳光电源多条产品线具有重要应用价值。在ST储能变流器和SG光伏逆变器中，可精准识别PWM调制、MPPT扰动及并网控制产生的间谐波成分，突破IEC 61000-4-7标准FFT方法在动态工况下的分辨率瓶颈。对于电动汽车驱动系统和充电桩产品，该方法能有效诊断电机驱动...
基于物理信息图神经网络的不平衡配电系统协同动态重构与电压调节
Physics-Informed Graph Neural Networks for Collaborative Dynamic Reconfiguration and Voltage Regulation in Unbalanced Distribution Systems
Jingtao Qin · Rui Yang · Nanpeng Yu · IEEE Transactions on Industry Applications · 2025年1月
长期以来，网络重构一直被用作一种战略手段，以最小化配电系统损耗并有效调节电压水平。有载调压变压器对于控制母线电压也至关重要，特别是在应对具有间歇性输出的分布式能源资源（DER）日益增加的接入时。本文提出了新的方法，以应对不平衡三相配电系统中的动态重构和最优分接头设置挑战。我们提出了一个近似的混合整数二次约束规划（MIQCP）来对动态重构进行建模，并基于第一类特殊有序集（SOS1）首次提出了电压调节器（VR）分接头设置的公式。为了降低计算复杂度，我们提出了一种结合链路分类器的基于物理信息的时空图卷...
解读: 该物理信息图神经网络技术对阳光电源配电侧产品具有重要应用价值。在ST储能系统中，可实现多台储能变流器协同优化拓扑与电压调控，应对三相不平衡场景下的快速功率响应；在光储充一体化微网方案中，结合SG逆变器与充电桩的分布式接入，通过动态重构算法优化潮流分布，降低网损并改善电压质量。该方法融合物理约束的深度...
基于增量贝叶斯随机配置网络的漂移环境概率风力预测
Probabilistic Wind Power Prediction Using Incremental Bayesian Stochastic Configuration Network Under Concept Drift Environment
Jizhong Zhu · Le Zhang · Di Zhang · Yixi Chen · IEEE Transactions on Industry Applications · 2024年9月
传统数据驱动的概率风力预测方法通常假设外部环境静态不变，而实际工业数据常受概念漂移影响，导致模型性能下降。为此，本文提出一种增量贝叶斯随机配置网络方法。该方法利用无需迭代的轻量级随机权值神经网络SCN建模变量与目标间的潜在关系，并结合贝叶斯推断更新输出层参数，构建概率预测模型BSCN。通过最大均值差异与连续排序概率评分检测虚拟与真实漂移，以真实漂移触发BSCN的增量学习，并设计特定更新策略实现模型自适应。实验表明，该方法在动态漂移环境中能持续学习新模式且不遗忘旧知识，显著提升预测精度。
解读: 该增量贝叶斯预测方法对阳光电源风电和储能产品线具有重要应用价值。首先可用于ST系列储能变流器的功率预测与调度优化，提升储能系统对风电波动的平抑效果。其次可集成到iSolarCloud平台，通过实时漂移检测和自适应学习提高风电场发电预测准确度，优化PowerTitan储能系统的调度策略。该方法的轻量级...
面向多方风电功率预测的隐私保护自适应联邦深度学习
Privacy-Preserving and Adaptive Federated Deep Learning for Multiparty Wind Power Forecasting
Yi Wang · Qinglai Guo · IEEE Transactions on Industry Applications · 2024年7月
先进的预测工具对于现代电力系统减轻可再生能源的不确定性至关重要。尽管数据驱动的方法在风电预测方面取得了显著进展，但数据可用性有限阻碍了其有效性。严格的数据监管规则和竞争利益使得相邻风电场无法整合数据集以学习更准确的预测模型。为应对这一挑战，我们提出了 SecFedAProx - LSTM，这是一种结合深度学习模型和隐私保护自适应联邦学习框架的新型风电预测方法。该方法动态调整局部优化目标，以在全局收敛性能和探索个体特征之间取得平衡，从而解决统计异质性问题。此外，它采用去中心化多客户端功能加密进行安...
解读: 从阳光电源的业务视角来看，本文提出的隐私保护自适应联邦学习风电预测方法具有重要的战略参考价值。虽然研究聚焦于风电场景，但其核心技术框架可直接迁移至光伏功率预测、储能系统优化及多能源协同管理等阳光电源的核心业务领域。 该技术的核心价值在于突破了数据孤岛困境。当前阳光电源在全球部署了大量光伏电站和储能...
基于卷积神经网络的功率器件结温监测
Junction Temperature Monitoring of Power Devices Using Convolutional Neural Networks
Zhiliang Xu · Huimin Wang · Xinglai Ge · Yichi Zhang 等6人 · IEEE Transactions on Industry Applications · 2025年3月
基于温度敏感电参数（TSEP）的方法能够实现功率器件结温的精确监测（JTM）。然而，大多数温度敏感电参数易受负载电流和器件老化的影响而产生误差，从而降低了结温监测的准确性。为解决这一问题，本文提出了一种基于卷积神经网络（CNN）模型的结温监测方法，以应对这两个因素带来的不利影响。在该方法中，选择开通集电极电流（$I_{C}$）作为温度敏感电参数，并通过数学模型深入分析了开通集电极电流的温度特性。此外，通过大量双脉冲测试全面研究了开通集电极电流的参数相关性。考虑到实际中负载电流影响显著且频繁变化的...
解读: 该CNN结温监测技术对阳光电源功率器件热管理具有重要应用价值。可直接应用于ST系列储能变流器和SG系列光伏逆变器的SiC/GaN功率模块，通过实时监测IGBT/MOSFET结温实现预测性维护。相比传统TSEP方法，CNN自动特征提取克服了非线性补偿难题，无需额外传感电路即可从开关波形获取温度信息，适...
基于深度学习初始化与同伦延拓的牛顿-拉夫逊交流潮流收敛
Newton-Raphson AC Power Flow Convergence Based on Deep Learning Initialization and Homotopy Continuation
Samuel N. Okhuegbe · Adedasola A. Ademola · Yilu Liu · IEEE Transactions on Industry Applications · 2024年12月
潮流计算是许多电力系统研究的基础。随着可再生能源渗透率的提高，电网规划者倾向于在各种运行条件下进行多次潮流模拟，而不仅仅是在高峰或轻载条件下选取特定时刻进行模拟。对于电网规划者而言，尤其是在大型电网中，使交流潮流（ACPF）计算收敛仍是一项重大挑战。本文提出了一种两阶段方法来提高牛顿 - 拉夫逊交流潮流计算的收敛性，并将其应用于拥有6102个母线的得克萨斯州电力可靠性委员会（ERCOT）系统。第一阶段采用基于深度学习的初始化方法并进行数据再训练。在此阶段，开发了一个深度神经网络（DNN）初始化器...
解读: 从阳光电源的业务视角来看，这项基于深度学习和同伦延拓法改进牛顿-拉夫逊潮流计算收敛性的研究具有重要的战略价值。随着公司光伏逆变器和储能系统在全球电网中的渗透率持续提升，电网规划面临的潮流计算挑战日益严峻，这项技术为解决大规模新能源并网场景下的电网仿真难题提供了创新思路。 该研究在6102节点的ER...