找到 10 条结果 · IEEE Transactions on Power Electronics
基于细粒度子域对齐和特征分组的锂离子电池跨域SOH估计：一种Patch时间序列CNN-Transformer网络
Fine-Grained Subdomain Alignment and Feature Grouping-Based Cross-Domain SOH Estimation for Lithium-Ion Batteries Using a Patch Time Series CNN-Transformer Network
Xuanang Gui · Shu Zhang · Yuheng Cheng · Qianlong Wang 等7人 · IEEE Transactions on Power Electronics · 预计 2026年5月
针对锂离子电池健康状态（SOH）估计在跨域场景下因数据分布差异和标签数据不足导致性能下降的问题，本文提出了一种基于模糊聚类子域自适应的Patch时间序列CNN-Transformer网络。该方法通过细粒度子域对齐和特征分组策略，有效提升了跨域场景下的SOH估计精度与鲁棒性。
解读: 该研究直接服务于阳光电源储能业务的核心痛点。在PowerTitan和PowerStack等大型储能系统中，电池全生命周期的SOH精准估计是保障系统安全与收益的关键。该算法通过Patch时间序列与Transformer架构，能更高效地处理BMS采集的复杂工况数据，解决不同批次电池或不同应用场景（如调峰...
基于白噪声注入数据增强的三电平NPC逆变器鲁棒开路故障诊断
Robust Open-Switch Fault Diagnosis of Three-Level NPC Inverters Based on Data Augmentation With White Noise Injection
Jiwon Jung · Dyan Puspita Apsari · Dong-Choon Lee · IEEE Transactions on Power Electronics · 2025年2月
本文提出了一种基于一维卷积神经网络（1-D CNN）的三电平中点钳位（NPC）逆变器实时故障诊断方法。通过在仿真数据中引入白噪声进行数据增强，显著提升了深度学习模型的泛化能力，确保诊断模型在未训练工况下仍具备高鲁棒性。
解读: 该技术对阳光电源的核心产品线（如组串式逆变器、集中式逆变器及储能PCS）具有极高价值。三电平NPC拓扑广泛应用于阳光电源的高功率密度产品中，故障诊断的实时性与鲁棒性直接关系到设备的可靠性与运维成本。通过引入数据增强技术，可有效解决深度学习模型在复杂电网环境下泛化能力不足的问题，提升iSolarClo...
基于小波变换与卷积神经网络的电容参数估计
Capacitor Parameter Estimation Based on Wavelet Transform and Convolution Neural Network
Hongjian Xia · Yi Zhang · Minyou Chen · Dan Luo 等6人 · IEEE Transactions on Power Electronics · 2024年11月
本文提出了一种基于小波变换和卷积神经网络（CNN）的电容参数估计方法。通过利用小波变换和带通滤波器的非理想特性，高分辨率地提取电容电压中的低频和中频特征，并利用CNN网络实现参数的精确估计。
解读: 电容是光伏逆变器和储能变流器（PCS）中寿命最薄弱的元器件之一，其老化状态直接影响设备的可靠性。该技术通过深度学习实现电容参数的在线监测，可直接集成于iSolarCloud智能运维平台，实现对组串式逆变器、PowerTitan及PowerStack储能系统内部直流母线电容的健康状态（SOH）预警。建...
基于白噪声注入数据增强的三电平NPC逆变器开路故障鲁棒诊断方法
Robust Open-Switch Fault Diagnosis of Three-Level NPC Inverters Based on Data Augmentation With White Noise Injection
Jiwon Jung · Dyan Puspita Apsari · Dong-Choon Lee · IEEE Transactions on Power Electronics · 2024年10月
本文提出了一种基于一维（1-D）卷积神经网络（CNN）的三电平中性点钳位逆变器实时故障诊断新方法。该方法将数据增强技术应用于仿真数据，提升了深度学习模型的泛化能力。这使得故障诊断模型即使在未经训练的系统条件下也具有较高的鲁棒性。在这种情况下，应用采用数据增强的一维卷积神经网络模型的性能优于未加入白噪声的相同模型，准确率最高可提高1.71%。此外，与使用实验数据训练的深度学习模型相比，使用经过数据增强的仿真数据训练的深度学习模型表现更佳。所提出的方法已通过离线测试仿真和实时深度学习算法实验得到验证...
解读: 从阳光电源的业务视角来看，这项基于一维卷积神经网络的三电平NPC逆变器开路故障诊断技术具有重要的战略价值。三电平NPC拓扑结构是我司大功率光伏逆变器和储能变流器的核心技术架构，该诊断方法直接契合我们在1500V及以上系统、集中式逆变器和大型储能PCS产品线的技术需求。 该技术的核心创新在于通过白噪...
结合元学习与CNN-LSTM算法的锂离子电池健康状态估计
Combined Meta-Learning With CNN-LSTM Algorithms for State-of-Health Estimation of Lithium-Ion Battery
Tiancheng Ouyang · Yingying Su · Chengchao Wang · Song Jin · IEEE Transactions on Power Electronics · 2024年8月
针对锂离子电池实际运行工况复杂导致健康状态（SOH）估计泛化能力差的问题，本文提出了一种结合元学习与CNN-LSTM的SOH估计方法。该方法通过元学习框架提升模型在不同工况下的适应性，有效解决了传统深度学习模型对大规模数据依赖及泛化性不足的难题。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统至关重要。目前BMS在全生命周期SOH预测上存在精度与泛化性的平衡难题，元学习算法能显著提升系统在不同环境温度、充放电倍率下的电池寿命评估准确度。建议将此算法集成至iSolarCloud智能运维平台，通过云端大数据训练与边缘侧BM...
基于边缘侧轻量化二维CNN的ANPC逆变器在线开路故障诊断
Online Open-Circuit Fault Diagnosis for ANPC Inverters Using Edge-Based Lightweight Two-Dimensional CNN
Chunxing Yao · Shuai Xu · Guanzhou Ren · Sijia Wu 等7人 · IEEE Transactions on Power Electronics · 2024年4月
针对多电平逆变器故障诊断多为离线处理的问题，本文提出了一种用于三电平有源中点钳位（3L-ANPC）逆变器开路故障的在线诊断策略。通过将训练好的轻量化二维卷积神经网络（CNN）部署在边缘计算板上，实现了对逆变器故障的实时、精准检测，提升了电力电子系统的可靠性。
解读: 该技术对阳光电源的核心产品线（如大功率组串式逆变器及集中式逆变器）具有极高的应用价值。ANPC拓扑常用于高压大功率光伏逆变器中，通过边缘侧轻量化CNN实现故障诊断，可显著提升iSolarCloud智能运维平台的故障预警能力，缩短运维响应时间。建议研发团队将此算法模型集成至逆变器的主控DSP或边缘网关...
基于CNN的模块化多电平变换器开路故障检测与定位的鲁棒谐波特征提取
CNN-Based Robust Harmonic Feature Extraction for Open-Circuit Fault Detection and Localization in Modular Multilevel Converters
Dihong Huang · Zhipeng Zhou · Ningyi Dai · IEEE Transactions on Power Electronics · 2025年12月
本文提出了一种基于卷积神经网络（CNN）的模块化多电平变换器（MMC）开路故障检测与定位方法。该方法不采用端到端分类，而是将CNN作为物理信息特征提取器，通过鲁棒估计开关频率来增强基础理论模型，从而实现对子模块（SM）故障的精确识别。
解读: 该技术对阳光电源的集中式逆变器及大型储能系统（如PowerTitan系列）具有重要参考价值。随着大功率变换器拓扑向多电平化发展，子模块的可靠性直接影响系统可用性。本文提出的基于CNN的物理信息特征提取方法，能够有效提升故障诊断的鲁棒性，减少误报。建议研发团队将其应用于iSolarCloud智能运维平...
基于多通道全局最大池化CNN的永磁同步电机驱动电流传感器故障检测与识别
Current Sensor Fault Detection and Identification for PMSM Drives Using Multichannel Global Maximum Pooling CNN
Sijia Wu · Guangtong Ma · Chunxing Yao · Zhenyao Sun 等5人 · IEEE Transactions on Power Electronics · 2024年8月
永磁同步电机（PMSM）在电机驱动应用中广泛使用。电流传感器在闭环控制中至关重要，但易受热应力和振动影响发生故障。本文提出了一种基于多通道全局最大池化卷积神经网络（CNN）的高效电流传感器故障检测与识别（FDI）方法，旨在提升电机驱动系统的可靠性。
解读: 该技术对阳光电源的电机驱动类产品（如风电变流器、电动汽车充电桩中的功率模块及储能系统中的辅助电机控制）具有重要参考价值。通过引入深度学习算法进行传感器故障诊断，可显著提升系统运行的鲁棒性，降低因传感器失效导致的停机风险。建议研发团队在iSolarCloud智能运维平台中集成此类AI诊断模型，实现对关...
通过对比少样本学习检测电力驱动中的低强度网络攻击
Detecting Low-Intensity Cyber-Attacks in Electric Drives via Contrastive Few-Shot Learning
He Yang · Jin Ye · IEEE Transactions on Power Electronics · 2026年2月
本文提出了一种用于智能电机驱动的异常检测框架，集成了对比学习（CL）和迁移学习（TL）的卷积神经网络（CNN）架构。CL模块通过对相同运行状态的样本进行聚类并强制区分不同样本，增强了特征嵌入的判别能力，有效提升了对低强度网络攻击的检测精度。
解读: 该技术在电力电子系统的安全性与智能化运维方面具有参考价值。阳光电源的iSolarCloud平台及风电变流器、储能PCS等产品均涉及复杂的控制逻辑，易受潜在网络攻击威胁。该研究提出的对比学习与少样本学习方法，可应用于阳光电源设备的异常状态监测与网络安全防御，通过识别微小的运行偏差，提升设备在复杂电网环...
基于贝叶斯优化残差CNN的永磁同步电机匝间短路故障估计
On Bayesian Optimization-Based Residual CNN for Estimation of Inter-Turn Short Circuit Fault in PMSM
Qiang Song · Mingsheng Wang · Wuxuan Lai · Sifang Zhao · IEEE Transactions on Power Electronics · 2023年2月
本文提出了一种基于贝叶斯优化（BO）的残差卷积神经网络（CNN）算法，用于永磁同步电机（PMSM）匝间短路（ITSC）故障的早期诊断。该方法通过优化CNN结构提升了故障特征提取能力，有效解决了传统CNN在电机故障诊断中应用面临的挑战，提高了电机运行的安全性与可靠性。
解读: 该技术主要针对电机驱动系统的故障诊断，与阳光电源的风电变流器及电动汽车充电桩业务具有一定的技术关联性。虽然阳光电源目前核心业务侧重于电力电子变换，但随着风电变流器向高可靠性、智能化运维方向发展，引入基于深度学习的故障预测与健康管理（PHM）技术是提升产品竞争力的关键。建议研发团队关注该算法在变流器功...