找到 3 条结果 · IEEE Transactions on Power Electronics
基于物理信息深度学习与稀疏数据的电力电子器件剩余寿命预测
Remaining Useful Life Prediction of Power Electronic Devices With Physics-Informed Deep Learning and Sparse Data
Le Gao · Chaoming Liu · Yiping Xiao · Chunhua Qi 等5人 · IEEE Transactions on Power Electronics · 2025年11月
准确预测碳化硅金属氧化物半导体场效应晶体管（MOSFET）的剩余使用寿命（RUL）对于确保电力电子系统的可靠性至关重要，特别是在辐射环境下。然而，大多数现有的深度学习方法依赖于密集采样的退化数据，使其不适用于退化观测数据有限的稀疏数据条件。为解决这一局限性，我们提出了一种用于稀疏RUL预测的物理信息深度学习（PIDL）方法。该方法通过定制的物理信息损失函数，将总电离剂量引起的退化机制（具体为界面和氧化物陷阱电荷积累）融入基于Transformer的神经网络架构中。这种损失函数明确惩罚与导通状态电...
解读: 从阳光电源的业务视角来看，这项针对碳化硅MOSFET剩余寿命预测的物理信息深度学习技术具有重要的战略价值。作为光伏逆变器和储能系统的核心功率器件，碳化硅MOSFET的可靠性直接关系到我们产品在全生命周期内的性能表现和运维成本。 该技术的核心优势在于解决了稀疏数据条件下的寿命预测难题。在实际应用场景...
基于物理信息深度学习与稀疏数据的电力电子器件剩余寿命预测
Remaining Useful Life Prediction of Power Electronic Devices With Physics-Informed Deep Learning and Sparse Data
Le Gao · Chaoming Liu · Yiping Xiao · Chunhua Qi 等5人 · IEEE Transactions on Power Electronics · 2025年11月
针对碳化硅（SiC）MOSFET在复杂环境下的剩余寿命（RUL）预测问题，本文提出了一种物理信息深度学习方法。该方法有效解决了现有深度学习模型在稀疏退化数据条件下预测精度不足的局限性，提升了电力电子系统在极端环境下的可靠性评估能力。
解读: 该技术对阳光电源的核心业务具有极高价值。随着SiC器件在组串式光伏逆变器和PowerTitan系列储能系统中的广泛应用，提升功率模块的可靠性预测能力至关重要。该方法通过物理模型与AI结合，能够在数据采集受限的实际工况下，精准评估器件寿命，从而优化iSolarCloud平台的运维策略，实现从“事后维修...
一种基于改进下垂控制的模块化电池储能系统构建方法与控制策略
A Novel Construction Method and Control Strategy of Modular Battery Energy Storage Systems Based on Improved Droop Control
Chao Wang · Qiangxiang Zhang · Li Han · Yiping Xiao 等7人 · IEEE Transactions on Power Electronics · 2025年8月
针对模块化电池储能系统中多模块变换器并联运行的稳定性问题，本文提出了一种改进的下垂控制策略。通过设计电池单元变换器（BUC），实现了电池与模块化变换器的有效结合，解决了多模块协同控制的难题，提升了储能系统的运行稳定性。
解读: 该研究直接契合阳光电源PowerTitan和PowerStack系列储能系统的核心技术需求。随着储能系统向模块化、大规模化发展，多机并联的稳定性与均流控制是提升系统可靠性的关键。改进的下垂控制策略可优化阳光电源PCS（储能变流器）在微电网及电网侧储能应用中的并联运行性能，减少环流，提升系统响应速度。...