找到 2 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4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ICRLS与扰动滑模观测器的未知参数条件下并网三相逆变器多开关开路故障诊断
Multiple Open-Switch Fault Diagnosis of Grid-Connected Three-Phase Inverters Under Unknown Parameter Conditions Using ICRLS and Disturbance Sliding Mode Observer
Shuiqing Xu · Zhiqin Zheng · Lei Wang · Hai Wang 等6人 · IEEE Transactions on Power Electronics · 2025年2月
针对并网三相逆变器在参数未知情况下的开路（OS）故障诊断问题，本文提出了一种将输入补偿递推最小二乘法（ICRLS）与离散扰动滑模观测器（DSMO）相结合的方法。首先，引入了 ICRLS 方法，该方法通过补偿未知扰动来提高参数辨识的准确性，从而提升故障诊断的可靠性。随后，提出了一种新型 DSMO 用于快速、精确地估计三相电流。然后，基于这些观测值设计了自适应故障检测变量，确保了检测算法的鲁棒性。最后，通过构建故障相识别和故障类型识别机制，该方法实现了对并网三相逆变器 21 种不同类型 OS 故障的...
解读: 从阳光电源的业务视角来看，这项针对并网三相逆变器开关故障诊断的技术研究具有重要的工程应用价值。该技术通过结合输入补偿递推最小二乘法（ICRLS）和离散扰动滑模观测器（DSMO），在参数未知条件下实现了21种开关故障的精确识别，这对提升光伏逆变器和储能变流器的可靠性与智能运维能力具有直接意义。 在实...