找到 28 条结果
多目标集成电路物理布局优化的分层深度强化学习及拥塞感知奖励塑造
Hierarchical Deep Reinforcement Learning for Multi-Objective Integrated Circuit Physical Layout Optimization With Congestion-Aware Reward Shaping
Haijian Zhang · Yao Ge · Xiuyuan Zhao · Jiyuan Wang · IEEE Access · 2025年1月
随着半导体技术向先进节点演进,集成电路物理布局优化面临关键挑战,传统EDA工具难以同时优化布线拥塞、功耗和时序等多个冲突目标。本文提出一种新型分层深度强化学习框架,采用拥塞感知奖励塑造机制动态平衡探索与利用。
解读: 该深度强化学习优化技术可直接应用于阳光电源SiC功率模块的芯片布局设计。通过多目标优化框架同时优化功率密度、热分布和可靠性,为ST系列储能变流器的新一代高功率密度芯片设计提供AI辅助工具。...
基于最优FNN的高实时性与良好可解释性的并网微电网电池能量管理系统
Optimal FNN-Based Energy Management System With High Real-Time Performance and Good Interpretability for Battery in Grid-Connected Microgrid
Bin Liu · Dan Wang · Jiawei Huang · Chengxiong Mao · IEEE Transactions on Industrial Electronics · 2025年1月
本文提出一种基于模糊神经网络（FNN）的新型能量管理系统（EMS），通过实时控制电池充放电功率，最小化并网微电网中可再生能源发电与负荷需求之间的功率失配，提升可再生能源的就地消纳能力。该系统采用在线FNN控制器快速响应净负荷的随机波动，参数通过周期性离线训练更新。仿真结果表明：所提FNN-EMS在优化性能上平均优于基准方法18.0217%；具备秒级实时响应能力；且所有FNN参数具有明确物理意义，具有良好可解释性。实验平台验证结果与仿真一致，证明了该系统的有效性与实用性。
解读: 该FNN能量管理技术对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。其秒级实时响应能力可显著提升储能系统在微电网场景下的功率调节性能，优化可再生能源就地消纳率平均达18%以上。该技术的良好可解释性与阳光电源iSolarCloud云平台的智能诊断功能高度契合，可实现储能...
基于Hellinger距离和个体条件期望分析的光伏系统传感器故障检测与诊断
Sensor fault detection and diagnosis in photovoltaic systems using Hellinger Distance and Individual Conditional Expectation analysis
Fouzi Harrou · K. Ramakrishna Kinib · Muddu Madakyaru · Ying Suna · Solar Energy · 2025年1月 · Vol.298
准确的故障检测对于维持光伏（PV）系统的最佳性能并延长系统寿命至关重要。本文提出了一种结合偏最小二乘（PLS）回归与基于Hellinger距离（HD）的监控图的传感器故障检测与诊断方法，该方法在处理高维数据集中的多重共线性问题以及降维方面具有优势。PLS生成能够反映偏差的残差，随后利用基于HD的监控图对这些残差进行分析，其控制阈值通过核密度估计（KDE）确定。该方法增强了对多种传感器故障的敏感性，包括偏差、漂移（或老化）以及间歇性故障。在本研究中，通过向总辐射计和温度传感器中人为注入传感器故障，...
解读: 该传感器故障诊断技术对阳光电源SG系列光伏逆变器及iSolarCloud智能运维平台具有重要应用价值。PLS-HD方法可有效识别辐照度计和温度传感器的偏差、漂移及间歇性故障,提升MPPT优化精度和发电效率预测准确性。ICE可视化分析可集成至iSolarCloud预测性维护模块,实现故障溯源与诊断。该...
基于LSTM-XGBoost模型的光伏电站短期功率预测
Short-term power prediction of photovoltaic power station based on LSTM-XGBoost model
Chenyang Zhua · Yibo Tua · Qingya Weia · Yue Zanga 等11人 · Solar Energy · 2025年1月 · Vol.300
摘要 目前，由于太阳能本身具有变异性与不确定性，受天气条件、一天中的时间以及季节变化等因素影响，光伏发电功率的精确预测仍是一个重大挑战。传统的预测模型往往难以捕捉数据中复杂的时序依赖关系和非线性关系，导致预测精度不理想。为应对这些挑战，本文提出一种新颖的混合方法，结合深度学习与集成学习的优势。采用长短期记忆网络（LSTM）提取时间序列数据中的动态特征，通过捕获短期和长期依赖关系，提供对时序信息的稳健表征。极端梯度提升算法（XGBoost）则利用其强大的非线性建模能力和特征选择技术进一步优化预测结...
解读: 该LSTM-XGBoost混合预测模型对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过捕捉光伏发电的时序依赖性和非线性特征,可显著提升ST系列PCS的功率预测精度,优化PowerTitan储能系统的充放电策略。模型的SHAP可解释性分析有助于增强预测性维护能力,提升SG系...
超参数优化自动化机器学习与可解释人工智能模型的对比分析
Comparative Analysis of Automated Machine Learning for Hyperparameter Optimization
Muhammad Salman Khan · Tianbo Peng · Hanzlah Akhlaq · Muhammad Adeel Khan · IEEE Access · 2025年1月
人工智能AI日益应用于解决复杂现实问题。AI最重大挑战之一在于为给定任务选择和微调最优算法。自动化机器学习AutoML模型作为应对这一挑战的有前途解决方案出现，通过系统探索超参数空间高效识别最优配置。本研究通过对AutoML框架进行超参数优化综合对比分析以及评估各种可解释性技术提升模型可解释性有效性，解决当前文献中的关键空白。为此，选择随机森林RF作为基础模型并与九种不同AutoML框架集成，即随机搜索RS、网格搜索GS、Hyperopt、TPOT、Optuna、GP Minimize、Fore...
解读: 该自动化机器学习技术对阳光电源数据分析和优化具有重要应用价值。阳光iSolarCloud平台处理海量光伏储能运行数据，需要高效的机器学习模型开发工具。该研究的AutoML框架对比和Optuna优选结果可指导阳光优化云平台的预测模型，如光伏发电预测、电池寿命预测和故障诊断。在储能系统优化中，该超参数自...
一种带重复和PI环节的线性机器学习模型预测控制方法在三相逆变器中的应用
A Linear Machine Learning-Based Model Predictive Control With Repetitive and PI Elements for a Three-Phase Inverter
Jianwu Zeng · Wei Qiao · IEEE Transactions on Industry Applications · 2025年6月
现有的基于机器学习（ML）的模型预测控制（MPC）方法要么不如采用二次规划（QP）的在线优化MPC，要么计算复杂度高，无法在资源受限的数字信号处理器（DSP）中实现。本文通过使用线性ML方法并添加额外的可解释特征来解决这两个问题。首先，从理论上证明了由QP - MPC生成的训练数据具有内在线性，因此可以使用线性ML方法，如线性神经网络（LNN）和线性支持向量回归（LSVR）来捕捉训练数据集的线性特征。线性运算将计算复杂度从 <italic xmlns:mml="http://www.w3.org...
解读: 该线性ML-MPC技术对阳光电源ST系列储能变流器和SG系列光伏逆变器具有重要应用价值。通过线性化模型降低计算复杂度，可显著减轻控制器DSP/FPGA的运算负担，降低硬件成本；引入重复控制环节能有效抑制周期性谐波，提升并网电流THD性能，满足严格的电能质量标准；PI反馈增强的鲁棒性可应对电网阻抗波动...
ISI Net：一种集成可解释性与智能选择的新型集成学习范式用于精确风电功率预测
ISI Net: A novel paradigm integrating interpretability and intelligent selection in ensemble learning for accurate wind power forecasting
Bingjie Liang · Zhirui Tianb · Energy Conversion and Management · 2025年1月 · Vol.332
摘要 作为一种清洁能源，风能可以有效缓解能源危机并减少环境污染。准确的风电功率预测能够促进风电产业的快速发展。集成学习是一种广泛使用的风电功率预测方法，但现有的集成学习方法未能对子模型的权重进行解释，且在子模型的选择上缺乏准确依据。为解决上述问题，本研究提出了一种将智能选择与可解释性相结合的新型神经网络范式（ISI Net），用于风电功率预测。所提出的框架分为三个模块。在数据预处理模块中，采用灰色关联分析（Grey Relational Analysis, GRA）进行特征选择，以避免因特征过多...
解读: 该ISI Net风电功率预测范式对阳光电源储能系统具有重要应用价值。其集成智能选择与可解释性的集成学习方法,可应用于ST系列PCS的能源管理系统优化:通过精准预测风电出力,优化PowerTitan储能系统的充放电策略;GRA特征选择和VMD降噪技术可提升iSolarCloud平台的预测性维护能力;可...
基于模糊神经网络作为数字孪生核心的光伏设施模型设计
Model design for photovoltaic facilities based on fuzzy neural network as core of its digital twin
William D.Chicaiza · Alex O.Top · Adolfo J.Sánchez · Juan M.Escaño 等5人 · Energy Conversion and Management · 2025年1月 · Vol.342
摘要 本研究提出了位于CIESOL-阿尔梅里亚的一个光伏（PV）设施数字孪生核心的构建方法。文中提出了两种建模方法：一种是基于等效电路的物理模型，另一种是基于自适应神经模糊推理系统（ANFIS）的数据驱动型神经模糊模型。该神经模糊模型被设计为灰箱系统，具有高可解释性和强适应性，并因其能够快速与物理实体同步，实现对数字孪生框架至关重要的实时行为建模而尤为突出。基于ANFIS的模型能够准确捕捉光伏系统的动态功率输出，适用于基于预测建模的能量管理策略集成。该模型表现出优异的预测性能，最坏情况下的平均绝...
解读: 该模糊神经网络数字孪生技术对阳光电源SG系列光伏逆变器和iSolarCloud平台具有重要应用价值。ANFIS灰盒模型实现0.99决定系数和16.37W平均绝对误差,可嵌入逆变器实时MPPT优化算法,提升发电效率。其低计算资源需求适配工业控制器,可增强iSolarCloud预测性运维能力,实现光储电...
第 2 / 2 页