找到 82 条结果
不同环境温度下锂离子电池的无源跨域荷电状态估计
Source-Free Cross-Domain State of Charge Estimation of Lithium-Ion Batteries at Different Ambient Temperatures
Liyuan Shen · Jingjing Li · Lin Zuo · Lei Zhu 等5人 · IEEE Transactions on Power Electronics · 2023年6月
针对锂离子电池荷电状态（SOC）估计中因环境温度变化导致的域偏移问题，本文提出了一种无源跨域迁移学习方法。该方法旨在解决不同工况下数据分布差异带来的模型性能下降，无需访问源域数据即可实现模型在目标域的自适应，提升了复杂环境下SOC估计的鲁棒性与准确性。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及ST系列PCS）具有极高价值。电池SOC的精准估算是BMS的核心，而环境温度是影响SOC精度的主要因素。通过引入无源跨域迁移学习，阳光电源可在不依赖大规模现场数据重训练的情况下，显著提升储能系统在极端气候下的SOC估计精度，延长...
多有源桥
MAB）变换器前馈功率流控制的机器学习方法
Mian Liao · Haoran Li · Ping Wang · Tanuj Sen 等6人 · IEEE Transactions on Power Electronics · 2023年2月
多有源桥（MAB）变换器在实现复杂功率流控制方面具有重要意义。传统前馈控制方法依赖于精确的集总电路模型，而本文提出了一种无需精确电路模型的机器学习（ML）方法，用于实现MAB变换器的前馈功率流控制，提升了系统控制的灵活性与鲁棒性。
解读: MAB变换器是阳光电源储能系统（如PowerTitan、PowerStack系列）及多端口能源路由器中的核心拓扑。传统的控制策略高度依赖参数建模，在复杂工况下易受参数漂移影响。本文提出的机器学习前馈控制方法，能够摆脱对精确电路模型的依赖，显著提升多端口变换器在动态响应和功率分配精度上的表现。建议研发...
基于I-V曲线变形特征与计算机视觉的光伏组件故障诊断
PV Module Fault Diagnosis Based on I–V Curve Deformation Characteristics and Computer Vision
Lingxiang Zhang · Kun Xia · Po Xu · Yibo Yu 等5人 · IEEE Transactions on Power Electronics · 2026年3月
本文针对光伏组件早期故障诊断问题，提出了一种基于三二极管模型分析I-V曲线变形特征的新方法。不同于传统仅提取特征点的方式，该研究利用计算机视觉技术全面捕捉曲线形态变化，实现了更精准的故障识别，有效降低了运维成本。
解读: 该技术对阳光电源的iSolarCloud智能运维平台具有极高的应用价值。通过将基于计算机视觉的I-V曲线分析算法集成至iSolarCloud，可实现对组串式逆变器和集中式逆变器接入的光伏阵列进行远程、自动化的故障预警与诊断，无需人工现场巡检即可精准定位遮挡、老化或隐裂等问题。建议研发团队将此算法模型...
基于传导EMI时频分析与机器学习分类的直流母线电容状态监测
Condition Monitoring of DC-Link Capacitors Using Time–Frequency Analysis and Machine Learning Classification of Conducted EMI
Tyler McGrew · Viktoriia Sysoeva · Chi-Hao Cheng · Chad Miller 等6人 · IEEE Transactions on Power Electronics · 2022年10月
本文提出了一种非侵入式状态监测系统，利用三相逆变器直流母线电容产生的传导电磁干扰（EMI）的时频分析特征，结合机器学习算法对电容的健康状态进行分类，旨在降低电力电子系统的维护成本并提升可靠性。
解读: 直流母线电容是阳光电源组串式逆变器、集中式逆变器及PowerTitan/PowerStack储能变流器（PCS）中的核心易损件。该研究提出的非侵入式EMI监测技术，无需额外传感器即可实现电容健康状态的在线诊断，极大地契合了iSolarCloud智能运维平台对设备全生命周期管理的需求。建议研发团队将此...
基于图半监督学习的光伏阵列故障检测与分类
Graph-Based Semi-supervised Learning for Fault Detection and Classification in Solar Photovoltaic Arrays
Ye Zhao · Roy Ball · Jerry Mosesian · Jean-Francois de Palma 等5人 · IEEE Transactions on Power Electronics · 2015年5月
光伏阵列故障检测对提升系统可靠性与安全性至关重要。由于光伏输出具有非线性特征，传统保护装置难以识别多种复杂故障，存在安全隐患。本文提出一种基于图半监督学习的机器学习方法，旨在填补现有光伏系统保护技术的空白，实现对光伏阵列故障的精准检测与分类。
解读: 该技术对阳光电源的iSolarCloud智能运维平台具有极高的应用价值。通过引入图半监督学习算法，可显著提升iSolarCloud在组串式及集中式逆变器层面的故障预警精度，尤其是在复杂环境下的隐蔽性故障识别。建议将此算法集成至逆变器边缘计算单元，实现从“被动保护”向“主动运维”的升级，降低运维成本，...
动态工况下车载质子交换膜燃料电池堆的健康状态评估与长期耐久性预测
Health State Estimation and Long-Term Durability Prediction for Vehicular PEM Fuel Cell Stacks Under Dynamic Operational Conditions
Xingwang Tang · Lei Shi · Ming Li · Sichuan Xu 等5人 · IEEE Transactions on Power Electronics · 2025年3月
本文针对车载燃料电池堆（FCS），提出了一种融合预测策略和滚动预测框架，用于实现长期健康状态（SOH）评估与电压退化预测。研究基于2500小时的长期耐久性实验，通过时变动态退化模型，有效提升了燃料电池在复杂动态工况下的寿命预测精度与可靠性。
解读: 阳光电源目前在氢能领域重点布局电解槽制氢系统。虽然本文聚焦于车载燃料电池（PEMFC），但其提出的长期耐久性预测与健康状态评估方法，对于电解槽系统的全生命周期管理具有重要参考价值。建议研发团队借鉴文中基于动态工况的退化建模思路，将其应用于电解槽系统的在线监测与故障预警，提升制氢系统的可靠性。此外，该...
电网边缘的机器学习：面向无模型逆变器的数据驱动阻抗建模
Machine Learning at the Grid Edge: Data-Driven Impedance Models for Model-Free Inverters
Yufei Li · Yicheng Liao · Liang Zhao · Minjie Chen 等8人 · IEEE Transactions on Power Electronics · 2024年8月
未来电网将由大量连接可再生能源的智能逆变器支撑，其动态特性通常表现为阻抗，对电网稳定性和韧性至关重要。由于逆变器物理实现差异大且往往涉及商业机密，传统的解析阻抗建模方法受限。本文提出了一种数据驱动的阻抗建模方法，利用机器学习技术在无需已知内部物理模型的情况下，准确表征逆变器的阻抗特性，为电网稳定性分析提供新思路。
解读: 该研究对于阳光电源的组串式光伏逆变器及PowerTitan/PowerStack储能系统具有重要应用价值。随着电网渗透率提升，弱电网下的谐振抑制与稳定性控制是行业痛点。通过引入数据驱动的阻抗建模，阳光电源可在iSolarCloud智能运维平台中实现更精准的电网交互特性监测，优化逆变器在复杂电网环境下...
用于组件级光伏系统直流串联电弧故障检测与熄灭的机器学习与电流调制协调控制
Coordination of Machine Learning and Current Modulation for DC Series Arc Fault Detection and Extinguishing for Module-Level PV Systems
Byungki Kim · Wan Kim · Minseo Jeon · Sung-Geun Song 等5人 · IEEE Transactions on Power Electronics · 2025年11月
组件级电力电子设备虽能优化光伏发电效率，但也增加了直流串联电弧故障的风险。本文提出了一种结合电流调制与机器学习的方法，利用电弧电阻特性实现故障的精准检测与熄灭，解决了传统单一方法在复杂工况下的局限性，提升了光伏系统的安全性。
解读: 该技术对阳光电源的组串式逆变器及户用光伏产品线具有极高价值。随着光伏系统向组件级安全标准（如NEC 2017/2020）演进，电弧故障检测是核心竞争力。该研究提出的机器学习与电流调制协同方案，可显著提升阳光电源逆变器在复杂环境下的电弧识别准确率，降低误报率。建议研发团队将此算法集成至iSolarCl...
基于电化学阻抗谱的开放阴极质子交换膜燃料电池水管理故障诊断
Water Management Fault Diagnosis for Open-Cathode PEMFC Systems Based on Electrochemical Impedance Spectroscopy
Chuang Sheng · Qian Xiang · Weiming Chen · Wenxuan Zhang 等10人 · IEEE Transactions on Power Electronics · 2026年2月
为延长质子交换膜燃料电池（PEMFC）寿命，本文提出了一种集成机器学习与等效电路模型（ECM）的故障诊断框架，专门用于诊断膜干燥和水淹两种常见运行故障。通过燃料电池快速阻抗测试平台验证，该方法能有效提升系统运行的可靠性与稳定性。
解读: 阳光电源已布局氢能业务（电解槽电源及系统集成）。虽然本文聚焦于开放阴极燃料电池（PEMFC），但其提出的基于电化学阻抗谱（EIS）的故障诊断逻辑，对阳光电源的电解水制氢电源系统具有重要参考价值。特别是在电解槽的健康状态监测、膜堆性能衰减预测及水热管理优化方面，该研究中的机器学习与ECM融合建模方法，...
基于有限实验数据的机器学习代理模型之锰锌铁氧体磁芯损耗制造特定仿真
Fabrication-Specific Simulation of Mn-Zn Ferrite Core-Loss for Machine Learning-Based Surrogate Modeling With Limited Experimental Data
Minwook Choi · Soyeon Park · Eunyoung Jang · Minae Ouk 等7人 · IEEE Transactions on Power Electronics · 2025年1月
锰锌铁氧体是电力电子设备中常用的磁芯材料，但其损耗机制复杂且实验数据稀缺，限制了建模精度。本文提出了一种数据驱动框架，通过制造工艺特定的仿真方法，在有限实验数据条件下构建高效的机器学习代理模型，以精确预测磁芯损耗。
解读: 磁性元件（电感、变压器）是阳光电源组串式逆变器、储能PCS及充电桩产品的核心损耗源。该研究提出的机器学习代理模型能有效解决磁芯损耗在复杂工况下难以精确建模的痛点。在产品研发阶段，应用此方法可显著提升高频磁性元件的设计效率，优化磁芯选型与损耗计算，从而提升PowerTitan等储能系统及光伏逆变器的整...
MagNet：用于建模功率磁性材料特性的机器学习框架
How MagNet: Machine Learning Framework for Modeling Power Magnetic Material Characteristics
Haoran Li · Diego Serrano · Thomas Guillod · Shukai Wang 等12人 · IEEE Transactions on Power Electronics · 2023年12月
本文提出了一种名为MagNet的开源机器学习框架，用于功率磁性材料建模。该框架整合了超过50万个实验测量的激励数据点，涵盖多种材料及运行工况。文章详细阐述了数据采集与质量控制流程，并展示了机器学习在提升磁性元件建模精度与效率方面的应用潜力。
解读: 磁性元件（电感、变压器）是阳光电源光伏逆变器和储能PCS的核心损耗源。MagNet框架提供的机器学习建模方法，可显著提升磁性元件在高频、复杂工况下的损耗预测精度，有助于优化PowerTitan等储能系统及组串式逆变器的磁性设计，实现更优的功率密度和效率。建议研发团队引入该数据库进行磁性材料特性拟合，...
理解数据中心液冷对机器学习与人工智能工作负载能效和性能的影响
Understanding the Impact of Data Center Liquid Cooling on Energy and Performance of Machine Learning and Artificial Intelligence Workloads
Bharath Ramakrishnan · Cam Turner · Husam Alissa · Dennis Trieu 等13人 · Journal of Electronic Packaging · 2025年6月 · Vol.147
传统上，数据中心采用风冷方式为IT设备散热，但随着图形处理器（GPU）功耗的持续上升，对冷却技术提出了更高要求。为提升能效，直接液冷（DLC）成为一种有前景的解决方案。本文评估了在执行人工智能/机器学习（AI/ML）任务的微软G50 GPU服务器上，DLC相较于传统风冷的性能表现。实验结果表明，DLC显著提升了GPU计算性能，增强了能效，并有效降低了系统热阻，为高密度计算场景下的散热设计提供了重要参考。
解读: 该液冷技术研究对阳光电源PowerTitan大型储能系统和数据中心储能方案具有重要应用价值。研究证实直接液冷可显著提升GPU高功率密度场景下的能效和性能，这与储能变流器功率模块散热需求高度契合。对于ST系列储能变流器，可借鉴液冷方案优化SiC/GaN功率器件的热管理，降低系统热阻，提升功率密度和转换...
基于人工智能与物理模型的智能电网异常检测综述
Artificial Intelligence and Physics-Based Anomaly Detection in the Smart Grid: A Survey
Giovanni Battista Gaggero · Paola Girdinio · Mario Marchese · IEEE Access · 2025年1月
先进通信系统与分布式资源的融合推动了智能电网的发展，提升了控制能力与运行效率。然而，系统复杂性的增加也带来了新的脆弱性，加剧了网络攻击、设备故障等异常风险。机器学习技术作为数据分析的变革性工具，正广泛应用于异常检测。本文综述了结合人工智能与物理模型的智能电网异常检测方法，系统梳理了当前研究现状，评估了各类应用场景、算法性能及验证方式，识别出关键研究缺口，并为该领域的进一步发展提供了学术见解。
解读: 该综述对阳光电源智能运维体系具有重要指导价值。AI与物理模型融合的异常检测方法可直接应用于iSolarCloud平台，提升ST储能系统和SG光伏逆变器的故障预警能力。针对储能系统，可结合电池物理模型与机器学习实现热失控、SOC异常等早期检测；对光伏电站，可融合IV曲线物理特性与AI算法识别组件遮挡、...
基于可迁移代理模型与多目标优化的高效LDMOS设计
Efficient LDMOS Design via Transferable Surrogate Models and Multi-Objective Optimization
Hongyu Tang · Chenggang Xu · Xiaoyun Huang · Yuxuan Zhu 等6人 · IEEE Electron Device Letters · 2025年9月
优化横向双扩散金属氧化物半导体（LDMOS）性能需要在硅极限约束下平衡击穿电压（BV）和比导通电阻（ $\text {R}_{\text {on},\text {sp}}$ ）。传统的基于技术计算机辅助设计（TCAD）的器件设计在处理大参数空间时耗时且效率低下。本文提出了一种机器学习（ML）辅助框架，该框架将初始和微调后的深度神经网络（DNN）替代模型与多目标粒子群优化（MOPSO）相结合。微调后的DNN仅使用小数据集就能适应非重叠的扩展设计空间，同时在MOPSO过程中选择性地应用这两个替代模型...
解读: 从阳光电源的业务视角来看，这项基于机器学习的LDMOS优化技术具有重要的战略价值。LDMOS（横向双扩散金属氧化物半导体）器件是光伏逆变器和储能变流器中功率转换电路的核心元件，其击穿电压与导通电阻的平衡直接影响系统的效率、可靠性和成本。 该技术的核心创新在于利用深度神经网络替代传统TCAD仿真，将...
基于机器学习的AC/DC/AC变换器直流链路电容器状态监测
Machine Learning-Based Condition Monitoring for DC-Link Capacitors in AC/DC/AC Converters
Kerim Örüklü · Şener Ağalar · IEEE Transactions on Industrial Electronics · 2024年9月
电力电子变换器在众多行业中发挥着关键作用。然而，自其早期应用以来，这些变换器的可靠性一直是一个关键问题。因此，本文提出了一种基于机器学习（ML）的交流 - 直流 - 交流变换器直流母线电容（DLC）状态监测（CM）系统。选择直流母线电容的电容值作为健康指标，并将直流母线电压纹波的功率谱密度（PSD）作为诊断工具。该技术对测量噪声具有鲁棒性，并且无需额外的滤波技术。此外，与类似研究不同，所提出的方法不需要高采样频率。这种方法的另一个显著优点是，由于它仅依赖于现有信号，因此不需要额外的电路。此外，通...
解读: 从阳光电源的业务视角来看，这项基于机器学习的直流母线电容状态监测技术具有重要的应用价值。直流母线电容是光伏逆变器和储能变流器中的关键易损元件，其失效是导致系统故障的主要原因之一。该技术通过功率谱密度分析直流母线电压纹波来监测电容健康状态，为我们提供了一种低成本、高可靠的预测性维护解决方案。 该技术...
揭示有机光伏中的结构-性能关系：可解释的机器学习模型预测功率转换效率
Uncovering Structure–Performance Relationships in Organic Photovoltaics: Interpretable Machine Learning Model for Predicting the Power Conversion Efficiency
Yi Yang · Arowa Yasmeen · Ovidiu Daescu · IEEE Journal of Photovoltaics · 2025年8月
有机光伏（OPV）是一种颇具前景的光伏技术，但传统上候选分子的设计采用试错法，效率低下。然而，机器学习通过从大量的有机光伏材料数据集中学习，提供了一种基于数据的策略，有助于加速高性能有机光伏材料的发现和优化。在本研究中，我们使用极端梯度提升（XGBoost）模型，利用从哈佛光伏数据集（HOPV15）中提取的结构特征，来预测通过密度泛函理论计算得到的有机光伏供体材料的功率转换效率（PCE）。为了提高预测性能，我们基于随机森林和XGBoost的平均特征重要性得分，选择了最具信息价值的分子指纹。我们的...
解读: 该可解释机器学习模型对阳光电源光伏产品线具有重要参考价值。虽然研究聚焦有机光伏材料设计，但其核心方法论——通过机器学习建立结构-性能映射关系——可迁移至SG系列逆变器的功率器件选型优化。具体而言，可借鉴该模型框架建立GaN/SiC器件的结构参数（掺杂浓度、栅极结构等）与性能指标（导通损耗、开关速度）...
机器学习与电流调制在模块级光伏系统直流串联电弧故障检测与熄灭中的协调
Coordination of Machine Learning and Current Modulation for DC Series Arc Fault Detection and Extinguishing for Module-Level PV Systems
作者未知 · IEEE Transactions on Power Electronics · 2025年4月
模块级电力电子设备能够克服局部阴影影响，实现每个光伏（PV）面板的最大发电量。然而，这增加了光伏面板与转换器之间出现直流串联电弧故障的可能性。电流调制技术可利用电弧电阻特性检测并消除直流串联电弧故障。但该方法会因故障检测不准确而降低发电量。本文提出一种结合电流调制和机器学习方法的直流串联电弧故障检测与消除策略，通过双重筛选提高故障检测的准确性。合适的机器学习算法可最大程度减少电流调制的误触发，从而提高正常情况下的光伏发电量。所提方法能够在不考虑阻抗和外部变化的情况下，区分电弧故障和正常状态。本文...
解读: 从阳光电源组串式逆变器和模块级电力电子（MLPE）产品线角度来看，这项结合机器学习与电流调制的直流串联电弧故障检测技术具有重要战略价值。随着光伏系统向分布式、模块级方向发展，我们的微型逆变器和优化器产品面临更复杂的电弧故障风险，这项技术提供了一个系统性解决方案。 该技术的核心价值在于通过双重筛选机...
基于LightGBM与自注意力编码-解码网络的日前太阳能功率预测
Day-Ahead Solar Power Forecasting Using LightGBM and Self-Attention Based Encoder-Decoder Networks
Hossein Nourollahi Hokmabad · Oleksandr Husev · Juri Belikov · IEEE Transactions on Sustainable Energy · 2024年10月
可再生能源大规模并网带来的随机性与间歇性对电网可靠性与稳定性构成挑战，数据驱动的预测方法在缓解该问题中至关重要。然而，在历史数据不足的情况下，纯数据驱动模型性能往往受限。为此，本文提出一种融合物理模型与机器学习的新型日前光伏功率混合预测框架，提升低数据场景下的预测可靠性；同时针对数据丰富环境设计了一种创新的机器学习流水线。该方法包含针对不同天气条件定制的回归器组与基于自注意力的编码-解码网络，并通过元学习器融合双分支输出，显著提升了预测精度。实验结果表明，所提方法在测试数据集上优于基准模型。
解读: 该混合预测框架对阳光电源iSolarCloud智能运维平台及SG系列光伏逆变器具有重要应用价值。日前功率预测可直接集成至智能诊断系统，优化MPPT算法的前瞻性调度策略。针对ST系列储能变流器，精准的24小时功率预测能显著提升储能系统充放电策略优化，降低电网波动冲击。LightGBM与自注意力网络的双...
基于机器学习的多浮置埋层LDMOS器件击穿电压建模与优化
Machine Learning-Based Modeling and BV Optimization for LDMOS With Multifloating Buried Layers
Zhen Cao · Qi Sun · Qiaowei Peng · Biao Hou 等6人 · IEEE Transactions on Electron Devices · 2024年12月
本文介绍了一种利用机器学习（ML）优化具有多浮动埋层（MFBL）的横向双扩散金属氧化物半导体场效应晶体管（LDMOS）器件击穿电压（BV）的新方法。本研究摒弃了传统复杂的物理推导方法，将神经网络与遗传算法相结合，构建了一个自适应优化框架。首先，我们分析了MFBL LDMOS的物理特性，以确定影响BV性能的关键参数，并确定其合理取值范围。然后，通过TCAD仿真生成数据集，并应用卷积神经网络（CNN）建立MFBL LDMOS的BV预测模型。在后续阶段，采用遗传算法对结构参数进行自适应优化，从而推导出...
解读: 从阳光电源的业务视角来看，该论文提出的基于机器学习优化多浮埋层LDMOS器件击穿电压的方法具有重要的战略价值。LDMOS作为功率半导体的核心器件，广泛应用于我司光伏逆变器和储能变流器的功率转换模块中，其击穿电压性能直接影响系统的功率密度、转换效率和可靠性。 该技术的核心价值在于突破了传统物理推导方...
基于贝叶斯特征选择的区域风电功率预测
Regional Wind Power Forecasting Based on Bayesian Feature Selection
Theodoros Konstantinou · Nikos Hatziargyriou · IEEE Transactions on Power Systems · 2024年4月
近年来，可再生能源在电力系统中的整合程度不断提高。其固有的不可预测性和输出波动给电力系统的安全运行和能源市场定价的稳定性带来了挑战。因此，准确预测可再生能源发电量至关重要。目前已应用的几种有效预测方法均基于机器学习（ML）。应用机器学习方法的一个关键因素是输入特征的选择，在区域风电预测中，这一任务变得更为复杂，因为区域范围可能涵盖整个国家。所提出的方法旨在通过一种数据驱动的、与模型无关的预处理技术精简输入特征，从而提高预测性能。该技术包括将多维数值天气预报数据划分为多个子区域，并剔除无信息的子区...
解读: 该贝叶斯特征选择的预测方法对阳光电源的储能与风电产品线具有重要应用价值。特别是在ST系列储能变流器和风电变流器的智能调度优化方面,可将该预测算法集成到iSolarCloud平台,提升系统对风电功率波动的预判能力。通过筛选关键气象特征与历史数据,可优化储能系统的充放电策略,提高PowerTitan等大...
第 3 / 5 页