找到 42 条结果
采用优化平衡寄生电感结构的并联分立式SiC MOSFET三电平T型APF
Three-level T-type APF with Parallelled Discrete SiC MOSFETs Using Optimized-balanced Parasitic Inductance Structure
Hu Tan · Yaqi Zhu · Weiming Tian · Jiaqi Zhao 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年5月
针对高功率密度100 kVA有源电力滤波器（APF）在体积、损耗和成本约束下的设计挑战，本文提出了一种拓扑与器件选型的优化方法，并设计了寄生电感最小化且均衡的PCB结构，以抑制关断电压过冲（TTVO）并改善开通瞬态电流均流（TTCS）。通过对三电平T型（3LT²）与中点钳位（NPC）拓扑及多种SiC器件的量化评估，确定了满足综合约束的最优方案。实验结果表明，所提PCB结构将TTVO由1.06 kV降至780 V（降低26.4%），TTCS偏差从82.4%减小至3.7%（DC 800 V，负载电流...
解读: 该并联SiC MOSFET三电平T型拓扑技术对阳光电源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。研究提出的寄生电感优化平衡PCB设计可直接应用于功率模块开发，将关断过冲降低26.4%、均流偏差降至3.7%，显著提升器件可靠性。4.27kW/L功率密度和98.16%效率指标契合Power...
因果机制赋能的零标签学习在新建光伏电站发电功率预测中的应用
Causal Mechanism-Enabled Zero-Label Learning for Power Generation Forecasting of Newly-Built PV Sites
Pengfei Zhao · Weihao Hu · Di Cao · Rui Huang 等6人 · IEEE Transactions on Sustainable Energy · 2024年9月
针对新建光伏（PV）电站因缺乏历史发电数据导致的功率预测难题，本文提出一种无需任何标注样本的无监督零标签学习方法。通过挖掘不同电站间的不变因果结构，并利用因果机制提升目标电站的预测性能。设计了因果赋能的域自适应网络（CEDAN），结合内外注意力机制从时滞数据片段中提取发电因果关联，并构建域适应损失函数以对齐源域与目标域的因果分布差异。进一步扩展为分位数域适应损失以应对输出不确定性。联合优化域适应与预测损失，实现跨域不变因果机制的学习，从而在无标签情况下完成高泛化性功率预测。基于真实数据的实验表明...
解读: 该零标签功率预测技术对阳光电源iSolarCloud智能运维平台和SG系列光伏逆变器具有重要应用价值。针对新建光伏电站缺乏历史数据的痛点，通过因果机制实现无标签跨域迁移学习，可直接应用于阳光电源新部署站点的发电预测模块。该方法提升7.57%的确定性预测精度，能优化iSolarCloud平台的智能诊断...
第 3 / 3 页