找到 3 条结果
基于增强型轻量化代理模型的综合参数优化
Comprehensive Parameter Optimization Using an Empowered and Lightweight Surrogate Model
Qifan Yang · Dihong Huang · Yong Chen · Ningyi Dai · IEEE Transactions on Power Electronics · 2024年10月
针对电力电子变换器参数整定耗时的问题，本文提出了一种基于增强型轻量化代理模型的新方法。该方法通过替代传统的迭代仿真，实现了在不同运行工况下高效、精准的参数优化，显著提升了变换器的性能与设计效率。
解读: 该研究提出的轻量化代理模型对阳光电源的产品研发具有重要价值。在组串式光伏逆变器和PowerTitan/PowerStack储能变流器（PCS）的开发中，控制参数的整定往往依赖大量仿真，该方法可显著缩短研发周期，提升产品在复杂电网环境下的动态响应性能。建议研发团队将其应用于iSolarCloud平台的...
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...
利用物理信息神经网络构建代理模型辅助强化学习优化智能电网能源管理
Optimizing energy management of smart grid using reinforcement learning aided by surrogate models built using physics-informed neural networks
Julen Cestero · Carmine Delle Femine · Kenji S. Muroa · Marco Quartulli 等5人 · Applied Energy · 2025年12月 · Vol.401
摘要 在智能电网场景下优化能源管理面临重大挑战，主要源于现实世界系统的复杂性以及各组件之间错综复杂的相互作用。强化学习（Reinforcement Learning, RL）正逐渐成为解决智能电网中最优潮流（Optimal Power Flow, OPF）问题的一种有效方案。然而，RL需要在给定环境中进行强制性的反复迭代才能获得最优策略，这意味着必须从一个很可能代价高昂的模拟器中获取样本，从而导致样本效率低下问题。在本研究中，我们通过使用基于物理信息神经网络（Physics-Informed N...
解读: 该研究采用物理信息神经网络(PINN)构建代理模型加速强化学习训练,对阳光电源ST系列储能变流器和PowerTitan系统的能量管理优化具有重要价值。通过PINN代理模型可将训练速度提升50%,能显著加快储能系统最优潮流控制策略的开发周期。该方法可应用于iSolarCloud平台的智能调度算法优化,...