找到 3 条结果
基于物理信息神经网络的鲁棒电力系统状态估计
Robust Power System State Estimation Using Physics-Informed Neural Networks
Solon Falas · Markos Asprou · Charalambos Konstantinou · Maria K. Michael · IEEE Transactions on Industrial Informatics · 2025年7月
现代电力系统在状态估计和实时监测方面面临重大挑战，特别是在故障条件或网络攻击下的响应速度和准确性方面。本文提出一种结合物理信息神经网络（PINNs）的混合方法，以提高电力系统状态估计的准确性和鲁棒性。通过将物理定律嵌入神经网络架构，PINNs 提高了输电网络在正常和故障条件下应用的估计准确性，同时在应对诸如数据操纵攻击等安全问题方面也显示出潜力。实验结果表明，所提出的方法优于传统机器学习模型，在训练数据集的未见子集上的准确性提高了近 83%，在全新的、不相关的数据集上的性能提升了近 65%。实验...
解读: 从阳光电源的业务视角来看，这项基于物理信息神经网络（PINNs）的电力系统状态估计技术具有重要的战略价值。作为全球领先的新能源设备供应商和系统集成商，阳光电源在光伏逆变器、储能系统及智慧能源管理平台方面的核心竞争力，正日益依赖于对电网实时状态的精准感知与快速响应能力。 该技术的核心优势在于将物理定...
基于幅频特性的级联变压器参数估计方法
Amplitude-Frequency Characteristics-Based Parameter Estimation of Cascaded Transformers for High-Frequency Multilevel Inverters
Hengyang Liu · Zirui Liu · Wubin Kong · Junyao Tu 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年8月
准确的变压器参数对高频级联变压器多电平逆变器（CTMI）性能预测至关重要。传统基于均方根的方法在正弦激励下有效，但在方波驱动下因未考虑谐波引起的频变电抗而失效。本文提出一种基于CTMI幅频特性的新型参数估计方法，建立了包含励磁与绕组参数的解耦模型，解析推导了考虑死区效应和开关压降的输出电压与参数关系。通过暂态开路实验波形估计励磁参数，结合不同频率下实测输出电压基波分量，采用粒子群优化算法辨识绕组参数。所提方法无需额外信号设备或断开变压器，仿真与17电平CTMI（5–30 kHz）实验验证了其高精...
解读: 该参数估计方法对阳光电源的高频变压器类产品具有重要应用价值。特别适用于ST系列储能变流器和SG系列光伏逆变器中的高频隔离变压器设计优化。通过精确识别变压器参数,可以提高产品的建模精度和控制性能。该方法无需额外测试设备,可直接应用于产线测试和现场运维,有助于提升产品一致性和可靠性。对于PowerTit...
训练集再应用:基于相似样本的电力系统主导失稳模式识别物理可靠框架
Reapplication of Training Set: A Physically Reliable Framework for Power Systems Dominant Instability Mode Identification Using Similar Samples
Yutian Lan · Shanyang Wei · Wei Yao · Yurun Zhang 等6人 · IEEE Transactions on Power Systems · 2025年8月
准确且在物理上可靠地识别主导不稳定模式（DIM）对于确保电力系统的安全稳定运行至关重要。数据驱动模型，尤其是深度学习（DL），在应对这一挑战方面取得了显著进展。然而，深度学习的“黑箱”特性限制了其可解释性，导致结果不可靠，这与电力系统严格的可靠性要求相冲突。为解决这一问题，本文提出了一种新颖的 DIM 识别框架，通过重新应用训练集样本提高识别的准确性和可靠性。首先，提出了一种训练方法，以增强 DIM 模型的抗噪声能力和对相似样本的聚类能力，实现高精度的 DIM 识别。此外，还开发了一种两阶段可解...
解读: 该失稳模式识别技术可应用于阳光电源智慧能源管理系统的稳定性监控。通过数据驱动的失稳模式识别,及时发现光伏并网系统和储能系统的潜在失稳风险,优化控制策略,提升大规模新能源并网的稳定性,为电网安全运行提供预警支持。...