找到 31 条结果
基于学习的MMC神经动态面预测控制
Learning-Based Neural Dynamic Surface Predictive Control for MMC
Xing Liu · Lin Qiu · Jose Rodriguez · Kui Wang 等6人 · IEEE Transactions on Power Electronics · 2023年1月
本文提出了一种基于强化学习的神经动态面预测控制方法，用于解决模块化多电平变换器（MMC）的控制问题。该方法有效克服了传统动态规划算法中“维度灾难”及对精确系统模型依赖的局限性，通过引入预测器结构，提升了MMC系统的动态响应性能与控制鲁棒性。
解读: MMC技术在阳光电源的高压大功率光伏逆变器及大型储能系统（如PowerTitan系列）中具有重要应用潜力。该文提出的基于强化学习的预测控制算法，能够有效解决MMC复杂拓扑下的多目标优化控制难题，提升系统在弱电网环境下的稳定性。建议研发团队关注该算法在提升逆变器动态响应速度及降低计算复杂度方面的表现，...
无人机无线电能传输应用中的抗偏移能力增强与智能最小激活路径决策
Misalignment Tolerance Enhancement and Intelligent Minimal-Activation Pathway Decision for Unmanned Aerial Vehicles WPT Applications
Shuai Wu · Jingjie Yang · Chunwei Cai · Wenping Chai 等5人 · IEEE Transactions on Power Electronics · 2026年3月
本文提出了一种针对无人机无线充电的强化学习增强型系统，解决了自主着陆场景下抗偏移能力差及线圈匹配能效低的问题。通过可重构磁阵列产生二维旋转磁场以适应位置与角度偏差，并利用Q-learning框架实现最优线圈激活路径决策，显著提升了无线充电系统的灵活性与能量传输效率。
解读: 该研究聚焦于无线电能传输（WPT）的抗偏移控制与智能路径优化，虽目前阳光电源核心业务集中在光伏逆变器与储能系统，但该技术在电动汽车充电桩（EV Charger）的无线充电演进方向具有参考价值。特别是其利用强化学习实现动态磁场重构的思路，可为未来充电桩产品在复杂工况下的自适应调节提供算法借鉴。建议研发...
基于强化学习的多端口DC-DC变换器拓扑推导
Topology Derivation of Multiport DC–DC Converters Based on Reinforcement Learning
Mi Dong · Ruijin Liang · Jian Yang · Chenyao Xu 等6人 · IEEE Transactions on Power Electronics · 2023年4月
多端口DC-DC变换器在多种应用中备受关注，但传统拓扑推导方法复杂且耗时。本文提出了一种基于强化学习（RL）的拓扑推导方法，能够快速生成复杂变换器的拓扑结构，为电力电子电路设计提供了高效的新路径。
解读: 该研究利用强化学习自动化推导多端口DC-DC拓扑，对阳光电源的研发具有重要价值。在光储一体化及PowerTitan/PowerStack储能系统中，多端口变换器是实现光伏与电池高效耦合的核心。引入AI辅助拓扑设计，可显著缩短新一代高功率密度、高效率变换器的研发周期，优化多端口间的能量调度逻辑。建议研...
基于强化学习的混合型静止同步补偿器滑模控制
Reinforcement Learning Based Sliding Mode Control for a Hybrid-STATCOM
Cheng Gong · Wai-Kit Sou · Chi-Seng Lam · IEEE Transactions on Power Electronics · 2023年6月
混合型静止同步补偿器（Hybrid-STATCOM）具有补偿范围广、直流侧电压低等优点，是中压应用中高性价比的无功补偿方案。然而，其耦合部分具有时变性且系统模型非线性，给控制器设计带来挑战。本文提出了一种基于强化学习的滑模控制策略，以提升系统的动态响应与鲁棒性。
解读: 该技术对阳光电源的电网侧储能（PowerTitan系列）及大型光伏电站的无功补偿方案具有重要参考价值。Hybrid-STATCOM的低直流电压特性有助于降低系统成本，而强化学习与滑模控制的结合能有效解决复杂电网环境下的非线性控制难题，提升系统在弱电网下的稳定性。建议研发团队关注该控制算法在iSola...
基于机器学习的Delta与反Delta耦合器优化及其在电动汽车无线充电中的应用
Delta and Inverse Delta Coupler Optimization Using Machine Learning for Wireless Power Transfer Electric Vehicle Charging Application
Rahulkumar J · Narayanamoorthi R · IEEE Transactions on Power Electronics · 2025年1月
本文提出了一种新型Delta与反Delta（Δ–∇）几何结构的无线电能传输（WPT）耦合器，旨在提升电动汽车充电系统的效率、轻量化水平及抗偏移能力。通过引入基于机器学习的强化学习算法，实现了对该耦合器几何参数的优化设计，显著提升了系统性能。
解读: 该研究聚焦于无线充电技术的耦合器优化，属于电动汽车充电领域的前沿探索。虽然阳光电源目前的充电桩产品线主要以有线直流快充为主，但随着未来自动驾驶及智慧交通的发展，无线充电有望成为iSolarCloud智能运维平台下的一项增值服务。建议研发团队关注该类耦合器在轻量化与抗偏移方面的设计思路，将其作为未来高...
基于强化学习的无线电动汽车感应电能传输
IPT）磁芯优化设计
Min S. Jeong · Jin H. Jang · Eun S. Lee · IEEE Transactions on Power Electronics · 2023年11月
本文提出了一种利用强化学习（RL）算法优化无线电动汽车（WEV）感应电能传输（IPT）磁芯结构的新方法。由于IPT系统难以通过理论分析直接求得互感最大值，传统设计依赖于基于有限元法（FEM）的直觉式迭代过程。本文通过RL算法实现了磁芯结构的自动化优化设计，显著提升了设计效率与性能。
解读: 该研究探讨的无线充电（IPT）技术是电动汽车充电领域的前沿方向。虽然阳光电源目前的充电桩业务主要集中在有线直流快充领域，但随着无线充电技术的商业化进程，该技术可作为未来充电桩产品线的技术储备。文中提到的“强化学习+有限元仿真”的优化设计方法，不仅适用于IPT磁芯设计，也可推广至阳光电源现有组串式逆变...
电力变换器的FCS-MPC：一种数据驱动的无模型强化学习解决方案
FCS-MPC of Power Converters: A Data-Driven Model-Free Reinforcement Learning Solution
Xing Liu · Lin Qiu · Youtong Fang · Kui Wang 等6人 · IEEE Transactions on Power Electronics · 预计 2026年5月
本文为有限控制集模型预测控制（FCS-MPC）奠定了理论基础，利用数据驱动的无模型强化学习方法，结合比例积分型数据驱动动态内部模型预测控制与强化学习策略，实现了电力变换器的高效控制。
解读: 该技术对阳光电源的核心产品线（光伏逆变器、储能PCS及风电变流器）具有重大应用价值。传统的FCS-MPC高度依赖系统精确模型，而该无模型强化学习方案能显著降低建模难度，提升复杂工况下的动态响应速度与鲁棒性。建议研发团队将其应用于PowerTitan等大功率储能系统及组串式逆变器中，以优化在弱电网环境...
一种基于自适应网络的强化学习PMSG风能转换系统MPPT控制方法
An Adaptive Network-Based Reinforcement Learning Method for MPPT Control of PMSG Wind Energy Conversion Systems
Chun Wei · Zhe Zhang · Wei Qiao · Liyan Qu · IEEE Transactions on Power Electronics · 2016年11月
本文提出了一种基于人工神经网络（ANN）的强化学习（RL）最大功率点跟踪（MPPT）算法，用于永磁同步发电机（PMSG）变速风能转换系统。该算法通过ANN与RL的结合，学习PMSG转子转速与电功率之间的最优关系，从而实现高效的能量捕获。
解读: 该研究提出的自适应强化学习MPPT算法对阳光电源的风电变流器业务具有重要参考价值。目前风电变流器正向高效率、智能化方向演进，引入AI算法可显著提升变流器在复杂风况下的发电效率及动态响应能力。建议研发团队关注该算法在全功率变流器控制策略中的应用，通过优化转速控制逻辑，提升风机在低风速段的捕获能力，从而...
基于简易迁移强化学习的跟网型变流器多目标控制器设计
Multi-Objective Controller Design for Grid-Following Converters With Easy Transfer Reinforcement Learning
Yu Zeng · Shan Jiang · Georgios Konstantinou · Josep Pou 等6人 · IEEE Transactions on Power Electronics · 2025年5月
本文提出了一种结合简易迁移学习（ETL）与深度强化学习（DRL）的ETRL方法，旨在将针对特定跟网型变流器设计的控制器快速迁移至参数不同的其他变流器中。该方法包含系统描述、DRL学习、ETL迁移、实验数据微调等阶段，有效解决了多目标控制器在不同系统参数下的适应性问题。
解读: 该技术对阳光电源的组串式光伏逆变器及储能变流器（PCS）具有重要应用价值。在复杂的弱电网环境下，传统PI控制器的参数整定往往难以兼顾多目标性能。通过引入ETRL方法，阳光电源可在iSolarCloud平台积累的运行数据基础上，实现控制器参数的快速自适应迁移，显著缩短不同功率等级、不同电网环境下的产品...
混合有源电力滤波器最优电压电流控制的模型与数据混合强化学习
Model and Data Hybrid Reinforcement Learning for Optimal Voltage-Current Control of Hybrid Active Power Filter
Cheng Gong · Chi-Seng Lam · IEEE Transactions on Power Electronics · 2025年9月
本文提出了一种用于混合有源电力滤波器（HAPF）的最优电压电流控制（OVCC）新设计，采用了模型与数据混合强化学习（MDRL）方法。该方法在保证低采样和计算需求的同时，实现了高稳态精度和快速动态响应，克服了传统控制策略在动态性能方面的局限性。
解读: 该研究提出的MDRL控制策略在提升电力电子变换器动态响应与稳态精度方面具有显著优势。对于阳光电源的组串式逆变器及PowerTitan/PowerStack储能变流器（PCS）而言，该算法可优化复杂电网环境下的电流跟踪性能，特别是在弱电网或谐波干扰严重的工况下，能有效提升并网电能质量。建议研发团队关注...
基于强化学习的抗环境光干扰多通道LED系统非线性指标优化与控制
Optimizing and Controlling Nonlinear Metrics of Multichannel LED Systems With Ambient Light Interference via Reinforcement Learning
Qi Wang · Jianfei Dong · IEEE Transactions on Power Electronics · 2025年11月
多通道LED系统在舞台照明、多光谱成像及光疗等领域应用广泛。然而，紧凑封装带来的光-电-热非线性响应增加了控制难度。本文提出一种基于强化学习的控制策略，旨在解决复杂环境光干扰下非线性照明指标的精确跟踪问题，为多物理场耦合系统提供了一种高效的控制方案。
解读: 该文献探讨的强化学习（RL）在处理复杂非线性系统及多物理场耦合（光-电-热）控制方面的思路，对阳光电源具有一定的参考价值。虽然LED照明非阳光电源核心业务，但其核心方法论可迁移至iSolarCloud智能运维平台或储能系统管理中。例如，在PowerTitan等储能系统的热管理优化、电池寿命预测，或光...
基于TD3算法的多输入多输出DC-DC变换器强化学习控制
TD3 Algorithm Based Reinforcement Learning Control for Multiple-Input Multiple-Output DC–DC Converters
Jian Ye · Huanyu Guo · Di Zhao · Benfei Wang 等5人 · IEEE Transactions on Power Electronics · 2024年10月
本文提出了一种基于双延迟深度确定性策略梯度（TD3）算法的强化学习控制器，用于单电感多输入多输出（SI-MIMO）DC-DC变换器。该控制器旨在解决多输入源功率分配难题，并有效抑制多输出通道间的交叉调节干扰。
解读: 该研究提出的基于TD3算法的智能控制策略，对阳光电源的储能变流器（PCS）及光储一体化系统具有重要参考价值。在PowerTitan等储能系统中，多端口能量管理与功率分配是核心难点，传统PID或模型预测控制在复杂工况下调节能力有限。引入强化学习算法可显著提升系统在多源输入、多负载输出场景下的动态响应速...
基于边缘计算辅助安全强化学习的永磁同步电机有限集直接转矩控制
Finite-Set Direct Torque Control via Edge-Computing-Assisted Safe Reinforcement Learning for a Permanent-Magnet Synchronous Motor
Maximilian Schenke · Barnabas Haucke-Korber · Oliver Wallscheid · IEEE Transactions on Power Electronics · 2023年11月
基于强化学习（RL）的驱动控制技术实现了数据驱动训练阶段的全局优化。然而，由于训练过程中的安全性挑战，其实际应用受限。本文提出了一种边缘计算辅助的安全强化学习方法，用于永磁同步电机的有限集直接转矩控制，在无需先验模型的情况下实现了高效驱动控制，并解决了实时训练中的安全约束问题。
解读: 该技术主要针对电机驱动控制，与阳光电源的电动汽车充电桩及风电变流器业务具有技术关联性。通过边缘计算辅助强化学习，可提升变流器在复杂工况下的动态响应能力和控制精度，减少对精确数学模型的依赖。建议研发团队关注该算法在风电变流器转矩控制及充电桩功率模块动态优化中的应用，以提升系统鲁棒性。虽然目前核心业务侧...
基于事件驱动的强化学习预测控制器设计用于三相NPC变换器
Event-Driven Based Reinforcement Learning Predictive Controller Design for Three-Phase NPC Converters Using Online Approximators
Xing Liu · Lin Qiu · Youtong Fang · Kui Wang 等6人 · IEEE Transactions on Power Electronics · 2025年4月
本文针对三相NPC变换器提出了一种基于事件驱动的强化学习无模型预测控制策略。该方法利用在线逼近器解决系统不确定性，并通过事件触发机制有效降低开关损耗。核心创新在于引入评价神经网络学习性能函数，实现对复杂电力电子系统的优化控制。
解读: 该技术对阳光电源的核心产品线（如集中式逆变器、大功率储能PCS）具有极高的应用价值。NPC（中点钳位）三电平拓扑是阳光电源大功率光伏逆变器和PowerTitan系列储能变流器的关键技术路线。通过引入强化学习与事件驱动控制，可以在保证并网电能质量的前提下，显著降低开关频率带来的损耗，提升整机效率。建议...
基于强化学习与Beta参数的光伏发电系统自整定MPPT方案
Self-Tuning MPPT Scheme Based on Reinforcement Learning and Beta Parameter in Photovoltaic Power Systems
Dingyi Lin · Xingshuo Li · Shuye Ding · Huiqing Wen 等6人 · IEEE Transactions on Power Electronics · 2021年12月
本文提出了一种结合强化学习（RL）与Beta参数的光伏最大功率点跟踪（MPPT）自整定方案。该方法旨在提升光伏系统在复杂环境下的跟踪精度与响应速度，通过强化学习算法动态优化控制参数，有效解决了传统MPPT算法在快速变化光照条件下的性能瓶颈。
解读: 该技术对阳光电源的核心业务具有极高价值。在组串式和集中式光伏逆变器产品中，MPPT算法的效率直接决定了电站的发电收益。引入强化学习（RL）可使逆变器在阴影遮挡、快速多变光照等复杂工况下，实现比传统扰动观察法更精准、更快速的功率跟踪。建议研发团队将此算法集成至iSolarCloud智能运维平台或逆变器...
基于深度确定性策略梯度方案的电动汽车新型永磁同步电机控制的实时SIL验证
Real-Time SIL Validation of a Novel PMSM Control Based on Deep Deterministic Policy Gradient Scheme for Electrified Vehicles
Soumava Bhattacharjee · Sukanta Halder · Ye Yan · Aiswarya Balamurali 等6人 · IEEE Transactions on Power Electronics · 2022年8月
本文探讨了电动汽车应用中永磁同步电机（PMSM）的矢量控制问题。针对传统控制技术在处理非线性电机参数及参数整定方面的局限性，提出了一种基于深度确定性策略梯度（DDPG）的强化学习控制方案，并通过实时软件在环（SIL）仿真验证了其性能。
解读: 该研究利用深度强化学习优化电机控制，对阳光电源的电动汽车充电桩业务具有重要参考价值。随着充电桩向高功率、高效率及智能化方向发展，引入AI算法优化功率变换模块的控制策略，可显著提升系统在复杂工况下的动态响应能力和效率。建议研发团队关注该技术在充电桩功率模块控制中的应用，通过强化学习替代传统PID整定，...
基于深度确定性策略梯度算法的单电感多输出DC-DC变换器强化学习控制器
Deep Deterministic Policy Gradient Algorithm Based Reinforcement Learning Controller for Single-Inductor Multiple-Output DC–DC Converter
Jian Ye · Huanyu Guo · Benfei Wang · Xinan Zhang · IEEE Transactions on Power Electronics · 2024年4月
单输入多输出（SIMO）DC-DC变换器因结构简单、功率密度高等优势具有广阔应用前景。然而，由于所有负载共享电感，导致严重的相互干扰，控制设计面临挑战。本文提出一种基于深度确定性策略梯度（DDPG）算法的强化学习控制器，旨在解决SIMO变换器中的交叉调节问题，实现多输出电压的精确控制。
解读: 该研究探讨的SIMO变换器控制技术在阳光电源的户用光伏及小型储能产品线中具有潜在应用价值。目前阳光电源的户用储能系统（如PowerStack系列）及光伏逆变器多采用多级变换架构，若未来产品向更高集成度、多路输出的单级变换拓扑演进，该基于强化学习的控制算法可有效解决多路负载间的耦合干扰问题，提升系统动...
一种用于D2D接口的具有强化学习下垂补偿的快速瞬态单次下垂恢复数字LDO
A Fast-Transient One-Shot Droop Recovery Digital LDO With Reinforcement-Learning Droop Compensation for D2D Interfaces
Minkyu Song · Yunbeom Hwang · Seok-Won Jung · Taeho Lee 等6人 · IEEE Transactions on Power Electronics · 2025年10月
本文介绍了一种数字低压差线性稳压器（LDO），通过基于强化学习的自适应补偿（RL-SAC）技术，实现了8纳秒的超快建立时间和单次电压下垂恢复。RL-SAC通过实时背景学习，识别补偿电压下垂所需的最佳电流，从而优化瞬态响应。
解读: 该技术主要针对芯片级电源管理（D2D接口），属于集成电路设计领域。虽然阳光电源的核心产品线（如光伏逆变器、储能PCS）主要涉及功率电子变换，而非芯片级LDO设计，但其核心思想——“基于强化学习的自适应控制”具有极高的参考价值。建议将此算法思路迁移至阳光电源的iSolarCloud智能运维平台或储能系...
基于强化学习的模块化多电平变换器虚假数据注入攻击检测器漏洞利用方法
Reinforcement Learning-Based Method to Exploit Vulnerabilities of False Data Injection Attack Detectors in Modular Multilevel Converters
Claudio Burgos-Mellado · Claudio Zuñiga-Bauerle · Diego Muñoz-Carpintero · Yeiner Arias-Esquivel 等8人 · IEEE Transactions on Power Electronics · 2023年7月
模块化多电平变换器（M2C）作为信息物理系统（CPS），其控制依赖于通信网络。本文研究了针对M2C虚假数据注入（FDI）攻击检测器的漏洞，提出了一种基于强化学习的方法，旨在通过攻击手段评估检测器的鲁棒性，从而提升电力电子系统的网络安全防护水平。
解读: 该研究聚焦于电力电子系统的网络安全，对阳光电源的集中式逆变器及大型储能系统（如PowerTitan系列）具有重要参考价值。随着公司产品向数字化、智能化转型，iSolarCloud平台及设备端的通信安全性至关重要。本文提出的强化学习攻击检测评估方法，可用于强化公司逆变器与PCS的控制算法鲁棒性，预防潜...
基于软Actor-Critic算法的强化学习控制器改进交错并联DC-DC升压变换器电压调节
Improving Voltage Regulation of Interleaved DC-DC Boost Converter via Soft Actor-Critic Algorithm Based Reinforcement Learning Controller
Jian Ye · Di Zhao · Xuewei Pan · Sinan Li 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年5月
本文提出采用基于软Actor-Critic（SAC）算法的强化学习（RL）控制器作为三相交错并联DC-DC升压变换器的唯一主控制器，以提升输出电压的动态性能。阐述了最大熵学习的优势及SAC算法原理，给出了神经网络结构与奖励函数的设计方案。SAC智能体经离线训练后，在工作点处进行稳定性分析，并在物理平台上部署测试。与现有方法的对比表明，该方法显著提升了变换器的电压控制能力，且对参数、参考值及负载变化具有强鲁棒性。
解读: 该SAC强化学习控制技术对阳光电源DC-DC变换器产品具有重要应用价值。在ST系列储能变流器中，交错并联Boost拓扑广泛用于电池侧DC-DC升压环节，该方法可显著提升电压动态响应速度和参数鲁棒性，优化储能系统功率爬坡能力。在车载OBC充电机中，面对电池SOC变化和负载突变工况，SAC算法的最大熵学...
第 1 / 2 页