找到 2 条结果
一种改进的无模型参数预测控制与快速梯度更新在三相三电平逆变器中的应用
An Improved Model Parameter-Free Predictive Control With Fast Gradient Updating for Three-phase Three-Level Inverters
Zhengkui Zhao · Minxiao Han · IET Power Electronics · 2025年6月 · Vol.18
本文提出了一种改进的无模型参数预测控制方法，仅考虑电压矢量的α轴和β轴分量，并引入快速梯度更新机制。该方法通过优化查找表（LUT）结构，使LUT更新速度提升约63%。同时，提出一种基于LUT的快速优化策略，显著提高了计算效率，有效降低了控制算法的计算负担，适用于高动态性能要求的三相三电平逆变器系统。
解读: 该无模型参数预测控制技术对阳光电源三电平产品线具有重要应用价值。快速梯度更新机制和优化的LUT结构可直接应用于ST系列储能变流器和SG系列大功率光伏逆变器的三电平拓扑控制中，63%的更新速度提升能有效降低DSP/FPGA计算负担，提高系统动态响应性能。无模型参数特性可增强系统对参数失配的鲁棒性，特别...
基于SHAP与物理引导神经网络的卡诺电池主导因素识别与快速优化
Dominant factor identification and fast optimization of carnot battery by integrating SHAP and physics-guided neural network
Yunfei Zhang · Jian Lia · Mingzhe Yua · Xu Chena 等6人 · Applied Energy · 2025年1月 · Vol.401
摘要 卡诺电池是一种新兴的长时电能储存技术，有望大规模应用于促进波动性可再生能源的消纳。然而，卡诺电池由热泵、储热和热机单元组成，其内部存在复杂的能量流耦合关系。在不同工况下决定电-电（PTP）效率的主导因素及其耦合关系尚不明确，传统的优化方法也因耗时较长而制约了优化设计进程。本文构建了SHapley加性解释（SHAP）模型，用于识别卡诺电池的主导因素及其相互间的耦合关系。进一步提出一种融合SHAP与物理引导神经网络（PGNN）的新型优化方法——SPGO方法，能够快速实现最大PTP效率并给出相应...
解读: 该卡诺电池优化技术对阳光电源储能系统具有重要借鉴价值。论文提出的SHAP主导因素识别与物理引导神经网络(PGNN)优化方法,可应用于ST系列PCS及PowerTitan储能系统的效率优化。其多物理场耦合分析思路与SiC器件热管理优化高度契合,PGNN模型在插值/外推场景下误差降低15-30%的表现,...