找到 2 条结果
基于数据驱动的SiC MOSFET故障预测方法
Data-Driven Approach for Fault Prognosis of SiC MOSFETs
Weiqiang Chen · Lingyi Zhang · Krishna Pattipati · Ali M. Bazzi 等6人 · IEEE Transactions on Power Electronics · 2020年4月
本文提出了一种用于碳化硅（SiC）MOSFET故障预测的无监督学习方法。该方法通过监测器件在退化过程中的电压、电流、温度及其他特征参数的变化趋势来实现。文章回顾了半导体失效模式及现有故障预测技术，并首次针对SiC器件的退化特性提出了该数据驱动方案。
解读: SiC MOSFET是阳光电源组串式逆变器、PowerTitan储能系统及电动汽车充电桩的核心功率器件。随着高功率密度设计需求增加，SiC器件的可靠性成为系统长寿命运行的关键。该研究提出的无监督学习故障预测方法，可集成至iSolarCloud智能运维平台中，通过实时采集电压、电流及温度数据，实现对功...
性能保证的深度学习在动态智能电网网络攻击检测中的应用
Performance Guaranteed Deep Learning for Detection of Cyber-Attacks in Dynamic Smart Grids
Mostafa Mohammadpourfard · Chenhan Xiao · Yang Weng · IEEE Transactions on Power Systems · 2025年6月
虚假数据注入攻击（FDIA）对电力系统的可靠性构成了严重威胁，尤其是在诸如线路故障等动态运行条件下，这些情况会导致数据分布发生变化并出现概念漂移。传统的监督式方法依赖于带标签的数据集，这成本高昂且不适用于实时应用，并且在没有大量重新训练的情况下，往往无法适应新的攻击向量和运行变化。为应对这些挑战，我们设计了深度对比变分网络（DCVN），这是一个无监督学习框架，旨在无需带标签的数据或对网络拓扑进行假设的情况下检测FDIA。DCVN框架首先使用深度信念网络（DBN）从原始电力系统数据中进行稳健的特征...
解读: 该深度学习检测方法对阳光电源的储能和光伏产品安全性提升具有重要价值。可直接应用于ST储能系统和SG光伏逆变器的网络安全防护,特别是在大型储能电站和光伏电站的动态运行场景中。通过在iSolarCloud平台集成该检测算法,可提升PowerTitan等大型储能系统的运行可靠性,有效防范数据篡改导致的误操...