找到 82 条结果
基于深度强化学习的主动配电网动态重构综述
A Review of Dynamic Reconfiguration in Active Distribution Networks Based on Deep Reinforcement Learning
江昌旭郭辰刘晨曦林俊杰邵振国 · 高电压技术 · 2025年4月 · Vol.51
随着双碳目标推进，风电、光伏等分布式电源大量接入配电网，加剧了出力的间歇性与波动性。主动配电网动态重构属高维混合整数非线性随机优化问题，传统方法存在局限。深度强化学习融合深度学习表征能力与强化学习决策优势，适用于该场景下的重构策略求解。本文综述其研究进展，分析数学模型构建、编码方式及算法应用现状，总结现有方法不足与深度强化学习的优势，并展望未来研究方向。
解读: 该深度强化学习配电网重构技术对阳光电源储能与光伏系统协同优化具有重要价值。在PowerTitan大型储能系统中，可结合iSolarCloud平台实时数据，通过DRL算法动态优化储能充放电策略与网络拓扑，应对光伏出力波动。对于SG系列逆变器集群，该技术可优化多逆变器协同控制与潮流分配，提升MPPT效率...
利用深度残差机器学习估计电机温度
Estimating Electric Motor Temperatures With Deep Residual Machine Learning
Wilhelm Kirchgassner · Oliver Wallscheid · Joachim Bocker · IEEE Transactions on Power Electronics · 2021年7月
针对牵引驱动应用中电机温度监测不足的问题，本文提出一种基于深度残差学习的温度估计方法。传统热模型依赖复杂的参数选择且受几何结构和冷却动力学影响，而该数据驱动方法通过深度学习模型，在无需精确物理建模的情况下，实现了对电机内部温度的精准预测，有效提升了系统的运行安全性与设计优化能力。
解读: 该技术在电机热管理方面的应用对阳光电源的电动汽车充电桩及风电变流器业务具有参考价值。通过深度学习替代传统的复杂热网络模型，可以更精准地预测功率模块或电机在极端工况下的温度，从而优化散热设计，提升产品功率密度。建议研发团队关注该方法在iSolarCloud平台中的应用，通过挖掘设备运行数据，实现对逆变...
面向锂离子电池跨工况容量估计的多源加权域自适应方法
Multisource Weighted Domain Adaptation for Cross-Conditions Capacity Estimation of Lithium-Ion Batteries
Hui Hua · Lifeng Wu · IEEE Transactions on Power Electronics · 2024年8月
准确的在线电池容量估计对BMS安全至关重要。由于锂离子电池在不同运行环境和负载条件下表现出差异化的退化过程，本文提出一种多源加权域自适应方法，旨在解决多工况下的无监督电池容量估计难题，提升复杂场景下的状态监测精度。
解读: 该技术对阳光电源的PowerTitan和PowerStack储能系统具有极高的应用价值。目前储能系统在不同电网环境（如调峰、调频）及温度工况下，电池衰减特性差异巨大，传统的BMS算法往往难以兼顾泛化性。通过引入域自适应（Domain Adaptation）算法，可显著提升iSolarCloud智能运...
基于条件生成对抗网络的高频磁性元件铁损预测
Conditional Generative Adversarial Network Aided Iron Loss Prediction for High-Frequency Magnetic Components
Xiaobing Shen · Yu Zuo · Wilmar Martinez · IEEE Transactions on Power Electronics · 2024年8月
本文针对高频磁性元件铁损预测的复杂挑战，提出了一种新型条件生成对抗网络（cGAN）模型。该框架克服了传统预测方法忽略多因素复杂交互的局限性，能够更全面地捕捉磁性材料在高频工作条件下的损耗特性，为电力电子变换器的磁性元件设计提供了更精确的理论支撑。
解读: 磁性元件是阳光电源组串式逆变器、PowerTitan储能变流器及车载充电桩等产品的核心部件。随着功率密度提升，高频化带来的磁损耗成为制约效率提升的关键瓶颈。该研究利用cGAN进行铁损预测，比传统有限元仿真更高效，能显著缩短磁性元件的研发周期。建议研发团队将其引入iSolarCloud辅助设计平台，通...
功率变换器损耗评估的精细化：一种迁移学习方法
Refining Power Converter Loss Evaluation: A Transfer Learning Approach
Ziheng Xiao · Yu Jiang · Tengfei Sun · Yue Wu 等5人 · IEEE Transactions on Power Electronics · 2024年4月
精确的功率变换器损耗评估对于预测功率损耗及优化控制参数以提升效率至关重要。传统方法将理论分析与实验验证割裂，导致两者间存在难以调和的差异。本文提出一种基于迁移学习的损耗评估方法，旨在弥合理论模型与实际运行数据间的鸿沟，实现更精准的损耗预测。
解读: 该研究提出的迁移学习方法对阳光电源的产品研发具有重要价值。在光伏逆变器（如组串式、集中式）及储能变流器（PowerTitan/PowerStack）的开发中，损耗评估的精度直接影响整机效率与散热设计。通过引入迁移学习，研发团队可利用有限的实验数据对仿真模型进行校准，从而在设计阶段更准确地预测不同工况...
电力电子系统故障诊断中的数据挖掘应用：系统综述
Data Mining Applications to Fault Diagnosis in Power Electronic Systems: A Systematic Review
作者未知 · IEEE Transactions on Power Electronics · 日期未知
本文综述了电力电子系统（PES）故障诊断的研究进展，重点介绍了基于数据挖掘的技术，包括人工神经网络、机器学习和深度学习算法。文章探讨了这些先进算法在提升系统可靠性、实现早期故障检测方面的应用潜力与挑战。
解读: 该研究直接服务于阳光电源的核心可靠性战略。在光伏逆变器（如SG系列组串式逆变器）和储能系统（如PowerTitan系列）中，引入机器学习和深度学习进行故障预测与健康管理（PHM）是提升运维效率的关键。通过iSolarCloud平台集成此类算法，可实现从“被动维修”向“主动运维”的转型，有效降低电站停...
电力电子中人工智能应用综述
An Overview of Artificial Intelligence Applications for Power Electronics
Shuai Zhao · Frede Blaabjerg · Huai Wang · IEEE Transactions on Power Electronics · 2021年4月
本文概述了人工智能在电力电子系统中的应用，涵盖设计、控制和维护三个生命周期阶段。探讨了优化、分类、回归及数据结构探索等AI任务，并分析了四类AI技术在电力电子领域的应用潜力与挑战。
解读: AI技术是阳光电源实现产品智能化升级的核心驱动力。在设计阶段，AI可用于优化逆变器和PCS的拓扑参数，缩短研发周期；在控制层面，利用机器学习优化PWM策略或实现构网型控制，能显著提升系统在弱电网下的稳定性；在运维阶段，结合iSolarCloud平台，通过AI算法对组串式逆变器及PowerTitan储...
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...
基于去噪扩散模型的高频磁性元件铁损外推预测
Iron Loss Extrapolation Predictions for High-Frequency Magnetic Components Using Denoising Diffusion Models
Xiaobing Shen · Yu Zuo · Diego Bernal Cobaleda · Wilmar Martinez · IEEE Transactions on Power Electronics · 2025年10月
本文引入去噪扩散概率模型（DDPM）以提升高频磁性元件的铁损预测精度。传统Steinmetz方程难以捕捉高频磁芯损耗的非线性动态及复杂波形。相比于多层感知机、迁移学习等方法，该模型能更准确地处理复杂工况下的损耗预测问题。
解读: 随着阳光电源组串式逆变器及PowerTitan系列储能变流器向高功率密度、高开关频率方向演进，磁性元件（电感、变压器）的损耗优化成为提升整机效率的关键。该研究提出的扩散模型能够更精准地预测复杂高频波形下的铁损，有助于研发团队在设计阶段优化磁件选型与绕组方案，降低温升，提升产品可靠性。建议将该算法集成...
高速列车功率IGBT模块剩余使用寿命预测的混合方法
Hybrid Method for Remaining Useful Life Prediction of Power IGBT Modules in High-Speed Trains
Hengzhi Liu · He-sheng Zhang · Yicong Tang · IEEE Transactions on Power Electronics · 2024年11月
针对高速列车运行中IGBT模块剩余使用寿命（RUL）预测面临的不确定性、多变量及全生命周期数据匮乏等挑战，本文提出了一种混合预测方法，有效提升了复杂工况下功率器件寿命评估的准确性。
解读: IGBT是阳光电源组串式/集中式光伏逆变器及PowerTitan/PowerStack储能变流器（PCS）的核心功率器件。该研究提出的混合RUL预测方法，对于提升阳光电源iSolarCloud平台的智能化运维水平具有重要价值。通过引入该方法，可实现对逆变器及储能PCS内部核心功率模块的“健康状态（S...
基于图神经网络的单/三相磁耦合等效电路
Equivalent Circuit for Single/Three Phase Magnetic Coupling With Graph Neural Networks
Yusuke Yamakaji · Hayaru Shouno · Kunihiko Fukushima · IEEE Transactions on Power Electronics · 2025年2月
由于电路设计中元件与布线存在高自由度和相互干扰，传统设计依赖迭代原型与仿真。本文提出将电路转化为图网络，并特别解决了传统方法忽略的磁耦合问题。通过图神经网络（GNN）对磁耦合进行建模，旨在优化电路设计流程，减少对物理原型和繁琐仿真的依赖。
解读: 该研究利用图神经网络（GNN）解决磁耦合建模难题，对阳光电源的研发具有重要价值。在组串式逆变器和PowerTitan储能系统的磁性元件（如电感、变压器）设计中，该方法能显著提升高频磁场仿真效率，缩短产品开发周期。建议研发团队将其引入iSolarCloud的数字孪生系统或研发仿真平台，通过AI辅助优化...
基于自监督学习的伺服系统多参数优化框架
Self-Supervised Learning-Based Multiparameters Optimization Framework in Servo Systems
Hongjie Li · Gan Wang · Tingna Shi · Yanfei Cao 等6人 · IEEE Transactions on Power Electronics · 2025年11月
伺服控制系统存在多参数强耦合问题，导致优化过程面临效率与稳定性的双重挑战。传统基于系统建模的参数整定策略存在模型依赖性强、优化效率低、数据需求高及结构侵入性等问题。本文提出一种基于自监督学习的多参数优化框架，旨在解决上述难题，实现更高效、鲁棒的控制参数自动整定。
解读: 该研究提出的自监督学习参数优化框架，对于阳光电源的控制算法迭代具有参考价值。在组串式逆变器和PowerTitan储能系统的控制环路中，参数整定通常依赖于经验或精确模型，面对复杂电网环境（如弱电网）时，控制参数的自适应优化至关重要。该技术可应用于iSolarCloud智能运维平台，通过云端大数据分析与...
基于双向长短期记忆网络
Bi-LSTM）的并网变流器序阻抗预测
Sijia Li · Rui Kong · Frede Blaabjerg · Amjad Anvari-Moghaddam · IEEE Transactions on Power Electronics · 2026年2月
大规模电压源变流器（VSC）接入电网可能引发稳定性问题。基于阻抗建模的稳定性分析是解决该问题的核心框架。然而，在变流器内部结构和参数未知的情况下，现有频率扫描测量技术存在局限。本文提出一种基于Bi-LSTM神经网络的序阻抗预测方法，旨在实现对变流器阻抗特性的快速、准确评估，为复杂电网环境下的稳定性分析提供新途径。
解读: 该技术对阳光电源的组串式和集中式光伏逆变器、PowerTitan/PowerStack储能变流器（PCS）具有极高价值。在弱电网或复杂电网环境下，逆变器与电网的交互稳定性是核心痛点。通过引入Bi-LSTM深度学习模型，阳光电源可在iSolarCloud平台或现场运维中，无需获取逆变器内部详细参数即可...
基于人工智能技术的电机应用综述
Application of Artificial Intelligence-Based Technique in Electric Motors: A Review
Wangde Qiu · Xing Zhao · Andy Tyrrell · Suresh Perinpanayagam 等6人 · IEEE Transactions on Power Electronics · 2024年10月
电机在工业领域应用广泛，提升其综合性能一直是研究热点。随着人工智能（AI）技术的快速发展，越来越多的AI方法被应用于电机领域，以实现更优的控制、监测与优化。
解读: 该文献探讨的AI技术在电机控制与故障诊断方面的应用，对阳光电源的业务具有参考价值。在风电变流器领域，AI算法可用于发电机侧的预测性维护及复杂工况下的自适应控制；在储能系统（如PowerTitan）的冷却风扇电机及PCS内部功率模块的健康状态监测中，引入机器学习模型可显著提升系统可靠性。建议研发团队关...
一种用于锂离子电池容量预测的多输出卷积高斯过程
A Multioutput Convolved Gaussian Process for Capacity Forecasting of Li-Ion Battery Cells
Abdallah A. Chehade · Ala A. Hussein · IEEE Transactions on Power Electronics · 2022年1月
本文提出了一种基于多输出卷积高斯过程（MCGP）的锂离子电池容量预测方法。该方法通过潜在函数分解技术，将多个电池单元的容量趋势分解为潜在函数，并结合优化核函数进行建模，实现了多任务学习与迁移学习，有效提升了电池容量衰退趋势预测的准确性。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack系列）具有极高的应用价值。通过MCGP模型，公司可提升iSolarCloud平台对大规模储能电站电池衰退的预测精度，实现更精准的SOH（健康状态）管理和寿命预警。这不仅能优化BMS的充放电策略，延长系统使用寿命，还能为电网侧储能的...
基于预测建模的开关功率变换器组件级数据驱动设计
Data-Driven Component-Level Design of Switching Power Converters Using Predictive Modeling
Skye Reese · Bailey Sauter · Dragan Maksimović · IEEE Transactions on Power Electronics · 2025年8月
本文展示了如何利用数据驱动的自动化系统方法辅助开关功率变换器的组件级设计。通过回归机器学习技术，利用海量组件数据及设计参数训练预测模型，从而针对特定变换器拓扑和规格需求，实现高效的组件选型与参数优化。
解读: 该研究提出的数据驱动设计方法对阳光电源的产品研发具有重要参考价值。在组串式逆变器和PowerTitan储能系统等产品的开发中，功率模块（IGBT/SiC）及磁性元件的选型往往依赖经验，引入机器学习预测模型可显著缩短研发周期，优化功率密度与成本平衡。建议研发团队在iSolarCloud运维数据积累的基...
永磁电机驱动系统常见电气故障的诊断与识别
Diagnosis and Identification of Common Electrical Faults in PM Machine Drives
Xiaobao Feng · Bo Wang · Zheng Wang · Wei Hua 等5人 · IEEE Transactions on Power Electronics · 2024年10月
随着电机驱动在航空航天和电动汽车领域的广泛应用，高可靠性成为核心关注点。故障诊断与容错控制对提升驱动系统可靠性至关重要。然而，现有研究多集中于单一故障，而实际中多种故障可能具有相似特征，本文旨在解决多故障特征重叠下的诊断与识别难题。
解读: 该研究聚焦于电机驱动系统的故障诊断与容错控制，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。虽然阳光电源的核心业务侧重于电力电子变换，但电机驱动的故障特征提取与诊断算法（如机器学习的应用）可迁移至光伏逆变器及储能变流器（PCS）的功率模块健康管理与寿命预测中。建议研发团队关注文中提到的多...
人工智能在电力电子系统高频磁性元件设计中的应用综述
Artificial Intelligence Applications in High-Frequency Magnetic Components Design for Power Electronics Systems: An Overview
Xiaobing Shen · Yu Zuo · Jiaze Kong · Wilmar Martinez · IEEE Transactions on Power Electronics · 2024年7月
本文综述了人工智能（AI）在电力电子高频磁性元件（电感与变压器）设计中的应用，涵盖专家系统、模糊逻辑、元启发式算法及机器学习四大类。文章重点探讨了AI模型在损耗估计、参数优化及设计自动化方面的应用，旨在提升高频电力电子系统的设计效率与性能。
解读: 磁性元件（电感、变压器）是阳光电源组串式逆变器、PowerTitan储能变流器及充电桩的核心功率密度瓶颈。引入AI辅助设计可显著缩短高频磁性元件的研发周期，优化损耗模型，助力提升产品功率密度。建议研发团队利用机器学习算法替代传统的繁琐有限元仿真，在PowerTitan等大功率储能产品中实现磁性元件的...
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...
用于逆变器系统早期故障检测的密集多阶特征提取方法
Intensive Multiorder Feature Extraction for Incipient Fault Detection of Inverter System
Min Wang · Feiyang Cheng · Min Xie · Gen Qiu 等5人 · IEEE Transactions on Power Electronics · 2025年2月
逆变器系统在电力系统中至关重要，故障诊断是研究热点。现有基于数据的方法在处理顽固的早期故障时表现不佳。本文提出了一种密集多阶特征提取方法，旨在提升逆变器系统早期故障检测的准确性与鲁棒性，有效解决复杂工况下的故障识别难题。
解读: 该研究提出的早期故障检测技术对阳光电源的核心业务具有极高价值。在组串式逆变器和PowerTitan/PowerStack储能系统中，早期故障预警能显著降低运维成本并提升系统可用性。通过将该特征提取算法集成至iSolarCloud智能运维平台，可实现从“事后维修”向“预测性维护”的跨越。建议研发团队关...
第 1 / 5 页