找到 2 条结果
面向电力变换器物理信息机器学习的预测性维护研究综述
Toward Physics-Informed Machine-Learning-Based Predictive Maintenance for Power Converters—A Review
Youssof Fassi · Vincent Heiries · Jerome Boutet · Sebastien Boisseau · IEEE Transactions on Power Electronics · 2024年2月
本文综述了电力电子变换器预测性维护的研究进展。随着深度学习技术的快速发展，其在提升变换器性能与可靠性方面展现出巨大潜力。文章重点探讨了在数据资源、物理一致性及泛化能力等方面面临的挑战，并分析了物理信息机器学习在解决这些问题中的关键作用。
解读: 该研究对阳光电源全线产品（如PowerTitan储能系统、组串式逆变器及风电变流器）的智能化运维具有重要指导意义。通过引入物理信息机器学习（PIML），可有效解决传统数据驱动模型在极端工况下泛化能力差的问题，提升iSolarCloud平台的故障预警精度。建议研发团队将物理模型（如IGBT热模型、电容...
基于物理信息机器学习的电力电子变换器参数估计
Parameter Estimation of Power Electronic Converters With Physics-Informed Machine Learning
Shuai Zhao · Yingzhou Peng · Yi Zhang · Huai Wang · IEEE Transactions on Power Electronics · 2022年10月
物理信息机器学习（PIML）将领域知识与物理模型相结合，在电力电子领域展现出巨大潜力。本文提出了一种基于PIML的参数估计方法，并通过DC-DC Buck变换器案例进行了验证。该方法将深度神经网络与变换器的动态模型无缝耦合，实现了对关键参数的精确估计。
解读: 该技术对阳光电源的逆变器及储能PCS产品线具有重要应用价值。在复杂的电网环境下，功率变换器内部关键参数（如电感、电容老化状态）的实时精准估计是实现预测性维护的核心。通过将物理模型嵌入神经网络，阳光电源可在iSolarCloud平台及本地控制器中部署该算法，无需额外传感器即可实现对核心功率模块健康状态...