找到 18 条结果
考虑数据集误差下基于数据驱动的新能源设备多工况导纳获取方法
A Data-Driven Multi-Operating Condition Admittance Acquisition Method for Renewable Energy Equipment Considering Dataset Errors
李晗 · 李萌 · 王垚鑫 · 马骏超 等7人 · 中国电机工程学报 · 2025年3月 · Vol.45
基于数据驱动的神经网络建模广泛用于电力电子设备多工况阻抗/导纳建模，但实测导纳样本少且受测量噪声影响，导致数据质量差，模型预测误差大。为此，本文提出一种考虑测量误差的多工况导纳建模方法。以预测值与真实值的均方误差为指标指导网络训练，分析电压电流噪声对导纳测量的影响，建立测量误差与模型性能的关系，并采用贝叶斯算法搜索最优参数，抑制噪声干扰，提升模型精度。通过构建双馈感应发电机的BP神经网络导纳模型，在含测量误差的数据集中验证了方法的有效性。
解读: 该研究的数据驱动导纳建模方法对阳光电源的储能和光伏产品线具有重要应用价值。首先，可用于ST系列储能变流器和SG系列光伏逆变器的阻抗特性建模，提升系统稳定性分析精度。其次，该方法考虑实际测量误差的影响，通过贝叶斯优化提高模型鲁棒性，这对提升PowerTitan等大型储能系统的并网性能和iSolarCl...
基于单机模型扩展的直驱风电场通用等值模型构建方法
A Generalized Equivalent Modeling Method for PMSG-Based Wind Farms Based on Single-Turbine Model Extension
李东晟曹仟妮赖启平沈沉 · 电力系统自动化 · 2025年1月 · Vol.49
构建风电场动态等值模型是分析风电并网系统的基础。现有多机等值方法需随运行工况变化重新分群建模，难以满足在线动态安全分析的高效性需求。为此，本文提出一种适用于任意运行场景的直驱风电场通用等值模型构建方法。首先建立单台永磁直驱风机的神经网络通用模型，通过等效处理输入参数将其扩展至风电场整体，形成通用等值建模框架。基于CloudPSS电磁暂态仿真平台验证了模型的准确性与适用性，结果表明该方法可有效提升风电场建模效率与通用性。
解读: 该风电场等值建模方法对阳光电源的储能和光伏产品线具有重要参考价值。首先，其通用等值模型思路可用于优化ST系列储能变流器的群控策略，特别是在大型储能电站中实现多机协调控制。其次，该方法的神经网络建模框架可借鉴应用于SG系列光伏逆变器的集群控制，提升光伏电站的整体并网性能。此外，文中的动态等值技术对完善...
基于两阶段级联模型的光伏功率群体预测方法
A Two-Stage Cascaded Model for Group Photovoltaic Power Forecasting
谢宇辰孙玉玺耿光超江全元 · 高电压技术 · 2025年7月 · Vol.51
光伏发电的不确定性与波动性使得准确预测成为提升系统效率的关键挑战。相较于单站点预测，群体预测可提升整体精度，有助于省级电网的电力电量平衡。本文提出一种两阶段级联模型：第一阶段结合数值天气预报，采用混合神经网络对各站点独立进行短期光伏功率预测；第二阶段利用全连接层建立单站与群体预测间的映射关系，在保留第一阶段特征的基础上优化整体预测性能。实验结果表明，该方法较单站点预测误差降低近1%，且训练时间短于单一模型，验证了其优越的预测性能。
解读: 该两阶段级联光伏功率预测技术对阳光电源iSolarCloud智能运维平台具有重要应用价值。第一阶段的混合神经网络可集成到SG系列逆变器的本地MPPT优化算法中，结合NWP数据实现单站点精准预测；第二阶段的群体映射模型可部署于省级电网侧的PowerTitan大型储能系统，通过全连接层建立多站点协同预测...
电力系统暂态稳定评估中神经网络的鲁棒性认证
Robustness Certification of Neural Networks for Power System Transient Stability Assessment
Liangyuchen Lu · Yanzhen Zhou · Hongtai Zeng · Zhengcheng Wang 等6人 · IEEE Transactions on Power Systems · 2025年5月
神经网络（NNs）可快速准确地评估电力系统安全性，但对输入微小扰动的鲁棒性有限，可能导致误判。现有鲁棒性认证方法在暂态稳定评估中面临物理约束与敏感动态的挑战。为此，本文提出考虑物理可行性的鲁棒性比率指标及两阶段认证框架，通过嵌入系统物理约束推导非平凡鲁棒下界，并利用优化样本的稳定性验证获取上界。基于该框架开展模型选择与对抗训练，提升模型鲁棒性。在新英格兰10机系统及实际区域电网中的验证表明所提方法有效。
解读: 该神经网络鲁棒性认证技术对阳光电源PowerTitan大型储能系统及构网型控制产品具有重要应用价值。在储能系统参与电网暂态稳定支撑时，需快速准确评估系统安全裕度，但传统神经网络模型易受扰动影响导致误判。该研究提出的物理约束嵌入式认证框架可应用于：1）ST系列储能变流器的GFM控制策略优化，通过鲁棒性...
物理信息梯度估计加速基于深度学习的交流最优潮流
Physics-Informed Gradient Estimation for Accelerating Deep Learning-Based AC-OPF
Kejun Chen · Shourya Bose · Yu Zhang · IEEE Transactions on Industrial Informatics · 2025年3月
通过采用基于神经网络的响应式在线求解器，可以快速且可靠地解决最优潮流（OPF）问题。可再生能源发电的动态特性和电网条件的多变性要求利用新的数据实例频繁更新神经网络。为满足这一需求并减少数据准备所需的时间，我们提出了一种借助数据增强的半监督学习框架。在此框架下，岭回归取代了传统求解器，便于快速预测给定输入负荷需求的最优解。此外，为了在训练过程中加速反向传播，我们开发了新颖的批量均值梯度估计方法，并采用简化支路集来降低梯度计算的复杂度。数值模拟表明，配备了所提出的梯度估计器的神经网络能够始终获得可行...
解读: 从阳光电源的业务视角来看，这项基于深度学习的交流最优潮流（AC-OPF）加速技术具有重要的战略价值。随着我司在新能源发电和储能系统领域的深度布局，如何实现分布式能源的实时优化调度已成为核心技术挑战。 该论文提出的物理信息梯度估计方法直击新能源并网的关键痛点。光伏、风电等可再生能源的间歇性和波动性要...
三相串联端部绕组电压源逆变器的改进调制方法
Improved Modulation for Three-Phase Series-End Winding Voltage-Source Inverters
Zhi Chen · You Zhou · Feifan Guo · Christopher H. T. Lee · IEEE Transactions on Industrial Electronics · 2024年10月
为拓宽开放式绕组永磁同步电机（OEW - PMSM）驱动系统的调速范围并减少电力电子器件，本文采用了串联端绕组拓扑结构。提出了一种简化的调制策略。与空间矢量脉宽调制（SVPWM）相比，所提出的调制方法在ABC坐标系下计算四个桥臂的占空比。它避免了复杂的扇区识别和电压矢量分配计算，可简化控制器设计。串联端绕组拓扑结构的不对称性导致三相死区时间电压误差不对称。本文分析了死区时间的特性，并提出了一种新颖的死区时间补偿策略以消除电流谐波。采用自适应线性神经元（Adaline）神经网络（ANN）算法进行谐...
解读: 从阳光电源的业务视角来看，这篇论文提出的串联端绕组三相逆变器改进调制技术具有重要的参考价值，特别是在电动汽车驱动系统和储能变流器领域的应用潜力值得关注。 该技术针对开端绕组永磁同步电机驱动系统，通过串联端绕组拓扑结构实现了速度范围扩展和功率器件简化。这与阳光电源在储能PCS（储能变流器）和电动汽车...
基于事件驱动的强化学习预测控制器设计——用于三相NPC变流器的在线逼近器方法
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 · 2024年12月
本文针对电力变换器系统，研究了一种利用在线逼近器的无模型强化学习预测控制问题的两步事件驱动方法，解决了系统不确定性和不必要的开关损耗等问题。具体而言，本技术报告的关键特点如下：1) 采用一个评判神经网络实时学习性能函数；2) 采用一个执行神经网络在线逼近预测控制器，并使从评判网络获得的学习性能函数最小化；3) 采用两步事件驱动控制协议降低开关频率（SF）。此外，我们进一步探讨了该方案对参数不确定性的敏感性，并量化了其在低开关频率运行和未知干扰条件下的性能。此外，还对网络权重估计误差进行了收敛性分...
解读: 从阳光电源的业务视角来看，这项基于事件驱动的强化学习预测控制技术对三相NPC变流器的应用具有重要战略价值。NPC（中点钳位）拓扑是我司大功率光伏逆变器和储能变流器的核心架构，该技术在提升系统性能和降低运维成本方面展现出显著潜力。 该论文提出的双步事件驱动控制策略直接针对变流器的两大痛点：一是通过在...
高阶DC-DC变换器的在线神经网络无模型控制方法
Online Neural Network Based Model-free Control Method for High-order DC-DC Converter
Zhenkun Xiong · Liangzong He · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年8月
在复杂DC-DC变换器各种控制策略中,神经网络控制方法日益突出。其擅长无需精确数学模型的函数逼近,特别适合复杂、非线性和不确定控制系统。提出高阶DC-DC变换器新型在线无模型控制策略,利用神经网络能力。通过利用实时运行数据训练神经网络,该方法无需复杂模型即可开发变换器控制器。使用在线估计技术提取过程梯度。深入探讨无模型系统原理并详细分析控制方法稳定性。在高升压DC-DC变换器上进行大量实验验证控制框架的实用性、鲁棒性和响应性,该变换器高阶且难以建模,精确建模极具挑战性,可严格测试神经网络控制策略...
解读: 该在线神经网络无模型控制技术对阳光电源高阶复杂变换器控制有重要创新价值。无模型神经网络方法可应用于ST储能变流器的多级DC-DC变换器,简化控制器设计并提高适应性。在线训练和梯度估计技术对阳光电源变换器的自适应控制和参数漂移补偿有借鉴意义。该技术对PowerTitan大型储能系统的复杂拓扑控制和鲁棒...
协同分布对齐神经网络用于高性能变流器故障定位
Synergetic Distribution Align Neural Network for High-Performance Power Converters Fault Location
Wu Fan · Qiu Gen · Zhang Gang · Sheng Hanming 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年4月
基于深度学习的数据驱动方法在变流器故障诊断中表现优异，但普遍存在依赖故障样本、精度与鲁棒性不足的问题，限制了其在工业系统中的应用。本文提出一种小样本学习理论，通过共享特征提取器实现严格的跨域特征分布对齐，以同时获取域不变性与故障判别性特征，从而提升诊断性能。基于该理论，设计了一种具有嵌入式结构和参数分离训练机制的渐近特征分布对齐神经网络。该结构通过多层渐近特征约束实现严格分布对齐，并结合渐近损失函数提升训练稳定性。在多种变流器上的实验表明，即使在零样本条件下，该方法仍能准确识别多个开路故障位置，...
解读: 该协同分布对齐神经网络技术对阳光电源ST系列储能变流器和SG系列光伏逆变器的智能运维具有重要应用价值。其零样本/小样本学习能力可解决工业现场故障数据稀缺问题，直接应用于iSolarCloud云平台的预测性维护模块。针对IGBT/SiC功率模块开路故障的精准定位能力，可显著提升PowerTitan大型...
一种基于在线学习的最优控制算法以提升孤岛直流微电网中固体氧化物燃料电池的性能
A Novel Online Learning-Based Optimal Control Algorithm for Enhancing Solid Oxide Fuel Cells Performance in Islanded DC Microgrids
Yulin Liu · Tianhao Qie · Ujjal Manandhar · Xinan Zhang 等6人 · IEEE Transactions on Industrial Informatics · 2024年12月
随着可再生能源渗透率的不断提高，固体氧化物燃料电池（SOFC）为提高微电网供电的可靠性和可持续性提供了一种有前景的解决方案。所提出的方法解决了现有SOFC控制方法中的关键挑战，包括模型依赖、使用非最优控制策略、依赖离线训练的神经网络（NN）以及设计复杂等问题。与基于模型的方法相比，该方法利用神经网络和策略迭代技术来学习系统动态并逼近最优控制策略，从而消除了对模型的依赖。与基于离线学习的方法相比，该方法实现了在线策略评估和神经网络更新，省去了繁琐的离线训练和数据采集过程。与基于在线学习的SOFC控...
解读: 从阳光电源在新能源综合解决方案领域的战略布局来看，这项基于在线学习的固体氧化物燃料电池（SOFC）优化控制技术具有显著的战略参考价值。该技术通过神经网络和策略迭代实现系统动态学习与最优控制策略逼近，有效解决了传统方法对精确模型的依赖问题，这与阳光电源在多能互补微网系统中面临的控制复杂性挑战高度契合。...
基于机器学习的多浮置埋层LDMOS器件击穿电压建模与优化
Machine Learning-Based Modeling and BV Optimization for LDMOS With Multifloating Buried Layers
Zhen Cao · Qi Sun · Qiaowei Peng · Biao Hou 等6人 · IEEE Transactions on Electron Devices · 2024年12月
本文介绍了一种利用机器学习（ML）优化具有多浮动埋层（MFBL）的横向双扩散金属氧化物半导体场效应晶体管（LDMOS）器件击穿电压（BV）的新方法。本研究摒弃了传统复杂的物理推导方法，将神经网络与遗传算法相结合，构建了一个自适应优化框架。首先，我们分析了MFBL LDMOS的物理特性，以确定影响BV性能的关键参数，并确定其合理取值范围。然后，通过TCAD仿真生成数据集，并应用卷积神经网络（CNN）建立MFBL LDMOS的BV预测模型。在后续阶段，采用遗传算法对结构参数进行自适应优化，从而推导出...
解读: 从阳光电源的业务视角来看，该论文提出的基于机器学习优化多浮埋层LDMOS器件击穿电压的方法具有重要的战略价值。LDMOS作为功率半导体的核心器件，广泛应用于我司光伏逆变器和储能变流器的功率转换模块中，其击穿电压性能直接影响系统的功率密度、转换效率和可靠性。 该技术的核心价值在于突破了传统物理推导方...
基于Wasserstein距离的风电场异常风功率数据迭代清洗方法
An Iterative Cleaning Method for Abnormal Wind Power Data in Wind Farms Based on Wasserstein Distance
Yijun Shen · Bo Chen · Jianzheng Wang · Shichao Liu 等5人 · IEEE Transactions on Sustainable Energy · 2025年3月
风电机组功率曲线是评估其发电性能的重要指标，对风电场运行和电力系统调度具有重要意义。然而，机组停机、传感器故障和限电等因素导致大量异常值，给状态监测与功率预测带来挑战。针对异常数据特点，本文提出一种基于Wasserstein距离的风电场迭代清洗方法，结合神经网络与单调性约束，利用Wasserstein距离建模风速-功率关系并同步剔除异常点，使拟合曲线逐步逼近真实功率曲线。在数值模拟和十二个实测风电机组数据集上的实验表明，该方法在存在大量异常数据的情况下仍能构建高精度功率曲线模型，性能显著优于现有...
解读: 该风电数据清洗方法对阳光电源的风电变流器和智能运维系统具有重要应用价值。基于Wasserstein距离的异常数据识别技术可集成到iSolarCloud平台,提升风电场运行数据的质量和可靠性。具体可应用于:(1)风电变流器的功率曲线优化与效率提升;(2)iSolarCloud平台的智能诊断与预测性维护...
基于重要性加权的模型预测控制增强型模仿学习
Enhanced Imitation Learning of Model Predictive Control Through Importance Weighting
作者未知 · IEEE Transactions on Industrial Electronics · 2025年1月
在电力电子研究领域，用神经网络模型近似模型预测控制（MPC）算法作为一种实现计算成本高昂方法实时应用的有效工具，已受到广泛关注。训练机器学习模型以模仿MPC算法通常遵循传统的监督学习流程，其静态训练数据集通过均匀采样或仿真生成。使用均匀分布的数据进行训练可使模型在整个运行空间保持一致的性能，但非常小的模型可能无法在对应预期运行的区域取得令人满意的结果。相反，使用仿真数据进行训练可以得到能够精确跟踪某些轨迹的模型，但在数据代表性不足的区域无法获得足够好的性能。本文提出了一种结合这两种方法优势的方法...
解读: 从阳光电源的业务角度来看，这项基于重要性加权的模型预测控制（MPC）模仿学习技术具有重要的应用价值。该技术针对电力电子系统中MPC算法计算复杂度高、难以实时实现的痛点，通过神经网络模型近似MPC算法，并创新性地采用核密度估计对训练数据进行重要性加权，实现了模型性能的显著提升。 对于阳光电源的核心产...
基于集总热模型KF-MLP估计算法的锂离子电池表面温度场重构
Surface Temperature Field Reconstruction of Lithium-Ion Batteries Toward Lumped Thermal Model-Based KF-MLP Estimation Algorithm
Xiao Qi · Chaofeng Hong · Lijun Gu · Weixiong Wu · IEEE Transactions on Industrial Informatics · 2025年3月
高容量、大型电池在电动汽车和储能系统中得到了广泛应用。实际上，这些电池的表面温度场通常分布不均且难以测量，这给温度安全监测带来了巨大挑战。因此，本文重构了集总热模型，并提出了一种卡尔曼滤波器（KF） - 多层感知器（MLP）联合估计算法，以重构锂离子电池（LIBs）的二维表面温度（ST）场。首先，设计了一种改进的集总热模型，仅使用一个传感器即可准确获取多点温度。然后，提出了一种 KF - MLP 神经网络，以减少计算资源的使用并增强模型的泛化能力。最后，设计了一种二维温度采集方法，以获取可靠的实...
解读: 从阳光电源储能系统业务视角来看，该论文提出的锂电池表面温度场重建技术具有重要的工程应用价值。当前我司大容量储能系统广泛采用大尺寸电芯，其表面温度分布不均匀性显著，而传统热管理方案受限于传感器布点数量和成本，难以实现全面监测，这正是该技术所针对的核心痛点。 该研究的创新之处在于将改进的集总热模型与K...
一种基于神经网络虚拟阻抗的双向电网逆变器控制新方法以改善微电网动态性能
A Novel Bi-Directional Grid Inverter Control Based on Virtual Impedance Using Neural Network for Dynamics Improvement in Microgrids
Mohamad Alzayed · Michel Lemaire · Hicham Chaoui · Daniel Massicotte · IEEE Transactions on Power Systems · 2024年5月
在微电网中，电压源逆变器通常采用下垂控制技术，并结合电压和内部电流控制回路，以实现可靠的电力供应。由于线路阻抗不匹配，标准下垂控制技术难以实现功率的均匀分配，并限制并联连接之间的环流，尤其是在高度非线性系统中。本研究旨在引入一种基于神经网络的虚拟阻抗，并将其与双向电网逆变器控制技术相结合，以提高微电网动态运行期间的稳定性。为了在各种运行场景下以较小的偏差和更好的稳定性准确跟踪需求和参考功率，所提出的技术采用前馈神经网络（FFNN）来学习逆变器暂态过程中的非线性模型。该技术无需额外的调节步骤，仅需...
解读: 该神经网络自适应虚拟阻抗控制技术对阳光电源ST系列储能变流器和PowerTitan大型储能系统具有重要应用价值。当前阳光电源储能系统采用下垂控制实现多机并联功率分配，但线路阻抗不匹配和负载突变会影响动态响应。该研究提出的神经网络在线调节虚拟阻抗方案，可直接应用于ST储能变流器的控制算法优化，提升多台...
基于耗散的动力学感知学习方案用于网络化黑箱构网型逆变器的暂态稳定性分析
Dissipation-Based Dynamics-Aware Learning Scheme for Transient Stability Analysis of Networked Black-Box Grid-Forming Inverters
Zhong Liu · Jialin Zheng · Xiaonan Lu · IEEE Transactions on Power Electronics · 2025年9月
基于耗散性的稳定性分析方法借助李雅普诺夫函数，在评估基于逆变器的电力系统暂态稳定性方面应用广泛。然而，特定厂商的逆变器控制方案具有专有性，这常常导致逆变器模型成为“黑箱”，透明度有限。同时，目前仍需要一个“通用”的暂态稳定性评估框架，以替代当前实践中通常采用的针对特定案例的设计。为克服这些局限性，本文提出了一种基于耗散性的动态感知学习方案，用于对含网络化黑箱型电网形成逆变器的电网进行暂态稳定性分析。与传统的黑箱建模方法不同，传统方法学习逐点轨迹映射作为输出特性，而所提出的方法直接学习状态变量的导...
解读: 从阳光电源的业务视角来看，这项基于耗散理论的黑箱构网型逆变器暂态稳定性分析技术具有重要的战略价值。随着我司大规模储能系统和构网型逆变器在高比例新能源电网中的广泛应用，系统暂态稳定性评估已成为制约项目落地的关键技术瓶颈。 该技术的核心创新在于突破了传统方法对精确数学模型的依赖，通过神经网络直接学习系...
自监督心电图去噪
Self-Supervised Electrocardiograph De-Noising
Xiaoqiang Liu · Yisen Huang · Yubin Wang · Chanchan Lin 等6人 · IEEE Access · 2025年1月
心电图记录心跳，具有潜在救命价值，但ECG信号严重受噪声干扰，包括有意义的心脏偏转、其他生物波和监测设备噪声，导致心脏疾病分析不准确，需在诊断前进行去噪预处理。以往方法基于滤波或波分解算法，未深入考虑ECG特定数据结构，不能适应不同设备和电极记录的信号。本文提出神经网络实现的新ECG去噪方法，无需清洁信号监督。通过估计和仿真噪声信号，再由神经网络减去仿真噪声获得去噪信号。公开数据集实验验证该方法适应不同患者和设备，基于所提去噪方法的ECG分类优于传统方法。
解读: 该自监督去噪技术对阳光电源储能系统信号处理具有启发。阳光ST储能变流器需要处理电网电压电流信号中的谐波和噪声，该神经网络去噪方法可应用于电能质量监测。阳光可开发无监督信号处理算法，提升电网扰动检测和谐波分析精度，优化并网控制策略，增强系统电网适应性和稳定性。...
一种面向模块化储热系统设计的高效机器学习方法
Computationally effective machine learning approach for modular thermal energy storage design
Davinder Singh · Tanguy Rugamb · Harsh Katar · Kuljeet Singh Grewal · Applied Energy · 2025年1月 · Vol.377
摘要 本研究提出了一种创新性方法，将计算流体动力学（CFD）与机器学习（ML）相结合，用于热能储存（TES）系统的设计与优化。基于使用CFD开展的放热过程参数化分析结果，训练了多种机器学习模型，包括线性回归、K近邻回归（KNN回归）、梯度提升回归（GBR）、XGBoost、LightGBM以及神经网络（NN）。结果表明，神经网络（NN）在预测混凝土和传热流体（HTF）温度随时间变化方面表现最优，是最适合的模型。训练后的机器学习模型为传统的CFD模拟提供了高效的替代方案，能够在不同入口条件、流速和...
解读: 该CFD与机器学习融合技术对阳光电源储能系统具有重要价值。可应用于PowerTitan液冷储能热管理优化,通过神经网络模型替代传统CFD仿真,计算效率提升99%以上。适用于ST系列PCS多模块级联散热设计,快速预测电池簇温度分布。该方法可集成至iSolarCloud平台,实现储能电站热失控预测性维护...