找到 3 条结果
智慧健康系统中面向安全、效率和功率优化的专家混合联邦学习和信任管理
An Expert Hybrid Federated Learning and Trust Management for Security, Efficiency, and Power Optimization in Smart Health Systems
Sohrab Khan · Nayab Imtiaz · Arnab Kumar Biswas · Zeeshan Bin Siddique 等5人 · IEEE Access · 2025年1月
智慧医疗系统中大量健康设备互联共享患者数据，面临严重的安全和隐私问题。本文提出新型混合联邦SVM和信任管理模型，通过协作性、诚实性和社区信任参数计算信任度。该模型异常检测总体准确率达95%，线性核、RBF核和多项式核准确率分别为95%、93%和95%，为健康系统提供安全和隐私保护。该方法轻量化，减少52.5%计算量，促进不必要能耗节约和计算开销降低，提升智慧健康基础设施安全性。
解读: 该联邦学习和边缘计算技术对阳光电源物联网设备安全管理有借鉴意义。阳光iSolarCloud平台连接海量光伏储能设备，需要高效安全的数据处理机制。联邦学习可实现分布式设备本地数据处理和模型训练，降低云端数据传输和计算压力。信任管理机制可增强阳光设备间通信安全性。该轻量化方案可应用于阳光边缘控制器，在保...
适应光伏波动的动态网络剪枝在低压配电网边缘计算中的应用
Photovoltaic fluctuation-adapted dynamic network pruning for low-voltage distribution network edge computing
Jian Zhaoa · Kai Denga · Xianjun Shaob · Zhibin Zhoub 等7人 · Applied Energy · 2025年1月 · Vol.397
摘要 光伏（PV）出力的固有波动性 necessitates 使用高复杂度的深度学习（DL）模型以实现准确预测。然而，此类模型即使在光伏出力稳定期间也以满容量运行，消耗了冗余的计算资源，并加重了低压配电网（LVDN）中资源受限的边缘设备的负担。为解决上述问题，本文提出了一种动态网络剪枝框架，能够根据光伏出力的波动情况自适应地调整深度学习模型的复杂度。首先，提出一种对光伏波动敏感的通道重要性评估方法，用于识别深度学习模型中的冗余结构。随后，构建了一个包含光伏运行约束的轻量化优化框架，根据光伏出力的...
解读: 该动态网络剪枝技术对阳光电源边缘计算场景具有重要应用价值。针对iSolarCloud平台的边缘侧设备,可将该方法集成至SG系列逆变器和ST储能变流器的本地控制器中,根据光伏波动自适应调整深度学习模型复杂度,在平稳期压缩72%计算量,显著降低边缘设备算力需求。该技术可优化PowerTitan储能系统的...
将SOLM作为扩展型SVPWM在无电解电容六脉冲直流母线VSI恒压频比感应电机驱动中的实现
Implementation of SOLM as an Extended SVPWM for Variable Six Pulse DC-Bus Electrolytic Capacitor-Less VSI Based Constant V/f Induction Motor Drive
Bighnaraj Panda · Sushant Kumar · Anirban Ghoshal · IEEE Transactions on Power Electronics · 2025年1月
考虑到与空间矢量脉宽调制（SVPWM）相比，同步单腿调制（SOLM）技术可降低开关损耗，该技术已应用于六脉冲无直流母线电解电容电压源逆变器（VSI）。现有的SOLM技术调制信号生成方法采用基于扇区识别的方法。本研究通过数学分析和硬件实验结果表明，尽管SVPWM和SOLM技术在直流母线电压、调制信号和瞬时极点电压波形方面存在差异，但它们的平均极点电压是相同的。基于这一认识，本研究提出将SOLM技术作为SVPWM技术的扩展来实现，无需进行扇区识别。对所提出的SOLM实现方法与现有实现方法进行比较，结...
解读: 从阳光电源的业务视角来看，该论文提出的SOLM技术对我们的光伏逆变器和电机驱动系统具有重要参考价值。核心亮点在于通过同步单桥臂调制技术实现了无电解电容的逆变器设计，这与我们追求高可靠性、长寿命产品的战略方向高度契合。 技术层面，论文证明SOLM与传统SVPWM在平均极电压上等效，但通过优化调制策略...