找到 60 条结果
基于OVMD-CNN-BiLSTM的短期光伏发电预测
Short-Term Photovoltaic Power Forecasting Based on OVMD-CNN-BiLSTM
作者未知 · 太阳能学报 · 2026年1月 · Vol.2025
Proposes an OVMD-CNN-BiLSTM model optimized by Grey Wolf Optimizer (GWO) for short-term PV power forecasting. OVMD decomposes preprocessed PV data into frequency-separated modes; each mode plus meteorological features feeds into CNN-BiLSTM for traini...
解读: 该模型高度契合阳光电源iSolarCloud智能运维平台及组串式逆变器（如SG225HX）的功率预测与AGC/AVC协同调度需求。可嵌入ST系列PCS和PowerTitan储能系统，提升光储联合调峰精度；建议将OVMD-CNN-BiLSTM轻量化后部署于边缘侧逆变器端，增强本地化超短期预测能力，支撑...
基于边缘侧轻量化二维CNN的ANPC逆变器在线开路故障诊断
Online Open-Circuit Fault Diagnosis for ANPC Inverters Using Edge-Based Lightweight Two-Dimensional CNN
Chunxing Yao · Shuai Xu · Guanzhou Ren · Sijia Wu 等7人 · IEEE Transactions on Power Electronics · 2024年4月
针对多电平逆变器故障诊断多为离线处理的问题，本文提出了一种用于三电平有源中点钳位（3L-ANPC）逆变器开路故障的在线诊断策略。通过将训练好的轻量化二维卷积神经网络（CNN）部署在边缘计算板上，实现了对逆变器故障的实时、精准检测，提升了电力电子系统的可靠性。
解读: 该技术对阳光电源的核心产品线（如大功率组串式逆变器及集中式逆变器）具有极高的应用价值。ANPC拓扑常用于高压大功率光伏逆变器中，通过边缘侧轻量化CNN实现故障诊断，可显著提升iSolarCloud智能运维平台的故障预警能力，缩短运维响应时间。建议研发团队将此算法模型集成至逆变器的主控DSP或边缘网关...
基于CNN的模块化多电平变换器开路故障检测与定位的鲁棒谐波特征提取
CNN-Based Robust Harmonic Feature Extraction for Open-Circuit Fault Detection and Localization in Modular Multilevel Converters
Dihong Huang · Zhipeng Zhou · Ningyi Dai · IEEE Transactions on Power Electronics · 2025年12月
本文提出了一种基于卷积神经网络（CNN）的模块化多电平变换器（MMC）开路故障检测与定位方法。该方法不采用端到端分类，而是将CNN作为物理信息特征提取器，通过鲁棒估计开关频率来增强基础理论模型，从而实现对子模块（SM）故障的精确识别。
解读: 该技术对阳光电源的集中式逆变器及大型储能系统（如PowerTitan系列）具有重要参考价值。随着大功率变换器拓扑向多电平化发展，子模块的可靠性直接影响系统可用性。本文提出的基于CNN的物理信息特征提取方法，能够有效提升故障诊断的鲁棒性，减少误报。建议研发团队将其应用于iSolarCloud智能运维平...
基于贝叶斯优化残差CNN的永磁同步电机匝间短路故障估计
On Bayesian Optimization-Based Residual CNN for Estimation of Inter-Turn Short Circuit Fault in PMSM
Qiang Song · Mingsheng Wang · Wuxuan Lai · Sifang Zhao · IEEE Transactions on Power Electronics · 2023年2月
本文提出了一种基于贝叶斯优化（BO）的残差卷积神经网络（CNN）算法，用于永磁同步电机（PMSM）匝间短路（ITSC）故障的早期诊断。该方法通过优化CNN结构提升了故障特征提取能力，有效解决了传统CNN在电机故障诊断中应用面临的挑战，提高了电机运行的安全性与可靠性。
解读: 该技术主要针对电机驱动系统的故障诊断，与阳光电源的风电变流器及电动汽车充电桩业务具有一定的技术关联性。虽然阳光电源目前核心业务侧重于电力电子变换，但随着风电变流器向高可靠性、智能化运维方向发展，引入基于深度学习的故障预测与健康管理（PHM）技术是提升产品竞争力的关键。建议研发团队关注该算法在变流器功...
基于边缘2D-CNN轻量部署的ANPC逆变器多开路故障实时诊断
Real-Time Diagnosis of Multiple Open-Circuit Faults in ANPC Inverters Based on Lightweight Deployment of Edge 2D-CNN
Guangtong Ma · Chunxing Yao · Shuai Xu · Guanzhou Ren 等6人 · IEEE Transactions on Industrial Electronics · 2025年4月
摘要：多个开路（OC）故障严重影响了有源中点钳位（ANPC）逆变器的可靠运行。为实现对三电平ANPC（3L - ANPC）逆变器多个OC故障的快速准确检测，本文将轻量级卷积神经网络（CNN）部署到边缘计算板上。具体而言，所提出的在线诊断方法包括离线训练和在线部署。在离线训练阶段，设计了多源信息融合方法以促进有效特征提取，从而提高所设计CNN的预测精度。此外，采用特定的优化框架来简化离线训练过程。在在线部署方面，通过使用TensorRT实现训练好的CNN的轻量级设计，以降低计算成本并加快诊断速度。...
解读: 从阳光电源的业务视角来看，这项基于边缘计算的ANPC逆变器多重开路故障实时诊断技术具有重要的应用价值。ANPC（有源中点钳位）拓扑作为三电平逆变器的重要技术路线，在我司大功率光伏逆变器和储能变流器产品中已有广泛应用，其效率和功率密度优势明显，但多重开路故障一直是影响系统可靠性的关键痛点。 该论文提...
基于混合博弈与电动汽车共享储能特性的园区综合能源系统协调优化运行
Coordinated Optimal Operation of Park-level Integrated Energy Systems Based on Hybrid Game and Shared Energy Storage Characteristics of Electric Vehicles
王义 · 靳梓康 · 王要强 · 吴坡 等6人 · 高电压技术 · 2025年1月 · Vol.51
针对园区综合能源系统中多利益主体间收益分配不均的问题，提出一种基于混合博弈的双层能量管理模型。构建微网运营商与用户聚合商的互动框架，通过主从博弈确定售能价格，并结合纳什-海萨尼理论实现用户侧利益分配。为降低储能投资成本，挖掘电动汽车集群的可调度潜力，采用CNN-BiLSTM方法处理其历史数据以抑制不确定性，提出利用电动汽车共享储能特性的运行策略。案例分析表明，该模型可有效降低碳排放，实现多方共赢。
解读: 该混合博弈能量管理模型对阳光电源PowerTitan储能系统和充电桩业务具有重要应用价值。研究提出的电动汽车共享储能策略可直接应用于阳光电源充电桩产品线，通过CNN-BiLSTM预测算法优化车网互动调度，降低独立储能配置成本。主从博弈定价机制可集成到iSolarCloud云平台，实现园区级微网运营商...
一种基于加权特征融合的新型集成CNN框架用于光伏组件热成像故障诊断
A Novel Ensemble CNN Framework With Weighted Feature Fusion for Fault Diagnosis of Photovoltaic Modules Using Thermography Images
Nadia Drir · Adel Mellit · Maamar Bettayeb · IEEE Journal of Photovoltaics · 2024年11月
全球范围内光伏（PV）能源的应用不断增加，这凸显了在环境多变和故障情况下维持系统效率的紧迫性。识别、分类和修复缺陷的过程对于确保光伏装置的长期可持续性和性能完整性至关重要。本文介绍了一种创新的集成卷积神经网络（CNN）模型，该模型采用加权特征融合的方法，其准确性超越了单一CNN架构所能达到的水平。通过利用三个性能出色的CNN——VGG16、ResNet和MobileNet，融合从这些网络最后一层提取的深度特征，提升了性能，同时还充分利用了来自多个不同配置CNN的数据集成优势。该方法应用于一个包含...
解读: 该集成CNN热成像故障诊断技术对阳光电源智能运维体系具有重要应用价值。可直接集成至iSolarCloud云平台，为SG系列光伏逆变器配套的组件级监控提供AI诊断能力，通过无人机或固定热成像设备实现大规模电站的自动化巡检。加权特征融合策略可提升复杂工况下的故障识别准确率，特别适用于1500V高压系统中...
使用深度学习方法预测锂离子电池健康状态退化
Lithium-Ion Battery State of Health Degradation Prediction Using Deep Learning Approaches
Talal Alharbi · Muhammad Umair · Abdulelah Alharbi · IEEE Access · 2025年1月
及时预测锂离子电池健康状态对电池管理和寿命至关重要。传统集中式深度学习模型显示良好结果，但因需在单个节点收集和训练数据引发数据隐私担忧。本研究通过利用集中式即深度学习和分散式即联邦学习方法应对该挑战进行健康状态预测。使用包含充放电循环的NASA电池数据集进行模型训练和评估。集中式方法使用三种深度学习架构：1D卷积神经网络、CNN加长短期记忆网络和CNN加门控循环单元。1D CNN模型性能最佳展示强大预测能力，因此分散式学习即联邦学习中1D CNN模型与联邦平均技术在五个客户端使用，允许本地训练无...
解读: 该联邦学习电池诊断技术对阳光电源储能系统数据安全具有重要价值。阳光管理的大规模储能电站涉及海量电池数据，数据隐私和安全是核心关切。该联邦学习方法可在不上传原始数据的情况下实现全局模型优化，阳光可将该技术应用于BMS系统，实现跨电站的电池健康状态模型协同训练，提升诊断精度同时保护用户数据隐私，符合数据...
基于混合深度学习方法的分数阶PID-PSS设计用于抑制电力系统振荡
Fractional Order PID-PSS Design Using Hybrid Deep Learning Approach for Damping Power System Oscillations
Devesh Umesh Sarkar · Tapan Prakash · Sri Niwas Singh · IEEE Transactions on Power Systems · 2024年6月
电力需求的急剧增长导致了传统电网的结构变化。现代电力系统包含先进的装置和设备，这使得维持可靠、安全的电力供应颇具挑战。低频振荡（LFO）是现代电力系统中一个显著的现象。为防止功角失稳，需要对这些振荡进行有效抑制。电力系统稳定器（PSS）通常用于解决这一问题。然而，传统的PSS在现代电网中无法有效抑制低频振荡。因此，本文采用混合深度学习方法，设计了一种将分数阶比例积分微分（FO - PID）控制器与传统PSS相结合的控制器。将卷积神经网络（CNN）和长短期记忆网络（LSTM）集成在一起形成CNN ...
解读: 该分数阶PID-PSS技术对阳光电源构网型储能系统具有重要应用价值。在PowerTitan大型储能系统并网运行中，低频振荡抑制是关键技术难点。文章提出的混合深度学习自适应参数整定方法，可直接应用于ST系列储能变流器的虚拟同步机VSG控制策略优化，通过分数阶控制器提升系统阻尼特性。该技术对阳光电源GF...
基于卷积神经网络的归一化I-V曲线光伏故障诊断及可解释性分析
CNN-based photovoltaic fault diagnosis using normalized I–V curves with Explainability analysis
Woogyun Shin · Jin Seok Lee · Young Chul Ju · Hye Mi Hwang 等5人 · Solar Energy · 2025年11月 · Vol.301
摘要 全球各国正在扩大可再生能源的应用，以实现2050年碳中和目标。在各类可再生能源中，太阳能的发展速度最快，部署规模最为广泛。随着光伏（PV）电站数量的增加，运维市场不断扩大，故障诊断技术也逐步发展，融合了传统方法与人工智能技术。本研究提出一种利用光伏组串的归一化电流-电压（I-V）曲线并结合卷积神经网络（CNN）的故障诊断方法。实测的I-V曲线通过考虑辐照度、组件温度和衰减率的仿真模型进行归一化处理。归一化后的曲线根据其形态特征和电气参数被标注为正常状态或六种故障类型之一。使用这些数据训练的...
解读: 该基于CNN的光伏故障诊断技术对阳光电源SG系列逆变器及iSolarCloud平台具有重要应用价值。通过归一化I-V曲线实现99.39%验证准确率的六类故障识别,可直接集成至智能运维系统,增强预测性维护能力。技术核心在于消除辐照度和温度影响的归一化处理,与阳光电源MPPT优化算法形成互补,可在组串级...
通过对比少样本学习检测电力驱动中的低强度网络攻击
Detecting Low-Intensity Cyber-Attacks in Electric Drives via Contrastive Few-Shot Learning
He Yang · Jin Ye · IEEE Transactions on Power Electronics · 2026年2月
本文提出了一种用于智能电机驱动的异常检测框架，集成了对比学习（CL）和迁移学习（TL）的卷积神经网络（CNN）架构。CL模块通过对相同运行状态的样本进行聚类并强制区分不同样本，增强了特征嵌入的判别能力，有效提升了对低强度网络攻击的检测精度。
解读: 该技术在电力电子系统的安全性与智能化运维方面具有参考价值。阳光电源的iSolarCloud平台及风电变流器、储能PCS等产品均涉及复杂的控制逻辑，易受潜在网络攻击威胁。该研究提出的对比学习与少样本学习方法，可应用于阳光电源设备的异常状态监测与网络安全防御，通过识别微小的运行偏差，提升设备在复杂电网环...
基于小波变换与卷积神经网络的电容参数估计
Capacitor Parameter Estimation Based on Wavelet Transform and Convolution Neural Network
Hongjian Xia · Yi Zhang · Minyou Chen · Dan Luo 等6人 · IEEE Transactions on Power Electronics · 2024年11月
本文提出了一种基于小波变换和卷积神经网络（CNN）的电容参数估计方法。通过利用小波变换和带通滤波器的非理想特性，高分辨率地提取电容电压中的低频和中频特征，并利用CNN网络实现参数的精确估计。
解读: 电容是光伏逆变器和储能变流器（PCS）中寿命最薄弱的元器件之一，其老化状态直接影响设备的可靠性。该技术通过深度学习实现电容参数的在线监测，可直接集成于iSolarCloud智能运维平台，实现对组串式逆变器、PowerTitan及PowerStack储能系统内部直流母线电容的健康状态（SOH）预警。建...
结合元学习与CNN-LSTM算法的锂离子电池健康状态估计
Combined Meta-Learning With CNN-LSTM Algorithms for State-of-Health Estimation of Lithium-Ion Battery
Tiancheng Ouyang · Yingying Su · Chengchao Wang · Song Jin · IEEE Transactions on Power Electronics · 2024年8月
针对锂离子电池实际运行工况复杂导致健康状态（SOH）估计泛化能力差的问题，本文提出了一种结合元学习与CNN-LSTM的SOH估计方法。该方法通过元学习框架提升模型在不同工况下的适应性，有效解决了传统深度学习模型对大规模数据依赖及泛化性不足的难题。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统至关重要。目前BMS在全生命周期SOH预测上存在精度与泛化性的平衡难题，元学习算法能显著提升系统在不同环境温度、充放电倍率下的电池寿命评估准确度。建议将此算法集成至iSolarCloud智能运维平台，通过云端大数据训练与边缘侧BM...
基于白噪声注入数据增强的三电平NPC逆变器鲁棒开路故障诊断
Robust Open-Switch Fault Diagnosis of Three-Level NPC Inverters Based on Data Augmentation With White Noise Injection
Jiwon Jung · Dyan Puspita Apsari · Dong-Choon Lee · IEEE Transactions on Power Electronics · 2025年2月
本文提出了一种基于一维卷积神经网络（1-D CNN）的三电平中点钳位（NPC）逆变器实时故障诊断方法。通过在仿真数据中引入白噪声进行数据增强，显著提升了深度学习模型的泛化能力，确保诊断模型在未训练工况下仍具备高鲁棒性。
解读: 该技术对阳光电源的核心产品线（如组串式逆变器、集中式逆变器及储能PCS）具有极高价值。三电平NPC拓扑广泛应用于阳光电源的高功率密度产品中，故障诊断的实时性与鲁棒性直接关系到设备的可靠性与运维成本。通过引入数据增强技术，可有效解决深度学习模型在复杂电网环境下泛化能力不足的问题，提升iSolarClo...
基于多通道全局最大池化CNN的永磁同步电机驱动电流传感器故障检测与识别
Current Sensor Fault Detection and Identification for PMSM Drives Using Multichannel Global Maximum Pooling CNN
Sijia Wu · Guangtong Ma · Chunxing Yao · Zhenyao Sun 等5人 · IEEE Transactions on Power Electronics · 2024年8月
永磁同步电机（PMSM）在电机驱动应用中广泛使用。电流传感器在闭环控制中至关重要，但易受热应力和振动影响发生故障。本文提出了一种基于多通道全局最大池化卷积神经网络（CNN）的高效电流传感器故障检测与识别（FDI）方法，旨在提升电机驱动系统的可靠性。
解读: 该技术对阳光电源的电机驱动类产品（如风电变流器、电动汽车充电桩中的功率模块及储能系统中的辅助电机控制）具有重要参考价值。通过引入深度学习算法进行传感器故障诊断，可显著提升系统运行的鲁棒性，降低因传感器失效导致的停机风险。建议研发团队在iSolarCloud智能运维平台中集成此类AI诊断模型，实现对关...
基于卷积神经网络、小波神经网络与掩码多头注意力机制的全球辐照度预测模型
A Global Irradiance Prediction Model Using Convolutional Neural Networks, Wavelet Neural Networks, and Masked Multi-Head Attention Mechanism
Walid Mchara · Lazhar Manai · Mohamed Abdellatif Khalfa · Monia Raissi 等5人 · IEEE Access · 2025年2月
准确预测全球辐照度对光伏系统尤其是太阳能电动汽车的能量管理至关重要。传统模型难以捕捉辐照数据中复杂的时空依赖性，导致在多变天气条件下预测精度受限。本文提出一种融合卷积神经网络（CNN）、小波神经网络（WNN）与掩码多头注意力（MMHA）机制的新型混合框架CNN-WNN-MMHA。CNN提取局部空间特征，WNN进行频域分解以捕获多尺度变化，MMHA建模时间依赖并编码位置信息。模型在突尼斯八年实测气候数据上训练与验证，实验表明其性能显著优于LSTM、BiLSTM和CNN-LSTM等先进方法，MAPE...
解读: 该混合深度学习辐照度预测模型对阳光电源多条产品线具有重要应用价值。在SG系列光伏逆变器中，可优化MPPT算法的前瞻性控制，提前调整功率跟踪策略；在PowerTitan储能系统中，精准的辐照度预测可优化充放电调度策略，提升光储协同效率；在iSolarCloud智能运维平台中，该模型可增强预测性维护能力...
基于细粒度子域对齐和特征分组的锂离子电池跨域SOH估计：一种Patch时间序列CNN-Transformer网络
Fine-Grained Subdomain Alignment and Feature Grouping-Based Cross-Domain SOH Estimation for Lithium-Ion Batteries Using a Patch Time Series CNN-Transformer Network
Xuanang Gui · Shu Zhang · Yuheng Cheng · Qianlong Wang 等7人 · IEEE Transactions on Power Electronics · 预计 2026年5月
针对锂离子电池健康状态（SOH）估计在跨域场景下因数据分布差异和标签数据不足导致性能下降的问题，本文提出了一种基于模糊聚类子域自适应的Patch时间序列CNN-Transformer网络。该方法通过细粒度子域对齐和特征分组策略，有效提升了跨域场景下的SOH估计精度与鲁棒性。
解读: 该研究直接服务于阳光电源储能业务的核心痛点。在PowerTitan和PowerStack等大型储能系统中，电池全生命周期的SOH精准估计是保障系统安全与收益的关键。该算法通过Patch时间序列与Transformer架构，能更高效地处理BMS采集的复杂工况数据，解决不同批次电池或不同应用场景（如调峰...
基于改进VMD和CSABO-TCN-BiGRU的中短期光伏功率预测
Short- and Medium-term Photovoltaic Power Forecasting Based on Improved VMD and CSABO-TCN-BiGRU
作者未知 · 太阳能学报 · 2026年1月 · Vol.2025
提出一种融合改进VMD分解、CSABO优化及TCN-BiGRU混合神经网络的光伏功率预测方法。在澳大利亚实测数据上验证，其精度优于EMD-TCN-BiGRU等主流模型。
解读: 该研究直接支撑阳光电源iSolarCloud智能运维平台的功率预测引擎升级，可提升组串式逆变器（如SG系列）和ST系列PCS在光储协同调度中的日前/日内出力预判精度；建议将CSABO-TCN-BiGRU模型嵌入PowerTitan系统能量管理模块，增强电网侧储能参与调峰调频的响应可靠性，并为户用光储...
一种基于双流注意力机制的混合网络用于光伏发电预测
A Novel Dual-Stream Attention-Based Hybrid Network for Solar Power Forecasting
Rafiq Asghar · Michele Quercio · Lorenzo Sabino · Assia Mahrouch 等5人 · IEEE Access · 2025年3月
光伏发电功率预测对保障电网安全运行、降低运营成本具有重要意义。本文提出一种基于双向长短期记忆网络（BiLSTM）与卷积神经网络（CNN）的新型双流混合模型，通过并行提取时间与空间特征，并融合多头注意力机制强化关键特征选择。该模型在不同时间窗口、四季及天气条件下进行实验验证，并与三种单一模型和五种混合深度学习模型对比。结果表明，所提模型在多种气象、季节与气候条件下均具备优异的光伏功率预测精度。
解读: 该双流注意力混合预测模型对阳光电源iSolarCloud智能运维平台和ST系列储能系统具有重要应用价值。BiLSTM-CNN双流架构可集成至云平台的功率预测模块，通过多头注意力机制提升不同季节和天气条件下的预测精度，优化SG系列逆变器的MPPT算法动态响应。对PowerTitan大型储能系统，精准的...
基于Vague软集的海上风电功率区间预测
Interval Prediction of Offshore Wind Power Based on Vague Soft Sets
田书欣 · 朱峰 · 杨喜军 · 符杨 等5人 · 中国电机工程学报 · 2025年2月 · Vol.45
海上风电输出功率的精确预测是保障并网系统调度运行的关键。针对海上风电环境复杂、时空随机性强的特点，提出一种基于Vague软集的区间预测方法。通过融合Vague集的真伪隶属度函数，实现功率数据的Vague软区间化，并构建Vague-CNN-LSTM组合预测模型，将双隶属度概率向量转化为不确定环境下的预测区间。建立覆盖精度、区间宽度及综合水平等评估指标，验证结果表明该模型能有效兼顾预测精度与清晰性，适应不同运行工况需求。
解读: 该Vague软集预测方法对阳光电源的风电变流器和储能产品具有重要应用价值。可应用于ST系列储能变流器的功率预测与调度优化,提升系统响应速度和调节精度。该技术的双隶属度概率模型有助于提高PowerTitan储能系统在风电配套场景下的功率预测准确性,优化充放电策略。对iSolarCloud平台的智能运维...
第 1 / 3 页