找到 2 条结果
电力电子变换器多层器件级电热实时仿真与多用途硬件在环测试
Multilayer Device-Level Electro-Thermal Real-Time Simulation and Multipurpose HIL Testing of Power Electronics Converters
Hao Bai · Xinyang Li · Jiaxin Tang · Zhen Yao 等10人 · IEEE Transactions on Power Electronics · 预计 2026年6月
本文提出了一种多层器件级电热实时仿真方法，旨在解决现代电力电子变换器在全生命周期中面临的计算限制问题。该方法能够同时处理电热耦合效应与半导体开关特性，为电力电子系统的实时仿真与硬件在环（HIL）测试提供了高效的解决方案。
解读: 该技术对阳光电源的组串式/集中式光伏逆变器及PowerTitan储能系统具有重要参考价值。在产品研发阶段，通过高精度的电热耦合实时仿真，可更准确地评估功率模块（IGBT/SiC）在极端工况下的热应力，从而优化散热设计并提升产品可靠性。此外，该方法能显著缩短HIL测试周期，加速iSolarCloud智...
符合概率分布的物理约束风力发电预测方法：面向抗噪深度学习
Physics-constrained wind power forecasting aligned with probability distributions for noise-resilient deep learning
Jiaxin Gao · Yuanqi Cheng · Dongxiao Zhang · Yuntian Chen · Applied Energy · 2025年4月 · Vol.383
摘要 风电作为关键的可再生能源之一，在实现碳中和目标中发挥着重要作用。然而，由于风速预测数据具有高噪声特性，风力发电功率的准确预测面临挑战，这会降低预测的精度与鲁棒性。为解决这一问题，本文提出一种理论引导（即物理约束）的深度学习风力发电预测方法（TgDPF）。TgDPF将表征风电功率概率分布的风电功率曲线领域知识，与长短期记忆网络（LSTM）深度学习模型相结合。该融合机制确保模型输出与风电功率的概率分布保持一致，遵循物理约束条件，从而增强对噪声的抵抗能力。因此，TgDPF是一种典型的物理约束建模...
解读: 该物理约束深度学习风电预测技术对阳光电源储能系统(ST系列PCS、PowerTitan)具有重要应用价值。通过融合风电功率曲线概率分布与LSTM模型,在高噪声环境下预测精度提升24.7%-73.9%,可显著优化储能系统的充放电策略与能量管理。该方法的抗噪声特性与物理约束思想可迁移至iSolarClo...