找到 2 条结果
一种基于漏极电压摆动的SiC MOSFET快速短路检测方法
A Fast Short Circuit Detection Method for SiC MOSFETs Based on Drain Voltage Swing
Zekun Li · Bing Ji · Kun Tan · Puzhen Yu 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年3月
尽管碳化硅（SiC）MOSFET性能优越，但其热容量小、开关速度快，对短路保护提出了更高要求。本文提出一种基于漏源电压（V<sub>DS</sub>）摆动的快速可靠短路保护方法，可在器件达到临界损伤前迅速检测并关断。该方法在150 ns和24 ns内分别实现Type-I与Type-II短路的超快检测；利用现有RC缓冲电路实现短路检测与主电路保护的集成，不改变其原有功能；结合低成本数字栅极驱动器中的新型采样保持（S/H）电路，提升工况适应性。实验平台验证了该方案的有效性与重复性。
解读: 该SiC MOSFET快速短路检测技术对阳光电源ST系列储能变流器和SG系列光伏逆变器具有重要应用价值。其150ns超快检测响应可显著提升功率模块可靠性，特别适用于PowerTitan大型储能系统中高频开关场景的器件保护。基于Vds摆动的检测方法与现有RC缓冲电路集成，无需额外硬件成本，可直接应用于...
一种考虑单体电池运行状态的锂离子电池健康状态贝叶斯迁移学习评估框架
A Bayesian transfer learning framework for assessing health status of Lithium-ion batteries considering individual battery operating states
Jiarui Zhang · Lei Mao · Zhongyong Liu · Kun Yu 等5人 · Applied Energy · 2025年1月 · Vol.382
摘要 锂离子电池（LIBs）健康状态（SOH）的快速准确评估对于实现高效的电池监测与管理具有重要意义。LIBs的退化是一个复杂的过程，每一块电池的退化路径均具有独特性，受到内部和外部多种因素共同影响。然而，现有方法通常将每块电池视为独立个体处理，未能充分挖掘和利用各单体电池的独特特征。为克服这一局限性，本研究提出了一种贝叶斯迁移学习框架，用于建模锂离子电池特有的退化过程，从而完成对SOH的评估。具体而言，构建了一个混合效应模型（MEM）以描述电池健康状态的退化过程，该模型能够捕捉不同电池之间的异...
解读: 该贝叶斯迁移学习框架对阳光电源ST系列储能变流器及PowerTitan储能系统的电池管理具有重要价值。混合效应模型可捕捉单体电池差异性,实现精准SOH评估,优化BMS策略。三种参数更新策略适配不同应用场景,可提升iSolarCloud平台预测性维护能力。该方法兼容循环老化与日历老化,适用于大规模储能...