找到 3 条结果
一种基于联邦迁移学习的电力变换器监测自适应机器学习框架
An Adaptive ML Framework for Power Converter Monitoring via Federated Transfer Learning
Panagiotis Kakosimos · Alireza Nemat Saberi · Luca Peretti · IEEE Transactions on Power Electronics · 2025年11月
本文提出了一种结合迁移学习（TL）与联邦学习（FL）的自适应机器学习框架，旨在优化电力变换器的热模型。该方法有效解决了不同运行工况下的模型适配、数据隐私保护及数据共享受限等挑战，通过分段式学习策略提升了变换器状态监测的准确性与鲁棒性。
解读: 该研究对阳光电源的智能化运维至关重要。在组串式逆变器和PowerTitan/PowerStack储能系统中，设备分布广泛且工况复杂，利用联邦学习可在不上传原始数据的前提下，实现跨电站的模型协同训练，提升故障诊断精度。迁移学习则能解决新机型或极端工况下样本稀缺的问题。建议将此框架集成至iSolarCl...
基于谐波平面分解的变相极电机开路故障检测
Open Fault Detection in Variable Phase-Pole Machines Based on Harmonic Plane Decomposition
Yixuan Wu · Gustaf Falk Olson · Claes Henriksson · Luca Peretti · IEEE Transactions on Power Electronics · 2024年4月
多相电机因其相数较多而具有天然的容错能力。实现容错控制的关键在于故障的检测与识别。变相极驱动作为一种在实时运行中改变极对数的多相电机，具有进一步挖掘的潜力。本文提出了一种基于谐波平面分解的故障检测方法，旨在提升此类复杂驱动系统的运行可靠性。
解读: 该文献探讨的多相电机及变相极驱动技术，主要应用于高性能工业驱动或特殊电机控制领域。对于阳光电源而言，目前核心业务聚焦于光伏逆变器、储能PCS及风电变流器。虽然该技术在电机控制算法和故障诊断逻辑上具有学术参考价值，但与公司现有的光伏和储能产品线（主要基于三相或多电平拓扑）直接关联度较低。建议关注其故障...
基于超局部模型与固定时间观测器及极值搜索法的永磁同步电机无模型电流预测控制
Model-Free Current Predictive Control for PMSMs With Ultralocal Model Employing Fixed-Time Observer and Extremum-Seeking Method
Xinpo Lin · Jianxing Liu · Zhuang Liu · Yabin Gao 等6人 · IEEE Transactions on Power Electronics · 2025年8月
针对永磁同步电机（PMSM）传统模型预测控制依赖精确数学模型的问题，本文提出了一种无模型预测电流控制策略。该方法利用两个超局部模型描述电机电流动态，结合固定时间观测器与极值搜索法，有效提升了控制系统的鲁棒性与动态响应性能，无需依赖电机参数即可实现高精度电流跟踪。
解读: 该技术对阳光电源的电机驱动类业务（如风电变流器、电动汽车充电桩中的功率模块控制）具有重要参考价值。风电变流器在复杂电网环境下对参数鲁棒性要求极高，该无模型控制策略可降低对电机参数精确辨识的依赖，提升变流器在全工况下的控制精度。此外，在充电桩的功率变换环节，该算法有助于优化电流响应速度，提升系统动态性...