找到 4 条结果
多晶β-Ga2O₃在神经形态信息存储中的应用：载流子陷阱中心导致持续光电导效应
Polycrystalline β-Ga2O3 Used in Neuromorphic Information Storage: Trapping Centers for Carriers Leads to Persistent Photoconductive Effect
Zhao-Ying Xi · Mao-Sheng Liu · Shan Li · Xue-Qiang Ji 等6人 · IEEE Transactions on Electron Devices · 2025年10月
神经形态视觉传感器（NVSs）凭借突触行为解决了传统设备的瓶颈问题，有助于应对高功耗和处理速度慢的挑战。载流子俘获层在 NVSs 的突触行为中起着重要作用。在这项工作中，我们提出使用多晶 β - Ga₂O₃ 作为光敏和载流子俘获材料，以简化 NVSs 的多层结构。通过利用晶界增强了多晶 β - Ga₂O₃ 光电传感器的持续光电导（PPC）效应。通过表征和电学测试对俘获效应进行了深入研究。此外，研究表明，β - Ga₂O₃ 器件能够模拟生物神经形态行为，展现出多种基本突触行为。最后，已证明该器件能...
解读: 从阳光电源的业务视角来看，这项基于多晶β-Ga2O3的神经形态光电传感技术虽属前沿研究，但其核心机制与我们在储能系统和智能化电力电子设备中的技术需求存在潜在契合点。 该技术的持续光电导效应（PPC）和载流子捕获机制，本质上实现了一种无需外部供电的信息存储方式。这与阳光电源储能系统追求的低功耗、高可...
基于SCADA数据的周期增强型Informer模型用于短期风电功率预测
Periodic-Enhanced Informer Model for Short-Term Wind Power Forecasting Using SCADA Data
Zhao-Hua Liu · Long-Wei Li · Hua-Liang Wei · Ming Li 等6人 · IEEE Transactions on Sustainable Energy · 2025年4月
针对风电场SCADA系统提供的丰富运行与环境数据，提出一种周期增强型Informer模型用于短期风电功率预测。首先，采用基于v-p曲线与四分位法结合的方法滤除稀疏离群点，并利用DBSCAN算法去除功率曲线中的聚集噪声；其次，基于最大信息系数筛选多特征输入集以提升数据利用效率；进而设计时序卷积网络提取输入特征的标量投影，并融合局部与全局时间戳构建周期信息增强的嵌入层；最后，在Informer模型中引入多尺度深度融合模块，实现跨时间尺度特征的深层整合，有效避免了模型加深带来的资源浪费与过拟合问题。实...
解读: 该周期增强型Informer模型对阳光电源的智能运维和储能系统具有重要应用价值。首先，该模型的多特征输入与时序预测技术可直接应用于iSolarCloud平台的发电预测模块，提升风光储多能互补系统的调度效率。其次，模型的周期性特征提取方法可优化ST系列储能变流器的能量管理策略，特别是在PowerTit...
基于上下文集成语言-图像多模态网络的少样本光伏薄膜缺陷检测
Few-Shot Photovoltaic Film Defect Detection With Contextual Ensemble Language-Image Multimodal Network
Huiyan Wang · Ruihao Peng · Yiheng Zhu · Jiachen Li 等6人 · IEEE Transactions on Industrial Informatics · 2025年5月
工业光伏薄膜缺陷的自动检测对于确保光伏组件的可靠性至关重要。主要挑战包括缺陷样本有限、类别间特征相似以及复杂背景的干扰。现有的基于深度学习的方法需要大规模数据集，且仅关注视觉数据，这限制了它们在少样本缺陷检测（FSDD）中的有效性。为应对这些挑战，我们提出了上下文集成语言 - 图像多模态网络（CELIN），该网络通过提示调优融入文本信息，提升了光伏薄膜的少样本缺陷检测能力。与依赖单一固定文本提示的传统语言 - 图像模型不同，CELIN采用位置感知上下文集成策略来整合特定位置的提示向量，使模型能够...
解读: 从阳光电源的业务视角来看，这项基于语言-图像多模态网络的光伏薄膜缺陷检测技术具有重要的战略价值。作为光伏组件可靠性保障的关键环节，该技术直接关系到我们光伏逆变器、储能系统等核心产品的上游供应链质量控制。 该技术的核心创新在于解决了工业场景中的三大痛点：小样本学习、相似缺陷区分和复杂背景干扰。传统深...
基于TCN-LSTM神经网络与迁移学习的数字孪生支持型电池状态估计
Digital Twin-supported Battery State Estimation Based on TCN-LSTM Neural Networks and Transfer Learning
Kai ZhaoYing LiuYue ZhouWenlong MingJianzhong Wu · 中国电机工程学会热电联产 · 2025年1月 · Vol.45
准确估计电池荷电状态（SOC）、健康状态（SOH）及剩余使用寿命（RUL）对储能技术发展至关重要。本文提出一种融合时间卷积网络（TCN）与长短期记忆网络（LSTM）的数字孪生（DT）支持型电池状态估计算法。构建四层层次化DT架构以克服传统电池管理系统在计算与存储上的局限，并引入基于迁移学习的在线TCN-LSTM模型，实现神经网络参数的动态更新与实时精度优化。实验结果表明，该方法在90个循环数据下SOC、SOH和RUL的平均均方根误差分别为1.1%、0.8%和0.9%，显著优于传统CNN等模型，展...
解读: 该数字孪生支持的电池状态估计技术对阳光电源ST系列储能系统和PowerTitan大型储能方案具有重要应用价值。TCN-LSTM融合架构可直接集成至BMS系统，实现SOC/SOH/RUL的高精度实时估计（RMSE<1.1%），显著提升电池全生命周期管理能力。四层DT架构突破边缘侧计算瓶颈，可与iSol...