找到 21 条结果
用于拓扑持续时间不确定的开关模式电源转换器参数辨识的扩展物理信息神经网络
Extended Physics-Informed Neural Networks for Parameter Identification of Switched Mode Power Converters With Undetermined Topological Durations
Yangxiao Xiang · Hongjian Lin · Henry Shu-Hung Chung · IEEE Transactions on Power Electronics · 2024年10月
对于拓扑持续时间不确定的开关模式功率转换器而言，进行高精度参数识别颇具挑战，因为诸如开关时刻和拓扑转换时的电路状态变量等物理信息，对于实现这一目标至关重要。在传统的基于物理模型的解决方案中，需要额外的测量电路来弥补拓扑转换时未知物理信息的缺失，否则就必须牺牲精度。为避免使用不必要的额外硬件，本文提出了一种扩展物理信息神经网络（e - PINN），它将伪标签生成网络集成到分段物理信息神经网络中。该网络能够精确识别关键系统参数，以及每个拓扑的持续时间和拓扑转换时的系统状态。在工作于不连续导电模式（D...
解读: 从阳光电源的业务视角来看，这项基于扩展物理信息神经网络（e-PINN）的参数识别技术具有显著的应用价值。该技术针对开关电源变换器在拓扑持续时间不确定情况下的参数识别难题，提出了无需额外硬件即可实现高精度识别的解决方案，这与我司在光伏逆变器和储能变流器领域的核心需求高度契合。 在实际应用层面，该技术...
基于物理信息神经网络
PINN）的DAB变换器电路参数自适应调制
Saikat Dey · Ayan Mallik · IEEE Transactions on Power Electronics · 2025年10月
本文提出了一种针对双有源桥（DAB）DC-DC变换器的损耗优化及参数敏感型三相移（TPS）调制方案。该方法利用物理信息神经网络（PINN）实时估计电路参数，并据此动态调整控制策略，从而实现变换器在不同工况下的高效运行。
解读: 该技术对阳光电源的储能系统（如PowerTitan、PowerStack系列）及PCS产品线具有重要价值。DAB变换器是储能变流器的核心拓扑，传统的控制策略在参数漂移（如电感老化、温度变化）下难以维持最优效率。引入PINN进行参数在线辨识与自适应调制，能显著提升储能系统在全功率范围内的转换效率，并增...
基于SINDy-PINN-PSO的车载充电机变压器气隙设计高效算法
Efficient Algorithm Based on SINDy-PINN-PSO for Transformer Air-Gap Design in OBC
Geun Wan Koo · Joon-Young Jeon · Jun-Yeol Ryu · IEEE Transactions on Power Electronics · 2026年1月
本文提出了一种结合稀疏非线性动力学识别（SINDy）、物理信息神经网络（PINN）与粒子群优化（PSO）的算法，用于优化车载充电机（OBC）变压器的气隙设计。相比传统的有限元分析方法，该算法显著缩短了变压器气隙配置的计算时间，提升了设计效率。
解读: 该研究提出的算法在磁性元件设计领域具有显著的降本增效潜力。对于阳光电源的电动汽车充电桩业务，车载充电机（OBC）及充电模块的功率密度与效率至关重要。通过引入SINDy-PINN-PSO算法，研发团队可大幅缩短变压器等磁性元件的迭代设计周期，减少对繁琐有限元仿真（FEA）的依赖。建议将此算法集成至研发...
基于物理信息神经网络的六极径向主动磁轴承转子位移自感知技术
Self-Sensing Technology of Rotor Displacement for Six-Pole Radial Active Magnetic Bearing Based on Physics-Informed Neural Network
Huangqiu Zhu · Jiaqi Li · IEEE Transactions on Power Electronics · 2025年9月
针对磁轴承系统中位移传感器成本高、结构复杂的问题，本文提出了一种基于物理信息神经网络（PINN）的转子位移预测模型。该模型通过自适应调整多损失函数权重，应用于逆变器驱动的六极径向主动磁轴承，利用麦克斯韦方程推导悬浮力数学模型，实现了高精度的位移自感知。
解读: 该技术主要针对高速旋转机械的主动磁轴承控制，通过PINN算法实现无传感器化，旨在降低硬件成本与系统复杂度。虽然阳光电源的核心业务（光伏逆变器、储能PCS、风电变流器）主要涉及电力电子变换，而非磁轴承控制，但该研究中PINN算法在电力电子系统状态估计、故障诊断及复杂非线性控制中的应用具有参考价值。建议...
利用物理信息神经网络构建代理模型辅助强化学习优化智能电网能源管理
Optimizing energy management of smart grid using reinforcement learning aided by surrogate models built using physics-informed neural networks
Julen Cestero · Carmine Delle Femine · Kenji S. Muroa · Marco Quartulli 等5人 · Applied Energy · 2025年12月 · Vol.401
摘要 在智能电网场景下优化能源管理面临重大挑战，主要源于现实世界系统的复杂性以及各组件之间错综复杂的相互作用。强化学习（Reinforcement Learning, RL）正逐渐成为解决智能电网中最优潮流（Optimal Power Flow, OPF）问题的一种有效方案。然而，RL需要在给定环境中进行强制性的反复迭代才能获得最优策略，这意味着必须从一个很可能代价高昂的模拟器中获取样本，从而导致样本效率低下问题。在本研究中，我们通过使用基于物理信息神经网络（Physics-Informed N...
解读: 该研究采用物理信息神经网络(PINN)构建代理模型加速强化学习训练,对阳光电源ST系列储能变流器和PowerTitan系统的能量管理优化具有重要价值。通过PINN代理模型可将训练速度提升50%,能显著加快储能系统最优潮流控制策略的开发周期。该方法可应用于iSolarCloud平台的智能调度算法优化,...
基于改进物理信息神经网络的微电网分布式能源资源自适应参数估计
Adaptable Parameters Estimation for Microgrid Distributed Energy Resources Using Modified Physics-Informed Neural Network
Likun Chen · Yifan Wang · Wei Sun · Xuzhu Dong 等5人 · IEEE Transactions on Sustainable Energy · 2025年6月 · Vol.17
针对微电网中分布式能源动态模糊、数据稀缺导致的参数估计难题，本文提出一种改进物理信息神经网络（PINN）方法，融合小信号分析与ODE建模，支持多类DER自适应参数辨识；引入新型数据变换，训练速度提升达82.87%；实测验证误差<5%，具备强鲁棒性与泛化能力。
解读: 该研究对阳光电源iSolarCloud智能运维平台及PowerTitan/ST系列储能变流器的模型自校准与数字孪生功能具直接支撑价值：可提升微网级光储协同控制中PCS、逆变器等设备的实时参数在线辨识精度，增强构网型（GFM）模式下的暂态响应可靠性。建议在iSolarCloud 3.0中集成轻量化PI...
微电网的统一物理信息神经网络框架及其在电压稳定性分析中的应用
Uniform Physics Informed Neural Network Framework for Microgrid and Its Application in Voltage Stability Analysis
Renhai Feng · Khan Wajid · Muhammad Faheem · Jiang Wang 等6人 · IEEE Access · 2025年1月
本文聚焦物理信息神经网络PINN在光伏PV、风电和储能设备模型参数提取中的应用。准确提取这些模型参数对有效控制和优化重庆电力系统CPS整体稳定性至关重要。尽管提出众多算法解决该问题，准确可靠提取参数仍是重大挑战。本文提出改进PINN命名为统一物理信息神经网络UPINN，采用基于近端策略优化PPO的强化学习进行参数提取。UPINN通过四种策略克服PINN困难：反馈算子、GRU门控机制、历史种群传递算子和PPO辅助强化学习修正因子。UPINN模型迭代训练以最大化参数和减少RMSE。UPINN准确提取...
解读: 该物理信息神经网络技术对阳光电源设备建模和电网分析有重要应用价值。阳光iSolarCloud平台管理海量光伏储能设备，需要准确的设备模型进行仿真和优化。UPINN参数提取方法可应用于阳光设备数字孪生模型的自动标定。强化学习PPO算法对阳光智能控制策略优化有借鉴意义。电压稳定性监测是阳光储能系统电网支...
基于动态参数的物理信息神经网络用于短期光伏功率预测：融合物理信息与数据驱动
Dynamic-parameter physics-informed neural networks for short-term photovoltaic power prediction: Integrating physics-informed and data driven
Weiru Wanga · Hanyang Guoa · Shaofeng Liub · Yechun Xina 等6人 · Applied Energy · 2025年12月 · Vol.401
为了克服传统混合预测模型中物理约束刚性以及样本不平衡的局限性，本文提出了一种基于动态参数物理信息神经网络（DP-PINN）的新型短期光伏（PV）功率预测框架。基于牛顿-拉夫森优化的K-means++（NBRO-Kmeans++）算法将天气划分为四种类型，与标准K-means++相比，轮廓系数提升了6.6%至45.8%。采用合成少数类过采样技术（SMOTE）对少数类样本进行动态平衡，在该情况下使均方根误差（RMSE）降低了50.5%。物理方程根据天气类型进行动态调整，三重约束损失函数融合了数据拟合...
解读: 该DP-PINN动态物理信息神经网络技术对阳光电源iSolarCloud智慧运维平台及SG系列光伏逆变器具有重要应用价值。通过天气分类与SMOTE样本平衡,极端天气下RMSE降低50.8%,可显著提升光伏电站功率预测精度。其动态参数优化机制(光电转化效率η、温度系数α可学习)与阳光电源MPPT优化技...
利用双层物理信息神经网络改进光伏模型参数估计
Improving Estimation of Parameters in Photovoltaic Models Using Two-Level Layered Physics-Informed Neural Networks
Nikta Shamsmohammadi · Giovanni Spagnuolo · José del Campo-Ávila · Esteban José Palomo 等5人 · IEEE Journal of Photovoltaics · 2025年11月
准确估计光伏模型中的参数对于改善系统监测、控制和诊断至关重要。在本研究中，提出了一种新颖的两级分层物理信息神经网络（PINN）架构，用于估计动态单二极管光伏模型中的参数，包括辐照度（$G$）、温度（$T$）和结电容（$C_{j0}$）。在光伏电流和电压波形不受噪声影响的情况下，所提出的方法实现的误差为：辐照度（$G$）误差为 0.25%，温度（$T$）误差为 1.5%，结电容（$C_{j0}$）误差为 2.1%。与传统优化方法相比，两级分层 PINN 表现更优，尤其在学习结电容（$C_{j0}$...
解读: 该双层物理信息神经网络参数估计技术对阳光电源SG系列光伏逆变器的MPPT算法优化具有重要应用价值。通过精准估计光伏组件的五参数模型（光生电流、二极管饱和电流、串联电阻等），可显著提升不同光照温度条件下的最大功率点追踪精度。该方法可集成到iSolarCloud智能运维平台，实现光伏阵列实时建模与性能诊...
基于物理信息神经网络的含非线性频率约束线性交流最优潮流框架的电力系统前瞻调度
Look-ahead Dispatch of Power Systems Based on Linear Alternating Current Optimal Power Flow Framework with Nonlinear Frequency Constraints Using Physics-informed Neural Networks
Guoqiang Sun1Qihui Wang2Sheng Chen3Zhinong Wei4Haixiang Zang5 · 现代电力系统通用与清洁能源学报 · 2025年7月 · Vol.1
可再生能源渗透率的提高削弱了电力系统的频率稳定性。本文提出一种基于线性交流最优潮流框架并计及非线性频率约束的前瞻调度模型以应对该问题。为提升求解效率，引入物理信息神经网络（PINN）准确预测关键频率控制参数。PINN确保学习结果符合真实物理频率动态模型，所预测参数可加速调度模型求解，使其能高效调用商用求解器完成计算。在改进的IEEE 118节点系统上的数值仿真验证了所提模型的有效性与优势。
解读: 该基于PINN的前瞻调度技术对阳光电源储能系统和光伏产品具有重要应用价值。在PowerTitan大型储能系统中，可通过PINN快速预测频率响应参数，优化ST系列储能变流器的一次调频策略，提升电网频率支撑能力。对于工商业光伏场景，该线性化OPF框架结合非线性频率约束，可集成到iSolarCloud平台...
一种基于物理信息神经网络与交叉注意力的磁芯损耗模型
A Magnetic Core Loss Model Based on Physics-Informed Neural Network With Cross-Attention
Yunhao Xiao · Chi Li · Zedong Zheng · IEEE Transactions on Power Electronics · 2026年1月
软磁材料损耗机制复杂，是电力电子系统分析的瓶颈。随着高频化趋势，磁性元件温升对损耗愈发敏感。本文提出一种结合物理信息神经网络（PINN）与交叉注意力机制的磁芯损耗建模方法，旨在提升高频磁性元件损耗预测的精度与效率，为电力电子系统的热设计与优化提供支撑。
解读: 磁性元件是阳光电源组串式逆变器、PowerTitan储能变流器及风电变流器中的核心功率密度瓶颈。该研究提出的PINN与交叉注意力模型，能显著提升磁芯损耗预测精度，有助于优化高频磁性元件的电磁与热设计。在阳光电源追求更高功率密度和更优散热性能的产品研发中，该技术可辅助缩短磁性元件的仿真与选型周期，提升...
基于物理信息神经网络与高斯过程回归的测量可测试性受限下的电磁干扰效应评估
Electromagnetic Interference Effect Assessment Under Measuring Testability Limitation Based on Physics-Informed Neural Network and Gaussian Process Regression
Wenchao Lu · Jiandong Duan · Lin Cheng · Jiangping Lu 等5人 · IEEE Transactions on Power Electronics · 2024年10月
针对实际工程中电磁干扰测量受限导致效应评估困难的问题，本文提出了一种基于物理信息神经网络（PINN）与高斯过程回归（GPR）的多维物理信息评估方法。该方法通过融合物理拓扑与数据驱动模型，有效提升了在测量数据缺失或受限情况下的电磁干扰评估精度。
解读: 电磁兼容（EMC）是阳光电源组串式逆变器、PowerTitan储能系统及充电桩产品研发中的核心挑战。在复杂电网环境下，现场测量往往受限于测试条件，该研究提出的PINN与GPR融合方法，能够通过少量实测数据结合物理模型，精准预测设备在极端工况下的电磁干扰水平。建议研发团队将其应用于大功率电力电子设备的...
面向直流微电网的PINN混合网络防御机制：抵御重放/虚假数据注入攻击的弹性可靠控制
Hybrid Cyber Defense Mechanism With PINN for Resilient and Reliable Control Against Replay/ FDI Attacks in DC Microgrid Systems
Venkata Siva Prasad Machina · Sriranga Suprabhath Koduru · Sreedhar Madichetty · Sukumar Mishra · IEEE Transactions on Industry Applications · 2025年10月 · Vol.62
本文提出一种融合双向LSTM自编码器、互相关分析与物理信息神经网络（PINN）的混合网络防御框架，用于检测并抑制直流微电网中的重放和虚假数据注入攻击，结合卡尔曼滤波器保障控制稳定性，已在MATLAB/Simulink及实验平台验证其95%以上检测精度与实时性。
解读: 该研究对阳光电源PowerTitan、PowerStack等储能系统在微电网场景下的网络安全防护具有直接参考价值，尤其适用于iSolarCloud平台接入的分布式光储系统。其轻量化PINN+Bi-LSTM算法可嵌入ST系列PCS本地控制器（如ST50K），增强边缘侧攻击识别与自主恢复能力；建议在新一...
基于物理信息神经网络的IPT系统多参数与线圈偏移联合估计
Physics-Informed Neural Networks for Joint Estimation of Multiparameters and Coil Misalignment in IPT Systems
Zhan'anxin Tong · Jianhui Su · Gang Yang · Asif Ali 等7人 · IEEE Transactions on Power Electronics · 预计 2026年6月
针对感应电能传输（IPT）系统，本文提出了一种基于物理信息神经网络（PINN）的多参数联合辨识方法。通过将阻抗角、互感及负载关系的物理约束嵌入神经网络，实现了对互感和负载参数的实时感知，有效提升了系统运行调节与状态监测的精度。
解读: 该技术主要针对无线充电（IPT）领域，与阳光电源的电动汽车充电桩业务具有潜在协同效应。随着大功率无线充电技术的发展，利用PINN实现高精度的参数辨识和偏移检测，可显著提升充电桩的效率与安全性。建议研发团队关注该算法在车载无线充电模块中的应用，通过将物理模型与AI算法融合，优化充电控制策略，提升用户体...
用于宽负载应用的单输入多输出双向谐振变换器的物理信息神经网络建模
Physics-Informed Neural Network Model Description for an SIMO Bidirectional Resonant Converter for Wide-Load Applications
Diego Bernal Cobaleda · Fanghao Tian · Wilmar Martinez · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年4月
本文提出一种面向高自由度电力变换器的物理信息神经网络（PINN）建模方法。该方法综合考虑占空比、相移及功率关系，突破传统调制策略对谐波近似或时域分析的依赖，有助于识别更高效的运行工作点。以一种原边五电平T型逆变器、副边级联双单元多电平逆变器的谐振多输出变换器为案例，实现高低压侧隔离并降低变压器匝数比，提升功率密度潜力。结合粒子群优化（PSO）算法对PINN预测结果进行优化，进一步挖掘性能潜力。通过低功率样机验证，轻载效率显著提升。结果表明人工智能驱动建模在拓展变换器全负载效率方面具有前景，并探讨...
解读: 该PINN建模方法对阳光电源多端口变换器产品具有重要价值。在ST储能系统中，可优化多电池簇并联的SIMO拓扑建模，突破传统谐波分析局限，实现宽SOC范围高效运行；结合PSO算法可动态寻优调制策略，提升轻载效率。在车载OBC及充电桩产品中，五电平T型逆变器与级联多电平拓扑的结合可降低变压器匝数比、提升...
面向物理的神经网络用于在线动态安全评估
Physics-following Neural Network for Online Dynamic Security Assessment
Chao Shen · Ke Zuo · Mingyang Sun · IEEE Transactions on Power Systems · 2025年4月
数据驱动的动态安全评估（DSA）已成为应对可再生能源与电力电子设备快速接入带来安全挑战的有力工具。近期，融合微分方程描述物理规律的物理信息神经网络（PINN）被引入DSA，但仍面临代数偏差、收敛错误及训练非凸性等难题。为此，本文提出一种新型面向物理的神经网络（PFNN），通过估计故障后状态响应实现DSA。设计双阶段训练策略：第一阶段采用监督参数空间缩减以提升可优化性；第二阶段引入动力学引导的局部学习，结合经验损失与源自动态模型的物理正则项，解决代数偏差并确保正确收敛。在WSCC 3机9节点、新英...
解读: 该物理引导神经网络技术对阳光电源储能与新能源并网产品具有重要应用价值。在PowerTitan大型储能系统中，可实现故障后动态响应的快速预测与安全评估，提升电网支撑能力；结合ST系列储能变流器的构网型GFM控制，通过动力学模型正则化训练，可优化虚拟同步机参数整定，增强暂态稳定性。在SG系列光伏逆变器的...
一种用于风力涡轮机应用中精确预测三维时空风场的新型频域物理信息神经网络
A novel frequency-domain physics-informed neural network for accurate prediction of 3D spatio-temporal wind fields in wind turbine applications
Shaopeng Li · Xin Li · Yan Jiang · Qingshan Yang 等7人 · Applied Energy · 2025年5月 · Vol.386
摘要 风能是全球关键的清洁能源之一。风力涡轮机的结构安全性和动力响应分析在很大程度上受到其所在位置风速数据可获得性与精度的影响。然而，气象观测站分布稀疏，通常难以获取高分辨率的空间风速数据，因此需要采用条件模拟方法来补充低分辨率的观测数据。本研究针对这一挑战，提出了一种频域物理信息神经网络（FD-PINN），该方法利用频域信息，旨在实现对风力涡轮机三维（3D）时空风场的精准预测。该方法构建了一个深度神经网络，并将其与关键物理模型相结合，包括风谱、风场相干函数以及风速廓线。通过融合这些物理先验知识...
解读: 该频域物理信息神经网络技术对阳光电源风电变流器及新能源场站具有重要价值。通过高精度3D时空风场预测,可优化SG系列风电变流器的功率预测算法和主动抗扰控制策略,提升MPPT效率。结合iSolarCloud平台,该深度学习方法可增强风光储混合电站的预测性维护能力,优化储能系统ST系列PCS的充放电策略。...
基于物理信息的积分神经网络用于溶剂法燃烧后CO2捕集过程的动态建模
Physics informed integral neural network for dynamic modelling of solvent-based post-combustion CO2 capture process
Peng Sh · Cheng Zheng · Xiao Wu · Jiong Shen · Applied Energy · 2025年1月 · Vol.377
摘要 溶剂法燃烧后碳捕集（PCC）是实现能源和工业领域大规模脱碳最有前景的技术。然而，该过程的复杂特性和高能耗阻碍了PCC在复杂电力市场中的高效灵活运行。PCC系统的成功运行优化高度依赖于对过程的动态建模，而采用先进的数据驱动方法已成为研究热点。目前广泛使用的数据驱动动态建模方法未将PCC过程的物理机理信息融入模型中，导致模型稳定性不足。物理信息神经网络（PINNs）通过融合数据与物理信息，提供了一种创新的建模方法。然而，其在PCC过程动态建模中的应用仍面临重大挑战。为此，本文基于带外生输入的非...
解读: 该物理信息神经网络(PIINN)动态建模技术对阳光电源储能系统具有重要应用价值。碳捕集系统的复杂非线性动态特性与PowerTitan储能系统在电力市场中的灵活调度需求高度相似。PIINN方法通过平衡点稳定性约束保证模型可靠性的思路,可借鉴应用于ST系列PCS的宽工况运行建模,提升GFM/GFL控制策...
基于物理信息神经网络的鲁棒电力系统状态估计
Robust Power System State Estimation Using Physics-Informed Neural Networks
Solon Falas · Markos Asprou · Charalambos Konstantinou · Maria K. Michael · IEEE Transactions on Industrial Informatics · 2025年7月
现代电力系统在状态估计和实时监测方面面临重大挑战，特别是在故障条件或网络攻击下的响应速度和准确性方面。本文提出一种结合物理信息神经网络（PINNs）的混合方法，以提高电力系统状态估计的准确性和鲁棒性。通过将物理定律嵌入神经网络架构，PINNs 提高了输电网络在正常和故障条件下应用的估计准确性，同时在应对诸如数据操纵攻击等安全问题方面也显示出潜力。实验结果表明，所提出的方法优于传统机器学习模型，在训练数据集的未见子集上的准确性提高了近 83%，在全新的、不相关的数据集上的性能提升了近 65%。实验...
解读: 从阳光电源的业务视角来看，这项基于物理信息神经网络（PINNs）的电力系统状态估计技术具有重要的战略价值。作为全球领先的新能源设备供应商和系统集成商，阳光电源在光伏逆变器、储能系统及智慧能源管理平台方面的核心竞争力，正日益依赖于对电网实时状态的精准感知与快速响应能力。 该技术的核心优势在于将物理定...
基于流形特征插值的静态测量到动态测量的保证转换
Guaranteed Conversion From Static Measurements Into Dynamic Ones Based on Manifold Feature Interpolation
Lihao Mai · Haoran Li · Yang Weng · Erik Blasch 等5人 · IEEE Transactions on Power Systems · 2025年2月
可再生能源渗透率上升及电动汽车等负荷波动导致电力系统稳定性问题，亟需动态测量技术。然而，高分辨率量测设备（如PMU）在配电网中数量有限，而低分辨率量测设备广泛存在。本文提出一种多分辨率数据插值方法，结合自编码器与曲率正则化实现最优插值设计，并引入物理信息神经网络（PINN）和随机物理信息神经网络（SPINN）以融合系统物理规律并处理不确定性。所提方法在输电与配电系统中均得到充分验证。
解读: 该多分辨率动态测量技术对阳光电源储能与光伏产品具有重要应用价值。在PowerTitan大型储能系统中，可融合SCADA低分辨率数据与有限PMU高分辨率数据，通过流形插值实现全站动态状态估计，提升ST系列储能变流器的并网稳定性监测能力。对于分布式光伏场站，该方法可将SG逆变器的秒级功率数据插值为毫秒级...
第 1 / 2 页