找到 2 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...
基于短预测时域的永磁同步电机预测速度控制
Predictive Speed Control With Short Prediction Horizon for Permanent Magnet Synchronous Motor Drives
Panagiotis Kakosimos · Haitham Abu-Rub · IEEE Transactions on Power Electronics · 2018年3月
本文针对电机驱动系统开发了一种基于有限控制集模型预测控制（FCS-MPC）的预测速度控制器（PSC）。由于机械时间常数与电气时间常数差异巨大，直接预测速度控制（DPSC）通常需要较长的预测时域，导致在线优化计算负担沉重。本文提出了一种短预测时域的改进策略，有效降低了计算复杂度。
解读: 该技术主要针对高性能电机驱动控制，与阳光电源的电动汽车充电桩及风电变流器业务具有技术关联性。在风电变流器中，电机侧控制算法的优化可提升风机对转矩波动的响应速度；在充电桩领域，高效的电机控制策略有助于提升功率模块的动态性能。建议研发团队关注该短时域预测算法在降低DSP/FPGA算力需求方面的潜力，以优...