找到 4 条结果
一种用于低频随机能量收集的具有稳态输出的自动储能与释能高性能微型收集器
An automatic energy storage and release high-performance micro-harvester with steady-state output for low-frequency random energy harvesting
Xiaoguang Song · Zhiqiang Lan · Kunru Li · Shuo Qian 等7人 · Applied Physics Letters · 2025年1月 · Vol.126
提出了一种具备自动储能与释能机制的高性能微型能量收集器，可实现低频随机振动能量的有效俘获并输出稳定的电能。该装置通过非线性力学结构增强宽带响应能力，结合内部能量调控模块，显著提升了在不规则、低频激励下的能量转换效率与输出稳定性。实验结果表明，在宽频带随机激励下，其稳态输出性能优异，适用于低功耗无线传感节点等自供能应用场景。
解读: 该微型能量收集器的自动储能与释能机制对阳光电源储能系统具有重要启发价值。其非线性宽带响应技术可应用于ST系列储能变流器的辅助供电模块，为低功耗监控传感器提供自供能方案，降低系统待机能耗。稳态输出调控策略可借鉴至PowerTitan储能系统的能量管理算法，优化不规则充放电工况下的功率平滑输出。该技术在...
基于滑模控制与扩展状态观测器的SMES-DVR电压响应增强
Enhanced Voltage Response of SMES-DVR via Sliding Mode Control With Extended State Observer
Pengfei Wang · Yanan Wu · Jing Lu · Liuwei Xu 等6人 · IEEE Transactions on Industry Applications · 2025年6月
基于超导磁储能的动态电压恢复器（SMES - DVR）能够在数毫秒内提供更高的功率，以补偿电压扰动。然而，SMES - DVR的非线性特性和负载扰动通常会导致直流母线电压波动，从而降低了控制精度和响应性能。为解决SMES - DVR中直流母线电压波动这一关键难题，本文提出了一种基于扩展状态观测器的高阶滑模控制（ESO - HOSMC）的新型复合控制策略。ESO - HOSMC控制方法将基于扩展状态观测器的扰动估计与超螺旋高阶滑模控制相结合，有效平衡了超导磁体充放电过程中快速响应与运行稳定性之间的...
解读: 该滑模控制与ESO复合策略对阳光电源ST系列储能变流器及PowerTitan系统的电压暂态响应优化具有直接应用价值。SMES-DVR的毫秒级高功率补偿特性与储能PCS的电压支撑需求高度契合，ESO实时扰动估计技术可增强ST储能系统在电网电压跌落时的快速响应能力，提升构网型GFM控制模式下的电压稳定性...
基于对抗性模仿强化学习的混合储能电动汽车能量管理
Imitation reinforcement learning energy management for electric vehicles with hybrid energy storage system
Weirong Liu · Pengfei Yao · Yue Wu · Lijun Duan 等6人 · Applied Energy · 2025年1月 · Vol.378
深度强化学习已成为电动汽车能量管理的一种有前景的方法。然而，深度强化学习依赖大量试错训练才能获得近似最优性能。为此，本文提出一种面向混合储能系统的电动汽车对抗性模仿强化学习能量管理策略，以最小化电池容量损耗成本。首先，利用动态规划在多种标准驾驶条件下生成专家知识，用于引导强化学习的探索过程，该专家知识表示为最优功率分配映射。其次，在早期模仿阶段，通过对抗网络使强化学习智能体的动作快速逼近最优功率分配映射。再次，根据对抗网络中判别器的输出设计动态模仿权重，促使智能体在在线驾驶条件下逐步过渡到自主探...
解读: 该对抗模仿强化学习策略对阳光电源混合储能系统具有重要应用价值。可应用于ST系列PCS的电池-超级电容混合储能优化,通过专家知识引导的强化学习加速训练42.6%,降低电池容量损耗成本5.1%-12.4%。技术可集成至iSolarCloud平台实现在线工况自适应功率分配,延长PowerTitan储能系统...
因果机制赋能的零标签学习在新建光伏电站发电功率预测中的应用
Causal Mechanism-Enabled Zero-Label Learning for Power Generation Forecasting of Newly-Built PV Sites
Pengfei Zhao · Weihao Hu · Di Cao · Rui Huang 等6人 · IEEE Transactions on Sustainable Energy · 2024年9月
针对新建光伏（PV）电站因缺乏历史发电数据导致的功率预测难题，本文提出一种无需任何标注样本的无监督零标签学习方法。通过挖掘不同电站间的不变因果结构，并利用因果机制提升目标电站的预测性能。设计了因果赋能的域自适应网络（CEDAN），结合内外注意力机制从时滞数据片段中提取发电因果关联，并构建域适应损失函数以对齐源域与目标域的因果分布差异。进一步扩展为分位数域适应损失以应对输出不确定性。联合优化域适应与预测损失，实现跨域不变因果机制的学习，从而在无标签情况下完成高泛化性功率预测。基于真实数据的实验表明...
解读: 该零标签功率预测技术对阳光电源iSolarCloud智能运维平台和SG系列光伏逆变器具有重要应用价值。针对新建光伏电站缺乏历史数据的痛点，通过因果机制实现无标签跨域迁移学习，可直接应用于阳光电源新部署站点的发电预测模块。该方法提升7.57%的确定性预测精度，能优化iSolarCloud平台的智能诊断...