找到 2 条结果
基于物理增强分层神经网络的电力变换器深度学习建模
Deep Learning-Based Modeling for Power Converters via Physics-Enhanced Hierarchical Neural Network
Qianyi Shang · Fei Xiao · Yaxiang Fan · Ruitian Wang 等5人 · IEEE Transactions on Power Electronics · 2026年4月
针对电力变换器时间序列建模中数据依赖性高、物理信息神经网络计算需求大及泛化能力差的问题，本文提出了一种物理增强的分层神经网络方法，旨在提升变换器建模的效率与精度，为电力电子系统的智能化建模提供新思路。
解读: 该技术对阳光电源的核心产品线具有显著价值。在光伏逆变器和PowerTitan/PowerStack储能变流器（PCS）的研发中，传统的物理建模在复杂工况下计算量大，而纯数据驱动模型缺乏物理约束。该物理增强分层神经网络能有效结合物理规律与AI算法，提升逆变器在电网波动、极端环境下的动态响应预测精度。建...
SiC MOSFET并联运行中动态电流平衡的共源电感补偿技术
Common Source Inductance Compensation Technique for Dynamic Current Balancing in SiC MOSFETs Parallel Operations
Boyi Zhang · Ruxi Wang · Peter Barbosa · Qianyi Cheng 等8人 · IEEE Transactions on Power Electronics · 2023年11月
在牵引逆变器等高电流应用中，SiC MOSFET常通过并联以提升电流等级，但不对称布局引起的寄生电感差异会导致动态电流不平衡，进而引发器件及系统故障。本文提出了一种共源电感补偿技术，旨在解决并联SiC MOSFET的动态电流不平衡问题，提升功率模块的运行可靠性。
解读: 该技术对阳光电源的组串式逆变器及PowerTitan/PowerStack储能变流器（PCS）具有重要意义。随着公司产品向更高功率密度演进，SiC器件的大规模并联应用日益增多，动态电流不平衡是制约模块可靠性的关键瓶颈。该补偿技术可直接优化公司功率模块的PCB布局设计与驱动电路，降低开关过程中的电压尖...