找到 4 条结果
具有高泛化能力的碳化硅功率模块物理信息智能热模型
Physics-Informed Intelligent Thermal Model for SiC Power Modules With High Generalization
Yizheng Tang · Cao Zhan · Lingyu Zhu · Hao Sun 等8人 · IEEE Transactions on Power Electronics · 2025年10月
本文提出了一种新型物理信息智能热模型（PIITM），用于碳化硅（SiC）功率模块。该模型融合了组件热传递逻辑，相比传统智能模型具有更好的可解释性与泛化能力。通过残差卷积神经网络提取热特征，实现了对SiC模块热行为的精确建模。
解读: 该技术对阳光电源的核心产品线（如组串式逆变器、PowerTitan储能系统及风电变流器）具有重要应用价值。随着SiC器件在高性能逆变器中的广泛应用，热管理成为提升功率密度和可靠性的关键。PIITM模型通过物理机理与AI的结合，能显著提升热仿真精度，缩短研发周期。建议在iSolarCloud智能运维平...
用于无传感器感应电机超低速运行的速度自适应全阶观测器的稳定性与动态性能提升
Stability and Dynamic Performance Improvement of Speed Adaptive Full-Order Observer for Sensorless Induction Motor Ultralow Speed Operation
Bo Wang · Zhixin Huo · Yong Yu · Cheng Luo 等6人 · IEEE Transactions on Power Electronics · 2020年11月
针对无传感器感应电机在超低速运行下，速度自适应全阶观测器（AFO）在稳定性和动态性能难以兼顾的问题，本文提出了一种新型反馈增益选择原则。该方法在保证系统稳定性的同时，显著优化了观测器的动态响应性能，解决了传统方法在极低速工况下性能受限的难题。
解读: 该研究聚焦于电机控制算法的优化，特别是无传感器控制技术，这与阳光电源的风电变流器及电动汽车充电桩业务具有技术关联性。在风电变流器领域，低速下的精确观测有助于提升风机在微风工况下的并网稳定性与发电效率；在充电桩领域，该算法可为电机驱动模块提供更优的动态响应。建议研发团队关注该反馈增益选择原则，将其应用...
基于卷积图神经网络与参数迁移的区域光伏功率短期概率预测
Short-Term Probabilistic Forecasting for Regional PV Power Based on Convolutional Graph Neural Network and Parameter Transferring
Fan Lin · Yao Zhang · Hanting Zhao · Wei Huo 等5人 · IEEE Transactions on Power Systems · 2024年11月
本文提出一种用于区域光伏功率短期概率预测的新型端到端深度学习模型，该模型具有局部-全局两层结构。在局部层，构建基于有向图的动态空间卷积图神经网络，以学习光伏电站的高维特征表示；在全局层，提出动态图池化方法，将局部特征聚合为全局表示，并映射为区域光伏功率的概率预测结果。为防止过拟合，引入基于参数迁移的训练策略。在公开真实数据上的实验表明，该模型可提供高质量且可靠的短期概率预测。
解读: 该区域光伏功率概率预测技术对阳光电源iSolarCloud智能运维平台具有重要应用价值。其卷积图神经网络可建模区域内多个光伏电站的空间关联性，为SG系列逆变器集群提供更精准的短期功率预测。概率预测结果可优化PowerTitan储能系统的充放电策略制定，通过预测区间合理配置储能容量，提升系统经济性。参...
一种集成多源数值天气预报的短期非参数概率光伏功率预测两阶段集成学习框架
A Two-Stage Ensemble Learning Framework for Short-Term Nonparametric Probabilistic Photovoltaic Power Forecasting Integrating Multi-Source Numerical Weather Predictions
Hanting Zhao · Yao Zhang · Wei Huo · Fan Lin 等5人 · IEEE Transactions on Power Systems · 2025年9月
利用数值天气预报（NWP）进行短期太阳能功率概率预测（SSPPF）已被证明是一种提高太阳能整合与利用效率的有效方法。然而，大多数现有的SSPPF研究仅采用单源NWP，忽略了多源NWP在提高概率预测准确性和稳健性方面的潜在优势。本文提出了一种用于SSPPF的改进两阶段集成学习预测框架（ITS - ELFF）。ITS - ELFF将多源NWP作为关键的外部协变量，以生成多步分位数预测。在第一阶段，一组稳健且多样的基学习器提供初始分位数预测。在第二阶段，一个元学习器整合所有基学习器的分位数预测，以生成...
解读: 该两阶段集成学习框架对阳光电源iSolarCloud智能运维平台和SG系列光伏逆变器具有重要应用价值。通过融合多源NWP数据的非参数概率预测，可显著提升光伏电站功率预测精度，优化MPPT算法的前瞻性控制策略。在PowerTitan储能系统中，高精度概率预测能改进充放电调度决策，提升削峰填谷效果和电网...