找到 4 条结果
高速铁路牵引网与电力机车阻抗测量及稳定性分析
Impedance Measurement of Traction Network and Electric Train for Stability Analysis in High-Speed Railways
Pengyu Pan · Haitao Hu · Xiaowei Yang · Frede Blaabjerg 等6人 · IEEE Transactions on Power Electronics · 2018年12月
针对高速铁路中四象限变流器（4QC）与牵引网之间因阻抗失配导致的振荡问题，本文提出了一种基于阻抗测量的稳定性分析方法。由于系统参数复杂，难以通过纯数学推导量化阻抗，该方法通过实测手段有效评估了列车与电网的交互稳定性。
解读: 该研究关注电力电子系统与电网的交互稳定性，对阳光电源的并网技术具有重要参考价值。虽然研究对象为轨道交通，但其核心的阻抗建模与稳定性分析方法，可直接迁移至阳光电源的组串式/集中式光伏逆变器及PowerTitan储能变流器在弱电网环境下的并网控制优化。尤其在解决大规模新能源接入导致的谐振与振荡问题上，该...
过调制运行下混合模块化多电平变换器的主动热控制
Active Thermal Control for Hybrid Modular Multilevel Converter Under Overmodulation Operation
Jing Sheng · Heya Yang · Chushan Li · Min Chen 等7人 · IEEE Transactions on Power Electronics · 2020年4月
热管理对高功率变换器（尤其是HVDC系统）的可靠性与寿命至关重要。本文针对基于VSC的HVDC系统中的混合模块化多电平变换器（MMC），研究了其在过调制运行模式下的主动热控制策略，旨在提升系统在复杂工况下的运行可靠性与寿命。
解读: 该研究关注高压大功率变换器（MMC）的热管理与可靠性，这与阳光电源在大型地面电站及储能系统（如PowerTitan系列）中使用的电力电子技术有底层共性。虽然阳光电源目前主营业务以组串式逆变器和储能PCS为主，但随着公司向更高电压等级和更大功率密度发展，MMC拓扑及过调制下的热控制技术对于提升大型储能...
基于物理信息生成式深度学习的风力机分层动态尾流建模
Hierarchical dynamic wake modeling of wind turbine based on physics-informed generative deep learning
Qiulei Wang · Zilong Ti · Shanghui Yang · Kun Yang 等6人 · Applied Energy · 2025年1月 · Vol.378
摘要 随着电力需求的不断增长，风电场的规模远超以往。功率与载荷预测是风电场布局优化中最关键的两个课题。传统的尾流建模方法，如解析模型和计算流体动力学（CFD）模拟，在准确性和效率方面均难以有效应对如此大规模的问题。本研究提出了一种新颖的基于生成式深度学习的风力机分层动态尾流建模方法——PHOENIX（PHysics-infOrmed gEnerative deep learniNg for hIerarchical dynamic wake modeling eXploration），用于捕捉风...
解读: 该深度学习风电尾流建模技术对阳光电源风电变流器及储能系统具有重要价值。通过精准预测风机功率输出的时空特性,可优化ST系列储能PCS的充放电策略,提升风储协同效率。该物理信息神经网络方法可借鉴应用于iSolarCloud平台的预测性维护算法,结合GFM控制技术实现风电场群级功率平滑输出。动态尾流模型的...
面向风力机结构载荷与功率评估的机器学习应用：工程视角
Towards machine learning applications for structural load and power assessment of wind turbine: An engineering perspective
Qiulei Wang · Junjie Hu · Shanghui Yang · Zhikun Dong 等6人 · Energy Conversion and Management · 2025年1月 · Vol.324
摘要 近几十年来，日益增长的能源需求加速了风电场的建设，对风力机性能中精确的载荷与功率评估提出了更高的要求。传统方法依赖于解析尾流模型和性能曲线，在复杂入流条件下往往难以适应，导致在预测风机载荷和功率输出时存在显著的不准确性。本研究以NREL 5MW基准风力机为案例，提出一种新颖的两阶段框架，用于应对风电场规划与开发各个阶段中的上述挑战。第一阶段是在初步设计阶段推导简化推力调制因子的推荐值，从而快速评估对风电场优化至关重要的最大推力载荷和疲劳推力载荷。第二阶段聚焦于详细设计阶段的机器学习模型的设...
解读: 该机器学习框架对阳光电源风电变流器及储能系统具有重要价值。通过LightGBM模型实现风机负载与功率的高精度预测(R²>0.98),可优化ST系列PCS的功率调度策略和PowerTitan储能系统的充放电控制。推荐推力调制因子方法可应用于iSolarCloud平台的预测性维护模块,结合GFM控制技术...