找到 2 条结果
一种基于机器学习的光伏系统在复杂局部遮阴条件下的全局最大功率点跟踪技术
A Machine Learning-Based Global Maximum Power Point Tracking Technique for a Photovoltaic Generation System Under Complicated Partially Shaded Conditions
Yi-Hua Liu · Yu-Shan Cheng · Yu-Chih Huang · IEEE Transactions on Sustainable Energy · 2024年12月
在局部遮阴条件下，光伏系统输出功率与电压关系呈多峰特性，导致全局最大功率点（GMPP）追踪困难。本文提出一种基于机器学习的两阶段GMPPT方法：第一阶段采用回归树预测GMPP大致位置，第二阶段利用α-扰动观察法精确捕获GMPP。通过建立仿真平台生成训练数据，优化并集成回归树模型。在252种遮阴模式下，平均跟踪损耗为2.13 W，平均响应时间0.11秒，准确识别出244种情况下的GMPP区间。实验结果表明，该方法在追踪精度和速度上均优于五种先进方法。
解读: 该机器学习GMPPT技术对阳光电源SG系列光伏逆变器的MPPT算法优化具有重要应用价值。当前SG逆变器在复杂遮阴场景下的多峰功率曲线处理仍依赖传统扰动观察法，易陷入局部最优。该研究提出的回归树+α-扰动观察两阶段方法，可将平均响应时间缩短至0.11秒，跟踪损耗降至2.13W，显著优于现有方案。建议将...
基于数字孪生与自演化补偿器的电力电子系统在线健康监测及改进参数辨识能力
Digital Twin-Based Online Health Monitoring of Power Electronics Systems With Self-Evolving Compensators and Improved Parameter Identification Capability
Yi-Hua Liu · Zong-Zhen Yang · Min-Chen Liu · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2024年11月
电力电子系统（PES）在航空航天、可再生能源和电动汽车等领域至关重要。本文比较了粒子群优化（PSO）、灰狼优化和蜻蜓算法三种元启发式方法的参数估计性能，并提出一种结合物理行为的两阶段元启发式方法，显著提升了寄生电阻估计精度与参数识别速度。相较于传统PSO，MOSFET和电感寄生电阻估计误差分别由31%和45%降至1.5%和2.3%，计算时间减少逾60%。该方法在外部扰动下仍具高鲁棒性，平均使MOSFET和电感寄生电阻识别误差分别降低11.8%和16.7%。此外，引入自演化补偿器可在线自动调节控制...
解读: 该数字孪生健康监测技术对阳光电源ST储能变流器和SG光伏逆变器产品线具有重要应用价值。两阶段元启发式方法可精准辨识SiC MOSFET和电感寄生参数（误差降至1.5%/2.3%），直接提升PowerTitan储能系统功率模块的状态监测精度。自演化补偿器能在线自适应调节控制参数，可集成至iSolarC...