找到 2 条结果
基于混合功率同步的对称电网故障下跟网型逆变器暂态稳定性增强控制
Hybrid Power Synchronization Based Transient Stability Enhanced Control for Grid-Forming Inverters Under Symmetrical Grid Fault
Pengfei Sun · Zhen Tian · Xiaoming Zha · Meng Huang 等6人 · IEEE Transactions on Power Electronics · 2024年10月
电流限幅器可有效抑制跟网型（GFM）逆变器的过电流，但可能导致系统失去稳定平衡点（SEP），从而引发动态失稳。本文提出一种基于混合功率同步机制的暂态稳定性增强控制策略，通过动态调节有功与无功功率同步环路，提升故障期间系统的暂态稳定性。该方法在保持电流约束的同时，增强系统在对称电网故障下的恢复能力，确保快速重返稳定平衡点。仿真结果验证了所提策略的有效性。
解读: 该混合功率同步暂态稳定增强技术对阳光电源构网型产品具有重要应用价值。针对ST系列储能变流器和PowerTitan大型储能系统，该技术可解决电流限幅器导致的动态失稳问题，通过动态调节有功/无功功率同步环路，在对称故障下保持稳定平衡点，提升系统故障穿越能力。这为阳光电源GFM控制策略提供优化方向：可在现...
AM-MFF：一种基于注意力机制的多特征融合框架用于鲁棒且可解释的锂离子电池健康状态估计
AM-MFF: A multi-feature fusion framework based on attention mechanism for robust and interpretable lithium-ion battery state of health estimation
Si-Zhe Chen · Jing Liu · Haoliang Yuan · Yibin Tao 等6人 · Applied Energy · 2025年1月 · Vol.381
健康状态（SOH）是电池管理系统（BMS）中的一个关键参数。利用多种数据源可有效提升端到端SOH估计的性能。然而，现有的基于多维特征的方法未能充分挖掘不同数据源之间的内在关联。同时，大多数方法缺乏可解释性，并忽视了噪声带来的不利影响。本研究提出了一种基于注意力机制的多特征融合框架（AM-MFF），以实现鲁棒且可解释的SOH估计。AM-MFF结合了卷积神经网络（CNN）和注意力机制（AM）的优势，能够高效提取并融合健康特征，从而全面感知电池老化信息。该框架将两个运行阶段的数据作为输入，并通过两个独...
解读: 该AM-MFF锂电池SOH估算框架对阳光电源储能系统具有重要应用价值。其多特征融合与注意力机制可直接集成至ST系列PCS和PowerTitan储能系统的BMS中,提升电池健康状态预测精度和抗噪性能。多输入容错设计确保单传感器故障时系统仍可靠运行,符合大规模储能安全需求。注意力分数的可解释性有助于iS...