找到 3 条结果
基于无功功率的感应电机驱动转子时间常数在线估计模型参考自适应系统
Reactive-Power-Based MRAS for Online Rotor Time Constant Estimation in Induction Motor Drives
Pengpeng Cao · Xing Zhang · Shuying Yang · Zhen Xie 等5人 · IEEE Transactions on Power Electronics · 2018年12月
本文研究了基于无功功率的模型参考自适应系统（MRAS），用于感应电机驱动中转子时间常数的在线更新。通过将定子频率信息引入自适应机制，不仅扩大了参数更新的有效范围，还提升了在实际应用中的鲁棒性与适用性。
解读: 该技术主要针对感应电机驱动的参数辨识与控制优化，与阳光电源的风电变流器业务具有一定相关性。在风力发电系统中，双馈异步发电机（DFIG）的转子侧变流器控制依赖于对电机参数的精确估计。该研究提出的基于无功功率的MRAS方法，有助于提升变流器在不同工况下的动态响应性能和参数鲁棒性。建议研发团队关注该算法在...
一种利用定子电流与转子磁链点积更新感应电机转子时间常数的改进MRAS
An Improved MRAS for Rotor Time Constant Updating in Induction Motor Drives Utilizing Dot Product of Stator Current and Rotor Flux
Xing Zhang · Yuwei Zhang · Shuying Yang · Zhen Xie 等5人 · IEEE Transactions on Power Electronics · 2019年9月
本文提出了一种基于定子电流与转子磁链点积的模型参考自适应系统（MRAS），用于在线更新间接矢量控制感应电机驱动中的转子时间常数。该方法在稳态下不受定子电阻变化和死区效应的影响，具有显著的鲁棒性优势。
解读: 该文献主要针对感应电机驱动的参数辨识与控制优化。虽然阳光电源的核心业务聚焦于光伏逆变器、储能PCS及风电变流器，但在风电变流器产品线中，感应电机（如双馈异步发电机DFIG）的控制策略是关键技术之一。该MRAS改进算法可为风电变流器的电机侧控制提供参数自适应参考，有助于提升风电机组在复杂工况下的转矩响...
基于机器学习的多浮置埋层LDMOS器件击穿电压建模与优化
Machine Learning-Based Modeling and BV Optimization for LDMOS With Multifloating Buried Layers
Zhen Cao · Qi Sun · Qiaowei Peng · Biao Hou 等6人 · IEEE Transactions on Electron Devices · 2024年12月
本文介绍了一种利用机器学习（ML）优化具有多浮动埋层（MFBL）的横向双扩散金属氧化物半导体场效应晶体管（LDMOS）器件击穿电压（BV）的新方法。本研究摒弃了传统复杂的物理推导方法，将神经网络与遗传算法相结合，构建了一个自适应优化框架。首先，我们分析了MFBL LDMOS的物理特性，以确定影响BV性能的关键参数，并确定其合理取值范围。然后，通过TCAD仿真生成数据集，并应用卷积神经网络（CNN）建立MFBL LDMOS的BV预测模型。在后续阶段，采用遗传算法对结构参数进行自适应优化，从而推导出...
解读: 从阳光电源的业务视角来看，该论文提出的基于机器学习优化多浮埋层LDMOS器件击穿电压的方法具有重要的战略价值。LDMOS作为功率半导体的核心器件，广泛应用于我司光伏逆变器和储能变流器的功率转换模块中，其击穿电压性能直接影响系统的功率密度、转换效率和可靠性。 该技术的核心价值在于突破了传统物理推导方...