找到 20 条结果 · 智能化与AI应用
基于I-V曲线变形特征与计算机视觉的光伏组件故障诊断
PV Module Fault Diagnosis Based on I–V Curve Deformation Characteristics and Computer Vision
Lingxiang Zhang · Kun Xia · Po Xu · Yibo Yu 等5人 · IEEE Transactions on Power Electronics · 2026年3月
本文针对光伏组件早期故障诊断问题，提出了一种基于三二极管模型分析I-V曲线变形特征的新方法。不同于传统仅提取特征点的方式，该研究利用计算机视觉技术全面捕捉曲线形态变化，实现了更精准的故障识别，有效降低了运维成本。
解读: 该技术对阳光电源的iSolarCloud智能运维平台具有极高的应用价值。通过将基于计算机视觉的I-V曲线分析算法集成至iSolarCloud，可实现对组串式逆变器和集中式逆变器接入的光伏阵列进行远程、自动化的故障预警与诊断，无需人工现场巡检即可精准定位遮挡、老化或隐裂等问题。建议研发团队将此算法模型...
基于神经网络的电力电子资源主导型电力系统不确定性感知稳定性分析
Uncertainty-Aware Stability Analysis of IBR-Dominated Power System With Neural Networks
Galadrielle Humblot-Renaux · Yang Wu · Sergio Escalera · Thomas B. Moeslund 等6人 · IEEE Transactions on Power Electronics · 2025年11月
机器学习技术在加速电力电子资源（IBR）主导的电力系统稳定性筛选方面潜力巨大。然而，基于神经网络的方法在面对未见过的运行场景时，难以保证预测的准确性和可靠性，存在安全隐患。本文提出了一种不确定性感知方法，以提升神经网络在电力系统稳定性评估中的可靠性。
解读: 随着阳光电源组串式逆变器和PowerTitan等储能系统在全球电网中的渗透率提升，系统稳定性分析变得日益复杂。该研究提出的不确定性感知神经网络方法，能够有效解决传统AI模型在复杂电网环境下（如弱电网）泛化能力不足的问题。建议将此技术集成至iSolarCloud智能运维平台，用于实时监测电网稳定性风险...
基于机器学习代理的手动与自动开关在配电网中的优化配置
Optimal Placement of Manual and Automatic Switches in Power Distribution Systems Using a Machine Learning Proxy
Mehrdad Ebrahimi · Mohammad Rastegar · Kiana Karami · IEEE Transactions on Industry Applications · 2025年2月
故障管理涉及在故障发生后尽快恢复停电用户的操作，而优化开关布局有助于实现这一目标。然而，由于问题的非线性和巨大的搜索空间，开关优化问题需要大量的计算工作。因此，对于大规模配电系统而言，该问题可能难以求解。本文提出了一种基于机器学习的代理方法，用于确定实际配电系统中手动和自动开关的最佳数量和位置。目标函数包含设备成本和可靠性指标，包括系统平均停电频率指标（SAIFI）、系统平均停电持续时间指标（SAIDI）和未供电量（ENS）指标。所提出的模型是一个堆叠集成模型，其中基于卷积神经网络（CNN）的模...
解读: 从阳光电源的业务视角来看，这项基于机器学习的配电网开关优化技术具有重要的战略价值。随着公司在分布式光伏、储能系统及综合能源解决方案领域的深度布局，配电网的智能化管理已成为提升系统可靠性和经济性的关键环节。 该技术的核心价值在于通过堆叠集成学习模型，大幅降低开关优化问题的计算复杂度，这对阳光电源的配...
基于多域迁移学习的电池健康状态估计
Battery Health Estimation Based on Multidomain Transfer Learning
Hanmin Sheng · Biplob Ray · Shaben Kayamboo · Xintao Xu 等5人 · IEEE Transactions on Power Electronics · 2024年4月
机器学习在电池健康状态（SOH）估计中具有显著优势，但面临数据分布差异带来的概念漂移挑战。本文提出一种多域迁移学习方法，旨在解决训练集与测试集分布不一致的问题，从而提升电池SOH估计的准确性与鲁棒性。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack系列）具有极高价值。电池健康状态（SOH）的精准评估是提升储能系统全生命周期经济性的核心。目前储能电站面临工况复杂、数据分布差异大的挑战，引入多域迁移学习算法，可显著提升iSolarCloud平台对大规模储能电站的运维精度，减少电...
不同环境温度下锂离子电池的无源跨域荷电状态估计
Source-Free Cross-Domain State of Charge Estimation of Lithium-Ion Batteries at Different Ambient Temperatures
Liyuan Shen · Jingjing Li · Lin Zuo · Lei Zhu 等5人 · IEEE Transactions on Power Electronics · 2023年6月
针对锂离子电池荷电状态（SOC）估计中因环境温度变化导致的域偏移问题，本文提出了一种无源跨域迁移学习方法。该方法旨在解决不同工况下数据分布差异带来的模型性能下降，无需访问源域数据即可实现模型在目标域的自适应，提升了复杂环境下SOC估计的鲁棒性与准确性。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack及ST系列PCS）具有极高价值。电池SOC的精准估算是BMS的核心，而环境温度是影响SOC精度的主要因素。通过引入无源跨域迁移学习，阳光电源可在不依赖大规模现场数据重训练的情况下，显著提升储能系统在极端气候下的SOC估计精度，延长...
一种用于锂离子电池容量预测的多输出卷积高斯过程
A Multioutput Convolved Gaussian Process for Capacity Forecasting of Li-Ion Battery Cells
Abdallah A. Chehade · Ala A. Hussein · IEEE Transactions on Power Electronics · 2022年1月
本文提出了一种基于多输出卷积高斯过程（MCGP）的锂离子电池容量预测方法。该方法通过潜在函数分解技术，将多个电池单元的容量趋势分解为潜在函数，并结合优化核函数进行建模，实现了多任务学习与迁移学习，有效提升了电池容量衰退趋势预测的准确性。
解读: 该技术对阳光电源的储能业务（PowerTitan、PowerStack系列）具有极高的应用价值。通过MCGP模型，公司可提升iSolarCloud平台对大规模储能电站电池衰退的预测精度，实现更精准的SOH（健康状态）管理和寿命预警。这不仅能优化BMS的充放电策略，延长系统使用寿命，还能为电网侧储能的...
电力电子中人工智能应用综述
An Overview of Artificial Intelligence Applications for Power Electronics
Shuai Zhao · Frede Blaabjerg · Huai Wang · IEEE Transactions on Power Electronics · 2021年4月
本文概述了人工智能在电力电子系统中的应用，涵盖设计、控制和维护三个生命周期阶段。探讨了优化、分类、回归及数据结构探索等AI任务，并分析了四类AI技术在电力电子领域的应用潜力与挑战。
解读: AI技术是阳光电源实现产品智能化升级的核心驱动力。在设计阶段，AI可用于优化逆变器和PCS的拓扑参数，缩短研发周期；在控制层面，利用机器学习优化PWM策略或实现构网型控制，能显著提升系统在弱电网下的稳定性；在运维阶段，结合iSolarCloud平台，通过AI算法对组串式逆变器及PowerTitan储...
基于图半监督学习的光伏阵列故障检测与分类
Graph-Based Semi-supervised Learning for Fault Detection and Classification in Solar Photovoltaic Arrays
Ye Zhao · Roy Ball · Jerry Mosesian · Jean-Francois de Palma 等5人 · IEEE Transactions on Power Electronics · 2015年5月
光伏阵列故障检测对提升系统可靠性与安全性至关重要。由于光伏输出具有非线性特征，传统保护装置难以识别多种复杂故障，存在安全隐患。本文提出一种基于图半监督学习的机器学习方法，旨在填补现有光伏系统保护技术的空白，实现对光伏阵列故障的精准检测与分类。
解读: 该技术对阳光电源的iSolarCloud智能运维平台具有极高的应用价值。通过引入图半监督学习算法，可显著提升iSolarCloud在组串式及集中式逆变器层面的故障预警精度，尤其是在复杂环境下的隐蔽性故障识别。建议将此算法集成至逆变器边缘计算单元，实现从“被动保护”向“主动运维”的升级，降低运维成本，...
电力电子系统故障诊断中的数据挖掘应用：系统综述
Data Mining Applications to Fault Diagnosis in Power Electronic Systems: A Systematic Review
作者未知 · IEEE Transactions on Power Electronics · 日期未知
本文综述了电力电子系统（PES）故障诊断的研究进展，重点介绍了基于数据挖掘的技术，包括人工神经网络、机器学习和深度学习算法。文章探讨了这些先进算法在提升系统可靠性、实现早期故障检测方面的应用潜力与挑战。
解读: 该研究直接服务于阳光电源的核心可靠性战略。在光伏逆变器（如SG系列组串式逆变器）和储能系统（如PowerTitan系列）中，引入机器学习和深度学习进行故障预测与健康管理（PHM）是提升运维效率的关键。通过iSolarCloud平台集成此类算法，可实现从“被动维修”向“主动运维”的转型，有效降低电站停...
基于预测建模的开关功率变换器组件级数据驱动设计
Data-Driven Component-Level Design of Switching Power Converters Using Predictive Modeling
Skye Reese · Bailey Sauter · Dragan Maksimović · IEEE Transactions on Power Electronics · 2025年8月
本文展示了如何利用数据驱动的自动化系统方法辅助开关功率变换器的组件级设计。通过回归机器学习技术，利用海量组件数据及设计参数训练预测模型，从而针对特定变换器拓扑和规格需求，实现高效的组件选型与参数优化。
解读: 该研究提出的数据驱动设计方法对阳光电源的产品研发具有重要参考价值。在组串式逆变器和PowerTitan储能系统等产品的开发中，功率模块（IGBT/SiC）及磁性元件的选型往往依赖经验，引入机器学习预测模型可显著缩短研发周期，优化功率密度与成本平衡。建议研发团队在iSolarCloud运维数据积累的基...
基于图神经网络的单/三相磁耦合等效电路
Equivalent Circuit for Single/Three Phase Magnetic Coupling With Graph Neural Networks
Yusuke Yamakaji · Hayaru Shouno · Kunihiko Fukushima · IEEE Transactions on Power Electronics · 2025年2月
由于电路设计中元件与布线存在高自由度和相互干扰，传统设计依赖迭代原型与仿真。本文提出将电路转化为图网络，并特别解决了传统方法忽略的磁耦合问题。通过图神经网络（GNN）对磁耦合进行建模，旨在优化电路设计流程，减少对物理原型和繁琐仿真的依赖。
解读: 该研究利用图神经网络（GNN）解决磁耦合建模难题，对阳光电源的研发具有重要价值。在组串式逆变器和PowerTitan储能系统的磁性元件（如电感、变压器）设计中，该方法能显著提升高频磁场仿真效率，缩短产品开发周期。建议研发团队将其引入iSolarCloud的数字孪生系统或研发仿真平台，通过AI辅助优化...
人工智能在电力电子系统高频磁性元件设计中的应用综述
Artificial Intelligence Applications in High-Frequency Magnetic Components Design for Power Electronics Systems: An Overview
Xiaobing Shen · Yu Zuo · Jiaze Kong · Wilmar Martinez · IEEE Transactions on Power Electronics · 2024年7月
本文综述了人工智能（AI）在电力电子高频磁性元件（电感与变压器）设计中的应用，涵盖专家系统、模糊逻辑、元启发式算法及机器学习四大类。文章重点探讨了AI模型在损耗估计、参数优化及设计自动化方面的应用，旨在提升高频电力电子系统的设计效率与性能。
解读: 磁性元件（电感、变压器）是阳光电源组串式逆变器、PowerTitan储能变流器及充电桩的核心功率密度瓶颈。引入AI辅助设计可显著缩短高频磁性元件的研发周期，优化损耗模型，助力提升产品功率密度。建议研发团队利用机器学习算法替代传统的繁琐有限元仿真，在PowerTitan等大功率储能产品中实现磁性元件的...
MagNet-AI：作为磁性元件建模与材料推荐数据表的神经网络
MagNet-AI: Neural Network as Datasheet for Magnetics Modeling and Material Recommendation
Haoran Li · Diego Serrano · Shukai Wang · Minjie Chen · IEEE Transactions on Power Electronics · 2023年12月
本文介绍了MagNet-AI平台，该平台展示了“神经网络作为数据表”的概念，用于实现宽运行范围内功率磁性元件的B-H环路建模与材料推荐。研究摒弃了直接展示磁芯材料测量特性的传统方式，转而利用神经网络捕捉B-H环路映射关系，为磁性元件设计提供了高效的数字化解决方案。
解读: 磁性元件（电感、变压器）是阳光电源组串式/集中式光伏逆变器及PowerTitan/PowerStack储能变流器（PCS）的核心损耗部件。MagNet-AI提出的‘神经网络作为数据表’概念，可显著提升研发阶段磁性元件的设计精度与选型效率，优化高频化趋势下的磁芯损耗评估。建议研发团队引入该AI建模方法...
MagNet：用于建模功率磁性材料特性的机器学习框架
How MagNet: Machine Learning Framework for Modeling Power Magnetic Material Characteristics
Haoran Li · Diego Serrano · Thomas Guillod · Shukai Wang 等12人 · IEEE Transactions on Power Electronics · 2023年12月
本文提出了一种名为MagNet的开源机器学习框架，用于功率磁性材料建模。该框架整合了超过50万个实验测量的激励数据点，涵盖多种材料及运行工况。文章详细阐述了数据采集与质量控制流程，并展示了机器学习在提升磁性元件建模精度与效率方面的应用潜力。
解读: 磁性元件（电感、变压器）是阳光电源光伏逆变器和储能PCS的核心损耗源。MagNet框架提供的机器学习建模方法，可显著提升磁性元件在高频、复杂工况下的损耗预测精度，有助于优化PowerTitan等储能系统及组串式逆变器的磁性设计，实现更优的功率密度和效率。建议研发团队引入该数据库进行磁性材料特性拟合，...
一种用于检测光伏电站虚假数据注入攻击的联邦学习框架
A Federated Learning Framework for Detecting False Data Injection Attacks in Solar Farms
Liang Zhao · Jiaming Li · Qi Li · Fangyu Li · IEEE Transactions on Power Electronics · 2022年3月
随着光伏系统接入智能电网，网络安全威胁日益严峻。基于数据驱动的机器学习方法在电力电子设备攻击检测中表现优异，但集中式处理存在效率瓶颈。本文提出一种联邦学习框架，在保护数据隐私的同时，实现对光伏电站虚假数据注入攻击的有效检测，提升了系统的安全性与鲁棒性。
解读: 该研究对于阳光电源的iSolarCloud智能运维平台具有重要参考价值。随着光伏电站规模扩大，数据隐私与网络安全成为运维痛点，联邦学习技术可实现分布式模型训练，在不上传原始电站数据的前提下提升逆变器及储能系统的故障诊断与安全防御能力。建议将此框架集成至PowerTitan等大型储能系统及组串式逆变器...
机器学习驱动的无线电能传输线圈与磁芯联合结构优化以增强互感并减少铁氧体体积
Machine Learning-Driven Joint Structuring of WPT Coil and Core for Enhanced Mutual Inductance and Reduced Ferrite Volume
Fawad · Syed Ahson Ali Shah · Yohan Park · Yun-Su Kim · IEEE Transactions on Power Electronics · 2025年10月
本文提出了一种集成优化方法，利用机器学习算法对无线电能传输（WPT）系统的线圈和磁芯进行联合设计。该研究旨在通过优化几何结构，在提升发射端与接收端之间互感的同时，有效降低铁氧体磁芯的体积，从而提升系统功率密度与效率。
解读: 该技术主要针对无线充电领域，与阳光电源的电动汽车充电桩业务具有潜在协同效应。虽然目前阳光电源以有线充电桩为主，但随着大功率无线充电技术在电动重卡及乘用车领域的商业化进程，该机器学习驱动的联合优化方法可用于提升充电模块的功率密度和磁性元件效率。建议研发团队关注该方法在磁性元件设计自动化（EDA）中的应...
基于人工智能技术的电机应用综述
Application of Artificial Intelligence-Based Technique in Electric Motors: A Review
Wangde Qiu · Xing Zhao · Andy Tyrrell · Suresh Perinpanayagam 等6人 · IEEE Transactions on Power Electronics · 2024年10月
电机在工业领域应用广泛，提升其综合性能一直是研究热点。随着人工智能（AI）技术的快速发展，越来越多的AI方法被应用于电机领域，以实现更优的控制、监测与优化。
解读: 该文献探讨的AI技术在电机控制与故障诊断方面的应用，对阳光电源的业务具有参考价值。在风电变流器领域，AI算法可用于发电机侧的预测性维护及复杂工况下的自适应控制；在储能系统（如PowerTitan）的冷却风扇电机及PCS内部功率模块的健康状态监测中，引入机器学习模型可显著提升系统可靠性。建议研发团队关...
无刷直流电机高阻连接诊断的瞬态电流比树突网络
Transient Current Ratio Dendrite Net for High-Resistance Connection Diagnosis in BLDCM
Chong Luo · Jianyu Wang · Qiang Miao · IEEE Transactions on Power Electronics · 2024年4月
无刷直流电机（BLDCM）中的高阻连接（HRC）会导致性能下降、设备故障甚至火灾，因此其诊断至关重要。现有研究在多场景适应性上存在不足。本文提出了一种瞬态电流比树突网络（TCR-DD），通过分析瞬态电流特征实现对HRC的精准诊断，提升了电机系统的运行可靠性。
解读: 该技术主要针对电机驱动领域，虽与阳光电源核心的光伏/储能业务存在差异，但其核心逻辑——基于瞬态特征的故障诊断与AI算法应用，对阳光电源具有重要参考价值。在风电变流器及电动汽车充电桩的功率模块驱动控制中，通过引入类似的深度学习诊断模型，可实现对功率器件及关键连接点的早期故障预警。建议研发团队关注该算法...
一种基于自适应二次采样的多相驱动系统机器学习故障诊断方法
A Machine-Learning-Based Fault Diagnosis Method With Adaptive Secondary Sampling for Multiphase Drive Systems
Zicheng Liu · Lanlan Fang · Dong Jiang · Ronghai Qu · IEEE Transactions on Power Electronics · 2022年8月
针对多相电机定子相位排布多样性导致现有故障诊断方法通用性差的问题，本文提出了一种基于自适应二次采样滤波的机器学习故障诊断方法。该方法有效提升了多相驱动系统在复杂工况下的故障识别精度与鲁棒性，并通过实验验证了其在多相电机系统中的有效性。
解读: 该技术主要针对多相电机驱动系统，虽然与阳光电源核心的光伏逆变器和储能PCS（通常为三相）存在差异，但其核心的“自适应二次采样”与“机器学习故障诊断”逻辑对iSolarCloud智能运维平台具有重要参考价值。在风电变流器及大功率电机驱动领域，该方法可提升设备运行状态的实时监测精度，降低误报率。建议研发...
利用深度残差机器学习估计电机温度
Estimating Electric Motor Temperatures With Deep Residual Machine Learning
Wilhelm Kirchgassner · Oliver Wallscheid · Joachim Bocker · IEEE Transactions on Power Electronics · 2021年7月
针对牵引驱动应用中电机温度监测不足的问题，本文提出一种基于深度残差学习的温度估计方法。传统热模型依赖复杂的参数选择且受几何结构和冷却动力学影响，而该数据驱动方法通过深度学习模型，在无需精确物理建模的情况下，实现了对电机内部温度的精准预测，有效提升了系统的运行安全性与设计优化能力。
解读: 该技术在电机热管理方面的应用对阳光电源的电动汽车充电桩及风电变流器业务具有参考价值。通过深度学习替代传统的复杂热网络模型，可以更精准地预测功率模块或电机在极端工况下的温度，从而优化散热设计，提升产品功率密度。建议研发团队关注该方法在iSolarCloud平台中的应用，通过挖掘设备运行数据，实现对逆变...