找到 41 条结果 · IEEE Transactions on Power Electronics
基于电致发光成像的功率模块典型工艺缺陷视觉检测与智能质量评估
Visual Detection of Typical Process Defects in Power Modules and Intelligent Quality Assessment via Electroluminescence Imaging
Kai Wang · Ming Ren · Qinyu Zhou · Chongxing Zhang 等5人 · IEEE Transactions on Power Electronics · 预计 2026年6月
电力电子系统对可靠性要求极高，但直接键合铜（DBC）基板的工艺缺陷会严重损害电热耦合应力下的绝缘完整性。本文提出了一种基于电致发光（EL）效应的视觉智能检测方法，采用“工况分离策略”对缺陷风险进行定量评估。
解读: 功率模块是阳光电源组串式/集中式光伏逆变器、PowerTitan储能变流器及风电变流器的核心组件。该技术通过EL成像与AI算法实现功率模块内部缺陷的非破坏性检测，能显著提升公司在生产制造环节的质量管控水平，降低现场运行中的早期失效风险。建议将其引入iSolarCloud智能运维平台，通过积累的模块老...
面向多模态逆变系统早期故障检测的通道注意力共享-独占解耦表征学习
Shared-Exclusive Disentangled Representation Learning With Channel Attention for Incipient Fault Detection in Multimode Power Inverter Systems
Shuihui Rao · Yu Shuai · Zhihua Xiong · Min Wang · IEEE Transactions on Power Electronics · 预计 2026年5月
逆变系统在复杂多模态下运行，数据分布差异大，导致故障检测困难。本文提出了一种基于通道注意力的共享-独占解耦表征学习方法，旨在有效区分模态不变特征与模态特异性特征，从而提升多工作场景下的逆变器早期故障检测精度。
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。阳光电源的组串式及集中式逆变器在不同光照、温度及电网环境下运行，属于典型的多模态系统。该研究提出的解耦表征学习方法，能有效解决传统算法在多工况下误报率高的问题，显著提升逆变器早期故障的预警准确性。建议将此算法集成至iSolarC...
基于物理增强分层神经网络的电力变换器深度学习建模
Deep Learning-Based Modeling for Power Converters via Physics-Enhanced Hierarchical Neural Network
Qianyi Shang · Fei Xiao · Yaxiang Fan · Ruitian Wang 等5人 · IEEE Transactions on Power Electronics · 2026年4月
针对电力变换器时间序列建模中数据依赖性高、物理信息神经网络计算需求大及泛化能力差的问题，本文提出了一种物理增强的分层神经网络方法，旨在提升变换器建模的效率与精度，为电力电子系统的智能化建模提供新思路。
解读: 该技术对阳光电源的核心产品线具有显著价值。在光伏逆变器和PowerTitan/PowerStack储能变流器（PCS）的研发中，传统的物理建模在复杂工况下计算量大，而纯数据驱动模型缺乏物理约束。该物理增强分层神经网络能有效结合物理规律与AI算法，提升逆变器在电网波动、极端环境下的动态响应预测精度。建...
基于傅里叶神经算子的功率模块空间温度监测
Advanced Spatial Temperature Monitoring of Power Modules via Fourier Neural Operator-Based Thermal Model
Yizheng Tang · Cao Zhan · Lingyu Zhu · Ziyi Zhao 等6人 · IEEE Transactions on Power Electronics · 2026年3月
功率模块空间温度（PMST）的精准监测是电力电子领域的关键挑战。本文首次提出了一种基于傅里叶神经算子的热模型（FNO-TM），通过数据驱动范式提取空间频率特征，实现了PMST的高效精准预测，显著提升了收敛速度并降低了训练成本。
解读: 该技术对阳光电源的核心产品线（如组串式/集中式逆变器、PowerTitan/PowerStack储能系统）具有极高价值。功率模块是上述设备中最易受热应力影响的薄弱环节，FNO-TM模型通过AI手段实现了高精度的空间温度场实时监测，可替代昂贵的传感器部署。建议在iSolarCloud平台中集成该算法，...
基于深度学习的功率MOSFET剩余寿命预测方法
Prediction Method for the Remaining Useful Life of Power MOSFETs Based on Deep Learning
Le Gao · Chaoming Liu · Fengjiang Wu · Yongfeng Qin 等6人 · IEEE Transactions on Power Electronics · 2025年11月
功率开关器件是电力转换系统的核心，其寿命评估对系统安全可靠运行至关重要。针对现有统计数据驱动方法在处理复杂、非线性及大规模数据时精度低、稳定性差及适应性不足的问题，本研究提出了一种基于深度学习的功率MOSFET剩余寿命（RUL）预测方法，旨在提升器件健康状态监测的准确性与鲁棒性。
解读: 该研究对阳光电源全系列产品（光伏逆变器、储能PCS、风电变流器及充电桩）具有极高应用价值。功率器件（MOSFET/IGBT）是上述产品的核心损耗与故障源，通过深度学习实现器件RUL预测，可将传统的“事后维修”升级为“预测性维护”，显著提升iSolarCloud平台的运维智能化水平。建议研发团队将此算...
一种用于跨多种变换器类型的多任务故障诊断的由粗到精神经网络框架
A Coarse-to-Fine Neural Network Framework for Multitask Fault Diagnosis Across Diverse Converter Types
Fan Wu · Kai Chen · Hao Ying · Gen Qiu 等5人 · IEEE Transactions on Power Electronics · 2025年9月
本文提出了一种基于多任务神经网络的联合故障诊断模型，旨在解决多种变换器类型下的故障诊断问题。该方法通过由粗到精的策略，有效提取共享故障特征，提升了诊断性能并降低了开发成本，为开发便携式、通用化的智能诊断工具提供了新思路，克服了传统方法中负迁移带来的挑战。
解读: 该技术对于阳光电源的iSolarCloud智能运维平台具有极高的应用价值。阳光电源产品线涵盖光伏逆变器、储能PCS（如PowerTitan/PowerStack）及风电变流器等多种设备，该框架通过多任务学习实现跨设备类型的故障诊断，能显著降低针对不同产品线单独开发诊断算法的成本。建议将其集成至iSo...
基于可迁移知识共享网络的锂离子电池SOH与RUL同步预测
Simultaneous Prediction of SOH and RUL for Lithium-Ion Batteries Using Transferable Knowledge Sharing Network
Kai Zhong · Zhihao Liu · Jiaqiang Tian · Chao Fan 等8人 · IEEE Transactions on Power Electronics · 2025年9月
锂离子电池的健康状态（SOH）和剩余使用寿命（RUL）预测对电力系统的安全运行至关重要。针对现有方法在泛化能力、预测精度及多任务协同方面的不足，本文提出了一种可迁移知识共享网络，实现了SOH与RUL的同步预测，有效提升了复杂工况下的预测性能。
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。通过引入可迁移知识共享网络，BMS系统能够更精准地评估电池衰减状态，提升电池全生命周期的安全性与运维效率。建议将该算法集成至iSolarCloud智能运维平台，通过大数据分析实现电池簇的精细化管理，...
基于动态模态分解与深度学习的IGBT模块温度场预测混合模型方法
Hybrid Model Temperature Field Prediction Method Based on Dynamic Mode Decomposition and Deep Learning for IGBT Modules
Jiahao Geng · Fujin Deng · Qiang Yu · Yaqian Zhang 等6人 · IEEE Transactions on Power Electronics · 2025年8月
大功率IGBT模块的温度场分布对于电力电子系统的可靠性分析与热设计至关重要，但难以快速获取。本文提出了一种基于动态模态分解（DMD）与深度学习的IGBT模块温度场预测混合模型，旨在实现对IGBT内部温度分布的快速、高精度预测。
解读: 该技术直接服务于阳光电源核心产品线（光伏逆变器、储能PCS及风电变流器）的可靠性提升。IGBT作为上述产品的核心功率器件，其热管理直接决定了设备在极端工况下的寿命与功率密度。通过引入DMD与深度学习的混合预测模型，研发团队可实现对IGBT结温的实时、高精度监测，从而优化散热设计，提升产品在高温、高负...
一种基于电化学老化机理的锂离子电池健康状态估计数据驱动方法
An Electrochemical Aging-Informed Data-Driven Approach for Health Estimation of Lithium-Ion Batteries With Parameter Inconsistency
Shuxin Zhang · Zhitao Liu · Yan Xu · Guangwei Chen 等5人 · IEEE Transactions on Power Electronics · 2025年5月
准确估计锂离子电池的健康状态（SOH）对保障系统安全与可靠性至关重要。本文提出了一种融合物理电化学模型与深度学习的数据驱动方法，旨在解决电池参数不一致性带来的SOH估计难题，提升电池全生命周期的健康管理精度。
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。目前储能系统规模化应用中，电池组内参数不一致性是影响系统寿命与安全的核心痛点。通过将电化学机理与深度学习结合，可显著提升iSolarCloud平台对储能电站的SOH监测精度，实现更精准的电池寿命预测...
基于白噪声注入数据增强的三电平NPC逆变器鲁棒开路故障诊断
Robust Open-Switch Fault Diagnosis of Three-Level NPC Inverters Based on Data Augmentation With White Noise Injection
Jiwon Jung · Dyan Puspita Apsari · Dong-Choon Lee · IEEE Transactions on Power Electronics · 2025年2月
本文提出了一种基于一维卷积神经网络（1-D CNN）的三电平中点钳位（NPC）逆变器实时故障诊断方法。通过在仿真数据中引入白噪声进行数据增强，显著提升了深度学习模型的泛化能力，确保诊断模型在未训练工况下仍具备高鲁棒性。
解读: 该技术对阳光电源的核心产品线（如组串式逆变器、集中式逆变器及储能PCS）具有极高价值。三电平NPC拓扑广泛应用于阳光电源的高功率密度产品中，故障诊断的实时性与鲁棒性直接关系到设备的可靠性与运维成本。通过引入数据增强技术，可有效解决深度学习模型在复杂电网环境下泛化能力不足的问题，提升iSolarClo...
基于全仿真数据驱动的多相变换器故障诊断域泛化方法
Fully Simulated Data-Driven Domain Generalized Method for Multiphase Converters Fault Diagnosis
Haoxiang Xu · Zicheng Liu · Guangyu Wang · Dong Jiang 等5人 · IEEE Transactions on Power Electronics · 2025年1月
本文研究了深度学习模型在多相变换器功率开关器件故障诊断中的泛化能力。针对工业场景下故障数据稀缺及实验成本高昂的问题，提出了一种利用全仿真数据进行训练的域泛化方法，有效提升了模型在真实工况下的故障诊断准确性与鲁棒性。
解读: 该研究直接契合阳光电源在光伏逆变器及储能变流器（PCS）领域的可靠性需求。随着PowerTitan等大型储能系统及组串式逆变器功率密度的提升，功率器件的故障诊断至关重要。该方法通过全仿真数据解决故障样本稀缺问题，可直接赋能iSolarCloud智能运维平台，实现对逆变器和PCS内部功率模块的早期预警...
结合元学习与CNN-LSTM算法的锂离子电池健康状态估计
Combined Meta-Learning With CNN-LSTM Algorithms for State-of-Health Estimation of Lithium-Ion Battery
Tiancheng Ouyang · Yingying Su · Chengchao Wang · Song Jin · IEEE Transactions on Power Electronics · 2024年8月
针对锂离子电池实际运行工况复杂导致健康状态（SOH）估计泛化能力差的问题，本文提出了一种结合元学习与CNN-LSTM的SOH估计方法。该方法通过元学习框架提升模型在不同工况下的适应性，有效解决了传统深度学习模型对大规模数据依赖及泛化性不足的难题。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统至关重要。目前BMS在全生命周期SOH预测上存在精度与泛化性的平衡难题，元学习算法能显著提升系统在不同环境温度、充放电倍率下的电池寿命评估准确度。建议将此算法集成至iSolarCloud智能运维平台，通过云端大数据训练与边缘侧BM...
基于信号卷积池化处理与共享滤波器学习的T型逆变器晶体管开路故障实时诊断
Real-Time Diagnosis Based on Signal Convolution-Pooling Processing and Shared Filter Learning for Transistor Open-Circuit Faults in a T-Type Inverter
Borong Wang · Guodong Chen · Jinfeng Song · Chenyi Peng 等6人 · IEEE Transactions on Power Electronics · 2024年5月
本文提出了一种基于信号卷积池化的数据驱动方法，用于T型逆变器的实时故障诊断。该模型由辅助神经网络和多层卷积特征分类器（MCFC）组成。辅助神经网络通过少量训练数据集学习并为MCFC提供滤波器参数。通过共享滤波器学习，该方法实现了对T型逆变器晶体管开路故障的高效实时诊断。
解读: 该技术对阳光电源的核心产品线（如组串式逆变器、集中式逆变器及PowerTitan储能变流器）具有极高的应用价值。T型三电平拓扑广泛应用于阳光电源的高效逆变产品中，该研究提出的基于深度学习的实时故障诊断方法，能显著提升逆变器在运行过程中的可靠性与运维效率。建议将此算法集成至iSolarCloud智能运...
面向电力变换器物理信息机器学习的预测性维护研究综述
Toward Physics-Informed Machine-Learning-Based Predictive Maintenance for Power Converters—A Review
Youssof Fassi · Vincent Heiries · Jerome Boutet · Sebastien Boisseau · IEEE Transactions on Power Electronics · 2024年2月
本文综述了电力电子变换器预测性维护的研究进展。随着深度学习技术的快速发展，其在提升变换器性能与可靠性方面展现出巨大潜力。文章重点探讨了在数据资源、物理一致性及泛化能力等方面面临的挑战，并分析了物理信息机器学习在解决这些问题中的关键作用。
解读: 该研究对阳光电源全线产品（如PowerTitan储能系统、组串式逆变器及风电变流器）的智能化运维具有重要指导意义。通过引入物理信息机器学习（PIML），可有效解决传统数据驱动模型在极端工况下泛化能力差的问题，提升iSolarCloud平台的故障预警精度。建议研发团队将物理模型（如IGBT热模型、电容...
基于时频域深度卷积神经网络的锂离子电池SoC估计
Time–Frequency Domain Deep Convolutional Neural Network for Li-Ion Battery SoC Estimation
Ki-Hyeon Kim · Koog-Hwan Oh · Hyo-Sung Ahn · Hyun-Duck Choi · IEEE Transactions on Power Electronics · 2024年1月
针对电动汽车、无人机及不间断电源等应用，SoC估计至关重要。本文提出一种基于时频域的深度神经网络用于电池SoC估计。与仅在时域操作或使用一维卷积提取特征的传统研究不同，该方法通过时频分析提升了估计精度与鲁棒性。
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。目前BMS算法多依赖于传统的安时积分或卡尔曼滤波，在复杂工况下精度受限。引入时频域深度学习算法，可显著提升储能系统在全生命周期内的SoC估计精度，从而优化电池均衡策略，延长系统寿命，并提升iSola...
面向锂离子电池跨域荷电状态估计的温度自适应迁移网络
Temperature Adaptive Transfer Network for Cross-Domain State-of-Charge Estimation of Li-Ion Batteries
Liyuan Shen · Jingjing Li · Jieyan Liu · Lei Zhu 等5人 · IEEE Transactions on Power Electronics · 2023年3月
荷电状态（SOC）估计是电池管理系统（BMS）的核心，对保障电池安全至关重要。现有的数据驱动方法依赖大量标注数据，且假设训练与测试数据分布一致。然而，实际应用中往往缺乏标注数据且存在分布差异。本文提出一种温度自适应迁移网络，旨在解决不同工况及温度下的跨域SOC估计难题。
解读: 该技术对阳光电源的PowerTitan和PowerStack等储能系统具有极高价值。目前储能电站面临不同温度环境及电池老化带来的数据分布偏移问题，导致BMS估算精度下降。引入温度自适应迁移网络，可显著提升iSolarCloud平台在复杂工况下的SOC估算准确度，减少对大规模离线训练数据的依赖。建议研...
基于学习率优化的深度全卷积网络锂离子电池SOC估计
SOC Estimation of Li-ion Batteries With Learning Rate-Optimized Deep Fully Convolutional Network
M. A. Hannan · D. N. T. How · M. S. Hossain Lipu · Pin Jern Ker 等7人 · IEEE Transactions on Power Electronics · 2021年7月
本文提出了一种深度全卷积网络（DFCN）模型，直接利用电压、电流和温度数据估计锂离子电池的荷电状态（SOC）。通过引入学习率优化策略，该模型在恒定及变温环境下均表现出优异的SOC估计精度，为电池管理系统提供了高效的算法支撑。
解读: 该技术对阳光电源的储能业务（如PowerTitan、PowerStack及户用储能系统）具有极高价值。SOC估计的精度直接决定了储能系统的可用容量和安全性。通过引入深度全卷积网络（DFCN）及学习率优化策略，可显著提升BMS在复杂工况（如变温、动态充放电）下的SOC估算准确度，从而优化电池均衡策略，...
基于多层长短期记忆网络的光伏电站数据完整性攻击检测与诊断
Detection and Diagnosis of Data Integrity Attacks in Solar Farms Based on Multilayer Long Short-Term Memory Network
Fangyu Li · Qi Li · Jinan Zhang · Jiabao Kou 等7人 · IEEE Transactions on Power Electronics · 2021年3月
随着光伏系统数字化程度提高，网络安全威胁日益严峻。本文提出一种基于深度序列学习的诊断方案，利用多层长短期记忆网络（LSTM）检测并识别光伏电站中的数据完整性攻击，为电力电子变换器的网络物理安全提供有效防护。
解读: 随着阳光电源iSolarCloud平台接入规模的扩大，电站数据安全已成为运维核心。该研究提出的多层LSTM诊断模型可直接集成至iSolarCloud的智能运维算法库中，用于实时监测组串式逆变器及PowerTitan储能系统的遥测数据异常。通过识别数据完整性攻击，可有效防止恶意指令导致的逆变器误动作或...
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...
用于任意励磁波形下准静态磁芯损耗预测的历史依赖型Prandtl-Ishlinskii神经网络
History-Dependent Prandtl–Ishlinskii Neural Network for Quasi-Static Core Loss Prediction Under Arbitrary Excitation Waveforms
Qiujie Huang · Yang Li · Yu Dou · Yongjian Li 等6人 · IEEE Transactions on Power Electronics · 2025年7月
电力电子应用中的磁性元件常面临高频谐波或直流偏置等复杂励磁波形，导致传统磁芯损耗模型精度不足。本文提出一种历史依赖型Prandtl-Ishlinskii神经网络（HDPINN），通过结合磁滞特性建模与深度学习，有效提升了在复杂工况下对磁芯损耗预测的准确性与通用性。
解读: 磁性元件（电感、变压器）是阳光电源光伏逆变器、储能PCS及风电变流器的核心部件，其损耗直接影响整机效率与温升。该研究提出的HDPINN模型能更精准地预测复杂工况（如高频谐波、直流偏置）下的磁芯损耗，有助于优化逆变器及PCS的磁性元件设计，提升功率密度。建议研发团队将其引入iSolarCloud智能运...
第 1 / 3 页