找到 7 条结果 · 功率器件技术
基于物理信息神经网络与交叉注意力的磁芯损耗模型
A Magnetic Core Loss Model Based on Physics-Informed Neural Network with Cross-Attention
Yunhao Xiao · Chi Li · Zedong Zheng · IEEE Transactions on Power Electronics · 2025年8月
由于软磁材料固有的损耗机制尚不明确，损耗建模往往成为电力电子系统分析中的瓶颈。一方面，损耗会显著影响整体效率；另一方面，高频运行导致的小型化使得高频磁性元件的温升对损耗更为敏感，这使得热可靠性分析变得至关重要。然而，现有的损耗模型由于对复杂运行条件的高敏感性，在这些条件下的适用性会变差。本文提出了一种自适应损耗模型，该模型通过交叉注意力机制增强了物理损耗模型的学习能力和运行条件适应性，在测试集上实现了平均误差2.8%、最大误差12.3%的效果。此外，通过热分析验证了所提模型的准确性，相对误差为1...
解读: 从阳光电源的业务视角来看，这项基于物理信息神经网络的磁芯损耗模型技术具有重要的战略价值。在光伏逆变器和储能变流器等核心产品中，高频变压器和电感等磁性元件是影响系统效率和可靠性的关键部件。该技术通过交叉注意力机制实现的自适应损耗建模，能够在复杂工况下保持2.8%的平均误差和1.7%的热分析误差，这对我...
训练集再应用:基于相似样本的电力系统主导失稳模式识别物理可靠框架
Reapplication of Training Set: A Physically Reliable Framework for Power Systems Dominant Instability Mode Identification Using Similar Samples
Yutian Lan · Shanyang Wei · Wei Yao · Yurun Zhang 等6人 · IEEE Transactions on Power Systems · 2025年8月
准确且在物理上可靠地识别主导不稳定模式（DIM）对于确保电力系统的安全稳定运行至关重要。数据驱动模型，尤其是深度学习（DL），在应对这一挑战方面取得了显著进展。然而，深度学习的“黑箱”特性限制了其可解释性，导致结果不可靠，这与电力系统严格的可靠性要求相冲突。为解决这一问题，本文提出了一种新颖的 DIM 识别框架，通过重新应用训练集样本提高识别的准确性和可靠性。首先，提出了一种训练方法，以增强 DIM 模型的抗噪声能力和对相似样本的聚类能力，实现高精度的 DIM 识别。此外，还开发了一种两阶段可解...
解读: 该失稳模式识别技术可应用于阳光电源智慧能源管理系统的稳定性监控。通过数据驱动的失稳模式识别,及时发现光伏并网系统和储能系统的潜在失稳风险,优化控制策略,提升大规模新能源并网的稳定性,为电网安全运行提供预警支持。...
基于物理信息神经网络的鲁棒电力系统状态估计
Robust Power System State Estimation Using Physics-Informed Neural Networks
Solon Falas · Markos Asprou · Charalambos Konstantinou · Maria K. Michael · IEEE Transactions on Industrial Informatics · 2025年7月
现代电力系统在状态估计和实时监测方面面临重大挑战，特别是在故障条件或网络攻击下的响应速度和准确性方面。本文提出一种结合物理信息神经网络（PINNs）的混合方法，以提高电力系统状态估计的准确性和鲁棒性。通过将物理定律嵌入神经网络架构，PINNs 提高了输电网络在正常和故障条件下应用的估计准确性，同时在应对诸如数据操纵攻击等安全问题方面也显示出潜力。实验结果表明，所提出的方法优于传统机器学习模型，在训练数据集的未见子集上的准确性提高了近 83%，在全新的、不相关的数据集上的性能提升了近 65%。实验...
解读: 从阳光电源的业务视角来看，这项基于物理信息神经网络（PINNs）的电力系统状态估计技术具有重要的战略价值。作为全球领先的新能源设备供应商和系统集成商，阳光电源在光伏逆变器、储能系统及智慧能源管理平台方面的核心竞争力，正日益依赖于对电网实时状态的精准感知与快速响应能力。 该技术的核心优势在于将物理定...
使用谱图神经网络增强智能电网中虚假数据注入攻击的检测
Enhancing Detection of False Data Injection Attacks in Smart Grid Using Spectral Graph Neural Network
作者未知 · IEEE Transactions on Industrial Informatics · 2025年3月
智能电网（SG）是电力行业中工业信息物理系统应用的典范。确保信息安全是智能电网的首要关切。然而，虚假数据注入攻击（FDIA）在操纵数据和损害智能电网功能方面构成了重大风险。现有的利用频谱关系检测虚假数据注入攻击的方法主要针对突变情况，无法应用于梳状信号变化。因此，为解决这一问题，本文引入了一种基于谱图神经网络的方法，利用伯恩斯坦多项式来近似谱图滤波器，以检测虚假数据注入攻击。通过神经网络训练得到的滤波器系数，能够创建适用于不同信号变化的梳状和高通谱滤波器。为评估我们模型的有效性，我们将其与其他最...
解读: 从阳光电源的业务视角来看，这项基于谱图神经网络的虚假数据注入攻击检测技术具有重要的战略价值。随着公司光伏逆变器、储能系统在全球范围内大规模部署，设备接入智能电网后面临的网络安全威胁日益严峻。虚假数据注入攻击可能导致电网状态估计失准，进而影响我司设备的调度指令准确性，甚至引发系统性安全风险。 该技术...
基于多通道的二维递归融合图和LMCR模型的NPC型三电平逆变器故障诊断
A Fault Diagnosis Method for NPC Three-Level Inverters Based on Multi-Channel 2D Recurrence Fusion Maps and LMCR Model
毕贵红王小玲陈冬静赵四洪陈世语陈仕龙 · 高电压技术 · 2025年3月 · Vol.51
针对中点钳位型三电平逆变器在恶劣并网环境下IGBT易发生单管与双管故障、故障特征差异微弱导致识别精度低的问题，提出一种结合多通道二维递归融合图与轻量化多尺度残差网络（LMCR）的故障诊断方法。通过仿真获取三相电流信号，构造递归图并进行多通道融合以提取时序特征；将融合图输入LMCR模型，利用多级Inception结构与残差连接实现多尺度特征提取与梯度稳定。实验结果表明，该方法在无噪声下平均识别准确率达100%，含噪环境下仍达92.53%，具有优异的特征提取能力与抗噪性能。
解读: 该故障诊断方法对阳光电源的三电平拓扑产品线具有重要应用价值。特别适用于SG350/360HX等大功率光伏逆变器和ST储能变流器系列,可提升IGBT故障诊断的准确性和实时性。通过多通道递归融合图提取特征的创新方法,能有效解决阳光产品在复杂并网环境下的故障识别难题。该技术可集成到iSolarCloud平...
用于拓扑持续时间不确定的开关模式电源转换器参数辨识的扩展物理信息神经网络
Extended Physics-Informed Neural Networks for Parameter Identification of Switched Mode Power Converters With Undetermined Topological Durations
Yangxiao Xiang · Hongjian Lin · Henry Shu-Hung Chung · IEEE Transactions on Power Electronics · 2024年10月
对于拓扑持续时间不确定的开关模式功率转换器而言，进行高精度参数识别颇具挑战，因为诸如开关时刻和拓扑转换时的电路状态变量等物理信息，对于实现这一目标至关重要。在传统的基于物理模型的解决方案中，需要额外的测量电路来弥补拓扑转换时未知物理信息的缺失，否则就必须牺牲精度。为避免使用不必要的额外硬件，本文提出了一种扩展物理信息神经网络（e - PINN），它将伪标签生成网络集成到分段物理信息神经网络中。该网络能够精确识别关键系统参数，以及每个拓扑的持续时间和拓扑转换时的系统状态。在工作于不连续导电模式（D...
解读: 从阳光电源的业务视角来看，这项基于扩展物理信息神经网络（e-PINN）的参数识别技术具有显著的应用价值。该技术针对开关电源变换器在拓扑持续时间不确定情况下的参数识别难题，提出了无需额外硬件即可实现高精度识别的解决方案，这与我司在光伏逆变器和储能变流器领域的核心需求高度契合。 在实际应用层面，该技术...
基于物理信息引导的类型化图神经网络的最优潮流计算
Optimal Power Flow With Physics-Informed Typed Graph Neural Networks
Tania B. Lopez-Garcia · José Antonio Domínguez-Navarro · IEEE Transactions on Power Systems · 2024年4月
本研究介绍了一种应用类型化图神经网络解决最优潮流问题的新方法。与传统前馈神经网络模型得到的结果相比，类型化图神经网络允许用不同类型的节点表示输电系统的不同元件，从而提高了所得解决方案的准确性和可解释性。所提出的图神经网络架构无需训练数据，而是通过一个融入物理信息的损失函数进行训练，该损失函数不仅包含优化目标，还包含物理系统的运行约束。所得结果与内点法得到的结果相当，并且计算时间大幅缩短。
解读: 该物理信息引导的图神经网络技术对阳光电源的储能与光伏产品线具有重要应用价值。首先,可应用于ST系列储能变流器和PowerTitan系统的功率优化调度,提升大规模储能电站的运行效率。其次,该方法能优化SG系列光伏逆变器的MPPT控制策略,特别是在复杂拓扑的光伏电站中实现更快速的功率追踪。通过融合电网物...