找到 237 条结果
通过机器学习技术预测屋顶几何形状以释放太阳能潜力——一项综述
Unlocking solar potential through machine learning techniques for roof geometry prediction- A review
Dina Shat · Sara Omrani · Robin Drogemuller · Simon Denman 等5人 · Solar Energy · 2025年12月 · Vol.302
摘要 全球向可再生能源的转型凸显了优化住宅太阳能光伏（PV）系统的必要性。准确的屋顶几何形状预测对于提高屋顶太阳能安装的效率和可扩展性至关重要。本综述考察了近期为提升屋顶几何预测精度而设计的机器学习（ML）方法，综合分析了包括卷积神经网络（CNN）和多任务学习框架在内的最新技术，以评估预测精度和计算效率方面的改进。本文还强调了当前面临的挑战，例如数据可用性、多样化数据集的整合（如航拍影像和LiDAR扫描）以及地理泛化能力，并提出了未来研究的方向。未来的研究机会包括开发鲁棒且可扩展的机器学习模型以...
解读: 该机器学习屋顶几何预测技术对阳光电源户用光伏系统具有重要应用价值。通过CNN等深度学习模型精准预测屋顶结构,可优化SG系列逆变器的MPPT配置方案和组串设计。结合iSolarCloud平台,能实现屋顶光伏潜力自动评估、系统容量智能推荐及安装方案优化。该技术可与阳光电源储能系统ST系列协同,通过屋顶数...
基于Kolmogorov-Arnold网络与timeGAN混合架构并结合考虑运行机制的数据增强的可解释光伏功率建模
Interpretable photovoltaic power modeling via Kolmogorov-Arnold network and timeGAN hybrid architecture with regime-aware data augmentation
Yuqiao Pan · Zhaocai Wang · Zuowen Tan · Zhihua Zhu · Solar Energy · 2025年12月 · Vol.302
摘要 光伏（PV）发电的波动性和随机性为其大规模并入电力系统带来了显著挑战，限制了太阳能作为一种清洁能源的充分开发利用。为解决这一问题，本研究提出了一种混合建模框架，协同融合数据预处理、特征扩展与先进的深度学习架构。首先，采用集成变分自编码器（VAE）进行特征选择与降维，并对数据进行季节性和昼夜模式划分；随后，利用 Ordering Points to Identify the Clustering Structure（OPTICS）算法识别内在的运行机制（regime），并通过TimeGAN生...
解读: 该Transformer-KAN混合架构对阳光电源SG系列光伏逆变器及iSolarCloud平台具有重要应用价值。通过VAE特征降维与TimeGAN数据增强,可显著提升光伏功率预测精度(RMSE降低29.51%),优化MPPT算法动态响应。regime-aware聚类识别可增强ST系列储能PCS的充...
基于天空图像的辐照度估计深度学习方法基准测试及其在视频预测型辐照度临近预报中的应用
Benchmarking deep learning methods for irradiance estimation from sky images with applications to video prediction-based irradiance nowcasting
Lorenzo F.C.Varaschi · Danilo Silva · Solar Energy · 2025年12月 · Vol.302
摘要 为应对光伏发电能源带来的高度不确定性，越来越多的研究聚焦于短期太阳能预测（即临近预报）。大多数此类研究采用基于深度学习的模型，通过输入的一段天空图像序列直接预测太阳辐照度或光伏功率值。然而，近年来生成模型的发展催生了一类将临近预报问题分解为两个子问题的新方法：（1）未来事件预测，即生成未来的天空图像；（2）太阳辐照度或光伏功率估计，即从单张图像中预测对应的数值。SkyGPT 模型便是其中一例，其性能提升潜力在估计组件中远大于生成组件。因此，本文聚焦于太阳辐照度估计问题，在广泛使用的 Fol...
解读: 该深度学习辐照度预测技术对阳光电源iSolarCloud智慧运维平台及ST储能系统具有重要应用价值。通过天空图像实现短期辐照度预测可优化光储协同控制策略:提升SG逆变器MPPT算法预判能力,改善PowerTitan储能系统充放电调度精度,降低光伏出力波动对电网的冲击。该双阶段预测方法(图像生成+辐照...
基于神经网络前馈算法的SOEC系统热电双控策略
A thermo-electrical dual control strategy for SOEC system based on a neural network feedforward algorithm
Biaowu Lua · Shaozhuo Niub · Yuxuan Feic · Ang Lia 等8人 · Applied Energy · 2025年12月 · Vol.401
摘要 固体氧化物电解池（SOEC）通过共电解技术为将可再生能源转化为合成气提供了有前景的途径，实现了高效的能量存储。然而，可再生能源固有的波动性，以及SOEC系统内部多物理场和组件之间的复杂耦合作用，给实现快速动态调节带来了重大挑战。本文建立了包含蒸发器、电加热器、换热器和SOEC电堆在内的SOEC系统综合模型。通过详细的多时间尺度特性分析发现，燃料流量在控制电堆温度和电压方面具有优势。随后，对比了基本燃料流量控制（FFC）、空气流量控制（AFC）和恒定转化率控制（CCRC）对关键性能的影响。结...
解读: 该SOEC双控策略对阳光电源储能系统具有重要借鉴价值。论文提出的神经网络前馈控制算法可应用于ST系列PCS的多物理场协同控制,特别是在光伏波动场景下实现电压稳定与温度管理的双重优化。其多时间尺度特性分析方法可用于PowerTitan储能系统的动态响应优化,将电压波动降低75%的控制思路可迁移至SiC...
一种基于深度学习的多源信息融合方法用于高精度光伏识别：U2-Net图像分割与多光谱筛选的集成
A deep-learning multi-source information fusion method for high-precision PV identification: Integration of U2-net image segmentation and multi-spectral screening
Junyi Yanga · Lihua Zhaoa · Chengliang Xub · Yongjun Sunc 等6人 · Applied Energy · 2025年12月 · Vol.401
准确的光伏（PV）识别对未来光伏系统的选址和大规模渗透具有广阔的应用前景。本研究致力于通过融合U2-Net神经网络图像分割模型与多光谱光伏筛选技术，提升城市环境中光伏识别技术的精度。U2-Net模型对可见光卫星图像进行图像分割，以获取现有光伏站点的坐标和面积；随后，多光谱筛选技术结合多光谱卫星图像对图像分割结果进行处理，剔除误识别样本。为提高该技术的筛选性能，构建了光伏指数（Photovoltaic Index, PVI）及其归一化表达形式（nPVI）。详细的案例研究表明，所提出的基于深度学习的...
解读: 该深度学习光伏识别技术对阳光电源具有重要战略价值。通过U2-Net与多光谱融合实现91.37% IoU精度的光伏站点识别,可直接赋能iSolarCloud平台的智能运维能力,实现分布式光伏资产的自动化盘点与监测。识别出的城市光伏分布密度数据可指导SG系列逆变器在高工业化区域的优化部署,并为Power...
基于SHAP与物理引导神经网络的卡诺电池主导因素识别与快速优化
Dominant factor identification and fast optimization of carnot battery by integrating SHAP and physics-guided neural network
Yunfei Zhang · Jian Lia · Mingzhe Yua · Xu Chena 等6人 · Applied Energy · 2025年12月 · Vol.401
摘要 卡诺电池是一种新兴的长时电能储存技术，有望大规模应用于促进波动性可再生能源的消纳。然而，卡诺电池由热泵、储热和热机单元组成，其内部存在复杂的能量流耦合关系。在不同工况下决定电-电（PTP）效率的主导因素及其耦合关系尚不明确，传统的优化方法也因耗时较长而制约了优化设计进程。本文构建了SHapley加性解释（SHAP）模型，用于识别卡诺电池的主导因素及其相互间的耦合关系。进一步提出一种融合SHAP与物理引导神经网络（PGNN）的新型优化方法——SPGO方法，能够快速实现最大PTP效率并给出相应...
解读: 该卡诺电池优化技术对阳光电源储能系统具有重要借鉴价值。论文提出的SHAP主导因素识别与物理引导神经网络(PGNN)优化方法,可应用于ST系列PCS及PowerTitan储能系统的效率优化。其多物理场耦合分析思路与SiC器件热管理优化高度契合,PGNN模型在插值/外推场景下误差降低15-30%的表现,...
基于动态参数的物理信息神经网络用于短期光伏功率预测：融合物理信息与数据驱动
Dynamic-parameter physics-informed neural networks for short-term photovoltaic power prediction: Integrating physics-informed and data driven
Weiru Wanga · Hanyang Guoa · Shaofeng Liub · Yechun Xina 等6人 · Applied Energy · 2025年12月 · Vol.401
为了克服传统混合预测模型中物理约束刚性以及样本不平衡的局限性，本文提出了一种基于动态参数物理信息神经网络（DP-PINN）的新型短期光伏（PV）功率预测框架。基于牛顿-拉夫森优化的K-means++（NBRO-Kmeans++）算法将天气划分为四种类型，与标准K-means++相比，轮廓系数提升了6.6%至45.8%。采用合成少数类过采样技术（SMOTE）对少数类样本进行动态平衡，在该情况下使均方根误差（RMSE）降低了50.5%。物理方程根据天气类型进行动态调整，三重约束损失函数融合了数据拟合...
解读: 该DP-PINN动态物理信息神经网络技术对阳光电源iSolarCloud智慧运维平台及SG系列光伏逆变器具有重要应用价值。通过天气分类与SMOTE样本平衡,极端天气下RMSE降低50.8%,可显著提升光伏电站功率预测精度。其动态参数优化机制(光电转化效率η、温度系数α可学习)与阳光电源MPPT优化技...
利用物理信息神经网络构建代理模型辅助强化学习优化智能电网能源管理
Optimizing energy management of smart grid using reinforcement learning aided by surrogate models built using physics-informed neural networks
Julen Cestero · Carmine Delle Femine · Kenji S. Muroa · Marco Quartulli 等5人 · Applied Energy · 2025年12月 · Vol.401
摘要 在智能电网场景下优化能源管理面临重大挑战，主要源于现实世界系统的复杂性以及各组件之间错综复杂的相互作用。强化学习（Reinforcement Learning, RL）正逐渐成为解决智能电网中最优潮流（Optimal Power Flow, OPF）问题的一种有效方案。然而，RL需要在给定环境中进行强制性的反复迭代才能获得最优策略，这意味着必须从一个很可能代价高昂的模拟器中获取样本，从而导致样本效率低下问题。在本研究中，我们通过使用基于物理信息神经网络（Physics-Informed N...
解读: 该研究采用物理信息神经网络(PINN)构建代理模型加速强化学习训练,对阳光电源ST系列储能变流器和PowerTitan系统的能量管理优化具有重要价值。通过PINN代理模型可将训练速度提升50%,能显著加快储能系统最优潮流控制策略的开发周期。该方法可应用于iSolarCloud平台的智能调度算法优化,...
基于神经网络的光伏集成主动配电网动态等值
Dynamic Equivalent of PV-Integrated Active Distribution System Using Neural Networks
Md Rifat Hossain · Prabin Mali · Sumit Paudyal · IEEE Transactions on Industrial Informatics · 2025年12月
随着配电系统（DSs）在光伏（PV）渗透率不断提高的情况下向有源配电网（ADNs）转变，计算上易于处理的动态模型对于实时分析和控制变得十分必要。本文提出了一种基于非线性自回归外生（NARX）型递归神经网络（RNNs）的两阶段数据驱动建模框架，用于开发智能光伏系统和含光伏的有源配电网的动态等效模型（DEMs）。首先，开发动态等效模型以捕捉具备辅助电压支撑功能的住宅光伏系统的非线性功率动态特性。该框架进一步扩展，以自动捕捉不同光伏渗透率水平下变电站级有源配电网的功率交换情况。数据驱动模型与传统建模方...
解读: 从阳光电源的业务视角来看，这项基于NARX递归神经网络的主动配电网动态等效建模技术具有重要战略价值。该技术直接切中高比例光伏接入配电网后系统建模复杂度激增的痛点，为我司智能光伏逆变器的电网支撑功能优化提供了新的技术路径。 该研究的核心价值在于将复杂的光伏并网系统动态特性压缩为高精度、低计算量的数据...
结合连续学习与多数字孪生机制的物理编码光伏功率预测方法
The physical-encoded Photovoltaic forecasting method combined with continuous learning and multi-digital twins mechanisms
Shuwei Liua · Jianyan Tian · Yuanyuan Daia · Zhengxiong Jia 等5人 · Applied Energy · 2025年12月 · Vol.399
摘要 端到端神经网络模型通常被视为黑箱模型，已被广泛应用于光伏（PV）功率预测中。然而，这类模型在模型适应性、可迁移性和可解释性方面仍面临挑战。为解决上述问题，本文提出了一种物理编码的光伏功率预测模型，该模型将端到端网络分解为数据驱动的外部参数预测模型和物理驱动的功率计算模型。其中，具有明确物理意义的功率计算模型增强了模型的可解释性。本文设计了一种连续学习机制，使模型能够快速适应环境变化，缓解模型漂移的影响，从而提升模型的适应性与可迁移性。同时，引入多数字孪生协同运行机制，融合其他模型的优势，进...
解读: 该物理编码光伏预测技术对阳光电源iSolarCloud智慧运维平台具有重要应用价值。其物理驱动+数据驱动的混合架构可显著提升SG系列逆变器功率预测精度,概念漂移场景下nMAE提升30.5%,跨电站迁移时准确率提升45.8%。持续学习机制能有效应对环境变化导致的模型漂移,增强ST储能系统的充放电策略优...
基于变分自编码器的光伏功率预测无监督域自适应框架
Unsupervised domain adaptation framework for photovoltaic power forecasting using variational auto-encoders
Atit Bashya · Chidambar Prabhakar Bangr · Tina Boroukhia · Hendro Wicakson · Applied Energy · 2025年12月 · Vol.400
摘要 全球向可再生能源的转型迫切需要对这类能源进行准确预测，以实现高效的电网管理。尽管深度学习模型为间歇性可再生能源的预测提供了有效的解决方案，但由于其本身对数据的高度依赖，仍面临诸多挑战。迁移学习方法因此成为应对这些挑战的重要工具。然而，目前在可再生能源预测中使用的迁移学习框架通常需要大量带标签的训练数据来进行微调和知识迁移，这限制了其在数据匮乏场景下的适用性。本文提出了一种域自适应框架，能够将从拥有丰富数据的源域训练得到的预测模型中的知识，无缝迁移到目标域中无需带标签数据的模型训练过程。所提...
解读: 该无监督域自适应光伏功率预测技术对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过变分自编码器实现跨场站知识迁移,可在缺乏标注数据的新建光伏电站快速部署高精度预测模型,显著降低SG系列逆变器接入的分布式电站调试成本。该技术可与PowerTitan储能系统的能量管理策略深度融...
基于RGB成像的太阳能光伏故障分类深度学习及预处理技术比较
Deep learning for solar PV fault classification using RGB imaging and comparison of preprocessing techniques
Muthu Eshwaran Ramachandran · Gurukarthik Babu Balachandran · Petchithai Velladurai · Arthy Rajakumar · Solar Energy · 2025年11月 · Vol.301
摘要：有效检测太阳能光伏（PV）系统中的故障对于确保系统最佳性能和维护至关重要。本研究探讨了不同图像预处理技术对基于深度学习的分类模型准确性的影响，所用的光伏组件RGB图像（包括鸟粪、灰尘、物理/电气损伤、积雪和清洁状态）来自Kaggle数据集。每个像素的R、G、B值捕捉了视觉特征，并通过预处理进一步增强。因此，RGB图像作为卷积神经网络（CNN）分类的原始输入。研究结果表明，仅使用原始RGB图像时，模型准确率仅为85%–89%，但当结合预处理技术（灰度转换+高斯模糊）后，性能显著提升至最高94...
解读: 该深度学习故障分类技术对阳光电源SG系列光伏逆变器及iSolarCloud智能运维平台具有重要应用价值。研究证实通过灰度转换+高斯模糊预处理可将RGB图像故障识别准确率提升至94%,可直接集成至iSolarCloud的预测性维护模块,实现鸟粪、灰尘、物理损伤等六类故障的自动识别。该轻量化CNN模型(...
选择有效的NWP集成方法以实现基于深度学习的光伏功率预测
Selecting effective NWP integration approaches for PV power forecasting with deep learning
Dayin Chenab · Xiaodan Shie · Mingkun Jiang · Shibo Zhuab 等8人 · Solar Energy · 2025年11月 · Vol.301
准确预测光伏发电功率对于可靠的能源调度和系统运行至关重要。尽管深度学习模型在该领域已展现出强大的能力，但如何有效地将数值天气预报（NWP）数据融入此类模型仍然是一个具有挑战性的问题。在本研究中，我们提出并系统评估了五种不同的NWP集成策略——分别称为方法1至方法5——以提升光伏发电预测性能。这些方法在14种代表性模型和四个预测时间范围（4、24、72和144步）上进行了测试，涵盖了短期、中期和长期预测场景。实验结果表明，每种集成方法的有效性取决于模型结构和预测时间范围。特别是，在短期预测中，方法...
解读: 该研究系统评估了五种NWP数值天气预报与深度学习模型的集成策略,对阳光电源iSolarCloud智慧运维平台的光伏功率预测模块具有直接应用价值。研究发现Method 5适配LSTM短期预测、Method 4适配Transformer长期预测的结论,可优化SG系列逆变器的发电预测算法。精准的多时间尺度...
一种用于长期光伏和风电功率预测的细粒度频率分解框架
A fine-grained frequency decomposition framework for long-term photovoltaic and wind power forecasting
Peng Suna · Tingxiao Dinga · Jin Sua · Yuhan Yanga 等8人 · Solar Energy · 2025年11月 · Vol.301
准确预测太阳能和风能对于实现高效的电网集成至关重要。然而，现有的机器学习和深度学习方法在处理复杂且变化多端的时间序列数据时面临若干挑战，例如通用性有限、泛化能力不足，以及难以平衡计算效率与预测精度之间的关系。为应对这些挑战，本研究提出了一种细粒度频率分解框架（FDF），并设计了一种基于小波变换与下采样策略（连续采样和间隔采样）的序列分解方案。该框架旨在深入挖掘时间序列中的复杂时序模式，并充分捕捉长距离依赖关系。具体而言，FDF首先利用小波变换将原始时间序列分解为多个不同频率的分量；随后，对每个分...
解读: 该细粒度频率分解框架对阳光电源iSolarCloud智慧运维平台及储能系统具有重要应用价值。通过小波变换与采样策略结合,可显著提升光伏功率预测精度(MAE降低7.65%),同时保持轻量化特性(0.29M参数)。该方法可集成至ST系列PCS的功率预测模块,优化PowerTitan储能系统的充放电策略制...
基于物理信息神经网络的锂离子电池健康状态、剩余使用寿命与短期退化路径联合估计
Physics-informed neural network for co-estimation of state of health, remaining useful life, and short-term degradation path in Lithium-ion batteries
Li Yanga · Mingjian Heab · Yatao Ren · Baohai Gao 等5人 · Applied Energy · 2025年11月 · Vol.398
摘要 锂离子电池由于各种内部和外部因素会随时间逐渐退化，这种退化带来了显著的安全性和可靠性风险，凸显了电池健康管理作为关键研究领域的重要性。然而，当前仍面临一个重大挑战，即开发一种通用的健康管理方法，以适应不同的电池材料、工作环境以及多样化的任务需求。为应对这一问题，本文提出了一种新颖的多任务健康管理方法，该方法将多任务处理框架与物理信息神经网络相结合。通过共享参数与任务特定参数的协同设计，并结合基于物理规律的特征提取机制，该方法高效地整合了健康状态估计、剩余使用寿命预测以及短期退化路径预测三项...
解读: 该物理信息神经网络多任务学习框架对阳光电源储能系统具有重要应用价值。可直接集成至ST系列PCS和PowerTitan储能系统的BMS中,实现SOH估算(误差0.75%)、RUL预测(误差104循环)和短期退化路径预测的协同管理。其基于恒压充电阶段电压电流数据的特征提取方法,与阳光电源iSolarCl...
STE-HOLNet：一种融合时空特征、动态概念漂移检测与自适应校正的风电功率预测新方法
STE-HOLNet: A new method for wind power prediction by integrating spatio-temporal features, dynamic concept drift detection and adaptive correction
Xiongfeng Zhao · Hai Peng Liu · Huaiping Jin · Xueping Shen 等5人 · Energy Conversion and Management · 2025年11月 · Vol.344
摘要 风电具有高度的不确定性和非线性，其时间序列通常表现出多周期性特征和概念漂移现象，这对实现高精度预测构成了重大挑战。本文提出了一种基于时空特征增强并结合动态在线校正机制的混合深度学习预测模型——时空增强型混合在线学习网络（Spatio-temporal Enhanced Hybrid Online Learning Network, STE-HOLNet），该模型通过改进的时间编码机制与深层网络结构紧密集成，实现了实时且高精度的风电功率预测。首先，引入一种改进的Time2Vec模块（E-Ti...
解读: 该风电功率预测技术对阳光电源储能系统具有重要应用价值。STE-HOLNet模型的概念漂移检测与自适应在线学习机制,可直接应用于ST系列PCS的功率预测模块,提升储能系统对风电波动的响应能力。其时空特征增强方法能优化iSolarCloud平台的预测性维护算法,降低RMSE达36.93%的性能可显著改善...
使用卷积神经网络检测光伏组件玻璃裂纹
Using Convolutional Neural Networks to Detect In-Field PV Module Glass Cracks
Savannah Bennett · Thomas Weber · Rory Bennett · Ernst Wittman 等6人 · IEEE Journal of Photovoltaics · 2025年11月
双玻光伏组件的应用日益广泛，人们对这些组件中的玻璃破裂问题也愈发关注。为证实这一现象、量化玻璃破裂率，并减轻在现场查找破裂组件的繁琐工作，本文考虑使用卷积神经网络进行玻璃裂纹检测。对七种模型进行了测试：六层模型、四层模型、VGG16、VGG19、ResNet18、ResNet34 和 ResNet50。在两个光伏（PV）场中采用非标准化图像采集方法，针对两种组件类型创建了七个标注数据集，图像数量从 3540 张到 12600 张不等。六层模型在裂纹与无裂纹分类方面的准确率可达 97.7%，使用 ...
解读: 该CNN玻璃裂纹检测技术对阳光电源SG系列光伏逆变器配套的智能运维体系具有重要应用价值。可直接集成至iSolarCloud云平台的智能诊断模块，通过无人机巡检图像自动识别双面玻璃组件裂纹，实现预测性维护。该技术与阳光现有的IV曲线诊断、红外热成像分析形成互补，可提前发现因玻璃裂纹导致的组件功率衰减和...
利用双层物理信息神经网络改进光伏模型参数估计
Improving Estimation of Parameters in Photovoltaic Models Using Two-Level Layered Physics-Informed Neural Networks
Nikta Shamsmohammadi · Giovanni Spagnuolo · José del Campo-Ávila · Esteban José Palomo 等5人 · IEEE Journal of Photovoltaics · 2025年11月
准确估计光伏模型中的参数对于改善系统监测、控制和诊断至关重要。在本研究中，提出了一种新颖的两级分层物理信息神经网络（PINN）架构，用于估计动态单二极管光伏模型中的参数，包括辐照度（$G$）、温度（$T$）和结电容（$C_{j0}$）。在光伏电流和电压波形不受噪声影响的情况下，所提出的方法实现的误差为：辐照度（$G$）误差为 0.25%，温度（$T$）误差为 1.5%，结电容（$C_{j0}$）误差为 2.1%。与传统优化方法相比，两级分层 PINN 表现更优，尤其在学习结电容（$C_{j0}$...
解读: 该双层物理信息神经网络参数估计技术对阳光电源SG系列光伏逆变器的MPPT算法优化具有重要应用价值。通过精准估计光伏组件的五参数模型（光生电流、二极管饱和电流、串联电阻等），可显著提升不同光照温度条件下的最大功率点追踪精度。该方法可集成到iSolarCloud智能运维平台，实现光伏阵列实时建模与性能诊...
基于物理信息深度学习与稀疏数据的电力电子器件剩余寿命预测
Remaining Useful Life Prediction of Power Electronic Devices With Physics-Informed Deep Learning and Sparse Data
Le Gao · Chaoming Liu · Yiping Xiao · Chunhua Qi 等5人 · IEEE Transactions on Power Electronics · 2025年11月
准确预测碳化硅金属氧化物半导体场效应晶体管（MOSFET）的剩余使用寿命（RUL）对于确保电力电子系统的可靠性至关重要，特别是在辐射环境下。然而，大多数现有的深度学习方法依赖于密集采样的退化数据，使其不适用于退化观测数据有限的稀疏数据条件。为解决这一局限性，我们提出了一种用于稀疏RUL预测的物理信息深度学习（PIDL）方法。该方法通过定制的物理信息损失函数，将总电离剂量引起的退化机制（具体为界面和氧化物陷阱电荷积累）融入基于Transformer的神经网络架构中。这种损失函数明确惩罚与导通状态电...
解读: 从阳光电源的业务视角来看，这项针对碳化硅MOSFET剩余寿命预测的物理信息深度学习技术具有重要的战略价值。作为光伏逆变器和储能系统的核心功率器件，碳化硅MOSFET的可靠性直接关系到我们产品在全生命周期内的性能表现和运维成本。 该技术的核心优势在于解决了稀疏数据条件下的寿命预测难题。在实际应用场景...
基于生物材料介电层的有机滞回反相器用于人工神经元电路
Organic Hysteretic Inverter with Biomaterial Dielectric for Artificial Neuronal Circuit
Chong Qian · Xu Gao · Zhong-Da Zhang · Zi-Yi Yin 等6人 · IEEE Electron Device Letters · 2025年11月
受人类大脑启发，人工神经元的开发对于实现脉冲神经网络至关重要，该网络通过离散的脉冲传输利用时空处理能力。在这项工作中，我们展示了一种具有类似反相施密特触发器功能的有机滞后反相器，其中 p 型和 n 型有机薄膜晶体管（OTFT）均采用与十六烷基三甲基氯化铵复合的脱氧核糖核酸（DNA - CTMA）这种生物材料作为栅极电介质。DNA - CTMA 介电层的极化特性赋予了反相器稳定的记忆窗口，该窗口被充分利用以构建一个电子漏电积分发放（LIF）神经元，该神经元能够对输入电流脉冲进行积分并产生输出电压脉...
解读: 从阳光电源的业务视角来看，这项基于生物材料介电层的有机滞后逆变器研究虽然聚焦于神经形态计算，但其底层技术原理对我司在智能逆变器和储能系统控制领域具有前瞻性启示意义。 该研究展示的施密特触发器式滞后特性与我司光伏逆变器中的电压稳定控制、储能系统的充放电管理存在技术关联。其利用DNA-CTMA介电层实...
第 1 / 12 页