找到 23 条结果
基于MILP-TD3的用户侧储能系统优化运行
Optimal Operation of User-side Energy Storage Systems Based on MILP-TD3
陈景文单茜 · 中国电机工程学报 · 2025年7月 · Vol.45
深度强化学习（DRL）在用户侧储能调控中应用广泛，但智能体常难以严格满足运行约束，影响系统安全性。为此，提出一种混合整数线性规划与双延迟深度确定性策略梯度结合的MILP-TD3方法。构建以运行成本最小为目标、计及电池退化成本的实时优化模型，并将功率平衡约束嵌入马尔科夫决策过程。通过将TD3的动作价值函数转化为MILP公式，确保智能体严格执行约束。算例结果表明，该方法平均日运行成本较传统TD3降低25.34%，单次决策平均耗时0.024秒，满足实时性与安全性要求。
解读: 该MILP-TD3方法对阳光电源ST系列储能变流器和PowerTitan储能系统的智能调度具有重要应用价值。通过将约束嵌入强化学习决策过程，可直接集成到iSolarCloud云平台的能量管理系统中，提升用户侧储能的实时优化能力。该方法考虑电池退化成本的建模思路，可优化ST储能系统的全生命周期经济性，...
基于深度强化学习的含储能船舶的海岛-海上渔排能源运输策略研究
Energy Transportation Strategy for Island-Marine Fish Farm System with Energy Storage Vessels Based on Deep Reinforcement Learning
朱振山陈豪陈炜龙黄缨惠 · 中国电机工程学报 · 2025年4月 · Vol.45
针对海上渔排与风光资源富余岛屿间的能源交互问题，提出一种包含全电船舶的能源运输策略，并构建考虑移动式储能电池组状态细分的混合动作空间马尔可夫决策过程模型。采用基于多批次前向传播的参数化双深度Q网络求解，通过解耦离散与连续动作提升训练稳定性与收敛性能。仿真结果表明，该方法能有效实现多节点间能量调配，在大规模场景下优于传统深度强化学习方法，具备更强灵活性与优化能力。
解读: 该深度强化学习能源调度技术对阳光电源移动储能业务具有重要应用价值。研究中的混合动作空间MDP模型和参数化双深度Q网络可直接应用于PowerTitan移动储能系统的智能调度，优化多场景间能量转运策略。其电池状态细分建模方法可增强ST系列储能变流器的SOC管理精度，提升电池全生命周期效益。该技术与iSo...
基于深度强化学习的主动配电网动态重构综述
A Review of Dynamic Reconfiguration in Active Distribution Networks Based on Deep Reinforcement Learning
江昌旭郭辰刘晨曦林俊杰邵振国 · 高电压技术 · 2025年4月 · Vol.51
随着双碳目标推进，风电、光伏等分布式电源大量接入配电网，加剧了出力的间歇性与波动性。主动配电网动态重构属高维混合整数非线性随机优化问题，传统方法存在局限。深度强化学习融合深度学习表征能力与强化学习决策优势，适用于该场景下的重构策略求解。本文综述其研究进展，分析数学模型构建、编码方式及算法应用现状，总结现有方法不足与深度强化学习的优势，并展望未来研究方向。
解读: 该深度强化学习配电网重构技术对阳光电源储能与光伏系统协同优化具有重要价值。在PowerTitan大型储能系统中，可结合iSolarCloud平台实时数据，通过DRL算法动态优化储能充放电策略与网络拓扑，应对光伏出力波动。对于SG系列逆变器集群，该技术可优化多逆变器协同控制与潮流分配，提升MPPT效率...
基于模仿专家经验的可解释深度强化学习在电动汽车智能充电中的应用
Interpretable Deep Reinforcement Learning With Imitative Expert Experience for Smart Charging of Electric Vehicles
Shuangqi Li · Alexis Pengfei Zhao · Chenghong Gu · Siqi Bu 等6人 · IEEE Transactions on Power Systems · 2024年7月
深度强化学习（DRL）因计算效率高，有望实现复杂系统的在线优化控制，但其可解释性与可靠性限制了在智能电网能量管理中的工程应用。本文首次提出一种新颖的模仿学习框架，用于解决电网连接电动汽车（GEV）充电管理中的高效计算问题。通过基于车网互动（V2G）成本效益分析的先验优化模型生成最优策略，并构建专家经验池以配置学习环境。设计双Actor-Imitator网络结构，实现专家知识向强化学习模型的有效迁移，提升训练效率与调度性能。实验结果表明，该方法在英国某示范微网中有效提升了V2G经济效益并缓解了电池...
解读: 该可解释深度强化学习技术对阳光电源充电桩产品线及储能系统具有重要应用价值。文章提出的模仿学习框架可直接应用于阳光电源V2G充电桩的智能调度算法，通过专家经验池加速DRL训练，提升充电策略的可靠性与可解释性，解决传统黑盒AI在电网能量管理中的工程化难题。该方法可集成至iSolarCloud云平台，实现...
知识增强的群体深度强化学习用于大规模电网实时网络约束经济调度
Knowledge-Augmented Population-Based Deep Reinforcement Learning for Real-Time Network-Constrained Economic Dispatch of Large-Scale Power Grid
Yixi Chen · Jizhong Zhu · Hanjiang Dong · Cong Zeng 等5人 · IEEE Transactions on Power Systems · 2025年6月
近年来，深度强化学习（DRL）因其在在线前瞻决策和应对不确定性方面的优势，被广泛应用于实时网络约束经济调度（NCED）。然而，传统DRL方法在计算效率与并行性方面存在局限，难以适应大规模电网环境。为此，本文提出一种新型知识增强的群体深度强化学习（PDRL）方法。PDRL通过扰动代理参数生成种群进行探索，并聚合个体结果构建代理梯度以更新模型，具有高效探索能力与高并行性。结合电网物理知识，提出序贯安全投影（S2P）技术，显著提升决策安全性并降低训练难度。在39节点、500节点和2383节点系统上的仿...
解读: 该知识增强群体深度强化学习技术对阳光电源PowerTitan大型储能系统及iSolarCloud云平台具有重要应用价值。在储能侧，PDRL的高并行性与序贯安全投影技术可优化ST系列储能变流器的实时调度策略，确保大规模储能电站在电网约束下实现经济最优充放电决策，提升电网友好性。在光伏侧，该方法可集成至...
基于图元强化学习的高比例光伏接入智能配电网自主电压调节
Autonomous Voltage Regulation for Smart Distribution Network With High-Proportion PVs: A Graph Meta-Reinforcement Learning Approach
Leijiao Ge · Jingjing Li · Luyang Hou · Jingang Lai · IEEE Transactions on Sustainable Energy · 2025年5月
高比例分布式光伏接入的智能配电网常面临严峻的电压质量问题。深度强化学习（DRL）无需显式建模即可实现优化控制，但在应用于此类系统时易受环境不稳定和智能体学习不均衡等问题影响。本文将电压控制建模为部分可观测马尔可夫决策过程，提出一种基于图卷积网络的多智能体元强化学习算法，融合元学习以提升智能体对他人行为的预测能力，缓解环境非稳性；通过引入自关注机制与值分解方法改善学习不均衡。在IEEE 33、141和322节点系统上的实验验证了所提方法的有效性，并优于五种主流多智能体DRL及模型预测控制方法。
解读: 该图元强化学习电压调节技术对阳光电源SG系列光伏逆变器和ST储能系统具有重要应用价值。可直接应用于分布式光伏并网场景的智能电压控制：1）通过多智能体协同优化，提升SG逆变器在高渗透率光伏配电网中的无功调节能力，解决传统MPC建模复杂、计算负荷高的问题；2）结合ST储能变流器的有功-无功协调控制，实现...
基于深度强化学习算法的分布式光伏-EV互补系统智能调度
Intelligent Scheduling of Distributed Photovoltaic-EV Complementary Systems Based on Deep Reinforcement Learning Algorithm
陈宁李法社王霜张慧聪唐存靖倪梓皓 · 高电压技术 · 2025年3月 · Vol.51
针对分布式光伏与电动汽车大规模接入电网带来的冲击，构建了光伏-EV互补调度模型，以平抑并网功率波动、提升用户经济性为目标，综合考虑光伏出力、负荷波动、EV接入随机性、实时电价及电池老化成本等因素，提出采用梯度随机扰动改进的近端策略优化算法（GRP-PPO）求解。通过调整目标函数获得两种运行策略：策略一优先满足出行需求与功率稳定，并网点功率稳定率达91.84%；策略二侧重用户收益，单日EV收益达82.6元，有效激励用户参与调度，较传统PPO算法性能提升3.48%。
解读: 该深度强化学习调度技术对阳光电源光储充一体化解决方案具有重要应用价值。GRP-PPO算法可直接集成至iSolarCloud云平台，实现分布式光伏SG系列逆变器、ST储能变流器与充电桩的协同优化调度。91.84%的并网功率稳定率可显著降低PowerTitan储能系统的功率波动应对压力，延长电池寿命；双...
通过构网型混合光伏电站提升电力系统短期电压稳定性
Short-Term Voltage Stability Improvement in Power System Through Grid-Forming Hybrid PV Plants
Muhammad Sarwar · Venkataramana Ajjarapu · Amarsagar R. R. Matavalam · Soummya Roy 等5人 · IEEE Transactions on Industry Applications · 2025年3月
摘要：在基于逆变器的电源（IBR）高渗透率的电力系统中，短期电压稳定性问题是主要关注点。故障引发的延迟电压恢复（FIDVR）就是这样一个可能导致短期电压不稳定的问题。本文研究了利用混合光伏电站的动态电压支持和负荷控制来缓解FIDVR的方法。我们提出了一个基于深度强化学习（DRL）的优化框架，用于混合光伏电站的最优动态无功注入和最优负荷控制。无功注入量和切负荷量取决于系统运行工况，因此这个数据驱动的框架能够给出适应不同运行工况的最优设定值。数值模拟表明，最优动态无功注入和负荷控制能够改善电压恢复情...
解读: 从阳光电源的业务视角来看，本论文所探讨的短期电压稳定性问题及其解决方案具有重要的战略意义。随着全球光伏装机容量持续增长，故障引发的延迟电压恢复（FIDVR）问题日益凸显，这直接关系到我司光伏逆变器产品在高渗透率场景下的电网适应性。 论文提出的构网型混合光伏电站方案与我司技术路线高度契合。我司已在1...
三相双有源桥变换器效率优化的无模型深度强化学习框架
A Model-Free Deep Reinforcement Learning Framework for Efficiency Optimization of Three-Phase Dual Active Bridge Converters
Zhihao Chen · Zhen Li · Sijia Huang · Haoyu Chen 等5人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年9月
针对三相双有源桥(3p-DAB)变换器效率优化面临的挑战,现有数学推导和人工智能方法依赖复杂耗时的解析或数据驱动建模增加开发复杂度。提出基于深度强化学习的无模型优化框架,通过系统交互直接学习策略而无需电气参数显式建模,显著减少开发时间并确保优化性能。参数敏感性分析验证不同变换器条件下的强泛化性。开发深度确定性策略梯度算法退化变体用于3p-DAB单步决策优化,配合AI驱动占空比控制策略提升效率。与先进数学分析和数据驱动方法的综合对比验证了所提方法的有效性。
解读: 该深度强化学习DAB优化技术对阳光电源智能变换器开发有重要创新价值。无模型优化框架可应用于ST储能变流器的DAB模块效率优化,减少建模工作量并加快产品开发周期。深度确定性策略梯度算法对PowerTitan大型储能系统的多模块协调控制有借鉴意义,可实现自适应效率优化。该技术对阳光电源AI驱动的iSol...
受脑启发的深度强化学习在复合干扰下电力系统负荷频率控制中的应用
Brain-Inspired Deep Reinforcement Learning for Load Frequency Control of Power Systems With Composite Interference
Xiaoming Sun · Chen Peng · Xinchun Jia · Yajian Zhang · IEEE Transactions on Industrial Informatics · 2025年4月
本文针对存在内部噪声和外部负荷波动复合干扰的电力系统，提出了一种受大脑启发的基于深度强化学习（DRL）的负荷频率控制框架。具体而言，受人类大脑决策过程的启发，系统状态的一些历史、当前和未来特征被充分提取到经验池中，以便深度强化学习智能体进行高效训练。同时，设计了一种渐进式训练机制，通过逐步增加训练目标将训练过程划分为多个阶段，以减少训练过程中的盲目性。此外，针对复合干扰，预先学习一些模拟干扰，以提高深度强化学习智能体的适应性。在单发电机组电力系统上的实验结果表明，所提出的方法能够在复合干扰下有效...
解读: 从阳光电源的业务视角来看，这项基于脑启发式深度强化学习的负荷频率控制技术具有重要的战略价值。随着公司光伏逆变器和储能系统在全球电网中的装机规模持续扩大，如何应对新能源接入带来的频率波动问题已成为核心技术挑战。 该技术的创新点与阳光电源的实际需求高度契合。首先，其针对"内部噪声与外部负荷波动复合干扰...
基于深度强化学习的Vienna整流器PMSG风力发电系统性能优化控制方案
Deep Reinforcement Learning-Based Control Scheme for Performance Enhancement of PMSG Wind Turbine With Vienna Rectifier
Yucheng Du · Bin Cai · Shaomin Yan · Weiyu Zhang 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2024年9月
提出一种基于深度强化学习（DRL）的新型控制方案，以提升采用Vienna整流器的永磁同步发电机（PMSG）在风力发电系统中的运行性能。针对PMSG定子电流谐波及Vienna整流器中点电压波动问题，设计了基于风速、具有变权重系数的奖励函数，并构建以风速为首要观测状态的快速响应Agent模型，以降低外部环境干扰。通过构建多样化的随机训练环境，增强系统对不同风速变化场景的适应能力。采用双延迟深度确定性策略梯度（TD3）算法进行离线训练。仿真与实验结果表明，该方案在不同风速下控制误差小，显著提升了电能质...
解读: 该研究提出的基于DRL的Vienna整流器控制方案对阳光电源的风电变流器和储能变流器产品线具有重要参考价值。特别是其针对电流谐波和中点电压波动的优化思路，可应用于ST系列储能变流器的三电平拓扑控制。研究中基于风速的变权重奖励函数设计方法，对改进公司产品在复杂工况下的控制性能具有启发意义。该方案通过T...
基于斯塔克尔伯格博弈的软演员评论家-深度强化学习方法用于锂离子电池及冷却系统的快速充电管理
Fast Charging Management of a Lithium-Ion Battery and Cooling System: A Stackelberg Game-Based Soft Actor Critic−Deep Reinforcement Learning Method
Hongrong Yang · Quanyi Chen · Xiaoying Shi · Yinliang Xu 等5人 · IEEE Transactions on Industrial Electronics · 2025年5月
本文提出了一种针对锂离子电池和冷却系统的快速充电管理策略，旨在解决在多种物理约束条件下实现快速充电，同时将冷却能耗和电池老化降至最低的难题。将电池与冷却系统之间的复杂耦合关系构建为基于斯塔克尔伯格博弈的双层优化框架，以反映充电和冷却过程的顺序交互。为此，开发了一种基于斯塔克尔伯格博弈的软演员 - 评论家深度强化学习方法，并对其收敛性进行了严格证明，确保了该方法的可靠性。大量实验结果验证了该方法的有效性，表明其优于现有先进策略，包括单智能体深度强化学习、贝叶斯方法以及恒流 - 恒压（CCCV） -...
解读: 从阳光电源的业务视角来看，这项基于Stackelberg博弈和深度强化学习的快充管理技术具有重要的战略价值。该技术通过将电池充电与热管理系统的耦合关系建模为双层优化框架，实现了充电速度、能耗控制和电池寿命之间的动态平衡，这与我司储能系统的核心技术需求高度契合。 在储能业务层面，该技术可直接应用于我...
基于深度强化学习的储能控制用于区域间振荡阻尼
Deep Reinforcement Learning-Based Control of Energy Storage for Interarea Oscillation Damping
Abu Shouaib Hasan · Rui Fan · Di Wu · IEEE Transactions on Industrial Informatics · 2025年2月
随着电力消耗的不断增加以及输电投资的不足，如今的电力系统运行状态更接近其极限，这引发了对影响系统稳定性的区域间振荡问题的担忧。本文提出了一种用于增强区域间振荡阻尼的新型储能配置与控制方法。通过结合留数分析和主导模式分析，我们能够确定有利于提升阻尼性能的储能配置位置。为应对控制参数固定和阻尼不足等挑战，我们提出采用基于深度强化学习的方法进行储能控制。利用先进的基于引导替代梯度的进化策略，以稳健、高效且可重复的方式训练学习智能体。同时采用并行计算来加快训练过程。所提出的策略已在中型和大型系统上进行了...
解读: 从阳光电源储能系统业务视角来看，这项基于深度强化学习的区域间振荡抑制技术具有重要战略价值。随着新能源渗透率提升和电网运行接近极限状态，区域间振荡已成为威胁大规模新能源并网稳定性的关键问题，这与我司储能系统的核心应用场景高度契合。 该技术的核心价值在于两个维度的突破：首先，通过残差分析与主导模态分析...
DAB DC-DC变换器六控制自由度调制方案及深度强化学习效率增强
Six Control Degrees of Freedom Modulation Scheme for DAB DC-DC Converters
Zhichen Feng · Huiqing Wen · Xu Han · Guangyu Wang 等6人 · IEEE Journal of Emerging and Selected Topics in Power Electronics · 2025年9月
通过增加控制自由度(DoF)可提高双有源桥(DAB)变换器转换效率。提出六控制自由度(6-DoF)调制进一步提升DAB变换器效率。采用频域分析直接推导变换器运行表达式,包括传输功率、电感电流和均方根(RMS)电流。提出6-DoF深度强化学习(DRL-6DoF)优化方案,采用深度确定性策略梯度(DDPG)算法求解最小功率损耗最优解。训练后的DDPG代理可在各种运行工况下输出控制变量最优值。采用DRL-6DoF控制方案,因低RMS电流和优异ZVS性能进一步提升DAB变换器效率。特别在重载工况下,因可...
解读: 该六自由度深度强化学习DAB优化技术对阳光电源储能变流器的DAB变换器效率提升有重要应用价值。DDPG算法优化可应用于ST储能系统的DC-DC变换级,实现全工况高效运行。可变开关频率和低RMS电流技术对阳光电源DAB拓扑产品的重载效率优化有借鉴意义。该技术对PowerTitan大型储能系统的智能控制...
学习电压-无功下垂曲线以最优协调光伏
PV）智能逆变器
Daniel Glover · Anamika Dubey · IEEE Transactions on Industry Applications · 2024年10月
随着基于逆变器的资源（IBRs）在有源配电网（ADNs）中大规模接入带来的挑战日益凸显，基于学习的电力系统运行任务解决方案作为潜在手段正受到越来越多的关注。尽管机器学习（ML）方法在评估中能取得较高的准确率，但由于安全担忧和可解释性有限，它们尚未在公用事业规模得到广泛应用。这为能够同时满足性能和监管要求的ML方法提供了发展机遇。为改善这些不足，本文提出了一种基于深度强化学习（DRL）的无模型自适应电压 - 无功控制（VVC）调度框架，用于太阳能光伏（PV）智能逆变器（SIs）的系统级电压调节和损...
解读: 该Volt-VAR下垂曲线学习技术对阳光电源SG系列光伏逆变器的智能控制具有重要应用价值。当前SG逆变器采用固定下垂曲线进行无功调节，难以适应动态电网环境。该研究提出的数据驱动方法可集成至逆变器DSP控制器，通过iSolarCloud平台收集历史运行数据训练神经网络模型，实现下垂参数的自适应优化。技...
评估结合中间储能的电转X系统中基于网格惩罚的强化学习在可再生能源管理中的应用
Assessing Grid Penalized Reinforcement Learning for Renewable Energy Management of Power-to-X Integrated With Intermediate Storage
Jeongdong Kim · Jonggeol Na · Joseph Sang-Il Kwon · Seongbin Ga 等6人 · IEEE Transactions on Sustainable Energy · 2025年6月
本研究通过详细案例与对比分析，探讨了在可再生能源与电价不确定性下，基于深度强化学习（DRL）的电转X（PtX）系统规划策略。提出一种融合混合储能系统的DRL小时级规划模型，采用网格惩罚奖励函数以抑制电网电力过度使用，并考虑可再生能源出力与电价的时间不确定性。利用法国国家实际数据，将该模型与规则基线模型在不同时空不确定性下进行比较。结果表明，DRL模型在全国范围内实现月利润提升1360.12%，尽管可再生能源渗透率略低，但通过提高电网惩罚强度可有效缩小渗透率差距并维持高盈利性。该研究首次量化揭示了...
解读: 该DRL驱动的可再生能源管理技术对阳光电源PowerTitan储能系统和ST系列储能变流器具有重要应用价值。研究提出的网格惩罚强化学习策略可直接应用于储能系统的能量管理系统（EMS），通过动态优化充放电策略，在电价波动和新能源出力不确定性下实现经济性最优。混合储能系统的小时级规划模型可集成至iSol...
边缘计算环境中基于分布式深度强化学习的多域物联网网络任务卸载优化
Optimized Task Offloading in Multi-Domain IoT Networks Using Distributed Deep Reinforcement Learning
Ojonukpe Sylvester Egwuche · Japie Greeff · Absalom El-Shamir Ezugwu · IEEE Access · 2025年1月
物联网网络中，传感器、网关和服务在不同层级互操作为终端用户提供服务。IoT设备数量增加且计算能力有限，需要资源高效的网络中间层任务处理。本研究利用深度强化学习智能建模卸载策略为马尔可夫决策过程，将IoT设备视为分布式决策代理，考虑环境动态进行卸载决策。为应对高维度问题实现最优策略，采用深度Q网络建模代理在动态环境中的交互。架构允许IoT边缘节点基于连接、资源可用性和邻近性向边缘服务器卸载任务进行本地决策。不同学习率、批次大小和内存大小的大量仿真显示，所提方案采用CNN近似器生成最优策略，相比传统...
解读: 该边缘计算卸载技术对阳光电源分布式能源物联网具有应用价值。阳光iSolarCloud平台管理大量光伏逆变器和储能设备，边缘侧需要智能决策任务分配。该研究的深度强化学习策略可应用于阳光SG逆变器的边缘AI单元，优化数据处理和上传策略。在大型光伏电站中，该技术可实现组串逆变器与汇流箱、边缘控制器的协同计...
深度强化学习与无静差混合控制方法在考虑非线性功率损耗和模型失配的混合储能系统中的应用
Deep Reinforcement Learning and Deadbeat Hybrid Control Method for Hybrid Energy Storage System Considering Nonlinear Power Loss and Model Mismatch
Yanyu Zhang · Pengpeng Li · Xibeng Zhang · Feixiang Jiao 等6人 · IEEE Transactions on Industrial Informatics · 2025年1月
摘要：微电网应用中的混合储能系统（HESS）需进行控制，以平衡发电侧与负载侧之间的功率。然而，转换过程中的功率损耗和模型参数不匹配会影响控制性能。为此，本文提出一种结合深度强化学习的混合储能系统无差拍控制算法。在该方法中，将非线性功率损耗和模型不匹配导致的混合储能系统最优电流参考值的变化视为集中扰动，可由深度确定性策略梯度智能体进行补偿，无差拍控制则基于精确的参考电流生成最优占空比，以消除系统稳态误差并提高动态响应速度。通过仿真和硬件实验验证了所提算法的有效性。结果表明，稳态误差可保持在 1%以...
解读: 从阳光电源储能系统业务视角来看，这项结合深度强化学习与无差拍控制的混合储能技术具有显著的工程应用价值。该技术直击当前储能系统面临的两大核心痛点：非线性功率损耗和模型参数失配，这些问题在我们的光储一体化项目中普遍存在，直接影响系统效率和电能质量。 技术层面，该方法通过深度确定性策略梯度（DDPG）算...
基于软演员-评论家算法与逻辑型Benders分解相结合的风电不确定性下月度安全约束机组组合
Soft Actor-Critic Combined with Logic-Based Benders Decomposition Algorithm for Monthly Security Constrained Unit Commitment under Wind Power Uncertainty
Jianbing Feng · Zhouyang Ren · Wenyuan Li · IEEE Transactions on Power Systems · 2025年6月
月度安全约束机组组合（M - SCUC）从长期视角确保了高比例可再生能源渗透下电力系统运行的可靠性和灵活性。本文基于深度强化学习，提出了一种结合基于逻辑的Benders分解（LBD - SAC）的软演员 - 评论家算法，以高效求解M - SCUC问题。该算法无需进行任何紧凑性近似，即可处理M - SCUC模型中的高维、非凸和复杂不确定性问题。在LBD - SAC算法中，开发了一种任务分解和优化辅助的训练机制，以确保运行约束并提高收敛性能。M - SCUC问题被分解为主问题和子问题，主问题带有用于...
解读: 该研究提出的强化学习与Benders分解混合优化方法对阳光电源的储能与光伏产品线具有重要参考价值。具体而言：1) 可应用于ST系列储能变流器的调度优化,提升PowerTitan大型储能系统对风电波动的适应能力；2) 可优化SG系列光伏逆变器的MPPT控制策略,提高系统在复杂天气条件下的发电效率；3)...
一种物理信息辅助的深度强化学习方法用于大规模TSV阵列的信号与电源完整性优化
A Physics-Assisted Deep Reinforcement Learning Methodology for Signal and Power Integrity Optimization of Large-Scale TSV Arrays
Bingheng Li · Ling Zhang · Hanzhi Ma · Li Jiang 等6人 · IEEE Transactions on Components, Packaging and Manufacturing Technology · 2025年5月
高带宽内存（HBM）中硅通孔（TSV）阵列的信号完整性（SI）和电源完整性（PI）优化对于提高系统可靠性至关重要。然而，以往的研究大多侧重于单独的 SI 或 PI 优化，尚未实现具有良好收敛性的 SI/PI 优化。基于 TSV 阵列 SI/PI 优化的物理机制，本文提出了一种新颖的物理辅助深度强化学习（DRL）方法。开发了一种分治策略来处理大规模 TSV 阵列。利用物理机制设计 DRL 方法的细节，从而将不同的优化场景（SI 优化、PI 优化和 SI/PI 协同优化）统一到一个单一的过程中，设计...
解读: 从阳光电源的业务视角来看，这项基于物理辅助深度强化学习的硅通孔（TSV）阵列信号与电源完整性优化技术，对我们的高功率密度产品开发具有重要参考价值。 在光伏逆变器和储能变流器领域，功率半导体模块的集成度不断提升，多芯片封装和3D集成技术正成为提高功率密度的关键路径。该论文针对高带宽存储器中TSV阵列...
第 1 / 2 页