← 返回
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
| 作者 | Haoran Li · Diego Serrano · Thomas Guillod · Shukai Wang · Evan Dogariu · Andrew Nadler · Min Luo · Vineet Bansal · Niraj K. Jha · Yuxin Chen · Charles R. Sullivan · Minjie Chen |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年12月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 机器学习 深度学习 功率模块 可靠性分析 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 机器学习 电力磁性元件 磁性材料建模 开源数据库 数据采集 励磁数据 |
语言:
中文摘要
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。
English Abstract
This article applies machine learning to power magnetics modeling. We first introduce an open-source database—MagNet—which hosts a large amount of experimentally measured excitation data for many materials across a variety of operating conditions, consisting of more than 500 000 data points in its current state. The processes for data acquisition and data quality control are explained. We then dem...
S
SunView 深度解读
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,以缩短磁性元件的仿真与选型周期,并提升iSolarCloud在设备全生命周期内的热管理与效率评估能力。