← 返回
基于KNN-GRU-DNN模型的正激变换器变压器高效设计方法
Efficient Design Method for a Forward-Converter Transformer Based on a KNN–GRU–DNN Model
| 作者 | Gang Seok Lee · Sanha Kim · Sungwoo Bae |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年1月 |
| 技术分类 | 拓扑与电路 |
| 技术标签 | DC-DC变换器 机器学习 深度学习 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 正激变换器变压器 人工智能 K-近邻算法 门控循环单元 深度神经网络 设计优化 电力电子 |
语言:
中文摘要
本文提出了一种基于人工智能的正激变换器变压器（FCT）高效设计方法。传统FCT设计过程繁琐且效率低下，为此，本文应用K-近邻（KNN）、门控循环单元（GRU）和深度神经网络（DNN）模型进行设计优化，显著提升了设计估计的准确性与效率。
English Abstract
This letter proposes an efficient design method for a forward-converter transformer (FCT) with artificial intelligence (AI). Conventional FCT design is inefficient because it requires numerous repeated design processes. To solve this problem, this letter proposes FCT design by applying a K-nearest neighbors, gated recurrent unit, and deep neural network model. The design estimation accuracy of the...
S
SunView 深度解读
该研究提出的AI辅助磁性元件设计方法对阳光电源的产品研发具有重要参考价值。在光伏逆变器（尤其是户用及组串式产品）和储能变流器（PCS）中，变压器是核心磁性元件，其设计优化直接影响功率密度与效率。通过引入KNN-GRU-DNN模型，研发团队可缩短磁性元件的迭代周期，减少繁琐的试错过程，从而加速新一代高功率密度逆变器及PowerStack等储能系统的开发。建议在研发流程中引入此类AI模型，以实现磁性元件设计的自动化与智能化，提升产品竞争力。