← 返回
基于知识感知人工神经网络的高频磁芯损耗建模
High-Frequency Core Loss Modeling Based on Knowledge-Aware Artificial Neural Network
| 作者 | Junyun Deng · Wenbo Wang · Zhansheng Ning · Prasanth Venugopal · Jelena Popovic · Gert Rietveld |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年2月 |
| 技术分类 | 拓扑与电路 |
| 技术标签 | 功率模块 机器学习 深度学习 有限元仿真 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 高频磁芯损耗 磁损耗建模 人工神经网络 电力电子 磁性元件设计 知识感知建模 |
语言:
中文摘要
高频磁芯损耗建模对电力电子磁性元件设计至关重要。现有方法难以兼顾速度与精度：传统解析法速度快但精度低，基于损耗图的建模法精度高但依赖海量数据。本文提出一种知识感知人工神经网络模型，有效平衡了建模效率与预测准确性。
English Abstract
High-frequency core loss modeling plays a critical role in the magnetics design of power electronics. However, existing modeling tools fail to achieve both high speed and high precision. The conventional analytical approach enables fast estimations but performs poorly in accuracy. Magnetic loss models aided by loss maps feature high accuracy, but their model parameterization relies on large data. ...
S
SunView 深度解读
磁性元件是阳光电源组串式逆变器、PowerTitan储能变流器及风电变流器中的核心损耗源。该研究提出的知识感知神经网络建模方法，能显著提升高频磁性元件设计的精度与效率，缩短研发周期。建议研发团队将其应用于高功率密度逆变器及储能PCS的磁性元件优化设计中，通过结合物理知识与AI算法，降低磁芯损耗，提升整机效率，从而增强阳光电源产品在市场中的高功率密度竞争优势。