← 返回

基于LPTN信息神经网络的永磁同步电机多节点温度估计混合热建模

Hybrid Thermal Modeling With LPTN-Informed Neural Network for Multinode Temperature Estimation in PMSM

作者 Zirui Liu · Wubin Kong · Xinggang Fan · Zimin Li · Kai Peng · Ronghai Qu
期刊 IEEE Transactions on Power Electronics
出版日期 2024年9月
技术分类 控制与算法
技术标签 可靠性分析 多物理场耦合 机器学习 深度学习 热仿真
相关度评分 ★★★ 3.0 / 5.0
关键词 PMSM 温度估计 LPTN 神经网络 热建模 参数辨识 机器学习
语言:

中文摘要

针对永磁同步电机(PMSM)在有限训练数据下多节点温度估计精度不足的问题,本文提出了一种结合集总参数热网络(LPTN)与神经网络的混合建模方法。该方法通过将物理模型(LPTN)引入神经网络,有效解决了高阶热网络参数辨识及模型不确定性问题,实现了更精确的温度监测。

English Abstract

To achieve improved multinode temperature estimation with limited training data in permanent magnet synchronous motors, a novel approach of a lumped-parameter thermal network (LPTN) informed neural network is proposed in this article. First, the parameter and model uncertainties of third or higher order LPTNs with global parameter identification for temperature estimation are systematically stated...
S

SunView 深度解读

该技术主要针对电机驱动领域,与阳光电源的风电变流器及电动汽车充电桩业务具有较强的技术关联。在风电变流器中,功率模块与电机的热管理直接影响系统的可靠性与寿命;在充电桩领域,该混合建模方法可用于提升功率模块及关键部件的实时热状态感知精度,从而优化过温保护策略,提升产品在极端工况下的可靠性。建议研发团队关注该“物理+AI”融合建模思路,将其迁移至光伏逆变器或储能PCS的功率器件热管理中,以实现更精准的寿命预测与状态监测。