← 返回
物理启发的多模态特征融合级联网络:数据驱动的磁芯损耗建模
Physics-Inspired Multimodal Feature Fusion Cascaded Networks for Data-Driven Magnetic Core Loss Modeling
| 作者 | Youkang Hu · Jing Xu · Jiyao Wang · Wei Xu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年9月 |
| 技术分类 | 拓扑与电路 |
| 技术标签 | 功率模块 多物理场耦合 机器学习 深度学习 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 磁芯损耗 数据驱动建模 物理启发神经网络 多模态特征融合 深度学习 微磁学 MagNet 数据库 |
语言:
中文摘要
本文提出了一种物理启发的多模态特征融合级联网络(PI-MFF-CN),用于基于MagNet数据库的数据驱动磁芯损耗建模。该方法由物理启发网络和多模态特征融合网络两个级联子模型组成,结合微磁学物理机制与深度学习,显著提升了磁芯损耗预测的精度与泛化能力。
English Abstract
This article proposes a physics-inspired multimodal feature fusion cascaded network (PI-MFF-CN) for data-driven magnetic core loss modeling based on MagNet database. The proposed methodology consists of two cascaded submodels: the physics-inspired network model and the multimodal feature fusion network model. First, a network model inspired by physics and related micromagnetism, is developed based...
S
SunView 深度解读
磁性元件(电感、变压器)是阳光电源组串式/集中式光伏逆变器及储能变流器(PCS)的核心部件,其损耗直接影响整机效率与热设计。该研究提出的物理启发深度学习模型,相比传统经验公式或单纯的数据驱动方法,能更精准地预测复杂工况下的磁芯损耗。建议研发团队将其应用于PowerTitan等储能系统及高功率密度逆变器的磁性元件设计优化中,通过更精确的损耗模型指导磁材选型与散热方案,从而提升产品能效,助力实现更优的功率密度和可靠性。