← 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

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。