← 返回
基于物理信息神经网络与高斯过程回归的测量可测试性受限下的电磁干扰效应评估
Electromagnetic Interference Effect Assessment Under Measuring Testability Limitation Based on Physics-Informed Neural Network and Gaussian Process Regression
| 作者 | Wenchao Lu · Jiandong Duan · Lin Cheng · Jiangping Lu · Dongxing Dou |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年10月 |
| 技术分类 | 可靠性与测试 |
| 技术标签 | 可靠性分析 机器学习 深度学习 多物理场耦合 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 电磁干扰 物理信息神经网络 高斯过程回归 测量可测试性 瞬态分析 可靠性评估 |
语言:
中文摘要
针对实际工程中电磁干扰测量受限导致效应评估困难的问题,本文提出了一种基于物理信息神经网络(PINN)与高斯过程回归(GPR)的多维物理信息评估方法。该方法通过融合物理拓扑与数据驱动模型,有效提升了在测量数据缺失或受限情况下的电磁干扰评估精度。
English Abstract
The transient electromagnetic interference in practical existing engineering have measuring testability limitation. This limitation makes it difficult to assess electromagnetic effect. A multidimensional physical information based assessment method via physics-informed neural network (PINN) and Gaussian process regression (GPR) is proposed in this article. First, the physical topology of the distu...
S
SunView 深度解读
电磁兼容(EMC)是阳光电源组串式逆变器、PowerTitan储能系统及充电桩产品研发中的核心挑战。在复杂电网环境下,现场测量往往受限于测试条件,该研究提出的PINN与GPR融合方法,能够通过少量实测数据结合物理模型,精准预测设备在极端工况下的电磁干扰水平。建议研发团队将其应用于大功率电力电子设备的早期设计验证与故障诊断,优化PCB布局与滤波电路设计,从而提升产品在严苛电磁环境下的可靠性与并网合规性,降低现场运维的排查难度。