← 返回
受磁化机制启发的磁芯损耗估计神经网络
Magnetization Mechanism-Inspired Neural Networks for Core Loss Estimation
| 作者 | Qiujie Huang · Yang Li · Jianguo Zhu · Sinan Li |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2024年12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 | ★★★★ 4.0 / 5.0 |
| 关键词 | 磁芯损耗 神经网络 电力电子 磁化机理 建模 轻量化数据 高效率 |
语言:
中文摘要
针对高功率密度电力电子系统，本文提出了一种受磁化机制启发的神经网络模型，旨在实现快速、准确且小样本下的磁芯损耗建模。该方法克服了传统建模在复杂工况下精度不足、设计效率低及成本高的问题，为电力电子磁性元件的设计优化提供了高效的智能化解决方案。
English Abstract
Fast, accurate, and data-light (small dataset) core loss modeling is critical to the design of high-density high-efficiency power electronics systems. However, conventional core loss modeling methods often demonstrate a significant lack of accuracy, design efficiency and/or cost-effectiveness especially under complex operating conditions. To tackle this problem, this article proposes a core loss m...
S
SunView 深度解读
磁性元件（电感、变压器）是阳光电源组串式逆变器、PowerTitan储能变流器及风电变流器的核心部件。该研究提出的基于磁化机制的神经网络建模方法，能够显著提升磁芯损耗预测精度，特别是在复杂工况下。这有助于研发团队在设计阶段更精准地评估损耗，从而优化磁性元件体积与效率，进一步提升产品功率密度。建议将此算法集成至研发仿真平台，辅助高频磁性元件的快速选型与优化，降低实验测试成本，提升产品竞争力。