← 返回
基于图神经网络的单/三相磁耦合等效电路
Equivalent Circuit for Single/Three Phase Magnetic Coupling With Graph Neural Networks
| 作者 | Yusuke Yamakaji · Hayaru Shouno · Kunihiko Fukushima |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年2月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 机器学习 深度学习 拓扑与电路 智能化与AI应用 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 图神经网络 磁耦合 电路设计 等效电路 电路仿真 机器学习 |
语言:
中文摘要
由于电路设计中元件与布线存在高自由度和相互干扰，传统设计依赖迭代原型与仿真。本文提出将电路转化为图网络，并特别解决了传统方法忽略的磁耦合问题。通过图神经网络（GNN）对磁耦合进行建模，旨在优化电路设计流程，减少对物理原型和繁琐仿真的依赖。
English Abstract
Owing to the high degrees of freedom and mutual interference between components and wiring, circuit design often requires iterative prototyping and simulation. When transforming a circuit into a graph network, circuit components are typically treated as nodes and wirings as edges. However, this conventional approach overlooks the connection for magnetic couplings, which do not involve physical wir...
S
SunView 深度解读
该研究利用图神经网络（GNN）解决磁耦合建模难题，对阳光电源的研发具有重要价值。在组串式逆变器和PowerTitan储能系统的磁性元件（如电感、变压器）设计中，该方法能显著提升高频磁场仿真效率，缩短产品开发周期。建议研发团队将其引入iSolarCloud的数字孪生系统或研发仿真平台，通过AI辅助优化磁性元件布局与EMI设计，提升功率密度并降低损耗，从而增强产品在复杂电磁环境下的可靠性。