← 返回
HARDCORE：基于残差扩张卷积神经网络的铁氧体磁芯任意波形磁场与功率损耗估计
HARDCORE: H-Field and Power Loss Estimation for Arbitrary Waveforms With Residual, Dilated Convolutional Neural Networks in Ferrite Cores
| 作者 | Wilhelm Kirchgässner · Nikolas Förster · Till Piepenbrock · Oliver Schweins · Oliver Wallscheid |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年2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 | 功率损耗估计 铁氧体磁芯 深度学习 残差卷积神经网络 任意波形 MagNet挑战赛 磁性材料建模 |
语言:
中文摘要
本文针对MagNet 2023挑战赛，提出了一种名为HARDCORE的深度学习方法。该方法利用残差扩张卷积神经网络（Res-DCNN），实现了对环形铁氧体磁芯在任意波形激励下稳态功率损耗的材料特性化、波形无关的精确估计，有效解决了传统磁损耗模型在复杂工况下的局限性。
English Abstract
The MagNet challenge 2023 called upon competitors to develop data-driven models for the material-specific, waveform-agnostic estimation of steady-state power losses in toroidal ferrite cores. The following HARDCORE (H-field and power loss estimation for arbitrary waveforms with residual, dilated convolutional neural networks in ferrite cores) approach shows that a residual convolutional neural net...
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PowerTitan/PowerStack储能PCS的核心部件。该研究提出的基于深度学习的磁损耗建模方法，能够显著提升高频磁性元件在复杂PWM波形下的损耗预测精度。在产品研发阶段，该技术可辅助研发团队优化磁芯选型与绕组设计，降低磁性元件温升，从而提升逆变器与PCS的功率密度和整机效率。建议将其集成至iSolarCloud的数字孪生运维平台，用于监测关键磁性元件的运行状态，实现更精准的寿命预测与故障预警。