← 返回
用于任意励磁波形下准静态磁芯损耗预测的历史依赖型Prandtl-Ishlinskii神经网络
History-Dependent Prandtl–Ishlinskii Neural Network for Quasi-Static Core Loss Prediction Under Arbitrary Excitation Waveforms
| 作者 | Qiujie Huang · Yang Li · Yu Dou · Yongjian Li · Jianguo Zhu · Sinan Li |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年7月 |
| 技术分类 | 控制与算法 |
| 技术标签 | 机器学习 深度学习 功率模块 可靠性分析 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 磁芯损耗 神经网络 Prandtl-Ishlinskii模型 电力电子 励磁波形 磁滞建模 深度学习 |
语言:
中文摘要
电力电子应用中的磁性元件常面临高频谐波或直流偏置等复杂励磁波形，导致传统磁芯损耗模型精度不足。本文提出一种历史依赖型Prandtl-Ishlinskii神经网络（HDPINN），通过结合磁滞特性建模与深度学习，有效提升了在复杂工况下对磁芯损耗预测的准确性与通用性。
English Abstract
Magnetics in power electronics applications often experience complex excitation waveforms containing high frequency harmonics and/or dc bias. Such a complexity challenges conventional magnetic core loss modeling methods, which are often prone to serious errors or only applicable to certain types of excitation waveforms. This article presents History-Dependent Prandtl-Ishlinskii Neural Network (HDP...
S
SunView 深度解读
磁性元件（电感、变压器）是阳光电源光伏逆变器、储能PCS及风电变流器的核心部件，其损耗直接影响整机效率与温升。该研究提出的HDPINN模型能更精准地预测复杂工况（如高频谐波、直流偏置）下的磁芯损耗，有助于优化逆变器及PCS的磁性元件设计，提升功率密度。建议研发团队将其引入iSolarCloud智能运维平台的数字孪生模型中，通过实时监测磁性元件损耗，实现设备运行状态的精细化评估与寿命预测，进一步提升产品可靠性。