← 返回
一种基于经验模型信息的软磁材料铁损神经网络预测器
An Empirical Model Informed Neural Network Core Loss Predictor for Soft Magnetic Materials
| 作者 | Neha Rajput · Himanshu Bhusan Sandhibigraha · Neeraj Agrawal · Vishnu Mahadeva Iyer |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年8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 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 软磁材料 磁芯损耗 神经网络 电力电子 磁性元件 数据驱动建模 MagNet挑战赛 |
语言:
中文摘要
为提升电力电子变换器的效率与功率密度，本文提出了一种结合经验模型与神经网络的软磁材料铁损预测方法。该研究响应了IEEE MagNet挑战赛，旨在通过数据驱动手段解决复杂工况下磁性元件损耗建模难题，为电力电子磁性元件的优化设计提供高精度支撑。
English Abstract
Advancements in materials, improved modeling, and optimized design of power magnetic components are imperative to push the efficiency and power density bounds of power electronic converters. The MagNet Challenge was launched in 2023 as the first IEEE Power Electronics Society International Challenge on Design Methods in Power Electronics, to leverage data-driven approaches for modeling losses in p...
S
SunView 深度解读
磁性元件是阳光电源光伏逆变器（如组串式、集中式）及储能变流器（如PowerTitan、ST系列PCS）的核心部件，其损耗直接影响整机效率与功率密度。该研究提出的神经网络铁损预测模型，能有效提升磁性元件在复杂高频工况下的设计精度，缩短研发周期。建议研发团队将其集成至iSolarCloud智能运维平台的数字孪生模型中，或引入至磁性元件仿真设计流程，以优化产品散热设计，进一步提升产品在极端工况下的能效表现，助力实现更高功率密度的产品迭代。