← 返回
基于去噪扩散模型的高频磁性元件铁损外推预测
Iron Loss Extrapolation Predictions for High-Frequency Magnetic Components Using Denoising Diffusion Models
| 作者 | Xiaobing Shen · Yu Zuo · Diego Bernal Cobaleda · Wilmar Martinez |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年10月 |
| 技术分类 | 拓扑与电路 |
| 技术标签 | 机器学习 深度学习 功率模块 有限元仿真 |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 去噪扩散概率模型 磁芯损耗预测 高频磁性元件 非线性动力学 波形分析 机器学习 |
语言:
中文摘要
本文引入去噪扩散概率模型(DDPM)以提升高频磁性元件的铁损预测精度。传统Steinmetz方程难以捕捉高频磁芯损耗的非线性动态及复杂波形。相比于多层感知机、迁移学习等方法,该模型能更准确地处理复杂工况下的损耗预测问题。
English Abstract
This article introduces denoising diffusion probabilistic models to enhance core loss predictions in high-frequency magnetic components. Conventional methods, such as the Steinmetz equation, often fail to accurately capture the nonlinear dynamics and complex waveforms characteristic of high-frequency magnetic core losses. Previous approaches using multilayer perceptron, transfer learning, and gene...
S
SunView 深度解读
随着阳光电源组串式逆变器及PowerTitan系列储能变流器向高功率密度、高开关频率方向演进,磁性元件(电感、变压器)的损耗优化成为提升整机效率的关键。该研究提出的扩散模型能够更精准地预测复杂高频波形下的铁损,有助于研发团队在设计阶段优化磁件选型与绕组方案,降低温升,提升产品可靠性。建议将该算法集成至iSolarCloud的数字孪生模型中,实现对磁性元件运行状态的实时损耗评估与寿命预测。