← 返回
机器学习驱动的无线电能传输线圈与磁芯联合结构优化以增强互感并减少铁氧体体积
Machine Learning-Driven Joint Structuring of WPT Coil and Core for Enhanced Mutual Inductance and Reduced Ferrite Volume
| 作者 | Fawad · Syed Ahson Ali Shah · Yohan Park · Yun-Su Kim |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年10月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 充电桩 机器学习 有限元仿真 |
| 相关度评分 | ★★★ 3.0 / 5.0 |
| 关键词 | 无线电能传输 机器学习 互感 线圈设计 磁芯优化 电动汽车充电 |
语言:
中文摘要
本文提出了一种集成优化方法,利用机器学习算法对无线电能传输(WPT)系统的线圈和磁芯进行联合设计。该研究旨在通过优化几何结构,在提升发射端与接收端之间互感的同时,有效降低铁氧体磁芯的体积,从而提升系统功率密度与效率。
English Abstract
Machine learning (ML) algorithms have shown promise in optimizing wireless power transfer (WPT) systems, particularly for electric vehicle charging and medical implants. However, most approaches focus on isolated WPT components, limiting their overall impact. This study presents an integrated optimization of WPT coil and core designs to enhance mutual inductance between transmitting (Tx) and recei...
S
SunView 深度解读
该技术主要针对无线充电领域,与阳光电源的电动汽车充电桩业务具有潜在协同效应。虽然目前阳光电源以有线充电桩为主,但随着大功率无线充电技术在电动重卡及乘用车领域的商业化进程,该机器学习驱动的联合优化方法可用于提升充电模块的功率密度和磁性元件效率。建议研发团队关注该方法在磁性元件设计自动化(EDA)中的应用,以缩短充电桩核心功率模块的研发周期,并探索其在未来高频化、小型化充电解决方案中的技术储备。