← 返回
用于功率磁性材料特性的机器学习模型
Machine-Learned Models for Power Magnetic Material Characteristics
| 作者 | Paweł Leszczyński · Kamil Kutorasiński · Marcin Szewczyk · Jarosław Pawłowski |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2025年1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 | 功率磁性材料 深度神经网络 自编码器 磁特性 电力电子 建模 神经网络 |
语言:
中文摘要
本文提出了一种利用深度神经网络对功率磁性材料特性进行建模的通用框架。通过无监督学习训练神经自动编码器模型，利用多维磁特性数据预测理论模型的材料参数。该方法旨在提升磁性元件建模的准确性与效率，为电力电子变换器的设计优化提供支撑。
English Abstract
We present a general framework for modeling power magnetic materials characteristics using deep neural networks. Magnetic materials represented by multidimensional characteristics (that mimic measurements) are used to train the neural autoencoder model in an unsupervised manner. The encoder is trying to predict the material parameters of a theoretical model, which is then used in a decoder part. T...
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储能变流器（PCS）的核心部件，直接影响整机效率、功率密度及温升表现。传统的磁性材料建模依赖繁琐的实验测量与有限元仿真，该AI建模方法能显著缩短磁性元件的设计周期，提升对复杂工况下损耗预测的精度。建议研发团队将其应用于PowerTitan等大功率储能系统的磁性元件优化设计中，通过更精准的磁特性建模，进一步提升产品在高频化、小型化趋势下的能效表现，并降低磁性材料选型风险。