找到 1 条结果 · 控制与算法
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
Qiujie Huang · Yang Li · Yu Dou · Yongjian Li 等6人 · IEEE Transactions on Power Electronics · 2025年7月
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。
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...