作者未知 · IEEE Transactions on Power Electronics · 2025年1月

电力电子应用中的磁性元件通常会经历包含高频谐波和/或直流偏置的复杂激励波形。这种复杂性对传统的磁芯损耗建模方法提出了挑战，这些方法往往容易出现严重误差，或者仅适用于某些类型的激励波形。本文提出了基于历史依赖的普朗特 - 伊斯林斯基神经网络（HDPI - NN），用于在任意激励下准确预测准静态磁芯损耗。HDPI - NN 通过考虑磁性材料更完整的磁化机制（即磁畴壁运动、磁畴旋转和记忆效应），并利用专门的神经网络确定模型参数，实现了较高的建模精度和通用性。获取了硅钢 B35A270 和铁氧体 N87...

解读: 从阳光电源的业务视角来看，这项基于历史相关Prandtl-Ishlinskii神经网络的磁芯损耗预测技术具有重要的工程应用价值。在我司光伏逆变器和储能变流器产品中，磁性元件（如高频变压器、电感）是核心功率器件，其损耗特性直接影响系统效率和热管理设计。 该技术的核心价值在于能够准确预测复杂激励波形下...