找到 2 条结果
HARDCORE：基于残差扩张卷积神经网络的铁氧体磁芯任意波形磁场与功率损耗估计
HARDCORE: H-Field and Power Loss Estimation for Arbitrary Waveforms With Residual, Dilated Convolutional Neural Networks in Ferrite Cores
Wilhelm Kirchgässner · Nikolas Förster · Till Piepenbrock · Oliver Schweins 等5人 · IEEE Transactions on Power Electronics · 2025年2月
本文针对MagNet 2023挑战赛，提出了一种名为HARDCORE的深度学习方法。该方法利用残差扩张卷积神经网络（Res-DCNN），实现了对环形铁氧体磁芯在任意波形激励下稳态功率损耗的材料特性化、波形无关的精确估计，有效解决了传统磁损耗模型在复杂工况下的局限性。
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PowerTitan/PowerStack储能PCS的核心部件。该研究提出的基于深度学习的磁损耗建模方法，能够显著提升高频磁性元件在复杂PWM波形下的损耗预测精度。在产品研发阶段，该技术可辅助研发团队优化磁芯选型与绕组设计，降低磁性元件温升...
MagNet：用于建模功率磁性材料特性的机器学习框架
How MagNet: Machine Learning Framework for Modeling Power Magnetic Material Characteristics
Haoran Li · Diego Serrano · Thomas Guillod · Shukai Wang 等12人 · IEEE Transactions on Power Electronics · 2023年12月
本文提出了一种名为MagNet的开源机器学习框架，用于功率磁性材料建模。该框架整合了超过50万个实验测量的激励数据点，涵盖多种材料及运行工况。文章详细阐述了数据采集与质量控制流程，并展示了机器学习在提升磁性元件建模精度与效率方面的应用潜力。
解读: 磁性元件（电感、变压器）是阳光电源光伏逆变器和储能PCS的核心损耗源。MagNet框架提供的机器学习建模方法，可显著提升磁性元件在高频、复杂工况下的损耗预测精度，有助于优化PowerTitan等储能系统及组串式逆变器的磁性设计，实现更优的功率密度和效率。建议研发团队引入该数据库进行磁性材料特性拟合，...