找到 1 条结果
基于有限实验数据的机器学习代理模型之锰锌铁氧体磁芯损耗制造特定仿真
Fabrication-Specific Simulation of Mn-Zn Ferrite Core-Loss for Machine Learning-Based Surrogate Modeling With Limited Experimental Data
Minwook Choi · Soyeon Park · Eunyoung Jang · Minae Ouk 等7人 · IEEE Transactions on Power Electronics · 2025年1月
锰锌铁氧体是电力电子设备中常用的磁芯材料，但其损耗机制复杂且实验数据稀缺，限制了建模精度。本文提出了一种数据驱动框架，通过制造工艺特定的仿真方法，在有限实验数据条件下构建高效的机器学习代理模型，以精确预测磁芯损耗。
解读: 磁性元件（电感、变压器）是阳光电源组串式逆变器、储能PCS及充电桩产品的核心损耗源。该研究提出的机器学习代理模型能有效解决磁芯损耗在复杂工况下难以精确建模的痛点。在产品研发阶段，应用此方法可显著提升高频磁性元件的设计效率，优化磁芯选型与损耗计算，从而提升PowerTitan等储能系统及光伏逆变器的整...