Paweł Leszczyński · Kamil Kutorasiński · Marcin Szewczyk · Jarosław Pawłowski · IEEE Transactions on Power Electronics · 2025年1月

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。

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...