找到 2 条结果
物理启发的多模态特征融合级联网络：数据驱动的磁芯损耗建模
Physics-Inspired Multimodal Feature Fusion Cascaded Networks for Data-Driven Magnetic Core Loss Modeling
Youkang Hu · Jing Xu · Jiyao Wang · Wei Xu · IEEE Transactions on Power Electronics · 2024年9月
本文提出了一种物理启发的多模态特征融合级联网络（PI-MFF-CN），用于基于MagNet数据库的数据驱动磁芯损耗建模。该方法由物理启发网络和多模态特征融合网络两个级联子模型组成，结合微磁学物理机制与深度学习，显著提升了磁芯损耗预测的精度与泛化能力。
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，其损耗直接影响整机效率与热设计。该研究提出的物理启发深度学习模型，相比传统经验公式或单纯的数据驱动方法，能更精准地预测复杂工况下的磁芯损耗。建议研发团队将其应用于PowerTitan等储能系统及高功率密度逆变...
复合改进广义斯坦梅茨方程
ciGSE）：结合复合波形假设与经典方法的精确模型
Asier Arruti · Jon Anzola · Francisco José Pérez-Cebolla · Iosu Aizpuru 等5人 · IEEE Transactions on Power Electronics · 2024年1月
磁性元件的磁芯损耗预测是电力电子设计的难点。传统方法在占空比接近0.5时表现良好，但在高/低占空比下精度不足。本文基于MagNet数据库的N87材料数据，验证了复合波形假设，提出ciGSE模型以提升非对称波形下的磁芯损耗预测精度。
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储能变流器（PCS）的核心部件。随着功率密度提升，高频化带来的磁芯损耗成为热设计与效率优化的关键瓶颈。该ciGSE模型能更精确地预测复杂工况（如宽占空比范围）下的磁损，有助于优化逆变器及PCS的磁性元件设计，降低温升，提...