找到 1 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...