找到 2 条结果
受磁化机制启发的磁芯损耗估计神经网络
Magnetization Mechanism-Inspired Neural Networks for Core Loss Estimation
Qiujie Huang · Yang Li · Jianguo Zhu · Sinan Li · IEEE Transactions on Power Electronics · 2024年12月
针对高功率密度电力电子系统，本文提出了一种受磁化机制启发的神经网络模型，旨在实现快速、准确且小样本下的磁芯损耗建模。该方法克服了传统建模在复杂工况下精度不足、设计效率低及成本高的问题，为电力电子磁性元件的设计优化提供了高效的智能化解决方案。
解读: 磁性元件（电感、变压器）是阳光电源组串式逆变器、PowerTitan储能变流器及风电变流器的核心部件。该研究提出的基于磁化机制的神经网络建模方法，能够显著提升磁芯损耗预测精度，特别是在复杂工况下。这有助于研发团队在设计阶段更精准地评估损耗，从而优化磁性元件体积与效率，进一步提升产品功率密度。建议将此...
用于任意励磁波形下准静态磁芯损耗预测的历史依赖型Prandtl-Ishlinskii神经网络
History-Dependent Prandtl–Ishlinskii Neural Network for Quasi-Static Core Loss Prediction Under Arbitrary Excitation Waveforms
Qiujie Huang · Yang Li · Yu Dou · Yongjian Li 等6人 · IEEE Transactions on Power Electronics · 2025年7月
电力电子应用中的磁性元件常面临高频谐波或直流偏置等复杂励磁波形，导致传统磁芯损耗模型精度不足。本文提出一种历史依赖型Prandtl-Ishlinskii神经网络（HDPINN），通过结合磁滞特性建模与深度学习，有效提升了在复杂工况下对磁芯损耗预测的准确性与通用性。
解读: 磁性元件（电感、变压器）是阳光电源光伏逆变器、储能PCS及风电变流器的核心部件，其损耗直接影响整机效率与温升。该研究提出的HDPINN模型能更精准地预测复杂工况（如高频谐波、直流偏置）下的磁芯损耗，有助于优化逆变器及PCS的磁性元件设计，提升功率密度。建议研发团队将其引入iSolarCloud智能运...