找到 5 条结果
高达50 MHz的铁氧体磁芯损耗瞬态量热测量
Transient Calorimetric Measurement of Ferrite Core Losses up to 50 MHz
Panteleimon Papamanolis · Thomas Guillod · Florian Krismer · Johann W. Kolar · IEEE Transactions on Power Electronics · 2021年3月
本文提出了一种精确且快速的铁氧体磁芯损耗瞬态量热测量方法。与传统的电气测量法相比，量热法在磁激励和工作频率方面的精度表现更稳定，但需精确获取待测磁芯的热容和温度。该方法为高频功率磁性元件的损耗评估提供了可靠手段。
解读: 随着阳光电源组串式逆变器和储能PCS向高功率密度、高开关频率方向演进，磁性元件（电感、变压器）的损耗评估成为提升整机效率的关键。该量热法能有效解决高频下传统电气测量误差大的痛点，对于优化PowerTitan等储能系统及高频逆变器中的磁性元件设计具有重要参考价值。建议研发团队引入该测试方法，以提升磁性...
7 kV/400 V直流变压器的主动励磁电流分配ZVS调制
Active Magnetizing Current Splitting ZVS Modulation of a 7 kV/400 V DC Transformer
Thomas Guillod · Daniel Rothmund · Johann Walter Kolar · IEEE Transactions on Power Electronics · 2020年2月
本文研究了LLC串联谐振变换器（DCX）在直流变压器应用中的表现。通过提出一种主动励磁电流分配ZVS调制策略，优化了高变比（7 kV/400 V）下的软开关特性，有效降低了RMS电流，提升了变换效率，无需闭环电压控制即可实现高效能量传输。
解读: 该研究针对高压直流变换场景，对阳光电源的储能系统（如PowerTitan、PowerStack）及集中式光伏逆变器中的DC-DC变换环节具有重要参考价值。随着光储系统向更高直流电压等级（如1500V及以上）演进，该调制策略能有效解决高变比下的开关损耗与效率瓶颈。建议研发团队评估该调制方法在双向DC-...
为何选择MagNet：量化功率磁性材料特性建模的复杂性
Why MagNet: Quantifying the Complexity of Modeling Power Magnetic Material Characteristics
Diego Serrano · Haoran Li · Shukai Wang · Thomas Guillod 等10人 · IEEE Transactions on Power Electronics · 2023年11月
本文探讨了开发先进数据驱动模型以描述功率磁性材料特性的必要性。磁芯损耗和磁滞回线是磁性元件设计的关键，但其物理机制复杂且难以直接应用。由于损耗和磁滞回线受材料特性及电气运行条件影响显著，本文旨在通过量化建模复杂性，推动数据驱动方法在磁性元件设计中的应用。
解读: 磁性元件（电感、变压器）是阳光电源光伏逆变器及储能PCS的核心组件，直接决定了产品的功率密度、效率及热性能。随着PowerTitan等大功率储能系统及组串式逆变器向更高功率密度演进，传统经验公式已难以满足高频化设计需求。本文提出的数据驱动建模方法，有助于研发团队在iSolarCloud运维数据支撑下...
一种利用电压镜像变压器表征功率磁性元件的简化直流偏置注入方法
A Simplified DC-Bias Injection Method for Characterizing Power Magnetics Using a Voltage Mirror Transformer
Shukai Wang · Haoran Li · Diego Serrano · Thomas Guillod 等7人 · IEEE Transactions on Power Electronics · 2024年6月
本文提出了一种利用电压镜像变压器配置的简化直流偏置注入电路，旨在提升设备适用性与测量精度。通过镜像变压器，该方法有效降低了反射激励电压对直流源的影响，提升了直流偏置注入的质量，优化了功率磁性元件的测试流程。
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储能变流器中的核心功率密度瓶颈。该方法通过优化直流偏置注入，能更精确地获取磁性元件在实际工作电流下的电感特性，有助于研发团队在设计阶段更精准地进行磁性元件选型与损耗评估。这对于提升逆变器和PCS的整...
MagNet：用于建模功率磁性材料特性的机器学习框架
How MagNet: Machine Learning Framework for Modeling Power Magnetic Material Characteristics
Haoran Li · Diego Serrano · Thomas Guillod · Shukai Wang 等12人 · IEEE Transactions on Power Electronics · 2023年12月
本文提出了一种名为MagNet的开源机器学习框架，用于功率磁性材料建模。该框架整合了超过50万个实验测量的激励数据点，涵盖多种材料及运行工况。文章详细阐述了数据采集与质量控制流程，并展示了机器学习在提升磁性元件建模精度与效率方面的应用潜力。
解读: 磁性元件（电感、变压器）是阳光电源光伏逆变器和储能PCS的核心损耗源。MagNet框架提供的机器学习建模方法，可显著提升磁性元件在高频、复杂工况下的损耗预测精度，有助于优化PowerTitan等储能系统及组串式逆变器的磁性设计，实现更优的功率密度和效率。建议研发团队引入该数据库进行磁性材料特性拟合，...