找到 2 条结果
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...
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，...