找到 2 条结果
利用深度残差机器学习估计电机温度
Estimating Electric Motor Temperatures With Deep Residual Machine Learning
Wilhelm Kirchgassner · Oliver Wallscheid · Joachim Bocker · IEEE Transactions on Power Electronics · 2021年7月
针对牵引驱动应用中电机温度监测不足的问题，本文提出一种基于深度残差学习的温度估计方法。传统热模型依赖复杂的参数选择且受几何结构和冷却动力学影响，而该数据驱动方法通过深度学习模型，在无需精确物理建模的情况下，实现了对电机内部温度的精准预测，有效提升了系统的运行安全性与设计优化能力。
解读: 该技术在电机热管理方面的应用对阳光电源的电动汽车充电桩及风电变流器业务具有参考价值。通过深度学习替代传统的复杂热网络模型，可以更精准地预测功率模块或电机在极端工况下的温度，从而优化散热设计，提升产品功率密度。建议研发团队关注该方法在iSolarCloud平台中的应用，通过挖掘设备运行数据，实现对逆变...
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...