找到 2 条结果 · 拓扑与电路
基于去噪扩散模型的高频磁性元件铁损外推预测
Iron Loss Extrapolation Predictions for High-Frequency Magnetic Components Using Denoising Diffusion Models
Xiaobing Shen · Yu Zuo · Diego Bernal Cobaleda · Wilmar Martinez · IEEE Transactions on Power Electronics · 2025年10月
本文引入去噪扩散概率模型（DDPM）以提升高频磁性元件的铁损预测精度。传统Steinmetz方程难以捕捉高频磁芯损耗的非线性动态及复杂波形。相比于多层感知机、迁移学习等方法，该模型能更准确地处理复杂工况下的损耗预测问题。
解读: 随着阳光电源组串式逆变器及PowerTitan系列储能变流器向高功率密度、高开关频率方向演进，磁性元件（电感、变压器）的损耗优化成为提升整机效率的关键。该研究提出的扩散模型能够更精准地预测复杂高频波形下的铁损，有助于研发团队在设计阶段优化磁件选型与绕组方案，降低温升，提升产品可靠性。建议将该算法集成...
基于有限实验数据的机器学习代理模型之锰锌铁氧体磁芯损耗制造特定仿真
Fabrication-Specific Simulation of Mn-Zn Ferrite Core-Loss for Machine Learning-Based Surrogate Modeling With Limited Experimental Data
Minwook Choi · Soyeon Park · Eunyoung Jang · Minae Ouk 等7人 · IEEE Transactions on Power Electronics · 2025年1月
锰锌铁氧体是电力电子设备中常用的磁芯材料，但其损耗机制复杂且实验数据稀缺，限制了建模精度。本文提出了一种数据驱动框架，通过制造工艺特定的仿真方法，在有限实验数据条件下构建高效的机器学习代理模型，以精确预测磁芯损耗。
解读: 磁性元件（电感、变压器）是阳光电源组串式逆变器、储能PCS及充电桩产品的核心损耗源。该研究提出的机器学习代理模型能有效解决磁芯损耗在复杂工况下难以精确建模的痛点。在产品研发阶段，应用此方法可显著提升高频磁性元件的设计效率，优化磁芯选型与损耗计算，从而提升PowerTitan等储能系统及光伏逆变器的整...