基于物理热模型反向传播的数据驱动电力损耗识别

电子器件的数字孪生体需要精确的功率损耗，但直接测量在实际应用中往往不实用或不可能。本文提出了一种新型混合框架，将物理热模型与数据驱动技术相结合，仅使用温度测量即可准确识别和校正功率损耗。我们的 метод 采用级联架构，其中神经网络通过反向传播通过简化的热模型来学习校正正式功率损耗模型的输出。我们探讨了两种神经网络架构：一种是引导式前馈网络，另一种是循环神经网络，结果表明引导式前馈方法在保持计算效率的同时实现了优异的性能。通过 interconnection，我们包括了规范化策略和物理导向训练损失函数，以保持稳定性并确保物理一致性。实验结果显示，我们的混合模型在降低温度估计误差（从 $7.2\pm6.8{\deg}C$ 降至 $0.3\pm0.3{\deg}C$）和功率损耗预测误差（从 $5.4\pm6.6W$ 降至 $0.2\pm0.3W$）方面显著优于传统物理方法，即便在热模型不确定性存在的情况下亦然。这种方法论允许我们在不进行直接测量的情况下准确估计功率损耗，特别适用于传感器布置受制于成本和物理限制的实时工业应用。