基于谱熵先验引导的磁芯损耗深度特征融合架构
机器学习
2025-12-15 v1
摘要
准确的铁芯损耗建模对高效电力电子系统的设计至关重要。传统铁芯损耗建模方法在预测精度方面存在局限。为推动该领域发展，IEEE 电力电子学会于 2023 年启动了 MagNet 挑战赛——首届专注于数据驱动电力电子设计方法的国际竞赛，旨在通过数据驱动范式揭示磁性元件中的复杂损耗模式。尽管纯数据驱动模型表现出强大的拟合性能，但其可解释性和跨分布泛化能力仍然有限。为解决这些问题，本文提出一种混合模型 SEPI-TFPNet，将经验模型与深度学习相结合。物理先验子模块采用谱熵判别机制在不同激励波形下选择最合适的经验模型。数据驱动子模块结合卷积神经网络、多头注意力和双向长短期记忆网络以提取磁通密度时间序列特征。引入自适应特征融合模块以改善多模态特征交互与集成。利用包含多种磁性材料的 MagNet 数据集，本文评估了所提方法并与 2023 年挑战赛中的 21 种代表性模型以及 2024–2025 年的三种先进方法进行了比较。结果表明，所提方法在建模精度和鲁棒性方面均有提升。
引用
@article{arxiv.2512.11334,
title = {Spectral entropy prior-guided deep feature fusion architecture for magnetic core loss},
author = {Cong Yao and Chunye Gong and Jin Zhang},
journal= {arXiv preprint arXiv:2512.11334},
year = {2025}
}