基于iGSE与dFDB-TLSABC的温度-频率相关三角波激励磁芯损耗预测方法

《Magnetochemistry》：Temperature-Frequency-Dependent Magnetic Core Loss Prediction Under Triangular-Wave Excitation Based on iGSE and dFDB-TLSABC

　　

准确的磁芯损耗预测对于高频功率电子变换器的效率评估和热设计至关重要。在温度和频率变化条件下，磁芯损耗表现出强烈的非线性行为，使得传统的固定参数Steinmetz型模型难以保持稳定的精度。为解决这一问题，本研究提出了一种结合改进广义Steinmetz方程（iGSE）、动态适应度-距离平衡教-学-研人工蜂群算法（dFDB-TLSABC）和门控循环单元（GRU）网络的三角波激励下温度-频率相关磁芯损耗预测方法。dFDB-TLSABC算法在不同运行条件下辨识iGSE参数，GRU将温度和频率映射到相应参数以实现动态损耗计算。基于MagNet数据库中N87、3C90和77三种铁氧体的三角波数据，所提出的模型相对于传统iGSE模型和改进Steinmetz方程（ISE）模型，平均预测误差分别至少降低61.87%和61.60%。与长短期记忆网络（LSTM）、随机森林（RF）、支持向量机（SVM）、多层感知机（MLP）和多项式回归（PR）模型相比，误差分别降低5.91%、28.50%、32.26%、3.80%和2.64%。这些结果表明，所提出的方法在温度-频率变化条件下具有更高的预测精度。

论文解读文章

一、研究背景与问题

随着可再生能源的广泛应用，功率电子系统对能量转换效率和功率密度的要求日益严苛。为提升功率密度并缩小体积，功率变换器需在更高开关频率下运行。然而高频运行在显著减小无源元件尺寸的同时，也导致磁芯损耗急剧增加，且此类损耗在高频条件下呈现强烈非线性特征。这不仅加剧了磁性器件的热应力，还降低了变换器的整体效率。作为关键无源元件，磁性器件占总系统损耗的相当比例，直接影响系统效率和功率密度。因此，开发准确且通用的磁芯损耗预测模型对于优化磁性设计和提升高频功率变换器性能至关重要。

现有磁芯损耗建模方法主要分为两类。第一类是基于物理机理的损耗分离模型，以Bertotti理论为代表，将总损耗分解为磁滞损耗、经典涡流损耗和剩余损耗分别计算。此类模型物理意义明确，但需要大量材料参数且计算复杂，对测试条件和参数提取精度要求严格，限制了其在快速工程设计和多工况评估中的直接应用。第二类是基于经验方程的模型，通过拟合经验公式估计磁芯损耗，其中Steinmetz方程（SE）因其形式简单、计算成本低而被广泛使用。然而SE仅在特定测试条件下有效，当激励波形、占空比、直流偏置、温度或频率变化时，其预测误差会显著增大。此后研究者陆续提出改进Steinmetz方程（MSE）、广义Steinmetz方程（GSE）、改进广义Steinmetz方程（iGSE）和改进Steinmetz方程（ISE）等经验模型。这些经验模型形式紧凑、便于工程应用，但其系数k、α和β并非固定常数，而是随频率、温度、直流偏置和磁通密度等工作条件显著变化。当使用固定参数时，这些模型难以在不同工作条件下保持预测精度和泛化能力。

温度是影响磁芯损耗的关键因素。研究表明，高温会显著改变软磁材料在高频下的磁导率和损耗特性，忽略温度效应可能导致较大预测误差。现有研究常用策略是引入温度修正因子，如Alsawalhi和Sudhoff在传统Steinmetz表达式中加入温度相关修正项，Zhang等人提出温度修正的改进Steinmetz方程模型（T-MSE），将参数k拟合为包含双曲正切项和二次衰减项的温度函数，α和β表示为温度的线性函数。然而这些经验修正依赖预定义的函数形式和特定材料的参数辨识，在应用于不同材料或超出标定温度和频率范围时，其外推能力和泛化性能仍受限制。

近年来，机器学习和数据驱动方法的快速发展为磁芯损耗建模开辟了新途径。基于MagNet数据库，研究者提出知识感知人工神经网络（KANN）、磁化机理启发神经网络（MMINN）等方法。数据驱动方法能有效捕捉复杂非线性特征，在多工况映射和跨材料泛化方面展现出潜力，但需要高质量训练数据且部署成本较高。传统经验模型计算高效、易于融入工程设计流程，但其参数通常针对特定材料和标定工况辨识，限制了其对材料变化和更复杂工况的适应性。两种建模范式具有互补性——经验公式可作为具有物理基础且计算高效的框架，数据驱动方法可补偿难以显式建模的参数漂移和非线性误差。

二、研究内容与意义

针对上述问题，本研究提出了一种三角波激励下温度-频率相关的磁芯损耗预测方法。该方法保留iGSE作为基础损耗计算模型，利用dFDB-TLSABC算法在不同温度和频率条件下辨识iGSE参数，再训练GRU网络学习工作条件与辨识参数之间的映射关系。通过这一策略，经验参数不再被视为固定常数，而是在用于iGSE损耗预测之前根据工作条件动态更新。

该研究的主要贡献包括：提出基于iGSE的温度-频率相关预测框架，保持iGSE计算形式的同时提高其对变化工作条件的适应性；开发dFDB-TLSABC算法用于iGSE参数辨识，通过引入动态适应度-距离平衡机制和学习阶段，改善全局探索与局部开发之间的平衡；构建基于GRU的参数映射模型，描述温度、频率与辨识的iGSE参数之间的关系；利用MagNet数据库中N87、3C90和77三种铁氧体的三角波激励数据验证所提方法，与传统iGSE、ISE及多种机器学习模型比较，证明所提方法提高了预测精度和稳定性。

三、关键技术方法

研究人员从MagNet数据库（普林斯顿大学团队发布的开源磁芯损耗实验数据库）中选取N87、3C90和77三种铁氧体材料，仅保留三角波激励下的样本数据。每个有效记录包含温度、激励频率、磁通密度波形、峰值磁通密度和实测体积磁芯损耗。研究采用以下关键技术方法：一是改进广义Steinmetz方程（iGSE），作为基础损耗计算模型，其核心表达式为P_v = (1/T)∫k_i|dB/dt|^α(ΔB)^β?αdt；二是动态适应度-距离平衡教-学-研人工蜂群算法（dFDB-TLSABC），在FDB-TLABC框架基础上引入动态适应度-距离平衡（dFDB）机制和TLSBO的学习阶段，以均方根误差（RMSE）为目标函数进行参数辨识；三是门控循环单元（GRU）网络，将温度和频率映射到log₁₀k、α和β三个参数。GRU网络包含序列输入层、64个隐藏单元的GRU层、ReLU激活层、全连接层和回归输出层，采用Adam优化器训练，学习率0.001，批量大小32，最大500轮训练，并设置dropout率为0.2以防止过拟合。数据按温度-频率条件分组，条件级数据集按70%:15%:15%划分训练、验证和测试集。

四、研究结果

4.1 iGSE模型参数拟合结果

研究人员选取七种近年提出的先进元启发式优化算法作为基准，包括FDB-TLABC、混沌Jaya算法（CJAYA）、动画燕麦优化算法（AOO）、教育竞争优化器（ECO）、向量加权平均算法（INFO）、开普勒优化算法（KOA）和吕氏狐狸优化器（RFO），统一设置种群规模30、最大迭代次数300，进行30次独立重复实验。结果表明，dFDB-TLSABC在三种材料上均取得最低平均误差，分别为0.09119、0.09246和0.07710，相对原始FDB-TLABC误差分别降低12.18%、9.81%和12.58%。dFDB-TLSABC的最大误差和标准差也均优于其他算法，三种材料30次实验的标准差分别为0.00114、0.00081和0.00062，表明该方法具有良好的可重复性和鲁棒性。双侧Wilcoxon符号秩检验（显著性水平0.05）证实dFDB-TLSABC的改进具有统计学显著性。

4.2 温度-频率相关模型构建结果

研究人员一方面在不按温度和频率分类的情况下，直接用dFDB-TLSABC拟合iGSE和ISE两种经验模型参数并预测磁芯损耗；另一方面按温度和频率对实验数据分组后，用dFDB-TLSABC提取iGSE参数，再结合GRU、LSTM、RF、SVM、MLP和PR六种机器学习模型进行预测。结果显示，直接拟合的iGSE和ISE模型平均误差约为0.27至0.32，表明单一参数集无法在宽工作范围内准确捕捉磁芯损耗特性。引入温度和频率分类并结合机器学习模型后，预测误差显著降低。GRU模型将三种材料的平均误差分别降至0.09881、0.11721和0.09013，相比直接iGSE预测误差降低超过60%。PR基线模型仅使用温度和频率与拟合iGSE参数之间的二阶多项式关系，其误差已低于直接拟合的iGSE和ISE模型，表明允许iGSE参数随温度和频率变化本身就能有效改善损耗预测。但PR在所有三种材料上的精度均低于GRU，说明GRU能捕捉简单多项式形式无法充分表示的等效参数复杂变化。RF和SVM展现出基本预测能力，但平均和最大误差普遍高于神经网络模型。MLP的预测误差低于RF和SVM，接近循环神经网络水平，但误差波动略大。LSTM整体精度优于RF和SVM，但多数情况下落后于GRU。GRU模型在三种材料上均保持最低平均误差和较小标准差，展现出良好的泛化能力和稳定性。所提dFDB-TLSABC+GRU模型的变异系数分别为6.39%、5.48%和3.79%，均低于7%，表明预测结果相对稳定。预测值与实测值对比图显示，三种材料的预测点总体分布在理想预测线附近，大多数样本落在20%误差范围内。

4.3 参数提取算法的消融研究

研究人员在相同数据划分、评估指标和GRU映射结构下，比较FDB-TLABC和dFDB-TLSABC两种参数提取算法。结果显示，将FDB-TLABC替换为dFDB-TLSABC后，N87、3C90和77的平均误差分别从0.11292、0.12105和0.09226降至0.09881、0.11721和0.09013，相对降低幅度分别为12.50%、3.17%和2.31%。由于两种实验配置使用相同的温度-频率相关参数化和GRU映射结构，这些差异主要反映参数辨识算法变化的影响。结果表明，改进参数辨识算法能提供一定精度增益，但其作用是在温度-频率相关参数化和GRU参数映射基础上的进一步细化。整体性能提升来自参数表征、参数映射和参数提取的综合效应。

五、讨论与结论

传统磁芯损耗经验模型通常将给定材料的模型参数视为常数，但温度和频率不仅影响磁芯损耗的大小，还影响各损耗机理的相对贡献，导致宽温度和频率范围内预测精度下降。本研究所提出的模型基于iGSE框架，先利用dFDB-TLSABC提取不同工作条件下的等效模型参数，再用GRU网络学习温度、频率到iGSE参数的映射，使参数随工作条件动态更新。对比实验表明，该模型相比传统iGSE和ISE模型平均预测误差至少降低61%，反映出磁芯损耗机理对工作条件变化的强敏感性。GRU网络学习的参数映射为不同条件下各损耗分量的变化提供了隐式补偿，使模型在保持经验公式数学简洁性的同时具备适应复杂工作环境的能力。

在映射模型评估中，GRU在预测精度、误差稳定性和训练效率方面整体优于其他代表性机器学习模型。由于输入变量主要是温度和频率，输入序列相对较短，参数映射关系虽有一定非线性但不需要很深的网络结构。GRU的门控机制能以较低模型复杂度捕捉输入变量间的耦合，避免了训练数据有限时过复杂模型带来的计算负担和过拟合风险。

实验结果显示所提模型在三种材料上的预测精度存在差异。3C90的平均预测误差为0.11721，高于N87的0.09881和77的0.09013。这一差异可能与iGSE参数的等效性质有关——这些参数是从实测损耗数据中提取的，其变化可能反映磁滞、涡流和剩余损耗分量的综合效应，不同材料的等效参数变化模式不同。

研究指出当前框架仍存在若干局限：未包含直流偏置条件，实际应用中磁性元件常带直流偏置运行，需要额外测量不同偏置水平下的损耗数据；映射模型的输入变量目前仅包含温度和频率，未来应考虑加入B_max或ΔB、激励波形、占空比和磁场强度等变量；验证仅限于N87、3C90和77三种铁氧体材料，对具有不同磁特性的材料的泛化能力仍需更广泛数据集检验；老化、重复热循环或材料退化引起的长期变化未在当前数据中体现，未来需通过加速老化或热循环实验评估模型在材料退化下的长期可靠性。

综上所述，本研究提出了一种温度-频率相关的磁芯损耗预测方法，通过将iGSE经验框架与dFDB-TLSABC参数辨识算法和GRU参数映射网络相结合，在保持经验公式计算形式的同时实现了参数随工作条件的动态更新，显著提高了三角波激励下铁氧体磁芯损耗的预测精度和稳定性。