Spectral entropy prior-guided deep feature fusion architecture for magnetic core loss

📄 arXiv: 2512.11334v1 📥 PDF

作者: Cong Yao, Chunye Gong, Jin Zhang

分类: cs.LG

发布日期: 2025-12-12

💡 一句话要点

提出SEPI-TFPNet混合模型，提升磁芯损耗预测精度与泛化能力

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 磁芯损耗建模 深度学习 物理先验 特征融合 电力电子 时序预测 谱熵

📋 核心要点

  1. 传统磁芯损耗建模方法精度有限，且纯数据驱动模型缺乏可解释性和泛化性，难以应对复杂损耗模式。
  2. 提出SEPI-TFPNet混合模型，融合物理先验的经验模型和数据驱动的深度学习，提升预测精度和鲁棒性。
  3. 在MagNet数据集上，与21个2023年挑战赛模型和3个2024-2025年先进方法相比，该方法表现出更优的建模性能。

📝 摘要（中文）

精确的磁芯损耗建模对于高效电力电子系统的设计至关重要。传统的磁芯损耗建模方法在预测精度方面存在局限性。为了推动该领域的发展，IEEE电力电子学会于2023年发起了MagNet Challenge，这是第一个专注于数据驱动电力电子设计方法的国际竞赛，旨在通过数据驱动的范式揭示磁性元件中复杂的损耗模式。虽然纯粹的数据驱动模型表现出强大的拟合性能，但它们的可解释性和跨分布泛化能力仍然有限。为了解决这些问题，本文提出了一种混合模型SEPI-TFPNet，该模型集成了经验模型和深度学习。物理先验子模块采用谱熵判别机制来选择不同激励波形下最合适的经验模型。数据驱动子模块结合了卷积神经网络、多头注意力机制和双向长短期记忆网络来提取磁通密度时序特征。引入自适应特征融合模块以改善多模态特征交互和集成。本文使用包含各种磁性材料的MagNet数据集评估了所提出的方法，并将其与2023年挑战赛中的21个代表性模型以及2024-2025年的三种先进方法进行了比较。结果表明，所提出的方法实现了更高的建模精度和鲁棒性。

🔬 方法详解

问题定义：论文旨在解决磁芯损耗建模精度不足和数据驱动模型泛化性差的问题。现有方法，如传统经验公式，难以准确捕捉复杂工况下的损耗；而纯数据驱动模型，虽然拟合能力强，但缺乏物理可解释性，在跨分布数据上表现不佳。

核心思路：论文的核心思路是将物理先验知识与数据驱动方法相结合，构建一个混合模型。通过物理先验子模块选择合适的经验模型，利用数据驱动子模块提取时序特征，最后融合两者优势，提升模型的精度和泛化能力。

技术框架：SEPI-TFPNet模型包含两个主要子模块：物理先验子模块和数据驱动子模块。物理先验子模块利用谱熵判别机制选择合适的经验模型。数据驱动子模块包含卷积神经网络（CNN）、多头注意力机制（Multi-head Attention）和双向长短期记忆网络（Bi-LSTM），用于提取磁通密度时序特征。最后，通过自适应特征融合模块将两个子模块的特征进行融合。

关键创新：该方法的主要创新在于：1) 提出了一种基于谱熵的物理先验选择机制，能够根据不同的激励波形自适应地选择合适的经验模型；2) 设计了一个自适应特征融合模块，能够有效地融合物理先验和数据驱动的特征，从而提高模型的整体性能。

关键设计：谱熵判别机制通过计算磁通密度时序信号的谱熵，来评估信号的复杂程度，并以此选择合适的经验模型。数据驱动子模块中，CNN用于提取局部特征，多头注意力机制用于捕捉长程依赖关系，Bi-LSTM用于提取时序特征。自适应特征融合模块可能包含可学习的权重，用于动态调整不同特征的贡献。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的SEPI-TFPNet模型在MagNet数据集上取得了显著的性能提升。与2023年MagNet Challenge中的21个代表性模型以及2024-2025年的三种先进方法相比，该模型在建模精度和鲁棒性方面均表现出优势，证明了混合建模方法的有效性。

🎯 应用场景

该研究成果可应用于电力电子系统的设计和优化，例如开关电源、逆变器等。精确的磁芯损耗建模能够帮助工程师选择合适的磁性元件，优化电路设计，提高系统效率，降低能量损耗，并最终实现更高效、更可靠的电力电子设备。

📄 摘要（原文）

Accurate core loss modeling is critical for the design of high-efficiency power electronic systems. Traditional core loss modeling methods have limitations in prediction accuracy. To advance this field, the IEEE Power Electronics Society launched the MagNet Challenge in 2023, the first international competition focused on data-driven power electronics design methods, aiming to uncover complex loss patterns in magnetic components through a data-driven paradigm. Although purely data-driven models demonstrate strong fitting performance, their interpretability and cross-distribution generalization capabilities remain limited. To address these issues, this paper proposes a hybrid model, SEPI-TFPNet, which integrates empirical models with deep learning. The physical-prior submodule employs a spectral entropy discrimination mechanism to select the most suitable empirical model under different excitation waveforms. The data-driven submodule incorporates convolutional neural networks, multi-head attention mechanisms, and bidirectional long short-term memory networks to extract flux-density time-series features. An adaptive feature fusion module is introduced to improve multimodal feature interaction and integration. Using the MagNet dataset containing various magnetic materials, this paper evaluates the proposed method and compares it with 21 representative models from the 2023 challenge and three advanced methods from 2024-2025. The results show that the proposed method achieves improved modeling accuracy and robustness.