一种基于深度学习的磁性元件磁芯损耗预测及优化方法

本发明公开了一种基于深度学习的磁性元件磁芯损耗模型构建方法，旨在解决现有损耗模型在复杂工况下预测精度不足的问题。传统模型在面对温度、材料、频率等多种因素变化时，无法提供准确的损耗评估，限制了磁性元件设计和功率变换器效率的优化。为此，本发明基于深度学习技术，结合温度、磁芯材料、励磁波形和工作频率等多种关键因素，构建了高精度的磁芯损耗预测模型，显著提升了预测的准确性和普适性。在此基础上，进一步建立了双目标优化模型，并采用MOEAD算法进行求解，通过优化设计变量组合，旨在最小化损耗并最大化磁能传输。本发明可广泛应用于磁性元件设计与优化领域，为磁芯损耗的精准预测及磁性元件的性能最优化提供理论指导和工程参考。