一种基于机器学习的多因素磁芯损耗预测方法

本发明涉及磁性元件建模与控制技术领域，尤其涉及一种基于机器学习的多因素磁芯损耗预测方法。该方法首先获取磁性元件的磁通密度数据，提取其分布特征与形状特征，通过构建分类模型实现励磁波形识别；其次，基于Steinmetz方程引入温度指数修正项，建立温度敏感型损耗模型；进一步利用熵权法和统计分析对多因素进行重要性评估；采用随机森林与LightGBM的集成学习模型构建磁芯损耗预测模型；以损耗最小与磁能传输最大为目标，融合差分进化与模拟退火算法建立单目标优化模型。该方法提高了模型的泛化能力和预测精度，能够适应多材料、多波形、多工况条件下的磁芯损耗建模需求，适用于高频磁性元件设计和电力电子系统优化等应用场景。