論文の概要: Data-driven Power Loss Identification through Physics-Based Thermal Model Backpropagation

• arxiv url: http://arxiv.org/abs/2504.00133v1
• Date: Mon, 31 Mar 2025 18:37:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:23:24.002993
• Title: Data-driven Power Loss Identification through Physics-Based Thermal Model Backpropagation
• Title（参考訳）: 物理に基づく熱モデルバックプロパゲーションによるデータ駆動電力損失同定
• Authors: Mattia Scarpa, Francesco Pase, Ruggero Carli, Mattia Bruschetta, Franscesco Toso,
• Abstract要約: 電力エレクトロニクス用のデジタルツインは、実世界の応用では直接測定が非現実的または不可能な正確な電力損失を必要とする。 本稿では,物理に基づく熱モデルとデータ駆動の手法を組み合わせることで,温度測定のみを用いて電力損失を正確に検出・補正するハイブリッドフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.9997803560872798
• License:
• Abstract: Digital twins for power electronics require accurate power losses whose direct measurements are often impractical or impossible in real-world applications. This paper presents a novel hybrid framework that combines physics-based thermal modeling with data-driven techniques to identify and correct power losses accurately using only temperature measurements. Our approach leverages a cascaded architecture where a neural network learns to correct the outputs of a nominal power loss model by backpropagating through a reduced-order thermal model. We explore two neural architectures, a bootstrapped feedforward network, and a recurrent neural network, demonstrating that the bootstrapped feedforward approach achieves superior performance while maintaining computational efficiency for real-time applications. Between the interconnection, we included normalization strategies and physics-guided training loss functions to preserve stability and ensure physical consistency. Experimental results show that our hybrid model reduces both temperature estimation errors (from 7.2+-6.8{\deg}C to 0.3+-0.3{\deg}C) and power loss prediction errors (from 5.4+-6.6W to 0.2+-0.3W) compared to traditional physics-based approaches, even in the presence of thermal model uncertainties. This methodology allows us to accurately estimate power losses without direct measurements, making it particularly helpful for real-time industrial applications where sensor placement is hindered by cost and physical limitations.
• Abstract（参考訳）: 電力エレクトロニクス用のデジタルツインは、実世界の応用では直接測定が非現実的または不可能な正確な電力損失を必要とする。 本稿では,物理に基づく熱モデルとデータ駆動の手法を組み合わせることで,温度測定のみを用いて電力損失を正確に検出・補正するハイブリッドフレームワークを提案する。 提案手法は,ニューラルネットワークが低次熱モデルによるバックプロパゲートにより,名目損失モデルの出力を補正することを学ぶカスケードアーキテクチャを利用する。 我々は、ブートストラップされたフィードフォワードネットワークとリカレントニューラルネットワークの2つのニューラルネットワークを探索し、ブートストラップされたフィードフォワードアプローチがリアルタイムアプリケーションにおける計算効率を維持しながら、優れたパフォーマンスを実現することを示した。 相互接続の間には,安定性を保ち,物理的整合性を確保するための正規化戦略と物理誘導型トレーニング損失関数が含まれていた。 実験結果から,我々のハイブリッドモデルでは,熱モデル不確実性が存在する場合でも,温度推定誤差 (7.2+-6.8{\deg}Cから0.3+-0.3{\deg}C) と損失予測誤差 (5.4+-6.6Wから0.2+-0.3W) の両方を従来の物理に基づくアプローチと比較して低減することが示された。 本手法は, センサ配置がコストや物理的制約によって妨げられるリアルタイム産業アプリケーションにおいて, 直接測定することなく, 電力損失を正確に推定することを可能にする。

関連論文リスト

• HARDCORE: H-field and power loss estimation for arbitrary waveforms with residual, dilated convolutional neural networks in ferrite cores [1.3437002403398262]
  MagNet Challenge 2023は、トロイダルフェライトコアにおける定常的な電力損失の物質特異的で波形に依存しない推定のためのデータ駆動モデルの開発を競合他社に呼びかけている。 HardCOREアプローチは、物理インフォームド拡張を持つ残差畳み込みニューラルネットワークが、事前に観測データに基づいてトレーニングされた場合、このタスクを効率的に行うことができることを示している。 モデルは各素材のスクラッチから訓練されるが、トポロジーは同じである。
  論文  参考訳（メタデータ） (2024-01-21T13:24:41Z)
• Application of Zone Method based Physics-Informed Neural Networks in Reheating Furnaces [25.031487600209346]
  ファウンデーション・インダストリーズ(FIs)はガラス、金属、セメント、セラミックス、バルク化学、紙、鋼などを構成する。 FIの製造チェーン内の再加熱炉はエネルギー集約的である。 再加熱炉の地下温度の正確なリアルタイム予測は、全体の加熱時間を短縮する可能性がある。 本稿では,新しいエネルギーベース正規化器を用いた物理知識を取り入れた物理インフォームドニューラルネットワーク(PINN)を提案する。
  論文  参考訳（メタデータ） (2023-08-30T15:26:35Z)
• NeuralFuse: Learning to Recover the Accuracy of Access-Limited Neural Network Inference in Low-Voltage Regimes [50.00272243518593]
  ディープラーニング(Deep Neural Network, DNN)は、機械学習においてユビキタスになったが、そのエネルギー消費は問題の多いままである。 我々は低電圧状態におけるエネルギー精度のトレードオフを処理する新しいアドオンモジュールであるNeuralFuseを開発した。 1%のビットエラー率で、NeuralFuseはアクセスエネルギーを最大24%削減し、精度を最大57%向上させることができる。
  論文  参考訳（メタデータ） (2023-06-29T11:38:22Z)
• RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed Neural Network [6.309365332210523]
  本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。 我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5～1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
  論文  参考訳（メタデータ） (2022-09-19T16:11:51Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• On the Tradeoff between Energy, Precision, and Accuracy in Federated Quantized Neural Networks [68.52621234990728]
  無線ネットワーク上でのフェデレーション学習(FL)は、精度、エネルギー効率、精度のバランスをとる必要がある。 本稿では,ローカルトレーニングとアップリンク伝送の両方において,有限レベルの精度でデータを表現できる量子化FLフレームワークを提案する。 我々のフレームワークは標準的なFLモデルと比較してエネルギー消費量を最大53%削減できる。
  論文  参考訳（メタデータ） (2021-11-15T17:00:03Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)
• Thermal Neural Networks: Lumped-Parameter Thermal Modeling With State-Space Machine Learning [0.0]
  電力システムの熱モデルには、リアルタイム能力と高い推定精度の両方が必要である。 本研究では,熱伝達に基づくラムド型パラメータモデルとして,熱ニューラルネットワーク(TNN)を導入し,両者を統一した。 TNNは状態空間表現を通じて物理的に解釈可能な状態を持ち、エンドツーエンドのトレーニング可能であり、その設計に材料、幾何学、専門知識を必要としない。
  論文  参考訳（メタデータ） (2021-03-30T13:15:48Z)
• Data-Driven Permanent Magnet Temperature Estimation in Synchronous Motors with Supervised Machine Learning [0.0]
  自動車用永久磁石同期モータ(PMSM)における磁石温度のモニタリングは難しい課題である。 過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。 いくつかの機械学習(ML)モデルは、潜時高ダイナミックな磁力温度分布を予測するタスクにおいて、その推定精度を実証的に評価する。
  論文  参考訳（メタデータ） (2020-01-17T11:41:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。