《IEEE Access》：Modeling and Prediction of Additional High Frequency Harmonic losses Created by PWM Supply Utilizing Machine Learning
编辑推荐：
针对变频器供电电机高频谐波损耗依赖开关频率、调制指数、负载及瞬态电感等多变参数，传统建模方法可靠性不足的问题，本文研究人员开展了一项基于机器学习的高频谐波损耗建模与预测研究。他们通过高斯过程回归（GPR）建立数据驱动的代理模型，利用对三台额定功率分别为15 kW、37 kW和75 kW的感应电机在相同相对负载条件下的实测数据进行训练与验证。结果表明，该模型能够高精度预测脉宽调制（PWM）供电引入的附加高频谐波损耗，为设计更高效率的逆变器驱动系统提供了关键工具。
在当今追求高效节能的工业时代，电机作为核心动力设备，其能耗水平至关重要。随着电力电子技术的普及，由变频器（或称逆变器）驱动的电机系统已无处不在，它们通过脉宽调制（PWM）技术来实现对电机转速和扭矩的灵活控制。然而，这种控制方式在带来便利的同时，也引入了一个“不速之客”——由PWM开关动作产生的高频电压谐波。这些看不见的谐波电流会在电机的旋转磁场中引发额外的损耗，我们称之为附加高频谐波损耗。问题在于，这部分损耗难以捉摸，它像一个“黑箱”，其大小严重依赖于变频器的开关频率、调制指数、电机所带的负载以及电机自身的瞬态电感等多个参数，而这些参数在实际运行中可能千变万化。传统的分析或计算方法在面对这种复杂的非线性依赖关系时，常常力不从心，预测结果不可靠。这为高能效电机驱动系统的精确设计和优化带来了巨大挑战。为了解开这个“黑箱”，实现对这些附加损耗的精准预测，一项基于机器学习的前沿研究应运而生，并发表于《IEEE Access》期刊。
为了攻克这一难题，研究人员摒弃了传统的物理建模思路，转而采用一种数据驱动的智能方法。其核心技术路径是构建一个基于高斯过程回归（Gaussian Process Regression, GPR）的代理模型（Surrogate Model）。研究的关键数据来源于对三台不同功率等级（15 kW, 37 kW, 和 75 kW）的感应电机（Induction Machine）的实测。在统一的相对负载条件下，研究人员配置变频器以不同的参考开关频率运行，并针对每一种工况，通过精细的波形分析，精确量化了由PWM供电所诱发的附加高频谐波损耗，从而为模型训练与测试提供了高质量的数据集。
模型开发与验证
研究人员将从测量中获得的、表征不同运行条件（如开关频率、调制指数等）与对应附加损耗的数据集，用于训练基于高斯过程回归的代理模型。模型的核心任务是学习从复杂的输入变量到输出（附加损耗）之间的非线性映射关系。为了客观评估模型的预测能力，一部分测量数据被预留出来，专门用于测试，而非参与模型训练。
结果与模型性能
测试结果表明，所提出的基于高斯过程回归的建模方法展现出了优异的性能。模型能够以很高的准确度，预测出在不同运行条件下，PWM供电在电机旋转磁场中产生的附加高频谐波损耗。这意味着，即使对于训练数据未覆盖的某些工况，模型也能凭借其学到的统计规律给出可靠的预测。这解决了传统方法在多变参数面前可靠性不足的核心痛点。
结论与意义
本研究成功开发并验证了一种基于数据驱动和高斯过程回归的创新方法，用于建模和预测变频器供电电机的附加高频谐波损耗。该方法绕过了复杂且往往不准确的物理机理推导，直接利用实验数据“学习”损耗与多种运行参数之间的隐含关系，实现了高精度的预测。这项研究的结论具有重要意义：首先，它为电机和驱动系统设计工程师提供了一个强大而实用的工具，能够在设计阶段就更为精准地评估系统的损耗与效率，从而优化设计方案。其次，该方法论本身具有通用性潜力，可扩展应用于其他存在复杂、非线性依赖关系的工程建模与预测问题。最终，这项工作为开发下一代更高效率、更节能的逆变器供电驱动系统奠定了重要的技术基础，推动了电气工程与人工智能技术的交叉融合。
