申请/专利权人：南通大学

申请日：2024-03-08

公开（公告）日：2024-06-07

公开（公告）号：CN118153505A

主分类号：G06F30/373

分类号：G06F30/373;G06F30/27;G06N3/0464;G06N3/0499;G06N3/048;G06N3/0985;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.25#实质审查的生效;2024.06.07#公开

摘要：本发明公开了一种基于氮化镓E类逆变电路的设计与优化方法，采用蒙特卡洛分析与神经网络模型SeLUNetBoost相结合实现。通过模型实现对电路参数与转化效率之间映射关系的学习和预测，并根据预测的最大转化效率，设计电路中相关器件的参数值，使电路的工作效率达到最优。其训练网络所需的数据集来自对电路进行的蒙特卡洛仿真分析，通过对电路中的多种器件设置不同幅度的容差值并进行蒙特卡洛仿真，得到大量电路功率及转化效率随器件参数变化的数据。本发明所提出的基于氮化镓的E类逆变电路设计与优化方法能够快速计算出E类逆变电路实现高转化率对应的最优参数值，提高所设计电路的成品率，并且成本较低，能够显著提高设计效率。

主权项：1.一种基于氮化镓E类逆变电路的设计与优化方法，其特征在于，包括以下步骤：S1：确定基于氮化镓的E类逆变电路中包含的初始器件参数值；S2：设置单个器件的初始容差并进行多次蒙特卡洛仿真，分析电路转化效率与器件参数值的对应关系，确定电路转化效率最高时对应的最优器件参数范围；S3：按照步骤S2的方法依次对每个器件进行分析，得到完整的最优器件参数范围；S4：在完整的最优器件参数范围内再次进行蒙特卡洛仿真分析，得到器件参数与电路功率及转化效率关系的数据集；S5：分析步骤S4蒙特卡洛仿真得到数据集的特性，并创建与该电路适配的神经网络模型SeLUNetBoost；S6：对蒙特卡洛仿真得到的器件参数进行标准化，作为神经网络的输入，蒙特卡洛仿真得到的功率及转化效率保持不变，作为待预测值；S7：运用特征工程增加神经网络的特征输入项，扩展神经网络模型SeLUNetBoost的特征空间；S8：评估神经网络模型SeLUNetBoost的精确度，并根据模型的预测结果重新设计电路中相关器件的参数值，使电路的工作效率达到最优；S9：保存神经网络模型SeLUNetBoost，在需要预测新数据时能够直接调用已训练完成的神经网络模型SeLUNetBoost，实现对新数据的直接预测。

全文数据：

权利要求：

百度查询： 南通大学 一种基于氮化镓E类逆变电路的设计与优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD