一种基于深度学习的双边LCC系统设计方法及系统
知识产权简介
本申请提供一种基于深度学习的双边LCC系统设计方法，包括：建立双边LCC系统的电路仿真模型，选择待优化的谐振参数；针对谐振参数，通过电路仿真模型，生成训练数据集；通过训练数据集，构建并训练两个相互独立的深度学习模型，得到功率预测代理模型和效率预测代理模型；围绕选定的名义设计点生成候选参数群，输出各候选参数的输出功率预测值和系统效率预测值；以输出功率最大化和系统效率最大化作为双目标，对所有候选参数的预测结果进行Pareto支配关系筛选，得到最优参数集合，并选取最终谐振参数配置。本申请能够显著降低高维谐振参数设计的计算成本，并为双边LCC系统在功率与效率之间的参数选型提供量化依据。
转化前景
一种基于深度学习的双边 LCC系统设计方法，包括， 建立双边 LCC 系统电路模型； 确定待优化的谐振参数； 进行蒙特卡罗采样生成训练数据集； 构建深度学习代理模型； 围绕名义设计点生成候选参数群； 利用代理模型进行快速性能预测；进行多目标动态优化筛选， 以输出功率最大化和系统效率最大化作为双目标设计准则，对所有候选参数样本执行 Pareto 支配关系筛选，剔除被其他样本同时在输出功率和系统效 率上支配的参数样本，得到 Pareto 最优参数集合； 依据应用需求确定最终谐振参数配置。