磁芯损耗模型：XGBoost、Lasso与ETR的SLSQP优化

功率变换器的高频化与高功率密度设计趋势，使得磁性元件的损耗评估变得极为苛刻。传统物理模型——例如经典的斯坦麦茨方程——在面对多工况以及多材料交叉的复杂应用场景时，其预测精度往往难以满足工程需求。本文的构思来源于为某电力电子企业完成的一项磁芯损耗建模咨询项目，最终提炼并构建了一套完整的解决方案，包括励磁波形识别、模型方程温度修正、因素交互效应分析、数据驱动预测模型，以及基于双目标优化的最佳工况搜索。

方案中综合采用了 XGBoost、随机森林、梯度提升树、Lasso 回归与极端随机树等多种机器学习算法，并借助非参数统计检验深入剖析温度、波形类型与材料之间的协同作用机制；最后以 SLSQP 算法同步实现了磁芯损耗最小化与传输磁能最大化的最优工况求解。整套代码与测试数据均支持复现验证，文中每个环节均附有关键实现代码片段及结果解读，力求帮助读者既理解方法论，也能将其高效复用至类似的工程实践。

问题重述

磁性元件的损耗受到材料特性、环境温度、励磁波形、工作频率、磁通密度峰值等多因素的耦合作用，传统解析模型在复杂工况下的计算精度明显不足。本文需要依次完成以下任务：励磁波形分类识别、斯坦麦茨方程的温度修正、多因素协同作用分析、基于数据驱动的损耗预测，以及损耗与传输磁能之间的双目标优化求解。

总体技术路线图

本文所采用的技术实施流程如下所示。整个流程从数据预处理出发，依次经过波形分类、方程修正、协同分析与预测建模，最终进入优化求解环节。

图1 总体技术路线图

模型假设与符号说明

• 假设1：实验数据真实可靠。
• 假设2：仅讨论两两因素之间的协同作用。

主要符号：

励磁波形分类模型构建

数据探索与预处理

首先对原始磁通密度序列进行清洗与 Z‑score 标准化处理。波形类别编码规则为：正弦波=1，三角波=2，梯形波=3。

图2 不同工况下第1、400、800个采样点的磁通密度变化

从图中可以直接观察到，在相同的采样间距下，温度、频率与波形类型均对磁通密度幅值产生显著影响。单个周期内的波形特征差异十分明显——正弦波平滑连续，三角波呈线性升降并带有尖锐转折，而梯形波则存在平稳段与快速上升/下降区段。

图3 不同温度/频率下单个周期的磁通密度变化

时域与频域特征提取

从每个磁通密度序列中共提取9个统计特征：最大值、最小值、峰峰值 diff、均值 mean、方差 var、偏度 skew、峰度 kurt、主频率 fft_max_freq 以及频谱能量 fft_energy。以下代码演示了部分时域特征的提取过程（修改变量命名并添加关键注释，均值、方差及频域计算部分已省略）。

随机森林特征筛选

采用随机森林的基尼重要性对所有特征进行排序，选择重要性得分高于0.1的特征——偏度与峰度——作为分类器的输入变量。

图4 基于随机森林的特征重要性得分

XGBoost分类及效果评估

以筛选出的两个特征构建 XGBoost 励磁波形分类器，并通过网格搜索优化 max_depth 与 min_child_weight 参数。

图5 材料1的模型超参数组合及分类准确率

采用8:2分层抽样划分训练集与测试集，四类材料的模型在 Precision、Recall 及 F1‑Score 上均达到100%。部分样本的波形识别结果如下：

值得注意的是，分类模型仅依赖两个反映分布形状的特征便实现了完美分类。这说明偏度与峰度确实是区分正弦波、三角波、梯形波的高效判别变量。

适用于温度变化的斯坦麦茨方程修正

原SE方程拟合与温度差异检验

对材料1正弦波数据进行非线性最小二乘拟合，得到：
P = 1.5 f^1.43 · Bm^2.47 ，R²=0.94，MSE=1,638,190,471.64。

图6 原SE方程实际损耗与拟合损耗对比

按25℃、50℃、70℃、90℃分组计算不同温度下的MSE，然后采用绝对误差的均值配对t检验。所有温度配对p值均小于0.05，说明原SE方程在不同温度下的预测误差存在显著差异——因此必须引入温度修正项。

温度修正方程

构建包含温度二次多项式的修正方程：
P = k1·fα1·Bmβ1·(1 + a·T + b·T²)

重新拟合后得到：
P = 1.72·f1.47·Bm2.45·(1 − 0.01·T + 6.97×10⁻⁵·T²)

修正模型的MSE降至134,806,625.10，R²接近1.00，预测值与实测值高度吻合。

图7 修正后SE方程实际损耗与拟合损耗对比

温度、波形与材料的协同影响分析

数据正态性检验与单因素影响

可视化结果显示，磁芯损耗的分布明显偏离正态分布（左侧拖尾），因此放弃方差分析，改用 Kruskal‑Wallis 非参数检验。

图8 不同工况下磁芯损耗的分布形态

KW检验结果表明，温度、励磁波形、材料各自对磁芯损耗的影响均极为显著（p值均约等于0）。以材料1、正弦波为例，损耗均值随温度升高而下降，标准差也随之减小。

图9 温度对磁芯损耗的影响（材料1，正弦波）

双因素协同作用的 SRH 检验

采用 Scheirer‑Ray‑Hare 检验评估两因素之间的交互效应。结果汇总如下：

可以看出，温度和波形、材料和波形之间均存在显著的协同作用；而温度与材料的交互作用虽显著，但效应相对较小。

图10 温度与励磁波形的协同作用对磁芯损耗的影响

双因素协同回归与最优工况

构建多元线性回归模型：
P = α1·T + α2·W + α3·M + β1·T·W + β2·T·M + β3·W·M + γ

系数显示，当温度为90℃，波形为正弦波（编码为1），材料为材料4时，预测损耗值最小。这为实际工程应用提供了一个明确的低损耗参数组合。

数据驱动的磁芯损耗预测

多维特征构建与加权筛选

除原有的9个序列特征外，补充频率、温度两个特征，并对材料类型与波形进行 one‑hot 编码，共获得17个特征。依次采用 Lasso、GBDT 与 RF 计算特征重要性，再对三者的得分进行加权平均，最终选取前7个特征——最大值、频率、fft_energy、方差、fft_max_freq、峰峰值差值 diff 以及温度——作为后续模型的输入变量。

图11 加权特征重要性得分（加权平均后）

四种回归器的对比与选择

对比随机森林回归器（RFR）、梯度提升回归器（GBR）、决策树回归器（DTR）以及极端随机树回归器（ETR），所有模型统一设置 n_estimators=100、max_depth=3。经过10次8:2随机划分后，ETR 在测试集上取得最低 MSE（1,200,609,274.04）与最高 R²（99.11%），因此被选为最终预测模型。

ETR 模型调优与最终预测

进一步对 ETR 进行网格搜索，调优 n_estimators（200）、max_depth（30）、min_samples_split（2）、min_samples_leaf（1），最终 MSE 降低至 1,145,699,300.81，R² 提升至 99.15%。代码片段如下（关键参数已修改，网格搜索的完整循环已省略）：

应用最优模型对附件3样本进行预测，部分预测值如下：

损耗与传输磁能双目标优化

问题转换

优化目标为磁芯损耗最小化与传输磁能（f·Bm）最大化——属于方向相反的寻优问题。将传输磁能取负值后与损耗相加，转换为单目标最小化问题：
Min (k1·fα1·Bmβ1·(1+a·T+b·T²) − f·Bm)

其中参数 k1,α1,β1,a,b 依据材料与波形从修正SE方程中选取。

SLSQP 求解

采用序列最小二乘规划（SLSQP）算法，设定温度集 {25,50,70,90}，频率区间 [50000,600000]，材料编号 {1,2,3,4}，波形类型 {1,2,3}。算法快速收敛，得到最优组合：

该结果验证了所建优化模型能够有效平衡效率与功率传输，为磁性元件的选型提供了定量依据。

模型评价与推广

优点

• 波形分类仅用两个特征即达到100%准确率，极大简化了辨识流程。
• 修正SE方程显著提升了多温度条件下的损耗预测能力。
• 多种特征筛选方法加权融合，增强了输入变量的可靠性。
• ETR 模型兼具高精度与较低的过拟合风险，非常适合序列型数据。
• 双目标优化通过目标函数符号转换，有效规避了复杂的多目标求解过程。

局限性与推广
XGBoost 在特征过少时的泛化性仍需进一步验证；加权特征重要性可能存在某一方法上的偏向性；优化模型的结果依赖于修正SE方程的精度。
不过，这套建模框架完全可以推广至电力系统故障诊断（利用波形分类）、新能源逆变器设计、高频变压器损耗评估等实际应用场景。

参考文献

[1] 吴健锋. 基于高频变压器纳米晶磁芯损耗分析与计算[J]. 科技创新与应用, 2019(09):16‑17.
[2] S J R, Adele C, R K M. Geometry- and Accuracy-Preserving Random Forest Proximities[J]. IEEE TPAMI, 2023.
[3] 王元庆, 李佳玥, 刘备等. 基于 XGBoost-SHAP 方法的建设项目碳排放空间异质性分析[J/OL]. 环境科学, 2024.
[4] 刘栋财, 董广宇, 杜玉红等. 基于网格搜索算法的 6-RUS 并联机器人时间最优轨迹规划[J]. 中国机械工程, 34(13):1589‑1598, 2023.
[5] Bai P, Chen Y, Chen L, et al. Research on the influence of bad working state on air traffic control effect based on multi-independent sample Kruskal-Wallis test[J]. JATM, 120102653‑102653, 2024.
[6] László S, Attila G, Zoltán K, et al. Eye-Tracker Analysis of the Contrast Sensitivity of Anomalous and Normal Trichromats: A Loglinear Examination with Landolt-C Figures[J]. Applied Sciences, 11(7):3200, 2021.
[7] 王玲, 康子豪. 基于时空组Lasso与分层贝叶斯时空模型的变量选择方法[J]. 地球信息科学学报, 25(07):1312‑1324, 2023.
[8] 张天瑞, 赵伟博, 周福强等. 一种基于改进极端梯度提升决策树的轴承故障诊断方法[J]. 重庆师范大学学报(自然科学版), 40(05):30‑39, 2023.
[9] 刘鑫, 严爱军. 数据驱动的未知线性离散系统双模模型预测控制[J/OL]. 控制与决策, 2024.
[10] 高晓光, 杨金旭. 基于差值损耗的谐振DC/DC变换器中集成磁件磁芯损耗测量方法[J/OL]. 电源学报, 2024.
[11] 赵磊, 刘成成, 汪友华. 谐波激励下软磁复合材料磁芯损耗的有限元计算[J]. 兵器材料科学与工程, 46(03):13‑21, 2023.
[12] Zhang D, Cai Y, Zhang Y, et al. Designing homogeneous and dense-packing magnetic composites with low core loss through ultrasonic compression[J]. JMMM, 610172525, 2024.

最后想说一句：本文作者 Xu Yang 曾为多家电力电子企业提供磁芯损耗建模咨询，多年深耕数据挖掘与工程优化领域，擅长将统计学习与物理模型深度融合，为工业场景提供切实可行的解决方案。希望这篇文章能够为你带来一些启发。