Python用XGBoost、梯度提升树、Lasso与极端随机树ETR功率变换器磁芯损耗建模及SLSQP优化 | 附数据代码

全文链接：https://tecdat.cn/?p=45783原文出处：拓端数据部落公众号

关于分析师

在此对 Xu Yang 对本文所作的贡献表示诚挚感谢，他完成了管理科学与工程专业的硕士学位，专注数据挖掘、机器学习领域。擅长 Python、MySQL、RPA、PyTorch，在文本挖掘与情感分析方面有丰富实践。曾在浙江汇信担任数据分析师，在杭州奇点云从事数据开发，主导多个基于深度学习的数据驱动建模项目。

整体技术脉络

原始磁通密度与工况数据
│
├─ 数据预处理 (标准化、标签编码)
│  └─ 时域/频域特征提取 → 随机森林筛选 → 偏度、峰度
│     └─ XGBoost励磁波形分类 → 准确率100%
│
├─ 斯坦麦茨方程 (SE) 拟合与温度差异性检验
│  └─ 引入温度多项式修正 → 修正SE MSE大幅降低
│
├─ 非参数检验 (KW检验、SRH检验)
│  └─ 双因素协同作用模型 → 最优工况 (90℃, 正弦波, 材料4)
│
├─ 加权特征筛选 (GBDT+Lasso+RF)
│  └─ 极端随机树 (ETR) 磁芯损耗预测 → R²=99.15%
│
└─ 双目标优化 (最小损耗+最大传输磁能)
   └─ SLSQP求解最优参数 → 50000Hz、90℃、材料1、三角波

功率变换器的高频化、高功率密度化趋势对磁性元件损耗评估提出了严苛要求。传统物理模型（如斯坦麦茨方程）难以适应多工况、多材料条件下的精确预测（点击文末“阅读原文”获取完整智能体、代码、数据、文档）。

引言

本文基于一次为某电力电子企业完成的磁芯损耗建模咨询项目，提炼出一套从波形识别、方程修正、因素交互分析到数据驱动预测和双目标优化的完整建模方案。全文综合运用 XGBoost、随机森林、梯度提升树、Lasso 和极端随机树等算法，并采用非参数统计检验剖析温度、波形与材料的协同作用；最后通过 SLSQP 算法同步求解最小磁芯损耗与最大传输磁能的最优工况。整套代码与数据可供复现，文中每一环节均附有关键实现片段与结果解读，力求让读者既能理解方法论，又可直接复用至类似工程场景。

阅读原文进群获取本文完整代码数据及更多最新AI见解和行业洞察，可与900+行业人士交流成长；还提供人工答疑，拆解核心原理、代码逻辑与业务适配思路；遇代码运行问题，更能享24小时调试支持。

问题重述

磁性元件损耗受材料、温度、波形、频率、磁通密度峰值等多因素耦合影响，传统解析模型精度不足。本文需依次完成：励磁波形辨识、斯坦麦茨方程温度修正、多因素协同分析、数据驱动损耗预测以及损耗‑传输磁能双目标优化。

相关文章

DeepSeek、LangGraph和Python融合LSTM、RF、XGBoost、LR多模型预测NFLX股票涨跌|附完整代码数据

原文链接：https://tecdat.cn/?p=44060

总体技术路线图

本文的技术实施流程如下。

图1 总体技术路线图

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

模型假设与符号说明

• 假设1：实验数据真实可靠。

• 假设2：只讨论两两因素之间的协同作用。

主要符号：

符号

含义

励磁波形分类模型构建

数据探索与预处理

对原始磁通密度序列进行清洗与 Z‑score 标准化。波形类别编码为：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

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

同一采样间距下，温度、频率、波形均显著影响磁通密度幅值。单个周期波形特征明显——正弦波平滑连续，三角波线性升降且带尖锐转折，梯形波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

点击标题查阅往期内容

以下是关于 XGBoost 的精选文章和研究报告，涵盖 算法原理、应用场景、性能优化及行业实践 等核心方向，并附原文链接及关键内容解读：

1. XGBoost基础理论与金融风控应用

• 文章标题: Python贷款违约预测: Logistic、XGBoost、LightGBM、贝叶斯调参/GridSearchCV调参

• 链接: 点击阅读

• 核心内容:

• • 模型优势：XGBoost通过二阶泰勒展开优化损失函数，在信用卡欺诈检测中AUC达0.92，较逻辑回归提升25%[1]。

  • 调参策略：贝叶斯优化自动调整max_depth和learning_rate，训练时间缩短40%[1]。

2. XGBoost与LSTM融合的时序预测

• 文章标题: Python对商店数据进行LSTM和XGBoost销售量时间序列建模预测分析

• 链接: 点击阅读

• 核心内容:

• • 技术融合：XGBoost处理静态特征（如促销活动），LSTM捕捉动态时序模式，融合模型在零售销量预测中RMSE降低30%[3]。

3. 医疗领域的XGBoost特征选择

• 文章标题: 抗乳腺癌药物优化：XGBoost特征选择与模型解释

• 链接: 点击阅读

• 核心内容:

• • 关键特征：XGBoost筛选出5个分子描述符（如LogP值），解释药物生物活性的82%方差，指导药物设计[1]。

4. 工业质量管控中的XGBoost应用

• 文章标题: 2025制造业质量管控：XGBoost与CNN的混合检测框架

• 链接: 点击阅读

• 核心内容:

• • 缺陷检测：XGBoost分类器处理结构化工艺参数，CNN分析图像缺陷，混合模型准确率95%，误检率降低50%[4]。

5. XGBoost的可解释性分析（SHAP）

• 文章标题: 2025AI可解释性报告：SHAP解析XGBoost金融风控决策

• 链接: 点击阅读

• 核心内容:

• • 决策透明化：SHAP值揭示“历史逾期次数”和“收入负债比”是信贷拒贷的核心因素，权重占比超60%[5]。

延伸工具与数据

• 开源库:

• • xgboost官方库支持GPU加速和自定义损失函数。

  • shap库提供特征贡献可视化。

• 案例库: 《XGBoost实战10例》含金融、医疗、零售等完整代码

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

时域与频域特征提取

从每个磁通密度序列中提取9个统计特征：max、min、峰峰值 diff、均值 mean、方差 var、偏度 skew、峰度 kurt、主频率 fft_max_freq 和频谱能量 fft_energy。以下代码演示了部分时域特征的提取（修改变量命名并添加重要注释，省略了均值、方差、频域计算等部分）。

随机森林特征筛选

运用随机森林（RF）的基尼重要性对所有特征进行排序，选择重要性高于0.1的特征（偏度和峰度）输入分类器。

图4 基于随机森林的特征重要性得分

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

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，并使用网格搜索调优 max_depth 与 min_child_weight。

图5 材料1的模型超参数组合及分类准确率

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

按8:2分层抽样训练、测试，四类材料的模型在 Precision、Recall、F1‑Score 上均达到100%。附件2中部分样本的波形识别结果如下：

样本序号

1

5

15

25

35

45

65

75

80

分类模型仅使用两个反映分布形状的特征便实现完美分类，表明偏度与峰度是区分正弦、三角、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

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

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<0.05，表明原SE方程在不同温度下的预测误差存在显著差异，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

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

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

可视化发现磁芯损耗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

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

KW检验结果表明，温度、励磁波形、材料三者各自对磁芯损耗的影响均极其显著（p值均≈0）。以材料1、正弦波为例，损耗均值随温度升高而下降，标准差亦随之减小。

图9 温度对磁芯损耗的影响（材料1，正弦波）

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

双因素协同作用的 SRH 检验

利用 Scheirer‑Ray‑Hare 检验评估两因素的交互效应。结果汇总如下：

交互项

H统计量

p值

温度和波形、材料和波形之间均存在显著协同作用；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

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

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，当温度取90℃、波形为正弦波（编码1）、材料为材料4时，预测损耗值最小。这为实际应用提供了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9个序列特征外，补充频率、温度，并对材料和波形采用 one‑hot 编码，共17个特征。先后以 Lasso、GBDT、RF 各自计算特征重要性，再对三者得分进行加权平均，取前7个特征（max、频率、fft_energy、var、fft_max_freq、diff、温度）作为后续模型输入。

图11 加权特征重要性得分（加权平均后）

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

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）和极端随机树回归器（ETR），所有模型统一设置 n_estimators=100、max_depth=3。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）和最高 R²（99.11%），被选为最终预测模型。

ETR 模型调优与最终预测

进一步网格搜索 ETR 的 n_estimators（200）、max_depth（30）、min_samples_split（2）、min_samples_leaf（1），最终 MSE 进一步降至 1,145,699,300.81，R² 达到 99.15%。代码片段如下（关键参数已修改，省略了网格搜索的完整循环）：

用最优模型预测附件3样本，部分预测值如下：

样本序号

16

76

98

126

168

230

271

338

348

379

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且传输磁能（f·Bm）最大化，属于相反方向的寻优。将传输磁能取负值后与损耗相加，转换为单目标最小化：Min (k1·fα1·Bmβ1·(1+a·T+b·T²) − f·Bm)

其中参数 k1,α1,β1,a,b 依据材料、波形从修正SE方程中选取。

SLSQP 求解

采用序列最小二乘规划（Sequential Least Squares Programming, SLSQP）算法，约束温度集 {25,50,70,90}，频率区间 [50000,600000]，材料 {1,2,3,4}，波形 {1,2,3}。算法快速收敛，得到最优组合：

频率 (Hz)

温度 (℃)

材料

励磁波形

最小损耗

最大传输磁能

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

模型评价与推广

优点

• 波形分类只用两个特征即达100%准确率，极大精简了辨识流程。

• 修正SE方程显著提升了多温度下的损耗预测能力。

• 利用多种特征筛选方法加权融合，提高了输入变量的可靠性。

• ETR 模型具有高精度和较低过拟合风险，适用于序列型数据。

• 双目标优化通过目标函数符号转换，有效避免了复杂的多目标求解。

局限性与推广XGBoost 在特征过少时泛化性需验证；加权特征重要性可能存在某一方法偏向；优化模型依赖于修正SE的精度。该建模框架可推广至：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.

本文配套的论文建模可直接套用的完整代码包、实证分析，可加小助手微信：tecdat_cn领取，我们可提供全流程的学术辅助、1v1建模陪跑服务，助力顺利完成科研、通过答辩。

作者 Xu Yang 曾为多家电力电子企业提供磁芯损耗建模咨询，拥有多年数据挖掘与工程优化经验，擅长将统计学习与物理模型融合，为工业场景提供可落地的解决方案。

本文中分析的完整智能体、数据、代码、文档分享到会员群，扫描下面二维码即可加群！ 

资料获取

在公众号后台回复“领资料”，可免费获取数据分析、机器学习、深度学习等学习资料。

点击文末“阅读原文”

获取完整智能体、

代码、数据和文档。