MagNet Challenge II

该项目围绕电力电子系统中的磁性器件建模问题，提出了一种基于 Seq2Seq LSTM 的时间序列预测框架，用于建模磁滞特性中复杂的 B(t) 与 H(t) 之间的动态关系。与传统基于周期平均或物理模型的方法不同，本方法直接在时间域上进行建模，能够捕捉磁性材料在 PWM 激励下的历史依赖性与非线性行为，从而更贴近真实应用场景。

在模型设计上，项目提出了两种核心结构：full-window 与 short-window。前者利用完整历史信息进行预测，后者则通过滑动窗口机制提取最相关的局部上下文，在减少冗余信息的同时提升泛化能力。此外，引入数据增强策略（滑动窗口与周期偏移）以及迁移学习方法，使模型能够在多种材料及少样本条件下快速适配。

为了进一步提升模型在磁饱和区域的鲁棒性，项目设计了一个 saturation-aware 辅助模块，用于缓解极端误差问题。在工程实现上，系统构建了完整的训练、推理与评估 pipeline，并支持多模型版本管理与快速实验迭代。最终模型在多个材料上实现了约 5–7% 的误差水平，表现出较强的精度与泛化能力。