본 논문은 전력 전자 시스템의 디지털 트윈을 위한 새로운 하이브리드 프레임워크를 제시합니다. 실제 환경에서 전력 손실을 직접 측정하는 것이 어렵거나 불가능한 경우를 위해, 물리 기반 열 모델링과 데이터 기반 기법을 결합하여 온도 측정만으로 전력 손실을 정확하게 식별하고 보정하는 방법을 제안합니다. 이는 저차 열 모델을 통해 역전파하는 신경망을 이용하여 기존 전력 손실 모델의 출력을 보정하는 계단식 아키텍처를 활용합니다. 부트스트랩 피드포워드 신경망과 순환 신경망 두 가지 아키텍처를 비교 분석하여, 부트스트랩 피드포워드 방식이 실시간 응용을 위한 계산 효율성을 유지하면서 우수한 성능을 달성함을 보여줍니다. 안정성을 유지하고 물리적 일관성을 보장하기 위해 정규화 전략과 물리 기반 학습 손실 함수를 사용하였습니다. 실험 결과, 기존 물리 기반 방식에 비해 온도 추정 오차(7.2+-6.8°C에서 0.3+-0.3°C로) 및 전력 손실 예측 오차(5.4+-6.6W에서 0.2+-0.3W로)를 크게 감소시키는 것을 확인하였습니다. 센서 배치가 비용 및 물리적 제약으로 어려운 실시간 산업 응용 분야에 특히 유용합니다.
