Transformator-Rechner: Elektrische Leistung & KI-LLM-Architektur
Berechnen Sie Parameter für elektrische Leistungstransformatoren (Übersetzungsverhältnis, Strang- und Leiterspannungen, kVA-Dimensionierung, AWG-Leiterquerschnitt, Dreiphasen-Schaltgruppen Dyn11 oder Zickzack, Eisenverluste und Kurzschlussströme) oder ermitteln Sie Spezifikationen für KI-Transformator-Netze (Gesamt- und aktive Parameter für Dense-, MoE- und MLA-Netze, VRAM-Bedarf in FP16, INT4 und NVFP4, KV-Cache-Speicher, Trainingszustände und GPU-Hardware-Anforderungen).
Transformator-Entwicklungs-Workbench
Einheitliche Ingenieursuite fuer physikalische Leistungstransformatoren und KI-Neuronale-Netz-Architekturen.
Elektromagnetisches Auslegungs- und Wicklungslabor
Berechnen Sie Einphasen- und Dreiphasentransformatoren mit Kernabmessungen, Windungsverhaeltnissen, Leiterquerschnitten, Schaltgruppen und Kurzschlussstroemen.
Über Transformator-Rechner: Elektrische Leistung & KI-LLM-Architektur
Transformatoren bilden zwei tragende Saeulen der modernen Technologie: elektromagnetische Maschinen, die elektrische Leistung ueber weltweite Verteilnetze spannen, und tiefe neuronale Netzarchitekturen, die moderne kuenstliche Intelligenz antreiben. Dieser Rechner vereint beide Ingenieurdisziplinen in einer dualen Workbench.
In der Energietechnik uebertragen Leistungstransformatoren elektrische Wechselstromenergie durch elektromagnetische Induktion. Die Auslegung von Verteiltransformatoren erfordert die praezise Abstimmung von magnetischer Kernsaettigung, zulaessiger Stromdichte, Wicklungserwaermung und prospektiven Kurzschlussströmen.
In der kuenstlichen Intelligenz verarbeiten Transformator-Modelle sequentielle Daten ueber Aufmerksamkeitsmechanismen (Self-Attention). Die Vorausberechnung von Grafikspeicher-Bedarfen, das Skalieren des Key-Value-Caches ueber lange Kontextfenster und die Modellierung von Hardware-Bandbreiten verhindern Out-of-Memory-Abbrueche.
Fuer weiterfuehrende Auslegungen koennen Sie elektrische Berechnungen mit dem Stromkosten-Rechner kombinieren und Netzwerkstrukturen mit dem Subnetz-Rechner analysieren.
Schritt-für-Schritt-Praxisanleitung
- Waehlen Sie Ihren Fachbereich im Umschalter: Elektrisches Transformator-Labor oder KI / LLM Transformator-Engine.
- Waehlen Sie fuer elektrische Anlagen eine Voreinstellung wie 25 kVA Wohngebiet oder 75 kVA Dyn11, oder tragen Sie individuelle Betriebsspannungen ein.
- Passen Sie Frequenz, zulaessige Stromdichte und magnetische Flussdichte an, um Windungen pro Volt, Windungszahlen und AWG-Drahtstaerken zu berechnen.
- Pruefen Sie Kurzschlussströme und temperaturkorrigierte Kupferverluste bei regulaeren Grenztemperaturen von 75 deg C oder 115 deg C.
- Waehlen Sie fuer maschinelles Lernen eine Modellarchitektur wie LLaMA 3 8B, LLaMA 3 70B, Mixtral 8x7B oder DeepSeek-V3 671B.
- Justieren Sie Kontextlaenge, Batch-Groesse und Praezisionsformate von FP16 bis hin zu nativem NVFP4 oder 4-Bit GGUF.
- Kontrollieren Sie den Speichergraphen und die Hardware-Tabelle, um sicherzustellen, dass das Modell in Workstation- oder Server-GPUs passt.
- Kopieren Sie den formatierten technischen Bericht in die Zwischenablage oder exportieren Sie strukturierte CSV- und JSON-Berechnungsdaten.
Technische Spezifikationen und Ausführungsdetails
Ideales Übersetzungsverhältnis: Primaere Phasenspannung / Sekundaere Phasenspannung = Primaerwindungen / Sekundaerwindungen.
Dreiphasen-Scheinleistung: S = Wurzel(3) * Leiterspannung * Leiterstrom / 1000 (kVA).
Elektromagnetische Kerninduktionsgleichung: E = 4.44 * Frequenz * Windungen * Bmax * Kernflaeche.
Windungen pro Volt (TPV): 10000 / (4.44288 * Frequenz * Bmax * Kernflaeche in Quadratzentimetern).
Temperaturkorrektur des Kupferwiderstands: R(T2) = R(T1) * ((234.5 + T2) / (234.5 + T1)).
Prospektiver symmetrischer Kurzschlussstrom: Nennstrom / (Impedanz in Prozent / 100).
Standard-Aufmerksamkeitsparameter pro Schicht: Verborgene Dimension im Quadrat * (2 + 2 * (KV-Koepfe / Query-Koepfe)).
Multi-Head Latent Attention (MLA) komprimiert Key- und Value-Tensoren in einen gemeinsamen latenten Vektor (dc = 512).
KV-Cache-Speicherformel: Schichten * Batch-Groesse * Kontextlaenge * Cache-Elemente pro Token * Bytes pro Skalar.
Hardware-Decoding-Roofline: Maximaler Durchsatz = Speicherbandbreite (GB/s) / VRAM der Modellgewichte (GB).
Datenschutz und Speicherisolation
Alle Auslegungen und Tensorberechnungen laufen vollstaendig lokal in Ihrem Browser ueber clientseitiges JavaScript.
Weder firmeninterne Transformatorendaten noch vertrauliche Modellarchitekturen werden an externe Server uebertragen.
Typische Anwendungsfälle in der Praxis
- Elektroingenieure, die gewerbliche Verteiltransformatoren auslegen, Schaltgruppen pruefen und Kurzschlussleistungen dimensionieren.
- Leistungselektronik-Entwickler, die Windungen pro Volt, Ferritkerne und HF-Litze fuer Schaltnetzteile berechnen.
- Machine-Learning-Engineers, die GPU-Cluster-Kapazitaeten, Kontextgrenzen und Quantisierungen fuer lokale Modellbereitstellungen planen.
- Infrastrukturarchitekten, die Token-Durchsatzgrenzen auf NVIDIA Blackwell B200, H100 und RTX 4090 evaluieren.
Grenzfälle und Betriebsgrenzen
- Hochfrequenz-Kernsaettigung: Elektroblech oberhalb von 1 kHz fuehrt zu extremen Wirbelstromverlusten; Schaltnetzteile erfordern Ferritkerne mit maximal 0.25 Tesla.
- Skin-Effekt-Durchdringung: Ueberschreitet der Leiterdurchmesser die doppelte Eindringtiefe, draengt der Strom nach aussen; hier sind parallelisierte Litzen erforderlich.
- Extremer KV-Cache-Speicherbedarf: Standard-Aufmerksamkeitsmechanismen wachsen linear mit Kontext und Batch-Groesse; MLA Daempfung reduziert den Cache um das bis zu 56-Fache.
Häufig gestellte Fragen
Was ist der Unterschied zwischen Spannungsverhaeltnis und Windungsverhaeltnis bei Dreiphasentransformatoren?
Bei Einphasentransformatoren entspricht das Klemmen-Spannungsverhaeltnis dem physikalischen Windungsverhaeltnis. Bei Dreiphasentransformatoren weicht das Verhaeltnis der verketteten Leiterspannungen vom Wicklungs-Windungsverhaeltnis ab, je nachdem ob Stern- oder Dreieckschaltung vorliegt. Ein 480V-Dreieck zu 208V-Stern Transformator besitzt ein Leiterspannungsverhaeltnis von 2.31, jedoch ein Windungsverhaeltnis von 4.0, da die sekundaere Phasenwicklung 120V fuehrt.
Wie reduziert Multi-Head Latent Attention (MLA) den KV-Cache VRAM-Bedarf bei LLMs?
Standard-Attention speichert vollstaendige Key- und Value-Tensoren fuer jede Schicht und jedes Token. Multi-Head Latent Attention komprimiert Keys und Values in einen gemeinsamen niedrigdimensionalen latenten Vektor und einen entkoppelten Positions-Key. Waehrend der Textgenerierung werden Keys und Values dynamisch rekonstruiert, was den Cache-Speicherbedarf gegenueber regulaerer Multi-Head Attention um bis zu das 56-Fache verringert.
Wie berechne ich die kVA eines Transformators aus Leiterspannung und Laststrom?
Fuer Einphasentransformatoren multiplizieren Sie Leiterspannung mit Strom und dividieren durch 1.000. Fuer Dreiphasensysteme multiplizieren Sie die verkettete Spannung mit dem Leiterstrom, multiplizieren mit der Wurzel aus drei (1.732) und teilen durch 1.000. Ein dreiphasiger 480V-Stromkreis mit 90 Ampere Laststrom benoetigt demnach eine Bemessungsleistung von etwa 75 kVA.
Was ist der Unterschied zwischen Gesamtparametern und aktiven Parametern bei MoE-Modellen?
Gesamtparameter repraesentieren alle Gewichte des neuronalen Netzes, die vollstaendig im GPU-Grafikspeicher geladen sein muessen. Aktive Parameter bezeichnen den Teil der Gewichte, der fuer ein einzelnes Token tatsaechlich berechnet wird. DeepSeek-V3 haelt 671 Milliarden Parameter im VRAM, aktiviert pro Token jedoch nur 37 Milliarden Parameter und erzielt so die Latenz eines deutlich kompakteren Netzes.
Wie beeinflusst die Temperatur den Kupferwiderstand und die Wicklungsverluste?
Der elektrische Widerstand von Kupfer steigt um etwa 0.393 Prozent pro Grad Celsius. Bei einer Betriebstemperatur von 75 deg C erhoeht sich der Wicklungswiderstand um 21.6 Prozent gegenueber 20 deg C Raumtemperatur. Bei der Isolationsgrenze von 115 deg C steigt der Widerstand um 37.3 Prozent, was die stromabhaengigen Kupferverluste entsprechend vergroessert.
Wie viel VRAM benoetigt ein 70B Modell in FP16, INT4 und NVFP4?
In 16-Bit-Halbpraezision (FP16) benoetigt ein Modell mit 70 Milliarden Parametern etwa 131 GB VRAM allein fuer die Gewichte. Eine 4-Bit-Quantisierung (INT4) reduziert diesen Speicherbedarf auf rund 36 GB. Das native NVIDIA Blackwell NVFP4-Format erfordert rund 37 GB, sodass das Modell vollstaendig auf zwei 24GB-Grafikkarten betrieben werden kann.
Was ist die relative Kurzschlussspannung (%Z) und wie bestimmt sie den Kurzschlussstrom?
Die relative Kurzschlussspannung gibt an, wie viel Prozent der primaeren Nennspannung erforderlich sind, um bei kurzgeschlossener Sekundaerwicklung den Nennstrom hervorzurufen. Teilt man den Bemessungsstrom durch den Dezimalwert der Impedanz, erhaelt man den prospektiven symmetrischen Kurzschlussstrom. Ein 75 kVA Trafo mit 4.5% Impedanz und 208 A Nennstrom erzeugt im Fehlerfall 4.626 A.
Warum erfordern hohe Frequenzen in Schaltnetzteilen Ferritkerne und HF-Litze?
Bei Frequenzen ueber 20 kHz erleiden klassische Eisenbleche massive Wirbelstrom- und Hystereseverluste, die zur thermischen Zerstoerung fuehren. Ferritwerkstoffe weisen einen hohen elektrischen Eigenwiderstand auf und begrenzen die Erwaermung. Gleichzeitig verdraengt der Skin-Effekt den Strom an die Leiteroberflaeche, weshalb isolierte Litzendraehte unverzichtbar sind.
Wie berechnet man Trainings-FLOPs nach dem Chinchilla-Skalierungsgesetz?
Der Vorwaertspass erfordert zwei Gleitkommaoperationen pro Parameter und Token. Die Rueckwaertspropagierung beansprucht vier weitere Operationen, woraus sechs Rechenoperationen pro Parameter und Token resultieren. Nach Chinchilla erfordert das Training eines 8 Milliarden Parameter Modells auf 15 Billionen Tokens rund 723 ZettaFLOPs Gesamtrechenleistung.