人工智能在电力电子中的应用

1. 引言

人工智能（Artificial Intelligence，AI）技术在电力电子领域的应用正迅速扩展，成为近几十年来最引人注目的研究方向之一。AI的目标是赋予系统类人的学习和推理能力。在电力电子系统中，AI技术展现出巨大潜力，已成功应用于功率模块散热器设计优化、智能LED控制器、风能转换系统最大功率点跟踪控制、逆变器异常检测以及超级电容器剩余使用寿命预测等多个方面。

通过实施AI技术，电力电子系统具备了自我感知和自适应能力，从而提高了系统的自主性。与此同时，传感技术、物联网（Internet of Things，IoT）、边缘计算、数字孪生和大数据分析等数据科学的快速发展，为电力电子系统的整个生命周期提供了丰富多样的数据。这些海量数据为AI在电力电子领域的应用奠定了坚实基础，使得AI能够通过全局设计优化、智能控制、系统健康状态估计等方式提高产品竞争力。

本研究共检索和分析了444篇相关期刊论文，用于生成统计数据和总体趋势分析。在此基础上，我们选取了其中174篇最具代表性和相关性的文献进行深入综述和讨论。本综述从生命周期的角度，将AI在电力电子中的应用分为三个方面：设计、控制和维护。图1显示了自1990年以来AI在电力电子领域相关出版物的年度数量统

从统计数据可以看出，AI在电力电子领域的应用呈现显著增长趋势，尤其在近几年经历了巨大发展。在三个应用方面中，控制领域的研究一直保持持续增长，是最活跃的研究方向。自2007年起，设计和维护方面的应用也呈现增长趋势，这一趋势在最近两年尤为明显。

2. AI在电力电子中的功能和方法

图2总结了AI在电力电子系统中的方法、功能和应用。

AI在电力电子系统中的应用可以分为四个基本功能：优化、分类、回归和数据结构探索。

2.1 优化

优化是指在给定约束条件下，从可用选项中找到使目标函数最大化或最小化的最优解。例如，在设计任务中，优化可用于探索满足设计约束的参数集，以最大化或最小化设计目标。

2.2 分类

分类涉及将输入信息或数据分配到k个离散类别之一。例如，维护中的异常检测和故障诊断就是一个典型的分类任务，根据条件监测信息确定故障标签。

2.3 回归

回归的目标是通过识别输入变量和目标变量之间的关系，预测一个或多个连续目标变量的值。例如，智能控制器可以通过输入电信号和输出控制变量之间的回归模型来实现。

2.4 数据结构探索

数据结构探索包括数据聚类、密度估计和数据压缩。数据聚类用于发现数据集内相似数据点的组群，密度估计用于确定输入空间内的数据分布，数据压缩将高维数据投影到低维数据以实现特征降维。例如，在维护中，退化状态聚类属于数据结构探索类别。

根据对444篇相关期刊论文的调查，图3展示了AI方法在电力电子系统生命周期各阶段的应用统计情况。

从统计数据可以看出，AI在设计、控制和维护三个阶段的应用比例分别为9.8%、77.8%和12.4%。在功能方面，优化、分类、回归和数据结构探索的比例分别为33.3%、6.6%、58.4%和1.7%。这表明AI在电力电子中的任务主要集中在回归和优化方面。AI方法可以大致分为专家系统、模糊逻辑、元启发式方法和机器学习四类，它们在应用中的比例分别为0.9%、21.3%、32.0%和45.8%。这说明机器学习是电力电子领域应用最广泛的AI方法。

图6总结了相关AI方法和电力电子应用的里程碑。

3. AI在电力电子设计中的应用

电力电子设计涉及拓扑选择、元件尺寸、电路综合和可靠性考虑等方面，本质上是一个优化任务。典型的电力电子系统设计程序包括以下四个步骤：目标公式化、约束空间、解决方案探索和性能评估。

AI方法可以应用于目标公式化以减少设计时间，以及解决方案探索以进行建模和优化。

在设计时间减少方面，AI方法可以用作目标公式化中的替代模型，以减少计算工作量。例如，在可靠性设计中，前馈神经网络（Feed-Forward Neural Network，FFNN）被用作替代模型，模拟功率转换器的热特性，将设计参数映射到结温变化信息。这种方法可以显著加速迭代设计过程。

在建模和优化方面，AI方法，特别是元启发式方法，被用于解决方案探索，提供整体最优配置。例如，遗传算法（Genetic Algorithm，GA）与有限元分析相结合，用于50kW三相逆变器散热器的自动化设计。图7展示了散热器设计中使用的九种不同单元模式。

粒子群优化（Particle Swarm Optimization，PSO）算法应用于电力电子电路的电路综合，探索满足设计目标的最佳静态和动态性能的元件值。

表I总结了电力电子领域常用的元启发式方法及其优缺点。

4. AI在电力电子控制中的应用

AI在电力电子控制应用中主要涉及优化和回归两个方面。优化相关任务与设计阶段类似，主要使用元启发式方法。例如，GA被应用于可编程逻辑控制器的PID调节，蚁群优化（Ant Colony Optimization，ACO）算法被用于部分阴影条件下光伏系统的最大功率点跟踪（Maximum Power Point Tracking，MPPT）。

回归相关任务主要处理系统输入和输出之间的非线性映射。AI方法可以克服传统控制方法的一些局限性，如对系统控制原理的深入了解要求、有限的适应性和对参数容差的处理能力等。

4.1 基于模糊逻辑的控制器

模糊逻辑控制器已广泛应用于电力电子系统的速度控制、MPPT和能量管理等方面。例如，在变速风力发电系统中，开发了一种基于三个模糊逻辑控制器的控制策略。图8展示了发电机速度规划控制器的结构。

4.2 基于神经网络的控制器

神经网络作为一种黑盒技术，可以以任意精度逼近各种非线性函数。基于神经网络的控制器具有鲁棒性、无模型、动态、自适应和通用逼近等优势。

常用的神经网络包括FFNN、径向基函数网络（Radial Basis Function Network，RBFN）等。为提高控制性能，还开发了一些改进变体，如模糊神经网络（Fuzzy Neural Network，FNN）和递归模糊神经网络（Recurrent Fuzzy Neural Network，RFNN）等。

图10展示了基于FNN的升压转换器控制器结构。

图11展示了基于自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System，ANFIS）的PWM逆变器馈电感应电机驱动直接转矩控制方案。

图12展示了用于线性微步进电机驱动器高精度轨迹跟踪控制的RFNN控制器结构。

4.3 基于强化学习的控制器

强化学习（Reinforcement Learning，RL）通过与物理系统或其仿真模型交互来学习面向目标的控制策略。它逐步积累经验，学习最大化预定义目标的特定控制策略。

图13展示了基于RL的风能转换系统MPPT控制器框架。

通过与环境交互的在线学习能力，RL在Q表中形成最优控制策略。Q表包含状态转移概率元素，可以在给定当前系统状态（包括当前电气输出功率和发电机转子速度）的情况下，提供最大化功率输出（或奖励）的操作（即预期的发电机转子速度）。

表IV总结了AI算法在控制应用中的优势和局限性。

5. AI在电力电子维护中的应用

尽管在设计和控制阶段已经考虑了可靠性特征，但由于复杂和恶劣的工作环境，电力电子系统仍面临各种风险甚至灾难性故障。电力电子元件、转换器和系统的可靠性和安全性对现场应用至关重要。在维护中，预防性活动包括状态监测、异常检测、故障诊断和剩余使用寿命（Remaining Useful Life，RUL）预测等，这些是确保系统正常运行的有效方法。

图14展示了电力电子系统维护活动的系统流程图。

维护活动主要包括三个部分：离线训练和知识学习、状态监测和健康评估、管理和决策。

在条件监测方面，AI方法可用于系统参数识别、数据预处理和特征挖掘。图15总结了无模型参数识别方法的框架。

图16展示了光伏面板健康诊断的参数识别方法的动态模型。

在异常检测和故障诊断方面，AI方法主要涉及分类、回归或聚类任务。图17展示了使用k均值聚类方法对不同功率MOSFET器件漏源导通电阻增量的滤波退化路径进行离散化的过程。

图18展示了基于FFNN的全桥二极管整流器异常检测方法。

在RUL预测方面，AI方法通常处理基于训练数据集的退化信息与相应RUL之间的非线性回归。图19展示了基于回声状态网络（Echo State Network，ESN）的功率MOSFET RUL预测方法。

图20展示了基于高斯过程回归的IGBT RUL预测方法。

表V总结了电力电子系统中典型AI算法及其变体在异常检测和故障诊断方面的特征。

6 结论与展望

本综述全面回顾了电力电子系统中现有的AI方法，并得出以下主要结论：

6.1 应用视角

从应用角度看，电力电子系统中的AI方法可分为设计、控制和维护三类。统计数据显示，这三个阶段的应用比例分别为9.8%、77.8%和12.4%。控制应用占据了主导地位，这反映了AI在实时系统控制和优化方面的巨大潜力。设计和维护应用虽然比例较小，但近年来呈现增长趋势，表明AI在这些领域的应用前景广阔。

6.2 方法视角

从方法角度看，电力电子系统中应用的AI方法可分为专家系统、模糊逻辑、元启发式方法和机器学习四类。使用比例分别为0.9%、21.3%、32.0%和45.8%。机器学习是电力电子领域应用最广泛的AI方法。

6.3 功能视角

从功能角度看，AI相关应用本质上处理优化、分类、回归和数据结构探索四种任务。其中，回归（58.4%）和优化（33.3%）是最主要的两类任务，反映了电力电子系统中对性能优化和非线性映射的高度需求。

6.4 挑战与机遇

尽管AI在电力电子领域取得了显著进展，但仍面临诸多挑战：AI在电力电子系统中的应用还有许多方面需要进一步研究和发展。首先,应用AI的动机和理由需要更加明确。其次,如何在系统生命周期的各个阶段实施AI技术仍需深入探讨。此外,多层次信息融合技术、适用于电力电子系统的轻量级AI算法,以及解决数据稀缺问题的精简型AI解决方案都有待开发。同时,提高AI算法的可解释性对增强其在安全关键应用中的可信度至关重要。数据隐私问题也需要更多关注。最后,建立专门针对电力电子领域的开放数据库和基准测试平台将有助于促进算法比较和应用开发。

6.5 未来展望

展望未来，AI在电力电子领域的应用将继续深化和扩展，表VI比较了AI在电力电子系统生命周期各阶段的应用要求。

AI将更深入地集成到电力电子系统的全生命周期中。与此同时，电力电子系统将具备更高度的自适应性、自优化能力和自主决策能力；促进电力电子与其他学科的深度融合；在提高能源效率、优化资源利用和延长系统寿命等方面发挥更大作用，并逐步实现标准化和规模化工业应用。