总结

本文采用了 “方法—功能—应用”三层逻辑结构，整体上呈现出以“全生命周期”为主线、以“AI方法分类”为基础、以“四项核心功能”为桥梁的清晰论述框架。

顶层设计：以电力电子系统全生命周期为组织主线

文章将人工智能在电力电子中的应用划分为三个阶段：

  • 设计（Design）
  • 控制（Control）
  • 维护（Maintenance）

这三个阶段构成了全文的主体结构（第 III–V 节），也对应电力电子系统从开发到退役的完整生命周期。

方法基础：将 AI 技术系统分类为四大类

在进入具体应用前（第 II 节），文章首先对 AI 方法进行了系统梳理，划分为四类：

  • 专家系统（Expert System）
    • 基于规则和布尔逻辑，依赖专家知识库。
    • 应用比例极低（仅 0.9%），因缺乏通用性，多被更先进的方法取代。
  • 模糊逻辑（Fuzzy Logic）
    • 扩展布尔逻辑至多值逻辑，适用于处理不确定性和噪声。
    • 包括 Mamdani 型和 TSK 型推理结构。
    • 需要专家经验设计隶属函数和规则。
  • 元启发式方法（Metaheuristic Methods）
    • 主要用于优化问题（如 GA、PSO、ACO 等）。
    • 分为轨迹型（如模拟退火）和种群型（如遗传算法、蚁群优化），后者在电力电子中更主流。
    • 适用于非凸、高维、无梯度信息的复杂优化任务。
  • 机器学习（Machine Learning）
    • 占比最高（45.8%），进一步细分为：
    • 监督学习（分类与回归，如 NN、SVM、ANFIS）
    • 无监督学习（聚类与降维，如 PCA、SOM）
    • 强化学习（如 Q-learning，用于 MPPT 等动态决策）

功能桥梁：四项 AI 核心功能贯穿始终

文章指出，所有 AI 应用本质上都服务于以下四种功能（第 II 节）：

  • 优化（Optimization）：主要用于设计和部分控制（如 PID 调参、MPPT）。
  • 分类（Classification）：主要用于故障诊断、异常检测。
  • 回归（Regression）：用于建模、预测（如 RUL 预测、热建模）。
  • 数据结构探索（Data Structure Exploration）：如聚类健康状态、降维特征，仅由机器学习实现。
    这四项功能并非独立章节，而是融合在方法介绍和三阶段应用中。例如：
    在“控制”部分，模糊逻辑和神经网络常用于回归（建立输入-输出非线性映射）；
    在“维护”部分，SVM 或 CNN 用于分类（故障诊断），而高斯过程用于回归（RUL 预测）。

应用展开：三阶段 + 多方法 + 功能融合

每阶段都结合前述四类 AI 方法，通过大量实例（>500 篇文献）说明如何实现特定功能：

  • 设计阶段：以优化为主，如用 GA 优化散热器布局，用 NN 构建热-寿命代理模型加速可靠性设计。
  • 控制阶段：以回归与优化为主，如用 ACO 实现阴影条件下光伏 MPPT，用 RNN 实现动态电压控制。
  • 维护阶段：涵盖分类、回归、数据结构探索，如用 ESN 预测 MOSFET 剩余寿命（回归），用 PCA+SVM 诊断逆变器故障（分类+特征提取）。

下图是电力电子系统生命周期各阶段的人工智能方法和应用的Sankey图。

img20251114007

设计阶段

文章指出，电力电子系统的设计本质上是一个优化问题，涉及拓扑选择、元器件选型、电路合成、可靠性考量等多个方面。

典型的 AI 辅助设计流程包括四个步骤：

  • 目标函数构建（Objective Formulation）：将设计目标（如体积、重量、损耗、成本等）转化为可优化的数学表达式，可为单目标或含权重的多目标形式；
  • 约束空间定义（Constraint Space）：根据实际工程限制（如几何尺寸、热限、寿命、成本等）设定可行域；
  • 解空间探索（Solution Exploration）：在约束条件下搜索最优或次优参数组合；
  • 性能评估（Performance Evaluation）：通过仿真、硬件在环（HIL）或样机实验验证设计方案。

AI 主要在目标函数构建（对应设计加速）和解空间探索（对应建模与优化）两个环节发挥作用。

设计时间减少：AI 作为代理模型（Surrogate Model）

为避免在迭代设计中反复调用高计算成本的物理模型（如有限元热仿真、电热耦合模型），AI（尤其是监督学习中的神经网络）被用作代理模型，以数据驱动方式快速近似系统行为，显著提升设计效率。文献中列举了三个典型例子：

  • 可靠性导向设计（DfR）中的热-寿命建模：
    文献[80]采用两个前馈神经网络（FFNN）构建级联代理模型：第一个 FFNN 将设计参数映射到结温波动，第二个 FFNN 将任务剖面（如日照、环境温度）映射到年寿命损耗。该方法实现了设计参数与寿命之间的定量关联，大幅加速可靠性迭代设计。
  • 考虑热耦合效应的热建模：
    文献[109]使用带外生输入的非线性自回归网络（NARX），对功率变换器的热动态进行建模。该模型能捕捉器件间的热交叉耦合效应，建模耗时仅约 109 秒（传统方法需 1005 秒），且温度预测误差小于 1°C，可高效替代高保真热仿真。
  • MOSFET 行为建模：
    文献[79]利用 FFNN 构建 MOSFET 的紧凑型电热行为模型，无需了解器件内部结构，即可准确刻画 VDS 、VGS 、ID 与结温 Tj 之间的非线性、温度依赖关系，显著加速电路级仿真。

这些应用均利用监督学习的回归能力，将高维输入（设计变量/工况）映射到关键输出（温度、寿命、器件特性），实现“计算换时间”。

建模与优化：AI 驱动参数与拓扑寻优

在解空间探索阶段，AI（主要是元启发式算法）用于在复杂、非凸、多约束的设计空间中自动搜索最优配置。其优势在于不依赖梯度信息，适用于难以解析建模的工程问题。
典型应用包括：

  • 散热器结构优化：
    文献[3]将遗传算法（GA）与有限元分析结合，对 50 kW 三相逆变器散热器的单元图案（共 9 种候选）进行组合优化，目标是最小化半导体结温。相比传统规则结构，优化后的散热器体积减小 27%，结温降低 6%。
  • 微电网多目标设计：
    文献[62]针对 500 kW 光伏微电网，以最大化平均功率分配与最小化系统重量为双目标，使用 GA 结合 Pareto 前沿方法优化电池电压、光伏峰值功率、串并联数等参数，实现性能与重量的平衡。
  • 电路合成与参数整定：
    文献[45]使用粒子群优化（PSO）自动搜索功率电子电路中元件参数，以满足静态与动态性能指标，相比 GA 计算效率更高；
    文献[70]将蚁群优化（ACO）扩展用于连续变量优化，自动确定电路元件最优值，并考虑元件容差，提升方案实用性。

此类应用凸显了元启发式方法（尤其是 GA、PSO、ACO）在全局搜索、处理离散/连续混合变量、融合多目标与工程约束方面的强大能力。