人工智能 （AI）是过去几十年来最突出的研究领域之一，并且发展迅速。人工智能的目标是使系统具有像人类一样的学习 和推理能力。它具有多种优势，并已成功应用于各个工业领域，例如图像分类、语音识别、自动驾驶汽车、计算机视觉等。

电力电子中的人工智能

#电力电子技术#可能会极大地受益于人工智能的进步。用途很多，例如优化功率模块上散热器的设计、制作智能多色发光二极管控制器、控制风能转换系统的最大功率点跟踪（MPPT）、查找逆变器的问题、计算计算出超级电容器等电容器的剩余使用寿命（RUL）。 

人工智能可以将自我意识和自适应能力嵌入到电力电气系统中，从而提高系统的自主性。由于数据科学的快速发展，包括传感器技术、物联网 (IoT)、边缘计算、数字孪生和大数据分析，电力电子系统可以在其生命周期的多个阶段访问一系列数据。 

不断增长的数据量带来的巨大机遇为电力电子领域的人工智能奠定了坚实的基础。人工智能可以通过智能控制、系统健康状态估计、全局设计优化等方法，利用数据来提高产品竞争力。因此，电力电子研究可以从数据驱动的角度进行，这对于复杂和困难的应用尤其有利。

由于电力电子系统独特的困难和特点，例如控制的高调谐速度和老化检测的状态监测的高灵敏度，人工智能在电力电子中的应用不同于图像分类等其他工程学科。 

电力电子系统的人工智能功能和方法

图1总结了人工智能在电力电子领域的方法、功能和应用。人工智能已广泛融入电力电子系统的三个独立的生命周期阶段，包括设计、控制和维护。设计、控制和维护这三个独立的生命周期阶段与一项或多项人工智能活动相关。专家系统、模糊逻辑、元启发式方法和机器学习是人工智能应用的例子。 

图 1：人工智能在电力电子系统生命周期中的应用（图片由IEEE Transactions on Power Electronics提供）

在人工智能与电力电子应用之间，有一个功能层。人工智能主要有四个功能：优化、分类、回归和数据结构探索。

优化 

目标是在给定解决方案必须满足的约束、等式或不等式的情况下，通过最大化或最小化一组备选方案中的目标函数来找到理想的解决方案。例如，在设计工作中，优化被用作寻找 最佳参数集的工具，在考虑设计约束的同时最大化或最小化设计目标。

分类

它处理用k 个离散类之一标记输入数据或信息 。具体来说，维护中的异常检测和故障诊断是典型的分类任务，用于从状态监测数据中建立故障标签。

回归

回归试图通过建立输入变量和目标变量之间的关系，预测给定输入变量的一个或多个连续目标变量的值。例如，电输入信号和输出控制变量之间的回归模型可以促进智能控制器的发展。

数据结构探索

数据压缩将高维数据转换为低维数据以进行特征缩减，密度估计计算输入空间内数据的分布，数据聚类识别数据集中的相关数据组。例如，退化状态聚类属于维护中的数据结构探索领域。

图2 . 人工智能方法及其在电力电子系统生命周期各阶段应用的桑基图 统计使用情况和百分比基于回顾 1990 年以来电力电子领域人工智能每年的出版物数量获得的数据。（图片由IEEE电力电子学报）

图 2 是电力电子系统生命周期中人工智能方法的桑基图。其中，人工智能在设计、控制和维护中的应用分别占 9.8%、77.8% 和 12.4%。优化、分类、回归和数据结构探索分别占功能的 33.3%、6.6%、58.4% 和 1.7%。这表明回归和优化是电力电子中的主要人工智能任务。

人工智能中使用的许多方法大致可分为专家系统、模糊逻辑、元启发式技术和机器学习。它们的相对应用率分别为 0.9%、21.3%、32.0% 和 45.8%。这意味着机器学习占电力电子中人工智能的大部分。需要注意的是，调查是基于全面但并非详尽的调查进行的。调查仅考虑了电力电子中常用的相关人工智能方法。

总结要点

人工智能在电力电子中的集成有可能通过使系统具有类人的学习和推理能力来彻底改变该领域。人工智能可用于电力电子系统中超级电容器的控制调节、状态监测和剩余使用寿命预测。电力电子系统独特的难点和特点，例如高调谐速度和对老化检测的敏感性，需要专门的方法和功能来实现人工智能。基于人工智能的方法已成功应用于各个工业领域，包括图像分类、语音识别、自动驾驶汽车和计算机视觉。

人工智能 技术的不断发展，将使系统更加高效、可靠、性能提升、维护成本降低，这可能会改变电力电子的未来。