隨著外部條件的不斷變化，傳統(tǒng)的控制方法無法實現(xiàn)控制電力電子設備使其始終工作在最佳效率點。這就是人工智能技術發(fā)揮作用的地方。

基于電力電子設備的廣泛應用是可能的，因為它能夠以最高效率將電能轉換成有用的形式，如熱、光、運動和聲音。電機驅動器就是一個典型的例子，幾乎在每個行業(yè)都有應用。超過 70% 的工業(yè)負載是電機負載，其中感應電機占主要部分。因此，這些電機的精確控制對于工業(yè)來說很重要，因為它可以為他們節(jié)省大量的金錢和資源。所有這些高頻開關器件都需要精確控制才能正常工作。隨著外部條件的不斷變化，控制電力電子設備使其始終以最佳效率點(BEP)運行是傳統(tǒng)控制方法無法實現(xiàn)的。

人工智能技術，如專家系統(tǒng)、模糊邏輯、人工神經(jīng)網(wǎng)絡 (ANN) 和遺傳算法，最近已廣泛應用于電力電子和電機驅動。這些人工智能技術的目標是在機器中建立一個具有類人智能的控制系統(tǒng)。這些系統(tǒng)被設計成具有自學習、自適應和自組織的能力。雖然專家系統(tǒng)和模糊邏輯是更多基于規(guī)則的系統(tǒng)，但神經(jīng)網(wǎng)絡在本質上更通用，并且傾向于直接模擬生物神經(jīng)網(wǎng)絡。盡管人工神經(jīng)網(wǎng)絡從 1940 年代就已經(jīng)存在，但它們僅在 2000 年代初期才取得重大進展。在人工智能的所有分支中，人工神經(jīng)網(wǎng)絡對電力電子和電機驅動產生了最大的影響之一。

ANN 可以被認為是生物神經(jīng)元的機器副本，ANN 的不同部分執(zhí)行不同的任務，就像實際的神經(jīng)元一樣。人工神經(jīng)網(wǎng)絡通常有兩種類型：前饋型和反饋型。電力電子中的大多數(shù)應用都使用前饋 ANN，但要使用電機驅動器精確控制和監(jiān)控電機，則使用反饋 ANN。

神經(jīng)網(wǎng)絡在核心電力電子中的作用

ANN 是電力電子設計、控制和應用發(fā)展的下一步。它可用于不同的可再生能源應用，如并網(wǎng)逆變器、太陽能光伏逆變器和充電站。最近取得了很大進展的一種應用是并網(wǎng)光伏逆變器。ANN 網(wǎng)絡被用于改進光伏電池的設計、操作和維護。傳統(tǒng)的光伏控制器使用 PI 控制器或 PR 算法，它們有時對突發(fā)干擾的響應遲緩。在并網(wǎng)運行中，干擾非常頻繁，因此，這些控制器會導致運行效率和精度的損失。將 AI 算法添加到控制器后，可以提高對擾動的響應時間和轉換器的精度。

人們不使用電動汽車的主要原因之一是車輛充滿電所需的充電時間較長。人工智能驅動的智能電動汽車充電系統(tǒng)通過有效監(jiān)控充電電流、電池類型和其他充電參數(shù)來優(yōu)化充電，從而更快地為電池充電。充電時的持續(xù)監(jiān)控也將有助于預測電池壽命并防止故障。

神經(jīng)網(wǎng)絡在感應電機驅動中的作用

通過在給定的速度和扭矩值下保持適量的磁通，可以最大限度地減少感應電機的損耗，以便在低負載條件下找到 BEP。但是在完整的動態(tài)環(huán)境中確定合適的通量是工程師面臨的主要挑戰(zhàn)。

這就是神經(jīng)網(wǎng)絡有很大幫助的地方，因為它們可以被訓練來解決具有可變參數(shù)的復雜非線性函數(shù)，這是傳統(tǒng)數(shù)學工具無法實現(xiàn)的。在感應電動機的情況下，獲得最大效率的最佳轉子磁通是轉子軸速度和負載轉矩的非線性函數(shù)，并且機器參數(shù)隨著機器溫度的升高而變化。因此，可以使用用于最佳轉子磁化電流預測和磁場控制的神經(jīng)網(wǎng)絡模型。

未來范圍

神經(jīng)網(wǎng)絡是人工智能中的一門廣泛學科，最近該領域取得了很大進展。目前，神經(jīng)網(wǎng)絡在電力電子和電機驅動中的使用受到限制，因為該技術相對年輕且可靠性低，盡管該技術在未來幾天具有巨大的前景。如今，這些技術面臨的主要挑戰(zhàn)是缺乏良好的訓練集和數(shù)據(jù)。專門為此目的生成數(shù)據(jù)并不經(jīng)濟，因此可以研究需要較少處理能力的低數(shù)據(jù)高精度模型，以供行業(yè)適應和實施。隨著越來越多的行業(yè)尋求可持續(xù)性以及工業(yè) 4.0 即將到來，人工智能和機器學習肯定會取代當今的傳統(tǒng)控制方法。