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(shè)備使其始終工作在最佳效率點。這就是人工智能技術(shù)發(fā)揮作用的地方。

基于電力電子設(shè)備的廣泛應(yīng)用是可能的，因為它能夠以最高效率將電能轉(zhuǎn)換成有用的形式，如熱、光、運動和聲音。電機驅(qū)動器就是一個典型的例子，幾乎在每個行業(yè)都有應(yīng)用。超過 70% 的工業(yè)負載是電機負載，其中感應(yīng)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(guān)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(shè)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(shù)，如專家系統(tǒng)、模糊邏輯、人工神經(jīng)網(wǎng)絡(luò) (ANN) 和遺傳算法，最近已廣泛應(yīng)用于電力電子和電機驅(qū)動。這些人工智能技術(shù)的目標(biāo)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(shè)計成具有自學(xué)習(xí)、自適應(yīng)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(luò)在本質(zhì)上更通用，并且傾向于直接模擬生物神經(jīng)網(wǎng)絡(luò)。盡管人工神經(jīng)網(wǎng)絡(luò)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(luò)對電力電子和電機驅(qū)動產(chǎn)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(wù)，就像實際的神經(jīng)元一樣。人工神經(jīng)網(wǎng)絡(luò)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(yīng)用都使用前饋 ANN，但要使用電機驅(qū)動器精確控制和監(jiān)控電機，則使用反饋 ANN。

神經(jīng)網(wǎng)絡(luò)在核心電力電子中的作用

ANN 是電力電子設(shè)計、控制和應(yīng)用發(fā)展的下一步。它可用于不同的可再生能源應(yīng)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(yīng)用是并網(wǎng)光伏逆變器。ANN 網(wǎng)絡(luò)被用于改進光伏電池的設(shè)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(yīng)遲緩。在并網(wǎng)運行中，干擾非常頻繁，因此，這些控制器會導(dǎo)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(yīng)時間和轉(zhuǎn)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(qū)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(yù)測電池壽命并防止故障。

神經(jīng)網(wǎng)絡(luò)在感應(yīng)電機驅(qū)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(yīng)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(luò)有很大幫助的地方，因為它們可以被訓(xùn)練來解決具有可變參數(shù)的復(fù)雜非線性函數(shù)，這是傳統(tǒng)數(shù)學(xué)工具無法實現(xiàn)的。在感應(yīng)電動機的情況下，獲得最大效率的最佳轉(zhuǎn)子磁通是轉(zhuǎn)子軸速度和負載轉(zhuǎn)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(zhuǎn)子磁化電流預(yù)測和磁場控制的神經(jīng)網(wǎng)絡(luò)模型。

未來范圍

神經(jīng)網(wǎng)絡(luò)是人工智能中的一門廣泛學(xué)科，最近該領(lǐng)域取得了很大進展。目前，神經(jīng)網(wǎng)絡(luò)在電力電子和電機驅(qū)動中的使用受到限制，因為該技術(shù)相對年輕且可靠性低，盡管該技術(shù)在未來幾天具有巨大的前景。如今，這些技術(shù)面臨的主要挑戰(zhàn)是缺乏良好的訓(xùn)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(yīng)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(xué)習(xí)肯定會取代當(dāng)今的傳統(tǒng)控制方法。