神经网络在核心电力电子和电机驱动中的应用

随着外部条件的不断变化，传统的控制方法无法实现控制电力电子设备使其始终工作在最佳效率点。这就是人工智能技术发挥作用的地方。

基于电力电子设备的广泛应用是可能的，因为它能够以最高效率将电能转换成有用的形式，如热、光、运动和声音。电机驱动器就是一个典型的例子，几乎在每个行业都有应用。超过 70% 的工业负载是电机负载，其中感应电机占主要部分。因此，这些电机的精确控制对于工业来说很重要，因为它可以为他们节省大量的金钱和资源。所有这些高频开关器件都需要精确控制才能正常工作。随着外部条件的不断变化，控制电力电子设备使其始终以最佳效率点(BEP)运行是传统控制方法无法实现的。

人工智能技术，如专家系统、模糊逻辑、人工神经网络 (ANN) 和遗传算法，最近已广泛应用于电力电子和电机驱动。这些人工智能技术的目标是在机器中建立一个具有类人智能的控制系统。这些系统被设计成具有自学习、自适应和自组织的能力。虽然专家系统和模糊逻辑是更多基于规则的系统，但神经网络在本质上更通用，并且倾向于直接模拟生物神经网络。尽管人工神经网络从 1940 年代就已经存在，但它们仅在 2000 年代初期才取得重大进展。在人工智能的所有分支中，人工神经网络对电力电子和电机驱动产生了最大的影响之一。

ANN 可以被认为是生物神经元的机器副本，ANN 的不同部分执行不同的任务，就像实际的神经元一样。人工神经网络通常有两种类型：前馈型和反馈型。电力电子中的大多数应用都使用前馈 ANN，但要使用电机驱动器精确控制和监控电机，则使用反馈 ANN。

神经网络在核心电力电子中的作用

ANN 是电力电子设计、控制和应用发展的下一步。它可用于不同的可再生能源应用，如并网逆变器、太阳能光伏逆变器和充电站。最近取得了很大进展的一种应用是并网光伏逆变器。ANN 网络被用于改进光伏电池的设计、操作和维护。传统的光伏控制器使用 PI 控制器或 PR 算法，它们有时对突发干扰的响应迟缓。在并网运行中，干扰非常频繁，因此，这些控制器会导致运行效率和精度的损失。将 AI 算法添加到控制器后，可以提高对扰动的响应时间和转换器的精度。

人们不使用电动汽车的主要原因之一是车辆充满电所需的充电时间较长。人工智能驱动的智能电动汽车充电系统通过有效监控充电电流、电池类型和其他充电参数来优化充电，从而更快地为电池充电。充电时的持续监控也将有助于预测电池寿命并防止故障。

神经网络在感应电机驱动中的作用

通过在给定的速度和扭矩值下保持适量的磁通，可以最大限度地减少感应电机的损耗，以便在低负载条件下找到 BEP。但是在完整的动态环境中确定合适的通量是工程师面临的主要挑战。

这就是神经网络有很大帮助的地方，因为它们可以被训练来解决具有可变参数的复杂非线性函数，这是传统数学工具无法实现的。在感应电动机的情况下，获得最大效率的最佳转子磁通是转子轴速度和负载转矩的非线性函数，并且机器参数随着机器温度的升高而变化。因此，可以使用用于最佳转子磁化电流预测和磁场控制的神经网络模型。

未来范围

神经网络是人工智能中的一门广泛学科，最近该领域取得了很大进展。目前，神经网络在电力电子和电机驱动中的使用受到限制，因为该技术相对年轻且可靠性低，尽管该技术在未来几天具有巨大的前景。如今，这些技术面临的主要挑战是缺乏良好的训练集和数据。专门为此目的生成数据并不经济，因此可以研究需要较少处理能力的低数据高精度模型，以供行业适应和实施。随着越来越多的行业寻求可持续性以及工业 4.0 即将到来，人工智能和机器学习肯定会取代当今的传统控制方法。