機器學習（ML）與人工智能（AI）在功率變換器中的應用，是數字電源領域的最新發展方向。相關技術已被用于先進變換器控制策略、電解電容性能監測（以支持預防性維護），以及各類電源管理系統中，用以提升效率與可靠性。

下篇將介紹機器學習與人工智能如何助力綠色能源系統和電動汽車的優化與集成。

基于 AI 與 ML 的模型相比固定算法，能更好地處理非線性與復雜工況。它們借助神經網絡、模糊邏輯、強化學習（RL）等 AI/ML 工具，可實現動態、數據驅動且響應更快的控制算法。

目前業界已提出一套用于分類和分析電力電子領域 AI/ML 工具與應用的框架（見圖 1）。適用的 AI 算法范圍廣泛，從生成對抗網絡（GAN）到強化學習均有涉及。通過對功能層進行優化以明確控制目標，利用回歸分析確定輸入變量與目標變量之間的相關性，并通過分類完成各類系統應用場景的劃分。

圖 1. 電力電子領域機器學習與人工智能應用分析框架（圖片來源：《應用能源》期刊）

無刷直流（BLDC）電機驅動

神經網絡、強化學習等機器學習技術可實現 BLDC 電機更智能的自適應控制。這類先進 ML 算法結合霍爾傳感器、反電動勢（EMF）傳感器與光學傳感器構成多傳感器融合系統，能夠實現精準的轉子跟蹤與實時控制，最大化復雜負載下的系統性能，進而在機器人、電動汽車大功率牽引電機等應用中實現平穩、精準且高效的運動控制。

這些技術同樣可用于水泵系統等相對簡單的場景（見圖 2）：

• 強化學習智能體調整電機控制參數，實現效率最大化；

• 微控制器（MCU）根據強化學習智能體輸出的自適應參數，生成逆變器控制信號；

• （可選）無線信號處理模塊支持雙向控制，接收電機驅動單元的傳感器輸入并回傳所需控制信號；也可使用有線方案替代無線模塊。

圖 2. 基于強化學習控制的水泵系統框圖（圖片來源：MDPI《可持續性》期刊）

電解電容

AI 與 ML 技術已被用于預測輸出濾波、直流母線等場景下大型電解電容的失效問題。人工神經網絡（ANN）、卷積神經網絡（CNN）、隨機森林分類器等技術，可通過平均電流、紋波電壓等輸入參數預測電容剩余使用壽命（RUL）并檢測老化狀態，從而實現預防性維護。

剩余使用壽命預測對磁懸浮斬波器等兆瓦級應用中的直流母線電容尤為關鍵。已有研究開發出一種雙輸入人工神經網絡，以平均懸浮電流和電容紋波電壓作為輸入（見圖 3）。

圖 3. 用于估算磁懸浮斬波器系統中電容與等效串聯電阻（ESR）的雙輸入人工神經網絡（圖片來源：MDPI《能源》期刊）

保護電路中的集成電壓傳感器與懸浮控制既有的電流傳感器，可為該神經網絡提供電流與紋波電壓輸入，簡化了系統實現。

僅使用包含多個神經元的單隱藏層，可進一步簡化結構、加快訓練速度，并降低陷入局部最優與預測不準的風險。AI 與 ML 的應用并不局限于兆瓦級電力系統，在微處理器或片上系統（SoC）的電源管理中同樣能發揮作用。

前瞻式電源管理與動態電壓頻率調節

動態電壓頻率調節（DVFS）中的前瞻式電源管理（APM），利用 AI、ML 或預測算法對大型微處理器、片上系統的未來負載需求進行預判，而非僅對歷史或當前負載做出被動響應。

APM 可在高功耗任務執行前即時調整電壓與頻率，優化電源效率，同時降低延遲。

預測建模是在 DVFS 中實現 APM 的一種方式。這類模型通過分析處理器運行波形，預測近期工作的頻率敏感性，而非等待滯后且精度較低的負載評估。現已開發出可快速分析數百路信號的機器學習算法。

總結

基于 AI 與 ML 的數字電源技術是電力電子領域快速發展的新興方向，應用覆蓋從小型片上系統到大型兆瓦級逆變器等各類規模的電力系統。其應用范圍同樣廣泛，包括控制與開關優化、預防性維護、預測建模等，落地場景涵蓋高性能計算、機器人、電動汽車、工業泵類及公共交通系統。