近日，机械与电气工程学院胡维昊教授团队在人工智能与电力电子交叉技术领域取得重要进展，研究了一种电力电子变换器效率在线实时优化方法。本方法独辟蹊径，深度融合并改进深度强化学习算法，构建基于深度强化学习方法的自适应环境参数变化的自学习系统，根据变化的环境参数给出相应的控制策略，使变换器在任何应用场景具备效率自优化能力，保证实时的最优性能。

研究成果以“Al-aided Power Electronic Converters Automatic Online Real-time Efficiency Optimization Method”为题在Fundamental Research期刊发表。机械与电气工程学院博士研究生唐远鸿为论文第一作者，胡维昊教授为通讯作者。Fundamental Research为国家自然科学基金委员会主管、主办的英文期刊，目的是打造国际一流的学术交流平台，充分展示中国基础研究的原创成果，及时传播世界基础研究的最新进展。

图1 基于智能电能转换系统的电力电子变换器自动在线实时效率优化方案示意图

图2 基于DAB变换器的电力电子变换器效率自动在线实时优化方法试验平台

图3 基于所研究方法的功率损耗分析柱状图（所研究方法为图中的IECS方法）

当前电力电子变换器的效率优化需要依赖精确的电路参数，但在实际应用中无法实现，因为电力电子变换器的结构寄生参数与器件及其布局、器件结构尺寸密切相关。

为了解决上述问题，本成果提出了一种不依赖电路模型的在线实时效率自优化方法，极大提升DAB DC-DC变换器的传输效率。通过在实际的电路平台上运用DDPG算法构建自适应环境参数变化的在线自学习系统，使DAB DC-DC变换器在构建的六维空间里进行自动探索实验。所提方法使DAB DC-DC变换器具备在线实时“效率自优化”能力，找到了一种效率最优的TPS调制策略。

这项成果是机器学习在电力电子领域的有益尝试，可突破传统优化求解方法的诸多瓶颈。该方法深度融合并改进深度强化学习算法，提高基于深度学习算法在强随机性环境中的实时性、可靠性，突破DAB DC-DC变换器在调制优化中的关键瓶颈。同时，该方法不仅解决了DAB变换器调制中的复杂高维度优化求解问题，更能快速响应优化目标需求的改变，为电力电子变换器的优化设计提供有力的理论指导和技术支持。

论文链接：

　　https://www.sciencedirect.com/science/article/pii/S2667325823001346

本文链接：https://news.uestc.edu.cn/?n=UestcNews.Front.DocumentV2.ArticlePage&Id=89585