.png){kind=icon}
返回
Intelligent Optimization in Power Electronics: Methods, Applications, and Practical Limits
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15061216.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电力电子转换器正朝着更高的功率密度和开关频率发展，这使得设计和运行都转变为多目标、多物理场优化问题。尽管解析规则和基于梯度的方法仍然至关重要，但它们在处理包含热行为、电磁干扰/电磁兼容性（EMI/EMC）和可靠性约束的非凸、混合整数权衡时往往难以应对。本文综述了面向电力电子设计周期、调试周期和运行周期的智能优化方法。我们提出了一种面向部署的智能优化方法分类，涵盖元启发式算法、代理模型辅助设计和学习引导设计、基于模型预测控制的约束优化、基于强化学习的监督策略以及混合物理信息方法。针对每个方法族，我们总结了典型任务、计算与数据需求、鲁棒性、可解释性和验证成熟度，突出了智能方法带来的明显优势以及传统方法仍更优的场景。面向可靠性和诊断的优化讨论重点包括基于残差的监测、应力感知运行和寿命代理。实践中的采纳障碍——模型-现实失配、数据匮乏、实时确定性及认证问题——被综合为可重复的设计模式以提升可部署性。最后，提出了一种概念性认知设计框架，将虚拟工程、物理信息代理模型、人机协同验证和知识复用整合到闭环工作流中，为智能优化如何更可靠地融入工业设计实践提供了结构化视角。
Keyword:
cognitive design and virtual engineering
intelligent optimization algorithms
model predictive and adaptive control
physics-informed and hybrid learning
power electronics optimization
reliability and diagnostics in power converters
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
分享收藏分享收藏Review on Advanced Model Predictive Control Technologies for High-Power Converters and Industrial Drives先进模型预测控制技术在高压变频器与工业驱动中的应用综述.png)
ELECTRONICS
OAAI
ELECTRONICSIF2.6
OAAI分享收藏Machine-Learning-Based Condition Monitoring of Power Electronics Modules in Modern Electric Drives
PREAI
分享收藏A Deep Reinforcement Learning Approach to DC-DC Power Electronic Converter Control with Practical Considerations一种考虑实际因素的深度强化学习方法在DC-DC电力电子变换器控制中的应用EnergiesOAAI
EnergiesIF0
OAAI分享收藏Review of online learning for control and diagnostics of power converters and drives: Algorithms, implementations and applications用于功率转换器和驱动器的控制和诊断的在线学习的评论: 算法，实现和应用OAAI
OAAI分享收藏
查看更多内容