神經(jīng)網(wǎng)絡(luò)在核心電力電子和電機(jī)驅(qū)動(dòng)中的應(yīng)用

隨著外部條件的不斷變化，傳統(tǒng)的控制方法無法實(shí)現(xiàn)控制電力電子設(shè)備使其始終工作在最佳效率點(diǎn)。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?yàn)樗軌蛞宰罡咝蕦㈦娔苻D(zhuǎn)換成有用的形式，如熱、光、運(yùn)動(dòng)和聲音。電機(jī)驅(qū)動(dòng)器就是一個(gè)典型的例子，幾乎在每個(gè)行業(yè)都有應(yīng)用。超過 70% 的工業(yè)負(fù)載是電機(jī)負(fù)載，其中感應(yīng)電機(jī)占主要部分。因此，這些電機(jī)的精確控制對(duì)于工業(yè)來說很重要，因?yàn)樗梢詾樗麄児?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(diǎn)(BEP)運(yùn)行是傳統(tǒng)控制方法無法實(shí)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(jī)驅(qū)動(dòng)。這些人工智能技術(shù)的目標(biāo)是在機(jī)器中建立一個(gè)具有類人智能的控制系統(tǒng)。這些系統(tǒng)被設(shè)計(jì)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(jìn)展。在人工智能的所有分支中，人工神經(jīng)網(wǎng)絡(luò)對(duì)電力電子和電機(jī)驅(qū)動(dòng)產(chǎn)生了最大的影響之一。

ANN 可以被認(rèn)為是生物神經(jīng)元的機(jī)器副本，ANN 的不同部分執(zhí)行不同的任務(wù)，就像實(shí)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(jī)驅(qū)動(dòng)器精確控制和監(jiān)控電機(jī)，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(jì)、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(jìn)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(jìn)光伏電池的設(shè)計(jì)、操作和維護(hù)。傳統(tǒng)的光伏控制器使用 PI 控制器或 PR 算法，它們有時(shí)對(duì)突發(fā)干擾的響應(yīng)遲緩。在并網(wǎng)運(yùn)行中，干擾非常頻繁，因此，這些控制器會(huì)導(dǎo)致運(yùn)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(duì)擾動(dòng)的響應(yīng)時(shí)間和轉(zhuǎn)換器的精度。

人們不使用電動(dòng)汽車的主要原因之一是車輛充滿電所需的充電時(shí)間較長(zhǎng)。人工智能驅(qū)動(dòng)的智能電動(dòng)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(shí)的持續(xù)監(jiān)控也將有助于預(yù)測(cè)電池壽命并防止故障。

神經(jīng)網(wǎng)絡(luò)在感應(yīng)電機(jī)驅(qū)動(dòng)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(jī)的損耗，以便在低負(fù)載條件下找到 BEP。但是在完整的動(dòng)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?yàn)樗鼈兛梢员挥?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(shí)現(xiàn)的。在感應(yīng)電動(dòng)機(jī)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(fù)載轉(zhuǎn)矩的非線性函數(shù)，并且機(jī)器參數(shù)隨著機(jī)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(cè)和磁場(chǎng)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(jìn)展。目前，神經(jīng)網(wǎng)絡(luò)在電力電子和電機(jī)驅(qū)動(dòng)中的使用受到限制，因?yàn)樵摷夹g(shù)相對(duì)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(jì)，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(shí)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(jī)器學(xué)習(xí)肯定會(huì)取代當(dāng)今的傳統(tǒng)控制方法。