An Overview of Artificial Intelligence Applications For Power Electronics

Machine Translated by Google
GIAO DỊCH IEEE TRÊN ĐIỆN TỬ CÔNG SUẤT, VOL. 36, KHÔNG. 4, THÁNG 4 NĂM 2021 4633
Tổng quan về các ứng dụng trí tuệ nhân tạo cho
điện tử công suất
Shuai Zhao , Thành viên, IEEE, Frede Blaabjerg , Thành viên, IEEE, và Huai Wang , Thành viên cấp cao, IEEE
Tóm tắt— Bài viết này giới thiệu tổng quan về các ứng dụng trí
tuệ nhân tạo (AI) cho các hệ thống điện tử công suất. Ba giai đoạn
vòng đời đặc biệt, thiết kế, kiểm soát và bảo trì có tương quan với
một hoặc nhiều nhiệm vụ mà AI sẽ giải quyết, bao gồm tối ưu hóa,
phân loại, hồi quy và khám phá cấu trúc dữ liệu. Các ứng dụng của
bốn loại AI được thảo luận, đó là hệ chuyên gia, logic mờ, phương
pháp siêu hình và học máy. Hơn 500 ấn phẩm đã được xem xét để xác
định những hiểu biết chung, những thách thức khi triển khai thực tế
và cơ hội nghiên cứu trong ứng dụng AI cho điện tử công suất. Bài
viết này được kèm theo một tệp Excel liệt kê các ấn phẩm có liên
quan để phân tích thống kê.
Thuật ngữ chỉ mục —Trí tuệ nhân tạo (AI), thiết kế, bộ điều khiển
thông minh, hệ thống điện tử công suất, bảo trì dự đoán, tiên lượng
và quản lý sức khỏe (PHM).
Hình 1. Số lượng ấn phẩm hàng năm về AI trong điện tử công suất kể từ năm 1990.
I. GIỚI THIỆU
trí tuệ nhân tạo (AI) đang mở rộng nhanh

Trong khi đó, sự phát triển nhanh chóng của khoa học dữ liệu, bao
NGÀY chóng
NAY và là một trong những lĩnh vực nghiên cứu nổi bật
gồm công nghệ cảm biến, Internet vạn vật (IoT), điện toán ranh giới,
nhất trong vài thập kỷ qua [1], [2]. Mục đích của AI là tạo
song sinh kỹ thuật số [9] và phân tích dữ liệu lớn [10], [11], cung
điều kiện thuận lợi cho các hệ thống có trí thông minh có khả
cấp nhiều loại dữ liệu cho các hệ thống điện tử công suất trong suốt
năng học tập và suy luận giống như con người. Nó sở hữu những
các giai đoạn khác nhau trong vòng đời của nó. Khối lượng dữ liệu
lợi thế to lớn và đã được áp dụng thành công trong nhiều lĩnh
ngày càng tăng mang đến những cơ hội to lớn và tạo nền tảng vững chắc
vực công nghiệp, bao gồm phân loại hình ảnh, nhận dạng giọng
cho AI trong điện tử công suất. AI có thể khai thác dữ liệu để cải
nói, ô tô tự hành, thị giác máy tính, v.v. Với những tiềm năng
thiện khả năng cạnh tranh của sản phẩm bằng cách tối ưu hóa thiết kế
to lớn, điện tử công suất được hưởng lợi từ sự phát triển của
toàn cầu, điều khiển thông minh, ước tính tình trạng sức khỏe của hệ
AI. Có nhiều ứng dụng khác nhau, bao gồm tối ưu hóa thiết kế
thống, v.v. Do đó, nghiên cứu về điện tử công suất có thể được thực
tản nhiệt mô-đun nguồn [3], bộ điều khiển thông minh cho đi-ốt
hiện từ góc độ dựa trên dữ liệu, điều này đặc biệt có lợi cho cộng
phát sáng nhiều màu (LED) [4], điều khiển theo dõi điểm công
đồng. trường hợp phức tạp và đầy thách thức.
suất tối đa (MPPT) cho các hệ thống chuyển đổi năng lượng gió
Do những thách thức và đặc điểm cụ thể của hệ thống điện
[5], [ 6], phát hiện bất thường cho biến tần [7], dự đoán tuổi
tử công suất, ví dụ: tốc độ điều chỉnh cao trong điều khiển,
thọ hữu ích còn lại (RUL) cho siêu tụ điện [8], v.v. Bằng cách
độ nhạy cao trong giám sát tình trạng để phát hiện lão hóa,
triển khai AI, các hệ thống điện tử công suất được tích hợp khả
v.v., việc triển khai AI trong điện tử công suất có những đặc
năng tự nhận thức và tự thích ứng, do đó, quyền tự chủ của hệ
điểm riêng khác với các lĩnh vực kỹ thuật khác , ví dụ: phân
thống có thể được cải thiện.
loại hình ảnh. Do đó, cần có một cái nhìn tổng quan về AI
trong điện tử công suất để đẩy nhanh nghiên cứu sức mạnh tổng
Bản thảo nhận ngày 4 tháng 6 năm 2020; sửa đổi ngày 6 tháng 8 năm 2020; chấp
hợp và các ứng dụng liên ngành. Dựa trên đánh giá tài liệu,
nhận ngày 11 tháng 9 năm 2020. Ngày xuất bản ngày 18 tháng 9 năm 2020; ngày của
phiên bản hiện tại là ngày 20 tháng 11 năm 2020. Công trình này được hỗ trợ một trong bài viết này, các ứng dụng của AI trong điện tử công
phần bởi Quỹ Đổi mới Đan Mạch thông qua dự án Công cụ và Công nghệ Điện tử Năng suất được phân thành ba khía cạnh, đó là thiết kế, điều khiển và bảo trì
lượng Tiên tiến, và một phần bởi Quỹ Villum thông qua dự án Light-AI cho Điện tử
Hình 1 cho thấy số lượng ấn phẩm hàng năm liên quan đến AI cho điện tử công
Năng lượng Nhận thức. Đề xuất xuất bản bởi Phó tổng biên tập Giáo sư Kyo-Beum Lee.
(Tác giả tương ứng: Hoài Vương.) suất kể từ năm 1990. Dữ liệu thống kê dựa trên việc tìm kiếm IEEE Xplore từ các
Các tác giả thuộc Khoa Công nghệ Năng lượng, Đại học Aalborg, 9220 Aalborg, Đan
tạp chí IEEE TRANSAC TIONS ON POWER ELECTRONICS, IEEE JOURNAL OF EMERGING AND
Mạch (e-mail: szh@et.aau.dk; fbl@et.aau.dk; hwa@et.aau.dk).
SELECTED TOPICS IN POWER ELECTRONICS, IEEE GIAO DỊCH TRÊN ĐIỆN TỬ CÔNG NGHIỆP ,
Bài viết này có tài liệu bổ sung có thể tải xuống tại https://ieeexplore.ieee.org, GIAO DỊCH IEEE TRÊN TIN HỌC CÔNG NGHIỆP và GIAO DỊCH IEEE TRÊN CÁC ỨNG DỤNG TRONG
do các tác giả cung cấp.
CÔNG NGHIỆP . Dữ liệu của năm 2020 tính đến tháng 5 năm 2020.
Các phiên bản màu của một hoặc nhiều hình trong bài viết này có sẵn trực tuyến
tại https://ieeexplore.ieee.org.
Mã định danh đối tượng kỹ thuật số 10.1109/TPEL.2020.3024914
Tác phẩm này được cấp phép theo Giấy phép Creative Commons Attribution 4.0. Để biết thêm thông tin, hãy xem https://creativecommons.org/licenses/by/4.0/
4634 GIAO DỊCH IEEE TRÊN ĐIỆN TỬ CÔNG SUẤT, VOL. 36, KHÔNG. 4, THÁNG 4 NĂM 2021
Kết quả là, tổng cộng 444 bài báo có liên quan được xác định, có 2) Một bản đồ dòng thời gian được cung cấp để minh họa các mốc
thể tìm thấy trong tệp Excel bổ sung. Có thể thấy rằng việc triển quan trọng của thuật toán AI và các ứng dụng điện tử công
khai AI đã tăng lên đáng kể và trải qua một sự năng động ngoạn mục suất. Hơn nữa, nó trình bày thông tin định lượng về tỷ lệ
trong vài năm qua. phần trăm sử dụng phương pháp và xu hướng ứng dụng.
Số lượng ấn phẩm về kiểm soát liên tục tăng lên và đây là lĩnh vực 3) Các ưu điểm và hạn chế của các thuật toán AI được nghiên cứu
nghiên cứu tích cực nhất. Kể từ năm 2007, có sự gia tăng liên quan toàn diện. Các ứng dụng mẫu mực được cung cấp cho AI trong
đến các ứng dụng thiết kế và bảo trì, và những xu hướng như vậy rõ mỗi giai đoạn của vòng đời, trong đó các thách thức và hướng
ràng hơn trong hai năm qua. nghiên cứu trong tương lai được thảo luận.
Người ta thấy rằng một số đánh giá hiện có trong tài liệu có liên Phần còn lại của bài viết này được tổ chức như sau. Phần II trình
quan đến chủ đề này. Trong [12], các phương pháp siêu dữ liệu để bày các chức năng, phương pháp và các mốc quan trọng của AI trong
tối ưu hóa ngẫu nhiên cho chất lượng điện năng và dạng sóng, thiết điện tử công suất. Các ứng dụng của AI trong thiết kế, điều khiển
kế mạch và điều chỉnh điều khiển được xem xét. Nó chỉ tập trung vào và cho thuê chính lần lượt được thảo luận trong Phần III–V. Cái
các nhiệm vụ tối ưu hóa. Chi tiết về mạng nơ-ron (NN) trong các ứng nhìn tổng quan về các ứng dụng AI cho điện tử công suất được đưa ra
dụng công nghiệp được trình bày trong [13] với thiết kế cấu trúc trong Phần VI. Cuối cùng, Phần VII kết thúc bài viết này.
mạng, phương pháp huấn luyện và các cân nhắc ứng dụng. Nó bao gồm
một phạm vi rộng các ứng dụng kỹ thuật ngoài điện tử công suất.
II. CHỨC NĂNG VÀ PHƯƠNG THỨC AI DÙNG CHO HỆ THỐNG ĐIỆN TỬ CÔNG
Trong [14], một đánh giá toàn diện được đưa ra về các ứng dụng của
SUẤT
NN trong điện tử công suất. Một số ví dụ cụ thể về điều khiển và
nhận dạng hệ thống được trình bày chi tiết. Tuy nhiên, các kỹ thuật Hình 2 tóm tắt các phương pháp, chức năng và ứng dụng của AI cho
AI khác, chẳng hạn như logic mờ, phương pháp metaheuristic, v.v., điện tử công suất. Có thể thấy rằng AI đã được áp dụng rộng rãi cho
vẫn chưa được thảo luận. Mặc dù các kỹ thuật này được thảo luận thêm ba giai đoạn đặc biệt trong vòng đời của các hệ thống điện tử công
trong [15], nhưng nó nhấn mạnh vào các ví dụ minh họa trong khi phân suất, bao gồm thiết kế, điều khiển và bảo trì.
tích chuyên sâu về các thuật toán AI không được cung cấp. Trong
[16], một cuộc thảo luận chuyên sâu về các phương pháp metaheuristic Là một lớp chức năng giữa AI và các ứng dụng điện tử công suất,
cho MPPT trong các hệ thống quang điện (PV) được trình bày. các chức năng thiết yếu của AI được phân loại là tối ưu hóa, phân
Trong [17], các kỹ thuật AI áp dụng cho các hệ thống PV được xem loại, hồi quy và khám phá cấu trúc dữ liệu.
xét, chỉ tập trung vào các ứng dụng PV cụ thể. 1) Tối ưu hóa: Đề cập đến việc tìm ra một giải pháp tối ưu hóa
Bảo trì [18] trong điện tử công suất là một chủ đề bao gồm độ tin cực đại hoặc cực tiểu hóa các hàm mục tiêu từ một tập hợp các
cậy, giám sát tình trạng, dự đoán RUL, v.v. Có thể tìm thấy một số phương án có sẵn với các ràng buộc, đẳng thức hoặc bất đẳng
tài liệu đánh giá trong thập kỷ qua trong [19]–[22]. thức mà các giải pháp phải thỏa mãn. Ví dụ: trong nhiệm vụ
Trong [19], một phân tích tiên tiến nhất về giám sát tình trạng và thiết kế, tối ưu hóa đóng vai trò là công cụ để khám phá một
phát hiện lỗi trong điện tử công suất được trình bày. Tuy nhiên, nó tập hợp các tham số tối ưu giúp tối đa hóa hoặc giảm thiểu
chỉ bao gồm một phương pháp phát hiện lỗi dựa trên AI rất hạn chế. các mục tiêu thiết kế với các ràng buộc thiết kế.
Trong [20], trình bày tổng quan về các kỹ thuật giám sát tình trạng 2) Phân loại: Nó liên quan đến việc gán thông tin hoặc dữ liệu
tụ bù trong bộ chuyển đổi điện tử công suất. Nó chỉ bao gồm các đầu vào với nhãn chỉ ra một trong k lớp rời rạc.
phương pháp nhận dạng tham số dựa trên AI. Trong [21], các phương Cụ thể, phát hiện bất thường và chẩn đoán lỗi trong bảo trì
pháp tiên lượng và quản lý sức khỏe (PHM) của các hệ thống giàu là một nhiệm vụ phân loại điển hình để xác định nhãn lỗi với
thông tin và điện tử được tóm tắt. thông tin giám sát tình trạng.
Bài viết này chỉ thảo luận về danh mục thuật toán AI trong lĩnh vực 3) Hồi quy: Bằng cách xác định mối quan hệ giữa các biến đầu vào
PHM mà không có chi tiết thuật toán hoặc phân tích so sánh. Trong và biến mục tiêu, mục tiêu của hồi quy là dự đoán giá trị của
[22], các phương pháp học máy được áp dụng trong quản lý độ tin cậy một hoặc nhiều biến mục tiêu liên tục cho các biến đầu vào.
của các hệ thống năng lượng được tóm tắt. Nó chỉ tập trung vào Ví dụ, một bộ điều khiển thông minh có thể được hỗ trợ bằng
phương pháp học máy và nhiệm vụ bảo trì. mô hình hồi quy giữa các tín hiệu điện đầu vào và các biến
Hướng dẫn [23] về “Ứng dụng trí tuệ nhân tạo cho điện tử công suất” điều khiển đầu ra.
được trình bày tại Hội nghị và triển lãm phiên bản IEEE Energy Con
2019. Nó phục vụ như một bài thuyết trình ở cấp độ giới thiệu. Tuy 4) Khám phá cấu trúc dữ liệu: Nó bao gồm phân cụm dữ liệu để khám
nhiên, các chi tiết mong muốn của các thuật toán AI và so sánh của phá các nhóm dữ liệu tương tự trong tập dữ liệu, ước tính mật
chúng không có sẵn. độ xác định phân phối dữ liệu trong không gian đầu vào và nén
Do đó, nó thiếu sự đánh giá toàn diện về các thuật toán AI và dữ liệu chiếu dữ liệu chiều cao xuống dữ liệu chiều thấp cho
các ứng dụng cho điện tử công suất. Từ góc độ vòng đời, bài viết này giảm tính năng. Ví dụ, trong bảo trì, phân cụm trạng thái
nhằm mục đích lấp đầy khoảng trống này và xem xét toàn diện nghiên xuống cấp nằm trong danh mục khám phá cấu trúc dữ liệu.
cứu đã công bố về điện tử công suất sử dụng kỹ thuật AI, nghiên cứu
này cần được củng cố một cách có hệ thống. Các đóng góp của bài
viết này bao gồm những điều sau đây. Theo 444 bài báo liên quan được khảo sát, Hình 3 cho thấy biểu đồ
1) Các thuật toán AI trong điện tử công suất được nghiên cứu một Sankey về số liệu thống kê sử dụng ứng dụng của các phương pháp AI
cách có hệ thống từ góc độ vòng đời, trong đó xác định mối trong vòng đời của các hệ thống điện tử công suất. Cụ thể, tỷ lệ
quan hệ của các thuật toán AI có liên quan, các chức năng ứng dụng AI trong thiết kế, điều khiển và bảo trì lần lượt là 9,8%,
thiết yếu của chúng và các ứng dụng có liên quan. 77,8% và 12,4%.
ZHAO và cộng sự: TỔNG QUAN VỀ ỨNG DỤNG AI CHO ĐIỆN TỬ CÔNG SUẤT 4635
Hình 2. Ứng dụng AI trong vòng đời của hệ thống điện tử công suất. Phần II-A ngụ ý rằng các cuộc thảo luận có liên quan được trình bày trong phần A của Phần II.
kiến thức chuyên môn trong một danh mục logic Boolean, dựa trên đó
các quy tắc NẾU-THEN trong suy luận của bộ não con người được mô
phỏng. Đây là một hệ thống thông minh mô phỏng quá trình suy luận để
trả lời các câu hỏi tại sao và như thế nào dựa trên cơ sở dữ liệu.
Cơ sở dữ liệu là từ kinh nghiệm của chuyên gia lĩnh vực hoặc dữ liệu
mô phỏng, sự kiện và báo cáo. Nó có thể được cập nhật liên tục. Các
chi tiết kỹ thuật của hệ chuyên gia được đưa ra trong [17], và một
số ứng dụng mẫu có thể được tìm thấy trong [15] và [28].
Điều đáng nói là các ứng dụng của hệ thống chuyên gia thấp tới
0,9% theo số liệu thống kê sử dụng trong Hình 3. Đó là bởi vì hệ
thống chuyên gia thường dựa trên các nguyên tắc và quy tắc của hệ
thống, liên quan chặt chẽ đến hệ thống quan tâm và thiếu tính phổ
quát. Nó chỉ áp dụng cho các miền được xác định rõ với các quy tắc
chuyên gia vững chắc. Bên cạnh đó, do sự phát triển nhanh chóng của
Hình 3. Sơ đồ Sankey về các phương pháp và ứng dụng AI trong từng giai đoạn của
vòng đời của hệ thống điện tử công suất. Các cách sử dụng thống kê và tỷ lệ phần các nền tảng tính toán, các chức năng của hệ chuyên gia có thể được
trăm dựa trên dữ liệu trong Hình 1. thay thế bằng các phương pháp AI tiên tiến khác (ví dụ: logic mờ và
học máy) với khả năng suy luận và xấp xỉ vượt trội.
Về chức năng, tỷ lệ phần trăm tối ưu hóa, phân loại, hồi quy và
khám phá cấu trúc dữ liệu lần lượt là 33,3%, 6,6%, 58,4% và 1,7%. Nó
cho thấy rằng hầu hết các nhiệm vụ của AI trong điện tử công suất về B. Logic mờ
cơ bản là hồi quy và tối ưu hóa. Các phương pháp AI thường có thể
Tương tự như hệ chuyên gia, logic mờ cũng là một phương pháp dựa
được phân loại thành hệ chuyên gia, logic mờ, phương pháp siêu dữ
trên luật trong khi nó mở rộng logic Boolean thành trường hợp đa
liệu và học máy. Tỷ lệ ứng dụng của họ lần lượt là 0,9%, 21,3%, 32,0%
trị. Logic mờ là một công cụ lý tưởng để khắc phục sự không chắc
và 45,8%. Nó gợi ý rằng phần lớn nhất của AI trong điện tử công suất
chắn của hệ thống và các phép đo nhiễu [29]–[31]. Thay vì sử dụng
là với máy học. Các phương pháp này sẽ được trình bày chi tiết sau.
giá trị rõ nét đầu vào chính xác một cách trực tiếp, quá trình mờ
Lưu ý rằng một cuộc điều tra toàn diện nhưng vẫn chưa đầy đủ được
hóa được thực hiện trước tiên với các tập mờ bao gồm một số hàm liên
tiến hành. Chỉ các phương pháp AI có liên quan được áp dụng rộng
thuộc trong phạm vi từ 0–1. Các tín hiệu đầu vào mờ sau đó được tổng
rãi cho điện tử công suất mới được xem xét.
hợp với các luật mờ trong bước suy luận. Quá trình giải mờ sau đó
được thực hiện trên kết quả suy luận bằng cách xem xét mức độ hoàn
thành và đưa ra một giá trị sắc nét. Kết quả là, giá trị rõ nét được
thao tác trong một không gian mờ hoàn thành ánh xạ phi tuyến tính
A. Hệ chuyên gia
giữa đầu vào và đầu ra với các nguyên tắc được thiết kế công phu.
Hệ chuyên gia là phương pháp sớm nhất trong AI được triển khai
hiệu quả trong các ứng dụng công nghiệp [17]. Hệ chuyên gia [24]–[27] Trong hầu hết các ứng dụng, một phương pháp logic mờ chủ yếu bao
thực chất là một cơ sở dữ liệu tích hợp gồm bốn phần [30]: mờ hóa, suy luận quy tắc, cơ sở tri thức,
và giải mờ. Đầu tiên, mờ hóa được thực hiện trên đầu vào của các biến
ngôn ngữ với các hàm liên thuộc, bao gồm ba góc, hình thang, Gaussian,
hình chuông, đơn và các hình dạng tùy chỉnh khác. Thứ hai, mô-đun suy
luận tích hợp các tín hiệu với nhau theo các luật mờ IF–THEN trong cơ
sở biên kiến thức rút ra từ kinh nghiệm của chuyên gia. Thứ ba, giải
mờ được thực hiện trên tín hiệu cho đầu ra. Một ví dụ về quy tắc mờ
là Tiền đề: NẾU X là Trung bình VÀ Y là Không, Hậu quả: Thì Z là Dương.
Đối với cả tiền đề và hậu quả, mức độ hoàn thành được xác định bởi
các hàm thành viên. Loại lược đồ suy luận mờ được phân loại thành loại Hình 4. Thống kê sử dụng các phương pháp siêu dữ liệu dựa trên dân số trong
tối ưu hóa điện tử công suất. Các kết quả thống kê thu được dựa trên dữ liệu
Mamdani [30], [32]–[35] và loại Takagi–Sugeno–Kang (loại TSK) [31],
trong Hình 1.
[36]–[38]. Đối với sơ đồ suy luận mờ kiểu Mamdani, các hàm liên thuộc
của tiền đề và hệ quả là các hàm dựa trên hình dạng, ví dụ, tam giác.
Đối với lược đồ suy diễn mờ kiểu TSK, hàm liên thuộc của phần tiền đề giai đoạn thăm dò chỉ bao gồm một giải pháp ứng cử viên và nó phát
giống hệt với kiểu Mamdani trong khi hàm thuộc của phần hậu quả là triển thành một giải pháp khác theo một quy luật nhất định. Hiệu suất
đơn lẻ ở một số giá trị không đổi. Thông thường, cần nhiều tập mờ hơn của phương pháp này chủ yếu dựa trên chất lượng và hiệu quả của quy
cho lược đồ kiểu Mamdani so với lược đồ kiểu TSK cho cùng nhiệm vụ. tắc. Kết quả là, tốc độ hội tụ của các phương pháp dựa trên quỹ đạo
So với các thuật ngữ mờ trong kiểu Mamdani, hàm liên thuộc trong lược nói chung là chậm và giải pháp cuối cùng thiên về giải pháp cục bộ hơn
đồ kiểu TSK có thể là kiểu hàm dưới dạng tuyến tính hoặc hằng số, mạnh là giải pháp toàn cục cho các nhiệm vụ tối ưu hóa không lồi. Đối với
hơn và chính xác hơn trong xấp xỉ phi tuyến. Chi tiết lý thuyết hơn các phương pháp dựa trên dân số, nhiều giải pháp ứng cử viên được tạo
về logic mờ được thảo luận trong [15], [39]. ngẫu nhiên. Tại mỗi lần khám phá lặp lại, các giải pháp ứng cử viên
này được đa dạng hóa (ví dụ: giao thoa trong GA) hoặc được kết hợp và
thay thế bằng các giải pháp ứng cử viên mới để cải thiện chất lượng
dân số ở thế hệ hiện tại. Kết quả là độ phù hợp của tổng thể được cải
tiến lặp đi lặp lại để tiến tới lời giải tối ưu. So với các phương
Lưu ý rằng kinh nghiệm của chuyên gia đóng một vai trò quan trọng pháp dựa trên quỹ đạo, chúng vượt trội hơn về tốc độ hội tụ, khả năng
trong việc thiết kế hàm thuộc và luật mờ, và phương pháp như vậy chỉ tìm kiếm toàn cục và đặc biệt hữu ích cho các nhiệm vụ tối ưu hóa quy
áp dụng cho các chuyên gia trong hầu hết các trường hợp. Từ quan điểm mô lớn.
này, thông tin trước đó và kinh nghiệm chuyên gia có thể được xử lý
bằng logic mờ và sau đó được kết hợp với các kỹ thuật AI khác như một Tuy nhiên, gánh nặng tính toán của các phương pháp dựa trên dân số là
phương pháp lai. chuyên sâu hơn. Thách thức này cần được xem xét đối với các trường hợp
ứng dụng trực tuyến trong đó hiệu quả và tốc độ là quan trọng nhất.
Bảng I cho thấy một bản tóm tắt các phương pháp metaheuristic trong
C. Phương pháp metaheuristic
lĩnh vực điện tử công suất với những ưu điểm và hạn chế của chúng. Các
Khi nhiệm vụ tối ưu hóa của các ứng dụng cụ thể được hình thành, phương pháp siêu dữ liệu này được so sánh định tính về một số tính
giải pháp tối ưu có thể đạt được bằng phương pháp lập trình xác định năng quan trọng, bao gồm tính đơn giản triển khai, hội tụ toàn cầu,
(ví dụ: lập trình tuyến tính hoặc bậc hai) hoặc phương pháp lập trình tốc độ hội tụ và khả năng song song.
không xác định, tức là phương pháp siêu dữ liệu. Các phương pháp lập
trình xác định cần tính toán độ dốc và ma trận Hessian muộn hơn [40], Do những lợi thế to lớn, hầu hết các nhiệm vụ tối ưu hóa trong điện
đây là thách thức đối với hầu hết các tác vụ tối ưu hóa trong điện tử tử công suất đều được giải quyết bằng các phương pháp dựa trên dân số.
công suất do tính phức tạp. kinh nghiệm và hiệu quả và có thể mở rộng Có thể thấy từ Bảng I rằng có nhiều phương pháp dựa trên dân số khác
cho các tác vụ tối ưu hóa khác nhau. nhau với các biến thể được cải tiến cho các nhiệm vụ tối ưu hóa trong
điện tử công suất. Chúng được phát triển và cải tiến với những nguồn
cảm hứng sinh học khác nhau. Ngoài các phương pháp siêu dữ liệu được
Các phương pháp metaheuristic [12] thường được phát triển với nguồn áp dụng rộng rãi trước đó, một số phương pháp mới nổi khác đã được áp
cảm hứng từ quá trình tiến hóa sinh học, ví dụ: thuật toán di truyền dụng ở quy mô hạn chế, ví dụ: tối ưu hóa dựa trên địa lý sinh học
(GA) [41] bằng quá trình chọn lọc tự nhiên, thuật toán tối ưu hóa đàn [72], thuật toán tìm kiếm quạ [73], thời gian hoạt động của sói xám
kiến (ACO) [42] bằng cách mô phỏng loài kiến trong việc tìm đường đi [74], tối ưu hóa đom đóm thuật toán [16], bee al gorithm [75], thuật
hiệu quả cho các loại thực phẩm. Việc khám phá giải pháp tối ưu được toán cạnh tranh thuộc địa [76], dạy tối ưu hóa dựa trên học tập [77],
thúc đẩy bởi quá trình thử và sai. Các phương pháp siêu dữ liệu có thể v.v. -phụ thuộc [12]. GA và PSO là hai phương pháp siêu dữ liệu phổ
được phân loại thành các phương pháp dựa trên quỹ đạo (phương pháp tìm biến nhất được áp dụng cho điện tử công suất, như trong Hình 4. Chúng
kiếm tabu [43], phương pháp ủ mô phỏng [44], v.v.) và các phương pháp là các nguyên tắc cơ bản và đại diện cho các thuật toán tiến hóa và
dựa trên dân số [GA, tối ưu hóa bầy đàn hạt (PSO) [45], ACO, vi phân thuật toán trí tuệ bầy đàn,
tiến hóa [46], thuật toán miễn dịch (IA) [47], v.v.]. Đối với các
phương pháp dựa trên quỹ đạo, mỗi

BẢNG I
ỨNG DỤNG PHƯƠNG PHÁP SIÊU TÍN TRONG ĐIỆN TỬ CÔNG SUẤT
Cao: +++, trung bình: ++, kém: +.
tương ứng, dựa trên đó các biến thể khác nhau được phát triển. trường hợp, sự khái quát hóa của nó trên đầu vào mới là một trong những yếu
Các học viên có thể lựa chọn phương pháp xem xét tính ưu việt của nó tố hiệu suất quan trọng nhất của phương pháp học tập có giám sát.
theo Bảng I. Nói chung, các phương pháp học có giám sát có thể được phân loại
Lưu ý rằng không có gì đảm bảo tối ưu toàn cục cho các phương thành các phương pháp dựa trên chủ nghĩa kết nối (tức là phương pháp
pháp meta heuristic, nhưng giải pháp nói chung là thỏa đáng và chấp NN), phương pháp đồ họa xác suất và phương pháp dựa trên bộ nhớ (tức
nhận được đối với hầu hết các ứng dụng thực tế. Để biết thêm chi là phương pháp nhân). Đối với các phương pháp NN, kiến thức học được
tiết lý thuyết về các phương pháp metaheuristic, độc giả có thể tham từ tập dữ liệu huấn luyện được tạo điều kiện và chuyển giao dưới dạng
khảo [16] và [78]. trọng số và cấu trúc kết nối của mạng. Nhiều nghiên cứu đã được dành
cho việc cải thiện hiệu suất của các phương pháp NN.
Những cải tiến này là từ hai khía cạnh cho các ứng dụng trong điện
D. Máy học
tử công suất. Khía cạnh đầu tiên liên quan đến việc kích hoạt khả
Học máy được thiết kế để tự động khám phá các nguyên tắc và quy năng không chắc chắn trong việc xử lý tín hiệu nhiễu của NN để cải
luật với kinh nghiệm từ dữ liệu được thu thập hoặc tương tác bằng thiện độ bền của phương pháp. Tính năng này được hỗ trợ bằng cách
phương pháp thử và sai. Đối với các ứng dụng trong điện tử công tích hợp logic mờ vào NN dưới dạng NN mờ (FNN) hoặc các biến thể của
suất, nó được phân loại thành học có giám sát, học không giám sát và nó (ví dụ: hệ thống suy luận mờ thần kinh thích ứng (ANFIS) [101]).
học tăng cường (RL). Khía cạnh thứ hai là cải thiện hiệu suất động của NN để giải quyết
1) Học có giám sát: Với tập dữ liệu huấn luyện bao gồm các cặp các trường hợp tập dữ liệu chuỗi thời gian, ví dụ: bộ điều khiển
đầu vào và đầu ra , việc học có giám sát nhằm mục đích thiết lập thông minh, dự đoán RUL. So với NN thông thường nơi trọng số mạng
ánh xạ và mối quan hệ chức năng giữa đầu vào và đầu ra một cách ngầm độc lập, hiệu suất nhất thời được tạo điều kiện thuận lợi bằng cách
định. Tính năng này đặc biệt hữu ích cho các trường hợp trong điện chia sẻ trọng số giữa các lớp và ô mạng khác nhau. Việc chia sẻ trọng
tử công suất, nơi các mô hình hệ thống gặp khó khăn trong việc xây số có thể được triển khai ở quy mô nông với cấu trúc tích chập (ví
dựng công thức. Nói chung, các nhiệm vụ của học tập có giám sát bao dụ: NN tích chập 1-D (CNN), NN trễ thời gian (TDNN) [114]) hoặc ở quy
gồm phân loại và hồi quy. Để phân loại, đầu ra của các cặp đầu vào mô đầy đủ và sâu bằng cách sử dụng đơn vị lặp lại như NN tái phát
và đầu ra trong tập dữ liệu huấn luyện xử lý một số hữu hạn các danh [105]. Nói chung, khả năng mô hình hóa của việc triển khai đơn vị
mục riêng biệt cần được gắn nhãn. Ví dụ, chẩn đoán lỗi cho biến tần lặp lại vượt trội so với khả năng có cấu trúc tích chập. Chi tiết lý
đa cấp [94] là một nhiệm vụ phân loại điển hình trong đó nhãn lỗi thuyết hơn về các phương pháp NN được thảo luận trong [1, Ch. 5],
rời rạc cần được xác định dựa trên thông tin lỗi đầu vào. Đối với [13] và [14].
một tác vụ hồi quy, đầu ra của các cặp đầu vào và đầu ra bao gồm một
hoặc nhiều biến liên tục. Một ví dụ về hồi quy là dự đoán RUL của Các phương pháp đồ họa xác suất có được kiến thức từ dữ liệu bằng
IGBT [114] trong đó đầu ra, tức là thời gian sử dụng hữu ích còn lại, cách sử dụng biểu diễn sơ đồ của các cặp đầu vào và đầu ra . Biểu
là một biến liên tục. Sau khi mô hình được đào tạo, nó sẵn sàng đánh diễn sơ đồ ngụ ý mối quan hệ phụ thuộc có điều kiện giữa các biến
giá các điểm dữ liệu mới khác với tập dữ liệu đào tạo. Khả năng của quyết định.
mô hình trong việc xử lý các điểm dữ liệu mới, tức là những điểm Mối quan hệ cơ bản trong mô hình được xây dựng trong khuôn khổ
trong tập dữ liệu thử nghiệm, được gọi là khả năng tổng quát hóa. Vì Bayesian [1] và có thể được suy ra theo cách xác suất. Do đó, khả
tập dữ liệu huấn luyện chỉ bao gồm một số lượng hạn chế các cặp đầu năng diễn giải của mô hình tốt hơn nhiều so với các phương pháp NN.
vào và đầu ra có thể có trong hầu hết Bên cạnh đó, mô hình đồ họa xác suất vượt trội hơn trong việc xử lý
sự không chắc chắn và không đầy đủ.
BẢNG II
PHƯƠNG PHÁP HỌC CÓ GIÁM SÁT VÀ ỨNG DỤNG TRONG ĐIỆN TỬ CÔNG SUẤT
kiến thức. Một trong những phương pháp đồ họa xác suất điển hình là gánh nặng, các giải pháp thưa thớt được đề xuất dưới dạng SVM và máy
mạng Bayesian [117]. Chi tiết lý thuyết hơn về các phương pháp đồ vectơ liên quan (RVM), trong đó ước tính tham số được chứng minh
họa xác suất được đưa ra trong [1, Ch. số 8]. dựa trên các phương pháp Bayes. Với giải pháp thưa thớt, chỉ một tập
Đối với các phương pháp NN và phương pháp đồ họa, tập dữ liệu hợp con của tập dữ liệu huấn luyện được áp dụng cho giai đoạn thử
huấn luyện sẽ bị loại bỏ khi quá trình huấn luyện hoàn tất. Mặc dù nghiệm và do đó, nó hiệu quả hơn so với các phương pháp nhân thông
tập dữ liệu huấn luyện trong các phương pháp nhân được lưu giữ và sử thường. Chi tiết lý thuyết hơn về các phương pháp nhân được thảo
dụng trong giai đoạn thử nghiệm, và kiến thức đã học được hỗ trợ luận trong [1, Chs. 6 và 7]. Nói chung, yêu cầu của tập dữ liệu huấn
khi xác định các điểm dữ liệu quan trọng (ví dụ: vectơ hỗ trợ trong luyện đối với các phương thức nhân thấp hơn các phương thức NN. Do
đó, các phương thức kernel phù hợp hơn cho các trường hợp có tập dữ
máy vectơ hỗ trợ (SVM) [126]) hoặc tập hợp con trong tập dữ liệu huấn luyện.
Một phương pháp hạt nhân điển hình là quy trình Gaussian, đã được áp liệu nhỏ. Mặc dù tập dữ liệu huấn luyện cần thiết trong giai đoạn
dụng cho dự đoán RUL của IGBT trong [119]. Lưu ý rằng các phương thử nghiệm, yêu cầu bộ nhớ của các phương thức kernel cao hơn các
pháp nhân thông thường (ví dụ: các quy trình Gaussian) cần nhiều phương thức NN. Sự tham gia của tập dữ liệu huấn luyện cũng giới hạn
tính toán do toàn bộ tập dữ liệu huấn luyện được áp dụng cho giai tốc độ trên mỗi định dạng ở giai đoạn thử nghiệm. Nó nên được xem
đoạn thử nghiệm. Để tránh tính toán quá nhiều xét cho trực tuyến
BẢNG III
PHƯƠNG PHÁP HỌC KHÔNG CÓ GIÁO SÁT VÀ ỨNG DỤNG TRONG ĐIỆN TỬ CÔNG SUẤT
các ứng dụng mà thời gian thực thi là quan trọng, ví dụ: ứng dụng điều
khiển.
Kết quả là, Bảng II cho thấy một bản tóm tắt các phương pháp học có
giám sát và các biến thể của chúng trong điện tử công suất, về các ưu điểm,
hạn chế và các ứng dụng mẫu.
2) Học không giám sát: So với học có giám sát trong đó tập dữ liệu là
các cặp đầu vào và đầu ra , học không giám sát không có dữ liệu đầu ra
cho mục tiêu học trong quá trình học. Nói chung, các nhiệm vụ của học không
giám sát trong các ứng dụng của điện tử công suất có thể được phân loại
thành phân cụm dữ liệu và nén dữ liệu.
Đối với phân cụm dữ liệu, nó khám phá các quy tắc từ tập dữ liệu bị bôi
nhọ và phân vùng tập dữ liệu thành một số nhóm hoặc cụm khác nhau theo sự
tương đồng của chúng. Theo cách này, các đặc điểm dữ liệu trong cùng một Hình 5. Thống kê sử dụng các phương pháp học máy trong hệ thống điện tử công
cụm tương tự nhau và khác với các đặc điểm trong các cụm khác. Một ứng suất. Các kết quả thống kê thu được dựa trên dữ liệu trong Hình 1.
dụng phân cụm dữ liệu điển hình là xác định trạng thái sức khỏe riêng biệt
từ dữ liệu suy giảm liên tục [131] trong giám sát tình trạng của bộ biến
đổi điện tử công suất. tương lai. Bảng Q là một ma trận chính sách thông tin ghi lại hành động
tối ưu được thực hiện với các biến điều kiện cụ thể. Chi tiết lý thuyết
Mục đích của việc nén dữ liệu là loại bỏ thông tin thừa trong tập dữ liệu hơn về RL có thể được tìm thấy trong [139].
để giảm số lượng các tính năng của tập dữ liệu. Ví dụ: sử dụng phân tích Một ví dụ ứng dụng là MPPT [5], [6], [140]. Lưu ý rằng RL có được trải
thành phần chính (PCA) [127], thu được biểu diễn rút gọn của tập dữ liệu nghiệm từ sự tương tác giữa các hệ thống thay vì các bộ dữ liệu hiện có.
với số lượng tính năng ít hơn nhiều nhưng vẫn duy trì tính toàn vẹn của Do đó, sẽ thuận lợi hơn cho các trường hợp hệ thống có ít kiến thức hơn
tập dữ liệu. hoặc mô hình của nó khó xây dựng.
Nói chung, các thuật toán học tập không giám sát này đóng vai trò tiền Tóm lại, Hình 5 trình bày số liệu thống kê sử dụng của các phương pháp
xử lý dữ liệu trước khi chuyển sang phân tích tiếp theo (ví dụ: chẩn đoán học máy. Học có giám sát được áp dụng chủ yếu cho điện tử công suất. Lý do
lỗi). Mặc dù bước này là tùy chọn, nhưng sẽ giúp giảm gánh nặng tính toán là học có giám sát là một công cụ linh hoạt, thường là phần trung tâm của
và cải thiện độ chính xác của phân tích. Bảng III tóm tắt các phương pháp phần lớn các ứng dụng liên quan đến học máy trong các hệ thống điện tử công
học không giám sát điển hình cho các ứng dụng điện tử công suất. suất.
Có thể tìm thấy thêm các phương pháp học tập không giám sát và chi tiết lý
thuyết trong [137].

E. Dòng thời gian của các phương pháp và ứng dụng AI có liên quan
3) Học tăng cường: Trái ngược với học có giám sát và học không giám sát,
trong điện tử công suất
RL không yêu cầu tập dữ liệu huấn luyện. Thay vào đó, nó nhằm mục đích tìm
ra một chiến lược hành động phù hợp để tối đa hóa phần thưởng cho một nhiệm Hình 6 tóm tắt các mốc quan trọng của các phương pháp AI có liên quan
vụ cụ thể, về cơ bản là một nhiệm vụ tối ưu hóa hoặc lập trình động. và ứng dụng của chúng trong điện tử công suất. Nó bao gồm năm mà thuật
toán được đề xuất lần đầu tiên, ứng dụng đầu tiên trong điện tử công suất,
Chiến lược hướng đến mục tiêu này được hình thành từ các tương tác với các các mốc quan trọng của thuật toán AI có liên quan và các ứng dụng theo
hệ thống hoặc mô hình mô phỏng bằng quy trình thử và sai [138]. từng phương pháp. Cần lưu ý rằng thông tin là kiến thức tốt nhất của các
Bằng cách này, nó dần dần tích lũy kinh nghiệm và học một chiến lược cụ tác giả. Ngoài ra, dòng thời gian không rộng để bao gồm tất cả các thuật
thể nhằm tối đa hóa mục tiêu được xác định trước. Về mặt lý thuyết, RL là toán AI hiện có. Thay vào đó, chỉ những cái cho thấy tiềm năng lớn trong
một quá trình quyết định Markov [139]. Việc đào tạo RL nhằm mục đích phát điện tử công suất mới được đưa vào. Theo Hình 6, có thể lưu ý những điều
triển bảng Q về chính sách lựa chọn hành động, chính sách này có thể tối sau.
đa hóa tổng phần thưởng mong đợi trong
Hình 6. Dòng thời gian của các phương pháp và ứng dụng AI có liên quan trong điện tử công suất. Các mốc quan trọng được xác định khi xem xét các biến thể thuật toán quan
trọng và các ứng dụng có liên quan. Nó được tổ chức dưới dạng ( các biến thể quan trọng)-năm ứng dụng. Biến thể quan trọng được chỉ định cụ thể. Mặt khác, nó là một thuật
toán tiêu chuẩn.
1) Hiện nay, việc áp dụng cả hệ chuyên gia và logic mờ là vừa tiềm năng của các phương pháp NN trong việc giải quyết các
phải, đặc biệt là đối với hệ chuyên gia. nhiệm vụ phức tạp trong các hệ thống điện tử công suất. Thứ
Trước những năm 2000, việc triển khai thực tế của chúng được hai, cấu trúc của NN khá linh hoạt để kết hợp các phương pháp
phát triển khi có hiệu suất hạn chế của phần cứng máy tính, AI khác nhằm cải thiện hiệu suất, ngụ ý có nhiều biến thể
điều này đã được cải thiện đáng kể cho đến nay. Sự phát triển phương pháp.
nhanh chóng của phần cứng máy tính này tạo điều kiện và đẩy 4) Có xu hướng gia tăng các ứng dụng với các phương pháp hạt nhân
nhanh việc triển khai các phương pháp AI khác mạnh mẽ hơn để và các mô hình đồ họa xác suất. Đó là bởi vì hầu hết các phương
thay thế hệ chuyên gia và logic mờ. pháp này được xây dựng trong khuôn khổ Bayesian, có khả năng
khái quát hóa tốt hơn và có thể giải thích được. Hơn nữa, gánh
2) Các phương pháp metaheuristic liên tục phát triển và được áp nặng tính toán của chúng có thể được giải quyết tốt với các
dụng cho điện tử công suất. Chúng được sử dụng cho một nhiệm nền tảng cho đến nay.
vụ hoàn chỉnh hoặc một bước quan trọng cùng với các phương pháp 5) RL là biên giới mới nhất của các phương pháp học máy được áp
học máy khác. dụng cho điện tử công suất, được hỗ trợ bởi sự phát triển
3) Các phương pháp NN là lĩnh vực tích cực nhất cho các ứng dụng nhanh chóng của phần cứng máy tính.
AI cho điện tử công suất. Lý do là gấp đôi. Đầu tiên, sự phát Những điều sau đây có thể được ghi nhận từ hình. 2, 3 và 6 về so
triển đáng kể của phần cứng máy tính giải phóng sánh các phương pháp AI khác nhau.
1) Cả phương pháp siêu dữ liệu và học máy đều có thể được áp dụng 2) Không gian ràng buộc: Không gian ràng buộc xác định không gian
cho các tác vụ tối ưu hóa. Cụ thể, tối ưu hóa dựa trên máy học khả thi, ranh giới, mối quan hệ và giới hạn mà hàm mục tiêu
(ví dụ: RL) tập trung vào tối ưu hóa động liên quan đến quá phải chịu. Các ràng buộc này bao gồm các đẳng thức và bất đẳng
trình ra quyết định (ví dụ: MPPT). Phương pháp siêu dữ liệu thức tuyến tính hoặc phi tuyến tính. Chúng bắt nguồn từ các yêu
thường được áp dụng cho tối ưu hóa tĩnh (ví dụ: thiết kế tản cầu thiết kế thực tế, ví dụ: hình học, khối lượng, đặc điểm tuổi
nhiệt). thọ, chi phí, v.v.
2) Cả logic mờ và học máy đều có thể được khai thác cho các nhiệm vụ 3) Khám phá giải pháp: Bài toán tối ưu hóa được xác định là cực đại
phân loại. Nói chung, học máy chính xác và linh hoạt hơn logic hóa (hoặc cực tiểu hóa) các hàm mục tiêu bằng cách điều chỉnh
mờ. các biến quyết định trong các không gian ràng buộc. Các phương
3) Nhiệm vụ hồi quy có thể được thực hiện với hệ thống chuyên gia, pháp AI, đặc biệt là các phương pháp metaheuristic, có thể được
logic mờ và học máy. Việc triển khai hệ chuyên gia đơn giản áp dụng cho bước này.
nhưng kém hiệu quả hơn so với logic mờ và máy học. Việc thực 4) Đánh giá hiệu suất: Giải pháp ứng cử viên có thể được kiểm tra
hiện logic mờ cần có kinh nghiệm của chuyên gia. Học máy là theo các mục tiêu được xác định trước bằng cách sử dụng mô
phương pháp phổ biến nhất và các biến thể thuật toán khác nhau phỏng, thử nghiệm hardwire-in-the-loop, thử nghiệm nguyên mẫu,
đã được phát triển. Nó có thể được kết hợp với logic mờ để cải v.v. Kết quả có thể được trả về các bước trước đó để cải thiện
thiện hiệu suất. và tối ưu hóa hiệu suất hơn nữa.
Thay vì một thủ tục tuần tự, nhiệm vụ thiết kế là một quá trình thử
4) Chỉ có thể áp dụng học máy cho nhiệm vụ khám phá cấu trúc dữ liệu. và sai lặp đi lặp lại. Dựa trên đánh giá ở mỗi bước, nhiệm vụ có thể
được định dạng lại, ví dụ: điều chỉnh mục tiêu, sửa đổi không gian ràng
Ba phần sau đây thảo luận về các ứng dụng của các phương pháp AI buộc, cấu hình lại các phương pháp lập trình, v.v. Đối với thiết kế
được giới thiệu trước đó trong các giai đoạn thiết kế, điều khiển và thông thường trong điện tử công suất, việc này tốn nhiều thời gian và
bảo trì của các hệ thống điện tử công suất, tương ứng. cần nhiều bước lặp lại. Ví dụ, việc căn chỉnh thành phần và lựa chọn
mô hình dựa vào kinh nghiệm và trực giác của chuyên gia mà không có
nhiều tham chiếu định lượng.

III. THIẾT KẾ
Theo cách này, hiệu suất thiết kế sẽ hội tụ từ từ đến các tiêu chuẩn
Thiết kế trong điện tử công suất bao gồm lựa chọn cấu trúc liên cần thiết. Hạn chế này có thể được giảm thiểu bằng các phương pháp AI.
kết, định cỡ thành phần, tổng hợp mạch, xem xét độ tin cậy, v.v., về Chúng có thể được áp dụng cho 1) công thức mục tiêu để giảm thời gian
cơ bản là một nhiệm vụ tối ưu hóa [145]. Một quy trình điển hình để thiết kế và 3) khám phá giải pháp để mô hình hóa và tối ưu hóa.
thiết kế hệ thống điện tử công suất bao gồm bốn bước sau.
1) Xây dựng mục tiêu: Các chức năng mục tiêu là các mục tiêu thiết
A. Giảm thời gian thiết kế
kế mong muốn được tối đa hóa hoặc giảm thiểu. Nói chung, các mục
tiêu thiết kế trong điện tử công suất bao gồm tham số thành phần Việc xây dựng mục tiêu thiết kế cần phải được cải thiện nếu việc
[41], trọng lượng [146], thể tích [147], chi phí [146], kiểu tản đánh giá nó đòi hỏi tính toán chuyên sâu. Một ứng dụng của các phương
nhiệt [3], diện tích [148], tổn thất điện năng [62], v.v. là rất pháp AI là một mô hình thay thế trong công thức mục tiêu để giảm nỗ lực
quan trọng để xây dựng các yêu cầu thiết kế cần thiết hoặc mong tính toán. Mô hình thay thế mang lại một hành vi giống hệt với động lực
muốn cho một số biểu thức toán học rõ ràng dưới dạng một mục học của hệ thống đang thách thức để hình thành hoặc cần nỗ lực tính
tiêu đơn lẻ, như được đưa ra trong (1) hoặc nhiều mục tiêu, như toán chuyên sâu để mô tả. Trong quy trình thiết kế lặp, mô hình thay
được đưa ra trong (2) [12], [145]: thế dựa trên AI đóng vai trò thay thế giúp giảm đáng kể nỗ lực tính
toán.
(1)
maxx f(x)
Là một ứng dụng của Thiết kế cho Độ tin cậy (DfR), trong [80], hai
NN chuyển tiếp nguồn cấp dữ liệu (FFNN) được áp dụng cho thiết kế độ
maxx wT f(x), maxx f(x)
tin cậy tự động của các hệ thống điện tử công suất. FFNN đầu tiên đóng
st g(x) ≤ 0, h(x)=0, x [xl, xu] (2) vai trò là mô hình thay thế mô phỏng các đặc tính nhiệt của bộ chuyển
đổi năng lượng, theo đó các thông số thiết kế có thể được ánh xạ tới
trong đó g(x) và h(x) lần lượt là các bất đẳng thức và đẳng thông tin về sự thay đổi nhiệt độ của đường giao nhau.
thức. xl và xu lần lượt là các aries cận dưới và cận trên của Sau đó, FFNN thứ hai được áp dụng để ánh xạ hồ sơ nhiệm vụ hàng năm (ví
các biến quyết định x. Ở đây, mục tiêu tối đa hóa là mục tiêu, dụ: bức xạ mặt trời hàng năm và nhiệt độ môi trường xung quanh) với mức
có thể áp dụng đơn giản cho trường hợp tối thiểu hóa. Lưu ý tiêu thụ trọn đời hàng năm. Theo cách này, mối quan hệ phi tuyến tính
rằng, đối với nhiều mục tiêu trong (2), có thể giải quyết vấn đề giữa các tham số được thiết kế và mức tiêu thụ trọn đời hàng năm được
này bằng cách tối đa hóa hàm vô hướng wT f(x) bằng cách tính định lượng rõ ràng, có thể đẩy nhanh quá trình thiết kế lặp lại.
trọng số nhiều mục tiêu cùng nhau hoặc bằng cách tối ưu hóa trực
tiếp vectơ mục tiêu f(x), trong đó mặt trước Pareto [62] có thể Một ví dụ khác về AI cho DfR của các hệ thống điện tử công suất được
là được áp dụng để xác định giải pháp tối ưu, ví dụ: phương pháp đưa ra trong [109]. Với khả năng vượt trội trong việc xử lý dữ liệu
GA phân loại không thống trị để tối ưu hóa thiết kế đa mục tiêu chuỗi thời gian, mạng tự hồi quy phi tuyến tính với đầu vào ngoại sinh
của các mô-đun nguồn trong [60]. (NARX) được áp dụng cho mô hình nhiệt của điện tử công suất.
Công suất tối đa PV, điện áp điểm công suất tối đa PV và số lượng
bảng trên mỗi chuỗi. GA kết hợp với Pareto front được ứng dụng để
giải bài toán tối ưu đa mục tiêu.
Bên cạnh đó, có một biến thể cải tiến cụ thể của GA cho nhiệm vụ tối
ưu hóa đa mục tiêu, tức là sắp xếp không thống trị GA II (NSGA-II)
[63].
Trong [45], PSO được áp dụng để tổng hợp mạch của một mạch điện
Hình 7. Chín mẫu ô khác nhau cho mỗi ô trống [3]. GA được áp dụng để xác tử công suất, trong đó các giá trị tối ưu của các thành phần được
định sự kết hợp tối ưu của các mẫu ô khác nhau cho thiết kế tản nhiệt nhằm
khám phá để đáp ứng các mục tiêu thiết kế về hiệu suất tĩnh và động
giảm thiểu nhiệt độ đường giao nhau.
tốt hơn. Đối với trường hợp cụ thể này, mô phỏng chỉ ra rằng PSO
mang lại giải pháp vượt trội với ít nỗ lực tính toán hơn so với GA.
các hệ thống xem xét các hiệu ứng ghép nối chéo nhiệt. Mô hình nhiệt
dựa trên NARX được đề xuất có thể được hoàn thành trong khoảng 109 Trong [70], ACO được áp dụng để xác định các giá trị thành phần
giây, đây là một cải tiến hiệu quả đáng kể so với 1005 giây của mô tối ưu trong mạch điện tử công suất, trong đó ACO thông thường được
hình thông thường. Sai số giữa nhiệt độ được ước tính bởi mô hình mở rộng để tạo thuận lợi cho việc tối ưu hóa với các giá trị thành
nhiệt dựa trên NARX và phép đo thực tế nhỏ hơn 1 C. Kết quả thử phần liên tục và đẩy nhanh quá trình tối ưu hóa.
nghiệm chỉ ra rằng mô hình nhiệt dựa trên NARX có thể thay thế mô Hơn nữa, dung sai thành phần được tích hợp vào quá trình tối ưu hóa,
hình thông thường với ít nỗ lực thử nghiệm hơn và gánh nặng tính điều này làm cho phương pháp được đề xuất có lợi hơn cho các ứng
toán ít hơn nhiều. dụng thực tế.
IV. ĐIỀU KHIỂN

Trong [79], xem xét các tương tác điện nhiệt, FFNN được áp dụng
để xây dựng mô hình hành vi thành phần của MOSFET mà không cần bất Về cơ bản, các ứng dụng điều khiển bằng phương pháp AI trong các
kỳ kiến thức chuyên sâu nào về cấu trúc thiết bị. Ở trạng thái tĩnh, hệ thống điện tử công suất có thể được phân loại thành tối ưu hóa và
các đặc tính phi tuyến tính phức tạp và phụ thuộc vào nhiệt độ giữa hồi quy. Tương tự như việc tối ưu hóa trong giai đoạn thiết kế, các
các biến, bao gồm điện áp từ nguồn đến nguồn VDS, điện áp từ cổng tác vụ liên quan đến tối ưu hóa trong các ứng dụng điều khiển cũng
đến nguồn VGS, nhiệt độ đường giao nhau Tj và ID dòng điện đầu ra xử lý bằng các phương pháp metaheuristic. Một số ứng dụng ap đại
diện được đưa ra trước.
được thiết lập bằng cách sử dụng NN. Mô hình nhỏ gọn này có thể tăng
tốc đáng kể quá trình mô phỏng thiết kế với độ chính xác tương đương. Trong [64], GA được áp dụng để điều chỉnh PID của bộ điều khiển
logic lập trình, trong đó mục tiêu tối ưu hóa là giảm thiểu sai số
giữa bước lý tưởng và đáp ứng đường dốc và những cái được khởi tạo
với số hạng tỷ lệ Kp, số hạng tích phân KI và đạo hàm . hạn KD do GA

tìm được. Phân tích thử nghiệm chỉ ra rằng hiệu suất đầu ra của bộ
B. Lập mô hình và Tối ưu hóa
điều khiển được tối ưu hóa rất gần với đáp ứng bước và đoạn đường
Mô hình hóa và tối ưu hóa các hệ thống điện tử công suất là về nối lý tưởng.
việc chỉ định cấu trúc liên kết mạch, mô hình thành phần, tham số Trong [42], để khắc phục những thách thức của nhiều điểm công suất
thành phần, v.v., sao cho kích thước, trọng lượng, tần số hoạt động, cực đại trong các tình huống bị che bóng một phần đối với các hệ
v.v. của hệ thống sẽ dẫn đến các đặc tính tối ưu (ví dụ: tổn thất thống PV, một phương pháp MPPT dựa trên ACO được đề xuất. Nó được
điện năng, mật độ điện năng) các ràng buộc thiết kế đã cho [12]. Cụ so sánh với các phương pháp thông thường, bao gồm theo dõi điện áp
thể, phương pháp tối ưu hóa được áp dụng cho khám phá giải pháp để không đổi, nhiễu & quan sát và PSO. Các kết quả thử nghiệm chỉ ra
cung cấp cấu hình tối ưu tổng thể, trong đó có thể khai thác các rằng phương pháp MPPT dựa trên ACO vượt trội về khả năng hội tụ toàn
phương pháp siêu dữ liệu trong AI. Như đã đề cập, việc lựa chọn một cầu và mạnh mẽ đối với các kiểu đổ bóng khác nhau.
phương pháp metaheuristic phù hợp phụ thuộc vào ứng dụng cụ thể. Một Trong [47], trong biến tần một pha toàn cầu, một IA được áp dụng
số ứng dụng mẫu mực được đưa ra như sau. để tìm chuỗi điều khiển điều chế độ rộng xung hình sin (PWM) tối ưu
Trong [3], GA được kết hợp với phân tích phần tử hữu hạn cho thiết của bốn công tắc giảm thiểu méo hài tổng (THD) của dạng sóng đầu
kế tản nhiệt tự động của biến tần ba pha 50 kW. Như được hiển thị ra. Thí nghiệm chỉ ra rằng THD bằng cách sử dụng IA là 0,79%, vượt
trong Hình 7, GA được áp dụng để tối ưu hóa sự kết hợp của chín mẫu trội so với phương pháp điều khiển thông thường của dòng điện trễ
tùy chỉnh để tạo thành một mẫu tản nhiệt ô phức tạp. Mục đích là để PWM với 1,23% và giải pháp GA với 0,99%.
giảm thiểu nhiệt độ đường giao nhau của các thiết bị bán dẫn điện.
So với thiết kế thông thường với kiểu ô thông thường, phương pháp Hơn nữa, IA vượt trội so với GA về tốc độ hội tụ.
được đề xuất tạo ra giải pháp tản nhiệt với kích thước nhỏ hơn 27% Có thể tìm thêm ví dụ về các ứng dụng điều khiển liên quan đến tối
và nhiệt độ tiếp giáp thấp hơn 6%. ưu hóa trong [12].
Các tác vụ liên quan đến hồi quy trong các ứng dụng điều khiển
Trong [62], thiết kế của hệ thống lưới điện siêu nhỏ dựa trên đang xử lý ánh xạ phi tuyến của các đầu vào và đầu ra của hệ thống
năng lượng mặt trời 500 kW được xây dựng như một nhiệm vụ tối ưu hóa theo cách tĩnh hoặc động. Cụ thể, nó liên quan đến việc điều chỉnh
đa mục tiêu, giúp tối đa hóa phân phối điện năng trung bình và đồng các hệ thống để đảm bảo đầu ra hiệu suất dự kiến với các nguyên tắc
thời giảm thiểu trọng lượng hệ thống. Nó khám phá các giá trị tối ưu hệ thống. Một số hạn chế của các phương pháp thông thường được xác
của bốn tham số microgrid, bao gồm điện áp pin, định, đó là như sau.
Hình 8. Bộ điều khiển dựa trên logic mờ cho hệ thống tạo gió có tốc độ thay đổi [30]. MFs: Các hàm thành viên. Trong bảng ma trận quy luật: P: dương; V: rất; B:
lớn; M: trung bình; ZE: không; N: tiêu cực.
1) Cấu hình bộ điều khiển yêu cầu kiến thức chuyên sâu về các nguyên được điều chỉnh bằng cách sử dụng định lý ổn định Lyapunov để đảm bảo tính
tắc điều khiển hệ thống, đây là một thách thức và thậm chí không ổn định của hệ thống. Phân tích thực nghiệm chứng minh rằng bộ điều khiển
khả thi đối với các trường hợp phức tạp. Các hệ thống phức tạp sẽ kiểu TSK thích nghi được phát triển vượt trội so với bộ điều khiển logic
tốn thời gian để xem xét các đặc tính tuyến tính từng phần và thay mờ truyền thống và bộ điều khiển PI. Có thể tìm thấy bộ điều khiển kiểu
đổi theo thời gian, trong đó bộ điều khiển thường được tối ưu hóa TSK tương tự trong [31] để tính gần đúng đường cong điều khiển chế độ trượt
tại một số điểm vận hành quan trọng thay vì toàn bộ khu vực vận điển hình cho trình điều khiển LED tích hợp.
hành, dẫn đến giải pháp thời gian phụ. Nó hiệu quả về mặt tính toán và được triển khai trên một nền tảng chi phí
thấp.
2) Sau khi bộ điều khiển được cài đặt, nó hoạt động theo cách tĩnh với Mặc dù bộ điều khiển logic mờ có thể xử lý sự không chắc chắn của hệ
khả năng thích ứng hạn chế, cho thấy rằng nó chỉ áp dụng cho các hệ thống, tương tự như các phương pháp thông thường như PID, nhưng không có
thống bất biến theo thời gian. Tuy nhiên, khi điều kiện môi trường cơ chế cập nhật nội bộ và do đó, khả năng thích ứng bị hạn chế [50]. Ngoài
và vận hành thay đổi, bộ điều khiển sẽ kém mạnh mẽ hơn đối với các ra, có thể thấy rằng việc thiết kế các hàm tàu thành viên và các luật mờ
thay đổi tham số hệ thống và hiệu suất điều khiển có thể bị suy giảm. đòi hỏi kinh nghiệm của chuyên gia, điều này hạn chế rất nhiều tính thực
tiễn của phương pháp. Vì vậy, một phương pháp như vậy chỉ áp dụng cho các
3) Từ góc độ điều khiển hiệu quả, một bộ điều khiển lý tưởng phải có chuyên gia trong hầu hết các trường hợp. Tuy nhiên, từ quan điểm này, trải
khả năng đối phó với các dung sai tham số với phản ứng tức thời nghiệm chuyên gia có thể được xử lý bằng logic mờ và sau đó, được kết hợp
nhanh để duy trì sự ổn định của hệ thống. Tuy nhiên, một tính năng với các kỹ thuật AI khác như một phương pháp kết hợp, như sẽ thảo luận sau.
mong muốn như vậy không thể được đáp ứng tốt.
Những hạn chế này có thể được giảm thiểu bằng các phương pháp AI. Đối
với nhiệm vụ liên quan đến hồi quy trong các ứng dụng điều khiển, nó được
B. Bộ điều khiển dựa trên NN
tổ chức theo logic mờ, NN và RL.
Là một kỹ thuật hộp đen , NN có thể xấp xỉ một loạt các hàm phi tuyến
với độ chính xác tùy ý. Với ít yêu cầu về kiến thức hệ thống, bộ điều
A. Bộ điều khiển dựa trên logic mờ
khiển dựa trên NN sở hữu một số ưu điểm, chẳng hạn như độ bền, không có mô
Các phương pháp dựa trên logic mờ đã được áp dụng rộng rãi để điều khiển hình, động, thích ứng, xấp xỉ phổ quát, v.v.
các hệ thống điện tử công suất, ví dụ: điều khiển tốc độ [30], MPPT [35],
quản lý năng lượng [149], v.v. 1) NN thông thường: NN được sử dụng rộng rãi nhất trong điện tử công
Trong [30], một chiến lược điều khiển với ba bộ điều khiển logic mờ suất là FFNN (hoặc NN lan truyền ngược) với đa lớp chuyển tiếp nguồn cấp
được phát triển cho hệ thống tạo gió có tốc độ thay đổi. Cấu trúc của bộ dữ liệu và cấu trúc liên kết lan truyền ngược [14]. Các ứng dụng tương ứng
điều khiển lập trình tốc độ máy phát điện được đưa ra trong Hình 8. Các về cơ bản khai thác thuộc tính ánh xạ phi tuyến tính tĩnh của FFNN.
biến điều khiển bao gồm mức tăng của công suất đầu ra ΔPo và biến thiên
cuối cùng của tốc độ LΔw Bộ điều khiển đưa ra biến thiên tốc độ Δw tốcr. Trong [82], FFNN được áp dụng cho xử lý dạng sóng và lọc không trễ. Với
độ máy phát điện đối với gió tối đa sản lượng điện. Logic mờ r để điều chỉnh hai trường hợp tần số thay đổi và cường độ thay đổi, điều đó cho thấy FFNN
kiểu Mamdani được áp dụng và thông tin được tổng hợp theo bảng ma trận quy có thể chuyển đổi dạng sóng pha m với hình dạng tùy ý thành dạng sóng pha
tắc, ví dụ: “NẾU ΔPo là PS VÀ LΔw là ZE, THÌ Δw là PM.” Các chức năng n với các đặc điểm khác nhau về cường độ và tần số. Phương pháp xử lý dạng
thành viên được điều chỉnh lặp đi lặp lại bằng mô phỏng và thử nghiệm hệ sóng dựa trên FFNN cung cấp sự đơn giản hóa việc triển khai phần cứng.
thống. Bộ điều khiển logic mờ kiểu Mamdani tương tự để điều chỉnh tần số Hơn nữa, các chức năng xử lý đơn bổ sung có thể được nhúng dễ dàng do
r r
sơ cấp của trang trại gió có thể được tìm thấy trong [34]. tính linh hoạt của cấu trúc.
Trong [83], PWM vector không gian (SVPWM) cho biến tần cấp nguồn điện
Trong [36], một bộ điều khiển logic mờ được đề xuất để điều chỉnh tốc áp ba cấp được triển khai với FFNN. Đầu vào của NN là các điện áp pha lệnh
độ của động cơ từ trở chuyển mạch dựa trên logic mờ TSK bằng cách xấp xỉ được lấy mẫu và đầu ra là các mẫu độ rộng xung của SVPWM. Đào tạo
luật điều khiển lý tưởng. Thông số

Hình 9. Cấu trúc của một RBFN có ba lớp [50]. x1 là đầu vào của nút lớp đầu
Tôi
vào i và y1 là đầu ra của nó. y2 là đầu

Tôi
j ra của nút lớp ẩn j. lớp y3 được
kết k là đầu ra của nút lớp đầu ra k. Lớp đầu vào và lớp ẩn
nối đầy đủ và trực tiếp mà không có trọng số.
dữ liệu được tạo bởi quá trình mô phỏng với thuật toán SVPWM. Bằng
cách so sánh với giải pháp SVPWM dựa trên bộ xử lý tín hiệu số (DSP)
thông thường, hiệu suất của SVPWM dựa trên FFNN được xác minh và nó có
thể được triển khai linh hoạt trên chip IC chuyên dụng.
Ngoài FFNN, một cấu trúc NN thông thường khác là mạng chức năng cơ
sở hướng tâm (RBFN). Trong FFNN, trọng số của input-to-hidden và hidden-
to-output được xác định đồng thời. Đối với RBFN, lớp đầu vào được kết
nối trực tiếp và đầy đủ với lớp ẩn mà không có trọng số. Lớp ẩn được
kết nối với lớp đầu ra bằng trọng số Wj , đây là tham số trọng số duy
nhất được xác định trong quá trình huấn luyện, như trong Hình 9. Thông
thường, khả năng tổng quát hóa của RBFN tốt hơn FFNN và tốc độ huấn
luyện cũng như việc thực thi tốc độ nhanh hơn.
Một ứng dụng mẫu của RBFN trong máy phát điện cảm ứng ba pha để điều Hình 10. Bộ điều khiển dựa trên FNN cho bộ chuyển đổi tăng tốc [100]. x1
chỉnh điện áp đường dây một chiều và điện áp đường dây xoay chiều có là mặt trượt S(x) và x2 là vi phân của nó, n = 2. µj là hàm thành viên thứ
Tôi
j của đầu vào xi. w là trọng số giữa các lớp. (a) Sơ đồ khối của bộ điều
thể được tìm thấy trong [50].
khiển dựa trên FNN cho bộ chuyển đổi tăng tốc. (b) FNN với cấu trúc bốn lớp.
Về số lượng tế bào thần kinh, có rất ít nguyên tắc để xác định số
lượng tối ưu. Một phương pháp chung là bắt đầu với một số lượng tế bào
thần kinh tương đối nhỏ và sau đó tăng dần nó theo lỗi huấn luyện. Đối
với hàm kích hoạt trong lớp ẩn, có nhiều tùy chọn khác nhau, bao gồm Trong [100], một FNN được áp dụng để mô phỏng điều khiển chế độ
sigmoid [4], [51], [52], [83], hàm cơ sở xuyên tâm [50], [150], hàm trượt của bộ biến đổi tăng cường để giảm bớt hiện tượng nhiễu.
tiếp tuyến hyperbol [106], [151], wavelet [46], [53], [84], [152], v.v. Sơ đồ khối của bộ điều khiển được đưa ra trong Hình 10(a) và cấu trúc FNN với
Điều đáng nói là hàm kích hoạt wavelet sở hữu khả năng vượt trội về tốc bốn lớp được đưa ra trong Hình 10(b). Đầu vào của FNN bao gồm bề mặt trượtS(t)
độ hội tụ và tổng quát hóa. và độ phân biệt của nó S˙(t), thu được dựa trên việc theo dõi các sai số của
điện áp đầu ra trung bình ev và dòng điện cuộn cảm ei, với điện áp tham chiếu
Vref và dòng điện iref. Tín hiệu điều khiển đầu ra là chu kỳ làm việc u của
2) NN Với Logic Mờ: Trong các ứng dụng điều khiển, độ không đảm bảo PWM. Suy luận mờ được thực hiện (xi). Đầu ra mạng của lớp quy tắc là lk = Ny
của tham số và nhiễu bên ngoài cần được xem xét kỹ lưỡng đối với độ ổn k=1
N
định và độ bền của hệ thống. Kết quả là, một biến thể cải tiến của NN, tôi = 1 wk jiμj tôi
tức là FNN, hoặc hệ thống mờ thần kinh, là sự kết hợp giữa NN và logic thu được là u = f( wklk). Đối với điều khiển điện áp, hiệu suất theo
mờ, đã được đề xuất. FNN có ưu điểm từ cả hai khía cạnh [100], nghĩa dõi điện áp được đánh giá bằng sai số bình phương trung bình (MSE) của
là, các quy tắc lập luận IF–THEN giống như con người của logic mờ kết điện áp đầu ra
hợp kiến thức chuyên môn và sự không chắc chắn về nhận thức, cũng như
khả năng gần đúng và khái quát hóa mạnh mẽ đối với bất kỳ hệ thống phi t
1
tuyến tính nào của NN. Chi tiết lý thuyết hơn về FNN có thể được tìm MSE = (3)
e2 v(d)
thấy trong [39]. Td =1
Hình 11. Bộ điều khiển dựa trên ANFIS cho truyền động động cơ cảm ứng cấp nguồn
bằng biến tần PWM [101]. Nó là một cấu trúc mạng năm lớp với khả năng tự động
nhận dạng các luật mờ.
Trong đó T là số lần lấy mẫu. Việc điều chỉnh mạng nhằm mục Hình 12. Bộ điều khiển RFNN để điều khiển theo dõi quỹ đạo có độ chính xác cao
đích giảm MSE càng nhiều càng tốt để tạo ra điện áp chính xác của trình điều khiển động cơ vi bước tuyến tính [99]. Một đơn vị bộ nhớ của kết
nối phản hồi trễ thời gian Z 1 được thêm vào để kích hoạt khả năng động của bộ
và ổn định. Hiệu suất của FNN có thể được cải thiện đáng kể nếu
điều khiển NN.
chức năng thành viên được thiết kế tốt. Ví dụ, trong [46], một
hàm thành viên không đối xứng được áp dụng cho bộ điều khiển
của động cơ đồng bộ nam châm vĩnh cửu sáu pha. Nó chỉ ra rằng áp dụng cho ánh xạ quan hệ tĩnh và diễn họa hành vi. Hiệu suất
tốc độ học có thể được cải thiện và cấu trúc mạng có thể được động của bộ điều khiển là rất quan trọng đối với phản ứng nhất
đơn giản hóa so với các hàm thuộc thông thường, ví dụ, hàm thời. Để kích hoạt khả năng động của bộ điều khiển NN, một đơn
Gaussian [71], [99], [100]. vị bộ nhớ của kết nối phản hồi trễ thời gian Z 1 thường được
chèn vào để tạo công thức NN (RNN) hồi quy [107], như trong
Một trong những thách thức của FNN là thiết kế luật mờ, nơi Hình 12. Đầu ra của mạng không chỉ phụ thuộc vào các đầu vào
thường cần có kinh nghiệm chuyên môn sâu rộng [100]. Để vượt hiện tại mà còn phụ thuộc vào các đầu vào trước đó.
qua thách thức này, một công việc khung điển hình và hiệu quả Do đó, cấu trúc mạng có thể xử lý dữ liệu chuỗi thời gian để
khác kết hợp logic mờ và NN là ANFIS, có thể được mở rộng từ tạo điều kiện cho hiệu suất động học và độ nhạy tốt hơn.
cấu trúc bốn lớp trong Hình 10 dưới dạng cấu trúc liên kết năm Trong [106], một bộ điều khiển mạnh mẽ dựa trên RNN được đề
lớp [101], như trong Hình 11 .Trong ANFIS, các luật mờ IF–THEN, xuất cho các bộ biến đổi nối lưới một pha để điều khiển hiệu
cần có sự tham gia của các chuyên gia, có thể được tạo tự động suất tốt hơn khi có sự thay đổi tham số hệ thống. Việc huấn
trong quá trình huấn luyện. Ví dụ, trong [101], sơ đồ điều khiển luyện RNN được hoàn thành bằng phương pháp Levenberg–Marquardt
mô-men xoắn thần kinh trực tiếp được phát triển cho truyền động (LM) [13], [82], [106]. Sóng hài có thể được giảm đáng kể bằng
động cơ cảm ứng cấp nguồn biến tần PWM dựa trên ANFIS. cách sử dụng bộ điều khiển dựa trên RNN được đề xuất, đồng thời
Như được hiển thị trong Hình 11, đầu vào của bộ điều khiển dựa trên ANFIS có thể giảm thiểu các yêu cầu về tần số lấy mẫu và chuyển mạch
bao gồm sai số từ thông εm và sai số mô men xoắn εΨ. Lớp 1 là lớp thành cao cũng như các chính sách giảm chấn đối với các phương pháp
viên với các trọng số đầu vào wm và wΨ. điều khiển thông thường. Một cấu trúc RNN tương tự, còn được
Lớp 2 chọn mức tối thiểu từ các đầu vào. Chuẩn hóa được thực gọi là Elman NN (ENN), có thể được tìm thấy trong [52].
hiện ở lớp 3. Ở lớp 4, đầu ra oi được kết hợp tuyến tính với Ngoài hiệu suất của động lực học, logic mờ cũng được tích hợp
đầu vào mạng ud = (εm, εΨ). Lớp 5 là đầu ra mạng của các vectơ vào RNN để cải thiện hiệu suất của độ bền. Ví dụ, trong [99],
điều khiển điện áp stato ở tọa độ cực Vc và ϕVc . Δγi là góc một bộ điều khiển dựa trên FNN tuần hoàn tự tổ chức loại TSK
tăng và γs là góc thực tế của vectơ từ thông stato. Trái ngược (RFNN) được đề xuất cho điều khiển theo dõi quỹ đạo có độ chính
với các sơ đồ đào tạo thông thường, việc điều chỉnh tham số của xác cao của trình điều khiển động cơ bước chéo mi tuyến tính.
ANFIS được hoàn thành một cách tương tác với các thuật toán lan Cấu trúc mạng được đưa ra trong Hình 12. RFNN tự tổ chức kiểu
truyền ngược (đối với các hàm liên thuộc) và phương pháp bình TSK được áp dụng để mô hình hóa động lực nghịch đảo của trình
phương nhỏ nhất (đối với các tham số ở lớp thứ tư). Chi tiết lý điều khiển. So với FNN trong Hình 10(b), chìa khóa của RFNN là
thuyết hơn về các phương pháp đào tạo của ANFIS có thể được tìm chèn một lớp lặp lại, trong đó đầu ra nơ-ron bị trễ hi( k) được
thấy trong [153]. trả về làm đầu vào nơ-ron để tạo điều kiện thuận lợi cho động
3) NN với các đơn vị lặp lại: Các cấu trúc NN trong lực học của mạng. Sơ đồ và kích thước mạng được điều chỉnh bằng
Tuy nhiên, Phần IV-B1 và FNN trong Phần IV-B2 chỉ phương pháp tự tổ chức và
các tham số mạng tương ứng được điều chỉnh bằng phương pháp bình phương
nhỏ nhất đệ quy. Do đó, sơ đồ mạng và các tham số của nó có thể được tối
ưu hóa đồng thời.
4) Phương pháp đào tạo NN: Về cơ bản, đào tạo NN là một nhiệm vụ tối ưu
hóa. Tất nhiên, nó có thể được hoàn thành bằng các phương pháp tối ưu hóa
thông thường, ví dụ: PSO [51], bình phương nhỏ nhất lặp lại [99], bộ lọc
Kalman [105], v.v. Xem xét một số lượng lớn các tham số trong NN, các
phương pháp tối ưu hóa thông thường này là nói chung là không hiệu quả.
Kết quả là, một kế hoạch đào tạo phức tạp được phát triển, tức là thuật
toán lan truyền ngược [4], [50], [52], [53], [71], [83], [84], [150]. Chi Hình 13. Khung RL trong bộ điều khiển MPPT của hệ thống chuyển đổi năng
tiết lý thuyết hơn về thuật toán lan truyền ngược có thể được tìm thấy lượng gió [5], [138]. Bảng Q được xây dựng để lưu tốc độ rôto máy phát
tối ưu wr được thực hiện với trạng thái hệ thống hiện tại st, bao gồm
trong [1, Ch. 5].
công suất điện đầu ra hiện tại Pe và tốc độ rôto máy phát wr.
Thuật toán lan truyền ngược dựa trên ý tưởng về độ dốc dốc nhất. Một
trong những bước quan trọng trong thuật toán lan truyền ngược là lặp lại
cập nhật trọng số

trong số các bước quan trọng để học tuần tự là xác định tốc độ học phù hợp
wk+1 = wk ηkgk (4) ηk trong (4), vì ηk lớn hơn sẽ dẫn đến sự mất ổn định của hệ thống và ηk
nhỏ hơn sẽ dẫn đến sự hội tụ chậm.

trong đó wk là trọng số hiện tại, gk là độ dốc hiện tại, ηk là tốc độ học
Tốc độ học tập tối ưu ηk có thể được xác định bằng cách sử dụng các phương
tập và wk+1 là trọng số của lần lặp tiếp theo.
pháp siêu dữ liệu trong đào tạo, ví dụ: PSO trong [50], [52] và [53] và
Để tính toán gradient gk và tìm hướng dốc nhất của gradient giảm dần một
tiến hóa khác biệt (DE) trong [46]. Kết quả là quá trình học tuần tự có
cách hiệu quả, nhiều biến thể cải tiến khác nhau của thuật toán lan truyền
thể ổn định và hội tụ nhanh chóng.
ngược đã được đề xuất, ví dụ: phương pháp LM [13], [82], [106], thuật toán
lan truyền ngược đàn hồi, thuật toán gradient liên hợp, thuật toán secant
một bước, v.v.

C. Bộ điều khiển dựa trên RL
Lưu ý rằng rất khó để xác định thuật toán đào tạo phù hợp nhất cho một
nhiệm vụ cụ thể. Nó phụ thuộc vào nhiều yếu tố, bao gồm độ phức tạp của Với RL, bộ điều khiển học chiến lược điều khiển hướng mục tiêu bằng
vấn đề, kích thước tập dữ liệu, số lượng tham số, loại nhiệm vụ phân loại cách tương tác với hệ thống vật lý hoặc mô hình mô phỏng của nó [138]. Nó
hoặc hồi quy, v.v. Có thể tìm thấy một tài liệu tham khảo hữu ích trong dần dần tích lũy kinh nghiệm và học một chiến lược kiểm soát cụ thể nhằm
Hộp công cụ làm việc mạng nơ-ron MATLAB Manual [40], trong đó chi tiết lý tối đa hóa các mục tiêu được xác định trước.
thuyết, ưu điểm, hạn chế và so sánh của các thuật toán đào tạo này được Một trong những ứng dụng có liên quan của bộ điều khiển dựa trên RL là
phân tích kỹ lưỡng với một số ví dụ chuẩn. Điều đáng nói là phương pháp LM MPPT trong các hệ thống năng lượng tái tạo [5], như trong Hình 13.
là một trong những phương pháp được sử dụng rộng rãi nhất cho các ứng dụng Cụ thể, thuật toán MPPT thông minh thời gian thực sử dụng RL được đề xuất
trong điện tử công suất với tốc độ hội tụ nhanh và độ chính xác cao. cho hệ thống chuyển đổi năng lượng gió. Với khả năng học trực tuyến của RL
bằng cách tương tác với môi trường, một chiến lược kiểm soát tối ưu được
hình thành trong bảng Q.
Xem xét liệu tập dữ liệu đào tạo có sẵn ở dạng lô hay ở dạng tuần tự, Bảng Q bao gồm các phần tử của xác suất chuyển đổi trạng thái q(st, at),
sơ đồ đào tạo của NN có thể được hoàn thành trong quá trình học theo đợt, có thể tạo điều kiện cho công suất đầu ra (hoặc phần thưởng) cực đại nếu
còn được gọi là học ngoại tuyến hoặc học tuần tự, còn được gọi là học trực hành động tại , tức là tốc độ rôto máy phát dự kiến w được thực hiện với
tuyến hoặc học tăng dần. trạng

r, thái hệ thống hiện tại st , bao gồm công suất điện đầu ra hiện tại
Pe và tốc độ rôto máy phát wr. Điểm nổi bật là không yêu cầu tham số tuabin
Đối với học tập hàng loạt, độ dốc gk trong (4) được tính toán dựa trên gió và tốc độ gió. Bài báo này được mở rộng thêm bằng cách tích hợp NN vào
tất cả các điểm dữ liệu trong tập dữ liệu cho các bản cập nhật tham số. Nó Q-learning của RL [6]. Bằng cách này, tránh được những thách thức trong
thường áp dụng cho trường hợp toàn bộ tập dữ liệu có sẵn trước khi NN được việc xác định không gian trạng thái. Quá trình học trực tuyến có thể được
triển khai cho ứng dụng thực địa, ví dụ: xử lý dạng sóng và lọc không trễ kích hoạt lại sau khi mối quan hệ tối ưu đã học bị phá hủy bởi các hành vi
trong [82]. lão hóa của hệ thống. Nó cải thiện đáng kể khả năng tự trị của hệ thống
Đối với quá trình học tuần tự, độ dốc gk trong (4) được tính toán dựa chuyển đổi năng lượng gió. Một ví dụ tương tự có thể được tìm thấy trong
trên mọi điểm dữ liệu mới có sẵn hoặc một số điểm dữ liệu mới có sẵn tạo [140], trong đó RL được áp dụng cho điều khiển MPPT của bộ chuyển đổi buck
thành một minibatch. Do đó, quá trình học tập được hoàn thành dần dần. của mảng PV.
Tính năng này đặc biệt hữu ích đối với trường hợp dữ liệu huấn luyện chỉ
có thể được lấy tuần tự trong các ứng dụng hiện trường. Bộ điều khiển
thông minh [53] là một trường hợp điển hình của sơ đồ huấn luyện tuần tự Đối với bộ điều khiển dựa trên NN, quá trình học được hoàn thành từ các
vì dữ liệu đầu vào của NN chỉ có thể khả dụng một cách tuần tự bằng cách ví dụ do người giám sát bên ngoài cung cấp. Trong khi bộ điều khiển RL có
tương tác với đầu ra của lệnh điều khiển và hệ thống. thể học hỏi kinh nghiệm bằng cách tương tác trực tiếp với môi trường thông
qua các hành động và phần thưởng. Điều đáng nói là việc huấn luyện bộ điều
Với khả năng thích ứng này, NN có thể được tham số hóa lại và cấu hình lại khiển RL dựa trên sự tương tác giữa bộ điều khiển và hệ thống, và
để theo dõi sự thay đổi tham số hệ thống. Một

Hình 14. Lưu đồ bảo trì trong hệ thống điện tử công suất.
BẢNG IV môi trường làm việc phức tạp, khắc nghiệt [18], [154], [155].
ƯU VÀ HẠN CHẾ CỦA CÁC THUẬT TOÁN AI TRONG
Độ tin cậy và an toàn của các linh kiện điện tử công suất, bộ chuyển
KIỂM SOÁT ỨNG DỤNG
đổi và hệ thống có tầm quan trọng lớn đối với các ứng dụng tại hiện
trường. Trong bảo trì, các hoạt động phòng ngừa, bao gồm giám sát tình
trạng, phát hiện bất thường, chẩn đoán lỗi, dự đoán RUL, v.v., là những
cách tiếp cận hiệu quả để đảm bảo rằng các chức năng dự định có thể
được thực hiện đúng cách. Các hoạt động này phù hợp với khuôn khổ tiêu
chuẩn IEEE về PHM cho các hệ thống điện tử [156].
Hình 14 trình bày một lưu đồ có hệ thống về các hoạt động bảo trì trong
các hệ thống điện tử công suất. Nói chung, nó bao gồm ba phần sau đây.
1) Đào tạo ngoại tuyến và học kiến thức: Nó tích hợp các khía cạnh
khác nhau của kiến thức bao gồm dữ liệu theo dõi lịch sử, dữ
liệu mô phỏng, thử nghiệm kiểm tra lão hóa tăng tốc, chế độ lỗi
và phân tích hiệu ứng, v.v. Ngoài ra, các phương pháp tập hợp
FFNN—NN chuyển tiếp nguồn cấp dữ liệu và các biến thể của nó, FNN—NN mờ và các biến thể
của nó, RNN— NN hồi quy và các biến thể của nó, RFNN—NN mờ lặp lại và các biến thể của hoặc kỹ thuật tổng hợp thường được áp dụng cho việc này một phần
nó. Cao: +++, trung bình: ++, kém: +.
để cải thiện hiệu suất. Kết quả là, các động lực và hành vi của
hệ thống vật lý (ví dụ: hành vi xuống cấp) có thể được mô tả
bộ dữ liệu ngoại tuyến là không cần thiết trong trường hợp này. Do đó, chính xác dưới dạng các mô hình ngoại tuyến dựa trên thông tin
bộ điều khiển dựa trên RL có lợi cho các hệ thống mới không có bộ dữ của tập hợp đơn vị.
liệu hiện có. 2) Giám sát tình trạng và Đánh giá tình trạng: Phần này đề cập đến
đánh giá tình trạng của thiết bị đang hoạt động chịu sự giám sát
D. Thảo luận tình trạng trực tuyến trong các ứng dụng tại hiện trường. Mô
hình ngoại tuyến được điều chỉnh và cá nhân hóa cho đơn vị đang
Bảng IV tóm tắt các ưu điểm và hạn chế của thuật toán AI trong các
sử dụng thông qua lớp điều chỉnh tham số mô hình bằng cách thích
ứng dụng điều khiển. Điều đáng nói là hiệu suất động, độ bền, khả năng
ứng với môi trường hoạt động tại hiện trường và khối lượng công
khái quát hóa và tốc độ hội tụ của các thuật toán AI là rất quan trọng
việc. Các chức năng bao gồm nhận dạng tham số không xâm lấn,
trong các ứng dụng điều khiển. Độ phức tạp của thuật toán và gánh nặng
tiền xử lý dữ liệu (ví dụ: làm sạch dữ liệu), khai thác tính
tính toán là những thách thức lớn. Do đó, mảng cổng lập trình trường
năng, phát hiện bất thường, chẩn đoán lỗi và dự đoán RUL. Bằng
hoặc DSP hiệu suất cao là cần thiết cho việc triển khai thực tế.
cách này, kiến thức chuyên sâu để ra quyết định có thể được trích
xuất từ thông tin theo dõi tình trạng liên tục.
3) Quản lý và ra quyết định: Trong phần này, kiến thức hỗ trợ về

V. BẢO TRÌ
đánh giá sức khỏe được cung cấp để đưa ra quyết định tối ưu. Với
Mặc dù các đặc tính về độ tin cậy đã được xem xét kỹ lưỡng trong phản hồi này, các chính sách điều khiển (ví dụ: định tuyến nguồn)
thiết kế và điều khiển, các hệ thống điện tử công suất vẫn gặp nhiều có thể được điều chỉnh để tối đa hóa hiệu suất hệ thống với tình
rủi ro và thậm chí là hỏng hóc nghiêm trọng do trạng thời gian thực
trạng thái. Hơn nữa, chính sách bảo trì kinh tế có thể được thực
hiện để tạo điều kiện thuận lợi cho việc bảo trì dự đoán và dựa
trên điều kiện.
Sau đó, các ứng dụng liên quan của AI trong bảo trì
về ba phần này được thảo luận chi tiết.
A. Theo dõi tình trạng
Giám sát tình trạng [20], [157], [158] trong điện tử công
suất bao gồm nhận dạng tham số hệ thống, tiền xử lý dữ liệu và
khai thác tính năng. Thông tin theo dõi tình trạng được áp dụng
để khám phá những thông tin chuyên sâu tiềm ẩn và nhiều thông
tin, làm cơ sở cho các ứng dụng PHM tiếp theo.
Hình 15. Ví dụ về các phương pháp nhận dạng tham số hệ thống không cần mô hình
1) Nhận dạng tham số hệ thống: Nhận dạng tham số hệ thống
với AI. (a) Nhận dạng điện dung của tụ điện liên kết một chiều [88]. (b) ước
[159] liên quan đến việc thu thập thông tin cho các thành phần tính dòng điện một pha để tính phép đo trở kháng của hệ thống điện tử công suất
quan trọng. Tuy nhiên, việc phát triển phần cứng cụ thể để nhận [108]. (c) Ước tính ESR trong các bước p trong tương lai cho siêu tụ điện [103].
dạng tham số (ví dụ: tham số điện nhạy cảm với nhiệt độ của IGBT
[158]) là một nhiệm vụ khá khó khăn do các đặc điểm của hệ thống
điện tử công suất, ví dụ: không gian rất chật hẹp trong mô-đun bao gồm điện áp cung cấp Vt, nhiệt độ siêu tụ điện θt và chuỗi
nguồn, tần số chuyển mạch rất nhanh , những thay đổi tham số thời gian ESRt 400:100:t bao gồm năm điểm dữ liệu ESR trước đó.
tương đối không đáng kể về mặt lão hóa [157], v.v. Một trong Đầu ra của ANFIS là ước tính ESR trong các bước p trong tương
những giải pháp đầy hứa hẹn là phương pháp không xâm lấn mà không lai. Phân tích thực nghiệm chỉ ra rằng ESR của siêu tụ điện có
cần bất kỳ triển khai phần cứng bổ sung nào, trong đó thông tin thể được ước tính chính xác và sai số bình phương trung bình căn
đượclýchuẩn
quan tâm có thể được suy ra hoặc ước tính gián tiếp từ các tín hiệu vật hóa của ước tính ESR nhỏ tới 0,025 ở thời gian theo
có sẵn.
Do đó, việc giám sát tình trạng có thể được thực hiện bằng một giải dõi tình trạng là 2600 giờ.
pháp không có cảm biến và tiết kiệm chi phí, điều này thuận lợi cho các Một bản tóm tắt về khung của các phương pháp nhận dạng tham
nhà thực hành công nghiệp. Nói chung, việc xác định tham số hệ thống số không có mô hình được đưa ra trong Hình 15. Có thể thấy rằng
có thể được phân loại thành các phương pháp dựa trên mô hình và không các phương pháp AI đóng vai trò là công cụ hồi quy f(·) giữa các
có mô hình, xem xét liệu các mô hình và động lực học của hệ thống có tín hiệu đầu vào khả dụng và tham số cần theo dõi.
được yêu cầu hay không. Phương pháp không có mô hình hấp dẫn đối với các ứng dụng
Đối với phương pháp không có mô hình, không cần có kiến thức công nghiệp do chi phí phần cứng ít hơn. Tuy nhiên, nó thường
trước về động lực học của hệ thống. Về cơ bản, nó đề cập đến khả nhạy cảm với nhiễu và nhiễu bên ngoài do thiếu mô hình hệ thống.
năng hồi quy của các thuật toán AI để xây dựng mối quan hệ giữa Vì vậy, sự mạnh mẽ của nó nên được xem xét cẩn thận. Vấn đề này có
đầu vào và đầu ra. Ví dụ, trong ổ đĩa động cơ cầu đi-ốt phía thể được giảm thiểu bằng một lượng lớn dữ liệu trong giai đoạn đào
trước ba pha, dòng điện ia, đầu ra trong một pha và điện áp gợn tạo [159] để bao hàm các tình huống trong các ứng dụng thực địa càng
liên kết dc Δvdc được coi là đầu vào và điện dung C được áp dụng nhiều càng tốt. Tuy nhiên, việc thu thập dữ liệu tốn nhiều thời gian
làm đầu ra cho đào tạo FFNN [86]–[88]. Theo cách này, mối quan và chi phí.
hệ giữa các tín hiệu đầu vào và điện dung được thiết lập và do Một loại khác của nhận dạng tham số hệ thống là phương pháp
đó, điện dung có thể được suy ra một cách gián tiếp. Tương tự, dựa trên mô hình. Như tên ngụ ý, đối với một phương pháp dựa
người ta chứng minh rằng điện dung có thể được ước tính bằng trên mô hình, vật lý hệ thống và các mô hình được biết trước
một phần và mô hình nhận dạng được xây dựng với các tham số mô
FFNN được xây dựng bằng thông tin miền tần số của gợn điện áp
liên kết dc. Tiềm năng của FFNN trong ước tính điện dung được hình chưa biết. Theo cách này, nhiệm vụ xác định hệ thống tương
minh họa trong nguyên mẫu phần cứng [88]. đương với việc khám phá các tham số tối ưu của mô hình, về bản
chất là nhiệm vụ tối ưu hóa. Trong trường hợp này, AI, đặc biệt
Trong [108], xem xét khả năng động của RNN, một phương là các phương pháp siêu dữ liệu, được sử dụng như một công cụ
pháp xác định trở kháng được đề xuất dựa trên RNN để cho phép tối ưu hóa để tìm ra các giải pháp tối ưu. Có thể khai thác
phân tích độ ổn định cho các hệ thống điện tử công suất trên nhiều cách tiếp cận như PSO [57], thuật toán tìm kiếm con quạ
dải tần số rộng. RNN được áp dụng để xây dựng một mô hình có [73], GA [69], v.v., hoặc các biến thể cải tiến của chúng.
thể tạo ra các đầu ra giống hệt như hệ thống vật lý với các Trong [69], một phương pháp xác định tham số để chẩn đoán
đầu vào giống nhau. Các đầu vào của RNN bao gồm điện áp ba tình trạng của bảng PV được phát triển. Mạch tương đương của
pha va, vb, vc. Đầu ra là dòng điện một pha ia. Kết quả là, bảng PV được đưa ra trong Hình 16 và mô hình hệ thống của nó có
mô hình dựa trên RNN sở hữu các đặc tính tần số giống như mô nguồn gốc rõ ràng là
hình vật lý. Nó có thể được thực hiện để xác định trở kháng vsh vsh v
-
mà không làm gián đoạn hoạt động của hệ thống. iCsh(vsh, v) = Iph iD(vsh) Rsh Rs ,
1 vsh vsh v
Trong [103], ANFIS cải tiến được áp dụng để ước tính điện dvsh(vsh, v)
= -
Csh Iph iD(vsh) Rsh Rs
dung và điện trở nối tiếp tương đương (ESR) của siêu tụ điện. dt
Tại thời điểm giám sát t, đầu vào của ANFIS (5)
Hình 16. Mô hình động của bảng quang điện để nhận dạng tham số bằng phương
pháp dựa trên mô hình [69]. Các tham số hệ thống bao gồm dòng điện đầu vào
Iph, dòng điện đầu ra Io (i(t)), điện áp vsh trên tụ điện Csh, điện trở Rsh,
điện dung tiếp giáp pn Csh và điện trở Rs.
trong đó Iph là dòng điện đầu vào, Io là dòng điện đầu ra, vsh là điện
áp trên tụ điện Csh, Rsh là điện trở và Csh là điện dung tiếp giáp pn.
Do đó, việc xác định tham số tương đương với việc tìm một tập tham số
G = {Iph, Io, vsh, Rsh, Csh, Rs} đảm bảo đầu ra giống hệt như hệ thống Hình 17. Phương pháp phân cụm k-mean để phân biệt các đường suy giảm được lọc theo
vật lý. Bằng cách đưa các nhiễu tín hiệu lớn vào điện áp của bảng mức tăng của điện trở trạng thái BẬT từ nguồn đến nguồn ΔRDS(bật) của các thiết bị
MOSFET công suất khác nhau #26, #29, #32, #35, #36 , #37, #38 [131].
trong giai đoạn thử nghiệm, phản ứng động của các đặc tính điện áp
hiện tại được lấy mẫu để tính toán hàm mục tiêu như
hợp nhất để tích hợp nhiều nguồn thông tin, v.v. Thông thường, hiệu
suất của ứng dụng PHM tiếp theo, chẳng hạn như độ chính xác chẩn đoán,
N2 có thể được cải thiện đáng kể nếu tiền xử lý dữ liệu và khai thác tính
1
fobj(G) = (ip[k] i[k])2 (6) năng được tiến hành đúng cách.
N1 N2 + 1
k=N1 Trong [131], một phương pháp đánh giá độ tin cậy cho MOSFET công
suất dựa trên chuỗi Markov thời gian liên tục được đề xuất. Để rời rạc
trong đó ip[k] và i[k] lần lượt là đầu ra hiện tại của mô hình và hệ
hóa đường suy giảm liên tục của MOSFET công suất mà không phá vỡ tính
thống vật lý, và N1 và N2 lần lượt là chỉ số bắt đầu và chỉ số kết
đơn điệu vốn có, phương pháp k-mean được áp dụng để phân chia quá trình
thúc của quá trình lấy mẫu. Sau đó, một phương pháp GA cải tiến được
phát triển của RDS(ON) điện trở trạng thái BẬT từ nguồn sang nguồn
sử dụng để khám phá một giải pháp tối ưu giảm thiểu fobj(G) trong (6).
thành 11 trạng thái riêng biệt, như trong Hình. 17.
Một cuộc điều tra tương tự có thể được tìm thấy trong [57], trong đó
Trong [133], một phương pháp xác định trạng thái sức khỏe cho IGBT
thuật toán PSO đã sửa đổi được áp dụng để nhận dạng tham số bên trong
dựa trên bản đồ tự tổ chức (SOM) được đề xuất. Nó thực chất là một
của bảng PV.
nhiệm vụ phân cụm. Các trạng thái của thiết bị được nhóm lại thành
Do có sự tham gia của các mô hình và động lực hệ thống, lượng dữ
trạng thái khỏe mạnh, trạng thái xuống cấp một phần, trạng thái xuống
liệu cần thiết cho ước tính có thể giảm đáng kể đối với các phương
cấp nghiêm trọng và trạng thái hỏng hóc, xem xét khoảng cách giữa các
pháp dựa trên mô hình. Ngoài ra, rủi ro trang bị quá mức trong các
phép đo đầu vào (bao gồm dòng điện cực thu Ic, điện áp cực thu-phát
phương pháp không có mô hình có thể được giảm thiểu. Nó thể hiện tính
Vce và nhiệt độ vỏ T) và trạng thái đơn vị phù hợp nhất của các SOM
năng động tốt hơn để xử lý sự xáo trộn bất ngờ và các chế độ làm việc
được đào tạo.
có thể chuyển đổi. Tuy nhiên, do tính phức tạp của hệ thống, các mô
Trong [160], tiền thân lỗi tổng hợp của MOSFET SiC được phát triển
hình và động lực học của hệ thống gặp khó khăn trong việc hình thành
với kỹ thuật hợp nhất dữ liệu của lập trình di truyền, là một biến thể
trong hầu hết các trường hợp.
của GA. Nó tích hợp nhiều tín hiệu suy giảm của một thiết bị bán dẫn
Đối với các phương pháp nhận dạng tham số trong điện tử công suất,
công suất theo cách phi tuyến tính.
cần xem xét độ chính xác và độ bền trong môi trường phức tạp. Ví dụ,
Do tiền thân lỗi tổng hợp được tối ưu hóa trực tiếp theo mô hình dự
đối với việc theo dõi tình trạng của MOSFET công suất trong [131],
đoán RUL, độ chính xác của dự đoán được cải thiện 35,3% và độ không
thiết bị được coi là không thành công nếu có sự gia tăng 0,08 Ω đối
đảm bảo dự đoán giảm 16,3%. Nó chỉ ra rằng hợp nhất dữ liệu trong giám
với chỉ báo suy giảm của RDS (bật) điện trở trạng thái BẬT từ nguồn
sát tình trạng có khả năng hữu ích, đặc biệt đối với các ứng dụng cấp
đến nguồn. Một sự gia tăng nhỏ như vậy là khó khăn để quan sát. Do
hệ thống (ví dụ: bộ chuyển đổi), nơi tồn tại nhiều tín hiệu suy giảm
đó, cần có nhiều nỗ lực nghiên cứu hơn để cải thiện độ nhạy của các
vật lý.
phương pháp nhận dạng tham số dựa trên AI. Hơn nữa, điều đáng nói là
Hộp công cụ tích hợp “Diagnostic Feature Designer” để nhận dạng
gánh nặng tính toán và khả năng nhúng nên được xem xét cho các ứng
tính năng có sẵn trong MATLAB [161], có thể được áp dụng cho tiền xử
dụng hiện trường.
lý dữ liệu và khai thác tính năng như một công cụ tự động.
2) Tiền xử lý dữ liệu và khai thác tính năng: Tiền xử lý dữ liệu
và khai thác tính năng liên quan đến việc tinh chỉnh dữ liệu thô để
B. Phát hiện bất thường và chẩn đoán lỗi
phục vụ các ứng dụng tốt hơn, ví dụ: chẩn đoán lỗi. Bằng cách khám
phá cấu trúc tập dữ liệu, nó bao gồm làm sạch dữ liệu để giảm nhiễu, Phát hiện bất thường đưa ra quyết định nhị phân và tập trung vào
phân cụm dữ liệu để khám phá các nhóm điểm dữ liệu tương tự, ước tính việc xác định hành vi bất thường. Nó cung cấp một dấu hiệu khi các đặc
mật độ để xác định phân phối dữ liệu, nén dữ liệu chiếu dữ liệu chiều tính hệ thống định mức hoặc các tham số danh nghĩa vượt quá phạm vi an
cao xuống dữ liệu chiều thấp để giảm số lượng tính năng, dữ liệu toàn được xác định trước. Khi hành vi bất thường xảy ra, chẩn đoán lỗi
[19] xác định và định vị chi tiết

RBFN. Nó chỉ ra rằng ESN vượt trội về độ nhạy, quy trình thiết kế và
tốc độ đào tạo.
Trong [115], CNN 1-D được áp dụng để chẩn đoán lỗi của bộ chuyển
đổi đa cấp mô-đun. Một ưu điểm của CNN 1-D là việc trích xuất tính năng
và phân loại chẩn đoán có thể được tích hợp với nhau, cho phép chẩn
đoán lỗi trực tiếp trên dữ liệu thô. Bằng cách này, có thể tránh được
việc trích xuất tính năng, thường đòi hỏi nhiều kinh nghiệm. Kết quả
thực nghiệm chỉ ra rằng phương pháp được đề xuất có độ tin cậy cao và
Hình 18. FFNN để phát hiện bất thường của bộ chỉnh lưu đi-ốt toàn cầu. Các cung cấp độ chính xác phát hiện là 98,9% và độ chính xác chẩn đoán lỗi
đầu vào của NN bao gồm điện áp đầu vào vi(t), dòng điện đầu vào ii(t) và
là 99,7% trong vòng 100 ms.
dòng điện đầu ra io(t); đầu ra của NN là điện áp đầu ra vo(t) [93].
Ngoài các phương pháp dựa trên NN trước đó, các phương thức hạt
nhân, bao gồm SVM và RVM, cũng được áp dụng để phát hiện bất thường và
chế độ thất bại sau đó. Về cơ bản, phát hiện bất thường và chẩn đoán chẩn đoán lỗi. Một lợi thế của các phương pháp hạt nhân là yêu cầu về
lỗi là các nhiệm vụ phân loại, hồi quy hoặc phân cụm. Dựa trên mối kích thước tập dữ liệu tương đối thấp hơn so với các phương pháp dựa
quan hệ đã học được từ giai đoạn đào tạo, nó xác định nhãn lỗi khi có trên NN.
chữ ký lỗi mới. Lưu ý rằng tính khả thi của chẩn đoán lỗi và phát hiện Trong [7], dựa trên các tính năng lỗi miền thời gian, phương pháp
bất thường dựa trên AI dựa trên hai giả định [33]: Thứ nhất, lỗi xảy chẩn đoán lỗi dựa trên SVM được đề xuất cho các lỗi IGBT mới chớm phát
ra trong bất kỳ thành phần nào đều có tác động đến chữ ký lỗi; thứ triển trong biến tần. Việc đào tạo SVM có thể được hoàn thành bằng các
hai, tác động lên các chữ ký này thay đổi theo các chế độ lỗi và vị phương pháp metaheuristic (ví dụ: PSO, GA, v.v.). Đối với tổng số 41
trí lỗi khác nhau. Các phương pháp phát hiện bất thường và chẩn đoán loại lỗi, nó đạt được độ chính xác trung bình là 94,82%, mạnh mẽ đối
lỗi có thể được phân loại thành phương pháp học có giám sát và phương với cả sự thay đổi tải và thay đổi thông số động cơ.
pháp không giám sát.
Trong [127], một RVM được áp dụng để chẩn đoán lỗi của biến tần đa
1) Phương pháp học có giám sát: Trong [93], FFNN được áp dụng để cấp cầu H xếp tầng. PCA được áp dụng để trích xuất tính năng tín hiệu
thiết lập mối quan hệ phi tuyến tính của đầu vào và đầu ra của bộ lỗi. Phân tích thử nghiệm chỉ ra rằng RVM hoạt động tốt hơn FFNN và
chỉnh lưu diode toàn cầu. Quá trình huấn luyện FFNN được hoàn thành ở SVM, với độ chính xác chẩn đoán 100% trong nghiên cứu trường hợp cụ
chế độ hoạt động bình thường của bộ chỉnh lưu, như thể hiện trong Hình thể này. So với SVM với nhãn lỗi trực tiếp là đầu ra của nó, RVM được
18. Kết quả là, các nguyên tắc và mối quan hệ ánh xạ giữa các đầu vào, xây dựng theo khuôn khổ Bayesian. Nó tạo ra các đầu ra xác suất của
bao gồm điện áp đầu vào vi(t), dòng điện đầu vào ii( t ) , và dòng thông tin lỗi, có hướng dẫn lý thuyết tốt và thuận lợi cho việc phân
điện đầu ra io(t), và tín hiệu đầu ra của điện áp đầu ra vo(t) được tích độ không đảm bảo của các kết quả chẩn đoán. Nói chung, đối với
đặc trưng, được coi như một bộ mô phỏng kỹ thuật số cho biết chế độ cùng một nhiệm vụ, RVM thưa thớt hơn SVM, cho thấy tốc độ nhanh hơn
hoạt động bình thường của bộ chỉnh lưu. Bộ giả lập kỹ thuật số này và đối với các ứng dụng tại hiện trường. Tuy nhiên, thời gian đào tạo của
bộ chỉnh lưu vật lý được vận hành đồng thời và kết quả đầu ra của RVM thường dài hơn SVM.
chúng được so sánh trong thời gian thực. Khi điện áp đầu ra được giám
sát của bộ chỉnh lưu vật lý sai lệch đáng kể so với đầu ra của FFNN, 2) Phương pháp học tập không giám sát: Trong [136], PCA được áp
điều đó cho thấy bộ chỉnh lưu chạy ở chế độ bất thường, tạo điều kiện dụng để phát hiện sự bất thường của MOSFET SiC. Nhiều tính năng thống
thuận lợi cho việc phát hiện bất thường. Trong trường hợp này, FFNN về kê, bao gồm độ nhọn, độ lệch, v.v., được coi là đầu vào của thuật toán
cơ bản đóng vai trò là công cụ hồi quy. PCA. Đầu ra nhỏ gọn với ít tính năng hơn và ma trận biến đổi. Đối với
các ứng dụng tại hiện trường, dữ liệu mới có sẵn được áp dụng cho ma
Trong [90], thuật toán chẩn đoán lỗi mạch hở được đề xuất cho biến trận chuyển đổi để tính toán chỉ số bất thường. Hành vi bất thường
tần trong hệ thống lưới điện siêu nhỏ chịu các điều kiện tải khác được thông báo khi chỉ số bất thường vượt quá ngưỡng được xác định
nhau. Một phương pháp xử lý tín hiệu được đề xuất để giảm lượng thông trước. Phương pháp này được xác minh bằng thử nghiệm bộ xử lý trong
tin cần thiết cho biểu diễn lỗi và triệt tiêu tác động của sự thay đổi vòng lặp. Cơ chế phát hiện này tương tự như trong [93].
tải. FFNN được sử dụng làm phân loại chẩn đoán. Gánh nặng tính toán
của phương pháp đề xuất có thể giảm xuống 10% so với các thuật toán Các phương pháp học không giám sát khác trong phát hiện bất thường và
hiện có. chẩn đoán lỗi, bao gồm phương tiện k và SOM, có thể được tìm thấy
Trong trường hợp này, FFNN đóng vai trò là công cụ phân loại. Các ý trong [118].
tưởng chẩn đoán lỗi tương tự bao gồm ANFIS để xác định mức độ nghiêm 3) Thảo luận: Bảng V tóm tắt các tính năng của thuật toán AI điển
trọng của tụ điện trong bộ lọc liên kết một chiều [102]. hình và các biến thể của chúng để phát hiện sự bất thường và chẩn đoán
Trong [112], một thuật toán chẩn đoán lỗi multiswitches cho biến lỗi. Có thể thấy, mỗi thuật toán AI đều có những ưu điểm và hạn chế.
tần nguồn điện áp được đề xuất. Mạng trạng thái tiếng vang (ESN) được Để khai thác triệt để các ưu điểm của từng thuật toán, hiệu quả là kết
sử dụng làm bộ phân loại chẩn đoán với dữ liệu tần số thấp nhỏ. Lưu ý hợp nhiều thuật toán để kết hợp ở cấp độ quyết định nhằm cải thiện độ
rằng ESN là một biến thể cải tiến của RNN để tránh bùng nổ và biến mất chính xác và độ mạnh của chẩn đoán. Có thể tìm thấy một ví dụ về sự
độ dốc trong quá trình đào tạo. Trong nghiên cứu này, hiệu suất chẩn kết hợp mức quyết định để chẩn đoán lỗi của IGBT trong [96]. Có thể
đoán của ESN được so sánh với FFNN, FFNN với chức năng kích hoạt tìm thấy nhiều phương pháp tập hợp hơn để kết hợp nhiều thuật toán
wavelet và trong
BẢNG V
SO SÁNH THUẬT TOÁN PHÁT HIỆN DỊ Thường VÀ CHẨN ĐOÁN LỖI TRONG HỆ THỐNG ĐIỆN TỬ CÔNG SUẤT
N/A: không có sẵn.
[1, Ch. 14]. Từ góc độ AI, có sự khác biệt không đáng kể giữa điện
tử công suất và các lĩnh vực kỹ thuật khác (ví dụ: ứng dụng cơ điện)
về nhiệm vụ phát hiện bất thường và chẩn đoán lỗi. Có thể tìm thấy
hai đánh giá về các phương pháp AI trong phát hiện bất thường và chẩn
đoán lỗi trong [162] và [163].
Lưu ý rằng các phương pháp AI khác nhau và các biến thể của chúng
đã được áp dụng thành công để phát hiện sự bất thường và chẩn đoán lỗi.
Có sự khác biệt về cách thu thập dữ liệu và loại dữ liệu có sẵn trong
các ứng dụng khác nhau, đây là một khía cạnh quan trọng của các ứng
dụng thực tế của AI. Một nền tảng tích hợp “Hộp công cụ bảo trì dự
đoán” có sẵn trong MATLAB [164], bao gồm các thuật toán phát hiện và
chẩn đoán bất thường khác nhau. Nó có lợi cho việc phát triển phương
pháp và phân tích điểm chuẩn. Từ góc độ AI, hầu hết các phương pháp
có thể được áp dụng thay thế cho nhau với hiệu suất tương đương về độ Hình 19. Lưu đồ và quy trình của các phương pháp AI để dự đoán RUL của hệ
chính xác của đánh giá. thống điện tử công suất, trong đó pdf: hàm mật độ xác suất.
Mặc dù độ chính xác có thể được cải thiện hơn nữa bằng các thuật toán
C. Dự đoán RUL
nâng cao (ví dụ: phương pháp học sâu), nhưng việc cải thiện độ chính
xác sau khi đạt điểm cao, ví dụ: 90%, tương đối ít quan trọng hơn so Dự đoán trọn đời trong giai đoạn thiết kế là để hỗ trợ DfR, đề cập
với các mối quan tâm thực tế khác. Cần cân nhắc nhiều hơn về khoảng đến tính năng của một quần thể đơn vị. Là một trong những khía cạnh
cách giữa các thuật toán lý thuyết và triển khai thực tế, trong đó quan trọng của PHM [165], dự đoán RUL không phải là dự đoán thời gian
các cân nhắc thực tế bao gồm những điều sau đây. tồn tại của một quần thể đơn vị. Nó dự đoán tuổi thọ còn lại của một
thiết bị riêng lẻ đang hoạt động dựa trên thông tin giám sát tình
1) Ngoài lỗi một thành phần, nên xem xét chế độ lỗi của nhiều trạng. Có những độ không đảm bảo liên quan trong dự đoán tuổi thọ,
thành phần bị lỗi đồng thời. Các hiệu ứng phụ thuộc và khớp bao gồm lỗi hiệu chuẩn mô hình, dung sai sản xuất, sự thay đổi của
nối giữa các lỗi thành phần nên được tích hợp vào các thuật môi trường vận hành và khối lượng công việc, v.v. Những độ không đảm
toán chẩn đoán. bảo này dẫn đến ước tính độ tin cậy không chính xác cho một đơn vị cụ
thể trong hoạt động tại hiện trường [166]. Dự đoán RUL được áp dụng
2) Xem xét các thách thức trong việc thu thập dữ liệu của các hệ như một công cụ bổ sung để giảm độ không chắc chắn cho các ứng dụng
thống điện tử công suất, bộ dữ liệu đào tạo cho ứng dụng thực quan trọng về độ tin cậy, quan trọng về an toàn hoặc quan trọng về
tế thường bị hạn chế. Tình trạng này thậm chí còn tồi tệ hơn tính khả dụng.
đối với tập dữ liệu có nhãn lỗi không cân bằng, nghĩa là dữ Lưu đồ và quy trình dự đoán RUL được đưa ra trong Hình 19. Mô hình
liệu dồi dào của trường hợp hoạt động bình thường và sự khan hồi quy có thể được thiết lập dựa trên tập dữ liệu lịch sử. Hàm mật
hiếm dữ liệu có nhãn lỗi do sự cố nghiêm trọng. Do đó, khả năng độ xác suất (pdf) của mức độ suy thoái tại bất kỳ thời điểm giám sát
áp dụng thuật toán với kích thước hạn chế của tập dữ liệu và điều kiện cụ thể nào có thể được ước tính dựa trên mô hình hồi quy.
tập dữ liệu kém chất lượng nên được nghiên cứu. Bản pdf của RUL có thể được lấy từ bản pdf của mức độ xuống cấp.
3) Tính thực tế, bao gồm gánh nặng tính toán, khả năng thích ứng,
độ bền, độ khó của thiết kế và gỡ lỗi thuật toán [112], chi phí Với thực tế là hệ thống đang hoạt động bình thường tại thời điểm
triển khai, v.v., cũng cần được xem xét toàn diện. giám sát điều kiện t, RUL l của nó được định nghĩa là thời gian tồn
tại còn lại khi quá trình xuống cấp D(t) vượt quá lỗi
Hình 20. Dự đoán RUL của MOSFET công suất dựa trên ESN [111]. Đối với đào
tạo mạng, trọng số đầu vào Win và trọng số truy cập W được tạo ngẫu
nhiên. Trọng số đầu ra Wout được ước tính bằng phương pháp bình phương
nhỏ nhất.
Hình 21. Gaussian xử lý hồi quy cho dự đoán RUL của IGBT [119].
ngưỡng w, nghĩa là,
(7) định lượng độ không đảm bảo quan trọng hơn đối với dự đoán
l = inf {l : D(t + l) ≥ w | D(t) < w, D1:j}
RUL. Như được hiển thị trong Hình 19, RUL là một biến ngẫu
trong đó D1:j là thông tin CM tích lũy đến thời điểm t. Lưu ý rằng RUL nhiên và do đó, việc định lượng khoảng tin cậy là cần thiết để
l là một biến ngẫu nhiên. Ngoài giá trị kỳ vọng của nó, các thước đo đưa ra quyết định tối ưu. Những điều không chắc chắn này đến từ
độ không đảm bảo với khoảng tin cậy trên và dưới (llo, lup) cũng rất tính không đồng nhất của dân số, nhiễu đo lường, cài đặt vận
quan trọng. Các phương pháp AI trong dự đoán RUL thường xử lý hồi quy hành khác nhau, v.v., cần được xem xét toàn diện để có giải
phi tuyến tính giữa thông tin suy giảm và RUL tương ứng dựa trên tập pháp thực tế. Các phương pháp AI khá khó khăn đối với việc định
dữ liệu huấn luyện [167]. Bằng cách này, mô hình suy thoái có thể được lượng độ không đảm bảo của các kết quả dự đoán khi xem xét
mô tả. Sau khi các mô hình suy thoái đã được học, nó có thể được dự tính năng hộp đen . Một số phương pháp khả thi bao gồm phương
đoán trực tiếp dựa trên mô hình hồi quy để tạo điều kiện dự đoán mức pháp Monte Carlo [114], kết hợp bộ lọc hạt trong NN [111] và
độ suy thoái trong tương lai. Kết quả là, RUL có thể được ước tính. phương pháp AI dựa trên Bayes (ví dụ: quy trình Gaus sian,
RVM). Một hướng hứa hẹn khác là các phương pháp dựa trên dữ
liệu ngẫu nhiên [154], [160], [168], về bản chất có thể cung
Trong [111], một ESN được áp dụng cho dự đoán RUL của MOSFET công cấp bản pdf của RUL để tính khoảng tin cậy.
suất, như thể hiện trong Hình 20. Đầu vào của ESN là điện trở trạng
thái BẬT của chỉ báo suy giảm RDS,(bật) ở các thời điểm k - 1 và k, và
đầu ra là RDS,(bật) tại thời điểm k + 1. Để tạo điều kiện thích ứng 2) Khả năng thích ứng: Nó liên quan đến lớp điều chỉnh tham số mô
cho ESN, một bộ lọc hạt được khai thác để cập nhật đệ quy các trọng số hình trong Hình 14 để kết nối các mô hình ngoại tuyến và mô
đầu ra khi dữ liệu giám sát điều kiện mới của thiết bị tại chỗ trở nên hình trực tuyến, đây là một bước quan trọng cho các ứng dụng
khả dụng. Theo cách này, mô hình suy thoái thích ứng với các môi thực tế. Nếu một phương pháp AI cụ thể thiếu khả năng thích
trường bên ngoài và chế độ hoạt động khác nhau. Có thể tìm thấy một ứng, ứng dụng của nó sẽ bị hạn chế do một điều kiện tiên quyết
phương pháp NN khác liên quan đến TDNN để dự đoán RUL của IGBT trong là dữ liệu đào tạo và dữ liệu thử nghiệm phải được tạo trong
[114]. các tình huống tương tự (ví dụ: môi trường bên ngoài và chế độ
Trong [119], hồi quy quy trình Gaussian được áp dụng cho dự đoán vận hành) và chia sẻ mức độ tương đồng cao [ 95]. Đây là một
RUL của IGBT. Đối với mô hình suy giảm, mối quan hệ tai phi tuyến thách thức đối với thiết bị điện tử công suất do cài đặt vận
giữa mức giảm của điện áp bộ thu–bộ phát ở trạng thái BẬT ΔVce,bật và hành của hệ thống tại chỗ (nghĩa là dữ liệu thử nghiệm) hoàn
thời gian theo dõi tình trạng được thiết lập bởi hồi quy quy trình toàn khác so với cài đặt của tập dữ liệu huấn luyện, thường thu
Gaussian. Vì quy trình Gaus sian được xây dựng với khung Bayesian, được bằng các thí nghiệm kiểm tra tăng tốc. Phần lớn nghiên
nên về bản chất, nó có thể dự đoán độ không đảm bảo của biến thiên cứu [74], [114], [119] giả định rằng cài đặt vận hành của hệ
ΔVce . thống tại chỗ giống hệt với tập dữ liệu huấn luyện (ví dụ: thí
Có thể thấy từ Hình 21 rằng thanh lỗi của sự phát triển của ΔVce,on có nghiệm lão hóa tăng tốc), điều này có thể không đúng trong
nguồn gốc rõ ràng, có thể được sử dụng thêm để tính toán khoảng tin trường hợp ứng dụng. tions. Do đó, khả năng thích ứng của
cậy của RUL. Một ví dụ khác về phương pháp hạt nhân cho dự đoán RUL có phương pháp dự đoán RUL dựa trên AI là rất quan trọng để kết
thể được tìm thấy trong [74], trong đó SVM được áp dụng cho mô hình nối nghiên cứu học thuật và ứng dụng công nghiệp. Các hướng
suy thoái của bộ chuyển đổi buck. điều chỉnh tham số mô hình đầy hứa hẹn khác bao gồm các dẫn
xuất mối quan hệ ánh xạ rõ ràng [169] và học chuyển giao [170],
Để làm cho các phương pháp dự đoán RUL dựa trên AI trở nên thiết [171] của các đặc tính suy giảm trong các cài đặt vận hành khác
thực hơn cho các ứng dụng tại hiện trường, cần nỗ lực nhiều hơn cho nhau (nhiệt độ, điện áp, độ ẩm, v.v.). Tuy nhiên, điều này có
các khía cạnh sau. thể ngụ ý các cuộc điều tra chuyên sâu về các mô hình hệ thống.
1) Định lượng độ không đảm bảo: So với các nhiệm vụ liên quan đến
hồi quy khác, ví dụ: các ứng dụng điều khiển, khả năng của
BẢNG VI 1) Động cơ và biện minh của AI được áp dụng cho các hệ thống điện
YÊU CẦU CỦA AI ĐỂ ỨNG DỤNG MẪU TRONG THIẾT KẾ,
tử công suất: Mặc dù có rất nhiều nghiên cứu về AI cho các hệ
KIỂM SOÁT VÀ BẢO TRÌ
thống điện tử công suất trong tài liệu kể từ những năm 1990,
nhưng việc triển khai thực tế trong ngành vẫn còn hạn chế,
điều này trái ngược hoàn toàn so với tuyên bố tiềm năng AI.
Điều cần thiết là phải nghiên cứu sâu hơn về các nhiệm vụ mà
AI về cơ bản có thể vượt trội hơn các phương pháp thông
thường. Cần xác định rõ ràng lý do biện minh cho các giải pháp
dựa trên AI bằng cách so sánh với các phương pháp thông thường
từ góc độ công nghiệp, ví dụ: độ phức tạp triển khai, độ chính
xác và mạnh mẽ của thuật toán, trách nhiệm giải trình của
Cao: +++, trung bình: ++, thấp: +.
thuật toán, chi phí phần cứng bổ sung, mức tiêu thụ năng lượng
tính toán, khả năng nhúng, v.v.
VI. TRIỂN VỌNG TRÊN AI CHO CÁC HỆ THỐNG ĐIỆN TỬ NGUỒN

2) Triển khai AI đan xen thông qua các giai đoạn trong vòng đời:
Từ góc độ thuật toán, cần nghiên cứu các tính năng của AI khi nó Việc triển khai AI trong từng giai đoạn thiết kế, kiểm soát và
áp dụng cho các giai đoạn vòng đời khác nhau. bảo trì của vòng đời sẽ tạo điều kiện thuận lợi cho các tương
Bằng cách sử dụng hệ thống chuyển đổi năng lượng, ba ví dụ cụ thể tác chức năng linh hoạt. Tính năng này có lợi cho việc tối ưu
được áp dụng để minh họa các yêu cầu của phương pháp AI đối với từng hóa hiệu suất tổng thể và đơn giản hóa quy trình.
giai đoạn vòng đời. Nó cho phép khả năng của hệ thống trong việc quản lý luồng dữ
Đối với thiết kế tản nhiệt của hệ thống chuyển đổi, một số lượng liệu giữa các ngành điện và các ngành khác (ví dụ: lĩnh vực cơ
lớn các biến quyết định, ví dụ: trọng lượng, thể tích, kiểu, cần được khí) [13]. Ví dụ: thông tin lão hóa thu được từ nhận dạng
xác định, về cơ bản đây là một nhiệm vụ tối ưu hóa. tham số hệ thống dựa trên AI có thể được tích hợp linh hoạt
Các phương pháp siêu dữ liệu được áp dụng cho việc tối ưu hóa liên vào bộ điều khiển dựa trên AI để cải thiện độ tin cậy. Do đó,
quan đến quy trình thử và sai lặp đi lặp lại. Mặc dù nỗ lực tính cần chú ý nhiều hơn đến các tương tác đan xen được hỗ trợ bởi
toán rất nhiều, nhiệm vụ thiết kế thường được thực hiện ngoại tuyến. AI.
Có ít yêu cầu hơn về tốc độ thuật toán trong trường hợp này. Mặc dù 3) Kết hợp thông tin đa cấp: Độ bền là điều cần thiết đối với các
tối ưu hóa dựa trên phương pháp metaheuristic không đảm bảo giải hệ thống điện tử công suất quan trọng về an toàn. Nhiều nguồn
pháp toàn cầu, nhưng thiết kế tản nhiệt dưới mức tối ưu vẫn vượt thông tin và mô hình có sẵn trong hầu hết các trường hợp cho
trội và đạt yêu cầu trong hầu hết các trường hợp. một ứng dụng cụ thể của hệ thống điện tử công suất. Nếu các
Do đó, độ chính xác của thuật toán cũng không quan trọng. Tập dữ nguồn thông tin và mô hình này được khai thác đồng thời, thì
liệu huấn luyện và khả năng diễn giải của quá trình tối ưu hóa là có thể giảm thiểu những sai lệch có thể xảy ra để cải thiện
không cần thiết. tình trạng bán phá giá. Hợp nhất thông tin đa cấp độ có thể
Đối với bộ điều khiển thông minh của hệ thống chuyển đổi, các lỗi được thực hiện ở cấp độ dữ liệu [160], [172], cấp độ tính
điều khiển thời gian thực, ví dụ: lỗi điện áp, lỗi dòng điện, cần năng, cấp độ quyết định [96] và các kết hợp của chúng, nhằm
được đưa trở lại bộ điều khiển để cập nhật thích ứng ở chế độ trực khai thác thông tin chuyên sâu của từng nguồn thông tin. Ví
tuyến. Do đó, các yêu cầu về tốc độ và độ chính xác của thuật toán dụ, các phương trình vi phân đã được thiết lập tốt của hệ
là quan trọng nhất. Ngoài ra, sự ổn định của bộ điều khiển cần phải thống chuyển đổi năng lượng có thể được tích hợp với AI như
được đảm bảo về mặt lý thuyết, và do đó, khả năng giải thích là rất một giải pháp kết hợp để theo dõi tình trạng. Do đó, có thể
quan trọng. Bộ điều khiển thông minh thường được điều chỉnh trực đạt được những lợi thế từ cả phía dựa trên mô hình và phía dựa
tuyến, không cần thiết phải chuẩn bị tập dữ liệu cho việc huấn luyện mô hình. trên dữ liệu để có độ chính xác và độ bền cao hơn.
Đối với dự đoán RUL của các thiết bị chuyển mạch trong hệ thống 4) Tính toán-Ánh sáng AI: So với các lĩnh vực công nghiệp khác (ví
chuyển đổi, yêu cầu về tốc độ thuật toán là vừa phải do sự xuống cấp dụ: nhận dạng hình ảnh), một trong những đặc điểm chính của hệ
của thiết bị chậm và khoảng thời gian ra quyết định dài có thể chấp thống điện tử công suất là không có đơn vị tính toán mạnh.
nhận được. Mô hình suy thoái cho dự đoán RUL có thể được chuẩn bị ở Trong khi các ứng dụng thời gian thực, ví dụ, điều khiển, áp
chế độ ngoại tuyến và được điều chỉnh hiệu quả ở chế độ trực tuyến đặt yêu cầu cứng nhắc về tốc độ thuật toán. Mặc dù các kỹ
và nỗ lực tính toán trong ứng dụng này là vừa phải. Vì độ chính xác thuật học sâu phức tạp [170] có thể mang lại hiệu suất vượt
của mô hình phụ thuộc nhiều vào tập dữ liệu nên yêu cầu về tập dữ trội, nhưng nó cần nhiều tính toán cho các hệ thống điện tử
liệu, ví dụ: chất lượng tập dữ liệu, kích thước tập dữ liệu, cân bằng công suất. Một hướng triển vọng là các thuật toán AI nhẹ tính
nhãn (ví dụ: dữ liệu bất thường hạn chế trong tập dữ liệu huấn toán có thể được triển khai trên các đơn vị tiết kiệm chi phí
luyện), v.v., là quan trọng nhất. Ngoài ra, khả năng diễn giải của nhưng mang lại hiệu suất tương đương với các thuật toán học
các kết quả dự đoán RUL với độ không chắc chắn cũng rất quan trọng. sâu.
Do đó, bảng VI sẽ cung cấp bảng so sánh các thuật toán AI trong từng 5) Data-Light AI: Một trong những điểm nghẽn của việc triển khai
giai đoạn trong vòng đời của các hệ thống điện tử công suất. AI trên các hệ thống điện tử công suất là bộ dữ liệu. Ví dụ:
Người ta kết luận rằng AI sở hữu những tiềm năng to lớn trong các các giải pháp dựa trên AI để dự đoán RUL yêu cầu tập dữ liệu
hệ thống điện tử công suất. Nhiều cơ hội và vấn đề vẫn chưa được khám phải đủ linh hoạt để học hành vi xuống cấp chính xác. Tuy
phá như sau. nhiên, kích thước tập dữ liệu nói chung là
nhỏ vì các thí nghiệm suy thoái đang tiêu tốn tài nguyên. Tình 3) Từ góc độ chức năng, các ứng dụng liên quan đến AI về cơ bản là xử
trạng này thậm chí còn tồi tệ hơn đối với các trường hợp quan trọng lý việc tối ưu hóa, phân loại, hồi quy và khám phá cấu trúc dữ
về an toàn. Do đó, việc phát triển các thuật toán AI với yêu cầu liệu.
tập dữ liệu thấp hơn, tức là các giải pháp AI dựa trên dữ liệu nhẹ 4) Các mốc quan trọng của các biến thể và ứng dụng thuật toán có liên
có thể mang lại hiệu suất chấp nhận được khi có các tập dữ liệu quan được xác định và sắp xếp dưới dạng bản đồ dòng thời gian.
kém, là một hướng đi đầy triển vọng. 5) Đối với mỗi giai đoạn vòng đời, các ví dụ minh họa được thảo luận
6) AI có thể giải thích được: Hầu hết các thuật toán AI trong điện tử và những thách thức cũng như cơ hội nghiên cứu trong tương lai
công suất đều có tính năng “hộp đen” . Ví dụ, hầu hết các giải được xác định.
pháp dựa trên AI cho dự đoán RUL chỉ có thể cung cấp ước tính
điểm mà không có phân tích độ nhạy và định lượng độ không đảm

NGƯỜI GIỚI THIỆU
bảo. Nó làm cho các giải pháp dựa trên AI trở nên mơ hồ và kém
thuyết phục hơn đối với những người thực hành để triển khai trong [1] CM Bishop, Nhận dạng mẫu và học máy. Berlin, Ger many: Springer-Verlag, 2006.
các ứng dụng công nghiệp, đặc biệt là đối với các trường hợp quan
[2] I. Goodfellow, Y. Bengio và A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press,
trọng về an toàn. Có một nhu cầu cấp thiết là tôi phải chứng minh 2016.
tính minh bạch của thuật toán cho AI có thể giải thích được với [3] T. Wu, Z. Wang, B. Ozpineci, M. Chinthavali và S. Campbell, “Tối ưu hóa tản nhiệt ghép
nối tự động cho các mô đun bán dẫn điện làm mát bằng không khí,” IEEE Trans . Điện
khả năng diễn giải tốt hơn. Hiểu cách các mô hình đưa ra quyết
tử điện tử., tập. 34, không. 6, trang 5027–5031, tháng 6 năm 2019.
định là rất quan trọng để đơn giản hóa và an toàn cho mô hình, nhờ
đó các giải pháp AI có thể được triển khai một cách tự tin. [4] X. Zhan, W. Wang và H. Chung, “Phương pháp điều khiển màu dựa trên mạng thần kinh cho
hệ thống đèn LED nhiều màu,” IEEE Trans. Điện tử điện tử., tập. 34, không. 8, trang
7900–7913, tháng 8 năm 2019.

7) Quyền riêng tư của bộ dữ liệu: Người ta ngày càng chú ý đến quyền [5] C.Wei, Z. Zhang,W. Qiao, và L. Qu, “Điều khiển theo dõi điểm công suất cực đại thông
riêng tư của dữ liệu, ví dụ: Quy định chung về bảo vệ dữ liệu minh dựa trên học tăng cường cho các hệ thống chuyển đổi năng lượng gió,” IEEE Trans.
Ấn Độ Electron., tập. 62, không. 10, trang 6360–6370, tháng 10 năm 2015.
[173] ở Liên minh Châu Âu. Với những quy định quan trọng này, việc
đào tạo các thuật toán AI tiêu chuẩn là một thách thức do việc thu [6] C. Wei, Z. Zhang, W. Qiao và LY Qu, “Phương pháp học tăng cường dựa trên mạng thích ứng
thập dữ liệu tập trung có thể không khả thi trong tương lai. Do để kiểm soát MPPT của các hệ thống chuyển đổi năng lượng gió PMSG,” IEEE Trans . Điện
tử điện tử., tập. 31, không. 11, trang 7837–7848, tháng 11 năm 2016.
đó, đối với các ứng dụng điện tử công suất, hứa hẹn sẽ phát triển
một sơ đồ học cộng tác cho các thuật toán AI mà không cần tổng hợp [7] I. Bandyopadhyay, P. Purkait, và C. Koley, “Hiệu suất của một bộ phân loại dựa trên
dữ liệu từ các vị trí khác nhau, ví dụ: học liên kết [174]. Nó phù các tính năng miền thời gian để phát hiện lỗi mới trong các biến tần,” IEEE Trans.
Ind. Informat., vol. 15, không. 1, trang 3–14, tháng 1 năm 2019.
hợp với xu hướng của các quy định về quyền riêng tư dữ liệu để
triển khai các giải pháp AI. [8] AE Mejdoubi, H. Chaoui, J. Sabor và H. Gualous, “Tiên lượng tuổi thọ hữu ích còn lại
của siêu tụ điện trong điều kiện lão hóa nhiệt độ và điện áp,” IEEE Trans. Ấn Độ
Electron., tập. 65, không. 5, trang 4357–4367, tháng 5 năm 2018.

8) Cơ sở dữ liệu điện tử công suất: Do tính phức tạp của động lực hệ
thống của điện tử công suất, cần có bộ dữ liệu mở rộng để đào tạo [9] F. Tao, H. Zhan, A. Liu và AYC Nee, “Song sinh kỹ thuật số trong ngành: Hiện đại
mô hình, đặc biệt là cho các ứng dụng bảo trì. Mặc dù việc kiểm nhất,” IEEE Trans. Ind. Informat., vol. 15, không. 4, trang 2405–2415, tháng 4 năm
2019.
tra thử nghiệm để thu thập dữ liệu nói chung là tốn thời gian và
[10] X. He, W. Shi, W. Li, H. Luo và R. Zhao, “Nâng cao độ tin cậy của các hệ thống điện tử
tốn kém. Có một nhu cầu hấp dẫn để xây dựng cơ sở tri thức và dữ công suất bằng khoa học dữ liệu lớn,” trong Proc. Cái cằm. Sóc. Trúng tuyển.
liệu điện tử công suất chung. Các bộ dữ liệu nguồn mở này rất điện tử. Anh, tập. 37, không. 1, trang 209–221, tháng 1 năm 2017.
[11] KL Tsui, Y. Zhao và D. Wang, “Cơ hội dữ liệu lớn: Quản lý và giám sát tình trạng hệ
quan trọng đối với hiệu suất thuật toán điểm chuẩn và tăng tốc
thống,” Truy cập IEEE, tập. 7, trang 68853–68867, tháng 5 năm 2019.
phát triển ứng dụng. Nó sẽ mang lại lợi ích cho cộng đồng điện tử
công suất toàn cầu trong giới học thuật và công nghiệp. [12] SE De Leon-Aldaco, H. Calleja và JA Alquicira, “Các phương pháp tối ưu hóa metaheuristic
được áp dụng cho bộ biến đổi nguồn: Đánh giá,” IEEE Trans. Điện tử điện tử., tập. 30,
không. 12, trang 6791–6803, tháng 12 năm 2015.
[13] MRG Meireles, PEM Almeida và MG Simoes, “Đánh giá toàn diện về khả năng ứng dụng công
nghiệp của mạng thần kinh nhân tạo,”
IEEE Trans. Ấn Độ Electron., tập. 50, không. 3, trang 585–601, tháng 6 năm 2003.
VII. PHẦN KẾT LUẬN
[14] BK Bose, “Ứng dụng mạng nơ-ron trong điện tử công suất và truyền động động cơ-giới thiệu
và triển vọng,” IEEE Trans. Ấn Độ Electron., tập. 54, không. 1, trang 14–33, tháng 2
Các phương pháp AI hiện có trong các hệ thống điện tử công suất được năm 2007.
xem xét toàn diện trong bài viết này. Những phát hiện mới được xác định [15] BK Bose, “Các kỹ thuật trí tuệ nhân tạo trong lưới điện thông minh và hệ thống năng
như sau. lượng tái tạo-một số ứng dụng ví dụ,” Proc. IEEE, tập. 105, không. 11, trang 2262–
2273, tháng 11 năm 2017.

1) Từ góc độ ứng dụng, các phương pháp AI được áp dụng trong các hệ [16] M. SEYedmahmoudian và cộng sự, “Các kỹ thuật MPPT dựa trên trí tuệ nhân tạo tiên tiến
thống điện tử công suất có thể được phân loại thành thiết kế, điều nhất để giảm thiểu hiệu ứng che bóng một phần trên các hệ thống PV— Một đánh giá,”
Renewable Sustain. Năng lượng Rev., vol. 64, trang 435–455, tháng 10 năm 2016.
khiển và bảo trì. Phần trăm sử dụng, xu hướng ứng dụng, tính năng
và yêu cầu của AI trong từng giai đoạn vòng đời sẽ được thảo luận. [17] A. Mellit và SA Kalogirou, “Các kỹ thuật trí tuệ nhân tạo cho các ứng dụng quang điện:
Đánh giá,” Progr. Khoa học đốt cháy năng lượng, tập. 34, không. 5, trang 574–632,
tháng 10 năm 2008.

2) Từ góc độ phương pháp, các phương pháp AI được áp dụng trong các hệ
[18] HS-H. Chung, H. Wang, F. Blaabjerg và M. Pecht, Độ tin cậy của các hệ thống chuyển đổi
thống điện tử công suất có thể được phân loại thành hệ chuyên gia, điện tử công suất. Luân Đôn, Vương quốc Anh: Inst. Tiếng Anh Công nghệ., 2015.
logic mờ, phương pháp siêu dữ liệu và học máy. Tỷ lệ phần trăm sử
[19] M. Riera-Guasp, JA Antonino-Daviu và G. Capolino, “Những tiến bộ trong máy điện, điện
dụng, ưu điểm và hạn chế của các thuật toán AI có liên quan trong
tử công suất, giám sát tình trạng truyền động và phát hiện lỗi: Hiện đại nhất,” IEEE
từng danh mục được so sánh toàn diện. Trans . Ấn Độ Electron., tập. 62, không. 3, trang 1746–1759, tháng 3 năm 2015.
[20] H. Soliman, H. Wang và F. Blaabjerg, “Đánh giá việc giám sát tình trạng của tụ điện trong bộ [43] Q. Wang và S. Niu, “Thiết kế, lập mô hình và điều khiển một hệ thống phát điện dựa trên máy
biến đổi điện tử công suất,” IEEE Trans. phát điện gió dựa trên máy phát điện được điều biến từ thông kích thích lai kích thích
Ind. Ứng dụng, tập. 52, không. 6, trang 4976–4989, tháng 11/tháng 12 2016. lai mới,” IEEE Trans . Điện tử điện tử., tập. 33, không. 4, trang 3086–3096, tháng 4 năm
[21] M. Pecht và R. Jaai, “Lộ trình quản lý sức khỏe và tiên lượng cho các hệ thống giàu thông 2018.
tin và điện tử,” Microelectron. Rel., tập. 50, không. 3, trang 317–323, tháng 3 năm 2010. [44] S. Lyden và ME Haque, “Phương pháp theo dõi điểm công suất cực đại toàn cầu ủ mô phỏng cho
các mô-đun quang điện trong điều kiện bóng râm một phần,” IEEE Trans. Điện tử điện tử.,
[22] L. Duchesne, E. Karangelos và L. Wehenkel, “Những phát triển gần đây trong học máy để quản tập. 31, không. 6, trang 4171–4181, tháng 6 năm 2016.
lý độ tin cậy của hệ thống năng lượng,” Proc.
IEEE, tập. 108, không. 9, trang 1656–1676, tháng 9 năm 2020. [45] J. Zhang, Y. Shi, và Z.-H. Zhan, “Thiết kế mạch điện tử công suất: Phương pháp tối ưu hóa
[23] RCGJ Pinto và B. Ozpineci, “Hướng dẫn: Ứng dụng trí tuệ nhân tạo để cung cấp năng lượng cho bầy đàn hạt,” trong Proc. Châu Á-Pac. Conf. Simu ated Evolution Learn., 2008, trang 605–
thiết bị điện tử,” trong Proc. Bộ chuyển đổi năng lượng IEEE. chúc mừng 614.
Expo., 2019, trang 1–139. [46] YC Hung, FJ Lin, JC Hwang, JK Chang, và KC Ruan, “Mạng nơ-ron mờ Wavelet với bộ điều khiển
[24] J. Foutz, “Hỗ trợ ước tính phát triển mạch cung cấp điện: Một ứng dụng hệ thống chuyên gia,” chức năng thành viên không đối xứng cho hệ thống lái trợ lực điện thông qua cải tiến vi
trong Proc. hàng năm. Ứng dụng IEEE Điện tử điện. Conf. sai,”
Expo., 1988, trang 64–71. IEEE Trans. Điện tử điện tử., tập. 30, không. 4, trang 2350–2362, tháng 4 năm 2015.
[25] SM Chhaya và BK Bose, “Hệ thống chuyên gia hỗ trợ thiết kế, mô phỏng và điều chỉnh bộ điều [47] J. Yuan, B. Chen, B. Rao, C. Tian, W. Wang và X. Xu, “Có thể tương tự giữa công nghệ điều
khiển tự động của hệ thống truyền động AC,” trong Proc. ngày 21 hàng năm. chế độ rộng xung kỹ thuật số tối ưu và vấn đề tối ưu hóa tương đương,” IET Power
Conf. IEEE Ind. Electron., tập. 1, 1995, trang 712–718. Electron . , tập. 5, không. 7, trang 1026–1033, tháng 8 năm 2012.
[26] W. Li và JP Ying, “Nghiên cứu thiết kế và phân tích trí tuệ nhân tạo (AI) cho hệ thống chuyên
gia điện tử cung cấp năng lượng (PEES),” trong Proc. hàng năm. Ứng dụng IEEE Điện tử điện. [48] S. Singh và B. Singh, “Thiết kế bộ lọc thụ động được tối ưu hóa bằng cách sử dụng thuật
Conf. Hội chợ triển lãm, tập. 1–4, 2008, trang 2009–2015. toán tối ưu hóa bầy đàn hạt đã sửa đổi cho ổ đĩa động cơ đồng bộ LCI cấp nguồn 12 xung,”
IEEE Trans. Ind. Ứng dụng, tập. 50, không. 4, trang 2681–2689, Jul./Aug. 2014.
[27] D. Fezzani, H. Piquet và H. Foch, “Hệ thống chuyên gia cho CAD trong điện tử công suất-ứng
dụng cho UPS,” IEEE Trans. Điện tử điện tử., tập. 12, không. 3, trang 578–586, tháng 5 năm [49] B. Zhao, X. Zhang và JJ Huang, “Phương pháp thiết kế tối ưu hai giai đoạn dựa trên thuật
1997. toán AI của bộ chuyển đổi cộng hưởng CLLC hiệu suất cao cho các ứng dụng lưới điện siêu
[28] AM Elsaadawi, AE Kalas và M. Fawzi, “Phát triển hệ thống chuyên gia để chẩn đoán lỗi của hệ nhỏ lai AC-DC,” IEEE Trans . Ấn Độ Electron., tập. 66, không. 12, trang 9756–9767, tháng
thống truyền động động cơ cảm ứng ba pha,” trong Proc. quốc tế Hệ thống điện Trung Đông 12 năm 2019.
Conf., 2008, trang 497–502. [50] FJ Lin, LT Teng, và MH Yu, “Điều khiển mạng chức năng cơ sở xuyên tâm với tối ưu hóa bầy
[29] Y. Izuno, R. Takeda và M. Nakaoka, “Các sơ đồ điều khiển vị trí/tốc độ hiệu suất cao dựa hạt được cải thiện cho hệ thống máy phát điện cảm ứng,” IEEE Trans. Điện tử điện tử., tập.
trên lý luận mờ mới cho động cơ siêu âm được điều khiển bởi biến tần cộng hưởng hai pha,” 23, không. 4, trang 2157–2169, tháng 7 năm 2008.
trong Proc . Ứng dụng IEEE Ind. Sóc. hàng năm.
Cuộc họp, 1990, trang 325–330. [51] W. Wang và cộng sự, “Đào tạo bộ điều khiển dựa trên mạng thần kinh trên nền tảng học máy
[30] MG Simoes, BK Bose, và RJ Spiegel, “Đánh giá hiệu suất và thiết kế của hệ thống tạo gió tốc phân tán cho các hệ thống điện tử công suất,” trong Proc. Bộ chuyển đổi năng lượng IEEE.
độ thay đổi dựa trên logic mờ,” IEEE Trans. Ind. Ứng dụng, tập. 33, không. 4, trang 956– chúc mừng Expo., 2017, trang 3083–3089.
965, Jul./Aug. 1997. [52] WM Lin và CM Hong, “Thuật toán điều khiển dựa trên mạng thần kinh Elman mới cho các hệ thống
[31] R. Osorio và cộng sự, “Điều khiển logic mờ với thuật toán cải tiến cho trình điều khiển LED chuyển đổi năng lượng gió có tốc độ thay đổi cường độ có thể điều chỉnh,” IEEE Trans. Điện
tích hợp,” IEEE Trans. Ấn Độ Electron., tập. 65, không. 9, trang 6994–7003, tháng 9 năm tử điện tử., tập. 26, không. 2, trang 473–481, tháng 2 năm 2011.
2018.
[32] A. Bubshait và MG Simoes, “Thiết kế bộ điều khiển rủ xuống động dựa trên logic mờ của hệ [53] FJ Lin, LT Teng và H. Chu, “Bộ điều khiển mạng thần kinh sóng con hồi quy mạnh mẽ với khả
thống tuabin gió để hỗ trợ tần số chính,” trong Proc. Ứng dụng IEEE Ind. Sóc. hàng năm. năng tối ưu hóa bầy hạt được cải thiện cho truyền động động cơ đồng bộ tuyến tính,” IEEE
Cuộc họp, 2018, trang 1–7. Trans. Điện tử điện tử., tập. 23, không. 6, trang 3067–3078, tháng 11 năm 2008.
[33] WQ Chen và AM Bazzi, “Các phương pháp dựa trên logic để chẩn đoán và phục hồi lỗi thông minh
trong điện tử công suất,” IEEE Trans. Điện tử điện tử., tập. 32, không. 7, trang 5573–5589, [54] MA Hassan và MA Abido, “Thiết kế tối ưu lưới siêu nhỏ ở chế độ tự trị và kết nối lưới bằng
tháng 7 năm 2017. cách sử dụng tối ưu hóa bầy đàn hạt,”
[34] MG Simoes và A. Bubshait, “Hỗ trợ tần số của lưới điện thông minh sử dụng bộ điều khiển dựa IEEE Trans. Điện tử điện tử., tập. 26, không. 3, trang 755–769, tháng 3 năm 2011.
trên logic mờ cho các hệ thống năng lượng gió,” Energies, tập. 12, không. 8, trang 1–15, [55] K. Ishaque, Z. Salam, M. Amjad, và S. Mekhilef, “Một MPPT dựa trên tối ưu hóa bầy đàn hạt
tháng 4 năm 2019. (PSO) cải tiến cho PV với dao động trạng thái ổn định giảm,” IEEE Trans. Điện tử điện tử.,
[35] BN Alajmi, KH Ahmed, SJ Finney, và BW Williams, “Phương pháp điều khiển logic mờ của phương tập. 27, không. 8, trang 3627–3638, tháng 8 năm 2012.
pháp leo đồi đã sửa đổi để có điểm công suất cực đại trong hệ thống quang điện độc lập
microgrid,” IEEE Trans . [56] H. Taghizadeh và MT Hagh, “Loại bỏ sóng hài của bộ biến tần đa tầng với các nguồn DC không
Điện tử điện tử., tập. 26, không. 4, trang 1022–1030, tháng 4 năm 2011. bằng nhau bằng cách sử dụng tối ưu hóa bầy đàn hạt,” IEEE Trans. Ấn Độ Electron., tập. 57,
[36] CL Tseng, SY Wang, SC Chien, và CY Chang, “Phát triển chiến lược điều khiển tốc độ TSK-Mờ tự không. 11, trang 3678–3684, tháng 11 năm 2010.
điều chỉnh cho động cơ từ trở chuyển mạch,” IEEE Trans. Điện tử điện tử., tập. 27, không.
4, trang 2141–2152, tháng 4 năm 2012. [57] W. Wang, AC Liu, HS Chung, RW Lau, J. Zhang, và AW
Lo, “Chẩn đoán lỗi của các tấm quang điện sử dụng các đặc tính điện áp dòng điện động,”
[37] RC Garcia, WI Suemitsu, và JOP Pinto, “Mô hình mờ Takagi-Sugeno và điều khiển bộ chuyển đổi IEEE Trans. Điện tử điện tử., tập. 31, không. 2, trang 1588–1599, tháng 2 năm 2016.
tăng áp sử dụng điều khiển mô hình bên trong Loại I,” trong Proc . Năm thứ 39. Conf. IEEE
Ind. Điện tử. Soc., 2013, trang 3794–3799. [58] ZH Liu, HL Wei, QC Zhong, K. Liu, XS Xiao và LH Wu, “Ước tính tham số cho PMSM do VSI cung
cấp dựa trên PSO động với các chiến lược học tập,” IEEE Trans . Điện tử điện tử., tập. 32,
[38] F. Zidani, D. Diallo, MEH Benbouzid và R. Nait-Said, “Một cách tiếp cận dựa trên mờ để chẩn không. 4, trang 3154–3165, tháng 4 năm 2017.
đoán các chế độ lỗi trong ổ đĩa động cơ cảm ứng biến tần PWM được cấp điện áp,” IEEE
Trans . Ấn Độ Electron., tập. 55, không. 2, trang 586–593, tháng 2 năm 2008. [59] M. Liserre, A. Dell'Aquila, và F. Blaabjerg, “Thiết kế dựa trên thuật toán di truyền của
giảm chấn tích cực cho bộ chỉnh lưu tích cực ba pha bộ lọc LCL,” IEEE Trans . Điện tử
[39] R. Fullér, Introduction to Neuro-Fuzzy Systems. Berlin, Đức: điện tử., tập. 19, không. 1, trang 76–86, tháng 1 năm 2004.
Springer, 2000, tập. 2. [60] B. Ji, XG Song, E. Sciberras, WP Cao, YH Hu và V. Pickert, “Tối ưu hóa thiết kế đa mục tiêu
[40] Matlab, “Hướng dẫn sử dụng hộp công cụ mạng thần kinh,” 2005. [Trực tuyến]. Có sẵn: http:// của các mô-đun nguồn IGBT có xem xét đến chu kỳ công suất và chu kỳ nhiệt,” IEEE Trans .
matlab.izmiran.ru/help/toolbox/nnet/ [41] J. Zhang, HSH Điện tử điện tử., tập. 30, không. 5, trang 2493–2504, tháng 5 năm 2015.
Chung, WL Lo, SY Hui và AKM Wu, “Triển khai kỹ thuật tối ưu hóa tách rời để thiết kế bộ điều
chỉnh chuyển mạch sử dụng thuật toán di truyền,” IEEE Trans. Điện Elec tron., vol. 16, [61] F. Wang, G. Chen, D. Boroyevich, S. Ragon, M. Arpilliere, và VR
không. 6, trang 752–763, tháng 11 năm 2001. Stefanovic, “Phân tích và thiết kế tối ưu hóa các thành phần thụ động của bộ chỉnh lưu đầu
cuối đi-ốt cho bộ biến tần nguồn điện áp,” IEEE Trans. Điện tử điện tử., tập. 23, không.
[42] LL Jiang, DL Maskell và JC Patra, “Một phương pháp theo dõi điểm công suất tối đa dựa trên 5, trang 2278–2289, tháng 9 năm 2008.
tối ưu hóa đàn kiến mới cho các hệ thống quang điện trong điều kiện bóng râm một phần,” [62] M. D'Antonio, C. Shi, B. Wu và A. Khaligh, “Thiết kế và tối ưu hóa hệ thống chuyển đổi năng
Tòa nhà năng lượng, tập . 58, trang 227–236, tháng 3 năm 2013. lượng mặt trời cho các ứng dụng trong không gian,” IEEE Trans.
Ind. Ứng dụng, tập. 55, không. 3, trang 2310–2319, tháng 5/tháng 6. 2019.
[63] B. Chen, X. Liang và N. Wan, “Phương pháp thiết kế cho máy biến áp tần số trung bình công suất [85] M. Novak và T. Dragicevic, “Học bắt chước có giám sát của các hệ thống điều khiển dự báo mô
cao có dây Litz tích hợp cuộn cảm với vật liệu lõi tinh thể nano cho tầng liên kết DC cách ly hình tập hợp hữu hạn cho điện tử công suất,” IEEE Trans.
của máy biến áp trạng thái rắn,” IEEE Dịch. Điện tử điện tử., tập. 35, không. 11, trang Ind. Electron., sẽ được xuất bản, doi: 10.1109/TIE.2020.2969116.
11557–11573, tháng 11 năm 2020. [86] H. Soliman, P. Davari, H. Wang và F. Blaabjerg, “Thuật toán ước tính điện dung dựa trên sóng
hài điện áp DC-link sử dụng mạng thần kinh nhân tạo trong hệ thống truyền động động cơ ba
[64] LG Junior, JOP Pinto, JAB Filho và G. Lambert-Torres, “Công cụ dựa trên thuật toán di truyền pha,” trong Proc . Bộ chuyển đổi năng lượng IEEE. chúc mừng Expo., 2017, trang 5795–5802.
và bình phương nhỏ nhất để điều chỉnh bộ điều khiển PID,” trong Proc. quốc tế Conf. thông
minh. hệ thống. ứng dụng Power Syst., 2007, trang 1–6. [87] H. Soliman, H. Wang, B. Gadalla, và F. Blaabjerg, “Giám sát tình trạng cho các tụ điện liên
[65] MJ Schutten và DA Torrey, “Các thuật toán di truyền để điều khiển bộ chuyển đổi năng lượng,” kết DC dựa trên thuật toán mạng thần kinh nhân tạo,” trong Proc. IEEE lần thứ 5 Conf. Power
trong Proc. ngày 26 hàng năm. Điện tử công suất IEEE. Các chuyên gia Conf., vol. I–II, 1995, Eng., Năng lượng bầu chọn. Drives, 2015, trang 587–591.
trang 1321–1326.
[66] MSA Dahidah và VG Agelidis, “Điều khiển PWM loại bỏ sóng hài có chọn lọc cho các bộ chuyển đổi [88] H. Soliman, I. Abdelsalam, H. Wang và F. Blaabjerg, “Ước tính điện dung liên kết DC dựa trên
nguồn điện áp đa cấp xếp tầng: Một công thức tổng quát,” IEEE Trans. Điện tử điện tử., tập. mạng thần kinh nhân tạo trong hệ thống biến tần đầu cuối cầu đi-ốt,” trong Proc . IEEE thứ 3
23, không. 4, trang 1620–1630, tháng 7 năm 2008. Int. Electron năng lượng tương lai.
Conf. ECCE Châu Á, 2017, trang 196–201.
[67] MJ Neath, AK Swain, UK Madawala, và DJ Thrimawithana, “Bộ điều khiển PID tối ưu cho hệ thống [89] ZJ Huang, ZS Wang và HG Zhang, “Phương pháp tỷ lệ trung bình di chuyển tính năng đa cấp để chẩn
truyền tải điện cảm hai chiều sử dụng thuật toán di truyền đa mục tiêu,” IEEE Trans. Điện tử đoán lỗi của công tắc biến tần microgrid,”
điện tử., tập. 29, không. 3, trang 1523–1531, tháng 3 năm 2014. IEEE-CAA J. Tự động hóa. Tội lỗi, tập. 4, không. 2, trang 177–185, tháng 4 năm 2017.
[90] ZJ Huang, ZS Wang, và HG Zhang, “Thuật toán chẩn đoán cho nhiều lỗi hở mạch của bộ nghịch lưu
[68] A. Mehrizi-Sani và S. Filizadeh, “Một chuỗi điều chế vectơ không gian được tối ưu hóa để cải lưới điện siêu nhỏ dựa trên phân tích thành phần lỗi chính,” IEEE Trans. Chuyển đổi năng
thiện hiệu suất sóng hài,” IEEE Trans. Ấn Độ lượng., vol. 33, không. 3, trang 925–937, tháng 9 năm 2018.
[69] M. Garaj, KY Hong, HS-H. Chung, J. Zhou và AW-L. Lo, “Hệ thống chẩn đoán tình trạng của bảng [91] ZJ Huang, ZS Wang, và HG Zhang, “Chẩn đoán lỗi mạch hở nhiều trạng thái dựa trên xử lý dữ liệu
quang điện cho các nhà máy điện mặt trời,” ở Proc. Bộ chuyển đổi năng lượng IEEE. chúc mừng đa trạng thái và phân tích biến động tiểu mục cho biến tần quang điện,” IEEE Trans. nhạc cụ.
Expo., 2018, trang 1–6. Biện pháp, tập. 67, không. 3, trang 516–526, tháng 3 năm 2018.
[70] J. Zhang, HSH Chung, AWL Lo, và T. Huang, “Thuật toán tối ưu hóa đàn kiến mở rộng cho thiết kế
mạch điện tử công suất,” IEEE Trans. Điện tử điện tử., tập. 24, không. 1/2, trang 147–162, [92] S. Qiang và Y. Li, “Chẩn đoán lỗi biến tần động cơ bằng mạng thần kinh sóng con,” trong Proc.
tháng 1 năm 2009. IEEE Int. Conf. Syst., Man, Cybern., 2013, trang 3168–3173.
[71] FJ Lin, PK Huang, HCWang, và LT Teng, “Một hệ thống tạo cảm ứng sử dụng mô hình mờ và mạng nơ-
ron mờ hồi quy,” IEEE Trans. Điện tử điện tử., tập. 22, không. 1, trang 260–271, tháng 1 năm [93] S. Mohagheghi, RG Harley, TG Habetler và D. Divan, “Giám sát tình trạng mạch điện tử công suất
2007. sử dụng mạng thần kinh nhân tạo,” IEEE Trans. Điện tử điện tử., tập. 24, không. 10, trang
[72] BX Li và KS Low, “Giám sát các tham số trực tuyến tốc độ lấy mẫu thấp của bộ biến đổi DC-DC để 2363–2367, tháng 10 năm 2009.
bảo trì dự đoán bằng cách sử dụng tối ưu hóa dựa trên địa lý sinh học,” IEEE Trans. Điện tử
điện tử., tập. 31, không. 4, trang 2870–2879, tháng 4 năm 2016. [94] S. Khomfoi và LM Tolbert, “Hệ thống chẩn đoán lỗi cho biến tần đa cấp sử dụng mạng thần kinh,”
IEEE Trans. Điện tử điện tử., tập. 22, không. 3, trang 1062–1069, tháng 5 năm 2007.
[73] Q. Sun, Y. Wang, Y. Jiang và L. Shao, “Giám sát điều kiện không xâm lấn cho bộ chuyển đổi tăng
tốc dựa trên thuật toán tìm kiếm quạ,” J. Intell. [95] Y. Cui, J. Shi và Z. Wang, “Đánh giá tình trạng sức khỏe dựa trên đồng hóa lượng tử và ước
Hệ thống mờ, tập. 34, không. 6, trang 3661–3670, tháng 6 năm 2018. tính thời gian sử dụng hữu ích còn lại cho các hệ thống điện tử,” IEEE Trans. Ấn Độ Electron.,
[74] L. Wang, J. Yue, Y. Su, F. Lu và Q. Sun, “Một phương pháp dự đoán thời gian sử dụng hữu ích còn tập. 63, không. 4, trang 2379–2390, tháng 4 năm 2016.
lại mới cho các mạch chuyển đổi superbuck dựa trên hồi quy vectơ hỗ trợ bộ tối ưu hóa sói xám
đã sửa đổi,” Năng lượng , tập 10, không. Ngày 4 tháng 4 năm 2017, Nghệ thuật. KHÔNG. 459. [96] P. Tamilselvan, PF Wang, và M. Pecht, “Một hệ thống hợp nhất phân loại đa thuộc tính để chẩn
đoán bóng bán dẫn lưỡng cực cổng cách điện,”
[75] A. Kavousi, B. Vahidi, R. Salehi, MK Bakhshizadeh, N. Farokhnia, và SH Fathi, “Ứng dụng thuật vi điện tử. Rel., tập. 53, không. 8, trang 1117–1129, tháng 8 năm 2013.
toán ong cho chiến lược loại bỏ sóng hài có chọn lọc trong bộ biến tần đa cấp,” IEEE Trans . [97] ZS Wang, ZJ Huang, CH Song, và HG Zhang, “Chẩn đoán lỗi thích ứng đa quy mô dựa trên quá trình
Điện Elec tron., vol. 27, không. 4, trang 1689–1696, tháng 4 năm 2012. tiền xử lý khôi phục đối xứng tín hiệu cho biến tần lưới điện siêu nhỏ trong điều kiện tải
thay đổi,” IEEE Trans . Lưới điện thông minh, tập. 9, không. 2, trang 797–806, tháng 3 năm
[76] MH Etesami, N. Farokhnia và SH Fathi, “Phát triển thuật toán cạnh tranh thuộc địa hướng tới 2018.
giảm thiểu sóng hài trong bộ biến tần đa cấp,” IEEE Trans. Ind. Informat., vol. 11, không. [98] D. Diallo, MEH Benbouzid, D. Hamad và X. Pierre, “Phát hiện và chẩn đoán lỗi trong ổ đĩa máy
2, trang 459–466, tháng 4 năm 2015. cảm ứng: Phương pháp nhận dạng mẫu dựa trên vectơ dòng trung bình của stator Concordia,” IEEE
Trans .
[77] K. Haghdar, “Ảnh hưởng của nguồn DC tối ưu đến việc loại bỏ sóng hài có chọn lọc trong bộ biến Chuyển đổi năng lượng., vol. 20, không. 3, trang 512–519, tháng 9 năm 2005.
tần đa cấp bằng cách sử dụng tối ưu hóa dựa trên dạy-học,” IEEE Trans. Ấn Độ Electron., tập. [99] CS Chen, “Điều khiển mờ-nơ-ron tái phát tự tổ chức kiểu TSK của truyền động động cơ vi bước
67, không. 2, trang 942–949, tháng 2 năm 2020. tuyến tính,” IEEE Trans. Điện tử điện tử., tập. 25, không. 9, trang 2253–2265, tháng 9 năm
[78] J. Zhang và cộng sự, “Tính toán tiến hóa đáp ứng học máy: Một cuộc khảo sát,” IEEE Comput. 2010.
thông minh. Tạp chí, tập. 6, không. 4, trang 68–75, tháng 11 năm 2011. [100] RJ Wai và LC Shih, “Thiết kế mạng nơ-ron mờ thích ứng để điều khiển theo dõi điện áp của bộ
[79] D. Chiozzi, M. Bernardoni, N. Delmonte và P. Cova, “Cách tiếp cận dựa trên mạng thần kinh để mô chuyển đổi tăng áp DC-DC,” IEEE Trans. Điện tử điện tử., tập. 27, không. 4, trang 2104–2115,
phỏng tương tác thiết bị nhiệt điện trong môi trường SPICE,” IEEE Trans. Điện tử điện tử., tháng 4 năm 2012.
tập. 34, không. 5, trang 4703–4710, tháng 5 năm 2019. [101] PZ Grabowski, MP Kazmierkowski, BK Bose và F. Blaabjerg, “Điều khiển mô-men xoắn trực tiếp đơn
giản bằng mô-men xoắn mờ của truyền động động cơ cảm ứng được cấp nguồn bằng biến tần PWM,”
[80] T. Dragicevic, P. Wheeler, và F. Blaabjerg, “Trí tuệ nhân tạo hỗ trợ thiết kế tự động cho độ IEEE Trans . Ấn Độ Electron., tập. 47, không. 4, trang 863–870, tháng 8 năm 2000.
tin cậy của các hệ thống điện tử công suất,” IEEE Trans. Điện tử điện tử., tập. 34, không. 8,
trang 7161–7171, tháng 8 năm 2019. [102] T. Kamel, Y. Biletskiy và L. Chang, “Phát hiện lão hóa tụ điện cho bộ lọc DC trong bộ biến đổi
[81] MG Simoes và BK Bose, “Ước tính tín hiệu phản hồi dựa trên mạng thần kinh đối với truyền động điện tử công suất bằng thuật toán ANFIS,” trong Proc. IEEE thứ 28 có thể. Conf. Trúng tuyển.
động cơ cảm ứng điều khiển véc-tơ,” IEEE Trans. Ind. Ứng dụng, tập. 31, không. 3, trang 620– Điện toán. Eng., 2015, trang 663–668.
629, tháng 5/tháng 6. 1995. [103] A. Soualhi và cộng sự, “Giám sát sức khỏe của tụ điện và siêu tụ điện bằng cách sử dụng phương
[82] J. Zhao và BK Bose, “Xử lý dạng sóng dựa trên mạng thần kinh và lọc không trễ trong điện tử pháp thần kinh tân mờ,” IEEE Trans. Ind. Informat., vol. 14, không. 1, trang 24–34, tháng 1
công suất và ổ đĩa AC,” IEEE Trans. năm 2018.
Ấn Độ Electron., tập. 51, không. 5, trang 981–991, tháng 10 năm 2004. [104] C. Schauder, “Nhận dạng tốc độ thích ứng để điều khiển véc-tơ của động cơ cảm ứng không có đầu
[83] SK Mondal, JOP Pinto, và BK Bose, “Bộ điều khiển PWM vectơ không gian dựa trên mạng thần kinh dò quay,” IEEE Trans. Ind. Ứng dụng, tập. 28, không. 5, trang 1054–1061, tháng 9/tháng 10.
cho ổ đĩa động cơ cảm ứng biến tần cấp điện áp ba cấp,” IEEE Trans . Ind. Ứng dụng, tập. 38, 1992.
không. 3, trang 660–669, tháng 5/tháng 6. 2002. [105] LEB da Silva, BK Bose, và JOP Pinto, “Triển khai dựa trên mạng nơ-ron hồi quy của bộ lọc thông
thấp xếp tầng có thể lập trình được sử dụng trong quá trình tổng hợp từ thông stato của
[84] CM Lin, KN Hung, và CF Hsu, “Điều khiển sóng thần kinh thích ứng để chuyển đổi nguồn điện,” truyền động động cơ cảm ứng điều khiển véc-tơ,” IEEE Trans . Ấn Độ Electron., tập. 46,
IEEE Trans. Điện tử điện tử., tập. 22, không. 1, trang 87–95, tháng 1 năm 2007. không. 3, trang 662–665,
Tháng 6 năm 1999.
[106] XG Fu và SH Li, “Điều khiển bộ biến đổi nối lưới một pha với bộ lọc LCL sử dụng mạng thần [128] SQ Zhou, LW Zhou và PJ Sun, “Giám sát các khiếm khuyết tiềm ẩn trong mô-đun IGBT dựa trên
kinh hồi quy và các phương pháp điều khiển thông thường,” IEEE Trans. Điện tử điện tử., những thay đổi động của dòng cổng,” IEEE Trans. Điện tử điện tử., tập. 28, không. 3, trang
tập. 31, không. 7, trang 5354–5364, tháng 7 năm 2016. 1479–1487, tháng 3 năm 2013.
[129] J. Zhang, HS Chung, và W. Lo, “Xác suất đột biến và lai ghép thích ứng dựa trên phân cụm cho
[107] JOP Pinto, BK Bose, và LEB da Silva, “Bộ điều khiển động cơ cảm ứng điều khiển véc tơ định các thuật toán di truyền,” IEEE Trans. tiến hóa.
hướng từ thông stato với PWM véc tơ không gian và tổng hợp véc tơ từ thông bằng mạng thần Máy tính, tập. 11, không. 3, trang 326–335, 2007.
kinh,” IEEE Trans . Ind. Ứng dụng, tập. 37, không. 5, trang 1308–1318, tháng 9/tháng 10. [130] EG Strangas, S. Aviyente và SSH Zaidi, “Phân tích tần số thời gian để chẩn đoán lỗi hiệu quả
2001. và tiên lượng lỗi đối với động cơ AC nam châm vĩnh cửu bên trong,” IEEE Trans. Ấn Độ
[108] P. Xiao, GK Venayagamoorthy, KA Corzine, và J. Huang, “Kỹ thuật đo trở kháng dựa trên mạng Electron., tập. 55, không. 12, trang 4191–4199, tháng 12 năm 2008.
thần kinh hiện hành cho các hệ thống điện tử công suất,” IEEE Trans. Điện tử điện tử., tập.
25, không. 2, trang 382–390, tháng 2 năm 2010. [131] S. Zhao, V. Makis, S. Chen và Y. Li, “Phương pháp đánh giá tình trạng đối với các linh kiện
điện tử phải theo dõi tình trạng và sự cố cứng,”
[109] Y. Zhang, Z. Wang, H. Wang và F. Blaabjerg, “Trí tuệ nhân tạo hỗ trợ mô hình nhiệt xem xét IEEE Trans. nhạc cụ. Biện pháp, tập. 68, không. 1, trang 138–150, tháng 1 năm 2019.
các hiệu ứng liên kết chéo,” IEEE Trans. [132] YZ Lu và A. Christou, “Tiên lượng của các mô-đun IGBT dựa trên phương pháp lọc hạt,”
Điện tử điện tử., tập. 35, không. 10, trang 9998–10002, tháng 10 năm 2020. Microelectron. Rel., tập. 92, trang 96–105,
[110] MR Habibi, HR Baghaee, T. Dragicevic và F. Blaabjerg, “Phát hiện các cuộc tấn công mạng đưa Tháng 1 năm 2019.
dữ liệu sai vào lưới điện siêu nhỏ DC dựa trên mạng thần kinh định kỳ,” IEEE J. Emerg. Sel. [133] M. Rigamonti, P. Baraldi, A. Alessi, E. Zio, D. Astigarraga, và A. Galarza, “Tập hợp các bản
Chủ đề Power Electron., sẽ được xuất bản, doi: 10.1109/JESTPE.2020.2968243. đồ tự tổ chức dựa trên thành phần và dân số để xác định tình trạng suy thoái của bóng bán
dẫn lưỡng cực cổng cách điện,” IEEE Trans. Rel., tập. 67, không. 3, trang 1304–1313, tháng
[111] Z. Li, Z. Zheng và R. Outbib, “Phương pháp tiên lượng cho MOSFET công suất dưới ứng suất nhiệt 9 năm 2018.
sử dụng mạng trạng thái phản hồi và bộ lọc hạt,” Microelectron. Rel., tập. 88–90, trang 350–
354, tháng 9 năm 2018. [134] N. Femia, G. Spagnuolo, và V. Tucci, “Các mô hình không gian trạng thái và giảm thứ tự cho
[112] ZJ Huang, ZS Wang, XS Yao và HG Zhang, “Chẩn đoán lỗi nhiều công tắc dựa trên dữ liệu tần số các bộ biến đổi chuyển mạch dc-dc ở các chế độ không liên tục,” IEEE Trans. Điện tử điện
thấp nhỏ đối với bộ biến tần nguồn điện áp của ổ đĩa PMSM,” IEEE Trans . Điện tử điện tử., tử., tập. 10, không. 6, trang 640–650, tháng 11 năm 1995.
tập. 34, không. 7, trang 6845–6857, tháng 7 năm 2019. [135] JF Martins, VF Pires, C. Lima, và AJ Pires, “Phát hiện và chẩn đoán lỗi của bộ biến tần nguồn
nối lưới sử dụng PCA và giá trị trung bình hiện tại,” trong Proc . Năm thứ 38. Conf. IEEE
[113] ZY Xue, KS Xiahou, MS Li, TY Ji, và QH Wu, “Chẩn đoán nhiều lỗi công tắc mạch hở dựa trên Ind. Điện tử. Soc., 2012, trang 5185–5190.
mạng bộ nhớ dài hạn ngắn hạn cho các hệ thống tuabin gió dựa trên DFIG,” IEEE J. Emerg .
Sel. [136] W. Chen, L. Zhang, K. Pattipati, AM Bazzi, S. Joshi, và EM Dede, “Phương pháp tiếp cận dựa
Chủ đề Power Electron., vol. 8, không. 3, trang 2600–2610, tháng 9 năm 2020. trên dữ liệu để tiên lượng lỗi của MOSFET SiC,” IEEE Trans. Điện tử điện tử., tập. 35,
[114] A. Alghassi, S. Perinpanayagam, và M. Samie, “Tính toán RUL ngẫu nhiên được tăng cường với không. 4, trang 4048–4062, tháng 4 năm 2020.
mô hình lỗi IGBT dựa trên TDNN,” IEEE Trans. [137] J. Han, M. Kamber và J. Pei, Khai thác dữ liệu: Kỹ thuật khái niệm, tái bản lần thứ 3. San
Rel., tập. 65, không. 2, trang 558–573, tháng 6 năm 2016. Mateo, CA, Hoa Kỳ: Morgan Kaufmann, 2012.
[115] S. Kiranyaz, A. Gastli, L. Ben-Brahim, N. Al-Emadi và M. Gabbouj, “Phát hiện và xác định lỗi [138] M. Glavic, R. Fonteneau, và D. Ernst, “Học tăng cường cho quyết định và kiểm soát hệ thống
trong thời gian thực cho MMC bằng cách sử dụng mạng thần kinh tích chập 1-D,” IEEE Trans . điện: Những cân nhắc và quan điểm trong quá khứ,” IFAC PapersOnLine, tập. 50, không. 1,
Ấn Độ Electron., tập. 66, không. 11, trang 8760–8771, tháng 11 năm 2019. trang 6918–6927, tháng 7 năm 2017.
[139] RS Sutton và AG Barto, Học tăng cường: Giới thiệu.
[116] CY Yin, H. Lu, M. Musallam, C. Bailey và CM Johnson, “Phương pháp đánh giá tiên lượng cho các Cambridge, MA, USA: MIT Press, 2018.
mô-đun điện tử công suất,” trong Proc. Electron thứ 2. Hệ thống-Tích hợp. công nghệ. Conf., [140] P. Kofinas, S. Doltsinis, AI Dounis và GA Vouros, “Phương pháp học tăng cường cho phương pháp
2008, trang 1353–1358. điều khiển MPPT của nguồn quang điện,”
[117] B. Cai, Y. Zhao, H. Liu và M. Xie, “Phương pháp chẩn đoán lỗi dựa trên dữ liệu trong bộ biến Năng lượng tái tạo, tập. 108, trang 461–473, tháng 8 năm 2017.
tần ba pha cho hệ thống truyền động PMSM,” IEEE Trans. Điện tử điện tử., tập. 32, không. 7, [141] AS Elwer, SA Wahsh, MO Khalil và AM Nur-Eldeen, “Bộ điều khiển mờ ligent của Intel sử dụng
trang 5590–5600, tháng 7 năm 2017. tối ưu hóa bầy đàn hạt để điều khiển động cơ đồng bộ nam châm vĩnh cửu cho xe điện,” trong
[118] SSMoosavi, A. Kazemi, và H. Akbari, “So sánh các phương pháp phát hiện lỗi mạch hở khác nhau Proc . ngày 29 hàng năm. Conf. IEEE Ind. Điện tử. Sóc, tập. 1–3, 2003, trang 1762–1766.
trong biến tần DC/AC dựa trên IGBT được sử dụng trong xe điện,” Eng . Thất bại Anal., vol.
96, trang 223–235, tháng 2 năm 2019. [142] F. Harashima, Y. Demizu, S. Kondo và H. Hashimoto, “Ứng dụng mạng trung tính để điều khiển bộ
[119] SH Ali, M. Heydarzadeh, S. Dusmez, X. Li, AS Kamath, và B. Akin, “Ước tính tuổi thọ của các chuyển đổi điện,” trong Proc. Conf. Ghi âm Ứng dụng IEEE Ind. Sóc. hàng năm. Cuộc họp, tập.
thiết bị IGBT rời rạc dựa trên quy trình Gaussian,” IEEE Trans . Ind. Ứng dụng, tập. 54, 1, 1989, trang 1086–1091.
không. 1, trang 395–403, Jan./Feb. 2018. [143] S. Khomfoi và LM Tolbert, “Chẩn đoán lỗi và cấu hình lại cho biến tần đa cấp sử dụng các kỹ
[120] JR Celaya, A. Saxena, S. Saha và K. Goebel, “Tiên lượng của MOSFET công suất dưới ứng suất thuật dựa trên AI,” IEEE Trans. Ấn Độ
nhiệt đã tăng tốc quá trình lão hóa bằng cách sử dụng các phương pháp dựa trên mô hình và Electron., tập. 54, không. 6, trang 2954–2968, tháng 12 năm 2007.
dựa trên dữ liệu,” trong Annu . Conf. Tiên lượng Quản lý sức khỏe. Soc., 2011, trang 1–10. [144] H. Zhang, J. Zhao, R. Wang và T. Ma, “Thuật toán học tăng cường đa mục tiêu và ứng dụng của
nó trong hệ thống truyền động,” trong Proc. Năm thứ 34. Conf. IEEE Ind. Điện tử. Sóc, tập.
[121] A. Lidozzi, L. Solero, F. Crescimbini và A. Di Napoli, “Ổ đĩa SVM PMSM với cảm biến hiệu ứng 1–5, 2008, trang 225–230.
hội trường độ phân giải thấp,” IEEE Trans. Điện Elec tron., vol. 22, không. 1, trang 282– [145] G. Bramerdorfer, JA Tapia, JJ Pyrhonen và A. Cavagnino, “Tối ưu hóa thiết kế máy điện hiện
290, tháng 1 năm 2007. đại: Kỹ thuật, xu hướng và thực tiễn tốt nhất,” IEEE Trans. Ấn Độ Electron., tập. 65,
[122] NA Ahmed và AK Al-Othman, “Hệ thống quang điện với theo dõi điểm công suất tối đa dựa trên không. 10, trang 7672–7684, tháng 10 năm 2018.
điện áp bằng máy vectơ hỗ trợ,” trong Proc. Hội nghị IEEE lần thứ 5 Ấn Độ điện tử. Ứng
dụng, tập. 4, 2010, trang 539–544. [146] C. Versele, O. Deblecker, và J. Lobry, “Thiết kế và lựa chọn tối ưu đa mục tiêu của bộ chuyển
[123] F. Mei, N. Liu, HY Miao, Y. Pan, HY Sha, và JY Zheng, “Mô hình chẩn đoán lỗi trực tuyến cho đổi nguồn dc-dc biệt lập,” trong Proc. Euro thứ 14 Conf.
biến tần lực kéo đầu máy dựa trên biến đổi sóng con và máy vectơ hỗ trợ,” Microelectron . Điện tử điện. Ứng dụng, 2011, trang 1–10.
Rel., tập. 88–90, trang 1274–1280, tháng 9 năm 2018. [147] S. Vighetti, J. Ferrieux, và Y. Lembeye, “Tối ưu hóa và thiết kế bộ biến đổi DC/DC xếp tầng
dành cho hệ thống quang điện nối lưới,” IEEE Trans. Điện tử điện tử., tập. 27, không. 4,
[124] C. Delpha, H. Chen và D. Diallo, “Chẩn đoán dựa trên SVM của hệ truyền động máy cảm ứng được trang 2018–2027, tháng 4 năm 2012.
cấp biến tần: Một thách thức mới,” trong Proc. Năm thứ 38. Conf.
IEEE Ind. Điện tử. Soc., 2012, trang 3931–3936. [148] H. Helali, D. Bergogne, H. Morel, và JBH Slama, “Phương pháp thiết kế bộ chuyển đổi nguồn: Sử
[125] XX Zheng và P. Peng, “Chẩn đoán lỗi của bộ biến đổi năng lượng gió dựa trên lý thuyết cảm dụng nhiều kỹ thuật khách quan để tối ưu hóa bộ chuyển đổi buck (42/14V),” trong Proc .
biến bị nén và AdaBoost-SVM bị hạn chế về trọng lượng,” Quốc tế thứ 4 Conf. tích phân. Power Syst., 2006, trang 1–5.
J. Điện tử năng lượng., Tập. 19, không. 2, trang 443–453, tháng 3 năm 2019.
[126] AG Abo-Khalil và D. Lee, “Ước tính điện dung liên kết DC trong bộ chuyển đổi AC/DC/AC PWM sử [149] H. Zhang, F. Mollet, C. Saudemont và B. Robyns, “Xác thực thử nghiệm các chiến lược quản lý
dụng bơm điện áp,” IEEE Trans. Ấn Độ hệ thống lưu trữ năng lượng cho hệ thống phân phối DC cục bộ của nhiều máy bay điện hơn,”
Ứng dụng, tập. 44, không. 5, trang 1631–1637, tháng 9/tháng 10. 2008. IEEE Trans. Ấn Độ Electron., tập. 57, không. 12, trang 3905–3916, tháng 12 năm 2010.
[127] TZ Wang, H. Xu, JG Han, E. Elbouchikhi, và MEH Benbouzid, “Chẩn đoán lỗi hệ thống biến tần đa
tầng cầu H nối tầng bằng cách sử dụng PCA và phương pháp tiếp cận máy vectơ liên quan nhiều [150] YF Yin và cộng sự, “Điều khiển chế độ trượt thích ứng dựa trên người quan sát của bộ biến đổi
lớp,” IEEE Trans . NPC: Cách tiếp cận mạng thần kinh RBF,” IEEE Trans. Điện tử điện tử., tập. 34, không. 4,
Điện tử điện tử., tập. 30, không. 12, trang 7006–7018, tháng 12 năm 2015. trang 3831–3841, tháng 4 năm 2019.
[151] FJT Filho, LM Tolbert và B. Ozpineci, “Giảm thiểu sóng hài có chọn lọc theo thời gian thực Shuai Zhao (Thành viên, IEEE) đã nhận bằng BE (hons.), ME và
cho bộ biến tần đa cấp sử dụng thuật toán di truyền và tạo góc mạng thần kinh nhân tạo,” Ph.D. bằng kỹ sư thông tin và truyền thông của Đại học Bách khoa
trong Proc . Quốc tế thứ 7 Điện tử điện. Hội nghị điều khiển chuyển động, tập. 2, 2012, Tây Bắc, Tây An, Trung Quốc, lần lượt vào các năm 2011, 2014
trang 895–899. và 2018.
[152] KH Tan, “Hệ thống máy phát điện cảm ứng lồng sóc sử dụng điều khiển mạng thần kinh mờ
wavelet petri cho các ứng dụng năng lượng gió,” IEEE Trans. Anh hiện là Nghiên cứu sinh sau Tiến sĩ tại Trung tâm Điện
Điện tử điện tử., tập. 31, không. 7, trang 5242–5254, tháng 7 năm 2016. tử Công suất Đáng tin cậy, Khoa Công nghệ Năng lượng, Đại học
[153] JSR Jang, “ANFIS: Hệ thống suy luận mờ dựa trên mạng thích ứng,” IEEE Trans. Hệ thống, Aalborg, Aalborg, Đan Mạch. Từ năm 2014 đến 2016, ông là Tiến
Người đàn ông, Cybern., tập. 23, không. 3, trang 665–685, tháng 5/tháng 6. 1993. sĩ thỉnh giảng. Sinh viên Khoa Cơ khí và Kỹ thuật Công nghiệp,
Đại học Toronto, Toronto, ON, Canada, với học bổng từ Hội đồng
[154] S. Zhao, V. Makis, S. Chen và Y. Li, “Đánh giá chức năng độ tin cậy và tuổi thọ còn lại Học bổng Trung Quốc. Vào tháng 8 năm 2018, anh là Học giả thỉnh
trung bình đối với các hệ thống xuống cấp chịu sự theo dõi tình trạng và sự cố ngẫu giảng của Phòng thí nghiệm Truyền động và Điện tử Công suất, Khoa Khoa học Điện và Máy tính, Đại
nhiên,” IEEE Trans . Rel., tập. 67, không. 1, trang 13–25, tháng 3 năm 2018. học Texas tại Dallas, Richardson, TX, Hoa Kỳ. Lĩnh vực nghiên cứu của ông bao gồm tin học hệ
thống, theo dõi tình trạng thông minh, chẩn đoán và tiên lượng cũng như các công cụ AI phù hợp
[155] S. Zhao, V. Makis, S. Chen và Y. Li, “Phương pháp đánh giá sức khỏe đối với các hệ thống cho các hệ thống điện tử công suất.
xuống cấp chịu rủi ro cạnh tranh phụ thuộc,” J. Syst. Tiếng Anh
[156] IEEE, IEEE Standard Framework for Prognostics and Health Management ment of Electronic
Systems, IEEE Standard 1856-2017, pp. 1–31, 2017.
[157] S. Yang, D. Xiang, A. Bryant, P. Mawby, L. Ran, và P. Tavner, “Giám sát tình trạng độ tin
Frede Blaabjerg (Fellow, IEEE) nhận bằng Ph.D. bằng kỹ sư điện
cậy của thiết bị trong bộ chuyển đổi điện tử công suất: Đánh giá,” IEEE Trans . Điện tử
từ Aalborg University, Aalborg, Đan Mạch, năm 1995.
điện tử., tập. 25, không. 11, trang 2734–2752, tháng 11 năm 2010.
Ông trở thành Trợ lý Giáo sư vào năm 1992, Phó Giáo sư vào
[158] H. Oh, B. Han, P. McCluskey, C. Han và BD Youn, “Vật lý của sự cố, theo dõi tình trạng và
năm 1996 và Giáo sư Chính thức về Điện tử Công suất và Truyền
tiên lượng của các mô-đun bóng bán dẫn lưỡng cực cổng cách điện: Đánh giá,” IEEE Trans .
động vào năm 1998. Kể từ năm 2017, ông là Điều tra viên của
Điện tử điện tử., tập. 30, không. 5, trang 2413–2426, tháng 5 năm 2015.
Villum. Ông là Hon oris Causa với Đại học Politehnica Timisoara,
Timisoara, Romania, và Đại học Kỹ thuật Tallinn, Tallinn,

[159] M. Al-Greer, M. Armstrong, M. Ahmeid và D. Giaouris, “Những tiến bộ về kỹ thuật nhận dạng
Estonia. Ông đã làm việc cho ABB-Scandia, Randers, Đan Mạch, từ
hệ thống cho các ứng dụng bộ chuyển đổi nguồn chế độ chuyển mạch DC-DC,” IEEE Trans.
năm 1987 đến năm 1988. Ông là tác giả/đồng tác giả của hơn 600
Điện tử điện tử., tập. 34, không. 7, trang 6973–6990, tháng 7 năm 2019.
bài báo trong lĩnh vực điện tử công suất và các ứng dụng của
nó. Ông là đồng tác giả của bốn chuyên khảo và là biên tập viên của mười cuốn sách về điện tử
[160] S. Zhao, S. Chen, F. Yang, E. Ugur, B. Akin, và H. Wang, “Một tiền thân lỗi tổng hợp để
công suất và các ứng dụng của nó. Lĩnh vực nghiên cứu hiện tại của ông bao gồm điện tử công suất
theo dõi tình trạng và dự đoán tuổi thọ hữu ích còn lại của các thiết bị nguồn rời rạc,”
và các ứng dụng của nó, chẳng hạn như trong tua-bin gió, hệ thống PV, độ tin cậy, sóng hài và
IEEE Trans . Ind. Informat., sẽ được xuất bản, doi: 10.1109/TII.2020.2991454.
truyền động có thể điều chỉnh tốc độ.
[161] MATLAB, “Trình thiết kế tính năng chẩn đoán,” 2020. [Trực tuyến]. Khả dụng: https://
Tiến sĩ Blaabjerg đã nhận được 32 Giải thưởng IEEE Prize Paper, Giải
www.mathworks.com/help/predmaint/gs/explore-features in-diagnos% tic-feature-designer.html
thưởng Dịch vụ Xuất sắc của IEEE PELS năm 2009, Giải thưởng Hội đồng EPE-
PEMC năm 2010, Giải thưởng Điện tử Công suất IEEE William E. Newell 2014,
[162] MAF Pimentel, DA Clifton, L. Clifton và L. Tarassenko, “Đánh giá về phát hiện tính mới,”
Giải thưởng Nghiên cứu Villum Kann Rasmussen 2014, Giải thưởng Năng lượng
Signal Process., vol. 99, trang 215–249, tháng 6 năm 2014.
Toàn cầu năm 2019 và Huy chương IEEE Edison năm 2020. Ông là Tổng biên tập
[163] R. Liu, B. Yang, E. Zio, và X. Chen, “Trí tuệ nhân tạo để chẩn đoán lỗi của máy quay: Đánh
của IEEE TRANSACTIONS ON POWER ELECTRONICS từ năm 2006 đến 2012. Ông là
giá,” Mech. hệ thống. Quá trình tín hiệu., vol. 108, trang 33–47, tháng 8 năm 2018.
Giảng viên xuất sắc cho Hiệp hội Điện tử Công suất IEEE từ năm 2005 đến 2007
và cho Hiệp hội Ứng dụng Công nghiệp IEEE từ năm 2010 đến 2011 cũng như từ năm 2017 đến
[164] MATLAB, “Hộp công cụ bảo trì dự đoán,” 2020. [Trực tuyến]. Có sẵn: https://www.mathworks.com/
Trong giai đoạn 2019–2020, ông là Chủ tịch của Hiệp hội Điện tử Công suất IEEE. Ông cũng là Phó
products/predictive-maintenance.html [165] A. Hanif, Y. Yu, D. DeVoto và F. Khan,
Chủ tịch Viện Hàn lâm Khoa học Kỹ thuật Đan Mạch. Ông được Thomson Reuters đề cử vào năm 2014–
“Một đánh giá toàn diện về tình trạng nghệ thuật dự đoán sự cố và tuổi thọ của các thiết bị
2019 trong số 250 nhà nghiên cứu được trích dẫn nhiều nhất về kỹ thuật trên thế giới.
điện tử công suất,” IEEE Trans. Điện tử điện tử., tập. 34, không. 5, trang 4729–4746,
tháng 5 năm 2019.
[166] MA Eleffendi và CM Johnson, “Chẩn đoán tại chỗ đối với hiện tượng đứt liên kết dây và mỏi
mối hàn của các gói bán dẫn điện,” IEEE Trans. Điện tử điện tử., tập. 32, không. 9, HuaiWang (SeniorMember, IEEE) đã nhận bằng BE về kỹ thuật điện
trang 7187–7198, tháng 9 năm 2017. của Đại học Khoa học và Công nghệ Huazhong, Vũ Hán, Trung Quốc
[167] M.-F. Ng, J. Zhao, Q. Yan, GJ Conduit và ZW Seh, “Dự đoán trạng thái sạc và tình trạng của vào năm 2007 và bằng Tiến sĩ. bằng điện tử công suất của Đại học
pin bằng cách sử dụng máy học dựa trên dữ liệu,” Nature Mach. Trí tuệ, tập. 2, không. Thành phố Hồng Kông, Hồng Kông, năm 2012.
3, trang 161–170, tháng 3 năm 2020.
[168] X.-S. Si, W. Wang, C.-H. Hu, và D.-H. Zhou, “Ước tính thời gian sử dụng hữu ích còn lại—
Đánh giá về các phương pháp tiếp cận dựa trên dữ liệu thống kê,” Eur. J. Ông hiện là Giáo sư tại Trung tâm Điện tử Công suất Đáng tin
điều hành. Res., tập. 213, không. 1, trang 1–14, tháng 8 năm 2011. cậy, Khoa Công nghệ Năng lượng, Đại học Aalborg, Aalborg, Đan
[169] Alpha and Omega Semiconductor, “Sổ tay về độ tin cậy của chất bán dẫn điện,” Sunnyvale, Mạch.
CA, USA, trang 8–10, tháng 5 năm 2010. [Trực tuyến]. Sẵn có: http://www.aosmd.com/media/ Anh ấy là Nhà khoa học thỉnh giảng của ETH Zurich, Zurich, Thụy
reliability-handbook.pdf Sĩ, từ tháng 8 đến tháng 9 năm 2014 và với Viện Công nghệ
[170] R. Zhao, RQ Yan, ZH Chen, KZ Mao, P. Wang và RX Gao, “Học sâu và các ứng dụng của nó để Massachusetts, Cambridge, MA, Hoa Kỳ, từ tháng 9 đến tháng 11 năm 2013. Anh ấy đã làm việc cho
theo dõi sức khỏe của máy,” Mech. Trung tâm nghiên cứu doanh nghiệp ABB, Baden , Thụy Sĩ, vào năm 2009. Ông cũng lãnh đạo một dự
hệ thống. Quá trình tín hiệu., vol. 115, trang 213–237, tháng 1 năm 2019. án về AI nhẹ cho điện tử công suất nhận thức. Nghiên cứu của ông giải quyết những thách thức cơ
[171] Q. Wang, G. Michau và O. Fink, “Học chuyển đổi thích ứng miền để chẩn đoán lỗi,” trong bản trong việc lập mô hình và xác nhận cơ chế lỗi của linh kiện điện tử công suất cũng như các
Proc. Hệ thống tiên lượng Quản lý sức khỏe. Conf., 2019, trang 1–7. vấn đề ứng dụng trong khả năng dự đoán ở cấp hệ thống, giám sát tình trạng, kiến trúc mạch và
thiết kế độ bền.
[172] L. Liao, “Khám phá các đặc điểm tiên lượng bằng lập trình di truyền trong dự đoán tuổi thọ
hữu ích còn lại,” IEEE Trans. Ấn Độ Electron., tập. 61, không. 5, trang 2464–2472, tháng Tiến sĩ Wang đã nhận được Giải thưởng Kỹ sư Điện tử Công suất Trẻ Xuất
5 năm 2014. sắc Richard M. Bass từ Hiệp hội Điện tử Công suất IEEE vào năm 2016 và Giải
[173] Liên minh Châu Âu, “Quy định chung về bảo vệ dữ liệu (GDPR),” 2018. thưởng Nhân tài Xanh từ Bộ Giáo dục và Nghiên cứu Liên bang Đức vào năm
[Trực tuyến]. Có sẵn: https://gdpr.eu/ 2014. Ông hiện là Chủ tịch của IEEE PELS/ Chương IAS/IES ở Đan Mạch. Ông
[174] Q. Yang, Y. Liu, T. Chen và Y. Tong, “Học máy liên kết: Khái niệm và ứng dụng,” ACM Trans. cũng là Cộng tác viên biên tập cho IET Electronics Letters, IEEE JOURNAL OF
thông minh. hệ thống. Công nghệ, tập. 10, không. Ngày 2 tháng 1 năm 2019, Nghệ thuật. EMERGING AND Selected Topics IN POWER ELECTRONICS, và IEEE TRANSACTIONS ON
KHÔNG. 12. POWER ELECTRONICS.

An Overview of Artificial Intelligence Applications For Power Electronics

Uploaded by

Copyright:

Available Formats

You might also like

An Overview of Artificial Intelligence Applications For Power Electronics

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

An Overview of Artificial Intelligence Applications For Power Electronics

Uploaded by

Copyright:

Available Formats

Machine Translated by Google

trí tuệ nhân tạo (AI) đang mở rộng nhanh

phương pháp dựa trên quỹ đạo, mỗi

Cao: +++, trung bình: ++, kém: +.

hạn chế và các ứng dụng mẫu.

thành phân cụm dữ liệu và nén dữ liệu.

tập dữ liệu. hoặc mô hình của nó khó xây dựng.

thuyết trong [137].

nhiệt). thọ, chi phí, v.v.

thiện hiệu suất. và tối ưu hóa hiệu suất hơn nữa.

nhiều tham chiếu định lượng.

toán ít hơn nhiều. dụng thực tế.

IV. ĐIỀU KHIỂN

với số hạng tỷ lệ Kp, số hạng tích phân KI và đạo hàm . hạn KD do GA

luật điều khiển lý tưởng. Thông số

vào i và y1 là đầu ra của nó. y2 là đầu

sở hướng tâm (RBFN). Trong FFNN, trọng số của input-to-hidden và hidden-

luyện cũng như việc thực thi tốc độ nhanh hơn.

ưu hóa đồng thời.

cập nhật trọng số

nhỏ hơn sẽ dẫn đến sự hội tụ chậm.

một bước, v.v.

hình thành trong bảng Q.

tuyến hoặc học tăng dần. trạng

để theo dõi sự thay đổi tham số hệ thống. Một

chuẩn IEEE về PHM cho các hệ thống điện tử [156].

hệ thống vật lý (ví dụ: hành vi xuống cấp) có thể được mô tả

xuất từ thông tin theo dõi tình trạng liên tục.

3) Quản lý và ra quyết định: Trong phần này, kiến thức hỗ trợ về

A. Theo dõi tình trạng

2) Tiền xử lý dữ liệu và khai thác tính năng: Tiền xử lý dữ liệu

[19] xác định và định vị chi tiết

tốc độ đào tạo.

pháp không giám sát.

N/A: không có sẵn.

ngưỡng w, nghĩa là,

VI. TRIỂN VỌNG TRÊN AI CHO CÁC HỆ THỐNG ĐIỆN TỬ NGUỒN

điểm mà không có phân tích độ nhạy và định lượng độ không đảm

7900–7913, tháng 8 năm 2019.

Electron., tập. 65, không. 5, trang 4357–4367, tháng 5 năm 2018.

không. 12, trang 6791–6803, tháng 12 năm 2015.

nghiệp của mạng thần kinh nhân tạo,”

2273, tháng 11 năm 2017.

tháng 10 năm 2008.

lý độ tin cậy của hệ thống năng lượng,” Proc.

trong Proc . Ứng dụng IEEE Ind. Sóc. hàng năm.

Conf. ECCE Châu Á, 2017, trang 196–201.

Electron., tập. 56, không. 8, trang 2894–2903, tháng 8 năm 2009.

đoán bóng bán dẫn lưỡng cực cổng cách điện,”

công suất và ổ đĩa AC,” IEEE Trans. năm 2018.

điện tử phải theo dõi tình trạng và sự cố cứng,”

[139] RS Sutton và AG Barto, Học tăng cường: Giới thiệu.

trang 895–899. và 2018.

Electron., tập. 29, không. 2, trang 436–444, tháng 4 năm 2018.

Systems, IEEE Standard 1856-2017, pp. 1–31, 2017.

Timisoara, Romania, và Đại học Kỹ thuật Tallinn, Tallinn,

tháng 5 năm 2019.

You might also like