机器学习与人工智能如何应用于电力变换？（下篇）

本文深入探讨机器学习（ML）与人工智能（AI）如何助力绿色能源系统和电动汽车（EV）的优化。文章将介绍若干种 ML/AI 技术路径，帮助设计人员实现可从经验中学习的动态模型，相比固定算法能更好地处理非线性、多变且复杂的工况。

上篇已介绍 ML/AI 在电源和电机驱动控制电路中的应用案例。

在电动汽车与绿色能源系统中，ML/AI 用于识别用电模式，并优化能量的分配、消耗与存储，最高可使能源性能提升 30%。

ML/AI 在电动汽车中的优势

在电动汽车中引入 ML/AI 的一项核心价值，是缓解里程焦虑。AI 主要通过两大关键作用实现这一点：

通过优化能效，延长实际续航里程；

（往往更重要）提供更精准、动态、可靠的续航预测。

最终效果是让驾驶员更安心，里程焦虑显著降低。

ML/AI 在电动汽车电池管理系统（BMS）中的应用，将电池性能提升到新高度。

基于 ML/AI 的系统不再只是简单 “管理” 电池表现，而是主动监测电池健康状态（SoH）的细微变化。对健康状态更深度的理解，可实现更优异的电芯均衡与更优的充电策略，从而延长电池包整体寿命。

路径规划与充电优化

搭载 ML/AI 增强的 GPS 导航与路径规划系统，可优先选择能效最优路线，而非仅追求速度最快。

在计算最优能效路径时，系统会综合考虑：地形、交通密度，甚至预测风速。

ML/AI 同样可优化电动汽车充电策略：

自动判断最佳充电时间与地点，并整合进路线规划，包括实时电价、电网负荷、充电站预计拥堵情况等因素。

搭载 ML/AI 的电动汽车电池系统，还能在车辆抵达充电站提前做好充电准备，例如将电池预热 / 冷却至最佳温度区间，从而缩短充电时间并延长电池寿命。

ML/AI 在电动汽车中的落地实现

电动汽车的云端连接存在挑战，尤其行驶过程中无线信号难以保证稳定。因此，电动汽车中多数 ML/AI 方案采用云端集中训练 + 本地实时更新的混合模式，以适配真实路况（图 1）。

图 1. 面向电动汽车能源管理的云端 - 车载 ML/AI 框架

策略先利用模拟行驶工况数据离线训练，再部署到车辆上进行实时自适应调整，实现最优能源表现。（图片来源：《工程研究期刊》）

光伏板预测性维护

光伏（PV）板的预测性维护（PdM）是提升系统长期性能的关键领域，也是 ML/AI 技术极具优势的场景。

预测性维护在最小化系统停机时间与维护成本的同时，通过故障提前预测优化光伏资产性能，避免故障实际发生。

其收益包括：总成本降低、性能优化、发电量预测、根因分析、设备寿命延长、停机时间减少（图 2）。

图 2. 高效预测性维护可为光伏系统运营带来多重收益（图片来源：施普林格・自然）

ML/AI 通过持续分析历史与实时的太阳辐照度、气象规律、电气参数等数据，预测光伏板老化趋势。

算法可提前识别潜在故障，如积灰、裂纹、遮挡等，避免问题恶化。由此可实现计划性维护，最大限度减少停机，延长运行寿命并降低长期成本。

部分系统还采用基于物理机理的模型，考虑二阶影响因素，例如温度对电压的影响、遮挡对电流的影响、天气条件对发电性能的影响等。当实际运行行为偏离预测时，即预示可能存在异常。

光伏系统中可使用的 ML/AI 工具种类十分丰富（图 3）：

• 逻辑回归：有监督机器学习与统计方法，用于预测二分类结果（是 / 否）；

• 决策树、K 近邻、支持向量机：有监督学习，可用于分类与回归任务；

• 随机森林：由多棵决策树构成，结果更准确、更稳定；

• 朴素贝叶斯：有监督学习算法，多用于分类；

• 神经网络：可实现有监督、无监督或强化学习。

图 3. 各类 ML/AI 工具用于光伏系统故障检测与预测（图片来源：MDPI《能源》期刊）

总结

在电动汽车与光伏能源系统中引入 ML/AI 可带来多重收益。对电动汽车而言，这些技术可缓解里程焦虑、加快充电速度、延长电池包寿命。对光伏系统而言，则能提升发电量、增强系统可靠性与可用率。