基于概率学习随机代理模型的电力电子变换器参数优化设计

《Next Energy》：Optimal parameter design for power electronic converters using a probabilistic learning-based stochastic surrogate model

为解决电力电子变换器（PEC）设计中效率与热约束平衡的复杂优化问题，研究人员开展了一项基于概率学习随机代理模型的主题研究。该研究提出了一种新颖的框架，集成了神经网络可行性分类器、自然梯度提升（NGB）概率预测模型和启发式优化算法（如遗传算法GA）。结果表明，该框架能实现不确定性感知预测和可行性引导优化，显著提高了预测精度和优化结果，为电力电子设计提供了快速、可靠的解决方案，具有重要的工程应用价值。

　　

在现代电子设备中，电力电子变换器（PEC）扮演着至关重要的角色，它负责将电能从一种形式转换为另一种形式，应用范围从家用电器到工业级电力系统和智能电网。然而，设计高性能的PEC面临着一个核心挑战：如何在确保高效率（η）的同时，控制其内部温度（θ），使之与环境温度相协调，以保证可靠的性能和长久的使用寿命。由于设计参数、效率和温度之间存在着复杂且非线性的关系，实现这种平衡变得异常困难。传统的设计方法依赖于大量的仿真实验，这需要成千上万的仿真实例和巨大的计算资源，成本高昂且耗时漫长。

为了应对这一挑战，代理模型（Surrogate Model）技术应运而生。它通过数据驱动的自底向上方法，仅需系统的输入和相应的输出数据，就能近似复杂系统的行为，从而大大减少计算资源的需求。尽管已有大量研究将代理模型应用于电力电子、电气工程和人工智能领域，但大多数现有工作忽视了预测不确定性的影响，并且通常将可行性筛选和性能估计分开处理。此外，传统模型通常是确定性的，这限制了它们在边界区域的鲁棒性。因此，开发一种能够集成可行性分类、不确定性量化约束感知优化的统一框架，具有重要的理论意义和工程价值。

本研究发表在《Next Energy》上，旨在提出一种概率学习基的随机代理建模框架，以增强和简化电力电子变换器的设计过程。该框架的核心创新在于其能够可靠地预测性能指标（效率和温度），并通过改进的泛化性和鲁棒性来指导优化过程。

为开展研究，研究人员主要应用了以下几项关键技术方法：首先，通过半桥变换器仿真生成包含9个设计参数和2个输出量（效率、温度）的30,000个样本数据集；其次，开发并比较了多种机器学习模型，包括用于可行性分类的人工神经网络（ANN），以及用于概率预测效率与温度的自然梯度提升（NGB）、高斯过程回归（GPR）、蒙特卡洛神经网络（MCNN）和贝叶斯神经网络（BNN）；最后，设计并比较了多种启发式优化算法，包括遗传算法（GA）、粒子群优化（PSO）、模拟退火（SA）、禁忌搜索（TS）和随机爬山法（SHC），并采用了一种结合分类置信度和预测区间的多目标适应度函数进行优化。

4.1. 神经网络与经典分类器的比较性能

研究人员比较了多种分类算法对设计可行性的判断能力。结果表明，人工神经网络（ANN）在5折交叉验证中表现最佳，平均准确率达到99.1%，二元交叉熵（BCE）损失为0.035，显著优于决策树、XGBoost、随机森林和逻辑回归等传统方法。ANN在测试集上达到了99.5%的准确率、0.995的F1分数和0.999的精确度-召回率曲线下面积（AUC-PR），同时保持了最低的BCE（0.029）。其混淆矩阵显示，ANN具有更低的假阳性率，这对于避免将可行设计误判为不可行至关重要，从而确保了优化过程中候选解的质量。

4.2. 预测效率和温度的概率回归算法比较

在概率预测方面，自然梯度提升（NGB）模型展现了最均衡和鲁棒的性能。对于效率预测，NGB的均方根误差（RMSE）为0.02，决定系数（R²）为1.00，平均预测区间宽度（MPIW）为0.04，预测区间覆盖概率（PICP）达到0.95。对于温度预测，RMSE为4.95，R²为0.97，MPIW为15.95，PICP为0.96。此外，NGB的连续分级概率评分（CRPS）和负对数似然（NLL）也表现优异。校准曲线和预测区间宽度直方图进一步证实了NGB模型能够产生准确的点预测和可靠的不确定性估计，其预测区间既尖锐（宽度小）又校准良好（覆盖率高）。

4.3. 使用随机优化估计最优设计参数

在优化阶段，遗传算法（GA）表现最为出色。它实现了最低的适应度值（0.00004），对应的最优设计参数组合可达到99.11%的效率和28.00°C的温度。与其他算法相比，GA在平衡效率最大化和温度约束方面做得最好，其适应度函数融合了分类置信度和预测区间，确保了优化过程的稳健性。粒子群优化（PSO）也取得了竞争性结果（效率99.04%，温度28.01°C），但适应度值（0.00019）略高于GA。随机爬山法（SHC）虽然获得了最高的效率（99.16%）和最低的温度（27.75°C），但其适应度值（0.02523）较高，表明其在处理不确定性惩罚方面不如GA。模拟退火（SA）和禁忌搜索（TS）的表现相对较差。优化进程图显示GA能够稳定收敛到高质量的解。

本研究成功开发并验证了一个集成的概率学习代理建模框架，用于电力电子变换器的参数优化。该框架通过高精度的ANN分类器有效过滤了不可行设计，利用NGB概率模型实现了准确且不确定性感知的性能预测，并借助改进的GA等多目标优化算法找到了满足热约束的高效设计方案。研究结果表明，该框架在预测精度、不确定性量化和优化效果方面均显著优于传统方法，为解决电力电子设计中的高维、非线性优化问题提供了一种强大、可扩展的工具。其重要意义在于显著降低了设计过程中的计算成本和时间，提高了设计的可靠性和鲁棒性，对推动电力电子技术在不同架构和运行场景下的快速发展具有重要价值。未来的工作可以侧重于将该框架扩展到更复杂的变换器拓扑结构，并结合硬件在环（HIL）仿真进行实验验证，以进一步提升其在实际工程中的应用潜力。