综述：电动汽车充电应用中智能多电平逆变器的最新进展

这篇综述深入探讨了智能多电平逆变器（MLI）在电动汽车（EV）充电系统中的前沿应用，重点解析了模型预测控制（MPC）和人工智能（AI）技术如何优化功率转换效率、降低谐波失真（THD），并提升动态响应能力。文章系统比较了多种MLI拓扑结构（如CHB、NPC、FC）及其在智能电网（SG）和可再生能源整合中的关键作用，为下一代智能充电器的开发提供了理论支撑。

　　

引言

能源消耗是衡量国家工业能力的重要指标，而电动汽车（EV）的普及为减少交通领域温室气体排放提供了关键解决方案。多电平逆变器（MLI）凭借其高效功率转换和低谐波失真特性，成为EV充电基础设施的核心组件。近年来，半导体成本下降和数字信号处理器（DSP）的进步进一步推动了MLI的工业化应用，同时智能电网（SG）通过双向电力流和远程监控强化了其整合能力。

智能电网中的MLI应用

MLI在光伏（PV）系统中表现卓越，例如基于级联H桥（CHB）和准Z源升压的拓扑结构可显著提升电压容量并优化谐波频谱。在牵引系统中，MLI通过模块化多电平串并联转换器（MMSPC）实现电池组动态重构，降低24%的开关损耗。此外，维也纳整流器等拓扑在车联网（V2G）场景中展现了高功率因数和低EMI特性。

关键拓扑与技术

1. DC-DC转换器：双有源桥（DAB）和串联谐振转换器（SRC）通过中频变压器实现电压调节，其中3L-NPC模块的串联设计可降低50%变压器匝数比。
2. DC-AC逆变器：
   • 二极管钳位（NPC）：通过钳位二极管控制电容电压，适用于高功率光伏系统。
   • 级联H桥：模块化设计支持电平扩展，但需解决功率平衡问题。
   • 飞跨电容（FC）：利用LC谐振电路降低EMI，适合高频操作。

智能控制算法

模型预测控制（MPC）通过实时优化开关动作提升动态性能，而滑模控制（SMC）则增强系统抗干扰能力。人工智能（AI）技术如人工神经网络（ANN）被用于THD抑制和故障预测，例如在17电平逆变器中实现近正弦波输出。机器学习（ML）模型还可模拟MPC行为，减少计算负载。

挑战与展望

当前MLI面临控制复杂性高、成本敏感等问题。未来研究需聚焦于：

1. 拓扑创新以减少半导体数量；
2. AI驱动的自适应控制算法；
3. 智能电网中的多目标优化，如动态响应与故障容错平衡。实验验证和标准化测试将是推动MLI大规模应用的关键步骤。

作者贡献声明

Sofia Lemssaddak负责方法论与软件验证；Youness Hakam完成初稿与可视化；Abdelhafid Ait Elmahjoub和Mohamed Tabaa指导研究并修订；Mourad Zegrari参与编辑。全文未引用部分文献[70]–[72]因篇幅限制未展开讨论。