《Machine Learning with Applications》：Explainable Artificial Intelligence (XAI)-Enhanced Modeling of Controlled Rectifiers for Electric Vehicle Charging Systems
编辑推荐：
电动汽车的普及需要具有最小谐波畸变的高效功率转换系统。在电动汽车充电基础设施的既定解决方案中，集成移相变压器的12脉冲晶闸管可控整流器提供了优越的谐波性能；然而，其先进设计需要迭代改进以解决非线性磁行为、损耗机制以及谐波抑制、变压器额定值、体积、成本和热限制之
电动汽车的普及需要具有最小谐波畸变的高效功率转换系统。在电动汽车充电基础设施的既定解决方案中，集成移相变压器的12脉冲晶闸管可控整流器提供了优越的谐波性能；然而，其先进设计需要迭代改进以解决非线性磁行为、损耗机制以及谐波抑制、变压器额定值、体积、成本和热限制之间的复杂权衡。本研究提出一个可解释人工智能（XAI）增强框架，该框架超越仿真驱动的试错设计，转向由可解释特征重要性分析支持的数据驱动决策。所提出的框架将黑箱集成模型转化为透明的决策支持工具，使工程师能够更好地理解关键设计参数对电网电流总谐波失真（THD）的影响。研究人员采用ANSYS TwinBuilder–Maxwell 3D联合仿真生成4,750个操作点，将晶闸管触发角、输出滤波电容和负载电阻与电网电流THD（THDi）关联，用于训练15种机器学习算法。评估的机器学习模型表明，基于树的集成方法提供最高的预测性能，其中CatBoost实现了R2 = 0.964和RMSE = 0.358。基于SHAP的可解释性分析将触发角识别为主导控制参数（54%特征贡献），其次是负载电阻（34%）和滤波电容（12%）。在代表性操作点处与独立ANSYS Maxwell–Twin Builder联合仿真的验证产生了1.18%的预测误差，表明在所研究的参数空间内，代理模型与仿真之间具有良好一致性。
**论文解读：基于可解释人工智能的12脉冲可控整流器建模及其在电动汽车充电系统中的应用**
**研究背景与问题**
随着电动汽车（EV）的全球普及，高效功率转换系统成为关键需求，特别是在中高功率充电基础设施中，需要满足严格的电能质量标准。传统的6脉冲整流器谐波性能较差，而12脉冲晶闸管可控整流器结合移相变压器，能够有效消除5次、7次、11次和13次谐波，提供优越的谐波性能和高功率因数，成为EV充电站前端整流方案的有力候选。然而，这类系统的设计涉及非线性磁行为、损耗机制以及谐波抑制、变压器额定值、体积、成本和热限制之间的复杂权衡，传统设计方法依赖解析模型和试错仿真，需要大量迭代且难以全面优化。近年来，数据驱动模型和机器学习方法被引入电力电子领域，但多数集成模型和深度网络被视为“黑箱”，缺乏物理可解释性，这在安全关键的电网基础设施中限制了工程验证和法规合规性。为此，研究人员提出一种可解释人工智能（XAI）增强框架，旨在将仿真驱动设计转变为数据驱动、可解释的决策支持工具。
**研究内容与结论**
本研究开发了一个结合多物理场仿真、集成学习和可解释性分析的框架，用于EV充电系统中12脉冲晶闸管可控整流器的建模与谐波性能预测。通过ANSYS TwinBuilder–Maxwell 3D联合仿真生成4,750个操作点数据集，输入参数为晶闸管触发角（Tgate）、滤波电容（Cf）和负载电阻（RL），输出为电网电流总谐波失真（THDi）。研究对15种机器学习算法进行基准测试，发现CatBoost算法表现最佳（R2=0.964，RMSE=0.358）。接着，利用SHAP（SHapley Additive exPlanations）可解释性层量化各输入参数对THDi的贡献，揭示触发角为主导参数（54%贡献），负载电阻次之（34%），滤波电容最小（12%）。独立仿真验证显示预测误差仅1.18%，证明了代理模型的有效性。该框架将黑箱集成模型转化为透明决策工具，为工程师提供可解释的设计指导。
**重要意义**
该研究首次将集成学习与SHAP可解释性结合应用于12脉冲可控整流器的谐波建模，填补了现有文献中关于可解释学习框架在EV功率转换中多脉冲整流器应用的空白。研究成果发表于《Machine Learning with Applications》。通过提供高精度且可解释的代理模型，该框架支持快速设计决策，有助于在EV充电站规划中实现更优的谐波抑制和变压器利用率，对推动可持续交通电气化与电网稳定性具有实际意义。
**主要技术方法**
研究人员采用以下关键技术方法：（1）多物理场联合仿真：使用ANSYS Maxwell 3D有限元法（FEM）建模Δ/ΔY移相变压器，并通过ANSYS TwinBuilder集成形成实时联合仿真，生成4,750个操作点的参数化数据集，输入参数范围见表2（Tgate: 0°–120°，Cf: 500–5000 μF，RL: 10–100 Ω）。（2）集成学习建模：基于scikit-learn、XGBoost、LightGBM和CatBoost库，对15种回归算法进行5折交叉验证网格搜索超参数优化，以CatBoost为最优模型。（3）SHAP可解释性分析：利用TreeExplainer计算SHAP值，获取全局和局部特征重要性。（4）阻塞参数范围验证：通过将连续参数区间排除在训练集外，评估模型在缺失区域上的泛化能力。
**研究结果**
以下按论文原始小标题介绍研究结果：
**4. Performance Evaluation of the Machine Learning Methods**
通过RMSE、R2、训练时间和RAM使用量四个指标对比15种回归模型。CatBoost获得最低RMSE（0.35）和最高R2（0.964），其次是LightGBM（RMSE=0.39，R2=0.958）和随机森林（RMSE=0.40，R2=0.953）。线性回归模型表现较差（R2≤0.255），Lasso出现负R2。训练时间方面，LightGBM最长（1.82 s），CatBoost为0.71 s，随机森林仅0.18 s。RAM消耗方面，XGBoost最高（120.26 MB），CatBoost为16.77 MB，简单模型如ElasticNet仅0.01 MB。CatBoost预测值与仿真值对比图显示强一致性（图10）。基于CatBoost的计算器界面（图11）允许用户输入Tgate、Cf、RL快速获得THDi预测。在边界测试点（Tgate=95°, Cf=0.5 mF, RL=10 Ω）的独立验证中，预测误差为1.18%（图12）。阻塞参数范围验证显示，触发角阻塞场景下R2=0.908、RMSE=0.511，滤波电容阻塞场景下R2=0.937、RMSE=0.392，负载电阻阻塞场景下R2=0.916、RMSE=0.451，表明模型在缺失参数区间仍保持满意精度。
**5. Performance Evaluation of the Developed XAI Models**
SHAP全局特征重要性（图13）显示，触发角（Tgate）的平均|SHAP|值为1.23，贡献占比约54%；负载电阻（RL）平均|SHAP|为0.78，占比约34%；滤波电容（Cf）平均|SHAP|为0.27，占比约12%。SHAP汇总图（图14）揭示：高触发角值主要位于正SHAP区域（增加THDi），低触发角值位于负区域；低负载电阻值增加THDi，高电阻值降低THDi；低电容值增加THDi，高电容值降低THDi。这些物理关系与晶闸管触发角增大导致导通区间缩短、波形畸变加剧，以及负载电阻和滤波电容对谐波影响的经典理论一致。此外，表5比较了SHAP在不同模型类别上的适用性：树集成模型采用TreeExplainer具有很高可解释性和低计算成本，而神经网络需DeepExplainer，可解释性中等且成本高。
**讨论与结论**
讨论部分总结了SHAP分析验证了CatBoost模型学习到物理一致的关系，而非任意模式。触发角在60°以上时THDi呈指数增长，滤波电容在2000 μF以下时滤波效果显著下降，这些阈值效应与仿真观察一致。可解释框架将集成学习从黑箱预测转化为透明决策支持，使工程师能够量化设计权衡，这对符合IEEE Std 519等标准的电网基础设施至关重要。
研究结论部分翻译如下：本研究开发了一个用于EV充电应用中带移相变压器的12脉冲晶闸管可控整流器的可解释AI框架。ANSYS Twin Builder–Maxwell 3D联合仿真生成了4,750个数据集，将三个输入参数（Tgate、Cf、RL）与对应的电网电流THD（THDi）值关联，用于训练15种机器学习算法。CatBoost算法取得了优越性能，R2=0.964，RMSE=0.358，其次是LightGBM（R2=0.96）和随机森林（R2=0.96）。计算分析表明集成方法在准确性与实际资源需求之间取得了平衡（CatBoost：0.71 s训练时间，16.77 MB内存）。ANSYS验证在代表性操作点处确认了1.18%的预测误差，SHAP分析表明该框架可识别所研究仿真域内的操作条件。基于SHAP的可解释性分析验证了CatBoost算法学习到物理一致的关系，而非任意模式。特征重要性量化显示Tgate为主导参数（平均|SHAP| = 1.23），其次是RL（平均|SHAP| ≈ 0.78）和Cf（平均|SHAP| ≈ 0.27）。SHAP分布确认了关键物理行为，包括触发角超过60°时THD的指数增长以及滤波电容低于2000 μF时的阈值效应。该可解释框架将集成学习从黑箱预测转化为透明决策支持，使工程师能够以透明且物理可解释的方式量化设计权衡，这对安全关键电网基础设施的法规合规与工程信任至关重要。未来研究可关注硬件实验验证、边缘计算部署、SHAP交互效应分析、XAI认证协议（如IEEE Std 519合规性），以及扩展数据集以包含电网阻抗和电压不平衡等输入特征。
