电力电子中的人工智能可解释性：从Lipschitz连续性视角
系统与控制
2025-01-20 v1 人工智能
系统与控制
摘要
电力变换器的生命周期管理随着新兴人工智能解决方案的兴起而持续蓬勃发展，然而人工智能的数学可解释性在电力电子领域仍未得到探索。理论严谨性的缺乏对其在关键任务应用中的采用构成了挑战。因此，本文提出一个通用框架来评估数学可解释性，从Lipschitz连续性的角度强调推理稳定性和训练收敛性。推理稳定性确保在输入扰动下输出一致，这对于鲁棒的实时控制和故障诊断至关重要。训练收敛性保证稳定的学习动态，有助于在电力电子背景下进行精确建模。此外，引入了一种Lipschitz感知的学习率选择策略，以加速收敛同时减少过冲和振荡。通过验证一种最先进的物理架构神经网络的数学可解释性，并在双有源桥式变换器上的实证案例研究中得到证实，展示了所提出的面向Lipschitz框架的可行性。本文旨在呼吁电力电子领域拥抱数学可解释性，预示着可信且可解释的人工智能解决方案的变革时代，可能重新定义电力电子的未来。
引用
@article{arxiv.2501.09948,
title = {AI Explainability for Power Electronics: From a Lipschitz Continuity Perspective},
author = {Xinze Li and Fanfan Lin and Homer Alan Mantooth and Juan José Rodríguez-Andina},
journal= {arXiv preprint arXiv:2501.09948},
year = {2025}
}