表1 TMS320F240与TMS320C6654性能对比
Tab.1 Performance comparison between TMS320F240 and TMS320C6654
指标TMS320F240[34]TMS320C6654[35] 主频/MHz20850 运算方式定点定点&浮点 FLASH64 KB外部启动（灵活性高、功耗低） RAM/KB2576
摘要 电力电子设备在新能源、电动汽车、储能等众多领域发挥着重要作用，保障了电能的高效、精准、灵活利用。基于数字控制的电力电子设备拥有采样、计算、存储、通信环节，具备了实现智能功能的基本要素。然而当前电力电子设备的数字处理环节以实时控制为主，未考虑电力电子设备的智能化需求，难以承载监测、优化及其他非线性复杂智能任务。该文计及电力电子设备数量多、聚集度高、成本控制严苛的应用特点，将其视为智能边缘端，分析实现边缘智能的潜力，探讨实现边缘智能的路径，展望智能化应用方式。电力电子的边缘智能与其他领域的边缘智能既有相似性也有差异性，电力电子边缘智能的发展成果可为其他领域的智能化发展提供借鉴参考。
关键词：电力电子 边缘智能 智能终端 物联网 轻量化模型
近年来，人工智能（Artificial Intelligence, AI）技术得到飞速发展，并广泛应用于自然语言处理[1]、自动驾驶[2]、计算机视觉[3]、人机交互[4]等多个领域。2006年，谷歌首席执行官埃里克·施密特在搜索引擎大会上首次提出“云计算”概念，标志着以云为中心的算力资源整合思想正式进入主流视野。该模式将所有终端数据上传云服务器，并对其进行存储、分析与计算，随后将推理结果返回终端设备。随着边缘场景对低延迟与数据隐私要求的不断提高，传统云计算模式已难以完全满足实际需求，由此催生了与之互补的边缘计算模式[5]。该模式在数据源附近完成计算与处理，从而减少数据传输延迟、缓解网络压力，但是终端设备的芯片算力有限，难以胜任复杂计算任务。为兼顾计算性能与响应效率，云边协同架构应运而生。该模式融合了两者优势，构建“云-边-端”协同系统，通过动态调配云端与边缘任务，高效完成各项复杂计算任务[6]。然而，这种实现策略的部署与调度机制相对复杂，运维成本较高。随着终端硬件性能的不断提升，边缘智能作为一种新型AI计算范式，日益崭露头角。此概念最早可以追溯到2001年A. Jennings等提出的网络边缘智能，其旨在将智能功能从网络核心外迁，实现移动网络外围智能[7]。尽管边缘智能提出较早，但受当时终端设备芯片性能的限制，长期以来相关技术未得到广泛应用。直到2019年，Zhou Zhi等系统性地阐述了边缘智能的概念、架构和关键技术[8]，使得边缘智能逐渐被学术界所熟知。自此，边缘智能进入快速发展阶段，并逐步向智能制造[9]、智慧交通[10]、电力系统[11]等诸多领域渗透。在技术实现方面，边缘智能融合了边缘计算与AI，通过在终端芯片上部署AI模型，实现数据处理、推理计算与决策生成，显著降低了对远程服务器的依赖[12-13]。相比于传统云端AI计算模式，边缘智能在降低系统延迟、增强隐私保护能力以及提升终端智能化水平等方面展现出显著的优势。电力电子设备与边缘智能技术的融合，将推动电力电子向智能感知、自主决策和协同优化演进，提升电力电子设备及其所连接系统的响应速度、自治水平与自适应能力。同时，这种融合实现方式有助于构建分布式、高可靠、可扩展的新型能源网络，进一步推动电力电子系统的数字化与智能化转型。
全球正在使用的电力电子设备数量极为庞大，据市场研究报告显示，2024年全球电力电子市场规模为413亿美元，预计2025—2033年的复合年增长率为5.9%[14]。在诸多电力电子设备中，具备数字处理功能的电力电子设备主要用于新能源、储能、直流充电、电机驱动、柔性电网等领域。目前，数字信号处理器（Digital Signal Processor, DSP）在电力电子设备中主要承担实时控制与设备保护功能，依据采样的电压、电流信息做出控制决策，并辅以有线或无线通信通道实现设备运行数据与状态信息的监测，确保系统安全可靠运行。配备数字处理器的电力电子设备已具备实现边缘智能所需的计算、存储及通信等基本条件，在实际应用中高度契合边缘智能节点的典型特征。
近年来，随着电力电子设备智能化需求的不断提升，许多学者基于传统DSP与嵌入式AI芯片已开展了变流控制[15-19]、状态监测[20-25]以及功率预测[26-28]等电力电子边缘智能相关研究。
现有智能变流控制方法大多以人工神经网络（Artificial Neutral Network, ANN）为载体通过在线匹配[15-17]和离线训练[18-19]的方式在DSP上部署实现。基于在线匹配的 ANN 控制方法首先建立ANN控制器与变流器系统之间的闭环关系，随后在输出电流误差的驱动下，利用机器学习算法动态更新ANN控制器权值，生成控制信号。而基于离线训练的ANN变流控制方法则需依托大量电气与环境数据对ANN 权值进行离线优化后，再进行变流控制。相比而言，在线匹配的ANN控制方式不需要离线训练数据集，并且具备较强的自适应能力，更为实用。
状态监测智能算法可基于DSP或AI芯片实现。基于DSP实现的智能算法主要涵盖变量监测[20-21]、故障诊断[22]及稳定判别[23]等。变量监测借助ANN构建相关参数与被监测变量之间的非线性关系，对变量的变化状态进行监测[20-21]。故障诊断是在变量监测的基础上，通过对比ANN输出的监测结果与预定安全范围进行比对进而诊断故障[22]。与变量监测原理类似，稳定判别是以是否稳定为标签代替了监测变量[23]。此外，基于AI芯片实现的智能算法主要集中于逆变器开路故障诊断[24]、电弧故障检测[25]等方面。相比于DSP芯片，AI芯片具有更强的算力，可以承载更大规模的AI模型，实现多种复杂工况的监测。
边缘智能在功率预测中的应用主要通过离线构建功率与相关变量之间的非线性映射关系，进而实现精准在线预测。比如，Ge Leijiao等基于广义回归神经网络构建功率预测模型，并采用灰狼优化算法对其进行离线训练，捕捉气象变量与光伏功率之间的非线性关系，实现高精度天级功率预测[26]。类似地，M. S. Hossain等通过离线训练长短时记忆神经网络，建立不同天气条件下气象数据与功率的映射关系，从而实现多种天气下的光伏功率预测[27]。此外，Meng Xiangjian等利用误差反向传播算法离线训练多层前馈神经网络，建立光伏阵列遮挡状况与输出功率的映射关系，并基于虚拟云图提供的遮挡信息，实现高精度s级功率预测[28]。上述智能功率预测方法采用不同的优化算法与预测模型对场站功率数据进行建模，实现了从天级到s级等不同时间尺度的高精度功率预测。
上述研究基于DSP与AI芯片虽然在一定程度上实现了电力电子智能化，但没有综合考虑电力电子设备的特点与智能需求，尚未形成系统性的研究成果。相对于其他领域的终端设备，电力电子设备具有如下显著特点：①涉及控制、监测、预测等多项任务，功能复杂；②各项任务在数据采集频率与执行周期等方面存在明显的时间尺度差异，尤其控制任务需满足亚毫秒级的高频响应；③所处理的信息包含电气量与环境量，数据特征差异显著；④对物联网的通信速度和稳定性要求较高，以支撑多任务协同执行；⑤部署环境资源受限，算力、存储等约束条件严苛。在电力电子边缘智能的实现过程中，应综合考虑上述特点，将边缘智能算法与电力电子设备的物理逻辑紧密结合，建立适应多任务调度与资源动态分配的运行机制，增强智能算法的鲁棒性与部署可行性。
目前，受制于处理器性能、通信方式等因素，边缘智能在电力电子设备中的应用仍处于初级阶段。随着传统处理器性能的提升、嵌入式AI芯片的研发、AI算法轻量化发展以及5G/工业互联网等新兴技术的融合推进，边缘智能技术有望推动电力电子设备及其所连接的系统向高自主性、强鲁棒性和高安全性方向发展。因此，本文将聚焦于具有数字处理功能的电力电子设备，系统地分析其在边缘智能方面的发展潜力、实现路径及未来的应用前景。
实现边缘智能的两大必要条件是有足够的数据用以分析挖掘系统隐含信息，以及足够的算力、存储等资源用以承担数据分析、状态判断、决策生成等复杂智能任务。下面将从设备数据与芯片资源两个方面，分析电力电子设备边缘智能的发展潜力。
从设备数据方面来说，所有表征电力电子设备运行状态或与之相关的环境信息都直接或间接地蕴含在采样数据中。
通常，电力电子设备通过集成在内部的各类传感器持续采集电压、电流、温度、继电器状态等参量，并依托内置的DSP计算获取频率、功率、相角等状态量以及各类计算过程量。这些数据不仅可以直接用于表征电能质量、运行效率等系统运行情况，还可以通过深度分析挖掘，进一步反映系统稳定状态[23]、设备故障[29]、器件老化状态[30]，甚至外界环境变化[28]等诸多关联隐式信息。
电力电子设备通常以5～50 kHz的高频采样工作[31-32]，单台设备每秒可产生约百兆比特数据，数据规模庞大且持续生成，足以精细刻画系统的实时运行状态，并能对未来发展趋势进行准确预测。但目前的数据利用方式存在两个问题：一是绝大部分数据用于实时控制后被丢弃，仅有少量数据以s级或min级频次通过通信手段上传至云端或主站，海量数据中蕴含的宝贵信息被浪费；二是上传后的数据绝大部分仅用于远程监控，缺乏深入的分析与利用。因此，电力电子设备作为边缘设备拥有足以开展智能应用的数据基础，但其潜力尚未得到充分挖掘。
从芯片资源方面来说，在20世纪90年代，电力电子设备的设计范式已基本确定。尽管在拓扑结构、调制与控制方法以及半导体材料等方面不断发展，但电力电子设备的核心任务——电能变换，从未改变[33]。与之相对地，集成电路技术迅猛发展，DSP芯片不断升级迭代，淘汰旧产品，推出计算存储功能更为强大、性价比更高的新产品。这造成了DSP芯片可用资源持续提升与任务需求几近停滞的极度不匹配，DSP在完成实时控制的前提下大量冗余资源被浪费。表1给出了德州仪器（Texas Instruments, TI）在1997年发布的现已停产的TMS320F240[34]与2019年发布的TMS320C6654[35]两款DSP芯片的核心指标对比情况。显而易见，低性能DSP基本满足实时控制的资源需求，新款DSP在执行相同任务时将存在显著的闲置资源。因此，电力电子设备具备冗余的计算与存储资源，可以支撑智能任务的部署与执行，但目前尚未得到充分利用。
表1 TMS320F240与TMS320C6654性能对比
Tab.1 Performance comparison between TMS320F240 and TMS320C6654
指标TMS320F240[34]TMS320C6654[35] 主频/MHz20850 运算方式定点定点&浮点 FLASH64 KB外部启动（灵活性高、功耗低） RAM/KB2576
海量且持续生成的设备数据与冗余的计算存储资源使电力电子设备具备了开展边缘智能的基本条件。但遗憾的是，现有探索大多聚焦于某一特定场景或特定任务，缺乏对电力电子设备边缘智能的系统性研究。这种任务驱动型研究极易走向两个误区：一是过分强调智能模型的精确度等性能指标而忽视了电力电子设备的算力上限，使得部分复杂算法难以在DSP中部署或需要配置成本高昂的外设；二是过分强调现有DSP资源指标而忽视了可行的能力扩展方案（例如芯片升级、物联智能等），片面地认为电力电子设备智能化水平不足，难以处理复杂任务。因此，实现电力电子边缘智能的系统性支撑理论与方法亟待探索突破。
电力电子设备的边缘智能程度主要取决于处理器性能与设备间的物联水平。电力电子系统边缘智能架构概览如图1所示。电力电子设备不仅承担数据采集、能量变换、本地任务执行等多项核心功能，还可通过通信网络实现设备间的信息共享，为上层智能任务提供基础支撑。在此架构下，电力电子边缘智能实现路径可分为三个层次：第一，在评估所部署DSP性能的基础上，利用DSP剩余的算力与存储资源实现智能变流控制、状态监测等轻量级任务。第二，在电力电子设备上嵌入高性能AI芯片，用以执行故障监测、短期功率预测等对算力与存储需求较高的复杂智能任务。第三，开展电力电子设备的物联网（Internet of Things, IoT）技术研究，在此基础上构建边缘设备物联智能系统，实现集群自适应控制、协同运行优化、区域功率预测等多机乃至区域级智能任务，推动边缘智能从单体处理向群体协同的跃迁。上述三个实现路径从硬件升级与多机物联两个维度，逐步提升电力电子设备的智能化水平。
通常情况下，传统数字处理器具备远超控制任务需求的处理能力。以TMS320C6654为例，其每0.1 ms的浮点型运算次数（Floating Point Operations, FLOPs）约为1×105 [35]。假设电力电子设备的开关频率为10 kHz，每个开关周期的控制与设备保护任务计算开销通常小于200个FLOPs，相较之下，DSP仍保有大量冗余算力。值得说明的是，DSP的浮点与定点运算能力在适配不同类型ANN时表现相近。在实际应用中，ANN类型及其参数应综合考虑具体控制任务、不同神经网络性能优势以及DSP的计算与存储能力进行选取。目前，基于DSP剩余算力的电力电子边缘智能方法通常对采集数据进行归一化等简单处理后，借助ANN与机器学习算法通过在线匹配或离线训练方式执行特定任务。
图1 电力电子系统边缘智能架构概览
Fig.1 Overview of edge intelligence architecture for power electronics systems
电力电子设备通常涉及控制、监测、预测等多项任务，且各任务的数据采样窗口、算力、存储以及执行周期等需求各异，图2给出了其资源需求对比，具体的需求量还需根据具体任务确定。整体来看，控制任务对实时性要求最高，对算力与存储资源的消耗最小。监测任务对算力与存储资源消耗较大，其通常需要百万到千万次FLOPs运算，并占用百万到千万个字节的存储空间。预测任务所需的算力与存储资源最多，但其对实时性要求最低。
图2 电力电子边缘智能任务资源需求对比
Fig.2 Resource demand comparison of edge intelligence tasks in power electronics
由上述分析可见，各项任务在算力与存储需求方面存在显著差异。此外，不同任务所需数据具备较高的相关性。而现有研究普遍将各任务在处理器堆叠、割裂执行，缺乏对各项任务的数据关联性分析与资源需求评估，存在同一数据重复处理、处理器资源利用不充分等问题，导致任务执行效率低下。为此，在任务执行过程中，可通过图3所示的基于传统处理器的边缘智能实现路径弥补上述不足。首先，通过特征提取与降维技术（如主成分分析[36]、Autoencoder[37]等）降低任务冗余信息，提高数据共享效率；其次，建立设备终端数据库，实现不同任务之间的数据特征共享；再次，将智能模型部署至DSP芯片之前，应采用模型压缩技术（如剪枝[38]、量化[39]等）对其冗余结构进行删减，以降低模型计算与存储开销；随后，评估各任务在算力、存储等方面的资源需求，构建处理器资源与任务需求动态匹配机制，提升处理器资源利用率；最后，根据各类任务执行特点与资源需求，设计灵活高效的多任务协同执行策略，提高系统整体运行效率。基于传统处理器的边缘智能多任务执行示意图如图4所示。作为多任务执行案例，在每个控制周期内，除执行实时控制任务外，还可将监测等简单的智能任务进行拆分，并穿插于控制任务之间，利用DSP的剩余算力分段执行，从而提升资源利用效率。上述方式有助于电力电子设备的智能化改造，进一步推动边缘智能在电力电子设备中的高效应用。
图3 基于传统处理器的边缘智能实现路径
Fig.3 Edge intelligence implementation path based on traditional processors
图4 基于传统处理器的边缘智能多任务执行示意图
Fig.4 Schematic diagram of multi-task execution for edge intelligence based on traditional processors
利用DSP冗余资源部署超轻量AI模型在特定情形下具有可行性，尤其是控制任务负载较低且AI模型极简时。然而，受限于DSP需满足高频实时控制的硬性要求，两次控制任务之间的执行间隙极其有限，难以适配复杂AI模型的部署需求。为此，在保留原有DSP控制核心架构的基础上，外接或集成专用AI处理芯片，已成为实现边缘智能的重要技术路径[24]。
该路径的核心理念在于实时控制任务与智能任务的解耦，分别由DSP与AI芯片承担。其中DSP主要负责系统的信号采集与实时控制任务，例如电流/电压采样、PWM、电流/电压控制等，保证系统稳定运行；而AI芯片则承担计算量较大的智能任务，如故障监测[40-42]、短期光伏功率预测[26-28]等，提升系统的智能化水平。
外置AI芯片的边缘智能路径概览如图5所示，在此协同智能路径下，DSP通过数模转换器（Analogue to Digital Converter, ADC）完成关键物理量采样，采样数据用于实时控制的同时，也可通过直接内存访问（Direct Memory Access, DMA）高效写入环形缓冲区。AI芯片可经通信总线（I2C、UART、SCI、SPI等）与DSP通信，按周期或事件触发读取数据窗口，并进行本地缓存与预处理。随后，AI芯片执行模型推理，推理结果按需通过外部中断、通信总线等方式反馈给DSP或者通过界面直接反馈给用户。此外，AI 芯片在具备外接采样能力的系统中，也可通过连接外部 ADC 独立完成特定物理量的采样与推理，从而减轻 DSP 的数据采集与通信压力。
图5 外置AI芯片的边缘智能路径概览
Fig.5 Overview of edge intelligence pathway using external AI chip
AI芯片作为智能任务的核心载体，其性能直接关系到系统的响应速度、控制精度及AI算法的部署能力。现有研究多倾向于通过增加模型复杂度来优化任务表现[43]，而在AI芯片选型中普遍缺乏对成本约束的系统性评估。电力电子设备在实际应用中对可靠性与经济性有极高要求，成本过高将制约AI方案的实际应用。因此，AI芯片的选型需突破传统算力导向的局限，基于“任务驱动、通信协同、资源匹配、成本优化”的设计理念，构建兼顾技术性能与经济可行性的选型方案：首先，根据AI任务的推理复杂度与响应时间要求，合理匹配芯片的计算能力、存储访问性能及通信接口等关键指标，在满足性能的前提下避免算力冗余，降低过配带来的资源浪费。其次，任务的数据传输需求决定芯片通信接口的选择。高频高通量任务宜采用支持高速SPI或共享内存的芯片，以减少延迟；而低频轻载任务则可选用UART、I2C等低成本接口，实现通信效率与成本的平衡。再次，模型计算特性决定芯片资源配置。规则性强、量化友好的卷积神经网络与全连接网络适合部署在支持INT8推理、RAM大于512 KB的芯片上；而含循环或注意力机制的模型则需匹配大缓存或专用加速单元，以保障执行效率。最后，为实现整体成本优化，应通过模型压缩、混合精度计算和通信接口复用等手段实现资源的高效配置与复用，减少芯片在计算、存储与通信方面的冗余投入，提升方案的性价比。
基于外置AI芯片的电力电子边缘智能路径在工程应用中具有较高的经济合理性。该路径的核心硬件新增部分为AI推理模块。以直流电弧检测为例，所采用的NVIDIA Jetson Nano（四核ARM-A57架构）在单片零售时价格为100～300美元，国产化SoC（如瑞芯微RK3568、地平线旭日3）在相同算力水平下单片成本可降至100美元以内。考虑到电力电子设备批量化生产后的成本摊薄效应，AI芯片成本将进一步下降。
基于外置 AI 芯片的边缘智能路径，通过软硬件任务划分与片间通信机制的优化，在保障电力电子系统高频控制实时性的基础上，实现复杂 AI 模型在边缘侧的高效运行；同时兼顾数据交互效率与硬件资源成本，为电力电子设备提供低延迟、高适配、经济可行的智能化升级方案。
通过上述分析可知，单台电力电子设备虽然具备实施边缘智能的基本条件，但由于其硬件资源受限，难以承载结构复杂、参数众多的智能算法模型，尤其是需要大量计算和实时响应的深度学习或强化学习模型。虽然通过增加外置计算芯片可以缓解这一局限，但仍然面临两个显著问题：一是外置高端算力芯片无法应用于存量设备；二是单台电力电子设备仅能获取自身的运行数据，缺乏对系统以及关联设备的感知能力，面对系统级协同问题力有不逮。因此，一条可行的实现路径是基于通信手段，将多台电力电子设备组建成物联网，借助物联网数据交互优势，实现电力电子设备数据与资源共享，协同完成单台设备难以完成的复杂任务或全局任务。
事实上，以IoT为代表的先进通信技术已经在电力电子设备上得到初步应用。例如，P de Arquer Fernández等设计了一套用于光伏场站的数据上传方案，使用RS485作为传输介质，利用Modbus和S7协议将各台逆变器的运行状态汇集并上传[44]。M. L. Hossain等使用SIM卡将风机直流链的状态参量上传云端，并可远程访问服务器进行监测[45]。但显然，这种数据上传主站或云端服务器的中心化模式难以实现低延迟、快响应、时间敏感的电力电子设备智能任务。
基于物联网的电力电子设备边缘智能实现方案如图6所示。单台电力电子设备基于集成的传感器获取采样数据，并在内部DSP上完成逻辑计算、数值计算、特征提取与压缩或部分智能推理，生成各类中间量或最终量。这些计算结果一部分用于生成自身的控制和决策信息，另一部分通过有线/无线通信与其他电力电子设备共享，由于仅需传输关键状态量、特征量或诊断结果，而非高频原始数据流，因此通信带宽的需求显著降低。在此基础上，多台设备通过轻量化分布式调度机制实现算力、存储资源的动态共享：低负载节点可接收邻近设备的计算任务或中间特征，实现任务迁移与结果融合的协同计算。进一步地，可通过并行计算实现公共特征提取，利用联邦学习开展模型协同训练，并通过区块链机制构建可信共识体系，最终形成具备自适应任务分配与资源协调能力的物联智能系统。
图6 基于物联网的电力电子设备边缘智能实现路径
Fig.6 Intelligence implementation path for pow erelectronic devices based on the internet of things
显然，实现基于IoT的边缘智能必须解决两个关键问题：一是搭建高速高吞吐量的电力电子物联网；二是制定高效高鲁棒的协同处理机制。
通信协议是物联组网的首要问题。考虑到建设成本以及可扩展性，无线通信组建IoT的方案逐步替代光纤、RS485和电力线载波通信等有线组网方式，并成为主流。表2展示了六种成熟的无线通信组网方式。可见，不同通信方案的性能和建设成本也有所差别，需要根据实际应用需求选择合适的方案。
协同处理机制是打破单台电力电子设备资源受限的核心手段。通常来说，按照数据与模型的分解方式不同，可分为数据并行、模型并行与混合并行，如图7所示。数据并行模式，数据集会被划分为与分布式设备数量相等的若干子集，每个设备上执行相同的模型，并行处理海量数据，主要用于加速模型训练[52]。模型并行模式，各设备使用相同的数据样本，但将一个复杂的大规模模型划分为多个子模型，分别在不同设备上运行[53]。混合并行结合了上述两种方式，主要用于在异构设备间协同完成模型的训练与推理[54]。
表2 现有成熟无线通信协议
Tab.2 Existing mature wireless communication protocols
指标SigFox[46-49]LoRa[46,49]ZigBee[46-47]Wi-fi[46-47]NB-IoT[46-47]5G[50-51] 通信距离/km10/5020＜1＜0.1350.300～0.400 最大传输速率/(bit/s)100/600100×103250×103100×106250×103＞1×109 频带/MHz868/915～928915～928868/915/2.4×1032.4×103～6×103700/800/900450～6×103 延迟s级～min级几十毫秒到秒级＜20 ms＜10 mss级ms级 其他每天限制发送140条数据按流量收费基站功耗大
图7 传统三种协同处理机制
Fig.7 Traditional three types of collaborative processing mechanisms
基于物联网的电力电子边缘智能实现路径打破了单机处理复杂问题的既有范式，引入了多机协同的分布式思想，能够更迅速、更高效地执行更复杂的智能任务。
综上所述，基于传统处理器、基于外置AI芯片以及基于物联网这三种路径均可以实现电力电子边缘智能，但智能化水平存在差异。在应用中，应当根据实际需求合理选择或组合各类方案，实现经济、高效、可靠的边缘智能。
在电力电子设备的边缘智能实现过程中，对数据的深度分析与挖掘面临算力与通信两大瓶颈。算力瓶颈使复杂模型难以在端侧实时运行，通信瓶颈受带宽与时延限制，影响多设备间的数据共享与协同计算的性能。针对算力瓶颈，可通过轻量化模型降低计算量、引入外置 AI 加速模块，并利用多机物联共享计算与数据资源提升处理能力；针对通信瓶颈，则可在边缘侧实施数据压缩、差分更新与优先级调度，并结合局部特征提取与异步传输策略，降低通信负载并提高协同计算的可靠性。以下将结合典型案例说明不同实现路径的应用实践。
电力电子边缘智能在智能控制领域已有多种实现案例。下面将简要介绍一种用于逆变器控制的轻量化ANN模型[55]。该轻量化ANN的结构为1-5-5-1，激活函数选用双曲正切函数（tanh），权值优化算法为梯度下降算法。在每个控制周期内，轻量化ANN的算力需求约为264个FLOPs，而所采用的 TMS320F28377芯片每0.1 ms的算力性能为1 200个FLOPs，能够充分满足逆变器智能控制的实时性需求。文献[55]的实物实验结果表明，轻量化ANN控制器在输出功率变化、电网电压畸变、输入电压波动、滤波参数变化及弱电网等多种工况下均表现出优异的控制性能。
基于外置AI芯片路径主要面向需要借助AI解决高维非线性问题的场景，该路径的实现案例众多，下面详细介绍一种用于光伏直流电弧检测的实现案例[56]。该系统采用双芯架构设计，由主控MCU与外置AI芯片协同完成信号采集与智能检测任务。其中，主控单元选用TMS320F28377S数字信号处理器，用于执行电流信号的实时采样与基础控制任务。系统的采样频率设定为250 kHz，能够充分捕获电弧产生时的高频瞬态特征。采集到的电流数据通过SPI总线传输至外置AI处理模块，该模块选用NVIDIA Jetson Nano平台，搭载四核ARM-A57处理器，支持本地模型部署与高速推理。在算法设计方面，系统采用基于时间卷积神经网络与全连接神经网络相结合的轻量化模型，用于从电流信号中自动提取时序特征并进行电弧状态识别。模型文件大小约为729 KB，能够在嵌入式AI芯片上实现高效部署。为适应嵌入式运行环境，模型采用浮点到INT8量化与权值剪枝策略，有效地降低了运算复杂度与存储占用。文献[56]基于自建光伏直流电弧数据集开展实验，其所提模型在该任务中实现了99.88%的检测精度，每个样本推理时间约为0.15 s。
文献[57]提出了一种适用于电力电子装备的物联网（Power Conversion Internet of Things, PC-IoT）架构，设计了无冲突、低延时的顺序传输机制，为电力电子设备间的高效数据互联与时钟同步提供了基础支撑。基于PC-IoT，文献[58]在光伏场站中开展了缺失数据智能补全实验。实验系统由三台基于TMS320F28379D数字处理器控制的并网逆变器构成，每台逆变器集成ESP32无线通信模块，通过WLAN链路实现高速数据传输与μs级同步。各逆变器按照文献[57]中所提协议周期性传递采样数据，构成分布式边缘计算网络。当某台逆变器出现数据丢失时，其余设备通过物联网通道共享运行信息，并利用结合一维与二维卷积的轻量化深度学习模型提取时间与空间特征，实现缺失数据的智能补全。实验结果表明，该基于PC-IoT的协同模型在复杂环境下仍能保持较高精度，平均绝对误差较传统插值法降低了约30%，验证了物联网支撑的多机协同推理在电力电子边缘智能体系中的可行性与有效性。
将边缘智能深度嵌入电力电子设备，不仅能够打破传统设备功能单一、自适应能力不足、智能化程度低的局限，更将开启电力电子设备向“自主学习、协同优化、智能决策”路径的转型。电力电子边缘智能的应用潜力不仅体现在单一设备性能的提升上，更重要的是其具备广泛部署、本地计算、快速响应与异构协同的能力，使其能够在新能源、储能、智慧工厂等系统级应用层面发挥作用。进一步地，当这类设备大规模部署于城市基础设施中，还将演变为智慧城市的重要“感知神经”与“决策触点”，支撑城市运行的实时感知、动态响应与协同优化。具体而言，可将电力电子边缘智能的应用场景分为电力电子设备层、系统级应用层和智慧城市应用层，电力电子设备边缘智能多层级应用展望如图8所示。这三层应用并不是完全分割的，电力电子设备本体的智能化可为系统级应用和智慧城市应用提供基础支撑，同时可根据任务复杂度、响应时间与成本约束等条件，从三种实现路径中选择合适的方案或组合方案，以解决不同场景的应用需求。
图8 电力电子设备边缘智能多层级应用展望
Fig.8 Prospects of multi-level applications for edge intelligence in power electronic devices
随着边缘智能技术的不断演进，电力电子设备本体的功能边界将被重塑，呈现出从“控制单元”向“智能节点”的转变趋势。除了传统的状态监测、故障诊断与预警功能外，未来在设备本体层面还可能涌现出以下五个具有潜力的智能应用领域：
（1）分布式数据自治与可信存储：借助区块链与分布式技术，电力电子设备可实现运行数据的本地存证与协同存储，保障数据的完整性与可追溯性，避免集中平台的单点失效。
（2）缺失与异常数据修复：边缘设备间通过数据协同与模型推理，可在通信故障或采样异常时，利用邻近节点数据进行补全与纠错，提高设备对数据完整性的自恢复能力。
（3）多设备空间协同感知：通过多个设备在不同空间节点对电气参数的同步观测，可构建空间维度的信息融合模型，提升异常识别与故障定位的精度和鲁棒性。
（4）多目标优化自学习控制：结合强化学习与边缘计算，设备本体能够在长期运行中不断优化控制策略，实现能效、稳定性、可靠性等多维指标的自适应平衡调节。
（5）智能网络攻防能力：嵌入式边缘智能可实现本地行为分析与异常检测，具备对网络入侵、虚假控制指令等攻击的实时识别与响应能力，增强设备在能源网络中的安全性。
这些应用将促进电力电子设备发展为具备计算、感知、协同和防御能力的智能终端，显著提升其运行的自治性、安全性与适应性，从而实现设备本体功能的跃迁。
电力电子设备在边缘智能的赋能下，将逐步由被动执行的控制单元演进为具备局部判断和主动优化能力的智能终端，在各类复杂物理系统中发挥核心角色的功能，能够应对复杂多变的运行工况。以下是几类典型潜在应用：
（1）在新能源发电系统中，具备边缘智能的电力电子设备可借助本地计算资源与感知数据，实现场站级细粒度的发电功率预测与光储协同运行控制；设备还可实现电网扰动快速响应，提升高比例可再生能源并网的稳定性和可控性。
（2）在储能系统中，通过综合考虑电价、电网负荷曲线、环境变量等信息，实施自适应充放电策略，从而提升系统经济性与峰谷调节能力。同时，通过对电池状态的深度监测与寿命预测，边缘设备还能优化储能电站的充放电策略以延长电池寿命。
（3）在电动交通与车网融合系统中，电力电子设备是车载充电机和直流快充桩的核心，边缘智能可以实现充放电策略本地优化、用户行为学习与预测等功能。此外，还可通过多车协同机制，在社区或园区内实现局域能源调节，提高与电网互动的能力。
（4）在智慧工厂与工业系统中，具备边缘智能的电力电子设备可实现对工业设备的本地驱动控制、能耗分析与安全监测。
此外，通过边缘数据汇聚与本地决策，工厂可构建分布式能源管理系统，实现负载优化与能源自适应调节。具备边缘智能的电力电子设备作为复杂系统的智能单元，可支撑系统实现本地自治、系统状态判别与资源协同调度，推动能源系统、工业系统以及电动交通系统向自感知、自适应、自组织方向演进。
相较于传统的“云端集中式”数据处理方案，电力电子边缘智能具有多方面优势。一是分布式架构能够在设备端完成数据的本地分析与决策，大幅降低数据上传量，减轻通信带宽与云端服务器的压力；二是边缘侧的本地计算避免了敏感数据的集中传输，提升了数据安全性与用户隐私保护水平；三是电力电子设备自带供电系统，无需过度考虑计算单元的能耗水平；四是电力电子设备天然连接电源或负载，无需额外的传感器即可刻画用户行为，提取隐含信息。具备边缘智能的电力电子设备作为城市运行的“神经末梢”，在多源信息监测、城市应急响应等方面展现出广阔的应用潜力。
（1）多源信息感知：具备边缘智能的电力电子设备能够持续采集电能数据、环境温度、设备状态、用户行为等多维信息，形成分布广泛、粒度精细的信息采集网络。采集到的结构化数据可作为城市数字孪生平台的实时输入源，支撑对城市运行状态的在线建模、虚实同步与预测仿真。
（2）城市级碳排放监测：边缘智能设备可实时采集用户侧、建筑侧或系统侧的能耗特征，并结合碳-电转换机制进行城市级碳排放估算，为构建城市碳排放地图、碳交易机制、碳负荷预测等提供可信数据基础。
（3）城市应急响应：具备边缘智能的电力电子设备可在突发事件时，自主进入应急运行模式，保持区域电力系统局部供电能力，并通过设备自组网与状态共享机制，协助调度中心完成分区恢复与优化调度，提升城市韧性与恢复速度。
边缘智能赋能的电力电子设备将发挥从信息感知、状态监测到策略执行的多维作用，成为未来城市基础设施的重要组成部分，助力城市向智慧、绿色与安全的方向发展。
随着人工智能、嵌入式计算与物联网技术的快速发展，电力电子设备的智能化正逐步从概念走向实践。本文从电力电子设备所具备的数据资源与算力基础出发，系统地分析了其实现边缘智能的内在潜力；进一步提出三条可行的实现路径，具体涵盖基于传统处理器的算力挖掘、基于外置AI 芯片的算力增强以及基于设备互联的物联智能；最后，从设备本体、系统层级到智慧城市建设三个维度，探讨了电力电子边缘智能的多层级应用前景。总体来看，电力电子边缘智能不仅具备实现基础，也契合智能化发展的实际需求，具有广泛的工程应用价值。
但电力电子边缘智能的发展仍处于初期阶段，尚存在若干亟须突破的关键难题：一方面，边缘智能模型的构建与验证高度依赖真实、全面且多样化的运行数据，而现在缺乏统一、公开的标准数据集，难以满足算法开发、效果评估与跨方案比对等研究需求；另一方面，系统架构与模型部署等尚未形成通用规范，影响了工程化落地与规模化推广。未来应加强数据共享机制与标准体系建设，推动软硬件协同、算力资源调度与系统鲁棒运行等关键技术研究，开发适配的可解释AI模型，构建可扩展、可部署、可复制的边缘智能解决方案，为新一代智能化电力电子系统的发展奠定坚实基础。
参考文献
[1] Yuksekgonul M, Bianchi F, Boen J, et al. Optimizing generative AI by backpropagating language model feedback[J]. Nature, 2025, 639(8055): 609-616.
[2] Feng Shuo, Sun Haowei, Yan Xintao, et al. Dense reinforcement learning for safety validation of autonomous vehicles[J]. Nature, 2023, 615(7953): 620-627.
[3] Han Yaning, Chen Ke, Wang Yunke, et al. Multi-animal 3D social pose estimation, identification and behaviour embedding with a few-shot learning framework [J]. Nature Machine Intelligence, 2024, 6(1): 48-61.
[4] Tashakori A, Jiang Zenan, Servati A, et al. Capturing complex hand movements and object interactions using machine learning-powered stretchable smart textile gloves[J]. Nature Machine Intelligence, 2024, 6(1): 106-118.
[5] Ryan L. Edge Computing[R]. Richland, WA: Pacific Northwest National Laboratory, 2013.
[6] Edge Computing Consortium and Alliance of IndustrialInternet: White Paper on Edge Computing Collaboration [EB/OL]. https://www.ecconsortium.org/Uploads/file/ 20190221/1550718911180625.pdf.
[7] Jennings A, Copenhagen R V, Rusmin T. Aspects of network edge intelligence[R]. Maluku Technical Report, 2001: 1-14.
[8] Zhou Zhi, Chen Xu, Li En, et al. Edge intelligence: paving the last mile of artificial intelligence with edge computing[J]. Proceedings of the IEEE, 2019, 107(8): 1738-1762.
[9] Mhapsekar R U, Abraham L, Davy S, et al. Application adaptive light-weight deep learning (AppAdapt-LWDL) framework for enabling edge intelligence in dairy processing[J]. IEEE Transactions on Mobile Computing, 2025, 24(2): 1105-1119.
[10] Gong Taiyuan, Zhu Li, Yu F R, et al. Edge intelligence in intelligent transportation systems: a survey[J]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(9): 8919-8944.
[11] Li Yehui, Qin Dalin, Poor H V, et al. Introducing edge intelligence to smart meters via federated split learning[J]. Nature Communications, 2024, 15: 9044.
[12] Li En, Zhou Zhi, Chen Xu. Edge intelligence: on-demand deep learning model co-inference with device-edge synergy[C]//Proceedings of the 2018 Workshop on Mobile Edge Communications, Budapest, Hungary, 2018: 31-36.
[13] Wang Xiaofei, Han Yiwen, Wang Chenyang, et al. In-edge AI: intelligentizing mobile edge computing, caching and communication by federated learning[J]. IEEE Network, 2019, 33(5): 156-165.
[14] Straits Research. Power Electronics Market Size, Share & Trends Analysis Report By Device Type (Power Discrete, Power Module, Power IC), By Material (Silicon Carbide, Gallium Nitride, Sapphire, Other), By Application (Power Management, UPS, Transportation, Renewable, Other), By Industry Vertical (Telecommunication, Industrial, Automotive, Consumer electronics, Military & Defense, Energy & Power, Other) and By Region (North America, Europe, APAC, Middle East and Africa, LATAM) Forecasts, 2025-2033[EB/OL]. [2025-05-20]. https://straitsresearch.com/report/power-electronics-market.
[15] Li Shuhui, Sun Yang, Ramezani M, et al. Artificial neural networks for volt/VAR control of DER inverters at the grid edge[J]. IEEE Transactions on Smart Grid, 2019, 10(5): 5564-5573.
[16] Dong Weizhen, Li Shuhui, Fu Xingang, et al. Control of a Buck DC/DC converter using approximate dynamic programming and artificial neural networks [J]. IEEE Transactions on Circuits and Systems I: Regular Papers, 2021, 68(4): 1760-1768.
[17] Nie Kaizhe, Gao Feng, Wang Hanzhi, et al. Self-tuning ANN controller for grid-connected parallel-inverter[C]//2024 IEEE 9th Southern Power Electronics Conference (SPEC), Brisbane, Australia, 2024: 1-4.
[18] Maruta H, Ikeda Y, Watanabe S, et al. Implementation of neural network and bias correction controls for fast transient response of DC-DC converter[J]. IEEE Journal of Emerging and Selected Topics in Industrial Electronics, 2024, 5(2): 392-401.
[19] Nie Kaizhe, Gao Feng. Single-phase grid-connection inverter control strategy based on echo state network [C]//2023 IEEE/IAS Industrial and Commercial Power System Asia (I&CPS Asia), Chongqing, China, 2023: 1328-1333.
[20] Soliman H, Abdelsalam I, Wang Huai, et al. Artificial Neural Network based DC-link capacitance estimation in a diode-bridge front-end inverter system[C]//2017 IEEE 3rd International Future Energy Electronics Conference and ECCE Asia (IFEEC 2017-ECCE Asia), Kaohsiung, Taiwan, China, 2017: 196-201.
[21] Soualhi A, Makdessi M, German R, et al. Heath monitoring of capacitors and supercapacitors using the neo-fuzzy neural approach[J]. IEEE Transactions on Industrial Informatics, 2018, 14(1): 24-34.
[22] Huang Zhanjun, Wang Zhanshan, Yao Xianshuang, et al. Multi-switches fault diagnosis based on small low-frequency data for voltage-source inverters of PMSM drives[J]. IEEE Transactions on Power Electronics, 2019, 34(7): 6845-6857.
[23] Qin Caiyun, Gao Feng, Zhou Kangjia. Data-driven online stability monitoring of grid-following inverters in weak grid[J]. IEEE Transactions on Industrial Informatics, 2025, 21(6): 4554-4564.
[24] Yao Chunxing, Xu Shuai, Ren Guanzhou, et al. Online open-circuit fault diagnosis for ANPC inverters using edge-based lightweight two-dimensional CNN[J]. IEEE Transactions on Power Electronics, 2024, 39(4): 3979-3984.
[25] Yan Junchen, Li Qiqi, Duan Shanxu. A simplified current feature extraction and deployment method for DC series arc fault detection[J]. IEEE Transactions on Industrial Electronics, 2024, 71(1): 625-634.
[26] Ge Leijiao, Xian Yiming, Yan Jun, et al. A hybrid model for short-term PV output forecasting based on PCA-GWO-GRNN[J]. Journal of Modern Power Systems and Clean Energy, 2020, 8(6): 1268-1275.
[27] Hossain M S, Mahmood H. Short-term photovoltaic power forecasting using an LSTM neural network and synthetic weather forecast[J]. IEEE Access, 2020, 8: 172524-172533.
[28] Meng Xiangjian, Gao Feng, Xu Tao, et al. Inverter-data-driven second-level power forecasting for photovoltaic power plant[J]. IEEE Transactions on Industrial Electronics, 2021, 68(8): 7034-7044.
[29] 朱琴跃, 于逸尘, 占岩文, 等. 基于短时傅里叶变换和深度网络的模块化多电平换流器子模块IGBT开路故障诊断[J]. 电工技术学报, 2024, 39(12): 3840-3854.
Zhu Qinyue, Yu Yichen, Zhan Yanwen, et al. IGBT open-circuit fault diagnosis of modular multilevel converter sub-module based on short-time Fourier transform and deep networks[J]. Transactions of China Electrotechnical Society, 2024, 39(12): 3840-3854.
[30] 崔曼, 胡震, 张腾飞, 等. 基于壳温信息的功率器件可靠性分析[J]. 电工技术学报, 2023, 38(24): 6760-6767.
Cui Man, Hu Zhen, Zhang Tengfei, et al. Reliability analysis of power device based on the case temperatures [J]. Transactions of China Electrotechnical Society, 2023, 38(24): 6760-6767.
[31] Wang Rui, Sun Qiuye, Zhang Huaguang, et al. Stability-oriented minimum switching/sampling frequency for cyber-physical systems: grid-connected inverters under weak grid[J]. IEEE Transactions on Circuits and Systems I: Regular Papers, 2022, 69(2): 946-955.
[32] He Shan, Zhou Dao, Wang Xiongfei, et al. Line voltage sensorless control of grid-connected inverters using multisampling[J]. IEEE Transactions on Power Electronics, 2022, 37(4): 4792-4803.
[33] Fang Jingyang, Gao Feng, Goetz S M. Symmetries in power electronics and lattice converters[J]. IEEE Transactions on Power Electronics, 2023, 38(1): 944-955.
[34] Bejerke S. Digital signal processing solutions for motor control using the TMS320F240 DSP-Controller [R]. Paris: ESIEE, 1996.
[35] Texas Instruments. TMS320C6652 and TMS320C6654 fixed and floating-point digital signal processor[R]. Dalas: TeXas Instruments, 2019.
[36] Abdi H, Williams L J. Principal component analysis [J]. Wiley interdisciplinary reviews: computational statistics, 2010, 2(4): 433-459.
[37] Wang Wei, Huang Yan, Wang Yizhou, et al. Generalized autoencoder: a neural network framework for dimensionality reduction[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops, Columbus, OH, USA, 2014: 490-497.
[38] Rui Lanlan, Yang Siqi, Chen Shiyou, et al. Smart network maintenance in an edge cloud computing environment: an adaptive model compression algorithm based on model pruning and model clustering[J]. IEEE Transactions on Network and Service Management, 2022, 19(4): 4165-4175.
[39] Wang Naigang, Choi J, Brand D, et al. Training deep neural networks with 8-bit floating point numbers[C]// Proceedings of the 32nd International Conference on Neural Information Processing Systems (NIPS'18), Montreal, Canada, 2018: 1-10.
[40] Shen Haolan, Tang Xin, Luo Yifei, et al. Online open-circuit fault diagnosis for neutral point clamped inverter based on an improved convolutional neural network and sample amplification method under varying operating conditions[J]. IEEE Transactions on Instrumentation and Measurement, 2024, 73: 3512612.
[41] Xing Zhikai, He Yigang, Zhang Weiwei. An online multiple open-switch fault diagnosis method for T-type three-level inverters based on multimodal deep residual filter network[J]. IEEE Transactions on Industrial Electronics, 2023, 70(10): 10669-10679.
[42] 单南良, 徐兴华, 鲍先强, 等. 基于边缘智能的电磁能装备轻量化故障诊断方法[J]. 电工技术学报, 2025, 40(3): 821-831.
Shan Nanliang, Xu Xinghua, Bao Xianqiang, et al. The lightweight fault diagnosis method of electromagnetic energy equipment based on edge intelligence[J]. Transactions of China Electrotechnical Society, 2025, 40(3): 821-831.
[43] 徐小华, 周长兵, 胡忠旭, 等. 轻量级深度神经网络模型适配边缘智能研究综述[J]. 计算机科学, 2024, 51(7): 257-271.
Xu Xiaohua, Zhou Zhangbing, Hu Zhongxu, et al. Lightweight deep neural network models for edge intelligence: a survey[J]. Computer Science, 2024, 51(7): 257-271.
[44] de Arquer Fernández P, Fernández M Á, Carús Candás J L, et al. An IoT open source platform for photovoltaic plants supervision[J]. International Journal of Electrical Power & Energy Systems, 2021, 125: 106540.
[45] Hossain M L, Abu-Siada A, Muyeen S M, et al. Industrial IoT based condition monitoring for wind energy conversion system[J]. CSEE Journal of Power and Energy Systems, 2021, 7(3): 654-664.
[46] Sikimić M, Amović M, Vujović V, et al. An overview of wireless technologies for IoT network[C]//2020 19th International Symposium INFOTEH-JAHORINA (INFOTEH), East Sarajevo, Bosnia and Herzegovina, 2020: 1-6.
[47] Khanh Q V, Hoai N V, Manh L D, et al. Wireless communication technologies for IoT in 5G: vision, applications, and challenges[J]. Wireless Communications and Mobile Computing, 2022, 2022(1): 3229294.
[48] Petrariu A I, Lavric A. SigFox wireless communication enhancement for Internet of Things: a study[C]//2021 12th International Symposium on Advanced Topics in Electrical Engineering (ATEE), Bucharest, Romania, 2021: 1-4.
[49] Gkotsiopoulos P, Zorbas D, Douligeris C. Performance determinants in LoRa networks: a literature review[J]. IEEE Communications Surveys & Tutorials, 2021, 23(3): 1721-1758.
[50] Al-Falahy N, Alani O Y. Technologies for 5G networks: challenges and opportunities[J]. IT Professional, 2017, 19(1): 12-20.
[51] Shafi M, Molisch A F, Smith P J, et al. 5G: a tutorial overview of standards, trials, challenges, deployment, and practice[J]. IEEE Journal on Selected Areas in Communications, 2017, 35(6): 1201-1221.
[52] Xing E P, Ho Q, Xie Pengtao, et al. Strategies and principles of distributed machine learning on big data[J]. Engineering, 2016, 2(2): 179-195.
[53] Yun S, Kang J M, Choi S, et al. Cooperative inference of DNNs over noisy wireless channels[J]. IEEE Transactions on Vehicular Technology, 2021, 70(8): 8298-8303.
[54] Li M, Andersen D G, Park J W, et al. Scaling distributed machine learning with the parameter server[C]//11th USENIX Symposium on operating systems design and implementation (OSDI 14), Berkeley, LA, USA, 2014: 583-598.
[55] Nie Kaizhe, Gao Feng, Jiang Yu. A lightweight ANN controller for grid-tied inverters with strong adaptability[J]. IEEE Open Journal of Power Electronics, 2025, 6: 1803-1814.
[56] Yan Junchen, Li Qiqi, Duan Shanxu. A simplified current feature extraction and deployment method for DC series arc fault detection[J]. IEEE Transactions on Industrial Electronics, 2024, 71(1): 625-634.
[57] Zhou Kangjia, Gao Feng, Hou Zhenyu, et al. Power conversion Internet of Things: architecture, key technologies and prospects[J]. IEEE Transactions on Industrial Informatics, 2024, 20(8): 10587-10598.
[58] Zhou Kangjia, Gao Feng, Zhang Yusen, et al. Missing data imputation for photovoltaic station based on spatiotemporal features[C]//2024 CPSS & IEEE International Symposium on Energy Storage and Conversion (ISESC), Xi’an, China, 2024: 355-359.
Edge Intelligence of Power Electronics: Potential, Route and Applications
Abstract With the rapid development of artificial intelligence, embedded computing, and Internet of Things technologies, the intelligence of power electronics systems is gradually moving from conceptual exploration toward practical implementations. This paper systematically examines the potential, implementation pathways, and future application prospects of edge intelligence in the domain of power electronics, aiming to provide both a theoretical foundation and a practical framework for the development of new generation power electronics systems.
This paper first examines the potential for edge intelligence in power electronics from the perspectives of the available data resources sampled naturally by the embedded sensors and the computational resources installed inside the equipment. On one hand, power electronics systems operate at high-frequency sampling, generating massive amounts of operational data that have yet to be fully analyzed or utilized. On the other hand, the digital signal processors (DSP) embedded in these equipment continuously upgrade in the past few decades, whose computational capability is far beyond the control consumption, in consequence, a large portion of computational resources remains underutilized while only real-time control tasks are executed. Therefore, the abundant data, coupled with redundant computational resources, provides the foundation for implementing edge intelligence in power electronics systems.
Building on this foundation, the paper proposes three typical implementation pathways for edge intelligence of power electronics: (i) a lightweight pathway based on conventional processors, which leverages the residual computational and storage resources of DSPs to perform light tasks such as intelligent power conversion control and status monitoring; (ii) a computationally enhanced pathway based on external AI chips, embedding high-performance AI processors in power electronicsequipment to enable complex intelligent reasoning and decision-making while ensuring the real-time performance of high-frequency control; and (iii) a multi-equipment collaborative pathway based on the Internet of Things, which promotes the transition of edge intelligence from individual equipment to coordinated groups through equipment interconnection and resource sharing. Subsequently, three case studies—intelligent inverter control, DC arc detection, and intelligent completion of missing data—are presented to simply demonstrate the engineering feasibility of these pathways under different computational conditions and application scenarios.
Furthermore, the paper presents an application-oriented perspective on edge intelligence across three levels. At the equipment level, it highlights the evolution from conventional control units to intelligent nodes endowed with autonomous sensing, collaborative decision-making, and security protection capabilities, thereby enabling intelligent functions of power electronics equipment. At the system level, the focus is on multi-equipment coordination and intelligent optimization to achieve system-wide adaptive control, efficient resource allocation, and enhanced overall operational performance, which could serve the intelligent operation of renewable generation station, smart factory, and etc. At the smart city level, it emphasizes the deployment of edge intelligence for real-time energy consumption monitoring, carbon emission management, and rapid emergency response, ultimately driving urban infrastructure toward greater intelligence, sustainability, resilience, and safety.
Overall, this paper provides the theoretical framework, implementation pathways, and application value of edge intelligence in power electronics systems, offering significant potential for practical engineering applications. Edge intelligence in power electronics shares both similarities and distinctions with edge intelligence in other domains. Advances in this field could provide valuable insights for intelligent systems in other areas.
Keywords：Power electronics, edge intelligence, intelligent terminal, internet of things, lightweight model
中图分类号：TM46
DOI: 10.19595/j.cnki.1000-6753.tces.251356
国家自然科学基金重点项目（52537008）和国家自然科学基金杰出青年科学基金项目（52225705）资助。
收稿日期 2025-08-01
改稿日期 2025-10-10
高 峰 男，1979年生，博士，教授，研究方向为新能源、储能、电力电子智能化及应用技术。
E-mail：fgao@sdu.edu.cn（通信作者）
（编辑 郭丽军）