Intelligent Self-tuning Active EMI Filtering for Electrified Automotive Power Systems Using Reinforcement Learning

📄 arXiv: 2604.28084v1 📥 PDF

作者: Mahuizi Lu, Kelin Jia, Rajib Goswami, Yukun Hu

分类: eess.SY

发布日期: 2026-04-30

💡 一句话要点

提出基于强化学习的自适应主动EMI滤波方法，用于提升电动汽车电力系统的电磁兼容性。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 强化学习 主动EMI滤波 电动汽车 电力电子 电磁兼容 变分自编码器 自适应控制

📋 核心要点

  1. 传统被动EMI滤波器体积大、重量重，且缺乏适应性，难以满足电动汽车电力系统对电磁兼容性的需求。
  2. 提出基于强化学习的自适应主动EMI滤波方法，通过智能体自主学习调整滤波器参数，以适应时变干扰特性。
  3. 实验结果表明，该方法在宽频率范围内实现了25-30dB的EMI衰减提升，优于传统控制策略和被动滤波方案。

📝 摘要（中文）

现代交通系统的快速电气化和智能化对汽车电力电子设备的电磁兼容性、可靠性和适应性提出了严格要求。在高频开关电源转换器产生的电磁干扰(EMI)会影响电动和自动驾驶汽车中的安全关键功能、车载通信和动态运行条件下的系统效率。传统的被动EMI滤波器虽然坚固，但通常尺寸过大且缺乏适应性，导致重量、体积和能量损失增加。本文提出了一种基于强化学习(RL)的智能自调谐主动EMI滤波方法，用于电动汽车电力系统。将EMI抑制问题建模为马尔可夫决策过程，使RL智能体能够连续调整滤波器参数，以响应时变干扰特性。为了提高复杂和非平稳条件下的鲁棒性和泛化能力，采用变分自编码器进行紧凑的状态表示，同时基于噪声的探索机制提高了学习效率，防止了次优收敛。该方法在MATLAB/Simulink联合仿真框架内，使用汽车电驱动单元的实验测量EMI频谱进行了评估。结果表明，与传统控制策略和被动滤波解决方案相比，在较宽的频率范围内，EMI衰减始终提高了25-30 dB。通过减少对过大被动元件的依赖，并实现自适应EMI抑制，该框架支持用于智能和绿色交通应用中的轻量化、节能和可靠的电力电子系统。

🔬 方法详解

问题定义：论文旨在解决电动汽车电力系统中，由高频开关电源转换器产生的电磁干扰（EMI）问题。传统的被动EMI滤波器存在体积大、重量重、能量损耗高以及难以适应动态工况等痛点，无法满足现代电动汽车对轻量化、高效和可靠性的需求。

核心思路：论文的核心思路是将EMI抑制问题建模为一个马尔可夫决策过程（MDP），利用强化学习（RL）算法训练一个智能体，使其能够根据当前系统的状态（例如EMI频谱）自适应地调整主动EMI滤波器的参数。这种方法能够克服传统被动滤波器的局限性，实现更高效、更灵活的EMI抑制。

技术框架：该方法的技术框架主要包括以下几个模块：1) EMI频谱测量模块，用于获取当前系统的EMI频谱数据；2) 状态表示模块，使用变分自编码器（VAE）对原始EMI频谱数据进行降维和特征提取，得到紧凑的状态表示；3) 强化学习智能体，基于状态表示，通过与环境交互学习最优的滤波器参数调整策略；4) 主动EMI滤波器，根据智能体输出的参数调整值，对EMI进行抑制。整个流程构成一个闭环控制系统，智能体不断学习优化，最终实现自适应的EMI抑制。

关键创新：该论文的关键创新在于将强化学习应用于主动EMI滤波器的参数自整定。与传统的基于规则或优化的控制方法相比，强化学习能够更好地处理复杂和非平稳的EMI环境，实现更鲁棒和更高效的EMI抑制。此外，使用变分自编码器进行状态表示，能够有效降低状态空间的维度，提高学习效率和泛化能力。

关键设计：在状态表示方面，使用变分自编码器将高维EMI频谱数据压缩成低维的潜在向量。在强化学习算法方面，采用了基于噪声的探索机制，鼓励智能体探索更多的状态空间，防止陷入局部最优解。具体的损失函数和网络结构等细节在论文中可能有所描述，但摘要中未明确提及。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，与传统的控制策略和被动滤波解决方案相比，该方法在较宽的频率范围内实现了25-30 dB的EMI衰减提升。这一显著的性能提升表明，基于强化学习的自适应主动EMI滤波方法能够有效地抑制电动汽车电力系统中的EMI，提高系统的电磁兼容性。

🎯 应用场景

该研究成果可应用于电动汽车、混合动力汽车等各种电动交通工具的电力电子系统中，有效降低EMI对车载通信、安全关键功能以及系统效率的影响。通过减小被动元件的尺寸和重量，有助于实现电力电子系统的轻量化和小型化，提高车辆的续航里程和性能。此外，该方法还可推广到其他需要EMI抑制的电力电子应用领域，如工业电源、航空航天等。

📄 摘要（原文）

The rapid electrification and intelligence of modern transportation systems place stringent demands on the electromagnetic compatibility, reliability, and adaptability of automotive power electronics. In electric and autonomous vehicles, electromagnetic interference (EMI) generated by high-frequency switching power converters can compromise safety-critical functions, in-vehicle communications, and system efficiency under dynamic operating conditions. Conventional passive EMI filters, while robust, are often oversized and lack adaptability, leading to increased weight, volume, and energy losses. This paper proposes an intelligent self-tuning active EMI filtering approach for electrified automotive power systems based on reinforcement learning (RL). The EMI mitigation problem is formulated as a Markov decision process, enabling an RL agent to continuously adapt filter parameters in response to time-varying interference characteristics. To improve robustness and generalisation under complex and non-stationary conditions, a variational autoencoder is employed for compact state representation, while a noise-based exploration mechanism enhances learning efficiency and prevents suboptimal convergence. The proposed method is evaluated using experimentally measured EMI spectra from an automotive electric drive unit within a MATLAB/Simulink co-simulation framework. Results demonstrate consistent EMI attenuation improvements of 25-30 dB across a wide frequency range compared with conventional control strategies and passive filtering solutions. By reducing reliance on oversized passive components and enabling adaptive EMI suppression, the proposed framework supports lightweight, energy-efficient, and reliable power-electronic systems for intelligent and green transportation applications.