电力电子变换器的关键参数估计对于运维管理、状态监测和性能提升具有重要意义。本报告以DAB变换器为例，聚焦其关键器件参数的估计问题，提出了一种基于物理信息神经网络（PINN）的参数估计方法。针对传统方法依赖理想化模型、分析复杂且易产生建模误差，或依赖大量数据而缺乏可解释性等局限，构建统一的广义模型并将电感电流与输出电压的物理动态嵌入网络结构，实现数据与物理的深度融合。该框架具有调制自适应、数据需求低、非侵入式等优势，可在多种调制策略和动态工况下准确估计电感、输出电容、等效串联电阻及导通电阻等关键参数。结果表明，该方法在不同调制方式、运行条件及测量不确定性下均表现出优异的准确性与鲁棒性，展现出良好

本报告将回顾人工智能（AI）技术的发展历程，分析算法、数据与算力三大驱动力，并介绍智能体系统的概念与趋势。报告将介绍人工智能技术在电力电子装备创新中的应用情况，涵盖参数优化、辅助设计和智能控制。报告展示了清华大学电力电子人工智能团队的最新研究成果，包括基于图神经网络的电路元件预测、自然语言模型驱动全流程自动化设计、AI赋能磁芯损耗建模等。报告指出，AI正推动电力电子技术向智能化、自动化快速演进，未来面向电力电子装备创新的智能体将在协同、安全、工程落地等方面持续突破。

随着电动汽车、重型卡车、公交车辆以及电动船舶的快速发展，充电功率正从数百千瓦逐步迈向兆瓦级，同时车辆电池的电压范围也在不断扩大。这一趋势不仅对充电速度提出了更高要求，也给功率变换器的效率、功率密度和宽范围运行能力带来了新的挑战。本次报告将首先介绍大功率充电技术的发展趋势，重点讨论适用于宽电压范围充电的模块化和可重构功率变换拓扑，以及通过混合调制、变开关频率等技术拓宽软开关范围、提高系统效率的方法。