近年来,随着电力系统电力电子化的发展,基于新能源的直流微网系统成为了研究的热点。为实现新能源的收集、变换和传输,双有源全桥（Dual Active Bridge,DAB）DC-DC变换器成为了一个关键的能量变换装置。由于DAB DC-DC变换器中存在较多的非线性参数,传统的数学建模方式难以对其进行精确建模。此外,由于DAB DC-DC变换器中具有较多的开关器件并且在实际应用中其运行工况十分复杂,因此在求解其优化调制策略时会面临计算量大、复杂度高、寻优困难等问题。面对这样一个建模复杂和变化的高维度优化求解系统,人工智能（Artificial Intelligence,AI）技术在很多具有数据量大、建模复杂、存在不确定性的系统优化决策中已经展现出其优势,非常适合解决高维度复杂系统的优化求解问题。基于此,本论文将人工智能技术应用于DAB DC-DC变换器的调制策略综合优化,重点开展如下三个方面的研究工作。第一部分:基于线性分段时域模型的优化调制策略为了提高DAB DC-DC变换器的传输效率,提出了一种基于线性分段时域模型的最小电流应力优化调制策略。首先,基于三重移相（Triple Phase Shift,TPS）采用强化学习（Reinforcement Learning,RL）方法中的典型算法Q-learning进行离线训练以求解优化调制策略。在Q-learning算法的训练过程中考虑了ZVS约束条件和所有有效的工作模态,从而避免了传统方案中需要进行模态选择的繁琐过程。随后,利用人工神经网络（Artificial Neural Network,ANN）方法来拟合Q-learning算法的训练结果,以减少实际控制中的计算时间和内存分配。所提出的基于强化学习算法和ANN优化的三重移相调制策略能有效降低峰值电流和均方根电流,并在整个运行范围内实现软开关性能,进而有效提升了DAB DC-DC变换器的传输效率和稳态性能。第二部分:基于统一谐波分析模型的优化调制策略针对线性分段时域模型存在模型复杂和不具有普适性的缺点,提出了基于统一谐波分析模型的效率优化调制策略。为了降低DAB DC-DC变换器的无功功率,提出了一种基于深度强化学习（Deep Reinforcement Learning,DRL）的最小无功功率优化调制策略。运用DRL方法中的先进算法——深度确定性梯度（Deep Deterministic Policy Gradient,DDPG）算法,进行离线训练以求解优化调制策略。在DDPG算法的训练过程中,采用了TPS调制,并考虑了ZVS约束。所提出的基于DDPG算法优化的TPS调制策略可以在保证软开关性能的条件下有效降低DAB DC-DC变换器的无功功率。为了进一步提升DAB DC-DC变换器的传输效率,提出了一种基于变频移相的最小功率损耗优化调制策略。采用DDPG的改进算法双延迟深度确定性策略梯度（Twin Delayed Deep Deterministic Policy Gradient,TD3）算法基于可变开关频率的TPS调制以软开关条件下的最小功率损耗为目标进行离线训练。所提出的基于TD3算法优化的变频三重移相调制策略具有四个优化自由度,可以在实现软开关性能的同时进一步提升DAB DC-DC变换器的传输效率和稳态性能。第三部分:不依赖电路模型的在线自优化调制策略当前电力电子变换器的效率优化需要依赖于电路模型,因此电路模型的准确性对电力电子变换器的性能和效率优化至关重要。由于电力电子变换器的结构寄生参数与器件及其布局、器件结构尺寸密切相关,现有方法无法对其进行精确建模。为了解决上述问题,提出了一种应用于DAB DC-DC变换器的不依赖电路模型的在线效率自优化方法。在实际的电路平台上,运用DDPG算法构建自适应环境参数变化的在线效率优化自学习系统,使DAB DC-DC变换器在构建的六维空间里进行自动探索实验。通过这种不依赖模型的在线效率自优化方法找到了一种优化的TPS调制策略,与现有的移相优化调制方法相比,极大地提升了DAB DCDC变换器的效率。此外,这种在线优化的思想也可以广泛应用于各类电力电子变换器,解决DAB DC-DC变换器之外的一系列性能和效率优化问题。本文搭建了一套DAB DC-DC变换器样机平台并进行了相应的实验验证。实验结果很好的验证了理论分析的可行性和有效性。