Este documento presenta una estrategia de control basada en aprendizaje automático para matrices de convertidores de energía diseñadas para trabajar en condiciones realistas donde el parámetro de control óptimo no se puede obtener analíticamente. La estrategia de control no se basa en un modelo matemático, ni necesita información a priori sobre el medio energético. Por lo tanto, varios convertidores de energía idénticos se disponen de manera que sean afectados simultáneamente por el medio energético. Cada dispositivo utiliza una estrategia de control diferente, de las cuales al menos una tiene que ser el enfoque de aprendizaje automático presentado en este documento. Durante la operación, todos los convertidores de energía registran la potencia absorbida y la salida de control; el dispositivo de aprendizaje automático obtiene los datos del convertidor con la mayor absorción de potencia y así aprende la estrategia de control que mejor se desempeña para cada situación. En consecuencia, la red en su conjunto tiene un mejor rendimiento general que cada estrategia individual. Este concepto se evalúa para convertidores de energía de olas (WECs) con simulaciones numéricas y experimentos con modelos a escala física en un tanque de olas. En la primera de las dos simulaciones numéricas, el WEC aprendible funciona en una matriz con cuatro WECs aplicando un factor de amortiguamiento constante. En la segunda simulación, dos WECs aprendibles estaban aprendiendo entre sí. Se demostró que en la primera prueba, el WEC pudo absorber tanto como el mejor WEC de amortiguamiento constante, mientras que en la segunda ejecución pudo absorber incluso ligeramente más. Durante la prueba del modelo físico, la ANN mostró su capacidad para seleccionar el mejor de dos posibles coeficientes de amortiguamiento basándose en datos de entrada del mundo real.