РЕГУЛЯТОР СИСТЕМЫ УПРАВЛЕНИЯ ПИТАНИЕМ НА БАЗЕ НЕЙРОННОЙ СЕТИ

Основным элементом системы управления питанием семейства бортовых вычислительных комплексов является регулятор. Регулятор - это устройство или программный алгоритм, который корректирует значение рассогласования (Е) таким образом, что замкнутая система всегда стабилизировалась у заданного значения в соответствии с заданными характеристиками [1-9].

Так как в современных условиях вся бортовая техника и в том числе блоки питания требуют уменьшения габаритов, а геометрические размеры импульсного преобразователя во многом определяются рабочей частотой коммутаций, поэтому, если требуется уменьшить габариты, то необходимо поднимать частоту. Кроме того, от преобразователей напряжения требуется постоянное увеличение выходной мощности. Повышение частоты переключений в сочетании с ростом импульсных токов и напряжений приводит к хаосу из-за появления звонов, которые, в свою очередь, были вызваны паразитными составляющими самой схемы при работе с прямоугольными импульсами.

Для борьбы с описанными явлениями были созданы резонансные схемы с переключениями при нулевых токах (Zero Current Switching, ZCS) и нулевых напряжениях (Zero Voltage Switching, ZVS). Они оказываются менее чувствительными к паразитным составляющим. Однако главная проблема резонансных схем заключается в том, что резонанс ограничивается определенной частотой, которая приравнивается к части ширины импульса или времени включения/ выключения преобразователя. Увеличение входного напряжения или колебания тока нагрузки приведут к работе вне настроенной резонансной частоты. Для поддержания постоянной частоты используется блок управления резонансным преобразователем. Чаще всего в блоках питания используются LLC-преобразователи.

Основная проблема управления резонансным преобразователем, это нелинейность изменения его характеристик в окрестности резонансной частоты. Из-за этого при больших нагрузках, когда преобразователь вынужден работать на частотах, близких к резонансной, его передаточная характеристика постоянно меняется. И если использовать регулятор, настроенный на работу лишь при одних условиях, при небольшом отклонении от них регулятор не будет способен стабилизироваться, то вызовет постоянные колебания тока, амплитуда которых может в два раза превышать амплитуду при нормальном режиме работы. Что вызовет выход из строя силовых ключей [1,2].

Решением этой проблемы станет адаптивный регулятор, который в зависимости от тока нагрузки и входного напряжения будет подстраивать положение своих полюсов и коэффициент усиления, что должно решить проблему нелинейности преобразователя и увеличить стабильность. 

Структуру регулятора в качестве адаптивного механизма используется нейронная сеть. На вход которой поступают значения тока нагрузки и входного напряжения, а на выходе получаются коэффициенты a и b передаточной функции регулятора [10-11]. 

До сих пор не существует методов, позволяющих однозначно определить структуру и состав нейронной сети исходя из описания задачи. Существуют только разные эвристики и эмпирические правила:

1. Количество нейронов в скрытом слое должно быть минимум на порядок больше количества входов.

2. Количество нейронов скрытого слоя должно быть не меньше количества выходов.

Увеличение скрытых слоев влияет на точность сети, но также увеличивает количество требуемых вычислений, которые должен выполнять микроконтроллер. При количестве слоев больше 2х точность растет очень медленно, поэтому, для экономии ресурсов контроллера и получения достаточной точности количество скрытых слоев было  выбрано равным двум. Нейронная сеть имеет следующую структуру (Рисунок 1).

Чтобы обучить нейронную сеть потребуется составить обучающую выборку. Для этого необходимо произвести разработку регуляторов для разных входных условий. От размера выборки зависит точность будущей нейронной сети. После проведения анализа возможных ситуаций работы была подготовлена подходящая к эксперименту обучающая выборка.

Чтобы улучшить точность обучения выборку можно копировать несколько раз и перемешать.

Рисунок 1. Структура нейронной сети

С помощью инструмента «Neural Clastering» из пакета «Matlab», используя полученную выборку, была обучена нейронная сеть. Как видно из графиков (Рисунок 2)

а)

б)

Рисунок 2. а) График корреляции тестовых данных и ответов нейронной сети; б) График средней квадратичной ошибки сети.

Сеть точно распознает обучающие образы и средняя квадратичная ошибка пренебрежимо мала. 

Результаты использования сети показаны на рисунке 3.

а)

б)

Рисунок 3. Результаты работы регулятора при изменении входного напряжения и сбросе/набросе нагрузки от 0 до 90%,

a) при использовании неадаптивного регулятора,

б) при использовании адаптивного регулятора на основе нейронной сети

Как видно из графика (Рисунок 3) при использовании адаптивного регулятора, система быстрее реагирует на такие события как сброс нагрузки по сравнению с простым регулятором. Переходной процесс не превышает допустимого отклонения и имеет достаточно малую длительность даже при изменении входного напряжения.

В итоге моделирование регулятора с нейронной сетью доказывает его превосходство над регулятором с нечеткой логикой. Дальнейшее совершенствование работы может развиваться в сторону совершенствования промоделированной нейронной сети.