Энергосистемы, использующие возобновляемые источники и работающие в автономном режиме, например, солнечные панели, аккумуляторы и гибридные системы, демонстрируют заметные колебания напряжения, которые зависят от условий эксплуатации и величины нагрузки. Эти изменения создают трудности при их использовании для питания маломощной электроники, для которой необходимы стабильные и фиксированные параметры. В целях решения этой проблемы специалисты Пермского Политеха разработали интеллектуальную систему управления напряжением для источников питания постоянного напряжения . Использование адаптивной нейронной сети способствует повышению точности стабилизации напряжения, ускоряет отклик системы на 58% и позволяет уменьшить объем требуемых вычислений более чем в два раза по сравнению с классическими методами.
Статья опубликована в журнале «Электротехника».
Современные электронные устройства, начиная от бытовой техники и заканчивая сложными автоматизированными системами, функционируют только при качественном электропитании. Для обеспечения их корректной и безопасной работы необходимо поддерживать стабильное напряжение, даже если источник питания нестабилен. Это довольно распространенная ситуация: аккумуляторы постепенно теряют заряд, солнечные панели вырабатывают различную мощность в зависимости от погодных условий, а нагрузка на устройство может резко возрастать.
Подобные скачки напряжения могут негативно сказаться на функционировании электронных устройств, вплоть до их полного выхода из строя. В связи с этим, обеспечение стабильности напряжения продолжает оставаться значимой задачей для современной электроники.
Центральным элементом системы выступает электронный DC-DC преобразователь – универсальное устройство, которое адаптирует энергию электронных устройств, изменяя величину напряжения как в большую, так и в меньшую сторону. Управление его функционированием осуществляется микроконтроллером, который непрерывно измеряет выходное напряжение и сопоставляет его с установленным параметром. При обнаружении отклонения от требуемого значения система автоматически вносит коррективы в свою работу.
Электрическая развязка, обеспечивающая изоляцию микроконтроллера от высоковольтных компонентов, является важной характеристикой преобразователя, поскольку она повышает надёжность и безопасность всей системы. Внедрение данной функции сопряжено с дополнительными технологическими трудностями. Основная проблема заключается в нелинейной работе оптопары, которая является одним из элементов электрической развязки. Это означает, что изменение управляющего входного сигнала не приводит к пропорциональному и предсказуемому изменению выходного сигнала. В результате в традиционных системах управления возникают искажения и ошибки при стабилизации напряжения. Преобразователь может реагировать с задержкой или не обеспечивать точное достижение заданного уровня, что негативно сказывается на его общей эффективности и точности.
Для решения данной проблемы обычно применяют аналоговые схемы, основанные на операционных усилителях, которые сопоставляют текущее выходное напряжение с требуемым. Тем не менее, этот метод не гарантирует безопасной эксплуатации системы. Это связано с тем, что аналоговые схемы функционируют по строгой, фиксированной логике и не способны адаптироваться к сигналам, меняющимся с течением времени. Как следствие, внезапные скачки напряжения и помехи могут не только привести к неисправности системы, но и вызвать физическое повреждение чувствительных элементов устройств.
Специалисты Пермского Политеха разработали систему автоматизированного управления напряжением, основанную на нейронной сети. Данная система способна адаптироваться к изменяющимся входным сигналам, что обеспечивает высокую точность и скорость работы. Благодаря такому решению удалось минимизировать ошибку стабилизации, ускорить реакцию системы почти на 58% и более чем в два раза уменьшить объем вычислений по сравнению с традиционными подходами.
Использование адаптивной нейронной сети для готового преобразователя стало главным преимуществом данного решения. Данная система позволяет учитывать нелинейности и ошибки, которые закономерно возникают в реальных электронных компонентах. По мере эксплуатации она подстраивается под конкретные условия, компенсирует неточности измерений и изменения параметров элементов, вызванные нагревом или старением. В конечном итоге, выходное напряжение становится более стабильным, а регулирование – более точным.
– Ключевым достоинством нашей разработки является применение адаптивных алгоритмов управления. Нейронная сеть реализована на основе персептрона – простой и классической модели. Она функционирует следующим образом: в режиме реального времени микроконтроллер обрабатывает выходное напряжение преобразователя, сопоставляет его с установленным значением и автоматически изменяет режим его работы, – объясняет Вячеслав Никулин, доцент кафедры автоматики и телемеханики ПНИПУ.
Система должна выдавать на выходе напряжение точно в 15.0 В. Однако из-за неточностей оптопары микроконтроллер прибора фиксирует меньшее значение (14.8 В) и ошибочно интерпретирует это как недостаток напряжения. В стандартной системе управления это приведёт к увеличению напряжения, что в действительности вызовет скачок до 15.3 В. В отличие от этого, адаптивная нейронная сеть, предварительно обученная для компенсации этой погрешности, функционирует иным образом. Использование данной сети позволяет повысить точность стабилизации без необходимости ручной корректировки.
– Для подтверждения результативности разработки было проведено сравнение, включающее компьютерное моделирование и натурные испытания. Мы создали две виртуальные модели: одна работала на базе интеллектуального алгоритма, основанного на адаптивной нейронной сети, а другая – с использованием классической схемы управления. Оба алгоритма тестировались в идентичной цифровой модели, в которую подавались одинаковые импульсы входного напряжения, имитирующие работу от нестабильного источника, такого как солнечная панель. В виртуальной среде и на реальном прототипе фиксировались ключевые параметры: точность выходного напряжения, скорость отклика на изменения и количество вычислений, требуемое для стабилизации, – дополнил Вячеслав Никулин.
Анализ продемонстрировал, что система управления, использующая адаптивную нейронную сеть, превосходит традиционные решения по трем основным показателям. Она обеспечивает высокую точность стабилизации выходного напряжения, что, в отличие от обычных методов, позволяет свести погрешность разработки к минимуму. Применение интеллектуального управления на базе нейросети также увеличивает скорость работы системы на 58%. Это выражается в уменьшении времени, необходимого для достижения заданного уровня напряжения, с 125 микросекунд до 79 микросекунд. Данное значительное сокращение позволяет электронному устройству быстро реагировать на колебания, что непосредственно улучшает его общую эффективность. Помимо этого, предложенный интеллектуальный алгоритм продемонстрировал большую вычислительную эффективность: для стабилизации напряжения ему потребовалось всего 24 цикла вычислений, в то время как классический подход нуждался в 57. Это означает, что система расходует значительно меньше ресурсов для достижения оптимального результата.
Разработанное решение расширяет границы использования технологий искусственного интеллекта в системах электропитания и представляет собой многообещающее направление для прогресса современной электроники. Примененная методика позволяет создавать более устойчивые, приспособляемые и экономичные системы, которые могут быть использованы в мобильных устройствах, автономных источниках питания, робототехнических комплексах и других сферах, где стабильность и качество электроснабжения имеют первостепенное значение.
Информация предоставлена пресс-службой ПНИПУ