恒定功率負載 (CPL) 存在于電動汽車、電信設備、電力電子設備等各種應用中。這些 CPL 是無論施加的電壓或電流如何變化都保持恒定功耗的電氣負載。與呈現恒定電阻的電阻負載不同，CPL 具有隨電壓或電流變化而變化的動態阻抗，即，當負載兩端的電壓降低時，它會吸收更多電流來補償并保持恒定功率水平。

　　相反，當電壓增加時，負載消耗更少的電流來維持相同的功率水平。例如。電動汽車中的電機驅動系統充當恒定功率負載，當車輛加速或爬坡時，功率需求保持恒定，但從電池汲取的電流會增加。在各種應用中，特別是在電信電源應用中，DC/DC 轉換器用于為 CPL 供電。

　　這些 CPL 對這些 DC/DC 轉換器的穩定性提出了巨大的挑戰，特別是當它們表現出負阻抗特性時。在傳統的直流-直流轉換器中，輸出電壓通過調節饋入轉換器柵極端子的開關信號的占空比來調節。當負載是純電阻性或具有正阻抗特性時，這種控制機制工作良好。但在具有負阻抗特性的 CPL 中，轉換器的控制環路難以維持穩定的輸出電壓調節。這進一步導致電壓出現尖峰、下降和紋波。

　　穩定電信基站收發器系統 (BTS) 的 DC/DC 全橋

　　在電信行業中，基站收發站 (BTS) 在保持移動網絡正常運行并在其控制區域內發揮著重要作用。BTS 負責網絡和用戶設備(UE)(通常是智能手機)之間的無線電信號傳輸。必須保持 BTS 的不間斷供電，以便該區域保持在移動網絡覆蓋范圍內。

　　傳統的 DC/AC/DC 由于其復雜性而不適用于此應用。因此，全橋或半橋拓撲 (FB/HB) 用于不同的電信應用，因為它只需要一個隔離變壓器，并且更容易與太陽能等可再生能源集成。FB/HB 拓撲的缺點是它們具有更多的開關器件。由于電信負載是具有負阻抗特性的CPL，供應商單元和上游轉換器具有顯著的不穩定影響。

　　為了提高這些轉換器在為 CPL 供電時的電壓調節能力，已經進行了大量研究。這些研究通常涉及基于數據的控制器的設計，這些控制器的設計考慮了理想的系統操作。盡管如此，這些控制器仍無法在干擾和動態變化下穩定系統，特別是在電力電子系統中存在非理想時變 CPL 的情況下，這在 5G 電信應用中使用的 FB/HB 拓撲中很常見。

　　為了適應干擾和動態變化，可以使用無模型學習方法。這些模型使用無模型強化學習 (RL)，其中控制器不需要知道轉換器或負載的確切模型。相反，它通過反復試驗來學習控制轉換器。盡管這些神經網絡能夠在不與模型交互的情況下生成控制系數，但也存在一些缺點，這些控制器難以調試，并且無法有效地處理操作條件的所有突然變化。

　　在論文“用于穩定饋送恒定功率負載的全橋轉換器的魯棒人工智能控制器”中，作者提出了一種魯棒控制器來有效控制表現出負阻抗特性的 CPL 的電源。所提出的控制器基于深度強化學習(DRL)，這是一種機器學習技術，可以根據經驗學習控制復雜系統。該控制器使用具有兩個隱藏層的深度神經網絡 (DNN) 來實現。DNN 的輸入層接收轉換器的狀態變量，輸出層生成控制信號。DNN 使用基于獎勵的強化學習算法(稱為軟演員批評家 (SAC))進行訓練。

　　SAC算法是使用模擬環境進行訓練的，該模擬環境是全橋變換器和恒功率負載的數學模型。SAC 算法經過訓練，可在有限范圍內最大化預期獎勵。為了評估所設計的控制器的可行性，我們檢查了兩種情況：直流電源的變化和 CPL 功率的變化。還進行了硬件在環 (HiL) 檢查，以實時檢查控制器的性能。將仿真結果與 PI 控制器和模型預測控制 (MPS) 控制器進行比較。與 PI 和 MPC 控制器相比，所提出的控制器在超調和響應時間方面提供了更好的動態結果。

　　結論

　　幾乎所有新時代應用中都存在恒定功率負載。為了使這些 CPL 高效運行，需要轉換器即使在負載表現出負阻抗特性時也能在很寬的電壓范圍內提供恒定功率。這只能通過強大的控制器來實現，該控制器能夠實時適應動態變化并持續提供無紋波、驟降和尖峰的電力。本文概述了所使用的各種控制技術。此外，它還詳細介紹了基于 SAC-DRL 的控制器，該控制器在控制電信 CPL 時的動態性能優于基于 PI 和 MPS 的控制器。

浮思特科技深耕功率器件領域，為客戶提供單片機(MCU)、觸控芯片以及IGBT、IPM等功率器件，是一家擁有核心技術的電子元器件供應商和解決方案商。