CN101221586A - 基于解耦技术和遗传算法的功率电子电路优化方法 - Google Patents

Abstract

本发明公开了一个基于解耦技术和遗传算法优化设计功率电子电路的方法。运用遗传算法对功率电子电路的元件参数进行选择以满足动态和静态的性能要求。该方法不需要对电路系统进行复杂的数学分析，并且独立于电路结构和控制理论。它不同于传统方法那样执行整个电路的优化，而是将一个功率电子电路解耦成为功率传输和反馈网络两部分分别优化。功率传输部分的元件参数以满足功率电子电路的静态特性要求进行优化设计。反馈网络的元件参数根据整个功率电子电路要求的静态性能和在输入输出扰动时的动态响应进行优化。从而降低了整体的运算量，提高了算法优化电路的性能。

Description

基于解耦技术和遗传算法的功率电子电路优化方法

技术领域：

本发明涉及人工智能和功率电子技术两大领域，主要涉及对功率电子电路的优化和设计。

背景技术：

在最近三十年里，小信号模型被广泛运用于功率电子电路的设计，其中最常用的是状态空间平均法及其衍化算法。这些方法通过在稳定状态工作点附近建立一个线性时不变的模型来近似线性时变的功率电子电路。虽然这种近似方法在许多运用中十分有效，但是它们通常只适用于特殊的电路和控制方法，并要求对电路的运作有全面的认识。当一个电路被转换为数学模型，它的状态变量被平均化，电路设计者就不能精确得到有关响应波形的详细信息。在这种情况下，将很难准确预测电路在大信号扰动下的响应。

随着功率电子技术的不断发展，对电路自动化生成的需求越来越大，优化电路的元件参数以达到指定的规格。其中涉及一系列的问题如电路复杂度、静态和动态响应、发热、电磁兼容性、控制方法和成本等等。大约在二十年前，模拟电路的自动设计技术开始出现。这些方法包括启发式算法、知识库、模拟退火和其它优化电路的算法。传统的优化方法，如梯度法、爬坡法等也都被运用到电路的设计中。但是这些算法容易陷入局部最优点，导致次优的元件参数。于是不适用于优化设计非线性的功率电子电路。

遗传算法起源于达尔文的适者生存理论，是一种全局优化方法。它通过选择、杂交和变异等操作，模拟自然进化过程寻找全局最优解。遗传算法的特点是几乎不需要所求问题的任何信息而只需要目标函数的信息。它不受搜索空间限制性假设的约束，不要求如连续性、可导性等假设，能从离散的、多极值的、含有噪音的高维问题中以很高的概率找到全局最优解。因此，以遗传算法十分适用于功率电子电路的优化。

发明内容：

本发明将遗传算法运用到功率电子电路的优化设计中，对比传统的设计方法，其优点在于：1.将人工智能运用到功率电子电路的优化和设计中，计算机自动决定电路的参数取值以达到要求的动态和静态性能。2.该方法不需要对整个系统进行复杂的数学分析，并且独立于电路结构和控制理论。3.遗传算法有良好的全局的搜索能力，鲁棒性更强，比传统算法更容易找到全局最优的元件参数。4.运用解耦技术将功率电子电路解耦为功率传输和反馈网络两个部分分别优化，降低整体的运算量，提高了算法优化电路的性能。

运用遗传算法优化设计功率电子电路的具体步骤包括：

1)对功率电子电路进行解耦，如图1所示，将功率电子电路解耦为功率传输和反馈网络两部分。其中功率传输部分包含I_P个电阻(R)，J_P个电感(L)和K_P个电容(C)；反馈网络部分包含I_F个电阻，J_F个电感和K_F个电容。

2)构造染色体CP和CF分别表示功率传输和反馈网络中的元件参数：

$\mathrm{CP}=[R_1{R}_2\·\·\·R_{I_P}|L_1{L}_2\·\·\·L_{J_P}|C_1{C}_2\·\·\·C_{K_P}]$

$\mathrm{CF}=[R_1{R}_2\·\·\·R_{I_F}|L_1{L}_2\·\·\·L_{J_F}|C_1{C}_2\·\·\·C_{K_F}]$

其中，CP和CF中的每个元件的取值都被限制在一个给定的范围以内。

3)为功率传输部分随机初始化N_P个染色体，。将每个染色体代入电路中进行仿真，计算出其输出的波形，并根据给定的适应值函数Φ_P计算每一个染色体相对应的适应值Φ_P(CP_n)。

${\mathrm{\Φ}}_P\left({\mathrm{CP}}_n\right)=\underset{R_L=R_{L,\min },\mathrm{\δ}{R}_L}{\overset{P_{L,\max }}{\mathrm{\Σ}}}\underset{v_{\mathrm{in}}=V_{\mathrm{in},\min },{\mathrm{\δv}}_{\mathrm{in}}}{\overset{V_{\mathrm{in},\max }}{\mathrm{\Σ}}}[{\mathrm{OF}}_1(R_L,v_{\mathrm{in}},{\mathrm{CP}}_n)+{\mathrm{OF}}_2(R_L,v_{\mathrm{in}},{\mathrm{CP}}_n)$

$+{\mathrm{OF}}_3(R_L,v_{\mathrm{in}},{\mathrm{CP}}_n)+{\mathrm{OF}}_4(R_L,v_{\mathrm{in}},{\mathrm{CP}}_n)]$

其中，v_in和R_L分别为输入电压和负载值，V_in，max和V_in，min为输入电压的最大和最小值，R_L，max和R_L，min为负载的最大和最小值，δv_in和δR_L分别为改变输入电压和负载的步长。OF₁用于评估输出电压的稳定状态误差，OF₂用于评估电路工作的约束条件，OF₃用于计算输出电压上的稳定状态纹波电压，OF₄用于评估元件的固有性质，如总体价格，物理大小等。

4)对染色体执行一个基于赌盘规则的选择方法。在每一代的染色体CP_n中，计算每个染色体的相对适应值Φ_P，r[CP_n]和累计适应值Φ_P，c[CP_n]，

${\mathrm{\Φ}}_{P,r}\left({\mathrm{CP}}_n\right)=\frac{{\mathrm{\Φ}}_P\left({\mathrm{CP}}_n\right)}{\underset{z=1}{\overset{N_P}{\mathrm{\Σ}}}{\mathrm{\Φ}}_P\left({\mathrm{CP}}_z\right)}$ ${\mathrm{\Φ}}_{P,c}\left({\mathrm{CP}}_n\right)=\underset{z=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\Φ}}_{P,r}\left({\mathrm{CP}}_z\right)$

生成一个随机数p∈[0，1]，并与Φ_P，c(CP_n)n＝1...N_P比较。如果Φ_P，c(CP_z-1)＜p＜Φ_P，c(CP_z)，CP_z就被选为下一代的成员。这个选择过程不断重复直到为下一代选择了N_P个成员。

5)将新的染色体用交叉和变异算子进行复制。为每一个染色体产生一个随机数字p∈[0，1]，当p小于指定的交叉概率p_x时，染色体会被选择参加交叉。交叉算子如图2所示，在染色体中随机选择一个交叉点。在交叉点后的基因会被交换从而形成新的两个染色体。操作不断重复直到种群中所有成员都被考虑。变异算子，如图3，也是从为每个染色体产生随机数开始。如果产生的随机数字p∈[0，1]是大于设定的变异概率p_m，染色体会经历变异。在图中以CP₁为例，随机选择其中一个基因，生成一个在元件上下限之内的随机数字以代替被选择的基因。操作不断重复直到种群中所有成员都被考虑。

6)将新的一代染色体中的每一个个体代入电路中进行仿真，计算出其输出的波形，并根据Φ_P计算每一个染色体相对应的适应值Φ_P(CP_n)。

7)当完成了每个染色体的复制和适应值的计算后，确定适应值最高的最优染色体CP_B和适应值最低的最差染色体CP_W。CP_B将会和上一代的最优染色体相比较。如果CP_B的适应度小于上一代最优个体，则上一代最优染色体的内容将代替染色体CP_W。

8)如果达到了终止条件，则保存功率传输部分最佳元件参数取值，否则回到步骤4)。

9)为反馈网络部分随机初始化N_P个染色体，

。基于以上求得的功率传输部分元件取值，将每个反馈网络的染色体代入电路中进行仿真，计算出其输出的波形，并根据给定的适应值函数Φ_F计算每一个染色体相对应的适应值Φ_F(CF_n)。

${\mathrm{\Φ}}_F\left({\mathrm{CF}}_n\right)=\underset{R_L=R_{L,\min },\mathrm{\δ}{R}_L}{\overset{R_{L,\max }}{\mathrm{\Σ}}}\underset{v_{\mathrm{in}}=V_{\mathrm{in},\min },{\mathrm{\δv}}_{\mathrm{in}}}{\overset{V_{\mathrm{in},\max }}{\mathrm{\Σ}}}[{\mathrm{OF}}_5(R_L,v_{\mathrm{in}},{\mathrm{CF}}_n)+{\mathrm{OF}}_6(R_L,v_{\mathrm{in}},{\mathrm{CF}}_n)$

$+{\mathrm{OF}}_7(R_L,v_{\mathrm{in}},{\mathrm{CF}}_n)+{\mathrm{OF}}_8(R_L,v_{\mathrm{in}},{\mathrm{CF}}_n)]$

其中，OF₅用于评估在输出电压的稳定状态误差，OF₆用于评估最大的过冲和下冲，以及在启动期间输出电压的建立时间，OF₇用评估输出电压上的稳定波纹电压，OF₈用于评估电路在输入电压和输出电阻扰动时的动态性能。

10)与功率传输部分类似，同样对反馈网络中的染色体进行选择、交叉和变异，根据Φ_F计算每个染色体的适应值并保留最优的染色体，从而产生新的一代染色体。

11)如果达到了终止条件，则输出整个功率电子电路的最佳元件参数取值，否则回到步骤10)。

该方法的流程图如图4所示。

附图说明：

图1功率电子电路的解耦原理图

图2交叉操作示意图

图3变异操作示意图

图4方法流程图

图5典型的v_d响应图

具体实施方式：

具体实施方式一：

功率传输部分的适应值函数Φ_P中，OF₁，OF₂，OF₃，OF₄，分别如下设计。

1.OF₁：

定义一个方差累积方程E₂，用以评估v_o与v_ref在N_s个仿真点的接近程度

$E_2=\underset{m=1}{\overset{N_s}{\mathrm{\Σ}}}{[v_o\left(m\right)-v_{\mathrm{ref}}]}^2$

如果E₂的取值较小，则稳定状态误差小，OF₁会较大。公式OF₁的定义如下

${\mathrm{OF}}_1=K_1{e}^{-E_2/K_2}$

其中，K₁是OF₁能达到的最大值，K₂用以调整OF₁对E₂的敏感度。

2.OF₂：

在稳定状态条件下，一些波形会受到约束条件的控制。假设λ_C，m是量q_m在第m个约束条件下的极限，则OF₂定义为

${\mathrm{OF}}_2=\underset{m=1}{\overset{N_C}{\mathrm{\Σ}}}\frac{K_{3,m}}{1+e^{\frac{q_m-{\mathrm{\λ}}_{C,m}}{K_{4,m}}}}$

其中N_C是约束条件的个数，K_3，m是第m个约束条件的最大取值，而K_4，m决定了考虑的量的敏感度。例如，如果λ_C代表开关的最大额定电压，q是实际的电压，当q＜＜λ_C时，OF₂将会很大。

3.OF₃：

v_o上的纹波电压必须在预期输出v_o，exp附近的±Δv_o限度以内。在OF₃中衡量染色体CP_n的方法是计算在N_S个仿真点中，v_o超出v_o，exp±Δv_o的仿真点个数。OF₃定义如下

${\mathrm{OF}}_3=K_5{e}^{-A_1/K_6}$

其中，K₅是OF₃能达到的最大值，K₆是衰减常数，A₁是超出允许边带的仿真点个数。可见，当A₁增加的时候，OF₃减小。

4.OF₄：

在这个目标函数中主要考虑一些和元件相关的内在因素，这些因素包含总体价格，物理大小，元件寿命等。OF₄可以表示为

${\mathrm{OF}}_4=\underset{i=1}{\overset{I_P}{\mathrm{\Σ}}}{\mathrm{\Φ}}_R\left(R_i\right)+\underset{j=1}{\overset{J_P}{\mathrm{\Σ}}}{\mathrm{\Φ}}_L\left(L_j\right)+\underset{k=1}{\overset{K_P}{\mathrm{\Σ}}}{\mathrm{\Φ}}_C\left(C_k\right)$

其中，Φ_R，Φ_L和Φ_C是测量不同元件类型的目的函数。它们如下定义

${\mathrm{\Φ}}_R\left(R_j\right)=\frac{K_{7,i}}{1+e^{\frac{R_i-R_{i,\max }}{{\mathrm{\τ}}_R}}},{\mathrm{\Φ}}_L\left(L_j\right)=\frac{K_{8,j}}{1+e^{\frac{L_j-L_{j,\max }}{{\mathrm{\τ}}_L}}},{\mathrm{\Φ}}_C\left(C_k\right)=\frac{K_{9,k}}{1+e^{\frac{C_k-C_{k,\max }}{{\mathrm{\τ}}_C}}}$

其中，K_7，i，K_8，j和K_9，k是Φ_R，Φ_L和Φ_C分别能达到的最大值。R_i，max，L_j，max和C_k，max分别是R_i，L_j和C_k的最大值。

具体实施方式二：

反馈网络部分的适应值函数Φ_F中的四个目标函数OF₅，OF₆，OF₇，OF₈分别如下定义。

1.OF₅：

这个目标函数与OF₁相似，定义为

${\mathrm{OF}}_5={\mathrm{OF}}_1=K_1{e}^{-E_2/K_2}$

2.OF₆和OF₈：

在启动或外部扰动期间，将会出现一个瞬时响应v_d，其中

v_d＝v_ref-v′_o

一个典型的v_d响应如图5所示。OF₆和OF₈用以评估v_d，包括1)最大过冲，2)最大下冲，3)在启动或扰动期间，响应的建立时间。OF₆和OF₈的基本形式可以表示如下

OF₆＝OV(R_L，v_in，CF_n)+UV(R_L，v_in，CF_n)+ST(R_L，v_in，CF_n)

${\mathrm{OF}}_8=\underset{i=1}{\overset{N_T}{\mathrm{\Σ}}}\mathrm{OV}(R_{L,i},v_{\mathrm{in},i},{\mathrm{CF}}_n)+\mathrm{UV}(R_{L,i},v_{\mathrm{in},i},{\mathrm{CF}}_n)+\mathrm{ST}(R_{L,i},v_{\mathrm{in},i},{\mathrm{CF}}_n)$

其中N_T是在性能测试中输入和负载扰动的次数。

在以上的公式中，OV，UV和ST是最小化最大过冲，最大下冲和v_d建立时间的目标函数。它们如下定义：

$\mathrm{OV}=\frac{K_{10}}{1+e^{\frac{M_p-M_{p0}}{K_{11}}}}$

其中K₁₀是这个目标函数可以达到的最大值，M_p0是最大过冲，M_p是实际的过冲，K₁₁是通带常数。

$\mathrm{UV}=\frac{K_{12}}{1+e^{\frac{M_v-M_{v0}}{K_{13}}}}$

其中K₁₂是这个目标函数可以达到的最大值，M_v0是最大下冲，M_v是实际的下冲，K₁₃是通带常数。

$\mathrm{ST}=\frac{K_{14}}{1+e^{\frac{T_s-T_{s0}}{K_{15}}}}$

其中K₁₄是这个目标函数可以达到的最大值，T_s0是一个常数，T_s是实际的建立时间，K₁₅用于调整敏感度。T_s定义为v_d落入α±σ％通带中的建立时间。也就是，

|v_d(t)|≤0.01σ，t≥T_s

3.OF₇：

OF₇与功率传输部分中的设计方法相同，计算v_o超出v_o，exp±Δv_o的仿真点个数。OF₇定义如下

${\mathrm{OF}}_7={\mathrm{OF}}_3=K_5{e}^{-A_1/K_6}$

Claims (4)

1.一种基于解耦技术和遗传算法的功率电子电路优化方法，其特征在于，该方法包括以下步骤：

1)对功率电子电路进行解耦，将功率电子电路解耦为功率传输和反馈网络两部分。

2)为功率传输部分随机初始化染色体群体。将每个染色体代入电路中进行仿真，得到其输出的波形，并计算其适应值。

3)对染色体执行选择、交叉和变异产生下一代染色体。

4)将新的一代染色体群体中的每一个个体代入电路中进行仿真，计算出其适应值。

5)对每一代最优的染色体进行保留。

6)如果达到了终止条件，则保存功率传输部分最佳元件参数取值，否则回到步骤3)。

7)为反馈网络部分随机初始化染色体群体。基于以上求得的功率传输部分元件取值，将每个反馈网络的染色体代入电路中进行仿真，计算出其输出的波形，并根据适应值函数计算每一个染色体的适应值。

8)对反馈网络中的染色体进行选择、交叉和变异，从而产生新的一代染色体。

9)计算每个染色体的适应值，并保留最优染色体。

10)如果达到了终止条件，则输出整个功率电子电路的最佳元件参数取值，否则回到步骤8)。

2.基于权利要求1所述的一种基于解耦技术和遗传算法的功率电子电路优化方法，其特征在于，运用解耦技术将功率电子电路解耦为功率传输和反馈网络两部分，分别进行优化。功率传输部分的元件参数以满足功率电子电路的静态特性要求进行优化设计。反馈网络的元件参数根据整个功率电子电路要求的静态和动态性能进行优化。

3.基于权利要求1所述的一种基于解耦技术和遗传算法的功率电子电路优化技术，其特征在于，功率传输部分的适应值函数Φ_P如下设计

${\mathrm{\Φ}}_P\left({\mathrm{CP}}_n\right)=\underset{R_L=R_{L,\min },\mathrm{\δ}{R}_L}{\overset{R_{L,\max }}{\mathrm{\Σ}}}\underset{v_{\mathrm{in}}=V_{\mathrm{in},\min },\mathrm{\δ}{v}_{\mathrm{in}}}{\overset{V_{\mathrm{in},\max }}{\mathrm{\Σ}}}[{\mathrm{OF}}_1(R_L,v_{\mathrm{in}},{\mathrm{CP}}_n)+{\mathrm{OF}}_2(R_L,v_{\mathrm{in}},{\mathrm{CP}}_n)$

$+{\mathrm{OF}}_3(R_L,v_{\mathrm{in}},{\mathrm{CP}}_n)+{\mathrm{OF}}_4(R_L,v_{\mathrm{in}},{\mathrm{CP}}_n)]$

其中，CP_n为功率传输部分的染色体，v_in和R_L分别为输入电压和负载值，V_in，max和V_in，min为输入电压的最大和最小值，R_L，max和R_L，min为负载的最大和最小值，δ_vin和δR_L分别为改变输入电压和负载的步长。OF₁用于评估输出电压的稳定状态误差，OF₂用于评估电路工作的约束条件，OF₃用于计算输出电压上的稳定状态纹波电压，OF₄用于评估元件的固有性质，如总体价格，物理大小等。

4.基于权利要求1所述的一种基于解耦技术和遗传算法的功率电子电路优化技术，其特征在于，反馈网络部分的适应值函数Φ_F如下设计

${\mathrm{\Φ}}_F\left({\mathrm{CF}}_n\right)=\underset{R_L=R_{L,\min },\mathrm{\δ}{R}_L}{\overset{R_{L,\max }}{\mathrm{\Σ}}}\underset{v_{\mathrm{in}}=V_{\mathrm{in},\min },\mathrm{\δ}{v}_{\mathrm{in}}}{\overset{V_{\mathrm{in},\max }}{\mathrm{\Σ}}}[{\mathrm{OF}}_5(R_L,v_{\mathrm{in}},{\mathrm{CF}}_n)+{\mathrm{OF}}_6(R_L,v_{\mathrm{in}},{\mathrm{CF}}_n)$

$+{\mathrm{OF}}_7(R_L,v_{\mathrm{in}},{\mathrm{CF}}_n)+{\mathrm{OF}}_8(R_L,v_{\mathrm{in}},{\mathrm{CF}}_n)]$

其中，CF_n为反馈网络部分的染色体。OF₅用于评估输出电压的稳定状态误差，OF₆用于评估最大的过冲和下冲，以及在启动期间输出电压的建立时间，OF₇用于评估输出电压上的稳定状态波纹电压，OF₈用于评估电路在输入电压和输出电阻扰动时的动态性能。

Images