TWI686693B - 一種伺服器用電源供應器之輸出電流估測法及採用該方法的伺服器用電源供應器 - Google Patents
一種伺服器用電源供應器之輸出電流估測法及採用該方法的伺服器用電源供應器 Download PDFInfo
- Publication number
- TWI686693B TWI686693B TW108109601A TW108109601A TWI686693B TW I686693 B TWI686693 B TW I686693B TW 108109601 A TW108109601 A TW 108109601A TW 108109601 A TW108109601 A TW 108109601A TW I686693 B TWI686693 B TW I686693B
- Authority
- TW
- Taiwan
- Prior art keywords
- values
- output current
- server
- power supply
- current
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000003062 neural network model Methods 0.000 claims abstract description 21
- 230000001537 neural effect Effects 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims description 59
- 238000012546 transfer Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 31
- 238000012360 testing method Methods 0.000 description 19
- 238000005259 measurement Methods 0.000 description 17
- 238000001514 detection method Methods 0.000 description 16
- 238000012795 verification Methods 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
Images
Abstract
一種伺服器用電源供應器之輸出電流估測法及採用該方法的伺服器用電源供應器，該方法其係利用一控制電路實現，該輸出電流估測法包括以下步驟：依一伺服器用電源供應器之一輸出電流之L個數值、一輸入電壓之M個數值及一環境溫度之N個數值產生K筆訓練資料，K=L*M*N，K、L、M、N均為大於1之整數，其中，各筆所述訓練資料均包含由所述輸入電壓之M個數值中之一數值、該伺服器用電源供應器之一輸入電流之P個數值中之一數值、該伺服器用電源供應器之一功率因數、該伺服器用電源供應器之一輸出電壓之一數值及所述環境溫度之N個數值中之一數值所構成之一輸入資料組合，P為大於1之整數，及由所述輸出電流之L個數值中之一數值所構成之一輸出資料；利用所述K筆訓練資料對一類神經網路模型進行一訓練程序以獲得複數個權重值及複數個偏壓值，從而產生一訓練後的類神經網路模型；以及將所述輸入電壓之一測量數值、所述輸入電流之一測量數值、所述功率因數之一測量數值、所述輸出電壓之一測量數值及所述環境溫度之一測量數值輸入該訓練後的類神經網路模型中以產生所述輸出電流之一估測值。
Description
本發明係關於電源供應器，特別是一種關於伺服器用電源供應器之輸出電流估測法。
現今資訊爆炸的時代裡，大數據中心的建置不可或缺，提供伺服器穩定電源之電源供應器更扮演了相當重要角色。由於能源管理日益受到重視，電源資訊更需要被偵測及控制。
在一般數據中心，基礎設施係根據設備之電源損耗產生的廢熱來設計冷卻設施，降低伺服器之電源損耗能降低冷卻設施之電源需求，而能大幅降低數據中心之營業成本。因此如何使電源供應器提供高功率與低損耗輸出，以及利用高精確度的電源資訊實現電源管理，是未來科技發展的重點趨勢。
切換式電源供應器已成為近年來使用最廣泛的電能轉換裝置，為了獲得精確電源資訊，傳統上大多利用電流偵測線路模組來提供高精確度的資訊。交換式電源供應器的應用為轉換高電壓低電流的交流電至低電壓高電流的直流電供給負載使用，若採用傳統的電流偵測線路模組，分流電阻器在操作時，流過電阻的電流平方與電阻之乘積即為分流電阻器損耗，因此在高負載的情況下，流經電阻器的輸出電流將導致高功耗。同時，被動元件製程所造成之公差及主動元件之解析度亦會影響量測資訊的精確度。
請一併參照圖1a至圖1c，其中圖1a其繪示習知技術之電源供應器之架構示意圖，圖1b其繪示習知技術之伺服器用電源之管理架構示意圖，圖1c其繪示習知技術之電流偵測線路之示意圖。
如圖1a所示，交流電源輸入依次經過低通濾波器、橋式整流器、功率因數調整線路、直流電源轉換器最後到達負載端提供一穩定直流電壓。伺服器之電源供應器具備電源管理功能，能讓主機系統與電源供應器溝通，並隨
時提供電源供應器的電流、電壓、系統功耗、風扇轉速和溫度等資訊給主機系統。
主機能依據實際情況調整系統配置：如溫度監控與風扇控制，能讓系統以更好的方式調整風扇速度並改善溫升與系統噪音問題。而電壓與電流利用電源路徑上之偵測線路監控電壓與電流以讓系統計算出輸入與輸出功率來達成系統能源調節的管理與應用，如圖1b所示，主機系統(伺服器端)係透過電源管理匯流排(Power Management Bus，PMBus)與電源供應器溝通。
如圖1c所示，習知技術為在電源與負載端之間加入一電流偵測電阻器(分流電阻)，利用量測電流在電阻器產生的電壓壓降△V，進而計算出實際負載電流的資訊，即I=△V/R。
其中R trace 和R pcb 為電路佈線時之連接線和錫膏等電阻。習知技術之電流偵測方法需在電源輸入端與輸出端串聯一分流器(shunt)之電阻器，並使用四端點量測技術減少電流經過走線阻抗(R trace )所產生之壓降。以此法量測電流時，由於必需滿足對現有電路產生最小干擾之目的，因此應在符合所需之前提下，盡可能使用最小之電阻器。然而，較小之電阻又將產生較小之電壓降，則受到錫膏阻抗(R pcb )的影響更為明顯，因此必須在解析度與電路干擾作用之間取得平衡。
為了有效改善上述問題，因此本領域亟需一新穎的伺服器用電源供應器之輸出電流估測法。
本案之一目的在於揭露一種伺服器用電源供應器之輸出電流估測法，其演算法方便調整優化，能減少訓練類神經網路的輸入資料量，而能減少自動量測所需要的執行時間。
本案之另一目的在於揭露一種伺服器用電源供應器之輸出電流估測法，其能避免量測值受到硬體對於溫度及時間之變異影響，而能滿足電流偵測精度之需求。
本案之再一目的在於揭露一種伺服器用電源供應器之輸出電流
估測法，其能減少硬體設計空間的需求降低硬體開發之物料成本與節省印刷電路板所需要的空間。
本案之又一目的在於揭露一種伺服器用電源供應器之輸出電流估測法，其能避免硬體造成的公差、減少電源損耗，進而提升電流供應器效率。
本案之再一目的在於揭露一種伺服器用電源供應器之輸出電流估測法，當負載不足滿載的20%時，誤差的極值為-0.33A(1%負載的電流)與0.24A(7%負載的電流)；當負載超過滿載之20%時，誤差百分比的極值為-1.23%(25%負載的電流)與0.78%(100%負載的電流)。
本案之又一目的在於揭露一種伺服器用電源供應器之輸出電流估測法，當負載不足滿載的20%時，誤差的極值為-0.33A(電流為1%負載)與0.24A(電流為7%負載)；當負載超過滿載之20%時，誤差百分比的極值為-1.23%(電流為25%負載)與0.78%(電流為100%負載)。
為達前述目的，一種伺服器用電源供應器之輸出電流估測法乃被提出，其係利用一控制電路實現，該輸出電流估測法包括以下步驟：依一伺服器用電源供應器之一輸出電流之L個數值、一輸入電壓之M個數值及一環境溫度之N個數值產生K筆訓練資料，K=L*M*N，K、L、M、N均為大於1之整數，其中，各筆所述訓練資料均包含由所述輸入電壓之M個數值中之一數值、該伺服器用電源供應器之一輸入電流之P個數值中之一數值、該伺服器用電源供應器之一功率因數、該伺服器用電源供應器之一輸出電壓之一數值及所述環境溫度之N個數值中之一數值所構成之一輸入資料組合，P為大於1之整數，及由所述輸出電流之L個數值中之一數值所構成之一輸出資料；利用所述K筆訓練資料對一類神經網路模型進行一訓練程序以獲得複數個權重值及複數個偏壓值，從而產生一訓練後的類神經網路模型；以及將所述輸入電壓之一測量數值、所述輸入電流之一測量數值、所述功率因數之一測量數值、所述輸出電壓之一測量數值及所述環境溫度之一測量數值輸入該訓練後的類神經網路模型中以產生所述輸出電流之一估測值。
在一實施例中，該類神經網路模型為一具有三層架構之倒傳遞類
神經網路，包括一輸入層、一隱藏層及一輸出層。
在一實施例中，所述輸入層係用以接收所述的輸入資料組合，所述隱藏層包含4個神經元，以及所述輸出層係用以產生該輸出電流之所述估測值。
在一實施例中，所述輸出電流之L個數值的決定方式為：當所述輸出電流小於一滿載電流之10%時，每隔1%決定所述輸出電流之一數值；及當所述輸出電流大於或等於所述滿載電流之10%時，每隔5%決定所述輸出電流之一數值。
為達前述目的，一種採用所述輸出電流估測法之伺服器用電源供應器乃被提出，其具有一控制電路以實現一輸出電流估測法，該輸出電流估測法包括以下步驟：依該伺服器用電源供應器之一輸出電流之L個數值、一輸入電壓之M個數值及一環境溫度之N個數值產生K筆訓練資料，K=L*M*N，K、L、M、N均為大於1之整數，其中，各筆所述訓練資料均包含由所述輸入電壓之M個數值中之一數值、該伺服器用電源供應器之一輸入電流之P個數值中之一數值、該伺服器用電源供應器之一功率因數、該伺服器用電源供應器之一輸出電壓之一數值及所述環境溫度之N個數值中之一數值所構成之一輸入資料組合，P為大於1之整數，及由所述輸出電流之L個數值中之一數值所構成之一輸出資料；利用所述K筆訓練資料對一類神經網路模型進行一訓練程序以獲得複數個權重值及複數個偏壓值，從而產生一訓練後的類神經網路模型；以及將所述輸入電壓之一測量數值、所述輸入電流之一測量數值、所述功率因數之一測量數值、所述輸出電壓之一測量數值及所述環境溫度之一測量數值輸入該訓練後的類神經網路模型中以產生所述輸出電流之一估測值。
在一實施例中，該類神經網路模型為一具有三層架構之倒傳遞類神經網路，包括一輸入層、一隱藏層及一輸出層。
在一實施例中，所述輸入層係用以接收所述的輸入資料組合，所述隱藏層包含4個神經元，以及所述輸出層係用以產生該輸出電流之所述估測值。
在一實施例中，所述輸出電流之L個數值的決定方式為：當所述輸出電流小於一滿載電流之10%時，每隔1%決定所述輸出電流之一數值；及當所述輸出電流大於或等於所述滿載電流之10%時，每隔5%決定所述輸出電流之一數值。
為使 貴審查委員能進一步瞭解本案之結構、特徵及其目的，茲附以圖式及較佳具體實施例之詳細說明如後。
步驟a:依一伺服器用電源供應器之一輸出電流之L個數值、一輸入電壓之M個數值及一環境溫度之N個數值產生K筆訓練資料，K=L*M*N，K、L、M、N均為大於1之整數，其中，各筆所述訓練資料均包含由所述輸入電壓之M個數值中之一數值、該伺服器用電源供應器之一輸入電流之P個數值中之一數值、該伺服器用電源供應器之一功率因數、該伺服器用電源供應器之一輸出電壓之一數值及所述環境溫度之N個數值中之一數值所構成之一輸入資料組合，P為大於1之整數，及由所述輸出電流之L個數值中之一數值所構成之一輸出資料
步驟b:利用所述K筆訓練資料對一類神經網路模型進行一訓練程序以獲得複數個權重值及複數個偏壓值，從而產生一訓練後的類神經網路模型
步驟c:將所述輸入電壓之一測量數值、所述輸入電流之一測量數值、所述
功率因數之一測量數值、所述輸出電壓之一測量數值及所述環境溫度之一測量數值輸入該訓練後的類神經網路模型中以產生所述輸出電流之一估測值
圖1a繪示習知技術之電源供應器之架構示意圖。
圖1b繪示習知技術之伺服器用電源之管理架構示意圖。
圖1c其繪示習知技術之電流偵測線路之示意圖。
圖2繪示本案之伺服器用電源供應器之輸出電流估測法之步驟流程圖。
圖3a繪示習知技術之伺服器用電源供應器之電流偵測線路之示意圖。
圖3b繪示習知技術之750瓦伺服器用電源供應器之實際電流偵測誤差示意圖。
圖4繪示本案之類神經網路架構之示意圖。
圖5繪示本實驗自動化量測使用之儀器接線示意圖。
圖6繪示本案之倒傳遞類神經網路架構圖形介面之示意圖。
圖7a繪示本案使用MATLAB圖形介面程式建立倒傳遞類神經網路模型之操作示意圖。
圖7b繪示本案之類神經網路輸入輸出資料設定之操作示意圖。
圖7c繪示本案之類神經網路驗證與測試資料設定之輸入輸出資料設定之操作示意圖。
圖7d繪示本案之類神經網路參數設定之操作示意圖。
圖7e繪示本案之類神經網路訓練收斂之示意圖。
圖7f繪示本案之類神經網路訓練完成後得到之權重值和偏壓值之示意圖。
圖8a繪示本案之類神經網路估測電源供應器之輸出電流誤差分佈圖。
圖8b繪示本案之類神經網路估測電源供應器之輸出電流誤差百分比分佈圖。
請參照圖2，其繪示本案之伺服器用電源供應器之輸出電流估測法之步驟流程圖。
如圖2所示，本案之伺服器用電源供應器之輸出電流估測法，其係利用一控制電路實現，該輸出電流估測法包括以下步驟：依一伺服器用電源供應器之一輸出電流之L個數值、一輸入電壓之M個數值及一環境溫度之N個數值產生K筆訓練資料，K=L*M*N，K、L、M、N均為大於1之整數，其中，各筆所述訓練資料均包含由所述輸入電壓之M個數值中之一數值、該伺服器用電源供應器之一輸入電流之P個數值中之一數值、該伺服器用電源供應器之一功率因數、該伺服器用電源供應器之一輸出電壓之一數值及所述環境溫度之N個數值中之一數值所構成之一輸入資料組合，P為大於1之整數，及由所述輸出電流之L個數值中之一數值所構成之一輸出資料；(步驟a)；利用所述K筆訓練資料對一類神經網路模型進行一訓練程序以獲得複數個權重值及複數個偏壓值，從而產生一訓練後的類神經網路模型；(步驟b)；以及將所述輸入電壓之一測量數值、所述輸入電流之一測量數值、所述功率因數之一測量數值、所述輸出電壓之一測量數值及所述環境溫度之一測量數值輸入該訓練後的類神經網路模型中以產生所述輸出電流之一估測值；(步驟c)。
其中，該類神經網路模型為一具有三層架構之倒傳遞類神經網路，包括一輸入層、一隱藏層及一輸出層。所述輸入層係用以接收所述的輸入資料組合，所述隱藏層包含4個神經元，以及所述輸出層係用以產生該輸出電流之所述估測值。
所述輸出電流之L個數值的決定方式例如但不限為：當所述輸出電流小於一滿載電流之10%時，每隔1%決定所述輸出電流之一數值；及當所述輸出電流大於或等於所述滿載電流之10%時，每隔5%決定所述輸出電流
之一數值。
另外，依上述的說明，本發明進一步揭示一種採用該方法的伺服器用電源供應器，其係利用一控制電路實現，該輸出電流估測法包括以下步驟：依一伺服器用電源供應器之一輸出電流之L個數值、一輸入電壓之M個數值及一環境溫度之N個數值產生K筆訓練資料，K=L*M*N，K、L、M、N均為大於1之整數，其中，各筆所述訓練資料均包含由所述輸入電壓之M個數值中之一數值、該伺服器用電源供應器之一輸入電流之P個數值中之一數值、該伺服器用電源供應器之一功率因數、該伺服器用電源供應器之一輸出電壓之一數值及所述環境溫度之N個數值中之一數值所構成之一輸入資料組合，P為大於1之整數，及由所述輸出電流之L個數值中之一數值所構成之一輸出資料；(步驟a)；利用所述K筆訓練資料對一類神經網路模型進行一訓練程序以獲得複數個權重值及複數個偏壓值，從而產生一訓練後的類神經網路模型；(步驟b)；以及將所述輸入電壓之一測量數值、所述輸入電流之一測量數值、所述功率因數之一測量數值、所述輸出電壓之一測量數值及所述環境溫度之一測量數值輸入該訓練後的類神經網路模型中以產生所述輸出電流之一估測值；(步驟c)。
其中，該類神經網路模型為一具有三層架構之倒傳遞類神經網路，包括一輸入層、一隱藏層及一輸出層。所述輸入層係用以接收所述的輸入資料組合，所述隱藏層包含4個神經元，以及所述輸出層係用以產生該輸出電流之所述估測值。
所述輸出電流之L個數值的決定方式例如但不限為：當所述輸出電流小於一滿載電流之10%時，每隔1%決定所述輸出電流之一數值；及當所述輸出電流大於或等於所述滿載電流之10%時，每隔5%決定所述輸出電流之一數值。
以下將針對本案的原理進行說明：請一併參照圖3a至3b，其中圖3a其繪示習知技術之伺服器用電源供應器之電流偵測線路之示意圖，圖3b其繪示習知技術之750瓦伺服器用電源供應器之實際電流偵測誤差示意圖。
如圖3a所示，由於伺服器之電流較大，因此利用五顆標準之2mΩ,1W功率，1%誤差之精密電阻器並聯以達到降低損耗、減少電路干擾之目的。當處理電壓降信號時，以差動模式輸入高增益電壓放大器，為確保輸出讀值之解析度，因此須將電阻跨壓放大至接近類比數位轉換器資料擷取裝置的最大輸入範圍，再透過低通濾波器抑制高頻雜訊提供乾淨之類比信號給類比數位轉換器以進行數位資料轉換，此一訊號透過移動平均(moving average)後存放在微控制器裡的暫存器供電源管理使用。
如圖3b所示，由於伺服器之電流較大，習知技術之750瓦伺服器用電源供應器在環境溫度25℃時，量測儀器為Agilent公司出產的六位半數位電錶34401A與電子負載模組N3300A，比較偵測線路輸出之電壓、電流值與電子負載的讀值，設定測試條件，10%負載以下，每1%負載做一次量測，10%負載以上，以每5%負載做一次量測。
電流偵測結果顯示，從輕載到重載的最大與最小誤差分別為0.18A與-0.17A，其精度能滿足業界±0.6A規格。但由於不同的操作環境溫度下會造成不同的元件公差，導致需更改韌體的增益與偏移來補償量測上的誤差，因此增加系統韌體設計的複雜度。
因此，為滿足電流偵測精度之需求，同時具有減少電源損耗、提升電流供應器效率、降低硬體開發之物料成本與節省印刷電路板所需要的空間，本案之伺服器用電源供應器之輸出電流估測法係，利用電源輸入資訊來推估所需的輸出電流資訊，由於電源供應器在不同工作條件下其效率均有所不同，因此需針對不同輸入電壓(V in )、輸入電流(I in )、功率因數(PF)、輸出電壓(V out )、環境溫度(T a )做量測。由於電流狀態與不同工作條件之間的關係無法以一簡單的關係式來呈現，因此演算法部分將以類神經網路作為實現，利用類神經網路估測，
將電源供應器之各工作條件作為輸入資料，電流值作為輸出進行訓練，並以實測資料進行測試，評估其精確度。
本案以倒傳遞類神經網路建立電流估測模型：
請參照圖4，其繪示本案之類神經網路架構之示意圖。
如圖所示，本案所提為具有輸入層、隱藏層和輸出層之三層類神經網路架構，其中輸入參數為輸入電壓(V in )、輸入電流(I in )、功率因數(PF)、輸出電壓(V out )、環境溫度(T a )，並針對輸出電流(I out )做類神經網路訓練估測。若類神經中訓練樣本夠完整，輸入任何合理範圍的實驗資料與數值於學習完成之類神經網路，該網路應皆可做出適當判斷而產生近似正確的輸出結果。
本案估測輸出電流之原理為考慮不同操作狀態下之電源供應器效率表現，效率η的定義為輸出功率對輸入功率的比值，如方程式(1)所示。
η=(Vout x Iout)/(Vin x Iin x PF)x100% (1)
其中，V out 為輸出電壓，I out 為輸出電流，V in 為輸入電壓，I in 為輸入電流，PF為功率因數。
於電能轉換過程中，將輸入的交流電壓與電流轉換成直流電壓與電流輸出給系統負載使用，轉換過程中會因為損耗而使電源輸出與輸入功率產生差值，其中交流電源因負載之電感性與電容性會影響有效功率與視在功率的比值進而影響電源轉換效率，同時環境溫度條件亦會影響電源供應器操作時的損耗，亦即上述所提及之參數均會影響電源供應器的效率進而影響輸出電流之估測。
本案設定類神經網路的輸入參數為輸入電流(I in )、輸入電壓(V in )、功率因數(PF)、輸出電壓(V out )以及環境溫度(T a )，輸出參數則為對應之伺服器用電源供應器所需輸出電流值(I out )。由於類神經網路的輸入層和輸出層之節點數是依問題的輸入與輸出參數的維度而定，因此本案之輸入維度為5，輸出維度為1。意即輸入節點數為5個，輸出節點數為1個，隱藏層節點的部分選用1層隱藏層並且包含4個神經元。
在類神經網路計算過程中，需注意所有處理資料必需縮放至-1
至1間之範圍，而轉換函數的作用為限制、壓縮或處理其非線性關係，並輸入到下一個神經元層。本案選用Tansig轉換函數作為圖中隱藏層之f 1 以及Purelin轉換函數作為輸出層之f 2 。使用線性轉換其優點在於可降低實際計算所需之時間，且易於微處理器實現，而非線性轉換則如其名，可以實現加乘運算中非線性的部分。而倒傳遞類神經學習訓練的方式中最快的訓練方式為Trainlm(Levenberg-Marquardt)，也是本案選用的訓練方式，其為習知技術，擬不再贅述。
以下說明本實驗之電流估測法之設計流程，待測物之商用伺服器電源供應器之規格參數如表1所示。
再依據制定的規格透過自動量測平台量測其電源資訊，快速並有效率的取得訓練類神經網路之必要資料。硬體架構包括交流電源供應器、功率量測儀、電子負載、資料記錄器與恆溫箱之選用與連接等。韌體包括LABVIEW自動化程式開發、MATLAB類神經網路設計流程等。
請參照圖5，其繪示本實驗自動化量測使用之儀器接線示意圖。
如圖所示，交流電源供應器主要提供待測物電源，待測物需有良好輸入條件以提升效率量測之精度，包含足夠輸出功率、可編程之輸入電壓範圍以及精確之輸出電壓，本實驗量測使用之交流電源供應器為Chroma公司出品之可編程交流電源供應器6560型號。
功率量測儀主要提供精確之電源量測數據，包含單相交流電的電壓、電流、頻率、功率等，本案使用之功率量測儀為Yokogawa公司出品之數位功率量測儀WT230；直流電子負載之用途為模擬輸出負載，使待測電源供應器輸出相對應的負載電流，本實驗量測使用之電子負載為Agilent公司出品之電子負載主機N3300A與電子負載模組N3304A型號。
資料擷取/資料記錄切換裝置包括一個3槽主機，具有內建的6
位半數位萬用電錶，可個別配置每種通道，以便量測11種不同參數的任一項資料，包含熱耦、交流/直流電壓和電流、頻率等，本實驗量測使用之資料擷取/資料記錄切換裝置為Agilent公司出品之34970A模組。
高低溫試驗機之用途為控制獨立空間之環境溫度，使待測物之操作環境溫度可以有效被控制，本實驗量測使用之高低溫試驗機為Thermotron公司出品之可程式高低溫試驗機S-27-8200型號。
本案之倒傳遞類神經網路之輸入資料設計：
為使電流值能準確估測，當訓練資料在10%負載以下時，以每1%負載做一次估測；當10%負載以上時，以每5%負載做一次估測。並考慮10種輸入電壓(100V、110V、115V、120V、127V、200V、208V、220V、230V與240V)對輸出電流之變化，再加上操作環境溫度3種變因(15℃、25℃與45℃)，意即有29種負載電流狀態、10種輸入電壓、3種環境溫度，共有870筆資料做為訓練資料庫。每一筆資料中都5組資訊量，分別為各輸出電流下之對應的輸入電壓、輸入電流、功率因數、輸出電壓與環境溫度。
本案之類神經網路之實現步驟如下：
1.建立訓練資料庫：
本案將870筆由Labview自動化量測效率系統收集得來的參數資料進行正規化處理後，以一個[5x870]的矩陣表示。每一筆參數資料都有其對應之輸出電流資料，即輸出目標矩陣為[1x870]。類神經網路經訓練完畢後，以3組實測資料作為[5x3]的輸入測試驗證矩陣，確認已訓練完成之類神經網路的輸出正確性。對比類神經網路輸出之輸出電流，也就是1組[1x3]的輸出矩陣比對實測的電流讀值，便可驗證類神經網路的正確性。
2.建立倒傳遞類神經網路模型：
本案使用MATLAB提供之類神經網路圖形介面(Graphic User Interface,GUI)建立倒傳遞類神經網路，並以此進行訓練和模擬驗證。
請參照圖6，其繪示本案之倒傳遞類神經網路架構圖形介面之示意圖。
如圖所示，本案使用MATLAB提供之類神經網路圖形介面(Graphic User Interface,GUI)建立倒傳遞類神經網路，並以此進行訓練和模擬驗證。圖中之訓練函數採用演算法Trainlm(Levenberg-Marquardt)，並以均方誤差函數(MSE)作為比較的衡量指標。
請一併參照圖7a至7d，其中圖7a其繪示本案使用MATLAB圖形介面程式建立倒傳遞類神經網路模型之操作示意圖，圖7b其繪示本案之類神經網路輸入輸出資料設定之操作示意圖，圖7c其繪示本案之類神經網路驗證與測試資料設定之輸入輸出資料設定之操作示意圖，圖7d其繪示本案之類神經網路參數設定之操作示意圖，圖7e其繪示本案之類神經網路訓練收斂之示意圖，圖7f其繪示本案之類神經網路訓練完成後得到之權重值和偏壓值之示意圖。
以下說明本案使用MATLAB圖形介面程式建立倒傳遞類神經網路模型的步驟，如圖7a所示，MATLAB開啟Neural Net Fitting APP時，會對應出現Network/Data Manager視窗，以進行矩陣歸類。
如圖7b所示，分別將電流估測參數矩陣[5x870]、輸出目標矩陣[1x870]輸入到視窗“Input Data”和“Target Data”中。
如圖7c所示，將所有870筆資料分成訓練、驗證、測試網路三部分。其中，訓練資料是用來訓練網路參數的資料，在訓練過程會根據輸出的誤差值來調整類神經網路參數；驗證資料是用來驗證網路擬合程度的資料，在驗證過程中，當網路停止改進時，將停止網路訓練，避免過度擬合，影響學習效能；測試資料是用來測試網路效能的資料，此測試結果可以瞭解網路的輸出的均方誤差與回歸性。
本案之設定為訓練網路的資料為70%資料量，也就是870* 70%=608筆，驗證網路的資料為15%的資料量，也就是870* 15%=131筆，測試網路的資料為15%的資料量，也就是870* 15%=131筆。
如圖7d所示，其為本案之類神經網路進行網路設定之參數設定，而對應之參數設定如表2所示。
如圖7e所示，本案之倒傳遞類神經網路在第311次疊代訓練後得到均方誤差值為0.0167。
測試訓練完成之倒傳遞類神經網路：為了測試倒傳遞類神經網路正確性，本案輸入未受訓練的參數為測試矩陣，將類神經輸出資料與真實量測的輸出電流作比較，藉此驗證類神經網路的精確度。
如圖7f所示，類神經網路經訓練完成後，便可得到該類神經網路之權重值以及偏壓值，權重值為IW(1_1)、LW(2_1)、偏壓值為b(1)、b(2)，其分別對應倒傳遞類神經網路架構圖中的權重值W a 、W b 和偏壓值θ 1 、θ 2 。
利用數位控制器將類神經演算法導入實務中，藉由圖9f得到的權重值和偏壓值寫入數位控制器中，配合電源供應器裡的感測器得到類神經網路需要的輸入資訊，藉由數位控制器計算其輸出，便能得到一精確輸出之電流資訊。
實驗結果：
以下經由實驗證明本案之類神經網路演算法估測電源供應器輸出電流的可行性與正確性，驗證資料包含其估測的最大/最小誤差值，誤差值之定義如方程式(2)所示。
電流誤差=Iout-Iout,ann (2)
其中Iout為電源供應器實際輸出電流，Iout,ann為類神經網路所估測到的電源供應器輸出電流。
誤差百分比之定義如方程式(3)所示。
電流誤差百分比=(Iout-Iout,ann)/Iout (3)
請一併參照圖8a至8b，其中圖8a其繪示本案之類神經網路估測電源供應器之輸出電流誤差分佈圖，圖8b其繪示本案之類神經網路估測電源供應器之輸出電流誤差百分比分佈圖。
如圖8a所示，包含所有訓練、驗證、測試資料之最大誤差分別為-0.37A(90%負載的電流)與0.48A(100%負載的電流)，其電流估算誤差之極值如表3所示。
如圖8b所示，此資料包含所有負載超過滿載10%的訓練、驗證、測試資料，最大誤差百分比分別為-1.23%(25%負載的電流)與0.78%(100%負載的電流)，其電流估算誤差百分比極值如表4所示。
依據實際應用條件，實測取得類神經網路所需要之輸入，使用類
神經網路估測電源供應器輸出電流，其實測電流估算誤差如表5所示。
習知技術之750W電源供應器之電流精度需求規格如表6所示。
由表6可知，當習知技術之電源供應器之負載不足滿載之20%，即低於150W時，輸出電流之讀值誤差百分比不可超出±0.6A；當負載超過滿載之20%，即高於150W時，輸出電流之讀值誤差百分比不可超出±2%。
本案之電源供應器輸出電流估測資料顯示，當負載不足滿載的20%時，誤差的極值為-0.33A(1%負載的電流)與0.24A(7%負載的電流)；當負載超過滿載之20%時，誤差百分比的極值為-1.23%(25%負載的電流)與0.78%(100%負載的電流)，誤差結果均小於表6習知技術之規格要求而能滿足市場需求。
藉由前述所揭露的設計，本案乃具有以下的優點：
1.本案揭露的伺服器用電源供應器之輸出電流估測法，其演算法方便調整優化，能減少訓練神經網路的輸入資料量，而能減少自動量測所需要執行的時間。
2.本案揭露的伺服器用電源供應器之輸出電流估測法，其能避免量測值受到硬體對於溫度及時間之變異影響，而能滿足電流偵測精度之需求。
3.本案揭露的伺服器用電源供應器之輸出電流估測法，其能減少
硬體設計空間的需求降低硬體開發之物料成本與節省印刷電路板所需要的空間。
4.本案揭露的伺服器用電源供應器之輸出電流估測法，其能避免硬體造成的公差、減少電源損耗，進而提升電流供應器效率。
5.本案揭露的伺服器用電源供應器之輸出電流估測法，當負載不足滿載的20%時，誤差的極值為-0.33A(1%負載的電流)與0.24A(7%負載的電流)；當負載超過滿載之20%時，誤差百分比的極值為-1.23%(25%負載的電流)與0.78%(100%負載的電流)。
本案所揭示者，乃較佳實施例，舉凡局部之變更或修飾而源於本案之技術思想而為熟習該項技藝之人所易於推知者，俱不脫本案之專利權範疇。
綜上所陳，本案無論就目的、手段與功效，在在顯示其迥異於習知之技術特徵，且其首先發明合於實用，亦在在符合發明之專利要件，懇請 貴審查委員明察，並祈早日賜予專利，俾嘉惠社會，實感德便。
步驟a:依一伺服器用電源供應器之一輸出電流之L個數值、一輸入電壓之M個數值及一環境溫度之N個數值產生K筆訓練資料，K=L*M*N，K、L、M、N均為大於1之整數，其中，各筆所述訓練資料均包含由所述輸入電壓之M個數值中之一數值、該伺服器用電源供應器之一輸入電流之P個數值中之一數值、該伺服器用電源供應器之一功率因數、該伺服器用電源供應器之一輸出電壓之一數值及所述環境溫度之N個數值中之一數值所構成之一輸入資料組合，P為
大於1之整數，及由所述輸出電流之L個數值中之一數值所構成之一輸出資料
步驟b:利用所述K筆訓練資料對一類神經網路模型進行一訓練程序以獲得複數個權重值及複數個偏壓值，從而產生一訓練後的類神經網路模型
步驟c:將所述輸入電壓之一測量數值、所述輸入電流之一測量數值、所述功率因數之一測量數值、所述輸出電壓之一測量數值及所述環境溫度之一測量數值輸入該訓練後的類神經網路模型中以產生所述輸出電流之一估測值
Claims (8)
- 一種伺服器用電源供應器之輸出電流估測法，其係利用一控制電路實現，該輸出電流估測法包括以下步驟：依一伺服器用電源供應器之一輸出電流之L個數值、一輸入電壓之M個數值及一環境溫度之N個數值產生K筆訓練資料，K=L*M*N，K、L、M、N均為大於1之整數，其中，各筆所述訓練資料均包含由所述輸入電壓之M個數值中之一數值、該伺服器用電源供應器之一輸入電流之P個數值中之一數值、該伺服器用電源供應器之一功率因數、該伺服器用電源供應器之一輸出電壓之一數值及所述環境溫度之N個數值中之一數值所構成之一輸入資料組合，P為大於1之整數，及由所述輸出電流之L個數值中之一數值所構成之一輸出資料；利用所述K筆訓練資料對一類神經網路模型進行一訓練程序以獲得複數個權重值及複數個偏壓值，從而產生一訓練後的類神經網路模型；以及將所述輸入電壓之一測量數值、所述輸入電流之一測量數值、所述功率因數之一測量數值、所述輸出電壓之一測量數值及所述環境溫度之一測量數值輸入該訓練後的類神經網路模型中以產生所述輸出電流之一估測值。
- 如申請專利範圍第1項所述之伺服器用電源供應器之輸出電流估測法，其中，該類神經網路模型為一具有三層架構之倒傳遞類神經網路，包括一輸入層、一隱藏層及一輸出層。
- 如申請專利範圍第2項所述之伺服器用電源供應器之輸出電流估測法，其中，所述輸入層係用以接收所述的輸入資料組合，所述隱藏層包含4個神經元，以及所述輸出層係用以產生該輸出電流之所述估測值。
- 如申請專利範圍第1項所述之伺服器用電源供應器之輸出電流估測法，其中，所述輸出電流之L個數值的決定方式為：當所述輸出電流小於一滿載電流之10%時，每隔1%決定所述輸出電流之一數值；及當所述輸出電流大於或等於所述滿載電流之10%時，每隔5%決定所述輸出電流之一數值。
- 一種伺服器用電源供應器，其具有一控制電路以實現一輸出電流估測法，該輸出電流估測法包括以下步驟： 依該伺服器用電源供應器之一輸出電流之L個數值、一輸入電壓之M個數值及一環境溫度之N個數值產生K筆訓練資料，K=L*M*N，K、L、M、N均為大於1之整數，其中，各筆所述訓練資料均包含由所述輸入電壓之M個數值中之一數值、該伺服器用電源供應器之一輸入電流之P個數值中之一數值、該伺服器用電源供應器之一功率因數、該伺服器用電源供應器之一輸出電壓之一數值及所述環境溫度之N個數值中之一數值所構成之一輸入資料組合，P為大於1之整數，及由所述輸出電流之L個數值中之一數值所構成之一輸出資料；利用所述K筆訓練資料對一類神經網路模型進行一訓練程序以獲得複數個權重值及複數個偏壓值，從而產生一訓練後的類神經網路模型；以及將所述輸入電壓之一測量數值、所述輸入電流之一測量數值、所述功率因數之一測量數值、所述輸出電壓之一測量數值及所述環境溫度之一測量數值輸入該訓練後的類神經網路模型中以產生所述輸出電流之一估測值。
- 如申請專利範圍第5項所述之伺服器用電源供應器，其中，該類神經網路模型為一具有三層架構之倒傳遞類神經網路，包括一輸入層、一隱藏層及一輸出層。
- 如申請專利範圍第6項所述之伺服器用電源供應器，其中，所述輸入層係用以接收所述的輸入資料組合，所述隱藏層包含4個神經元，以及所述輸出層係用以產生該輸出電流之所述估測值。
- 如申請專利範圍第5項所述之伺服器用電源供應器，其中，所述輸出電流之L個數值的決定方式為：當所述輸出電流小於一滿載電流之10%時，每隔1%決定所述輸出電流之一數值；及當所述輸出電流大於或等於所述滿載電流之10%時，每隔5%決定所述輸出電流之一數值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108109601A TWI686693B (zh) | 2019-03-20 | 2019-03-20 | 一種伺服器用電源供應器之輸出電流估測法及採用該方法的伺服器用電源供應器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW108109601A TWI686693B (zh) | 2019-03-20 | 2019-03-20 | 一種伺服器用電源供應器之輸出電流估測法及採用該方法的伺服器用電源供應器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI686693B true TWI686693B (zh) | 2020-03-01 |
| TW202036221A TW202036221A (zh) | 2020-10-01 |
Family
ID=70767389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108109601A TWI686693B (zh) | 2019-03-20 | 2019-03-20 | 一種伺服器用電源供應器之輸出電流估測法及採用該方法的伺服器用電源供應器 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI686693B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999060698A1 (en) * | 1998-05-18 | 1999-11-25 | Omnipoint Corporation | Amplifier with dynamically adaptable supply current |
| TWI368132B (en) * | 2008-02-01 | 2012-07-11 | Int Rectifier Corp | Power supply method, storage medium and system |
| US8804387B2 (en) * | 2010-11-02 | 2014-08-12 | Mitsubishi Electric Corporation | Power supply apparatus and controller |
| US9563839B2 (en) * | 2012-05-25 | 2017-02-07 | The University Of Bath | Artificial neural network system |
| US20170117813A1 (en) * | 2015-10-21 | 2017-04-27 | Quanta Computer Inc. | Method and system for testing a power supply unit |
-
2019
- 2019-03-20 TW TW108109601A patent/TWI686693B/zh not_active IP Right Cessation
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999060698A1 (en) * | 1998-05-18 | 1999-11-25 | Omnipoint Corporation | Amplifier with dynamically adaptable supply current |
| TWI368132B (en) * | 2008-02-01 | 2012-07-11 | Int Rectifier Corp | Power supply method, storage medium and system |
| US8804387B2 (en) * | 2010-11-02 | 2014-08-12 | Mitsubishi Electric Corporation | Power supply apparatus and controller |
| US9563839B2 (en) * | 2012-05-25 | 2017-02-07 | The University Of Bath | Artificial neural network system |
| US20170117813A1 (en) * | 2015-10-21 | 2017-04-27 | Quanta Computer Inc. | Method and system for testing a power supply unit |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202036221A (zh) | 2020-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sunter et al. | Test metrics for analog parametric faults | |
| CN111398885A (zh) | 一种结合线损分析的智能电表运行误差监控方法 | |
| CN104076224B (zh) | 一种用电信息采集设备可靠性验证的试验方法 | |
| WO2010017702A1 (zh) | 一种检测集成电路负载在线功耗的方法、装置和设备 | |
| Gil et al. | Assessing AMS-RF test quality by defect simulation | |
| TWI686693B (zh) | 一種伺服器用電源供應器之輸出電流估測法及採用該方法的伺服器用電源供應器 | |
| CN105510864A (zh) | 一种电能表误差计量的检测方法 | |
| Liu et al. | Condition monitoring of power electronics converters based on digital twin | |
| CN105004927A (zh) | 桥式电阻及其应用 | |
| CN112731193B (zh) | 基于滑模观测器的npc逆变器多类故障诊断方法 | |
| Wang et al. | Nonlinear behavior immunity modeling of an LDO voltage regulator under conducted EMI | |
| US20210132148A1 (en) | Systems and methods for non-invasive current estimation | |
| CN108233356B (zh) | 一种光伏逆变器控制器一致性评估方法及其评估平台 | |
| CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
| CN111553080B (zh) | 一种配电台区负荷动态等值非机理模型参数闭环辨识方法 | |
| TWI695986B (zh) | 模擬功率因數的交流負載系統及其方法 | |
| Chakrabarti et al. | Fault diagnosis for mixed-signal electronic systems | |
| Yang et al. | Fast, robust DC and transient fault simulation for nonlinear analogue circuits | |
| CN215678646U (zh) | Pwm电路的测试系统 | |
| Uda et al. | Development of Voltage Amplifier Electronic Reader for Multiplex Detection of Two Electrode Electrical Biosensors | |
| CN106546824B (zh) | 基于变系数回归的含光伏电网系统谐波阻抗估计方法 | |
| CN110619147B (zh) | 一种应用于恒压工况的二阶及多阶电池等效电路模型构建方法 | |
| CN113191075A (zh) | 一种基于改进型樽海鞘群算法的光伏阵列故障诊断方法 | |
| CN113109722A (zh) | 一种融合充电倍率的多因素电池充电内阻建模方法 | |
| TWI564689B (zh) | 用以模擬近似太陽能電池之電源供應器及其方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |