关于电力电子学中的机器学习你应该知道的一切

2022年7月12日

关键的外卖

噪声和电力输送网络的解释。
设计可以改进PDN的功能。
如何在电源设计中找到算法，以及它们可能如何使用。

机器学习有助于将数字信号转化为预测分析

电源电路比任何其他设计标准都要不断改进，以生产功能更强大的新产品。大多数电子产品用户都乐于采用能显著延长电池寿命的新版本——效率是关键。但是，合理的电源设计不仅仅是电池充电间隔时间的长短。

与布局设计的布置和布线阶段类似，电源平面设计是一个交流的过程，试图为电源平面和其他与电源相关的特征的设计找到最理想的解决方案。此外，就像设计的其他方面一样，电源电路的一个领域的改进也会带来其他方面的缺陷。

为了达到这种微妙的平衡，机器学习在电力领域，电子技术作为一种预测分析电力设计选择的影响的方法，已经变得越来越明显，而无需用户将其带到逻辑的终点。随着人工智能在电路开发中不断突出，设计师将通过提高对电路板优化这一关键方面的把握而获得很多好处。

电力输送网络的结构与噪声

的电力输送网络或PDN就像它听起来的那样:网络将设计中的所有活动组件连接到地面和电源平面。PDN设计用于在整个系统中提供低噪声功率和低噪声返回，同时考虑到有意添加的阻抗以及组件物理设计固有的非理想化的寄生。

限制设计固有的噪声有助于解决可能影响电路板运行的运行时错误。实际上，噪声可以被认为是某种电压泄漏。利用基尔霍夫回路定律，可以确定电压不是自发的，而是包含能量的E/M场失去一些遏制力的影响。这将导致该区域PDN其余部分的电压下降，并可能导致没有接收到所需电压的有源组件出现重大错误甚至操作故障。电源信道上的显著噪声也会引起抖动，从而导致严重的时序问题。

改进PDN响应和可靠性的设计实践

在实践中，试图测量电路元件的各个特性并用等效电路近似它们是非常困难和耗时的。然而，许多变通方法允许工程师构建不同精度的近似值。简单而有力的分析方法是计算导体平面的直流电阻，利用欧姆定律计算参考点的电压。从这里开始，PDN电压可以与理想值进行比较——真实值应该小于5%的电压降，以指示合适的PDN系统，尽管精确的值将因系统需求而异。

在任何一点上，对PDN阻抗提供最大权重的三个因素是平面层之间的电容以及寄生电感在电容器引线和电路板上的痕迹中发现。一些有助于降低PDN系统中电压降的设计包括以下内容:

优化布局/平面设计，减少功率走线长度。
扩大电源痕迹。
避免在平面的一个小区域内分组太多不同的网孔，这可能会阻塞平面并扩大返回路径，产生更大的感应环路。
保持电源和接地平面靠近表面，以方便从组件的角度访问。
在旁路电容器上使用通道衬垫。

如果没有干净的信号和可靠性，如果组件暂时缺乏电力，电路板更有可能在运行期间遇到问题。不必要的复杂的电力输送网络也可能导致部件和电路板材料因过热而发生机械故障。PDN的效率将取决于许多设计方面，包括布局，以及衬底Dk/Df等材料值。

在实践中，所有电路元件都包含寄生，这有助于电感和相移信号的

机器学习在电力电子学中的应用

有了噪声的工作思路和在布局设计中纠正它的方法，现在是时候考虑电力电子中的机器学习如何改进设计了减少噪音．新的模型已经开始预测电压降，而不是现场求解器实时计算电压降。这是一种轻量级的计算解决方案(或者至少比使用场求解器更好)，可以预测两种形式的电压降，从而得到一个更具预测性的值。电压降的无源部分是由PDN的导电元件损失引起的，而有源部分估计由于开关行为和局部涡流造成的电压降。

梯度增强算法

对于这种特殊的应用，系统可以采用梯度增强算法来预测由直流电阻引起的电压降。首先，梯度增强利用决策树，并专注于那些它认为较弱的学习者。尽管如此，弱学习器被定义为决策树，它显示出比随机机会更强的预测能力。实际上，该算法将更多的预测权重放在弱学习者决策树上，而不是在定义良好的树上，因为后者的预测能力作为模型的求解实例已完全耗尽。

持续关注较弱的学习器意味着模型进一步将其注意力投入到决策树中，这些决策树可以提供模型目前缺乏的洞察力。这种弱学习器功能与一个损失模型和一个每次引入一个弱学习器以最小化损失模型的加性模型相结合。