恒定功率负载 (CPL) 可用于各种应用，例如电动汽车、电信设备、电力电子设备等。这些 CPL 是无论施加的电压或电流如何变化都能保持恒定功耗的电气负载。与呈现恒定电阻的电阻负载不同，CPL 具有随电压或电流变化而变化的动态阻抗，即当负载两端的电压降低时，它会吸收更多电流来补偿并保持恒定的功率水平。

　　相反，当电压升高时，负载消耗的电流会减少，以保持相同的功率水平。例如，电动汽车中的电机驱动系统充当恒定功率负载，当车辆加速或爬坡时，功率需求保持恒定，但从电池中消耗的电流会增加。在各种应用中，特别是在电信电源应用中，DC/DC 转换器用于为 CPL 供电。

　　这些 CPL 对这些 DC/DC 转换器的稳定性提出了巨大挑战，特别是当它们表现出负阻抗特性时。在传统的 DC-DC 转换器中，输出电压通过调节开关信号的占空比来调节，该信号被馈送到转换器的栅极端子。当负载为纯电阻或具有正阻抗特性时，这种控制机制效果很好。但在具有负阻抗特性的 CPL 中，转换器的控制环路难以保持稳定的输出电压调节。这进一步导致电压出现尖峰、下降和波纹。

　　用于电信基站收发器系统 (BTS) 的稳定 DC/DC 全桥

　　在电信行业，基站收发台 (BTS) 在保持移动网络在其控制区域正常运行方面发挥着重要作用。BTS 负责网络与用户设备 (UE)(通常是智能手机)之间的无线电信号传输。必须保持对 BTS 的不间断供电，以便该区域始终处于移动网络覆盖范围内。

　　传统的 DC/AC/DC 因其复杂性而不适用于此应用。因此，全桥或半桥拓扑 (FB/HB) 用于不同的电信应用，因为它只需要一个隔离变压器，并且更容易与太阳能等可再生能源集成。FB/HB 拓扑的缺点是它们具有更多开关设备。由于电信负载是具有负阻抗特性的 CPL，因此供应商单元和上游转换器具有显着的不稳定影响。

　　已经进行了大量研究来提高这些转换器在馈电 CPL 时的电压调节能力。这些研究通常涉及基于数据的控制器的设计，这些控制器的设计考虑了理想的系统操作。然而，这些控制器无法在干扰和动态变化下稳定系统，特别是在电力电子系统中存在非理想时变 CPL 的情况下，这在 5G 电信应用中使用的 FB/HB 拓扑中很常见。

　　为了适应干扰和动态变化，可以使用无模型学习方法。这些模型使用无模型强化学习 (RL)，其中控制器不需要知道转换器或负载的确切模型。相反，它通过反复试验来学习控制转换器。虽然这些神经网络能够在不与模型交互的情况下生成控制系数，但也存在一些缺点，这些控制器难以调试，无法有效处理操作条件的所有突然变化。

　　在论文《用于稳定全桥转换器恒功率负载供电的鲁棒人工智能控制器》中，作者提出了一种鲁棒控制器，用于有效控制具有负阻抗特性的 CPL 的供电。所提出的控制器基于深度强化学习 (DRL)，这是一种机器学习技术，可以从经验中学习控制复杂系统。控制器使用具有两个隐藏层的深度神经网络 (DNN) 实现。DNN 的输入层接收转换器的状态变量，输出层生成控制信号。DNN 使用一种基于奖励的强化学习算法(称为软演员-评论家 (SAC))进行训练。SAC 算法是一种离策略算法，它可以从经验中学习，而无需与真实系统交互，这使得它比 Q 学习等在策略算法更高效。

　　SAC 算法使用模拟环境进行训练，该环境是全桥转换器和恒定功率负载的数学模型。SAC 算法经过训练以在有限时间内最大化预期回报。为了评估所设计控制器的可行性，我们检查了两种情况，即直流电源的变化和 CPL 功率的变化。还进行了硬件在环 (HiL) 检查以实时检查控制器的性能。将模拟结果与 PI 控制器和模型预测控制 (MPS) 控制器进行了比较。与 PI 和 MPC 控制器相比，所提出的控制器在超调和响应时间方面提供了更好的动态结果。

　　结论

　　几乎所有新时代应用都存在恒定功率负载。为了使这些 CPL 高效运行，需要转换器能够在宽电压范围内提供恒定功率，即使负载表现出负阻抗特性也是如此。这只能通过强大的控制器来实现，这些控制器可以实时适应动态变化并连续提供无纹波、骤降和尖峰的功率。本文概述了所使用的各种控制技术。此外，它还详细介绍了基于 SAC-DRL 的控制器，它在控制电信 CPL 时，其动态性能优于基于 PI 和 MPS 的控制器。

浮思特科技专注功率器件领域，为客户提供IGBT、IPM模块等功率器件以及MCU和触控芯片，是一家拥有核心技术的电子元器件供应商和解决方案商。