[发明专利]一种基于遗传算法的效率优化电源控制方法

摘要

一种基于遗传算法的效率优化电源控制方法，基于包括Boost升压电路、输入电流采样电路、输出电流采样电路、输出电压采样电路、采样放大隔离电路以及以微控制器为控制核心的控制电路构成的控制系统，采样得到的输入电流、负载输出电流和负载输出电压，通过对应的采样放大隔离电路输出给微控制器为控制核心的控制电路，控制电路输出信号控制Boost升压电路的开关管。微控制器为控制核心的控制电路包括AD转换、PI控制、遗传算法优化和脉冲宽度调制产生模块，利用微控制器的中断配合，精确采集输入电流值，由PI控制器调节占空比，稳定输出电压，采用遗传算法优化效率，在负载变化时能够寻找最佳开关频率，找出最优效率点。

主权项

一种基于遗传算法的效率优化电源控制方法，其特征在于：基于包括Boost升压拓扑电路、输入电流采样电路及其采样放大隔离电路、输出电流采样电路及其采样放大隔离电路、输出电压采样电路及其采样放大隔离电路以及微控制器为控制核心的控制电路构成的控制系统，输入电流采样电路、输出电流采样电路和输出电压采样电路分别采样Boost升压拓扑电路中的输入电流、负载输出电流和负载输出电压，然后通过各自对应的采样放大隔离电路均输出给微控制器为控制核心的控制电路，微控制器为控制核心的控制电路输出信号控制Boost升压拓扑电路的开关管M1；其中：输入电流采样电路通过连接在Boost升压拓扑电路开关管M1源极的电阻RS1采样输入电流，电阻RS1与开关管M1源极的连接端为输入电流采样输出端，电阻RS1的另一端连接输入地端；输出电流采样电路通过Boost升压拓扑电路的负载电阻R1和RS2分压采样，电阻R1和RS2的连接端为输出电流采样输出端，电阻RS2的另一端连接输入地端；输出电压采样电路通过Boost升压拓扑电路的负载电阻R2和R3分压采样，电阻R2和R3的连接端为输出电压采样输出端，电阻R3的另一端连接输出地端；采样放大隔离电路为运算放大器，其中，运算放大器k1对应输出电压采样电路，运算放大器k1的负端连接输出电压采样输出端，运算放大器k1的正端连接输出地端；运算放大器k2对应输出电流采样电路，运算放大器k2的负端连接输出电流采样输出端，运算放大器k2的正端连接输出地端；运算放大器k3对应输入电流采样电路，运算放大器k3的负端连接输入电流采样输出端，运算放大器k3的正端连接输出地端；微控制器为控制核心的控制电路包括AD转换模块、PI控制模块、遗传算法优化模块和脉冲宽度调制产生模块，AD转换模块的输入信号为运算放大器k1、k2及k3的输出信号，AD转换模块将转换后的输出电压信号输出给PI控制模块和遗传算法优化模块，AD转换模块将转换后的输出电流和输入电流信号输出给遗传算法优化模块，PI控制模块输出的占空比信号及遗传算法优化模块输出的频率信号都输出给脉冲宽度调制产生模块，脉冲宽度调制产生模块的输出信号控制Boost升压拓扑电路的开关管M1；微控制器为控制核心的控制电路的工作流程包括以下步骤：1)首先根据系统的预设值对于相关的参数进行初始化，包括设定系统的输出电压值，系统的实际输出电压与PI控制模块的设定输出电压的误差值，上次调节前的实际输出电压与设定输出电压的差值即上次误差值，误差值的积累量即误差积分值，与误差值相乘的比例系数kp，与误差积累值相乘的积分系数ki，初始占空比值，以及经过PI控制模块计算出的输出电压值；2)配置以微控制器为核心的控制电路相关外设的参数，包括定时器、AD转换模块以及中断，微控制器为核心的控制电路设有两个定时器，定时器1为脉冲宽度调制产生模块所用，用于控制Boost升压拓扑电路中MOS管M1的开关，定时器2利用中断以精确采样输入电压，配置AD转换模块工作于DMA模式，配置定时器1的中断以利用PI控制模块调节占空比以调节输出电压；3)遗传算法优化模块的参数初始化，设定遗传算法中的相关参数，包括种群迭代代数最大值I、每一代种群中个体的数量最大值N、种群迭代代数计数值i，种群个体数量计数值n，每一个个体的基因长度、个体间基因发生交叉的概率、个体的基因发生变异的概率，并设置i与n的值为0；4)根据第i代种群中的第n个个体的基因，通过换算得到其对应的PWM的频率值，在本遗传算法模块中采用的是二进制编码方式，所说的基因就是一串二进制的数字，将这串数字转换成十进制代表的值即为PWM的频率值，并将其设置为脉冲宽度调制产生模块的频率；5)设定脉冲宽度调制产生模块的频率后，PI控制模块利用定时器1的中断，调节脉冲宽度调制产生模块的占空比；6)等到输出电压稳定后即实际的输出电压值等于设定的输出电压值，利用遗传算法优化模块，在其中利用输出电压值乘以输出电流值得到输出功率，利用输入电压值乘以输入电流值得到输入功率，将输出功率除以输入功率得到该频率下的效率，并将其作为该个体的适应度；7)判断该个体是否为该代种群中最后一个个体，若不是将n的值加一，并返回第4)步执行，若是则执行下一步；8)判断i的值是否为设定的种群迭代代数，若是执行下一步，否则返回4)执行；9)将该代种群中适应度最低即效率最低的个体剔除，然后将每个个体的适应度除以所有个体的适应度之和，从而所有个体的适应度归一化到[0，1]之中，适应度越高的个体在[0，1]中的份额则越大，然后微控制器产生随机数，决定选择的个体，因为适应度越高的个体在[0，1]中的份额越大，所以其越容易被选择，从而将适应度高的基因传给下一代个体，选择两个个体后，再次产生随机数，将其与系统设定的个体基因发生变异的概率值相比较，若小于该值则将这两个个体的基因即二进制数字串进行交叉动作，得到新的两个个体的基因，若大于系统设定的个体基因发生变异的概率值，则将这两个个体的基因即二进制数字串中的一位进行变异动作，得到新的两个个体基因；10)取当代种群中适应度最高也就是效率最高的个体的基因换算后的频率为系统在当前负载情况下的最优效率；11)检测系统的负载是否发生变化，若负载变化则返回3)执行，否则维持现状。