一种服务器开关电源控制系统及方法与流程

本发明涉及电源芯片设计领域，特别是涉及一种服务器开关电源控制系统及方法。

背景技术：

伴随云计算、ai智能、大数据等新型互联网技术的发展，对于服务器的性能提出了很高的要求，cpu及内存的功率更大，对电源的需求也更严格，动态响应的要求也更高。现有服务器大都采用开关稳压电源(dc/dc)设计方案，通过开关电路(switch)输出占空比或频率可调的脉冲，通过高频整流管、电感、电容形成直流输出电压，通过改变占空比或频率而调整输出电压。

现有申请号为201910895554.5，名称为一种服务器开关电源控制算法优化方法及系统，解决的问题是决以往服务器或计算机开关电源芯片控制算法设计和控制参数整定对经验依赖严重、试凑法等设计效率低等问题；只是在传统控制算法的基础上，加入了控制算法的参数的仿真工具，开关电源控制本体还是传统的，并且在同一设计不同应用下反复调试效率慢，并且仿真工具仿真完成后还需将数据烧录至开关电源芯片中通过实时反馈开关电源芯片的工作状态，验证控制算法设计的效果，如果算法不满足设计效果则需要重新烧录，浪费资源。

技术实现要素：

本发明主要解决的技术问题是提供一种服务器开关电源控制系统及方法，能够通过系统模型辨识模块对更广负载工况下的测试直接拟合负载和mos管导通占空比的关系模型，通过引入神经网络环路控制方法省去复杂的环路设计，加快开关电源的响应速度，提升供电电源质量，满足系统对供电电源质量的严苛要求。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种服务器开关电源控制系统，包括：开关电路、负载电路、系统模型辨识模块、数据采集模块和神经网络模块；

所述开关电路与负载电路连接；所述开关电路中设有电源、mos管控制模块和mos管；所述系统模型辨识模块进行预处理，对不同负载情况进行测试；

所述数据采集模块采集开关电路的输出电压、输出电流以及mos管导通占空比数据；

所述神经网络模块训练相关性符合要求的实际开关电源应用系统的模型；

所述mos管控制模块将负载电路实际工作时的输出电流和输出电压代入所述神经网络模块中相关性符合要求的实际开关电源应用系统的模型；所述mos管控制模块实时输出mos管导通占空比，根据mos管导通占空比驱动mos管。

进一步，所述mos管包括第一mos管与第二mos管；所述神经网络模块包括神经网络训练拟合模块和神经网络模型回归分析模块。

进一步，所述系统模型辨识模块进行预处理，对不同负载情况进行测试包括所述系统模型辨识模块以输出电流作为主变量，mos管导通占空比为次变量，输出电压为因变量；输出电流设定为从负载为0到满载状态；负载过程中，调整mos管导通占空比，使输出电压满足规定要求。

进一步，所述神经网络训练拟合模块将输出电压、输出电流作为输入层神经元，将mos管导通占空比作为输出层神经元，将所述数据采集模块采集的数据训练，拟合出实际开关电源应用系统的模型。

进一步，所述神经网络模型回归分析模块随机抽取所述数据采集模块采集的输出电压、输出电流和mos管导通占空比数据，将随机抽取的数据带入所述实际开关电源应用系统的模型中，进行回归分析，并判断实际开关电源应用系统的模型的相关性是否符合要求。

进一步，若相关性符合要求，则训练分析后的模型接近实际系统，将所述实际开关电源应用系统的模型作为开关电源实际系统模型。

进一步，若相关性不符合要求，则神经网络训练拟合模块重新进行训练拟合，直到回归分析认定拟合的实际开关电源应用系统的模型相关性符合要求。

一种服务器开关电源控制方法，包括：

数据采集模块采集实时输出电压和输出电流；

系统模型辨识模块进行预处理，对不同负载情况进行测试；

神经网络模块训练出相关性符合要求的实际开关电源应用系统的模型；

mos管控制模块实时将数据采集模块采集的实际工作时的输出电流和输出电压代入神经网络模块并实时输出mos管导通占空比；

mos管控制模块根据输出的mos管导通占空比驱动mos管，使开关电源快速响应。

本发明的有益效果是：本发明可以使开关电源在应对不同的负载工况时都具有良好的控制效果，并且省去复杂的环路设计，加快开关电源的响应速度，提升供电电源质量，满足系统对供电电源质量的严苛要求；通过神经网络模型回归分析模块，保证开关电源拟合模型的相关性，使训练分析后的模型尽量逼近实际系统，以神经网络模型为基础，根据实际负载需求实时输出mos管导通占空比，驱动mos管，调整输出电压满足系统用电需求。

附图说明

图1是本发明一种服务器开关电源控制系统一较佳实施例的结构示意图；

图2是本发明一种服务器开关电源控制方法流程图；

附图中各部件标记如下：1、开关电路；2、负载电路；3、系统模型辨识模块；4、数据采集模块；5、神经网络模块；6、电源；7、mos管控制模块；8、第一mos管；9、第二mos管；10、神经网络训练拟合模块；11、神经网路模型回归分析模块。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

本发明实施例包括：

见图1，一种服务器开关电源控制系统，包括：开关电路1、负载电路2、系统模型辨识模块3、数据采集模块4和神经网络模块5；所述开关电路1中设有电源6、mos管控制模块7和mos管；

所述mos管包括第一mos管8与第二mos管9；

所述数据采集模块4实时采集开关电路1的输出电压、输出电流以及mos管导通占空比数据；

所述系统模型辨识模块3对所述数据采集模块4实时采集的数据进行预处理，对不同负载情况进行测试；

所述神经网络模块5训练相关性符合要求的实际开关电源应用系统的模型；所述mos管控制模块7以神经网络模块5训练拟合好的模型为依据，实时将负载电路2实际工作时的输出电流和输出电压代入神经网络模块5，并实时输出mos管导通占空比，根据mos管导通占空比驱动mos管，使开关电源快速响应，提升供电电源质量，满足负载电流对供电电源质量的严苛要求。

所述神经网络模块5包括神经网络训练拟合模块10和神经网络模型回归分析模块11；

所述系统模型辨识模块3以输出电流作为主变量，mos管导通占空比为次变量，输出电压为因变量；输出电流设定为0％-100％负载序列，从轻载一直拉载到重载；拉载过程中，调整mos管导通占空比，使输出电压满足spec要求，预处理不同负载情况下的情况，使开关电源在应对不同的负载情况时都具有良好的控制效果；

所述神经网络训练拟合模块10将输出电压、输出电流作为输入层神经元，将mos管导通占空比作为输出层神经元，利用神经网络控制具有的非线性、可以逼近任意实际系统特性，将数据采集模块4采集到的数据训练，拟合出实际开关电源应用系统的模型；

所述神经网络模型回归分析模块11随机抽取所述数据采集模块4采集的输出电压、输出电流和mos管导通占空比，带入所述神经网络训练拟合模块10训练出的实际开关电源应用系统的模型，进行回归分析，并判断实际开关电源应用系统的模型的相关性是否符合要求，使训练分析后的模型尽量逼近实际系统；若相关性符合要求，则认定为该拟合模型作为开关电源实际系统模型；若相关性不符合要求，神经网络训练拟合模块10重新进行训练拟合，直到回归分析认定实际开关电源应用系统的模型相关性符合要求。

回归分析为将训练用的样本数据与目标数据回归线进行回归分析，得到训练用的样本数据散点图，若散点在回归线附近则认为相关性接近1，相关性符合要求。

其中，神经网络模块5可以想象为一个公式，有输出电压和输出电流后，就会有对应的占空比输出。

基于与前述实施例中一种服务器开关电源控制系统，本说明书实施例还提供一种服务器开关电源控制方法，包括：

数据采集模块采集实时输出电压和输出电流；

系统模型辨识模块进行预处理，对不同负载情况进行测试；

神经网络模块训练出相关性符合要求的实际开关电源应用系统的模型；

mos管控制模块以神经网络模块训练好的相关性符合要求的实际开关电源应用系统的模型为依据，实时将数据采集模块采集的实际工作时的输出电流和输出电压代入神经网络模块并实时输出mos管导通占空比；

mos管控制模块根据导通占空比驱动mos管，使开关电源快速响应。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。