基于ML的相电流平衡器的制作方法

基于ml的相电流平衡器
技术领域
1.本公开的实施例涉及功率转换器领域，更具体地涉及基于机器学习的相电流平衡器以及包括该相电流平衡器的多相功率转换器。


背景技术：

2.当需要高负载电流时，通常使用多相功率转换器，例如，用于针对cpu(中央处理单元)、gpu(通用处理单元)等的dc
‑
dc功率转换。这适用于峰值电流和热设计电流两者。更高负载电流通常需要更多相。
3.多相功率转换器包括至少两个相，并且每个相通常具有功率级和电感器。对gpu、cpu和其他类型的电子负载的功耗要求不断提高就需要dc
‑
dc功率转换器包括附加相，以便为这些系统充分供电。正确实现的多相转换器在这些大电流应用中具有很高的优势：它们将大电流的递送与高能效、低输出纹波、良好热弹性和高性能相结合以用于负载瞬态响应。
4.获得多相设计的益处的主要挑战在于相电流平衡。大体上讲，无论转换器是暴露于稳态负载下还是暴露于瞬态负载下，每个相所传送的能量在一个开关周期内跨相在理想情况下是相等的。此外，其他干扰可能造成相电流失衡，例如，功率级的不同热条件、输入电压的激增或跌落等。相电流失衡会降低循环电流的效率，甚至可能例如通过使电感器饱和而导致损坏dc
‑
dc转换器和/或所连接的负载。为了提高轻负载的效率，一个或多个相可以在轻负载条件下被去激活，并且如果负载电流增加到给定阈值以上，则可以重新激活。当试图平衡相电流时，相下降/添加提出了另一挑战。
5.相电流平衡可以通过为每个相使用完全相同的部件和相同的布局来实现。另外，具有极低公差的高质量部件很常见。对于高度关键的应用，可以采用部件匹配。这就需要选取容忍的电流多于实际需要的电流的部件，尤其是选取输出电感器，使得它不会在预期最大相电流下饱和。这种额外裕度使解决方案更大，这对于移动设备尤其是个问题。此外，尤其针对输出电容器，可以考虑更高的电压额定值。可以提供附加调节器用于平衡相电流。虽然概念略有不同，但是输入是单个相电流，并且直接操纵调节输出或开关电压信号。常见调节方案基于误差电流，该误差电流由平均电流和单个相电流定义。这通常涉及：通过适当电路装置测量通过一个或多个相的电流。对信号进行平均，并且借助于差分放大器，生成误差电压信号，该误差电压信号然后馈送到驱动相的调制器。
6.上文所描述的所有措施在某种程度上解决了相电流平衡问题。然而，随着功率需求增加以及关于能量效率和瞬态响应的要求越来越严格，正在使用更多的相，这就需要用于平衡多相功率转换器中的相电流的方法更灵活且更强大。
7.因此，需要用于多相功率转换器的改进的相电流平衡器。


技术实现要素：

8.根据用于多相功率转换器的基于机器学习(ml)的相电流平衡器的实施例，基于ml的相电流平衡器包括：一个或多个输入；一个或多个输出；以及人工神经网络，该人工神经
网络包括多个人工神经元并且被训练为基于一个或多个输入处可用的并指示多相功率转换器的各个相电流的信息，来在一个或多个输出处提供用于校正多相功率转换器内的相电流失衡的校正相电流失衡信息。
9.根据多相功率转换器的实施例，该多相功率转换器包括：多个相，每个相被配置为向耦合到多相功率转换器的负载提供相电流；调制器，其被配置为生成调制信号，以用于切换相应的相，以便调节提供给负载的、多相功率转换器的输出电压；以及基于机器学习(ml)的相电流平衡器，其被配置为有助于平衡相电流。基于ml的相电流平衡器包括：一个或多个输入；一个或多个输出；以及人工神经网络，该人工神经网络包括多个人工神经元，并且被训练为基于一个或多个输入处可用的并且指示各个相电流的信息，来在一个或多个输出处提供用于校正各个相电流之间的失衡的校正相电流失衡信息。
10.根据电子系统的实施例，该电子系统包括：板；负载，其被附接到板；以及多相功率转换器，其被配置为向负载提供dc功率。多相功率转换器包括：多个相，每个相被配置为向负载提供相电流；调制器，被配置为生成调制信号，以用于切换相应的相，以便调节提供给负载的多相功率转换器的输出电压；以及基于机器学习(ml)的相电流平衡器，其被配置为有助于平衡相电流。基于ml的相电流平衡器包括：一个或多个输入；一个或多个输出；以及人工神经网络，该人工神经网络包括多个人工神经元，并且被训练为基于一个或多个输入处可用的并指示各个相电流的信息，来在一个或多个输出处提供用于校正各个相电流之间的失衡的校正相电流失衡信息。
11.根据用于训练多相功率转换器的基于机器学习(ml)的相电流平衡器的方法的实施例，该方法包括：将多相功率转换器连接到测试负载；以及执行强化学习算法，该强化学习算法为被包括在基于ml的相电流平衡器中的人工神经网络定义偏差和权重，该偏差和权重使得人工神经网络能够提供校正相电流失衡信息，以用于纠正在多相功率转换器连接到测试负载的同时在多相功率转换器内出现的相电流失衡。
12.继阅读以下具体实施方式并在查看附图之后，本领域技术人员将认识到附加特征和优点。
附图说明
13.附图的元件不必相对于彼此成比例。相同的附图标记指定对应的相似部分。除非它们相互排斥，否则可以组合各个所图示的实施例的特征。在附图中描绘了实施例，并且在以下描述中详述了实施例。
14.图1图示了具有基于机器学习(ml)的相电流平衡器的多相功率转换器的实施例的框图。
15.图2图示了用于将经变换的相电流信号转换为对应数字值的模数电路的实施例的框图。
16.图3图示了具有基于ml的相电流平衡器的多相功率转换器的另一实施例的框图。
17.图4图示了调制器的信号的波形图。
18.图5图示了基于ml的相电流平衡器的实施例的框图。
19.图6图示了被包括在基于ml的相电流平衡器中的人工神经网络的实施例的框图。
20.图7图示了被包括在基于ml的相电流平衡器中的人工神经网络的另一实施例的框
图。
21.图8图示了用于基于基于ml的相电流平衡器的输出来修改调制器操作的波形图。
22.图9图示了用于训练基于ml的相电流平衡器的人工神经网络的基于ml的系统的实施例的框图。
23.图10图示了用于训练基于ml的相电流平衡器的人工神经网络的基于ml的系统的另一实施例的框图。
24.图11图示了电子系统的实施例的框图，该电子系统包括具有基于ml的相电流平衡器的多相功率转换器。
具体实施方式
25.本文中所描述的实施例利用基于机器学习(ml)的方法来实现多相功率转换器中的相电流平衡。本文中所描述的基于ml的相电流平衡器包括人工神经网络，并且被训练为基于指示多相功率转换器的各个相电流的信息，来提供用于校正多相功率转换器内的相电流失衡的校正相电流失衡信息。仅为了简便起见，本文中在降压转换器多相功率转换器的背景下对基于ml的相电流平衡器进行了描述。然而，基于ml的相电流平衡器可以与任何其他种类的多相拓扑结构一起用于功率转换，诸如但不限于升压转换器、降压
‑
升压转换器等。
26.通过采用机器学习(ml)方法来平衡多相功率转换器中的相电流平衡，诸如输出电压的纹波信息之类的附加信息也可以并入平衡过程中。关于调节状态的附加信息允许基于ml的相电流平衡器尤其是在快速瞬变期间对所检测的相失衡产生甚至更适当的反应。接下来描述基于ml的相电流平衡器、训练基于ml的相电流平衡器的方法、以及包括基于ml的相电流平衡器的电子系统的各个实施例。
27.图1图示了多相功率转换器100的实施例。该多相功率转换器100包括n个相102，其中n是大于或等于2的正整数。多相功率转换器100的每个相102被配置为向耦合到多相功率转换器100的负载104提供相电流i
ph,x
。相102可以各自包括诸如功率mosfet(金属氧化物半导体场效应晶体管)的高侧开关器件和低侧开关器件、相关栅极驱动器电路装置、电感器(l)、电容器(c)等。这些部件可以单片集成在同一裸片(芯片)上，或可以使用多裸片封装技术。每个相102的驱动器电路装置连接到调制信号v
mod,x
，该调制信号可以是脉冲电压，以用于控制对应相102的哪个开关被闭合(导通)以及哪个开关器件被断开(不导通)，因此影响功率转换器输出电压v
out
。
28.相调制信号v
mod,x
可以是从调节输出reg计算出的脉冲接通
‑
关断(数字)信号，并且可以取决于控制策略，例如，脉冲宽度调制(pwm)、脉冲频率调制(pfm)等。基础调节方案由诸如pid(比例
‑
积分
‑
微分)调节器之类的调节器104实现。调节器104基于误差电压v
err
做出反应，该误差电压v
err
可以是所测量的输出电压值与目标电压值v
target
之间的差。调节器104所实现的功率转换器调节方案的其他实现方式可以包括bang
‑
bang调节、pi(比例
‑
积分)调节、非线性调节方案、以及甚至更高级的调节方案，诸如模型预测控制(mpc)等。
29.多相功率转换器100还包括调制器106，调制器106用于生成调制信号v
mod,x
，以用于切换相应相102以调节提供给负载104的多相功率转换器100的输出电压v
out
。调制器106可以实现pwm、pfm、或多相功率转换器中采用的任何其他调制方案。
30.多相功率转换器100还包括基于机器学习(ml)的相电流平衡器108，相电流平衡器108用于平衡提供给负载104的相电流i
ph,x
。基于ml的相电流平衡器108包括一个或多个输入110、一个或多个输出112、以及具有多个人工神经元的人工神经网络(ann)114。基于ml的相电流平衡器108被训练为基于一个或多个输入110处可用的并指示各个相电流i
ph,x
的信息，来在一个或多个输出112处提供用于校正各个相电流i
ph,x
之间的失衡的校正相电流失衡信息i
ph_corr,x
。基于ml的相电流平衡器108可以被实现为硬件的专用电路、微处理器等所执行的嵌入式软件、或其任何组合。
31.在一个实施例中，基于ml的相电流平衡器108的一个或多个输入110处可用的信息包括用于多相功率转换器100的各个相102的相电流测量结果i
out,x
。根据该实施例，基于ml的相电流平衡器108的人工神经网络114被训练为基于一个或多个输入110处可用的相电流测量结果i
out,x
来在一个或多个输出112处提供校正的相电流失衡信息i
ph_corr,x
。
32.相电流测量结果i
out,x
可以通过为每个相102配备电流感测功能来获得，例如，该电流感测功能将对应相102所提供的电流i
ph,x
变换为电压。例如，感测电路装置可以实现mosfet rds(接通)感测，其中rds(接通)是处于接通(导通)状态时的mosfet的接通状态。感测电路装置可以替代感测跨电流感测电阻器的经放大的电压。其他电流感测选项是霍尔效应传感器、电感器直流电阻(dcr)感测电路等。
33.在每种情况下，可以测量峰值相电流。峰值相电流恰好出现在开关信号的下降边沿，该开关信号的下降边沿使得对应相102的高侧开关器件断开以及低侧开关器件闭合。峰值相电流由于电感器饱和而提供了用于系统发生故障的风险的良好度量。依据调节方案、电感器值等，相电流测量结果i
out,x
可以是从对应相调制信号v
mod,x
的一个上升边沿到下一上升边沿的测量的平均电流。作为电压的经变换的相电流信号v(i
out,x
)可以直接输入到adc中。在另一选项中，可以根据经变换的相电流信号v(i
out,x
)生成所有相电流的模拟平均信号。单个相电流误差与平均值之间的差可以作为经放大的信号馈送到adc中。
34.单独地或组合地，基于ml的相电流平衡器108的一个或多个输入110处可用的信息可以包括用于多相功率转换器100的各个相102的温度信息。每个相102可用的温度信息指示一个相102是否比另一相102更热地运行。例如，长时间段内的电流失衡、功率级中的缺陷、物理位置等各自影响跨相102的温度变化。基于ml的相电流平衡器108的人工神经网络可以被训练为还基于基于ml的相电流平衡器108的一个或多个输入110处可用的相温度信息，来在基于ml的相电流平衡器108的一个或多个输出112处提供校正的相电流失衡信息i
ph_corr,x
。
35.单独地或组合地，基于ml的相电流平衡器108的一个或多个输入110处可用的信息可以包括用于多相功率转换器100的输出电压(v
out
)和/或误差电压(v
err
)信息。例如，输出电压v
out
可以馈送到adc中，或可以例如利用目标电压v
target
或某个平均值偏移从输出电压v
out
中产生偏移。用作用于调节的输入的误差电压v
err
还可以输入到基于ml的相电流平衡器108。在每种情况下，基于ml的相电流平衡器108的人工神经网络114被训练为基于一个或多个输入110处可用的输出电压和/或误差电压信息来在一个或多个输出112处提供校正的相电流失衡信息i
ph_corr,x
。
36.图2图示了用于将作为电压的经变换的相电流信号v(i
out,x
)转换为对应数字值的adc电路200的实施例。单独地或组合地，adc电路200可以将用于多相功率转换器100的输出
电压和/或误差电压信息(v
out
/v
err
)转换为对应数字值。在已经(简略地)存储在相应采样和保持(s&h)单元204中之后，经变换的相电流v(i
out,x
)和/或输出/误差电压信息(v
out
/v
err
)馈送到多通道adc 202中。在通过多通道adc 202进行模数转换之后，值i
0,x
、i
0,1
、
…
、i
0,k
；v
0,x
、v
0,1
、
…
、v
0,k
的每个经数字化的集合通过相应先进先出(fifo)存储器队列206存储，并且表示多相功率转换器100的对应相102的相电流i
ph,x
和/或输出/误差电压(v
out
/v
err
)的时间演变。
37.基于ml的相电流平衡器108的人工神经网络114使用adc电路200所提供的经数字化值i
0,x
、i
0,1
、...、i
0,k
；v
0,x
、v
0,1
、
…
、v
0,k
作为输入。人工神经网络114被训练为基于经数字化的相电流值i
0,x
、i
0,1
、...、i
0,k
的集合和/或基于adc电路200所提供的经数字化的输出/误差电压值v
0,x
、v
0,1
、
…
、v
0,k
的集合来提供用于每个相102的校正的相电流失衡信息i
ph_corr,x
。多相功率转换器100的控制器可以配备有多通道adc，例如，如图2所示；或配备有具有采样保持电路的高速adc，以用于将所有模拟电压变换为数字的数值。
38.如上文所解释的，输入到基于ml的相电流平衡器108并指示各个相电流i
ph,x
的信息可以包括针对各个相102的相电流测量结果i
out,x
、针对各个相102的温度信息、用于多相功率转换器100的输出电压(v
out
)信息、和/或用于多相功率转换器100的误差电压(v
err
)信息。这些途径中的每个途径都增加了相平衡途径的灵活性。然而，对于快速改变负载条件而言，时延(即，基于ml的相电流平衡器108对事件做出反应所需的时间)可能仍然很高。例如，必须例如在一个开关周期上测量每个相102的电流测量结果，对其进行求平均，然后把其转换为数字信号。只有那时，基于ml的相电流平衡器108才执行相电流平衡计算。输出电压(v
out
)和误差电压(v
err
)信息可能具有甚至更大的时延。
39.为了进一步减少时延，代替或除了直接相电流测量结果i
out,x
之外，输入到基于ml的相电流平衡器108的信息可以根据各个相调制信号v
mod,x
导出或与各个相调制信号v
mod,x
相对应。考虑到用于多相功率转换器的高性能控制器是数字的，上文所描述的时延可以通过将相调制信息输入到基于ml的相电流平衡器108中来减少。相调制信息是数字的，因此时延比直流测量结果的时延更短，并且指示各个相电流i
ph,x
。
40.图3图示了多相功率转换器300的另一实施例。图3所示的多相功率转换器300与图1所示的多相功率转换器100相似。然而，不同的是，基于ml的相电流平衡器108的一个或多个输入110处可用的信息包括用于多相功率转换器300的各个相102的相调制信息，诸如占空比信息t
x
。基于ml的相电流平衡器108的人工神经网络114被训练为基于基于ml的相电流平衡器108的一个或多个输入110处可用的相调制信息来在基于ml的相电流平衡器108的一个或多个输出112处提供校正相电流失衡信息i
ph_corr,x
。
41.例如，在pwm调制(其中开关频率固定且调制信号v
mod,x
的占空比被调整为调节多相功率转换器300的输出电压v
out
)的情况下，输入到基于ml的相电流平衡器108的占空比信息t
x
可以包括用于多相功率转换器300的各个相102的接通时间信息、关断时间信息、以及三态时间信息。用于各个相102的接通时间信息、关断时间信息和三态时间信息是与相电流i
ph,x
有关的数字测量结果或值。针对每个相102的时间矢量t
x
可以输入到基于ml的相电流平衡器108，并且包括用于该相102的接通时间信息、关断时间信息和三态时间信息。
42.调制器106可以将时间矢量t
x
提供给基于ml的相电流平衡器108。接通时间(t
on
)表示对应相102的高侧开关器件导通并且低侧开关器件阻断的时间。如图4所示，当高侧开关
器件导通并且低侧开关器件阻断时，高侧开关器件与低侧开关器件之间的开关节点承受输入电压(vin)。关断时间(t
off
)表示对应相102的低侧开关器件导通并且高侧开关器件阻断的时间。还如图4所示，当低侧开关器件导通并且高侧开关器件阻断时，高侧开关器件与低侧开关器件之间的开关节点处于接地(gnd)。还如图4所示，浮动开关节点电压(v
f
)由三态时间(t
tri
)表征。
43.基于ml的相电流平衡器108的人工神经网络114可以被训练为基于基于ml的相电流平衡器108的一个或多个输入110处可用的相特定接通时间信息、关断时间信息和三态时间信息来在基于ml的相电流平衡器108的一个或多个输出112处提供校正相电流失衡信息i
ph_corr,x
。相特定占空比信息t
x
指示各个相电流i
ph,x
，但是由于可以跳过电流测量和模数转换步骤，因此与相电流信息i
out,x
相比较具有更少的时延。依据关于精度、应用和相考虑的要求，由于目标电压v
target
与输出电压v
out
之间的差还提供了多相功率转换器300是否处于稳定状态还是进行负载转换的良好指示，所以可以跳过测量各个输出电流i
out,x
。
44.图5图示了基于ml的相电流平衡器108的实施例。基于ml的相电流平衡器108的人工神经网络114可以被训练为在一个或多个输出112处提供校正的相电流失衡信息i
ph_corr,x
作为用于多相功率转换器100、300的各个相102的相应校正项pbct
x
。为了简单起见，考虑了两相系统。然而，演算适用于任何数目的相102。在两相场景中，基于ml的相电流平衡器108根据三个时间序列/矢量输入产生两个校正项pbct0和pbct1。前两个时间序列/矢量输入和表示两个对应相电流的时间演变。第三时间序列/矢量输入指示误差电压，并因此指示误差电流。仅为了简单起见，假设基于ml的相电流平衡器108的时间序列/矢量输入具有相同的采样频率和相同的长度l。然而，特别是对于误差电压时间序列/矢量输入可以考虑更高的采样频率用于更好的纹波分辨率。神经网络114的输入层可以关于平均电流或任何其他归一化执行变换，如先前所解释的。
45.图6图示了基于ml的相电流平衡器108中包括的人工神经网络114的实施例。根据该实施例，人工神经网络114基于多层感知器或其他类型的前馈神经网络，并且包括人工输入神经元400、人工隐藏神经元402、以及人工输出神经元404。
46.人工神经网络114可以被训练为：如果多相功率转换器100、300的相电流i
ph,x
被平衡并且多相功率转换器100、300的电压误差v
err
在限定范围之内，则将校正项pbct0、pbct1设置为零。人工神经网络114在人工神经元400、402、404之间还具有正分支和负分支，使得如果多相功率转换器100、300的对应相电流i
ph,x
低于第一阈值，则校正项pbct0、pbct1中的单个校正项为负，并且如果对应相电流i
ph,x
高于第二阈值，则校正项pbct0、pbct1中的单个校正项为正。因而，如果人工神经网络114确定单个相电流i
ph,x
太小，则使对应校正项pbct0/pbct1为负，这又增加了对应相102的接通时间。如果人工神经网络114确定单个相电流i
ph,x
太大，则使对应校正项pbct0/pbct1为正，这又增加了对应相102的关断时间。
47.图6中示出了针对人工输出神经元404的tanh(.)激活函数。tanh(.)激活函数得出1或0输出，并因此将提供上文所描述的pbct
x
值。其他激活函数可以用于人工输出神经元404，诸如但不限于arctan(.)、softsign(.)、isru(.)、以及sqnl(.)。这些激活函数还会得出上文所描述的pbct
x
值。
48.图6中所示的相交线指示各个人工神经元400、402、404之间的连接。在简单架构
中，人工神经网络114的输入、输出和隐藏层密集地被连接，这意味着存在从一个层中的每个和每一神经元400/402/404到下一层中的每个和每一神经元400/402/404的加权连接。
49.不管人工神经网络架构的类型如何，人工神经网络114都可以被训练为限制校正项pbct0、pbct1，而与多相功率转换器100、300内的相电流失衡的程度和/或针对多相功率转换器100、300的电压误差v
err
的量无关。如果多相功率转换器100、300高度不平衡或承受高瞬态负载，则这已经引起调节器104的反应，该调节器104可以决定例如相应地进行抑制或提高。限制校正项pbct0、pbct1的值会降低极端条件下过度校正的可能性。
50.除了设置并可能甚至限制针对校正项pbct0、pbct1的输出值的可准许范围之外，人工神经网络114的结构可以适于进一步优化处理效率。在图5和图6中，人工神经网络114对四个不同的时间序列/矢量以及pbct
x
进行处置。对于使用人工神经网络有效处置四个不同的时间序列/矢量以及pbct
x
存在许多可能。
51.图7图示了基于ml的相电流平衡器108中包括的人工神经网络114的另一实施例。根据该实施例，基于ml的相电流平衡器108的一个或多个输入110处可用的信息包括用于多相功率转换器100、300的每个相102的单独时间序列/矢量以及表示多相功率转换器100、300的误差电压的第三时间序列/矢量人工神经网络114包括用于处理单独输入时间序列/矢量的单个第一神经网络500、以及用于组合各个第一神经网络500的输出的更密集的第二神经网络502。
52.用于时间序列处置的人工神经网络架构可以包括递归神经网络。例如，因果扩张的神经网络可以用于时间序列分析。虽然仍然是前馈神经网络，但是因果膨胀的神经网络的结构减少了权重的量，这使得训练和推断在计算上开销不大。对于时间序列问题，递归神经网络还提供了可重复的性能。长短期存储器网络和门控递归单元只是递归神经网络的两个示例。可以提供注意机制来提升递归神经网络的性能。本文中所描述的基于ml的相电流平衡器108的人工神经网络114可以利用这些架构中的任何架构，其中架构选择取决于确切应用和相关联的要求。
53.人工神经网络114所输出的校正信息pbct
x
可以用于修改多相功率转换器100、300的调制和/或调节行为。例如，基于ml的相电流平衡器108所输出的校正值pbct0、pbct1在每个开关周期内可以与调节器104的输出reg相加/相减。该途径可能非常适合双边缘调节方案。单独地或组合地，基于ml的相电流平衡器108所输出的校正值pbct0、pbct1可以用作调制器106中的偏移，以使在pfm或pwm的情况下，调制从偏移而非从零开始。
54.在一个实施例中，调制器106在生成用于切换相应相102的调制信号v
mod,x
时使用由基于ml的相电流平衡器108所提供的校正相电流失衡信息pbct
x
。例如，调制器106可以通过比较定时器计数器tc(t)与每个相102的参考值rv(t)并且相应设置对应调制信号v
mod,x
的电平来生成用于相应相102的调制信号v
mod，x
，例如，由以下给出：
[0055][0056]
其中k是指示单个相102的索引。
[0057]
图8提供了这种途径的图形表示。调节输出与调节策略(例如，pwm、恒定接通时间、
pfm等)以及潜在过流保护机制一起可以形成用于计算参考值rv(t)的基础，该参考值rv(t)针对每个相102和切换周期被更新。调制器106可以基于由基于ml的相电流平衡器108所提供的校正相电流失衡信息pbct
x
来更新针对每个相102的参考值rv(t)。
[0058]
基于ml的相电流平衡器108的输出pbct
x
可以成为参考值rv(t)的计算的输入，其可以针对每个开关周期和每个相102单独进行更新。例如，调制器106可以将基于ml的相电流平衡器108的输出pbct
x
作为校正项pbct(t)与针对对应相102的参考值rv(t)相加，如下所示：
[0059][0060]
可以基于rv
new
(t)而非rv(t)来应用过电流保护修改。
[0061]
接下来描述用于训练基于ml的相电流平衡器108的各个实施例。在一个实施例中，由基于ml的相电流平衡器108所输出的校正值pbct0、pbct1的适当值使用强化学习途径而被学习。强化学习是定义人工神经网络114的偏差和权重的算法。为使开销最小，可以在多相功率转换器控制器外部实现强化学习机制。
[0062]
图9图示了其中主机计算机或另一专用训练芯片600与多相功率转换器100、300通信的实施例。多相功率转换器100、300包括基于ml的相电流平衡器108，如本文中先前所解释的。主机系统600运行强化学习算法。提供具有足够带宽的接口604，和/或多相功率转换器100、300的至少控制器602包括缓冲存储器606，以使可以从主机系统600访问所有必需数据。除了与主机系统600的直接连接之外，可以在计算云环境内部执行强化学习算法，其中本地计算机pc仅充当去往主机系统600的网关。对于一些应用，控制器602可以直接地能够与基于云的主机系统600直接进行接口接合。
[0063]
为了训练基于ml的相电流平衡器108，多相功率转换器100、300连接到测试负载608。主机系统600执行强化学习算法，该强化学习算法定义基于ml的相电流平衡器108中包括的人工神经网络114的偏差和权重。通过强化学习算法学习的偏差和权重使得人工神经网络114能够提供校正相电流失衡信息i
ph_corr,x
，以用于校正在多相功率转换器100、300连接到测试负载608的同时在多相功率转换器100、300内出现的相电流失衡。将多相功率转换器100、300连接到测试负载608提供了ml环境，其中ml代理使用来自ml环境的反馈通过尝试与错误(trial and error)来学习最佳相电流平衡行为。
[0064]
图10图示了ml环境的实施例。ml代理的一部分可以位于多相功率转换器控制器602内部，例如，在基于ml的相电流平衡器108的人工神经网络114内部。主机系统600可以提供ml代理的另一功能：策略700，其将状态(即，校正的相电流失衡信息pbct
x
的当前值)映射到一些动作，诸如针对pbct
x
的更新后的值。主机系统600还可以包括环境控制器702并且提供回报函数704。在一个实施例中，环境控制器702对由电源706供电的多相功率转换器100、300进行多种测试，并且例如通过记录相关联的相电流、误差电压以及可能的输入电压和输出电压来观察多相功率转换器100、300对测试的响应。根据这些响应，基于实际响应和期望响应来计算回报函数值
‘
回报’。策略700将人工神经网络114的输出值pbct
x
映射到使回报函数704最小的更新后的输出值pbctx_updated。
[0065]
回报函数704测量相电流在测试过程期间的平衡程度。对于良好的相电流平衡，回报函数704提供高回报值。对于较差的相电流平衡，回报函数704提供低回报值。可以使用对
本文中先前所描述的类型的误差电压信息和/或相电流信息来确定相电流平衡的好坏程度。与零值的任何偏差都会受罚。依据回报值，策略700可以做出一些改变。至少在开始时，可以随机做出改变。这是训练人工神经网络114的权重和偏差以优化(例如，最大化或最小化)回报函数704的方式。策略700执行强化学习，该强化学习在人工神经网络114内进行改变。
[0066]
回报函数704、强化学习算法和训练共同得出用于人工神经网络114的更新后的值pbctx_updated。取决于应用，可以修改所运行的测试的类型。例如，对于存储器、pol(负载点)等，测试可能不同。为了修改基于ml的相电流平衡器108，ml代理途径提供了更大的自由度。策略700可以学习电流行为在几个周期内的改变，以制备多相功率转换器100、300。回报函数704可以被编程为用于正在被执行的特定测试。
[0067]
为了计算回报函数704的值，ml代理可以使多相功率转换器100、300承受某些条件，并且输入电压、输出电压和相电流的观测值的差被记录，并且与最佳行为值进行比较。在负载阶跃的情况下，这意味着输入电压序列和输出电压序列应当始终处于所需值，相电流合计为所需负载消耗，并且相电流在任何时间点均应相等。
[0068]
策略700尝试找到允许最小化回报函数704的动作，例如，pbctx值的更新。针对策略700，可以实现几种途径，从诸如monte carlo之类的纯随机途径到诸如sarsa、q学习、深度确定性策略梯度等之类的更复杂的途径。原则上讲，所有这些途径都可以工作，但是它们的收敛行为可能会发生很大变化。其他策略途径也是可能的。
[0069]
ml代理还可以向策略700和回报函数704指示测试期间在多相功率转换器100、300内出现的过电流条件，以使策略700随时间逐渐了解可容许值和不可容许区域，并且回报函数704的值被设置为避开不可容许区域。
[0070]
可以采取其他防护措施。例如，ml途径是统计驱动的，因此可能发生错误预测。因而，可以限制基于ml的相电流平衡器108的准许行为和非准许行为。如果相电流平衡的演变很遥远，则可以修改ml途径。单独地或附加地，多相功率转换器100、300可以包括附加相电流平衡器，以用于当基于ml的相电流平衡器108提供错误预测时，取代基于ml的相电流平衡器108，该错误预测例如当在操作期间出现基于ml的相电流平衡器108尚未接受训练的意外或未经测试的条件时，使得相电流失衡变差。备用相电流平衡器(例如，bang
‑
bang)可以与基于ml的相电流平衡器108并联。当相电流平衡结果落在限定范围之外时，可以忽略基于ml的相电流平衡器108的输出，反而可以使用备用相电流平衡器的输出。可以设置切换范围以避免诸如电感器饱和、开关器件损坏等之类的灾难性问题。当出现灾难性问题时，多相功率转换器100、300可以替代地是关闭系统，而非提供备用相电流平衡器。多相功率转换器控制器602还可以具有对用于处置过电流条件、超温条件等的这样的过程的安全措施。如果在训练期间发生ml错误预测，则相应更新人工神经网络114的权重/偏差。如果在实际现场使用期间发生了ml错误预测，则可以记录关于问题条件的信息，以供稍后诊断。
[0071]
本文中所描述的ml学习过程可能产生使得多相功率转换器100、300变得高度失衡的设置，例如，设置可能会向一个相施加非常高的负载，从而损坏对应开关器件或使得电感器饱和。因此，相过电流保护可以是提供给回报函数704(例如，通过给出无穷大回报值)和策略700两者的事件。策略700可以随时间而逐渐了解可容许值和不可容许区域，并且避开不可容许区域。出于安全原因和速度的考虑，模拟可以用于训练过程的初始部分，并且在实
际系统上使用ml学习进行微调。即使最好的统计途径也可能由于可能出现的一些临界情况而失败。例如，对于非常特定的测试设置(例如，由于一些谐振现象)，平衡良好的系统可能会变得高度失衡或不稳定。如上文所解释的，诸如bang
‑
bang之类的附加调节方案可以与基于ml的电流平衡器108并联运行，并且可以例如通过使用两个输出值的均值来混合两个更新决策。
[0072]
对本文中所描述的途径的其他修改可以包括：提供电流和/或电压时间序列信息作为数字值的时间序列。这种途径需要对应信号的非常高的采样频率。因此，可以计算时间矢量本身。代替修改调制器106的参考值rv(t)，数字信号的时间序列可以被提供作为基于ml的相电流平衡器108的输出，并且与从调节器104提供的信号reg以逻辑方式组合。相下降和相加还可以使用本文中所描述的基于ml的相电流平衡途径来实现。因而，可以添加输入电压和输入电流以包括一些效率信息并且将其包括到回报函数704中。
[0073]
图11图示了利用本文中所描述的基于ml的相电流平衡器108的电子系统800的实施例。电子系统800包括板802以及附接到该板802的至少一个负载804。在一个实施例中，负载804是处理器子系统，该处理器子系统可以包括一个或多个处理器和相关存储器。如本文中所使用的，术语“处理器”意指对诸如存储器或一些其他数据流的外部数据源执行操作的电子电路。如本文中所使用的，术语“处理器”包括cpu、微处理器、gpu、dsp、图像处理器、人工智能(ai)加速器、网络或分组处理器、协处理器、多核处理器、前端处理器、基带处理器等。处理器的类型取决于电子系统400。例如，在计算机、服务器、移动设备等的情况下，负载804可以是cpu、微处理器、协处理器、多核处理器、前端处理器等。在管理无线网络的无线电功能的网络接口的情况下，负载804可以是基带处理器。在图形卡的情况下，负载804可以是gpu或图像处理器。在网络接口卡的情况下，负载904可以是网络或分组处理器。这些只是电子系统和相关负载的一些示例，并不应视为具有限制性。
[0074]
多相功率转换器100、300附接到系统板100，并且被配置为向负载404提供dc功率。例如，在多相vr的情况下，功率模块100中的至少两个功率模块可以附接到系统板100，其中每个功率模块100向负载404提供一个相电流。根据负载需求，可以在不同操作点处启用和禁用相。附接到系统板100的每个功率模块100具有本文中先前所描述的构造和功能。因而，附接到系统板100的每个功率模块100提供用于将输出电压供应给负载404的半桥电路的开关节点(sw)。
[0075]
用于向负载804提供dc功率的多相功率转换器100、300也附接到系统板100。多相功率转换器100、300包括：多个相102，每个相102被配置为向负载804提供相电流i
ph,x
；调制器106，其用于生成调制信号v
mod,x
，该调制信号v
mod,x
用于切换相应相102以便调节提供给负载804的、多相功率转换器100、300的输出电压；以及基于ml的相电流平衡器108，其用于辅助平衡相电流i
ph,x
。如本文中先前所解释的，基于ml的相电流平衡器108包括一个或多个输入110、一个或多个输出112、以及人工神经网络114，该人工神经网络114包括多个人工神经元400、402、400并且被训练为基于一个或多个输入110处可用的并指示各个相电流i
ph,x
的信息来在一个或多个输出112处提供用于校正各个相电流i
ph,x
之间的失衡的校正相电流失衡信息i
ph_corr,x
/pbct
x
。如本文中先前所解释的，输入到基于ml的相电流平衡器108的并指示各个相电流i
ph,x
的信息可以包括用于各个相102的相电流测量结果i
out,x
、用于各个相102的温度信息、用于多相功率转换器100的输出电压(v
out
)信息、用于多相功率转换器100的误
差电压(v
err
)信息、和/或根据各个相调制信号v
mod,x
导出或与各个相调制信号v
mod,x
相对应的信息。
[0076]
尽管本公开不限于此，但是以下编号示例演示了本公开的一个或多个方面。
[0077]
示例1.一种用于多相功率转换器的基于机器学习(ml)的相电流平衡器，该基于ml的相电流平衡器包括：一个或多个输入；一个或多个输出；以及人工神经网络，其包括多个人工神经元，并且被训练为基于一个或多个输入处可用的并指示多相功率转换器的各个相电流的信息，来在一个或多个输出处提供用于校正多相功率转换器内的相电流失衡的校正相电流失衡信息。
[0078]
示例2.根据示例1所述的基于ml的相电流平衡器，其中一个或多个输入处可用的信息包括针对多相功率转换器的各个相的相电流测量结果，并且其中人工神经网络被训练为基于一个或多个输入处可用的相电流测量结果，来在一个或多个输出处提供校正相电流失衡信息。
[0079]
示例3.根据示例2所述的基于ml的相电流平衡器，其中一个或多个输入处可用的相电流测量结果表示多相功率转换器的各个相的相电流的时间演变。
[0080]
示例4.根据示例2或3所述的基于ml的相电流平衡器，其中一个或多个输入处可用的信息还包括针对多相功率转换器的输出电压和/或误差电压信息，并且其中人工神经网络被训练为还基于一个或多个输入处可用的输出电压和/或误差电压信息，来在一个或多个输出处提供校正相电流失衡信息。
[0081]
示例5.根据示例4所述的基于ml的相电流平衡器，还包括模数转换器电路装置和存储器队列，其中相电流测量结果以及输出电压和/或误差电压信息作为相应的各个电压在一个或多个输入处可用，并且其中模数转换器电路装置被配置为将各个电压转换为相应的各个数字值，以用于存储在存储器队列中，以输入到人工神经网络。
[0082]
示例6.根据示例2至5中任一项所述的基于ml的相电流平衡器，其中一个或多个输入处可用的信息还包括针对多相功率转换器的各个相的温度信息，并且其中人工神经网络被训练为还基于一个或多个输入处可用的温度信息，来在一个或多个输出处提供校正相电流失衡信息。
[0083]
示例7.根据示例1至6中任一项所述的基于ml的相电流平衡器，其中一个或多个输入处可用的信息包括针对多相功率转换器的各个相的占空比信息，并且其中人工神经网络被训练为基于一个或多个输入处可用的占空比信息，来在一个或多个输出处提供校正相电流失衡信息。
[0084]
示例8.根据示例1至7中任一项所述的基于ml的相电流平衡器，其中一个或多个输入处可用的信息包括针对多相功率转换器的各个相的接通时间信息、关断时间信息、以及三态时间信息，并且其中人工神经网络被训练为基于一个或多个输入处可用的接通时间信息、关断时间信息和三态时间信息，来在一个或多个输出处提供校正相电流失衡信息。
[0085]
示例9.根据示例8所述的基于ml的相电流平衡器，其中一个或多个输入处可用的信息还包括针对多相功率转换器的输出电压和/或误差电压信息，并且其中人工神经网络被训练为还基于一个或多个输入处可用的输出电压和/或误差电压信息，来在一个或多个输出处提供校正相电流失衡信息。
[0086]
示例10.根据示例8或9所述的基于ml的相电流平衡器，其中一个或多个输入处可
用的信息还包括针对多相功率转换器的各个相的温度信息，并且其中人工神经网络被训练为还基于一个或多个输入处可用的温度信息，来在一个或多个输出处提供校正相电流失衡信息。
[0087]
示例11.根据示例1至10中任一项所述的基于ml的相电流平衡器，其中一个或多个输入处可用的信息包括指示多相功率转换器的目标电压与输出电压之间的差的误差电压信息，并且其中人工神经网络网络被训练为基于一个或多个输入处可用的误差电压信息，来在一个或多个输出处提供校正相电流失衡信息。
[0088]
示例12.根据示例1至11中任一项所述的基于ml的相电流平衡器，其中人工神经网络被训练为在一个或多个输出处提供校正相电流失衡信息，作为多相功率转换器的各个相的相应校正项。
[0089]
示例13.根据示例12所述的基于ml的相电流平衡器，其中人工神经网络被训练为如果多相功率转换器的相电流被平衡并且针对多相功率转换器的电压误差在限定范围之内，则将校正项设置为零，并且其中人工神经网络包括人工神经元之间的正分支和负分支，使得如果多相功率转换器的对应相电流低于第一阈值，则校正项中的单个校正项为负，并且如果对应相电流高于第二阈值，则校正项中的单个校正项为正。
[0090]
示例14.根据示例12或13所述的基于ml的相电流平衡器，其中人工神经网络被训练为限制校正项，而与多相功率转换器内的相电流失衡程度和/或多相功率转换器的电压误差的量无关。
[0091]
示例15.根据示例1至14中任一项所述的基于ml的相电流平衡器，其中一个或多个输入处可用的信息包括针对多相功率转换器的每个相的单独时间序列或时间矢量，并且其中人工神经网络包括用于处理单独时间序列或时间矢量的各个第一神经网络、以及用于组合各个第一神经网络的输出的更密集的第二神经网络。
[0092]
示例16.一种多相功率转换器，包括多个相，每个相被配置为向耦合到多相功率转换器的负载提供相电流；调制器，其被配置为生成调制信号，以用于切换相应的相，以便调节提供给负载的、多相功率转换器的输出电压；以及基于机器学习(ml)的相电流平衡器，其被配置为有助于平衡相电流。该基于ml的相电流平衡器包括：一个或多个输入；一个或多个输出；以及人工神经网络，该人工神经网络包括多个人工神经元，并且被训练为基于一个或多个输入处可用的并指示各个相电流的信息，来在一个或多个输出处提供用于校正各个相电流之间的失衡的校正相电流失衡信息。
[0093]
示例17.根据示例16所述的多相功率转换器，其中调制器被配置为在生成用于切换相应的相的调制信号时，使用由基于ml的相电流平衡器所提供的校正相电流失衡信息。
[0094]
示例18.根据示例17所述的多相功率转换器，其中调制器被配置为通过将定时器计数器与针对每个相的参考值进行比较来生成针对相应的相的调制信号，并且其中调制器被配置为基于由基于ml的相电流平衡器所提供的校正相电流失衡信息来更新针对每个相的参考值。
[0095]
示例19.根据示例18所述的多相功率转换器，其中基于ml的相电流平衡器的人工神经网络被训练为在一个或多个输出处提供校正相电流失衡信息作为针对各个相的相应校正项，并且其中调制器被配置为通过将相应校正项与针对每个各个相的对应参考值相加来更新针对每个各个相的参考值。
[0096]
示例20.根据示例16至19中任一项所述的多相功率转换器，其中基于ml的相电流平衡器的一个或多个输入处可用的信息包括针对多相功率转换器的各个相的接通时间信息、关断时间信息和三态时间信息，其中基于ml的相电流平衡器的人工神经网络被训练为基于一个或多个输出处可用的接通时间信息、关断时间信息和三态时间信息，来在一个或多个输出处提供校正相电流失衡信息，并且其中调制器被配置为向基于ml的相电流平衡器的一个或多个输入提供接通时间信息、关断时间信息和三态时间信息。
[0097]
示例21.根据示例16到20中任一项所述的多相功率转换器，还包括附加相电流平衡器，当基于ml的相电流平衡器提供导致相电流失衡变差的错误预测时，该附加相电流平衡器取代基于ml的相电流平衡器。
[0098]
示例22.一种电子系统，包括：板；负载，其被附接到板；以及多相功率转换器，其被配置为向负载提供dc功率。多相功率转换器包括：多个相，每个相被配置为向负载提供相电流；调制器，其被配置为生成调制信号，以用于切换相应的相，以便调节提供给负载的多相功率转换器的输出电压；以及基于机器学习(ml)的相电流平衡器，其被配置为有助于平衡相电流。该基于ml的相电流平衡器包括：一个或多个输入；一个或多个输出；以及人工神经网络，该人工神经网络包括多个人工神经元，并且被训练为基于一个或多个输入处可用的并指示各个相电流的信息，来在一个或多个输出处提供用于校正各个相电流之间的失衡的校正相电流失衡信息。
[0099]
示例23.一种用于训练多相功率转换器的基于机器学习(ml)的相电流平衡器的方法，该方法包括：将多相功率转换器连接到测试负载；以及执行强化学习算法，该强化学习算法定义被包括在基于ml的相电流平衡器中的人工神经网络的偏差和权重，该偏差和权重使得人工神经网络能够提供校正相电流失衡信息，以用于校正在多相功率转换器连接到测试负载的同时在多相功率转换器内出现的相电流失衡。
[0100]
示例24.根据示例23所述的方法，其中执行强化学习算法包括：对多相功率转换器进行多个测试并且观察多相功率转换器对测试的响应；基于多相功率转换器对测试的响应与目标响应之间的差，来计算回报函数的值；以及实现将人工神经网络的输出值映射到使回报函数最小的更新后的输出值的策略。
[0101]
示例25.根据示例24所述的方法，还包括：向策略和回报函数指示测试期间在多相功率转换器内出现的过电流条件，以使策略随时间逐渐了解可容许值和不可容许区域，并且回报函数的值被设置为避开不可容许区域。
[0102]
诸如“第一”、“第二”等的术语用于描述各种元件、区域、段等，并且也不旨在是限制性的。在整个说明书中，相同的术语指代相同的元件。
[0103]
如本文中所使用的，术语“具有”、“含有”、“包含”，“包括”等是开放式术语，其指示所述元件或特征的存在，但并不排除附加元件或特征。除非上下文另有明确指出，否则冠词“一”、“一个”和“该”旨在包括复数和单数。
[0104]
应当理解，除非另有特别指出，否则本文中所描述的各个实施例的特征可以彼此组合。
[0105]
尽管本文中已经对特定实施例进行了说明和描述，但是本领域普通技术人员应当领会，在没有背离本发明的范围的情况下，多种备选和/或等同实现方式可以代替所示出和描述的特定实施例。本技术旨在覆盖本文中所讨论的特定实施例的任何改编或变型。因此，
意图是本发明仅受权利要求及其等同物的限制。