Elektroda.pl
Elektroda.pl
X

Search our partners

Find the latest content on electronic components. Datasheets.com
Elektroda.pl
Please add exception to AdBlock for elektroda.pl.
If you watch the ads, you support portal and users.

Jak AI zwiększa zasięgi aut elektrycznych

ghost666 25 Jun 2021 16:54 2679 9
IGE-XAO
  • W poniższym artykule omówiono system "Pre-switch" firmy CleanWave. Artykuł pokazuje, w jaki sposób technologia Pre-Switch umożliwia projektantom osiągnięcie 99,1% sprawności przy 100 kHz w falowniku dla pojazdu elektrycznego o mocy równej 200 kW. W ten sposób możliwe jest zwiększenie zasięgu samochodu o nawet 12%.

    Zacznijmy od omówienia strat w układzie napędowym i sterowniku silnika. Oczywiście, aby pojazd elektryczny mógł zwiększać swój zasięg, musi poprawić zarówno sprawność silnika, jak i sprawność falownika. Straty układu napędowego dominują w większości strat pojazdu elektrycznego, przynajmniej do prędkości około 75 km/h, kiedy to prym wśród strat przejmuje opór wiatru. Jednak straty w układzie napędowym stanowią największą część wszystkich strat w pojazdach elektrycznych, dlatego niezwykle ważne jest, abyśmy zajęli się zarówno falownikiem, jak i silnikiem. Jeśli uda nam się podejść do projektowania tak silnika, jak i falownika systemowo, skupiając się bezpośrednio na sprawności układu napędowego na poziomie systemu, możemy osiągnąć znaczną poprawę zasięgu pojazdów z napędem elektrycznym.

    Chociaż producenci silników mogą podawać liczby mówiące o wysokiej sprawności, często ukrywa to problem. Pojazdy są zbudowane tak, aby dostarczać wysoki momentu obrotowy do przyspieszania na drodze - znacznie więcej niż jest to potrzebne podczas normalnej, statycznej jazdy, na której spędza się większość podróży. Podczas jazdy z niskim momentem obrotowym zapewnienie wysokiej wydajności silników elektrycznych i falowników jest sporym wyzwaniem. Innym sposobem myślenia o tym jest szybkość. Zdecydowana większość pojazdu będzie pracować z prędkością poniżej 90 km/h - przy 3-5% maksymalnego momentu obrotowego - kiedy silnik nie osiąga maksymalnej sprawności.

    Obecnie istnieje kompromis między stratami przy przełączaniu a wyższą sprawnością silnika. Straty w układzie napędowym silnika maleją wraz ze wzrostem częstotliwości przełączania, ale straty w samym falowniku rosną. I chociaż węglik krzemu pomógł w tym zakresie, redukując straty falownika, tak naprawdę nie zmienił zbytnio równowagi. Tak więc większość producentów falowników uruchamia swoje tranzystory FET z węglika krzemu z częstotliwością około 10 kHz, mimo że straty silnika można zmniejszyć, pracując z większą częstotliwością przełączania. Niestety, rozwiązaniem nie jest po prostu przełączanie kluczy przy wyższych częstotliwościach. Szybsze przełączanie daje większe straty przy przełączaniu, co ogranicza wypadkową sprawność falownika. Ponadto, aby spróbować szybciej przełączać klucze i utrzymywać wysoką częstotliwość przełączania falownika, trzeba dodać do układu więcej tranzystorów MOSFET, aby zmniejszyć straty przewodzenia i aby zrekompensować zwiększone straty przełączania. Powoduje to wzrost kosztów, rozmiaru i wagi falownika. Kolejnym problemem jest to, że szybsze prędkości narastania napięcia tranzystora SiC spowodują degradację silnika i uszkodzenie łożysk kulkowych, jeśli nie będą prawidłowo dostosowane do takiej pracy. Oczywiście można budować wytrzymałe silniki, ale to nieuchronnie kosztuje więcej. Z tych wszystkich powodów prędkość przełączania była przez długi czas utrzymywana na poziomie właśnie 5..15 kHz.

    Technologia Pre-Switch rozwiązuje te problemy, wykorzystując algorytmy sztucznej inteligencji, zaimplementowane w układzie FPGA, do precyzyjnego sterowania taktowaniem pomocniczych tranzystorów rezonansowych, pokazanych jako S1 i S2 na rysunku 1. Rezultatem jest wirtualna eliminacja wszystkich strat przełączania podczas pracy z tranzystorami głównymi (Q1 i Q2) z węglika krzemu. W przypadku krzemowych IGBT można również wyeliminować około 70-80% strat, jednakże ten artykuł skupia się głównie na SiC.

    Sztuczna inteligencja w wyjątkowy sposób eliminuje straty podczas przełączania w całym zakresie stale zmieniających się warunków otoczenia, napięcia wejściowego i obciążenia.

    Jak AI zwiększa zasięgi aut elektrycznych
    Rys.1. Pre-Switch osadza AI w układzie FPGA, który precyzyjnie kontroluje taktowanie pomocniczych tranzystorów rezonansowych, S1 i S2 w układzie impulsowym.


    W każdym cyklu przełączania taktowanie pomocniczych tranzystorów rezonansowych S1 i S2 jest regulowane w celu zapewnienia, że Q1 i Q2 mają praktycznie zerowe straty przy przełączaniu.

    W procesie podłączania kondensatorów na kluczach, Pre-Switch redukuje problemy na poziomie systemu związane z szybkimi stanami przejściowymi i dużymi prędkościami zboczy na elementach SiC. Wartości te można zaprogramować w celu dostosowania do wymagań konkretnej aplikacji. Dodatkowo, w każdym cyklu przełączania, Pre-Switch oblicza, dostosowuje i minimalizuje czas martwy w oparciu o pełną wiedzę o tym, jak i kiedy przełącza się każdy klucz. Upraszcza to kontrolę. Wreszcie, ponieważ przełącznik wstępny kontroluje wszystko cyklu po cyklu, ochrona na poziomie systemu jest wzmocniona, a czasy reakcji na błąd są zminimalizowane. Błędy na poziomie systemu są przesyłane z powrotem do hosta z poziomu wbudowanego portu komunikacyjnego.

    Aby zademonstrować ten proces, spójrzmy na rysunek 2, który przedstawia fragment cyklu przełączania. Po pierwszym włączeniu zasilania i podczas kolejnych trzech pierwszych cykli przełączania algorytm rozpoczyna proces uczenia się, ale generuje prąd rezonansowy, który jest przygotowany do każdego stanu, w jakim może się znaleźć system. Następnie w czwartym cyklu przełączania algorytm wykonuje pierwsze operacje AI – korektę potrzebną do zoptymalizowanego, miękkiego przełączania kluczy. W takim przypadku należy zwrócić uwagę na dużą redukcję i optymalizację prądu rezonansowego cewki indukcyjnej (kolor zielony). Idąc dalej, dla każdego kolejnego cyklu przełączania algorytm będzie dostosowywał prąd rezonansowy cewki indukcyjnej niezależnie, aby zapewnić, że będzie on na krótko przekraczał prąd obciążenia (pokazany na niebiesko). Wszystkie regulacje są wystarczająco szybkie, aby zagwarantować dokładne miękkie przełączanie z dowolnym sygnałem PWM i mogą być używane do tworzenia idealnej fali sinusoidalnej za pomocą falownika DC-AC. System działa również płynnie w odwrotnej kolejności.

    Jak AI zwiększa zasięgi aut elektrycznych
    Rys.2. Cykle przełączania przedstawiają włączenie zasilania, proces uczenia się algorytmu i bieżące korekty w celu zoptymalizowanego miękkiego przełączania.


    Jak więc skutecznie eliminowane są straty przy przełączaniu? Rysunek 3 porównuje straty przy przełączaniu podczas włączania przy użyciu tradycyjnych „twardych” technik przełączania (3a) z architekturą Pre-Switch (3b). Na rysunku 3a pokazano wejście 800 V: włączono przełącznik i napięcie odpowiednio spada, a prąd rośnie. Pole nakładania się obu przebiegów (niebieski i purpurowy) to strata przy przełączaniu. Wykres ten pokazuje również całkowitą ilość zużytej energii (2,5 mJ w tym mierzonym przypadku). W rozwiązaniu z Pre-Switch (rysunek 3b) przejście jest spowolnione, aby zapewnić, że przebiegi napięcia i prądu nie nakładają się, co skutkuje wirtualną eliminacją strat przełączania.

    Jak AI zwiększa zasięgi aut elektrycznych
    Rys.3. Porównanie strat podczas włączania przy użyciu „twardych” technik przełączania (a) z architekturą Pre-Switch (b).


    Biorąc pod uwagę te same wykresy dla strat podczas wyłączania (patrz rysunek 4), nakładanie się jest faktycznie minimalne, pokazując masywną redukcję strat przełączania. Zużyta energia jest niewielka – wynosi zaledwie 0,013 mJ w porównaniu z 1,25 mJ przy podejściu twardym. Ponadto zmniejsza się również dV/dt, prowadzące do uszkadzania silnika. Oczywiście istnieją w takim systemie pewne niewielkie straty energii ze względu na obciążenia, które są wymagane do sterowania technologią Pre-Switch - takie jak zasilanie układu FPGA itp. – to są one minimalne, szczególnie biorąc pod uwagę straty na poziomie całego systemu, który ma trzy klucze działające w tym samym czasie. Obliczamy, że oszczędności energii wynikające z rozwiązania Pre-Switch z miękkim przełączaniem wynoszą co najmniej 94%.

    Jak AI zwiększa zasięgi aut elektrycznych
    Rys.4. Porównanie strat przełączania.


    Wraz z wyeliminowaniem strat przy przełączaniu pojawiają się nowe swobody projektowe. Rysunek 5 pokazuje wykorzystanie danych z modułu zasilania Wolfspeed CAB450M12XM3 i prezentuje ilość prądu przepływającego przez ich urządzenia. Czerwona linia przełączania twardego wskazuje, że gdy moduł przełącza się szybciej, ilość prądu musi zostać zmniejszona. W porównaniu z krzywą zielonego łagodnego przełączania z Pre-Switch widzimy, że ilość prądu, która może przepływać przez to samo urządzenie, praktycznie nie zmniejsza się wraz ze wzrostem częstotliwości kluczowania tranzystorów. Zamiast więc pracować z częstotliwością 10 kHz, prędkość systemu można zwiększyć do 100 kHz. Oznacza to, że falownik jest bardziej wydajny, można zastosować mniejsze tranzystory, a na wyjściu można uzyskać znacznie mniejsze tętnienia prądu, co zapewnia chłodniejszy i bardziej wydajny silnik o niższych kosztach chłodzenia. Ponadto zmniejsza się poziom oscylacji i przeregulowanie, a problem uszkodzenia łożysk jest zminimalizowany. Najważniejsze jest jednak to, że system może działać w dowolnym miejscu na krzywej, zapewniając ogromną elastyczność projektową.

    Jak AI zwiększa zasięgi aut elektrycznych
    Rys.5. Pre-switch zapewnia elastyczność projektowania.


    Korzyści z Pre-Switch

    Większość projektantów patrzy na nasz wymuszony obwód rezonansowy i błędnie uważa, że dodanie małego półmostka połączonego szeregowo z punktem środkowym działającego półmostka jest droższe niż oryginalne rozwiązanie półmostkowe. W końcu jest więcej części, prawda? Cóż, rzeczywistość jest taka, że całkowita powierzchnia na płytce drukowanej, dodana w wymuszonym obwodzie rezonansowym jest znacznie mniejsza niż oszczędności uzyskane dzięki wyeliminowaniu strat przełączania w pracujących tranzystorach.

    Klucze rezonansowe zwykle zajmują tylko 25-33% obszaru zajmowanego przez półmostek roboczy, ponieważ działają one tylko w cyklu roboczym znacznie mniejszym niż klucze robocze. (Przykład: 0,5% cyklu przełączania przy 10 kHz i 5% cyklu przełączania przy 100 kHz). Ponadto klucze rezonansowe wymagają tylko połowy napięcia rezerwowego głównych przełączników. Rozważmy teraz oszczędności w głównym półmostku SiC. Zmniejszenie strat łączeniowych umożliwia zmniejszenie o 33-50% powierzchni matrycy wyłączników głównych przy dwukrotnym napięciu łączników pomocniczych. Do tego dochodzą duże oszczędności systemu związane z 10-krotnie wyższą częstotliwością przełączania - oszczędność realizuje się na poziomie silnika i filtra wyjściowego. Wreszcie, istnieją znaczne oszczędności w zakresie chłodzenia na poziomie systemu, zmniejszenie masy całkowitej, zmniejszenie wartości dV/dt i poprawa bezpieczeństwa.

    Rozważając zalety silnika, w przypadku falowników przełączanych twardo, praktyka minimalizowania częstotliwości kluczowania jest zawsze problematyczna z uwagi na próbę utrzymania wysokiej sprawności falownika. Rezultatem jest duża ilość tętnień wyjściowych, która jest następnie filtrowana przez silnik. Każde odchylenie od czystej fali sinusoidalnej wysyłanej do silnika jest zmarnowaną energią, która objawia się w postaci nagrzewania indukcyjnego, która ma miejsce wewnątrz silnika. To ciepło oczywiście musi zostać rozproszone, co jest kolejnym problemem. Prawie idealna sinusoida wyjściowa z Pre-Switch CleanWave wynikająca z 10..20-krotnego wzrostu częstotliwości przełączania skutkuje znacznie wyższą sprawnością silnika i redukuje wymagane chłodzenie silnika.

    Znaczenie tego jest pokazane na rysunku 6. Zamiast zwiększać się, straty falownika są teraz zmniejszone i zasadniczo płaskie w całym zakresie częstotliwości przełączania. Straty silnika są zmniejszane wraz ze wzrostem częstotliwości, a wynikiem netto jest duża oszczędność na poziomie całego systemu. Wracając do wcześniejszej dyskusji na temat momentu i maksymalnej sprawności silnika - gdy klucz wstępny jest używany do przełączania przy 100 kHz i szybciej, sprawność silnika jest najbardziej zauważalna przy niskich momentach obrotowych i niskich oraz średnich obrotach - czyli tam, gdzie odbywa się większość jazdy. W ten sposób dochodzimy do wzrostu zasięgu pojazdów elektrycznych o od 5% do 12%.

    Jak AI zwiększa zasięgi aut elektrycznych
    Rys.6. Zmniejszone całkowite straty w układzie napędowym skutkują wzrostem zasięgu pojazdu elektrycznego o 5-12%.


    Wnioski i podsumowanie

    Podsumowując, eliminując straty przy przełączania, klucz wstępny może znacznie zwiększyć sprawność zarówno falownika, jak i silnika przy częstotliwości przełączania równej 100 kHz i więcej. Rezultatem jest oczekiwany wzrost zasięgu pojazdu elektrycznego o około 5..12%; umożliwia to zarówno budowę tańszego systemu poprzez zmniejszenie ilości tranzystorów, jak i zmniejszenie zapotrzebowania na chłodzenie falownika. Oczywiście zwiększając sprawność silnika, rozmiar akumulatora może być mniejszy, co jest ogromną korzyścią i oszczędnością kosztów. Klucz wstępny rozwiązuje również problemy związane z silnikiem poprzez redukcję dV/dt i redukuje różnicowy szum, który powoduje degradację łożysk w silnikach. Wreszcie, ponieważ przełącznik wstępny dostosowuje się cykl po cyklu, system jest w stanie bardzo szybko reagować na usterki w dowolnym miejscu systemu, zapewniając najwyższe bezpieczeństwo i ochronę.

    System analizy CleanWave - obecnie dostarczany do głównych klientów na całym świecie - to trójfazowy blok mocy osiągający 200 kW, pracujący z częstotliwością 100 kHz. Może pracować z dowolną częstotliwością przełączania od 5 do 100 kHz. Sprawność oferowanego systemu wynosi 99%.

    Źródło: https://www.powerelectronicsnews.com/using-ai-to-increase-ev-range/
    Can you write similar article? Send message to me and you will get SD card 64GB.
    About Author
    ghost666
    Translator, editor
    Offline 
    Fizyk z wykształcenia. Po zrobieniu doktoratu i dwóch latach pracy na uczelni, przeszedł do sektora prywatnego, gdzie zajmuje się projektowaniem urządzeń elektronicznych i programowaniem. Od 2003 roku na forum Elektroda.pl, od 2008 roku członek zespołu redakcyjnego.
    ghost666 wrote 11092 posts with rating 9405, helped 157 times. Live in city Warszawa. Been with us since 2003 year.
  • IGE-XAO
  • #2
    khoam
    Level 41  
    To są algorytmy uczenia maszynowego, a nie żadna inteligencja :)
  • #3
    User removed account
    Level 1  
  • IGE-XAO
  • #4
    khoam
    Level 41  
    acctr wrote:
    a może stylem jazdy kierowcy?

    Sądzę, że zdecydowanie z tego powodu to nauczanie będzie się odbywało - rozrzut stylu jazdy kierowców jest zdecydowanie większy niż parametrów elektrycznych. Pytanie, a jak się zmieni kierowca? :)
  • #5
    ghost666
    Translator, editor
    khoam wrote:
    acctr wrote:
    a może stylem jazdy kierowcy?

    Sądzę, że zdecydowanie z tego powodu to nauczanie będzie się odbywało - rozrzut stylu jazdy kierowców jest zdecydowanie większy niż parametrów elektrycznych. Pytanie, a jak się zmieni kierowca? :)


    Podejrzewam że system cały czas się uczy. Na pewno z fabryki ma jakiś initial-guess, a potem algorytm optymalizacyjny go 'cyzeluje' w jakiejś pętli sprzężenia zwrotnego.
  • #6
    User removed account
    Level 1  
  • #7
    khoam
    Level 41  
    Stabilizacja wartości wag ANN w trakcie fazy uczenia (treningu) może nigdy nie nastąpić i nie jest to problem, jeżeli uśredniona "delta" po kolejnych zmianach wartości tych wag jest odpowiednio mała. Istotne jest natomiast w którym momencie nastąpi "przełączenie" sieci z fazy uczenia w fazę klasyfikacji danych ( i "zamrożenie" wartości wag). Dopiero w tej drugiej fazie zyskujemy dużą szybkość i stabilność działania ANN. Oczywiście mogę sobie wyobrazić, że istnieją dwa zestawy ANN, z których jedna ciągle się uczy, a do drugiej co jakiś czas są "przepisywane" wyniki treningu z pierwszej ANN.
  • #8
    LEDówki
    Level 36  
    Może wprowadzić sprzężenie zwrotne korygujące styl jazdy kierowcy? Podniosłoby to napięcie w czasie jazdy.
    Dreszcze przechodzą już na myśl o tym,że zdecydowana większość pojazdu będzie jechać 90km/h a reszta? Ta złota myśl jest na końcu trzeciego akapitu.
  • #9
    krzbor
    Level 23  
    khoam wrote:
    To są algorytmy uczenia maszynowego, a nie żadna inteligencja :)

    To samo chciałem napisać. Obecnie zbyt często posługujemy się pojęciem sztucznej inteligencji.
  • #10
    User removed account
    Level 1