基于物理模型与机器学习融合的LLC谐振变换器电压增益快速计算新方法

《IEICE Transactions on Communications》：A computation method for voltage conversion gains of an LLC converter using physics model and machine learning

本文针对LLC谐振变换器传统基波近似法(FHA)在偏离串联谐振频率时增益计算误差大的问题，提出了一种结合物理模型与人工神经网络(ANN)的混合建模方法。研究人员通过电路仿真生成数据集，训练ANN预测FHA与仿真增益间的误差，最终合成高精度增益曲线。该方法在保持FHA计算速度的同时，将增益预测误差显著降低（最优条件下99.6%曲线优于传统方法），为电动汽车车载充电机(OBC)等宽范围负载应用提供了高效设计工具。

　　

随着全球碳中和目标的推进，电动汽车(xEV)的车载电源系统正成为能源互联网的关键节点。车载充电机(OBC)作为连接电网与车辆电池的桥梁，其功率转换效率直接影响充电速度与能源利用率。特别是实现车辆到电网(V2G)功能时，OBC需具备双向功率转换能力。LLC谐振变换器因能实现软开关技术和双向功率转换，近年来被广泛用于OBC设计。然而，LLC变换器的电压转换增益随开关频率和负载呈非线性变化，传统基波近似法(FHA)虽计算简便，但在偏离串联谐振频率f_sr时误差显著，尤其在高增益区域（如并联谐振频率f_pr附近）难以满足宽范围负载（100-400V/数kW级）的设计精度需求。

为解决这一矛盾，名古屋大学研究团队在《IEICE Transactions on Communications》发表论文，提出一种融合物理模型与机器学习的混合建模方法。该方法以FHA为基础物理模型，通过人工神经网络(ANN)预测其与电路仿真（视为真实值）的增益误差，最终合成高精度增益曲线。研究首次揭示了开关周期T_sw作为输入特征与增益比值G_ratio作为输出目标的组合能最优平缓增益曲线分布，使ANN学习效率最大化。

关键技术方法包括：1) 基于PLECS电路仿真生成20,090组增益数据，覆盖半桥LLC变换器的5个独立变量（L_r、f_sr、m、f_sw、R_o）及其衍生参数；2) 采用粒子群优化(PSO)算法自动搜索ANN隐藏层结构（1-5层，5-200节点），以Huber损失函数评估误差；3) 对比四种输入-输出层组合（f_sw-G_diff、f_sw-G_ratio、log₁₀(f_sw)-G_ratio、T_sw-G_ratio），其中G_diff=G_sim-G_FHA为差值法，G_ratio=G_FHA/G_sim为比值法。

增益曲线对比

如图4所示，FHA计算值（蓝色虚线）在f_sr=150kHz附近与仿真值（红色实线）高度吻合，但在f_pr=75kHz附近误差加剧（重载R_o=26.6Ω时更显著）。混合模型（绿色虚线）通过ANN误差补偿，在全频段尤其是增益峰值区域显著提升预测精度。

峰值区域误差分析

图10聚焦f_pr附近增益曲线，可见传统差值法（f_sw;D）出现负增益等物理悖误，而比值法（f_sw;R）在50kHz仍存较大误差。采用对数频率（log;R）与周期（T_sw;R）输入后，预测曲线（绿色）与仿真值（红色）近乎重叠。根均方斜率(RMSS)量化显示：T_sw轴增益曲线平坦度最优（RMSS=142），有效降低ANN学习难度。

预测误差统计

基于3,200条增益曲线的Huber损失评估（图12），T_sw;R组合的中位误差最低，较传统方法提升99.6%。计算效率方面，混合模型单曲线耗时0.1381秒，仅为电路仿真（44.98秒）的1/300，与FHA（0.1287秒）相当。

本研究通过物理约束与数据驱动的融合，解决了LLC变换器增益强非线性建模的难题。创新性提出以开关周期T_sw为输入特征的坐标变换策略，显著提升ANN对增益峰值区域的捕捉能力。该混合模型为OBC等宽范围应用提供了高精度、快响应的设计工具，有望通过缩短开发周期与优化产品能效降低社会能耗。未来工作将探索该范式在多模态特性系统建模中的普适性，推动物理信息机器学习(PIML)在电力电子领域的深化应用。

（注：全文严格遵循原文数据与表述，未添加未提及的实验细节或结论推演。）