電力変換回路の制御装置
【課題】
フィードバック制御とフィードフォワード的制御とを組み合わせることで、安定性を担保しつつ、非線形の動的システムの出力電圧の予測が可能な電力変換回路の制御装置を提供する。
【解決手段】
フィードバック制御量を生成するフィードバック制御部と、フィードフォワード的な制御量を生成する機械学習制御部と、これらの差分を求め駆動回路に当該差分信号を送出する合成制御信号生成部とを備え、繰り返して生じるピークまたはボトムのそれぞれについての抑制処理を電力変換回路の制御装置であって、機械学習制御部は、ｋ番目のピークまたはボトムについて、制御目標値と学習履歴から算出した制御予測値との偏差に、αk_n＝Ａk・ｅｘｐ（−λk×ｎ）（Ａk：第１の抑制因子（ゼロ以外の定数）、λk：第２の減衰因子、ｎ：何番目のサンプリングかを示す整数）の項を含む重み付けをして、機械学習制御量を算出する。
フィードバック制御とフィードフォワード的制御とを組み合わせることで、安定性を担保しつつ、非線形の動的システムの出力電圧の予測が可能な電力変換回路の制御装置を提供する。
【解決手段】
フィードバック制御量を生成するフィードバック制御部と、フィードフォワード的な制御量を生成する機械学習制御部と、これらの差分を求め駆動回路に当該差分信号を送出する合成制御信号生成部とを備え、繰り返して生じるピークまたはボトムのそれぞれについての抑制処理を電力変換回路の制御装置であって、機械学習制御部は、ｋ番目のピークまたはボトムについて、制御目標値と学習履歴から算出した制御予測値との偏差に、αk_n＝Ａk・ｅｘｐ（−λk×ｎ）（Ａk：第１の抑制因子（ゼロ以外の定数）、λk：第２の減衰因子、ｎ：何番目のサンプリングかを示す整数）の項を含む重み付けをして、機械学習制御量を算出する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、フィードバック制御と機械学習によるフィードフォワード制御（たとえば、ニューロ制御）とを組み合わせることで、安定性を担保しつつ、非線形の動的システムの出力電圧の予測が可能な電力変換回路の制御装置に関する。
【背景技術】
【０００２】
従来、フィードバック制御およびフィードフォワード制御が可能な制御回路を備えた電力変換回路（ＤＣ／ＤＣコンバータ）が知られている。
【発明の開示】
【発明が解決しようとする課題】
【０００３】
フィードフォワード制御では、振動（ピークとボトムの繰り返し）を抑制しようとすると、条件によっては、制御装置が、次にくるピークを助長するように振舞う場合もある。
【０００４】
本発明の目的は、フィードバック制御とフィードフォワード的な制御（たとえば、ニューロ制御等の機械学習制御）とを組み合わせることで、安定性を担保しつつ、非線形の動的システムの出力電圧の予測が可能な電力変換回路の制御装置を提供することである。
【課題を解決するための手段】
【０００５】
本発明の電力変換回路の制御装置は、以下を要旨とする。
（１）
電力変換回路の出力電圧値、および、出力電流値，入力電圧値，インダクタ電流値，キャパシタ電流値の少なくとも１つをパラメータとして取得して駆動回路にスイッチのオン・オフ信号指令値を送出することで、過渡変化に際して振動応答する出力電圧のピークまたはボトムを抑制するとともに収束時間を短縮するための電力変換回路の制御装置であって、
出力電圧の所定変動幅以上の変化、出力電流の所定変動幅以上の変化、または出力インピーダンスの所定変動幅以上の変化、負荷抵抗あるいは負荷インピーダンスの所定変動幅以上の変化を検出する出力変化検出部と、
制御目標値と制御予測値を機械学習情報として記憶する機械学習情報記憶部と、
前記電力変換回路の前記パラメータから、フィードバック制御量としての第１時間量を生成するフィードバック制御部と、
前記機械学習記憶部に記憶した機械学習制御量としての第２時間量を生成する機械学習制御部と、
前記フィードバック制御部からの第１時間量と前記機械学習制御部からの第２時間量とを合成し、当該合成量をスイッチングタイミングのための時間量として前記駆動回路に送出する合成制御信号生成部と、
を備え、
前記出力変化検出部が前記所定変動幅以上の変化を検出したときは、
前記機械学習制御部は、ｋ番目（ｋは正の整数）のピークまたはボトムに対して、
前記機械学習情報記憶部に記憶した前記制御目標値と制御予測値との偏差に、
αk_n＝ｆk_n
ｆk_n：減衰関数
ｋ：何番目のピークまたはボトムかを表す整数
ｎ：何番目のサンプリングかを示す整数
の項を含む重み付けをし、またはさらに、この重み付けした値にバイアス分を付与した前記第２時間量を生成する、
ことを特徴とする電力変換回路の制御装置。
【０００６】
（２）
αk_nが、
αk_n＝Ａk・ｅｘｐ（−λk×ｎ）
Ａk：第１振動抑制因子（ゼロ以外の定数）
λk：第２振動抑制因子（ゼロ以外の正の定数）
ｎ：何番目のサンプリングかを示す整数
で表されることを特徴とする（１）に記載の電力変換回路の制御装置。
【０００７】
（３）
前記機械学習情報記憶部は、前記制御目標値および前記制御予測値のほか、前記第２時間量の算出値、前記第２時間量の算出開始条件、前記パラメータを記憶することを特徴とする（１）に記載の電力変換回路の制御装置。
【０００８】
（４）
同一の前記所定変動幅以上の変化があったときは、直ちに次のピークまたはボトムの抑制処理に移行せずに、同一のピークまたはボトムに対して、複数回の機械学習を行うことを特徴とする（１）に記載の電力変換回路の制御装置。
【０００９】
（５）
同一の前記所定変動幅以上の変化があったときは、直ちに次のピークまたはボトムの抑制処理に移行せずに、同一のピークまたはボトムに対して、複数回の機械学習を行うことを特徴とする請求項１に記載の電力変換回路の制御装置。
同一の前記所定変動幅以上の変化があったときは、直ちに次のピークまたはボトムの抑制処理に移行せずに、同一のピークまたはボトムに対して、複数回の機械学習を行うことを特徴とする（１）に記載の電力変換回路の制御装置。
【発明の効果】
【００１０】
本発明では、負荷変化等の応答として繰り返し現れるピークとボトムのそれぞれについて、合成制御信号生成部の出力（Ｎk_Ton）（ｋは幾つ目のピークまたはボトムであるかを示す整数）を第１時間量（フィードバック制御量）と第２時間量（機械学習制御量）により構成した。そして、第２時間量を、機械学習制御目標値と機械学習制御予測値との偏差に、〔Ａk・ｅｘｐ（−λk×ｎ）〕（Ａk：最初（一番目）のボトムまたはピークを抑制するための因子（ゼロ以外の定数），λk：二番目のピークまたはボトムを減衰させるための因子（ゼロ以外の正の定数），ｎ：何番目のサンプリングかを示す整数）で重み付けをして決定した。
これにより、過渡的変化に際して振動応答する出力電圧のピークまたはボトムを抑制でき、また定常値に収束する時間を短縮することができる。
【図面の簡単な説明】
【００１１】
【図１】本発明の制御装置が適用される電力変換回路を示す模式図である。
【図２】図１の制御装置を具体的に示す機能ブロック図である。
【図３】制御パラメータを限定して示す図１の電力変換回路を示す図である。
【図４】図３の制御装置の機能ブロック図である。
【図５】（Ａ）は出力変化検出部の処理を示すフローチャート、（Ｂ）は機械学習検出部の制御処理を示すフローチャートである。
【図６】機械学習検出部の機械学習処理を示すフローチャートである。
【図７】機械学習検出部の機械学習処理の他の例を示すフローチャートである。
【図８】（Ａ）は負荷が急変した後に機械学習なしの制御を行ったときの出力波形および制御波形を示し、（Ｂ）は１つ目のピークまたはボトムについての機械学習に基づき生成した制御波形を示す図である。
【図９】（Ａ）は負荷が急変した後に１つ目のピークまたはボトムについて機械学習に基づく制御を行ったときの出力波形および制御波形を示し、（Ｂ）は２つ目のピークまたはボトムについての機械学習に基づき生成した制御波形を示す図である。
【図１０】（Ａ）は負荷が急変した後に１つ目および２つ目のピークまたはボトムについて機械学習に基づく制御を行ったときの出力波形および制御波形を示し、（Ｂ）は３つ目のピークまたはボトムについての機械学習に基づき生成した制御波形を示す図である。
【図１１】３つ目のピークまたはボトムについての機械学習に基づき生成した出力波形および制御波形を示す図である。
【図１２】図８に対応する実験例を示す図である。
【図１３】図９に対応する実験例を示す図である。
【図１４】図１０に対応する実験例を示す図である。
【図１５】図１１に対応する実験例を示す図である。
【図１６】本発明の制御装置が適用される電力変換回路の他の例を示す模式図である。
【図１７】図１６の制御装置を具体的に示す機能ブロック図である。
【発明を実施するための形態】
【００１２】
図１は、本発明の制御装置が適用される電力変換回路を示す模式図である。
図１において、電力変換回路（ＤＣ／ＤＣコンバータ２）は、スイッチ回路２２と、トランス２３と、整流器２４と、平滑用インダクタ２５（Ｌo）と、出力キャパシタ２６（Ｃo）からなる。平滑用インダクタ２５には直列にインダクタ電流検出用抵抗ｒLが接続され、出力キャパシタ２６にはキャパシタ電流検出用抵抗ｒCが直列接続され、後述する負荷２８には直列に出力電流検出用抵抗２７（ｒs）が接続されている。また、ＤＣ／ＤＣコンバータ２の入力側には、直流電源２１が接続され、出力側には負荷２８（Ｒ）が接続されている。図１では直流電源２１は便宜上バッテリーで示してあるが直流供給端子であってもよく、負荷２８は直流抵抗Ｒで示してあるが交流抵抗（インピーダンス）であってもよい。なお、図１では、ｒs，ｒL，ｒcは、省かれることがあるので、シンボルを破線で示してある。
【００１３】
図１では、出力電圧ｅo、および出力電流ｉo（検出値ｅs），入力電圧（直流電源電圧）ｅi，インダクタ電流ｉL（検出値ｅLi），キャパシタ電流ｉC（検出値ｅCi）の少なくとも１つが制御装置１Ａに送出され、制御装置１Ａは駆動回路３に、スイッチ回路２２のスイッチをオンするタイミング指令値（時間信号Ｔon,n）を送出する。
【００１４】
図２は、図１に示した制御装置１Ａの概略を示す図である。
制御装置１Ａは、プリアンプ１１と、Ａ／Ｄコンバータ１２と、出力変化検出部１３と、機械学習情報記憶部１４と、フィードバック制御部１５と、機械学習制御部１６と、合成制御信号生成部１７と、カウンタ１８とを備えている。
【００１５】
プリアンプ１１は、出力電圧値ｅo、および出力電流ｉo（検出値ｅs），入力電圧ｅi，インダクタ電流ｉL（検出値ｅLi），キャパシタ電流ｉC（検出値ｅCi）の少なくとも１つを入力し、これらを増幅して、ｅeo、およびｅes，ｅei，ｅeLi，ｅeCiとして出力する。Ａ／Ｄコンバータ１２はこれらの出力値をそれぞれディジタル信号Ｅeo，Ｅes，Ｅei，ＥeLi，ＥeCiに変換する。なお、図２では、ｒs，ｒL，ｒcは省かれることがあるので、シンボルを破線で示し、ディジタル信号Ｅes，Ｅei，ＥeLi，ＥeCiは省かれることがあるので、データの流れを意味する矢印を破線で示してある。
【００１６】
出力変化検出部１３は、出力電圧の所定値以上の変化、出力電流の所定値以上の変化、または出力インピーダンスの所定値以上の変化、負荷抵抗あるいは負荷インピーダンスの所定値以上の変化を検出する。機械学習情報記憶部１４は、機械学習情報を記憶する。
【００１７】
フィードバック制御部１５は、振動により作られるピークやボトムを抑制するべく、ディジタル信号Ｅeoおよび、Ｅes，Ｅei，ＥeLi，ＥeCiの少なくとも１つを入力し、フィーバック制御量としてのスイッチングタイミングのための第１時間量Ｎk_Ton_A,nを生成する。ｋは、何番目のピークまたはボトムに対して使用される第１時間量であるかを示す添え字である。ｎは、変化が生じてからのサンプリング回数、すなわち、何番目のサンプリングかを意味する添え字である。
機械学習制御部１６は、ニューロ制御部等の機械学習制御部であり、ディジタル信号Ｅeoおよび、Ｅes，Ｅei，ＥeLi，ＥeCiの少なくとも１つを入力し、スイッチオフのタイミングのための制御量として、第２時間量Ｎk_Ton_Bを生成する。ｋは、何番目のピークまたはボトムに対して使用される第２時間量であるかを示す添え字である。
【００１８】
なお、第２時間量Ｎk_nTon_Bは、
Ｎk_Ton_B＝αk_n（Ｎk_neo*−Ｎk_neoEst） （１）
で表され、たとえば、Ｎk_neo*は、ｎ回目のサンプリングに対する目標値であり、Ｎk_neoEstは、ｎ回目のサンプリング（変化が生じてからのサンプリング回数）における予測値とできる。
【００１９】
αk_nは、
αk_n＝ｆk_n （２）
ｆk_n：減衰関数
ｋ：何番目のピークまたはボトムかを表す整数
ｎ：何番目のサンプリングかを示す整数
（２）式では、ｆk_nは、適宜の減衰関数（たとえば、傾斜が負の一次関数、複数段階で減衰する階段関数等、指数関数を線形近似した関数）とすることができる。
【００２０】
合成制御信号生成部１７は、フィードバック制御部１５からの第１時間量と機械学習制御部１６からの第２時間量との差分、
Ｎk_Ton_B−Ｎk_Ton_A,n
を求め、この差分に基づく値を合成制御信号生成部１７に送出する。なお、本実施形態では、上記の差分に、オフセット（バイアス分Ｎk_bias）を付加しており、合成制御量Ｎk_Ton_nは、
Ｎk_Ton_n＝Ｎk_bias＋Ｎk_Ton_B−Ｎk_Ton_A,n
である。本実施形態では、Ｎk_bias−Ｎk_Ton_A,nをＮk_Ton_Bのバイアスと考えることもできる。
本実施形態では、駆動回路３は、所定の周期でオンしている。カウンタ１８は、上記の合成制御量Ｎk_Ton_nの計数を行いカウントアップしたときにスイッチオフのタイミングのための信号（タイミング指令値：時間信号ＴON）を駆動回路３に送出する。
【００２１】
図３は、制御パラメータを限定した図１のＤＣ／ＤＣコンバータ２を示す図であり、図４はフィードバック制御部１５と機械学習制御部１６とを備えた図４の制御装置１Ａの機能ブロック図である。
図３では、出力電圧ｅo，出力電流ｉo，入力電圧値ｅiが制御装置１Ａに送出され、制御装置１Ａはこれらに基づきスイッチ回路２２のスイッチをオンするタイミング指令値（時間信号ＴON）を算出し、これを駆動回路３に送出している。
【００２２】
図４において、制御装置１Ａは、プリアンプ１１と、Ａ／Ｄコンバータ１２と、出力変化検出部１３と、機械学習情報記憶部１４と、フィードバック制御部１５と、機械学習制御部１６と、合成制御信号生成部１７と、カウンタ１８とを備えている。
プリアンプ１１は、ＤＣ／ＤＣコンバータ２の出力電圧ｅo，出力電流ｅs，入力電圧ｅiを入力し、これらを増幅して、ｅeo，ｅes，ｅeiとして出力する。Ａ／Ｄコンバータ１２はこれらの値をそれぞれディジタル信号Ｅeo，Ｅes，Ｅeiに変換する。
【００２３】
出力変化検出部１３は、出力電圧の所定値以上の変化、出力電流の所定値以上の変化、または出力インピーダンスの所定値以上の変化、負荷抵抗あるいは負荷インピーダンスの所定値以上の変化を検出する。機械学習情報記憶部１４は、機械学習情報を記憶する。
【００２４】
フィードバック制御部１５は、ディジタル信号Ｅeo（出力電圧ｅoに対応）を取得して、フィーバック制御量としてのスイッチングタイミングのための第１時間量Ｎk_Ton_A,nを生成する（ｎ：何番目のサンプリングかを意味する添え字）。
第１時間量（フィードバック制御量）は、通常のフィードバック制御に準じたとえば、
ＮTon_A,n＝Ｋp（Ｎeo,n-1−ＮR）＋ＫIΣＮI,n-1
＋ＫD（Ｎeo,n-1−ＮR-1） （３）
で表される。
【００２５】
機械学習制御部１６は、負荷抵抗Ｒの変化状態を、入力電圧ｅiのディジタル値Ｅeiの関係において記憶する機械学習情報記憶部１４とアクセスできる。また、機械学習制御部１６は、ディジタル信号Ｅeo（出力電圧ｅoに対応）、ディジタル信号Ｅes（出力電流の電圧変換値ｅsに対応）およびディジタル信号Ｅei（入力電圧ｅiに対応）を入力し、機械学習制御量としてのスイッチングタイミングのための第２時間量Ｎk_Ton_B,nを生成する。
【００２６】
機械学習制御部１６は、フィードフォワード制御を行うことができる。３つ前までのサンプリングデータ、Ｅeo-1，Ｅeo-2，Ｅeo-3を使用し、ｎ番目のＮk_eoEst,nを予測している（これは、出力電圧ｅoのｎ番目のサンプリング値Ｅeo-nを予測することを意味する）。
【００２７】
したがって、機械学習制御部１６がニューロ制御部である場合には、入力層のユニット数は３になる。隠れユニットは、入力層のユニットの２倍、すなわち６であり、Ｓ字関数（シグモイド関数）は活性化関数として使用される。また、重みパラメータは、ランダムに初期化されて、標準の平方和誤差関数による逆伝播アルゴリズムで学習される。
【００２８】
第２時間量（機械学習制御量）は、サンプリングにおける制御目標値Ｎk_eo*と制御予測値Ｎk_eoEstとの偏差に、αk_nで重み付けをした、
Ｎk_Ton_B＝αk_n（Ｎk_eo*−Ｎk_eoEst） （４）
で表される。たとえば、Ｎk_eo*は、ｎ回目のサンプリングに対する目標値であり、Ｎk_eoEstは、ｎ回目のサンプリングにおける予測値とできる。
【００２９】
αk_nは、
αk_n＝Ａk・ｅｘｐ（−λk×ｎ） （５）
で表すことができる。
ｋ：何番目のピークまたはボトムかを表す整数
Ａk：第１振動抑制因子（ゼロ以外の定数）
λk：第２振動抑制因子（ゼロ以外の正の定数）
ｎ：何番目のサンプリングかを示す整数
【００３０】
（５）式では、αk_nを係数が負の指数関数としたが、前述したように、適宜の減衰関数（たとえば、傾斜が負の一次関数、複数段階で減衰する階段関数等、指数関数を線形近似した関数）とすることができる。Ａkは、抑制対象となるボトムまたはピークを抑制するための因子（定数）とすることができるし、λkは、その次以降のピークまたはボトムを減衰させるための因子（正の定数）とすることができる。
【００３１】
合成制御信号生成部１７は、フィードバック制御部１５からの第１時間量と機械学習制御部１６からの第２時間量との差分、
Ｎk_Ton_B−Ｎk_Ton_A,n
を求め、この差分に基づく値を合成制御信号生成部１７に送出する。なお、本実施形態では、上記の差分に、オフセット（バイアス分Ｎk_bias）を付加しており、合成制御量Ｎk_Ton_nは、
Ｎk_Ton_n＝Ｎk_bias＋Ｎk_Ton_B−Ｎk_Ton_A,n
である。なお、
本実施形態では、Ｎk_bias−Ｎk_Ton_A,nをＮk_Ton_Bのバイアスと考えることもできる。
本実施形態では、駆動回路３は、所定の周期でオンしている。カウンタ１８は、上記の合成制御量Ｎk_Ton_nの計数を行いカウントアップしたときにスイッチオフのタイミングのための信号（タイミング指令値：時間信号ＴON）を駆動回路３に送出する。
【００３２】
データポイントの個数はたとえばスイッチング周波数に対応して１０００とした場合、学習データを使用している逆伝播アルゴリズムを伴う繰り返し（この場合、１０００回）の後、ｎ番目のｅnの予測値Ｎk_eoEstが得られ、この後に、第２時間量Ｎk_Ton_Bが得られる。
【００３３】
負荷が急変した場合の出力変化検出部１３の処理を図５（Ａ）に示す。
機械学習制御部１６は、出力電圧ｅo，出力電流ｉo，入力電圧ｅiに対応するディジタル信号Ｅeo，出力電流Ｅes，入力電圧Ｅeiを取得するものとする。
そして、機械学習制御部１６は、ディジタル信号Ｅeo，Ｅes，Ｅeiを取得すると、負荷抵抗Ｒの変化状態を、入力電圧のディジタル値Ｅeiの関係において測定する。すなわち、入力電圧ｅiが何ボルトのときに、負荷抵抗Ｒが何オームから何オームに変化したかが測定される。
この測定結果と同様の変化状態を、機械学習情報記憶部１４内でサーチする（Ｓ１１０）。たとえば、入力電圧ｅiがＥx（Ｅx：電圧値）のときに、負荷抵抗ＲがＲx1からＲx2（Ｒx1，Ｒx2：抵抗値）に変化した場合、この変化状態が機械学習情報記憶部１４に記憶されているか否かをサーチする。
【００３４】
なお、Ｓ２３０において、同一ではないが似ている変化状態を「同様の変化状態」とすることができる。「同様の変化状態」とする基準は、適宜定義でき、たとえば、入力電圧ｅiがＥxのときに、抵抗値ＲがＲx1からＲx2に変化した場合、この変化状態は、入力電圧ｅiが（１±０．２）×Ｅxボルトの範囲内にあり、抵抗値Ｒが（１±０．２）×Ｒx1の範囲内から（１±０．２）×Ｒx2の範囲内に変化した場合の変化状態と「同様の変化状態」であるとすることができる。
【００３５】
そして、同様の変化状態についての機械学習情報（予測値Ｎk_eoEST等）が機械学習情報記憶部１４内に既にあるとき（Ｓ１２０の「ＹＥＳ」）は、図５（Ｂ）に示すように、機械学習制御部１６は、機械学習情報記憶部１４から予測値Ｎk_eoESTを呼び出し（Ｓ２１０）、目標値Ｎk_eo*と予測値Ｎk_eoESTとから第２時間量Ｎk_Ton_Bを計算する（Ｓ２２０）。そして、計算した第２時間量Ｎk_Ton_Bを合成制御信号生成部１７に渡す（Ｓ２３０）。
【００３６】
以下、出力電圧ｅoと出力電流ｉoと入力電圧ｅsとより予測を行う場合の機械学習制御部１６の処理を図６により説明する。
機械学習制御部１６は、該当する変化状態が機械学習情報記憶部１４にないとき（図７のＳ３１０の「ＮＯ」）は、１つ目のピークまたはボトムを抑制するための機械学習情報を作成し、機械学習情報記憶部１４に記録する（Ｓ３４０）。
機械学習制御部１６は、該当する変化状態が機械学習情報記憶部１４にあるとき（Ｓ３１０の「ＹＥＳ」）は、機械学習がさらに必要かを判断し（たとば、図５（Ｂ）に示した制御処理が満足できる結果であった場合）、必要でないとき（Ｓ３２０の「ＮＯ」）には機械学習処理を終え、機械学習はしない。また、機械学習がさらに必要であるとき（Ｓ３２０の「ＹＥＳ」）には、すでに抑制制御がなされているピークまたはボトムのうち、最後のピークまたはボトムの次のピークまたはボトムを抑制するための機械学習情報を作成し、機械学習情報記憶部１４に記録し（Ｓ３３０）、処理を終える。
【００３７】
また、「同様の変化状態」が機械学習情報記憶部１４内にあるとき（Ｓ１２０の「ＹＥＳ」）であっても、適宜の類似範囲から外れるとき（たとえば、変化電圧の変化前の値および／または変化後の値が、たとえば５パーセント以上１０パーセント未満の範囲にあるとき）は、このときの変化状態と予測値を機械学習情報記憶部１４に格納することができる。
【００３８】
本実施形態でも、予測値Ｎk_eoESTは、具体的には、ニューロ理論により決定できる。たとえば、負荷抵抗Ｒにある変化が生じたとする。今回は、負荷抵抗Ｒの変化状態およびそのときのディジタル信号Ｅeoの変化状態を観察して、最適だったであろう予測値Ｎk_eoESTを計算する。
【００３９】
すなわち、機械学習制御部１２は、一回の変化が起きてから収束するまでの変化の状況を学習したので、次回はそれを抑えるようにフィードフォワード的に働いている。ただ、その場合もフィードバック制御部１５が、負荷Ｒの変化だけでなくフィードフォワード的な変化にも併せて対応するように働くので、指数関数的に急速にフィードフォワードの動きを減衰させている（前述の式（５）参照）。
【００４０】
本実施形態では、機械学習機能を使って（たとえば、ニューロ制御の場合にはニューラル・ネットワークを使って）動作の予測値を生成ことで、出力電圧のピークやボトムが低減される。そして、この予測値を記憶しておき、式（２）のように、出力電圧との差を取り、それを式（３）で修正することですぐれた過渡特性が実現できる。
従って、１度目は学習するだけであるが、２度目にその現象が起きた場合は学習結果に基づき予測し、さらに式（３）で補正して優れた過渡特性を実現している。
【００４１】
ここでは、負荷２８の抵抗値Ｒをステップ変化前と変化後に検出して、その組み合わせに対応した学習・予測をメモリに蓄え、それに基づいて補正を行う。そして、（１）式に示すように、フィードバック分は従来のフィードバック制御で賄い、フィードフォワード分（Ｎk_Ton_1）相当を学習・予測・補正で賄っている。
【００４２】
負荷にある状態変化が、初めて生じたときは、図８（Ａ）の下グラフに示すように、１つ目のピークまたはボトム（この例ではではボトム）について機械学習なしの制御（フィードバック制御のみの制御）を行うとともに、図８（Ａ）の上グラフに示すように、状態変化以降について機械学習を行う。この機械学習により、図８（Ｂ）のグラフに示すような合成制御信号が生成される。
【００４３】
負荷に前記と同じ状態変化が、２回目に生じたときは、図９（Ａ）の下グラフに示すように（すなわち、図８（Ｂ）に示したように）、２つ目のピークまたはボトム（この例ではではピーク）について機械学習に基づく制御（フィードバック制御および機械学習制御）を行うとともに、図９（Ａ）の上グラフに示すように、２つ目のピークまたはボトム（この例ではではボトム）について機械学習を行う。この機械学習により、図９（Ｂ）のグラフに示すような合成制御信号が生成される。
【００４４】
負荷に前記と同じ状態変化が、３回目に生じたときは、図１０（Ａ）の下グラフに示すように（すなわち、図９（Ｂ）に示したように）、３つ目のピークまたはボトム（この例ではではピーク）について機械学習に基づく制御（フィードバック制御および機械学習制御）を行うとともに、図１０（Ａ）の上グラフに示すように、３つ目のピークまたはボトム（この例ではではピーク）について機械学習を行う。この機械学習により、図１０（Ｂ）のグラフに示すような合成制御信号が生成される。
【００４５】
負荷に前記と同じ状態変化が、４回目に生じたときは、図１１の下グラフに示すように（すなわち、図１０（Ｂ）に示したように）、４つ目のピークまたはボトム（この例ではではピーク）について機械学習に基づく制御（フィードバック制御および機械学習制御）を行う。ここでは、機械学習制御により満足できる制御が行われていると判断され、４回目の機械学習は行わない。
４回目の機械学習を行わない判断に関する情報は、機械学習制御部１２が、機械学習記憶部１４内の記憶領域内にフラグとして記憶することができる。
【００４６】
図１２（Ａ），（Ｂ）は、図８（Ａ），（Ｂ）に対応する実験例を示す図であり、１回目の学習によりオーバーシュートが１．７％から０．９％、アンダーシュートが４．２％から３．３％に改善された例を示している。なお、ここでのＰＩＤ制御のパラメータは、ＫＰ＝５，ＫＩ＝０．０２２，ＫＤ＝２である。
図１３（Ａ），（Ｂ）は、図９（Ａ），（Ｂ）に対応する実験例を示す図であり、２回目の学習では１回目の学習結果と比較して、オーバーシュートが０．９％から０．５％、収束時間ｔstが２．１ｍｓから１．７ｍｓに改善された例を示している。２回目の学習では１回目の学習結果と比較して、オーバーシュートが０．９％から０．５％、収束時間ｔｓｔが２．１ｍｓから１．７ｍｓに改善されている。なお、1回目の制御におけるＡ，λは、Ａ＝１００，λ＝０．２である。
図１４（Ａ），（Ｂ）は、図１０（Ａ），（Ｂ）に対応する実験例を示す図であり、３回目の学習では２回目の学習結果と比較して、収束時間ｔstが１．７ｍｓから０．６ｍｓに改善されている。なお、２回目の制御におけるＡ，λは、Ａ＝１２０，λ＝０．１である。
さらに、図１５は、図１１に対応する実験例を示す図である。なお、３回目の制御におけるＡ，λは、Ａ＝３５０，λ＝０．２である。
【００４７】
上記の実施形態では、負荷に同じ状態変化が生じたときには、１回で１つのピークまたはボトムについての抑制処理をしたが、たとえば、図７のフローチャートに示すように、複数回の状態変化が生じたときに、１つのピークまたはボトムについて、複数回の再学習を行うようにできる。
図７では、負荷変化についての機械学習情報が既に存在するか判断し（Ｓ４１０）、存在しない場合には、１つ目のピークまたはボトムを抑制するための機械学習情報を作成し、機械学習情報記憶部１４に記録する（Ｓ４６０）。
また、負荷変化についての機械学習情報が既に存在する場合には、機械学習がさらに必要か判断し（Ｓ４２０）、必要でないときは学習処理を終了する。
機械学習が更に必要なときは、最後に処理したピークまたはボトムを抑制するために更に機械学習するか否かを判断する（Ｓ４３０）。
機械学習する場合には、すでに抑制制御がなされているピークまたはボトムを抑制するための機械学習情報を再度作成し、機械学習情報記憶部１４に記録するし（Ｓ４４０）、機械学習しない場合には、すでに抑制制御がなされているピークまたはボトムのうち、最後のピークまたはボトムの次のピークまたはボトムを抑制するための機械学習情報を作成し、機械学習情報記憶部１４に記録する（Ｓ４５０）。
【００４８】
図１６は、本発明の制御装置が適用されるＤＣ／ＤＣコンバータを示す他の実施形態を示す模式図である。
図１６において、ＤＣ／ＤＣコンバータ２は、スイッチ回路２２と、トランス２３と、整流器２４と、平滑用インダクタ２５（Ｌo）と、出力キャパシタ２６（Ｃo）からなる。平滑用インダクタ２５には直列にインダクタ電流検出用抵抗ｒLが接続され、出力キャパシタ２６にはキャパシタ電流検出用抵抗ｒCが直列接続され、負荷２８には直列に出力電流検出用抵抗２７（ｒs）が接続されている。
【００４９】
また、ＤＣ／ＤＣコンバータ２の入力側には、直流電源２１が接続され、出力側には負荷２８（Ｒ）が接続されている。図１６では直流電源２１は便宜上バッテリーで示してあるが直流供給端子であってもよく、負荷２８は直流抵抗Ｒで示してあるが交流抵抗（インピーダンス）であってもよい。なお、図１６では、ｒs，ｒL，ｒcは、省かれることがあるので、シンボルを破線で示してある。
【００５０】
図１６では、出力電圧ｅo、および出力電流ｉo（検出値ｅs），入力電圧ｅi，インダクタ電流ｉL（検出値ｅLi），キャパシタ電流ｉC（検出値ｅCi）の少なくとも１つが外部同期選択式の制御装置１Ｂに送出され、制御装置１Ｂは駆動回路３に、スイッチ回路２２のスイッチをオンするタイミング指令値（時間信号Ｔk_ON,n）を送出する。
このタイミング指令値は、外部からのクロック信号（外部クロックＣＫO）に同期する機構を持つ。
【００５１】
このため、たとえば、負荷の状態変化の信号の周波数を、外部クロック信号ＣＫOの周波数と同一または、定数倍の周波数とすることにより、スイッチ回路２２のスイッチをオンするタイミングを負荷の状態変化と同期することが可能である。
この作用により、ＤＣ／ＤＣコンバータのスイッチングノイズのタイミングは、負荷の状態変化に同期した管理ができるため、ＤＣ／ＤＣコンバータ２の電磁適合性の外部制御を実現することができる。
【００５２】
図１７は、図１６に示した制御装置１Ｂの概略を示す図である。
制御装置１Ｂは、プリアンプ１１と、Ａ／Ｄコンバータ１２と、出力変化検出部１３と、機械学習情報記憶部１４と、フィードバック制御部１５と、機械学習制御部１６と、合成制御信号生成部１７と、カウンタ１８と外部クロック選択部１９を備えている。
【００５３】
プリアンプ１１は、出力電圧値ｅo、および出力電流ｉo（検出値ｅs），入力電圧ｅi，インダクタ電流ｉL（検出値ｅLi），キャパシタ電流ｉC（検出値ｅCi）の少なくとも１つを入力し、これらを増幅して、ｅeo、およびｅes，ｅei，ｅeLi，ｅeCiとして出力する。Ａ／Ｄコンバータ１２はこれらの出力値をそれぞれディジタル信号Ｅeo，Ｅes，Ｅei，ＥeLi，ＥeCiに変換する。
なお、図１７では、ｒs，ｒL，ｒcは省かれることがあるので、シンボルを破線で示し、ディジタル信号Ｅes，Ｅei，ＥeLi，ＥeCiは省かれることがあるので、データの流れを意味する矢印を破線で示してある。
【００５４】
出力変化検出部１３は、出力電圧の所定値以上の変化、出力電流の所定値以上の変化、または出力インピーダンスの所定値以上の変化、負荷抵抗あるいは負荷インピーダンスの所定値以上の変化を検出する。機械学習情報記憶部１４は、機械学習情報を記憶する。
【００５５】
フィードバック制御部１５は、ディジタル信号Ｅeoおよび、Ｅes，Ｅei，ＥeLi，ＥeCiの少なくとも１つを入力し、フィーバック制御量としてのスイッチングタイミングのための第１時間量Ｎk_Ton_A,nを生成する（ｎ：何番目のサンプリングかを意味する添え字）。
【００５６】
機械学習制御部１６は、ニューロ制御部等の機械学習制御部であり、ディジタル信号Ｅeoおよび、Ｅes，Ｅei，ＥeLi，ＥeCiの少なくとも１つを入力し、スイッチオフのタイミングのための制御量として、第２時間量Ｎk_Ton_Bを生成する。
【００５７】
なお、第２時間量Ｎk_Ton_Bは、前記図１の動作説明と同様に、（４）式、
Ｎk_Ton_B＝αk_n（Ｎk_eo*−Ｎk_eoEst） （４）
で表され、たとえば、Ｎk_eo*は、ｎ回目のサンプリングに対する目標値であり、Ｎk_eoEstは、ｎ回目のサンプリングにおける予測値とできる。
αnは、（５）式、
αk_n＝Ａk・ｅｘｐ（−λk×ｎ） （５）
で表すことができる。
合成制御信号生成部１７は、フィードバック制御部１５からの第１時間量と機械学習制御部１６からの第２時間量との差分、
Ｎk_Ton_B−Ｎk_Ton_A,n
を求め、この差分に基づく値を合成制御信号生成部１７に送出する。なお、本実施形態でも、上記の差分に、オフセット（バイアス分Ｎk_bias）を付加しており、合成制御量Ｎk_Ton_nは、
Ｎk_Ton_n＝Ｎk_bias＋Ｎk_Ton_B−Ｎk_Ton_A,n
である。
【００５８】
カウンタ１８は、カウントアップしたときに、スイッチ回路２２のスイッチをオンするタイミング指令値（時間信号ＴON）を駆動回路３に送出する。
このカウンタ１８のクロック信号は、外部同期信号（ＣＫO）のタイミングに同期した信号を活用するため、タイミング指令値（時間信号ＴON）の立ち上がり時間は常に、外部同期信号のタイミングと同一もしくは定倍周波数となる。
出力電圧検出値ｅoにより予測を行う場合の機械学習制御部１６の処理は、前記図３に説明したと同じである。
【符号の説明】
【００５９】
１ 制御装置
２ ＤＣ／ＤＣコンバータ
３ 駆動回路
１１ プリアンプ
１２ Ａ／Ｄコンバータ
１３ 出力変化検出部
１４ 機械学習情報記憶部
１５ フィードバック制御部
１６ 機械学習制御部
１７ 合成制御信号生成部
１８ カウンタ
１９ クロック選択部
２２ スイッチ回路
２３ トランス
２４ 整流器
２５ 平滑用インダクタ
２６ 出力キャパシタ
２７ 電流検出用抵抗
２８ 負荷
【技術分野】
【０００１】
本発明は、フィードバック制御と機械学習によるフィードフォワード制御（たとえば、ニューロ制御）とを組み合わせることで、安定性を担保しつつ、非線形の動的システムの出力電圧の予測が可能な電力変換回路の制御装置に関する。
【背景技術】
【０００２】
従来、フィードバック制御およびフィードフォワード制御が可能な制御回路を備えた電力変換回路（ＤＣ／ＤＣコンバータ）が知られている。
【発明の開示】
【発明が解決しようとする課題】
【０００３】
フィードフォワード制御では、振動（ピークとボトムの繰り返し）を抑制しようとすると、条件によっては、制御装置が、次にくるピークを助長するように振舞う場合もある。
【０００４】
本発明の目的は、フィードバック制御とフィードフォワード的な制御（たとえば、ニューロ制御等の機械学習制御）とを組み合わせることで、安定性を担保しつつ、非線形の動的システムの出力電圧の予測が可能な電力変換回路の制御装置を提供することである。
【課題を解決するための手段】
【０００５】
本発明の電力変換回路の制御装置は、以下を要旨とする。
（１）
電力変換回路の出力電圧値、および、出力電流値，入力電圧値，インダクタ電流値，キャパシタ電流値の少なくとも１つをパラメータとして取得して駆動回路にスイッチのオン・オフ信号指令値を送出することで、過渡変化に際して振動応答する出力電圧のピークまたはボトムを抑制するとともに収束時間を短縮するための電力変換回路の制御装置であって、
出力電圧の所定変動幅以上の変化、出力電流の所定変動幅以上の変化、または出力インピーダンスの所定変動幅以上の変化、負荷抵抗あるいは負荷インピーダンスの所定変動幅以上の変化を検出する出力変化検出部と、
制御目標値と制御予測値を機械学習情報として記憶する機械学習情報記憶部と、
前記電力変換回路の前記パラメータから、フィードバック制御量としての第１時間量を生成するフィードバック制御部と、
前記機械学習記憶部に記憶した機械学習制御量としての第２時間量を生成する機械学習制御部と、
前記フィードバック制御部からの第１時間量と前記機械学習制御部からの第２時間量とを合成し、当該合成量をスイッチングタイミングのための時間量として前記駆動回路に送出する合成制御信号生成部と、
を備え、
前記出力変化検出部が前記所定変動幅以上の変化を検出したときは、
前記機械学習制御部は、ｋ番目（ｋは正の整数）のピークまたはボトムに対して、
前記機械学習情報記憶部に記憶した前記制御目標値と制御予測値との偏差に、
αk_n＝ｆk_n
ｆk_n：減衰関数
ｋ：何番目のピークまたはボトムかを表す整数
ｎ：何番目のサンプリングかを示す整数
の項を含む重み付けをし、またはさらに、この重み付けした値にバイアス分を付与した前記第２時間量を生成する、
ことを特徴とする電力変換回路の制御装置。
【０００６】
（２）
αk_nが、
αk_n＝Ａk・ｅｘｐ（−λk×ｎ）
Ａk：第１振動抑制因子（ゼロ以外の定数）
λk：第２振動抑制因子（ゼロ以外の正の定数）
ｎ：何番目のサンプリングかを示す整数
で表されることを特徴とする（１）に記載の電力変換回路の制御装置。
【０００７】
（３）
前記機械学習情報記憶部は、前記制御目標値および前記制御予測値のほか、前記第２時間量の算出値、前記第２時間量の算出開始条件、前記パラメータを記憶することを特徴とする（１）に記載の電力変換回路の制御装置。
【０００８】
（４）
同一の前記所定変動幅以上の変化があったときは、直ちに次のピークまたはボトムの抑制処理に移行せずに、同一のピークまたはボトムに対して、複数回の機械学習を行うことを特徴とする（１）に記載の電力変換回路の制御装置。
【０００９】
（５）
同一の前記所定変動幅以上の変化があったときは、直ちに次のピークまたはボトムの抑制処理に移行せずに、同一のピークまたはボトムに対して、複数回の機械学習を行うことを特徴とする請求項１に記載の電力変換回路の制御装置。
同一の前記所定変動幅以上の変化があったときは、直ちに次のピークまたはボトムの抑制処理に移行せずに、同一のピークまたはボトムに対して、複数回の機械学習を行うことを特徴とする（１）に記載の電力変換回路の制御装置。
【発明の効果】
【００１０】
本発明では、負荷変化等の応答として繰り返し現れるピークとボトムのそれぞれについて、合成制御信号生成部の出力（Ｎk_Ton）（ｋは幾つ目のピークまたはボトムであるかを示す整数）を第１時間量（フィードバック制御量）と第２時間量（機械学習制御量）により構成した。そして、第２時間量を、機械学習制御目標値と機械学習制御予測値との偏差に、〔Ａk・ｅｘｐ（−λk×ｎ）〕（Ａk：最初（一番目）のボトムまたはピークを抑制するための因子（ゼロ以外の定数），λk：二番目のピークまたはボトムを減衰させるための因子（ゼロ以外の正の定数），ｎ：何番目のサンプリングかを示す整数）で重み付けをして決定した。
これにより、過渡的変化に際して振動応答する出力電圧のピークまたはボトムを抑制でき、また定常値に収束する時間を短縮することができる。
【図面の簡単な説明】
【００１１】
【図１】本発明の制御装置が適用される電力変換回路を示す模式図である。
【図２】図１の制御装置を具体的に示す機能ブロック図である。
【図３】制御パラメータを限定して示す図１の電力変換回路を示す図である。
【図４】図３の制御装置の機能ブロック図である。
【図５】（Ａ）は出力変化検出部の処理を示すフローチャート、（Ｂ）は機械学習検出部の制御処理を示すフローチャートである。
【図６】機械学習検出部の機械学習処理を示すフローチャートである。
【図７】機械学習検出部の機械学習処理の他の例を示すフローチャートである。
【図８】（Ａ）は負荷が急変した後に機械学習なしの制御を行ったときの出力波形および制御波形を示し、（Ｂ）は１つ目のピークまたはボトムについての機械学習に基づき生成した制御波形を示す図である。
【図９】（Ａ）は負荷が急変した後に１つ目のピークまたはボトムについて機械学習に基づく制御を行ったときの出力波形および制御波形を示し、（Ｂ）は２つ目のピークまたはボトムについての機械学習に基づき生成した制御波形を示す図である。
【図１０】（Ａ）は負荷が急変した後に１つ目および２つ目のピークまたはボトムについて機械学習に基づく制御を行ったときの出力波形および制御波形を示し、（Ｂ）は３つ目のピークまたはボトムについての機械学習に基づき生成した制御波形を示す図である。
【図１１】３つ目のピークまたはボトムについての機械学習に基づき生成した出力波形および制御波形を示す図である。
【図１２】図８に対応する実験例を示す図である。
【図１３】図９に対応する実験例を示す図である。
【図１４】図１０に対応する実験例を示す図である。
【図１５】図１１に対応する実験例を示す図である。
【図１６】本発明の制御装置が適用される電力変換回路の他の例を示す模式図である。
【図１７】図１６の制御装置を具体的に示す機能ブロック図である。
【発明を実施するための形態】
【００１２】
図１は、本発明の制御装置が適用される電力変換回路を示す模式図である。
図１において、電力変換回路（ＤＣ／ＤＣコンバータ２）は、スイッチ回路２２と、トランス２３と、整流器２４と、平滑用インダクタ２５（Ｌo）と、出力キャパシタ２６（Ｃo）からなる。平滑用インダクタ２５には直列にインダクタ電流検出用抵抗ｒLが接続され、出力キャパシタ２６にはキャパシタ電流検出用抵抗ｒCが直列接続され、後述する負荷２８には直列に出力電流検出用抵抗２７（ｒs）が接続されている。また、ＤＣ／ＤＣコンバータ２の入力側には、直流電源２１が接続され、出力側には負荷２８（Ｒ）が接続されている。図１では直流電源２１は便宜上バッテリーで示してあるが直流供給端子であってもよく、負荷２８は直流抵抗Ｒで示してあるが交流抵抗（インピーダンス）であってもよい。なお、図１では、ｒs，ｒL，ｒcは、省かれることがあるので、シンボルを破線で示してある。
【００１３】
図１では、出力電圧ｅo、および出力電流ｉo（検出値ｅs），入力電圧（直流電源電圧）ｅi，インダクタ電流ｉL（検出値ｅLi），キャパシタ電流ｉC（検出値ｅCi）の少なくとも１つが制御装置１Ａに送出され、制御装置１Ａは駆動回路３に、スイッチ回路２２のスイッチをオンするタイミング指令値（時間信号Ｔon,n）を送出する。
【００１４】
図２は、図１に示した制御装置１Ａの概略を示す図である。
制御装置１Ａは、プリアンプ１１と、Ａ／Ｄコンバータ１２と、出力変化検出部１３と、機械学習情報記憶部１４と、フィードバック制御部１５と、機械学習制御部１６と、合成制御信号生成部１７と、カウンタ１８とを備えている。
【００１５】
プリアンプ１１は、出力電圧値ｅo、および出力電流ｉo（検出値ｅs），入力電圧ｅi，インダクタ電流ｉL（検出値ｅLi），キャパシタ電流ｉC（検出値ｅCi）の少なくとも１つを入力し、これらを増幅して、ｅeo、およびｅes，ｅei，ｅeLi，ｅeCiとして出力する。Ａ／Ｄコンバータ１２はこれらの出力値をそれぞれディジタル信号Ｅeo，Ｅes，Ｅei，ＥeLi，ＥeCiに変換する。なお、図２では、ｒs，ｒL，ｒcは省かれることがあるので、シンボルを破線で示し、ディジタル信号Ｅes，Ｅei，ＥeLi，ＥeCiは省かれることがあるので、データの流れを意味する矢印を破線で示してある。
【００１６】
出力変化検出部１３は、出力電圧の所定値以上の変化、出力電流の所定値以上の変化、または出力インピーダンスの所定値以上の変化、負荷抵抗あるいは負荷インピーダンスの所定値以上の変化を検出する。機械学習情報記憶部１４は、機械学習情報を記憶する。
【００１７】
フィードバック制御部１５は、振動により作られるピークやボトムを抑制するべく、ディジタル信号Ｅeoおよび、Ｅes，Ｅei，ＥeLi，ＥeCiの少なくとも１つを入力し、フィーバック制御量としてのスイッチングタイミングのための第１時間量Ｎk_Ton_A,nを生成する。ｋは、何番目のピークまたはボトムに対して使用される第１時間量であるかを示す添え字である。ｎは、変化が生じてからのサンプリング回数、すなわち、何番目のサンプリングかを意味する添え字である。
機械学習制御部１６は、ニューロ制御部等の機械学習制御部であり、ディジタル信号Ｅeoおよび、Ｅes，Ｅei，ＥeLi，ＥeCiの少なくとも１つを入力し、スイッチオフのタイミングのための制御量として、第２時間量Ｎk_Ton_Bを生成する。ｋは、何番目のピークまたはボトムに対して使用される第２時間量であるかを示す添え字である。
【００１８】
なお、第２時間量Ｎk_nTon_Bは、
Ｎk_Ton_B＝αk_n（Ｎk_neo*−Ｎk_neoEst） （１）
で表され、たとえば、Ｎk_neo*は、ｎ回目のサンプリングに対する目標値であり、Ｎk_neoEstは、ｎ回目のサンプリング（変化が生じてからのサンプリング回数）における予測値とできる。
【００１９】
αk_nは、
αk_n＝ｆk_n （２）
ｆk_n：減衰関数
ｋ：何番目のピークまたはボトムかを表す整数
ｎ：何番目のサンプリングかを示す整数
（２）式では、ｆk_nは、適宜の減衰関数（たとえば、傾斜が負の一次関数、複数段階で減衰する階段関数等、指数関数を線形近似した関数）とすることができる。
【００２０】
合成制御信号生成部１７は、フィードバック制御部１５からの第１時間量と機械学習制御部１６からの第２時間量との差分、
Ｎk_Ton_B−Ｎk_Ton_A,n
を求め、この差分に基づく値を合成制御信号生成部１７に送出する。なお、本実施形態では、上記の差分に、オフセット（バイアス分Ｎk_bias）を付加しており、合成制御量Ｎk_Ton_nは、
Ｎk_Ton_n＝Ｎk_bias＋Ｎk_Ton_B−Ｎk_Ton_A,n
である。本実施形態では、Ｎk_bias−Ｎk_Ton_A,nをＮk_Ton_Bのバイアスと考えることもできる。
本実施形態では、駆動回路３は、所定の周期でオンしている。カウンタ１８は、上記の合成制御量Ｎk_Ton_nの計数を行いカウントアップしたときにスイッチオフのタイミングのための信号（タイミング指令値：時間信号ＴON）を駆動回路３に送出する。
【００２１】
図３は、制御パラメータを限定した図１のＤＣ／ＤＣコンバータ２を示す図であり、図４はフィードバック制御部１５と機械学習制御部１６とを備えた図４の制御装置１Ａの機能ブロック図である。
図３では、出力電圧ｅo，出力電流ｉo，入力電圧値ｅiが制御装置１Ａに送出され、制御装置１Ａはこれらに基づきスイッチ回路２２のスイッチをオンするタイミング指令値（時間信号ＴON）を算出し、これを駆動回路３に送出している。
【００２２】
図４において、制御装置１Ａは、プリアンプ１１と、Ａ／Ｄコンバータ１２と、出力変化検出部１３と、機械学習情報記憶部１４と、フィードバック制御部１５と、機械学習制御部１６と、合成制御信号生成部１７と、カウンタ１８とを備えている。
プリアンプ１１は、ＤＣ／ＤＣコンバータ２の出力電圧ｅo，出力電流ｅs，入力電圧ｅiを入力し、これらを増幅して、ｅeo，ｅes，ｅeiとして出力する。Ａ／Ｄコンバータ１２はこれらの値をそれぞれディジタル信号Ｅeo，Ｅes，Ｅeiに変換する。
【００２３】
出力変化検出部１３は、出力電圧の所定値以上の変化、出力電流の所定値以上の変化、または出力インピーダンスの所定値以上の変化、負荷抵抗あるいは負荷インピーダンスの所定値以上の変化を検出する。機械学習情報記憶部１４は、機械学習情報を記憶する。
【００２４】
フィードバック制御部１５は、ディジタル信号Ｅeo（出力電圧ｅoに対応）を取得して、フィーバック制御量としてのスイッチングタイミングのための第１時間量Ｎk_Ton_A,nを生成する（ｎ：何番目のサンプリングかを意味する添え字）。
第１時間量（フィードバック制御量）は、通常のフィードバック制御に準じたとえば、
ＮTon_A,n＝Ｋp（Ｎeo,n-1−ＮR）＋ＫIΣＮI,n-1
＋ＫD（Ｎeo,n-1−ＮR-1） （３）
で表される。
【００２５】
機械学習制御部１６は、負荷抵抗Ｒの変化状態を、入力電圧ｅiのディジタル値Ｅeiの関係において記憶する機械学習情報記憶部１４とアクセスできる。また、機械学習制御部１６は、ディジタル信号Ｅeo（出力電圧ｅoに対応）、ディジタル信号Ｅes（出力電流の電圧変換値ｅsに対応）およびディジタル信号Ｅei（入力電圧ｅiに対応）を入力し、機械学習制御量としてのスイッチングタイミングのための第２時間量Ｎk_Ton_B,nを生成する。
【００２６】
機械学習制御部１６は、フィードフォワード制御を行うことができる。３つ前までのサンプリングデータ、Ｅeo-1，Ｅeo-2，Ｅeo-3を使用し、ｎ番目のＮk_eoEst,nを予測している（これは、出力電圧ｅoのｎ番目のサンプリング値Ｅeo-nを予測することを意味する）。
【００２７】
したがって、機械学習制御部１６がニューロ制御部である場合には、入力層のユニット数は３になる。隠れユニットは、入力層のユニットの２倍、すなわち６であり、Ｓ字関数（シグモイド関数）は活性化関数として使用される。また、重みパラメータは、ランダムに初期化されて、標準の平方和誤差関数による逆伝播アルゴリズムで学習される。
【００２８】
第２時間量（機械学習制御量）は、サンプリングにおける制御目標値Ｎk_eo*と制御予測値Ｎk_eoEstとの偏差に、αk_nで重み付けをした、
Ｎk_Ton_B＝αk_n（Ｎk_eo*−Ｎk_eoEst） （４）
で表される。たとえば、Ｎk_eo*は、ｎ回目のサンプリングに対する目標値であり、Ｎk_eoEstは、ｎ回目のサンプリングにおける予測値とできる。
【００２９】
αk_nは、
αk_n＝Ａk・ｅｘｐ（−λk×ｎ） （５）
で表すことができる。
ｋ：何番目のピークまたはボトムかを表す整数
Ａk：第１振動抑制因子（ゼロ以外の定数）
λk：第２振動抑制因子（ゼロ以外の正の定数）
ｎ：何番目のサンプリングかを示す整数
【００３０】
（５）式では、αk_nを係数が負の指数関数としたが、前述したように、適宜の減衰関数（たとえば、傾斜が負の一次関数、複数段階で減衰する階段関数等、指数関数を線形近似した関数）とすることができる。Ａkは、抑制対象となるボトムまたはピークを抑制するための因子（定数）とすることができるし、λkは、その次以降のピークまたはボトムを減衰させるための因子（正の定数）とすることができる。
【００３１】
合成制御信号生成部１７は、フィードバック制御部１５からの第１時間量と機械学習制御部１６からの第２時間量との差分、
Ｎk_Ton_B−Ｎk_Ton_A,n
を求め、この差分に基づく値を合成制御信号生成部１７に送出する。なお、本実施形態では、上記の差分に、オフセット（バイアス分Ｎk_bias）を付加しており、合成制御量Ｎk_Ton_nは、
Ｎk_Ton_n＝Ｎk_bias＋Ｎk_Ton_B−Ｎk_Ton_A,n
である。なお、
本実施形態では、Ｎk_bias−Ｎk_Ton_A,nをＮk_Ton_Bのバイアスと考えることもできる。
本実施形態では、駆動回路３は、所定の周期でオンしている。カウンタ１８は、上記の合成制御量Ｎk_Ton_nの計数を行いカウントアップしたときにスイッチオフのタイミングのための信号（タイミング指令値：時間信号ＴON）を駆動回路３に送出する。
【００３２】
データポイントの個数はたとえばスイッチング周波数に対応して１０００とした場合、学習データを使用している逆伝播アルゴリズムを伴う繰り返し（この場合、１０００回）の後、ｎ番目のｅnの予測値Ｎk_eoEstが得られ、この後に、第２時間量Ｎk_Ton_Bが得られる。
【００３３】
負荷が急変した場合の出力変化検出部１３の処理を図５（Ａ）に示す。
機械学習制御部１６は、出力電圧ｅo，出力電流ｉo，入力電圧ｅiに対応するディジタル信号Ｅeo，出力電流Ｅes，入力電圧Ｅeiを取得するものとする。
そして、機械学習制御部１６は、ディジタル信号Ｅeo，Ｅes，Ｅeiを取得すると、負荷抵抗Ｒの変化状態を、入力電圧のディジタル値Ｅeiの関係において測定する。すなわち、入力電圧ｅiが何ボルトのときに、負荷抵抗Ｒが何オームから何オームに変化したかが測定される。
この測定結果と同様の変化状態を、機械学習情報記憶部１４内でサーチする（Ｓ１１０）。たとえば、入力電圧ｅiがＥx（Ｅx：電圧値）のときに、負荷抵抗ＲがＲx1からＲx2（Ｒx1，Ｒx2：抵抗値）に変化した場合、この変化状態が機械学習情報記憶部１４に記憶されているか否かをサーチする。
【００３４】
なお、Ｓ２３０において、同一ではないが似ている変化状態を「同様の変化状態」とすることができる。「同様の変化状態」とする基準は、適宜定義でき、たとえば、入力電圧ｅiがＥxのときに、抵抗値ＲがＲx1からＲx2に変化した場合、この変化状態は、入力電圧ｅiが（１±０．２）×Ｅxボルトの範囲内にあり、抵抗値Ｒが（１±０．２）×Ｒx1の範囲内から（１±０．２）×Ｒx2の範囲内に変化した場合の変化状態と「同様の変化状態」であるとすることができる。
【００３５】
そして、同様の変化状態についての機械学習情報（予測値Ｎk_eoEST等）が機械学習情報記憶部１４内に既にあるとき（Ｓ１２０の「ＹＥＳ」）は、図５（Ｂ）に示すように、機械学習制御部１６は、機械学習情報記憶部１４から予測値Ｎk_eoESTを呼び出し（Ｓ２１０）、目標値Ｎk_eo*と予測値Ｎk_eoESTとから第２時間量Ｎk_Ton_Bを計算する（Ｓ２２０）。そして、計算した第２時間量Ｎk_Ton_Bを合成制御信号生成部１７に渡す（Ｓ２３０）。
【００３６】
以下、出力電圧ｅoと出力電流ｉoと入力電圧ｅsとより予測を行う場合の機械学習制御部１６の処理を図６により説明する。
機械学習制御部１６は、該当する変化状態が機械学習情報記憶部１４にないとき（図７のＳ３１０の「ＮＯ」）は、１つ目のピークまたはボトムを抑制するための機械学習情報を作成し、機械学習情報記憶部１４に記録する（Ｓ３４０）。
機械学習制御部１６は、該当する変化状態が機械学習情報記憶部１４にあるとき（Ｓ３１０の「ＹＥＳ」）は、機械学習がさらに必要かを判断し（たとば、図５（Ｂ）に示した制御処理が満足できる結果であった場合）、必要でないとき（Ｓ３２０の「ＮＯ」）には機械学習処理を終え、機械学習はしない。また、機械学習がさらに必要であるとき（Ｓ３２０の「ＹＥＳ」）には、すでに抑制制御がなされているピークまたはボトムのうち、最後のピークまたはボトムの次のピークまたはボトムを抑制するための機械学習情報を作成し、機械学習情報記憶部１４に記録し（Ｓ３３０）、処理を終える。
【００３７】
また、「同様の変化状態」が機械学習情報記憶部１４内にあるとき（Ｓ１２０の「ＹＥＳ」）であっても、適宜の類似範囲から外れるとき（たとえば、変化電圧の変化前の値および／または変化後の値が、たとえば５パーセント以上１０パーセント未満の範囲にあるとき）は、このときの変化状態と予測値を機械学習情報記憶部１４に格納することができる。
【００３８】
本実施形態でも、予測値Ｎk_eoESTは、具体的には、ニューロ理論により決定できる。たとえば、負荷抵抗Ｒにある変化が生じたとする。今回は、負荷抵抗Ｒの変化状態およびそのときのディジタル信号Ｅeoの変化状態を観察して、最適だったであろう予測値Ｎk_eoESTを計算する。
【００３９】
すなわち、機械学習制御部１２は、一回の変化が起きてから収束するまでの変化の状況を学習したので、次回はそれを抑えるようにフィードフォワード的に働いている。ただ、その場合もフィードバック制御部１５が、負荷Ｒの変化だけでなくフィードフォワード的な変化にも併せて対応するように働くので、指数関数的に急速にフィードフォワードの動きを減衰させている（前述の式（５）参照）。
【００４０】
本実施形態では、機械学習機能を使って（たとえば、ニューロ制御の場合にはニューラル・ネットワークを使って）動作の予測値を生成ことで、出力電圧のピークやボトムが低減される。そして、この予測値を記憶しておき、式（２）のように、出力電圧との差を取り、それを式（３）で修正することですぐれた過渡特性が実現できる。
従って、１度目は学習するだけであるが、２度目にその現象が起きた場合は学習結果に基づき予測し、さらに式（３）で補正して優れた過渡特性を実現している。
【００４１】
ここでは、負荷２８の抵抗値Ｒをステップ変化前と変化後に検出して、その組み合わせに対応した学習・予測をメモリに蓄え、それに基づいて補正を行う。そして、（１）式に示すように、フィードバック分は従来のフィードバック制御で賄い、フィードフォワード分（Ｎk_Ton_1）相当を学習・予測・補正で賄っている。
【００４２】
負荷にある状態変化が、初めて生じたときは、図８（Ａ）の下グラフに示すように、１つ目のピークまたはボトム（この例ではではボトム）について機械学習なしの制御（フィードバック制御のみの制御）を行うとともに、図８（Ａ）の上グラフに示すように、状態変化以降について機械学習を行う。この機械学習により、図８（Ｂ）のグラフに示すような合成制御信号が生成される。
【００４３】
負荷に前記と同じ状態変化が、２回目に生じたときは、図９（Ａ）の下グラフに示すように（すなわち、図８（Ｂ）に示したように）、２つ目のピークまたはボトム（この例ではではピーク）について機械学習に基づく制御（フィードバック制御および機械学習制御）を行うとともに、図９（Ａ）の上グラフに示すように、２つ目のピークまたはボトム（この例ではではボトム）について機械学習を行う。この機械学習により、図９（Ｂ）のグラフに示すような合成制御信号が生成される。
【００４４】
負荷に前記と同じ状態変化が、３回目に生じたときは、図１０（Ａ）の下グラフに示すように（すなわち、図９（Ｂ）に示したように）、３つ目のピークまたはボトム（この例ではではピーク）について機械学習に基づく制御（フィードバック制御および機械学習制御）を行うとともに、図１０（Ａ）の上グラフに示すように、３つ目のピークまたはボトム（この例ではではピーク）について機械学習を行う。この機械学習により、図１０（Ｂ）のグラフに示すような合成制御信号が生成される。
【００４５】
負荷に前記と同じ状態変化が、４回目に生じたときは、図１１の下グラフに示すように（すなわち、図１０（Ｂ）に示したように）、４つ目のピークまたはボトム（この例ではではピーク）について機械学習に基づく制御（フィードバック制御および機械学習制御）を行う。ここでは、機械学習制御により満足できる制御が行われていると判断され、４回目の機械学習は行わない。
４回目の機械学習を行わない判断に関する情報は、機械学習制御部１２が、機械学習記憶部１４内の記憶領域内にフラグとして記憶することができる。
【００４６】
図１２（Ａ），（Ｂ）は、図８（Ａ），（Ｂ）に対応する実験例を示す図であり、１回目の学習によりオーバーシュートが１．７％から０．９％、アンダーシュートが４．２％から３．３％に改善された例を示している。なお、ここでのＰＩＤ制御のパラメータは、ＫＰ＝５，ＫＩ＝０．０２２，ＫＤ＝２である。
図１３（Ａ），（Ｂ）は、図９（Ａ），（Ｂ）に対応する実験例を示す図であり、２回目の学習では１回目の学習結果と比較して、オーバーシュートが０．９％から０．５％、収束時間ｔstが２．１ｍｓから１．７ｍｓに改善された例を示している。２回目の学習では１回目の学習結果と比較して、オーバーシュートが０．９％から０．５％、収束時間ｔｓｔが２．１ｍｓから１．７ｍｓに改善されている。なお、1回目の制御におけるＡ，λは、Ａ＝１００，λ＝０．２である。
図１４（Ａ），（Ｂ）は、図１０（Ａ），（Ｂ）に対応する実験例を示す図であり、３回目の学習では２回目の学習結果と比較して、収束時間ｔstが１．７ｍｓから０．６ｍｓに改善されている。なお、２回目の制御におけるＡ，λは、Ａ＝１２０，λ＝０．１である。
さらに、図１５は、図１１に対応する実験例を示す図である。なお、３回目の制御におけるＡ，λは、Ａ＝３５０，λ＝０．２である。
【００４７】
上記の実施形態では、負荷に同じ状態変化が生じたときには、１回で１つのピークまたはボトムについての抑制処理をしたが、たとえば、図７のフローチャートに示すように、複数回の状態変化が生じたときに、１つのピークまたはボトムについて、複数回の再学習を行うようにできる。
図７では、負荷変化についての機械学習情報が既に存在するか判断し（Ｓ４１０）、存在しない場合には、１つ目のピークまたはボトムを抑制するための機械学習情報を作成し、機械学習情報記憶部１４に記録する（Ｓ４６０）。
また、負荷変化についての機械学習情報が既に存在する場合には、機械学習がさらに必要か判断し（Ｓ４２０）、必要でないときは学習処理を終了する。
機械学習が更に必要なときは、最後に処理したピークまたはボトムを抑制するために更に機械学習するか否かを判断する（Ｓ４３０）。
機械学習する場合には、すでに抑制制御がなされているピークまたはボトムを抑制するための機械学習情報を再度作成し、機械学習情報記憶部１４に記録するし（Ｓ４４０）、機械学習しない場合には、すでに抑制制御がなされているピークまたはボトムのうち、最後のピークまたはボトムの次のピークまたはボトムを抑制するための機械学習情報を作成し、機械学習情報記憶部１４に記録する（Ｓ４５０）。
【００４８】
図１６は、本発明の制御装置が適用されるＤＣ／ＤＣコンバータを示す他の実施形態を示す模式図である。
図１６において、ＤＣ／ＤＣコンバータ２は、スイッチ回路２２と、トランス２３と、整流器２４と、平滑用インダクタ２５（Ｌo）と、出力キャパシタ２６（Ｃo）からなる。平滑用インダクタ２５には直列にインダクタ電流検出用抵抗ｒLが接続され、出力キャパシタ２６にはキャパシタ電流検出用抵抗ｒCが直列接続され、負荷２８には直列に出力電流検出用抵抗２７（ｒs）が接続されている。
【００４９】
また、ＤＣ／ＤＣコンバータ２の入力側には、直流電源２１が接続され、出力側には負荷２８（Ｒ）が接続されている。図１６では直流電源２１は便宜上バッテリーで示してあるが直流供給端子であってもよく、負荷２８は直流抵抗Ｒで示してあるが交流抵抗（インピーダンス）であってもよい。なお、図１６では、ｒs，ｒL，ｒcは、省かれることがあるので、シンボルを破線で示してある。
【００５０】
図１６では、出力電圧ｅo、および出力電流ｉo（検出値ｅs），入力電圧ｅi，インダクタ電流ｉL（検出値ｅLi），キャパシタ電流ｉC（検出値ｅCi）の少なくとも１つが外部同期選択式の制御装置１Ｂに送出され、制御装置１Ｂは駆動回路３に、スイッチ回路２２のスイッチをオンするタイミング指令値（時間信号Ｔk_ON,n）を送出する。
このタイミング指令値は、外部からのクロック信号（外部クロックＣＫO）に同期する機構を持つ。
【００５１】
このため、たとえば、負荷の状態変化の信号の周波数を、外部クロック信号ＣＫOの周波数と同一または、定数倍の周波数とすることにより、スイッチ回路２２のスイッチをオンするタイミングを負荷の状態変化と同期することが可能である。
この作用により、ＤＣ／ＤＣコンバータのスイッチングノイズのタイミングは、負荷の状態変化に同期した管理ができるため、ＤＣ／ＤＣコンバータ２の電磁適合性の外部制御を実現することができる。
【００５２】
図１７は、図１６に示した制御装置１Ｂの概略を示す図である。
制御装置１Ｂは、プリアンプ１１と、Ａ／Ｄコンバータ１２と、出力変化検出部１３と、機械学習情報記憶部１４と、フィードバック制御部１５と、機械学習制御部１６と、合成制御信号生成部１７と、カウンタ１８と外部クロック選択部１９を備えている。
【００５３】
プリアンプ１１は、出力電圧値ｅo、および出力電流ｉo（検出値ｅs），入力電圧ｅi，インダクタ電流ｉL（検出値ｅLi），キャパシタ電流ｉC（検出値ｅCi）の少なくとも１つを入力し、これらを増幅して、ｅeo、およびｅes，ｅei，ｅeLi，ｅeCiとして出力する。Ａ／Ｄコンバータ１２はこれらの出力値をそれぞれディジタル信号Ｅeo，Ｅes，Ｅei，ＥeLi，ＥeCiに変換する。
なお、図１７では、ｒs，ｒL，ｒcは省かれることがあるので、シンボルを破線で示し、ディジタル信号Ｅes，Ｅei，ＥeLi，ＥeCiは省かれることがあるので、データの流れを意味する矢印を破線で示してある。
【００５４】
出力変化検出部１３は、出力電圧の所定値以上の変化、出力電流の所定値以上の変化、または出力インピーダンスの所定値以上の変化、負荷抵抗あるいは負荷インピーダンスの所定値以上の変化を検出する。機械学習情報記憶部１４は、機械学習情報を記憶する。
【００５５】
フィードバック制御部１５は、ディジタル信号Ｅeoおよび、Ｅes，Ｅei，ＥeLi，ＥeCiの少なくとも１つを入力し、フィーバック制御量としてのスイッチングタイミングのための第１時間量Ｎk_Ton_A,nを生成する（ｎ：何番目のサンプリングかを意味する添え字）。
【００５６】
機械学習制御部１６は、ニューロ制御部等の機械学習制御部であり、ディジタル信号Ｅeoおよび、Ｅes，Ｅei，ＥeLi，ＥeCiの少なくとも１つを入力し、スイッチオフのタイミングのための制御量として、第２時間量Ｎk_Ton_Bを生成する。
【００５７】
なお、第２時間量Ｎk_Ton_Bは、前記図１の動作説明と同様に、（４）式、
Ｎk_Ton_B＝αk_n（Ｎk_eo*−Ｎk_eoEst） （４）
で表され、たとえば、Ｎk_eo*は、ｎ回目のサンプリングに対する目標値であり、Ｎk_eoEstは、ｎ回目のサンプリングにおける予測値とできる。
αnは、（５）式、
αk_n＝Ａk・ｅｘｐ（−λk×ｎ） （５）
で表すことができる。
合成制御信号生成部１７は、フィードバック制御部１５からの第１時間量と機械学習制御部１６からの第２時間量との差分、
Ｎk_Ton_B−Ｎk_Ton_A,n
を求め、この差分に基づく値を合成制御信号生成部１７に送出する。なお、本実施形態でも、上記の差分に、オフセット（バイアス分Ｎk_bias）を付加しており、合成制御量Ｎk_Ton_nは、
Ｎk_Ton_n＝Ｎk_bias＋Ｎk_Ton_B−Ｎk_Ton_A,n
である。
【００５８】
カウンタ１８は、カウントアップしたときに、スイッチ回路２２のスイッチをオンするタイミング指令値（時間信号ＴON）を駆動回路３に送出する。
このカウンタ１８のクロック信号は、外部同期信号（ＣＫO）のタイミングに同期した信号を活用するため、タイミング指令値（時間信号ＴON）の立ち上がり時間は常に、外部同期信号のタイミングと同一もしくは定倍周波数となる。
出力電圧検出値ｅoにより予測を行う場合の機械学習制御部１６の処理は、前記図３に説明したと同じである。
【符号の説明】
【００５９】
１ 制御装置
２ ＤＣ／ＤＣコンバータ
３ 駆動回路
１１ プリアンプ
１２ Ａ／Ｄコンバータ
１３ 出力変化検出部
１４ 機械学習情報記憶部
１５ フィードバック制御部
１６ 機械学習制御部
１７ 合成制御信号生成部
１８ カウンタ
１９ クロック選択部
２２ スイッチ回路
２３ トランス
２４ 整流器
２５ 平滑用インダクタ
２６ 出力キャパシタ
２７ 電流検出用抵抗
２８ 負荷
【特許請求の範囲】
【請求項１】
電力変換回路の出力電圧値、および、出力電流値，入力電圧値，インダクタ電流値，キャパシタ電流値の少なくとも１つをパラメータとして取得して駆動回路にスイッチのオン・オフ信号指令値を送出することで、過渡変化に際して振動応答する出力電圧のピークまたはボトムを抑制するとともに収束時間を短縮するための電力変換回路の制御装置であって、
出力電圧の所定変動幅以上の変化、出力電流の所定変動幅以上の変化、または出力インピーダンスの所定変動幅以上の変化、負荷抵抗あるいは負荷インピーダンスの所定変動幅以上の変化を検出する出力変化検出部と、
制御目標値と制御予測値を機械学習情報として記憶する機械学習情報記憶部と、
前記電力変換回路の前記パラメータから、フィードバック制御量としての第１時間量を生成するフィードバック制御部と、
前記機械学習記憶部に記憶した機械学習制御量としての第２時間量を生成する機械学習制御部と、
前記フィードバック制御部からの第１時間量と前記機械学習制御部からの第２時間量とを合成し、当該合成量をスイッチングタイミングのための時間量として前記駆動回路に送出する合成制御信号生成部と、
を備え、
前記出力変化検出部が前記所定変動幅以上の変化を検出したときは、
前記機械学習制御部は、ｋ番目（ｋは正の整数）のピークまたはボトムに対して、
前記機械学習情報記憶部に記憶した前記制御目標値と制御予測値との偏差に、
αk_n＝ｆk_n
ｆk_n：減衰関数
ｋ：何番目のピークまたはボトムかを表す整数
ｎ：何番目のサンプリングかを示す整数
の項を含む重み付けをし、またはさらに、この重み付けした値にバイアス分を付与した前記第２時間量を生成する、
ことを特徴とする電力変換回路の制御装置。
【請求項２】
αk_nが、
αk_n＝Ａk・ｅｘｐ（−λk×ｎ）
Ａk：第１振動抑制因子（ゼロ以外の定数）
λk：第２振動抑制因子（ゼロ以外の正の定数）
ｎ：何番目のサンプリングかを示す整数
で表されることを特徴とする請求項１に記載の電力変換回路の制御装置。
【請求項３】
前記機械学習情報記憶部は、前記制御目標値および前記制御予測値のほか、前記第２時間量の算出値、前記第２時間量の算出開始条件、前記パラメータを記憶することを特徴とする請求項１に記載の電力変換回路の制御装置。
【請求項４】
同一の前記所定変動幅以上の変化があったときは、直ちに次のピークまたはボトムの抑制処理に移行せずに、同一のピークまたはボトムに対して、複数回の機械学習を行うことを特徴とする請求項１に記載の電力変換回路の制御装置。
【請求項５】
同一の前記所定変動幅以上の変化があったときは、直ちに次のピークまたはボトムの抑制処理に移行せずに、同一のピークまたはボトムに対して、複数回の機械学習を行うことを特徴とする請求項１に記載の電力変換回路の制御装置。
【請求項１】
電力変換回路の出力電圧値、および、出力電流値，入力電圧値，インダクタ電流値，キャパシタ電流値の少なくとも１つをパラメータとして取得して駆動回路にスイッチのオン・オフ信号指令値を送出することで、過渡変化に際して振動応答する出力電圧のピークまたはボトムを抑制するとともに収束時間を短縮するための電力変換回路の制御装置であって、
出力電圧の所定変動幅以上の変化、出力電流の所定変動幅以上の変化、または出力インピーダンスの所定変動幅以上の変化、負荷抵抗あるいは負荷インピーダンスの所定変動幅以上の変化を検出する出力変化検出部と、
制御目標値と制御予測値を機械学習情報として記憶する機械学習情報記憶部と、
前記電力変換回路の前記パラメータから、フィードバック制御量としての第１時間量を生成するフィードバック制御部と、
前記機械学習記憶部に記憶した機械学習制御量としての第２時間量を生成する機械学習制御部と、
前記フィードバック制御部からの第１時間量と前記機械学習制御部からの第２時間量とを合成し、当該合成量をスイッチングタイミングのための時間量として前記駆動回路に送出する合成制御信号生成部と、
を備え、
前記出力変化検出部が前記所定変動幅以上の変化を検出したときは、
前記機械学習制御部は、ｋ番目（ｋは正の整数）のピークまたはボトムに対して、
前記機械学習情報記憶部に記憶した前記制御目標値と制御予測値との偏差に、
αk_n＝ｆk_n
ｆk_n：減衰関数
ｋ：何番目のピークまたはボトムかを表す整数
ｎ：何番目のサンプリングかを示す整数
の項を含む重み付けをし、またはさらに、この重み付けした値にバイアス分を付与した前記第２時間量を生成する、
ことを特徴とする電力変換回路の制御装置。
【請求項２】
αk_nが、
αk_n＝Ａk・ｅｘｐ（−λk×ｎ）
Ａk：第１振動抑制因子（ゼロ以外の定数）
λk：第２振動抑制因子（ゼロ以外の正の定数）
ｎ：何番目のサンプリングかを示す整数
で表されることを特徴とする請求項１に記載の電力変換回路の制御装置。
【請求項３】
前記機械学習情報記憶部は、前記制御目標値および前記制御予測値のほか、前記第２時間量の算出値、前記第２時間量の算出開始条件、前記パラメータを記憶することを特徴とする請求項１に記載の電力変換回路の制御装置。
【請求項４】
同一の前記所定変動幅以上の変化があったときは、直ちに次のピークまたはボトムの抑制処理に移行せずに、同一のピークまたはボトムに対して、複数回の機械学習を行うことを特徴とする請求項１に記載の電力変換回路の制御装置。
【請求項５】
同一の前記所定変動幅以上の変化があったときは、直ちに次のピークまたはボトムの抑制処理に移行せずに、同一のピークまたはボトムに対して、複数回の機械学習を行うことを特徴とする請求項１に記載の電力変換回路の制御装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１６】
【図１７】
【図１２】
【図１３】
【図１４】
【図１５】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１６】
【図１７】
【図１２】
【図１３】
【図１４】
【図１５】
【公開番号】特開２０１２−２１３２５８（Ｐ２０１２−２１３２５８Ａ）
【公開日】平成２４年１１月１日（２０１２．１１．１）
【国際特許分類】
【出願番号】特願２０１１−７６９０８（Ｐ２０１１−７６９０８）
【出願日】平成２３年３月３０日（２０１１．３．３０）
【出願人】（５０４２０５５２１）国立大学法人 長崎大学 (226)
【出願人】（０００００６０１３）三菱電機株式会社 (33,312)
【Ｆターム（参考）】
【公開日】平成２４年１１月１日（２０１２．１１．１）
【国際特許分類】
【出願日】平成２３年３月３０日（２０１１．３．３０）
【出願人】（５０４２０５５２１）国立大学法人 長崎大学 (226)
【出願人】（０００００６０１３）三菱電機株式会社 (33,312)
【Ｆターム（参考）】
[ Back to top ]