Использование цифровой обработки сигналов для систем сбора энергии и управления энергопотреблением

Введение

Цифровая обработка сигналов (DSP) стала краеугольным камнем в разработке и оптимизации систем сбора энергии и управления мощностью. Эти системы становятся все более жизненно важными для питания удаленных датчиков, носимой электроники, беспроводных сенсорных сетей и устройств Интернета вещей (IoT), особенно в средах, где обычные источники энергии недоступны или непрактичны. Преобразуя энергию окружающей среды из источников, таких как солнечный свет, механические вибрации и тепловые градиенты, в полезную электрическую энергию, сбор энергии обещает устойчивое будущее для маломощной электроники. Однако эффективность и надежность этих систем критически зависят от интеллекта, встроенного в их блоки управления и обработки. DSP обеспечивает аналитическую и алгоритмическую основу, которая позволяет адаптироваться в режиме реального времени, максимальное извлечение энергии и надежное регулирование мощности. В этой статье исследуется, как методы DSP применяются во всей цепочке сбора энергии и управления мощностью, от сбора сигнала до доставки нагрузки, и рассматривает последние разработки, которые раздвигают границы того, что эти системы могут достичь.

Интеграция DSP в сбор энергии — это не просто постепенное улучшение; это фундаментально трансформирует работу этих систем. Без интеллектуальной обработки энергосборщики будут работать в неоптимальных точках, теряя доступную окружающую энергию и доставляя несогласованную мощность. С DSP устройства могут непрерывно ощущать условия окружающей среды, корректировать свои рабочие параметры и прогнозировать будущую доступность энергии. Аналогичным образом, в управлении мощностью DSP позволяет динамический масштабирование напряжения, адаптивное балансирование нагрузки и сложные алгоритмы зарядки аккумуляторов, которые продлевают срок службы системы и повышают надежность. Эта статья обеспечивает всеобъемлющий обзор роли DSP в сборе энергии и управлении мощностью, охватывающий основные методы, практические применения, преимущества и новые тенденции. На протяжении всего времени мы будем подчеркивать практическое влияние этих технологий и предоставлять ссылки для дальнейшего изучения.

Что такое цифровая обработка сигналов?

Обработка цифровых сигналов относится к математической манипуляции оцифрованными сигналами для улучшения, анализа или извлечения информации из них. В контексте энергетических систем DSP включает преобразование показаний аналоговых датчиков, таких как напряжение, ток, температура или амплитуда вибрации, в цифровые данные, а затем применение алгоритмов для фильтрации, преобразования или управления этими сигналами. Общие операции DSP включают фильтрацию с конечным импульсным откликом (FIR) и бесконечным импульсным откликом (IIR), быстрые преобразования Фурье (FFT), корреляцию и адаптивную фильтрацию. Эти операции выполняются на микроконтроллерах, цифровых сигнальных процессорах или программируемых в полевых условиях массивах затворов (FPGA), которые предназначены для эффективного выполнения высокоскоростной арифметики.

В системах сбора энергии DSP используется для обработки сигналов от преобразователей энергии (например, фотоэлектрических элементов, пьезоэлектрических элементов, термоэлектрических генераторов) и от схем управления питанием. Цель состоит в том, чтобы извлечь полезную мощность при сохранении стабильности системы. Например, DSP может отфильтровать высокочастотный шум от измерений тока, вычислить выходную мощность в реальном времени и реализовать управляющие петли, которые настраивают коммутационные преобразователи для максимизации передачи энергии. Внутренняя гибкость цифровой обработки позволяет разработчикам реализовывать сложные алгоритмы, которые были бы непрактичны только с аналоговыми схемами. Кроме того, поскольку оборудование DSP становится более энергоэффективным, теперь возможно интегрировать сложную обработку в системы с ультранизким энергопотреблением, позволяя самоподдерживающимся устройствам, которые собирают свою собственную рабочую энергию.

Ключевое различие в DSP для энергетических систем заключается в том, что системы с открытым циклом и замкнутым циклом используют заранее запрограммированные параметры, в то время как системы с закрытым циклом используют обратную связь от датчиков для непрерывной адаптации. DSP обеспечивает управление замкнутым циклом с высокой точностью и быстрым временем отклика, что необходимо для отслеживания быстро меняющихся условий окружающей среды, таких как изменяющаяся интенсивность солнечного света или механические вибрации. Кроме того, DSP может включать методы машинного обучения для прогнозирования доступности энергии и оптимизации поведения системы с течением времени. Эта адаптивность является основной причиной, по которой DSP стал незаменимым в современных решениях для сбора энергии и управления мощностью.

Роль DSP в сборе энергии

Системы сбора энергии собирают энергию окружающей среды и преобразуют ее в электрическую энергию. Эффективность этого преобразования часто низкая, а доступная энергия сильно изменчива. DSP играет решающую роль в максимизации собранной энергии и обеспечении эффективной работы системы в непредсказуемых условиях. Ниже мы рассмотрим три основных источника энергии - солнечный, вибрационный и тепловой - и обсудим, как алгоритмы DSP адаптированы к каждому.

Сбор солнечной энергии и отслеживание максимальной мощности (MPPT)

Фотоэлектрические (PV) ячейки преобразуют солнечный свет в электричество, но их выходная мощность сильно зависит от излучения, температуры и условий нагрузки. Максимальная точка мощности (MPP) является операционной точкой, где PV ячейка обеспечивает максимальную мощность. Из-за изменений окружающей среды MPP непрерывно сдвигается. Алгоритмы MPPT на основе DSP контролируют напряжение и ток PV ячейки, вычисляют мощность и регулируют рабочий цикл преобразователя DC-DC для отслеживания MPP. Общие алгоритмы включают в себя пертурбацию и наблюдение (P & O), инкрементную проводимость и дробные методы напряжения с открытым контуром. С DSP эти алгоритмы могут быть реализованы с высокой точностью и могут включать в себя передовые методы, такие как нечеткая логика или нейронные сети, чтобы улучшить скорость конвергенции и уменьшить колебания вокруг MPP.

DSP также позволяет многорежимному MPPT, который адаптируется к различным погодным условиям. Например, при частичном затенении на кривой напряжения появляется множество локальных максимумов. Расширенные алгоритмы DSP могут сканировать всю кривую и запираться на локальный максимум. Мониторинг в режиме реального времени с использованием DSP позволяет системе переоценивать MPP на высокой частоте, обеспечивая оптимальное извлечение энергии даже во время быстро меняющегося облачного покрова. Кроме того, DSP может отфильтровать шум датчиков и переходные возмущения, предотвращая ложные корректировки, которые тратят энергию. Результатом является значительное увеличение собранной энергии — часто на 20-30% больше, чем простые фиксированные напряжения или аналоговые подходы. Недавние исследования на контроллерах MPPT на основе DSP демонстрирует их эффективность в маломощных фотоэлектрических системах для устройств IoT.

Вибрационное извлечение энергии и адаптивная реекция

Пьезоэлектрические и электромагнитные преобразователи преобразуют механические вибрации в электрические сигналы переменного тока (AC). Однако амплитуда и частота колебаний сильно различаются. DSP используется для кондиционирования выходного сигнала преобразователя, выполнения выпрямления и соответствия импедансу. Одним из ключевых методов является адаптивная выпрямка: вместо стандартного диодного моста DSP-управляемые переключатели синхронизируются с фазой вибрации для максимизации передачи энергии. Этот метод, известный как синхронное извлечение электрического заряда (SECE) или параллельный-SECE, использует в оптимальные моменты датчик напряжения и тока преобразователя в реальном времени для переключения. Алгоритмы DSP могут оценивать частоту вибрации и адаптировать время переключения даже при изменении вибрационной картины.

Кроме того, DSP может выполнять анализ частотных доменов с использованием быстрого преобразования Фурье (FFT) для идентификации доминирующих режимов вибрации. Эта информация позволяет комбайну настраивать свой механический резонанс или регулировать электрическую нагрузку в соответствии с частотой возбуждения, техникой, называемой частотной настройкой. Для широкополосных вибраций DSP может реализовать алгоритм передачи максимальной мощности, который непрерывно изменяет импеданс нагрузки, чтобы поддерживать систему в резонансе. Эти методы, управляемые DSP, могут увеличить извлечение энергии до 4x по сравнению с пассивными выпрямителями. Исследования на пьезоэлектрических комбайнах с улучшенным DSP сообщают о значительных улучшениях в низкочастотных вибрационных средах.

Термическая энергия и DC-DC оптимизация конверсии

Термоэлектрические генераторы (ТЭГ) вырабатывают напряжение из разностей температур. Их выход представляет собой низкое напряжение постоянного тока, которое изменяется с градиентом температуры. DSP используется для повышения этого напряжения до пригодных для использования уровней (например, 3,3 В или 5 В) с использованием преобразователя постоянного тока. Критической проблемой является то, что внутреннее сопротивление TEG изменяется с температурой, поэтому нагрузка должна соответствовать максимальной передаче мощности. Алгоритмы DSP реализуют методы инкрементной проводимости или подъема на холм для отслеживания оптимальной рабочей точки. Они также управляют последовательностями запуска, когда разница температур очень мала, иногда используя операцию взрывного режима для накопления энергии в конденсаторе перед питанием нагрузки.

Кроме того, DSP может контролировать температурный градиент и прогнозировать, как долго TEG будет производить достаточную мощность. Эта информация используется для энергоосознанного планирования задач в сенсорных узлах. Например, когда разница температур велика, DSP может сигнализировать микроконтроллеру о выполнении операций высокой мощности, таких как беспроводная передача; когда градиент падает, он может дроссельной активностью сохранять энергию. Управление на основе DSP также помогает поддерживать постоянное выходное напряжение, несмотря на колеблющийся вход, что имеет решающее значение для чувствительных электронных нагрузок. Обзор методов DSP для сбора термоэлектрической энергии подчеркивает важность адаптивных алгоритмов в расширении диапазона работы таких систем.

Системы управления питанием и DSP

После сбора энергии она должна эффективно храниться и распределяться по нагрузкам. Системы управления питанием (PMS) регулируют напряжение, управляющий ток, управляют зарядкой и разрядкой аккумуляторов и защищают от неисправностей. DSP значительно улучшает PMS, обеспечивая точное управление в реальном времени и адаптируемость. Современные PMS часто включают в себя несколько областей мощности (например, 1,8 В для цифровой логики, 3,3 В для датчиков, 5 В для исполнительных механизмов), каждый из которых требует стабильного регулирования. DSP позволяет динамическое напряжение и частотное масштабирование (DVFS) для снижения потребления энергии во время легких нагрузок. Он также облегчает сложные алгоритмы управления батареями, которые максимизируют срок службы батареи и безопасность.

Регулирование напряжения и адаптивный контроль

Контроллеры на базе DSP в преобразователях постоянного тока (buck, boost, buck-boost) предлагают превосходную переходную реакцию по сравнению с аналоговыми аналогами. Они могут реализовывать цифровые PID-контроллеры с адаптивными усилениями, которые изменяются в зависимости от условий нагрузки. Например, во время внезапного увеличения нагрузки DSP может временно увеличить полосу пропускания петли для снижения падения напряжения. Кроме того, DSP может компенсировать допуски компонентов и эффекты старения путем периодической перекалибровки параметров управления. В многофазных преобразователях DSP обеспечивает разделение тока между фазами и может сбрасывать фазы во время легкой нагрузки для повышения эффективности. Результатом является источник питания, который поддерживает жесткое регулирование выходного напряжения в широком диапазоне условий работы.

Управление батареями и оптимизация хранения энергии

DSP играет решающую роль в оценке состояния заряда (SoC) и состояния здоровья (SoH) для перезаряжаемых батарей. Подсчет кулонов в сочетании с коррекцией на основе напряжения с использованием фильтров Калмана (метод DSP) обеспечивает точную оценку SoC даже при различных нагрузках. Расширенные алгоритмы могут моделировать нелинейности батареи, такие как изменения внутреннего сопротивления и потеря емкости. DSP также реализует профили зарядки постоянного тока / постоянного напряжения (CC / CV) с учетом литий-ионных, никель-металлгидрида или твердотельных батарей. Контролируя температуру и напряжение, DSP может обнаруживать аномалии (например, перенапряжение, сверхток, тепловой бег) и запускать защитные действия. Кроме того, DSP может планировать зарядку и разрядку для оптимизации срока службы батареи, например, избегая глубоких разрядов и поддерживая SoC в сладком месте.

Для систем сбора энергии, использующих суперконденсаторы вместо батарей, DSP управляет балансировкой ячеек, необходимой для конденсаторов, подключенных к серии. Она гарантирует, что ни одна ячейка не превышает номинальное напряжение, что может вызвать быструю деградацию. DSP также реализует отслеживание максимальной точки мощности для процесса зарядки, особенно когда выход комбайна прерывистый. Возможность регистрировать исторические данные и анализировать тенденции с использованием DSP на чипе позволяет прогнозировать техническое обслуживание и ожидание отказа.

Балансировка нагрузки и питание

В системах с несколькими нагрузками DSP может распределять мощность разумно на основе приоритетов. Например, узел датчика может иметь критический датчик, который всегда должен питаться, и беспроводной передатчик, который может быть отложен, если энергия низкая. Алгоритмы DSP реализуют определение мощности — отключение неиспользованных блоков для экономии мощности утечки — и регулируют рабочие циклы нагрузок. Данные о доступности сбора энергии в реальном времени от датчиков сливаются с планированием задач, чтобы гарантировать, что потребление энергии не превышает то, что собрано. DSP также может управлять компромиссами между вычислениями, зондированием и связью, решая, когда выполнять каждую задачу на основе текущего энергетического бюджета. Исследования по планированию с учетом энергии с использованием DSP демонстрируют значительные улучшения в долговечности системы.

Ключевые методы DSP в управлении электроэнергией

В системах управления энергопотреблением широко используется несколько конкретных методов DSP. Хотя некоторые из них уже упоминались, в этом разделе приводится сводный список с описанием того, как применяется каждая техника.

Преимущества использования DSP в энергетических системах

Интеграция DSP в системы сбора энергии и управления мощностью предлагает множество конкретных преимуществ по сравнению с чисто аналоговыми или простыми цифровыми подходами. Каждое преимущество приводит к лучшей производительности, более длительному сроку службы и снижению общей стоимости владения.

Будущие тенденции и события

Область DSP для сбора энергии и управления мощностью быстро развивается, что обусловлено достижениями в области полупроводниковых технологий, машинного обучения и распространения устройств IoT. Несколько ключевых тенденций будут формировать следующее поколение интеллектуальных энергетических систем.

Ультра-низкомощные DSP-процессоры

Чипы DSP продолжают сокращаться как по размеру, так и по энергопотреблению. Современные ядра DSP могут работать на уровнях мощности субмикроватт при одновременном выполнении сложных алгоритмов, таких как фильтры Калмана или FFT. Это позволяет встраивать DSP непосредственно в ИС управления мощностью сбора энергии, устраняя необходимость в отдельном микроконтроллере. Такие компании, как Analog Devices и Texas Instruments, предлагают DSP, специально оптимизированные для приложений с низким энергопотреблением. В будущем мы ожидаем, что DSP будут интегрированы с фронтендами сбора энергии на одном кристалле, создавая действительно автономные модули питания.

Машинное обучение и прогнозный контроль

Алгоритмы машинного обучения, реализованные на оборудовании DSP, могут с высокой точностью прогнозировать доступность энергии и спрос на нагрузку. Например, рекуррентная нейронная сеть (RNN), работающая на DSP, может изучать ежедневные закономерности солнечного излучения или интенсивности вибрации и предвидеть будущие скорости сбора энергии. Это позволяет осуществлять проактивное управление энергией, такое как предварительная зарядка суперконденсатора перед известным событием большой нагрузки. Обучение с подкреплением также может оптимизировать алгоритмы MPPT в режиме реального времени, адаптируясь к сложной нелинейной динамике, с которой борются традиционные алгоритмы. Сочетание DSP и легких моделей ML будет производить действительно автономные комбайны энергии, которые улучшаются с течением времени.

Уборка энергии для беспроводных сенсорных сетей и IoT

Поскольку развертывание IoT масштабируется до миллиардов устройств, многие из них будут питаться от сбора энергии. DSP является ключом к созданию самоподдерживающихся этих устройств. Будущие разработки включают стандартизированные платформы управления энергией на основе DSP, которые могут быть повторно использованы для различных типов комбайнов. Стандарты, такие как IEEE 1451 для интеллектуальных преобразователей , адаптируются для включения интерфейсов сбора энергии со встроенным DSP для мониторинга состояния. Кроме того, энергонейтральная работа станет нормой, где алгоритмы DSP гарантируют, что среднее потребление энергии равняется средней собранной энергии, что позволяет неограниченно работать без батарей.

Интеграция с цифровыми близнецами и облачной аналитикой

DSP на краю может сжимать и передавать данные, связанные с энергией, на облачные серверы, где поддерживаются цифровые двойники энергетической системы. Цифровой двойник может запускать симуляции для оптимизации параметров управления, а затем соответствующим образом обновлять прошивку DSP. Эта оптимизация замкнутого цикла между краем и облаком позволит глобальную оптимизацию крупномасштабных сетей сбора энергии, таких как используемые в интеллектуальных зданиях или сельскохозяйственных датчиках.

Расширенные материалы и многоисточники

Будущие комбайны будут объединять несколько преобразователей энергии (солнечный, вибрационный, тепловой) на одном устройстве. DSP будет координировать извлечение энергии из каждого источника, применяя оптимальные алгоритмы MPPT и комбайнера мощности для максимизации общей мощности. Это требует оркестровки в реальном времени, которую может обеспечить только DSP. По мере появления новых материалов, таких как перовскиты и гибкие пьезоэлектрики, DSP адаптируется к их уникальным электрическим характеристикам.

Заключение

Цифровая обработка сигналов стала незаменимой технологией для систем сбора энергии и управления питанием. Благодаря возможности адаптации в реальном времени, точного управления и интеллектуального принятия решений DSP открывает значительно более высокую эффективность и надежность от источников энергии окружающей среды. От MPPT в солнечных батареях до адаптивной коррекции в вибрационных комбайнах и от управления батареями до балансировки нагрузки, методы DSP трансформируют то, как разрабатываются и развертываются системы с низким энергопотреблением. Преимущества - улучшенная энергоэффективность, адаптивность, отказоустойчивость и снижение обслуживания - привлекательны для приложений, начиная от носимых мониторов здоровья до крупномасштабных сенсорных сетей IoT. В перспективе сближение аппаратного обеспечения DSP с ультранизким энергопотреблением, машинное обучение и сбор данных из нескольких источников обещает новую эру автономных систем с автономным питанием, которые могут работать бесконечно без вмешательства человека.

Для инженеров и исследователей в этой области продолжающаяся разработка алгоритмов и аппаратных средств DSP будет продолжать расширять возможности для сбора энергии. Интеграция цифрового интеллекта в цепочку питания - это не просто техническое улучшение; это сдвиг парадигмы, который приближает нас к действительно устойчивому и свободному от батарей будущему для электроники. По мере того, как мы продолжаем раздвигать границы того, что возможно, DSP останется в центре этих инноваций, обеспечивая вычислительную мощность, необходимую для максимального использования каждого микроватта окружающей энергии.