Increasing energy efficiency of quasi-resonant converters under dynamic loads by means of adaptive AI control and simulation

Василь  Тарасюк; Олексій  Городній

doi:10.25140/2411-5363-2026-1(43)-344-354

Автор(и)

Василь Тарасюк Національний університет «Чернігівська політехніка», Україна https://orcid.org/0009-0003-5310-9202
Олексій Городній Національний університет «Чернігівська політехніка», Україна https://orcid.org/0000-0001-5303-9564

DOI:

https://doi.org/10.25140/2411-5363-2026-1(43)-344-354

Ключові слова:

квазірезонансний перетворювач; комутація при нульовому струмі; адаптивне керування; напівнатурне моделювання; штучний інтелект; навчання з підкріпленням; великі мовні моделі; енергоефективність

Анотація

У статті розглянута проблема підвищення енергоефективності сучасних систем електроживлення, де ключову роль відіграють квазірезонансні імпульсні перетворювачі (КРІП), здатні мінімізувати комутаційні втрати завдяки режимам м’якої комутації. Актуальність теми підсилюється переходом на сучасні швидкісні транзистори, що дозволяє працювати на надвисоких частотах та потребує покращеного керування. Наведено математичні залежності для розрахунку миттєвої та інтегральної потужності втрат, що дозволяє кількісно оцінити енергетичну ефективність силового ключа. На основі аналізу часових діаграм виявлено, що на п’ятому інтервалі комутації виникають незатухаючі коливання, які порушують умови перемикання при нульовому струмі. Метою дослідження є розробка комплексної методики підвищення енергоефективності КРІП шляхом впровадження адаптивного керування з використанням глибокого навчання з підкріпленням (DRL) і великих мовних моделей (LLM). У статті систематизовано та порівняно сучасні програмні середовища симуляції (MATLAB/Simulink, PLECS, OpenModelica) за критеріями точності та швидкодії. Виконано аналіз апаратних HIL платформ, порівняно їх здатність реалізувати наносекундні процеси перемикання. Особливу увагу приділено порівняльному аналізу можливостей провідних мовних моделей щодо автоматизації генерації керуючого коду та обробки великого об'єму даних результатів роботи. Запропоновано комплексне рішення: інтегрувати середовище MATLAB та великі мовні моделі для покращення стабільності та енергоефективності роботи силових ключів у реальному часі. Поставлено цілі на майбутні дослідження щодо практичної реалізації запропонованих алгоритмів на фізичних контролерах.

Посилання

Jeng, S., Peng, M., Hsu, C., Chieng, W., & Shu, J. (2012). Quasi-Resonant flyback DC/DC converter using gan power transistors. World Electric Vehicle Journal, 5(2), 567–573. https://doi.org/10.3390/wevj5020567.

Tarasiuk, V., & Gorodny, O. (2025). Adaptive control to enhance energy efficiency in quasi-resonant switched-mode converters under dynamic loads. Technical Sciences and Tech-nologies, (3 (41)), 419–431. https://doi.org/10.25140/2411-5363-2025-3(41)-419-431.

Tural, B., Örpek, Z., & Destan, Z. (2024). Retrieval-augmented generation (RAG) and LLM integration. In Proceedings of the 2024 8th International Symposium on Innovative Ap-proaches in Smart Technologies (ISAS) (pp. 1–5). https://doi.org/10.1109/ISAS64331.2024.10845308.

Baumann, A., & Eberhard, P. (2025). Experiments with large language models on re-trieval-augmented generation for closed-source simulation software. arXiv. https://arxiv.org/abs/2502.03916.

Bernadić, A. (2025). Leveraging large language models for analysis and control of power transmission networks: Case studies with the llama3 LLM model and pandapower. B&H Electri-cal Engineering. https://doi.org/10.2478/bhee-2025-0018.

Denisov, Y. A., Gorodny, A. N., Gordienko, V. V., Boyko, S. N., & Stepenko, S. A. (2016). Enerhetychni pokaznyky paralelnoho impulsnoho kvazirezonansnoho peretvoriuvacha z rozshyrenym diapazonom rehuliuvannia dlia dzherel zhyvlennia radioelektronnoi aparatury [Energy indicators of the parallel pulse quasi-resonant converter with extended control range for radioelectronic apparatus power supplies]. Elektronika ta zviazok – Electronics and Communica-tions, 21(5), 50–56. https://ela.kpi.ua/server/api/core/bitstreams/b019ab93-3964-43f3-9a6d-70e8115d2272/content.

Sybille, G., & Le-Huy, H. (2000). Digital simulation of power systems and power elec-tronics using the MATLAB/Simulink Power System Blockset. In Proceedings of the 2000 IEEE Power Engineering Society Winter Meeting. IEEE. https://doi.org/10.1109/PESW.2000.847358.

Lynch, S. (2025). The deep learning toolbox. In Dynamical systems with applications us-ing MATLAB® (pp. 501–521). Birkhäuser. https://doi.org/10.1007/978-3-031-89067-3_24.

Ibrahim, M. (2024). A comparative study of SAC and PPO algorithms in reservoir water level control simulation. https://doi.org/10.13140/RG.2.2.14519.33442.

Das, S. (2020). Modeling and simulation of mechatronic systems using simscape. Springer International Publishing. https://doi.org/10.1007/978-3-031-79653-1.

Wan, H., Lu, X., Chen, Y., Devaprasad, K., & Hinkle, L. (2025). Automating Modelica module generation using large language models: A case study on Building Control Description Language. arXiv. https://doi.org/10.48550/arXiv.2509.14623.

Nicola, M., Nicola, C.-I., Ionete, C., & Roman, M. (2025, June 11–13). HIL simulation of load frequency control for two-area power system using RT-OPAL. In Proceedings of the 2025 7th Global Power, Energy and Communication Conference (GPECOM). IEEE. https://doi.org/10.1109/GPECOM65896.2025.11061972.

Sudi, M., Padmanaban, S., & Ozsoy, E. (2025, April 7–10). Typhoon HIL modeling and control of grid-connected hybrid renewable energy system. In Proceedings of the 2025 IEEE International Systems Conference (SysCon). IEEE. https://doi.org/10.1109/SysCon64521.2025.11014785.

Sayin, E., Jambak, A. I., & Bayezit, İ. (2024, May). An implementation of hardware-in-the-loop system for accurate vessel heading control. In Proceedings of the Global Maritime Congress (GMC’24), Istanbul, Türkiye. https://www.researchgate.net/publication/381127538_An_Implementation_of_Hardware-in-the-Loop_System_for_Accurate_Vessel_Heading_Control.

Lin, F., Li, X., Lei, W., Rodriguez-Andina, J. J., Guerrero, J. M., & Wen, C. (2025). PE-GPT: A new paradigm for power electronics design. IEEE Transactions on Industrial Elec-tronics, 72(4), 3778–3791. https://doi.org/10.1109/TIE.2024.3454408.

OpenAI. (2025, December 11). Introducing GPT-5.2. https://openai.com/index/introducing-gpt-5-2/.

Anthropic. (2025, September 29). Introducing Claude Sonnet 4.5. https://www.anthropic.com/news/introducing-claude-sonnet-4-5.

Google DeepMind. (n.d.). Gemini 3 Pro. https://deepmind.google/models/gemini-3-pro.

Meta. (n.d.). Llama 4. https://llama.meta.com.