利用机器学习驱动的最大功率点跟踪与集成电源管理技术，实现自供电物联网节点的高效能量采集

《IEEE Access》：Efficient Energy Harvesting for Self-Powered IoT Nodes Using Machine Learning–Driven MPPT and Integrated Power Management

　　

摘要：

随着自供电物联网设备的日益普及，人们对高效的光伏能量采集和电源管理系统提出了更高需求。本文提出了一种基于物理信息回归的最大功率点跟踪方法，并将其与低功耗电源管理单元相结合，用于光伏能量采集应用。所提出的PIR-MPPT模型可直接根据光照强度和温度条件预测最大功率点电压，从而降低了传统迭代式MPPT技术所需的计算复杂度。该能量采集系统由电压控制振荡器、非重叠时钟发生器、斜坡电荷泵、Banba带隙参考源以及可编程低压差稳压器组成。该系统采用Verilog-A和Cadence Virtuoso工具进行建模，并利用45纳米GPDK技术实现。仿真结果显示，该方法的最大功率点预测精度很高，R2值为0.9082，均方根误差为20.56毫伏，平均绝对误差为9.71毫伏。所设计的斜坡电荷泵能够以高转换效率将光伏输入电压从1.0–1.35伏提升到3.3–3.5伏的输出电压范围。随后，可编程低压差稳压器可生成1.2伏、1.8伏和2.5伏的稳定输出电压，以满足各种低功耗物联网设备的供电需求。此外，Banba带隙参考源能够提供稳定的0.8伏参考电压，且温度稳定性优异。整个集成系统具备可靠的端到端运行性能、较低的输出纹波以及高效的能量转换效率。这些结果证明了所提出的架构有望成为自供电物联网传感器节点及低功耗嵌入式系统的理想解决方案。