スピーカーの音が割れる。アンテナからの信号がほとんど届かない。こうしたトラブルの裏側には、「電源と負荷の間で電力がうまく受け渡されていない」という共通の原因が潜んでいることがあります。
日常的な感覚で考えてみましょう。蛇口（電源）からバケツ（負荷）に水を流す場面を想像してください。ホースが太すぎれば水圧が落ちて勢いが出ませんし、細すぎればホース自体の抵抗で水がほとんど流れません。ちょうどよい太さのとき、バケツに届く水の「勢い」が最大になります。電気回路における 最大電力伝送定理（Maximum Power Transfer Theorem） は、まさにこの「ちょうどよさ」を数学的に定めるものです。
この定理を理解すると、次のような場面で強力な武器になります。
- 通信工学: アンテナと送受信機の間のインピーダンス整合を正しく設計でき、信号の反射損失を最小化できます
- オーディオ工学: アンプとスピーカーの間で最大の音響出力を得るための負荷設計が行えます
- 電力工学: 太陽電池のMPPT（最大電力点追従）制御の理論的基盤を理解できます
- 高周波回路設計: 整合回路（マッチング回路）の設計根拠を明確に説明できるようになります
本記事の内容
- 最大電力伝送定理の直感的な理解
- DC回路での定理の厳密な証明（微分を用いた最適化）
- AC回路への拡張（複素共役整合 $Z_L = Z_S^*$）
- 最大伝達電力と効率の議論
- 高周波回路での反射損失との関係
- 整合回路の種類（L型・$\pi$型・T型）
- 広帯域整合の理論的限界（ボード・ファノの限界）
- Pythonによる伝達電力・効率の可視化と整合回路設計
前提知識
この記事を読む前に、以下の記事を読んでおくと理解が深まります。
最大電力伝送の直感的理解
電気回路で「負荷に電力を送る」ということを、もう少し掘り下げて考えてみましょう。
どんな電源も内部に抵抗（内部抵抗）を持っています。テブナンの定理を使えば、どんなに複雑な回路でも「電圧源 $V_S$ と直列抵抗 $R_S$ の組み合わせ」に等価変換できるのでした。この等価回路に負荷抵抗 $R_L$ をつないだとき、負荷に流れる電力はどうなるでしょうか。
2つの極端なケースを考えると、直感がつかめます。
ケース1: $R_L \to 0$（負荷が短絡に近い）
負荷抵抗がほぼゼロなら、回路を流れる電流は $I \approx V_S / R_S$ と最大になります。しかし、負荷での電圧降下は $V_L = I R_L \approx 0$ です。電力は $P_L = V_L \cdot I \approx 0$ となり、電力のほとんどが内部抵抗 $R_S$ で熱として消費されてしまいます。
ケース2: $R_L \to \infty$（負荷が開放に近い）
負荷抵抗が非常に大きければ、負荷の両端電圧は $V_L \approx V_S$ と最大になります。しかし、電流は $I \approx 0$ です。よって $P_L = V_L \cdot I \approx 0$ となり、やはり負荷に届く電力はゼロに近づきます。
つまり、負荷が重すぎても（$R_L$ が小さすぎ）軽すぎても（$R_L$ が大きすぎ）伝達電力は下がる のです。「ちょうどよい」$R_L$ がどこかに存在するはずで、それが最大電力伝送条件です。
この「山の頂上」を数学的に求めるのが、次のセクションの目標です。DC回路からスタートし、その後にAC回路へ拡張していきましょう。
DC回路での最大電力伝送定理の証明
テブナン等価回路からの出発
テブナンの定理によって、任意の線形回路は電圧源 $V_S$ と直列内部抵抗 $R_S$ に等価変換できます。この等価回路に負荷抵抗 $R_L$ を接続した回路を考えます。
回路を流れる電流は、オームの法則から直ちに求まります。
$$ I = \frac{V_S}{R_S + R_L} $$
したがって、負荷 $R_L$ で消費される電力は次のようになります。
$$ P_L = I^2 R_L = \frac{V_S^2 \, R_L}{(R_S + R_L)^2} $$
この式が、負荷抵抗 $R_L$ の関数としての伝達電力を表しています。$V_S$ と $R_S$ は電源側の定数ですから、$P_L$ は $R_L$ のみの関数です。
微分による最大値の導出
$P_L$ を最大にする $R_L$ を求めるために、$P_L$ を $R_L$ で微分してゼロとおきます。商の微分公式を使いましょう。
$P_L = V_S^2 \cdot R_L / (R_S + R_L)^2$ の分子を $u = R_L$、分母を $v = (R_S + R_L)^2$ とおくと、
$$ \frac{du}{dR_L} = 1 $$
$v = (R_S + R_L)^2$ は合成関数なので、連鎖律を適用して微分します:
$$ \frac{dv}{dR_L} = 2(R_S + R_L) $$
商の微分公式 $(u/v)’ = (u’v – uv’)/v^2$ を適用すると、
$$ \frac{dP_L}{dR_L} = V_S^2 \cdot \frac{(R_S + R_L)^2 – R_L \cdot 2(R_S + R_L)}{(R_S + R_L)^4} $$
分子の $(R_S + R_L)$ をくくり出して整理します。
$$ \frac{dP_L}{dR_L} = V_S^2 \cdot \frac{(R_S + R_L) – 2R_L}{(R_S + R_L)^3} = V_S^2 \cdot \frac{R_S – R_L}{(R_S + R_L)^3} $$
この導関数がゼロになる条件は、分子がゼロになることです。
$$ R_S – R_L = 0 \quad \Longrightarrow \quad R_L = R_S $$
これが DC回路における最大電力伝送条件 です。
最大値であることの確認
$R_L = R_S$ が確かに最大値（極大値）を与えることを二次導関数で確認しましょう。しかし、もっと直感的に確認できます。先ほど見たように $R_L \to 0$ と $R_L \to \infty$ の両方で $P_L \to 0$ であり、$P_L$ は常に正の値をとります。したがって、唯一の極値 $R_L = R_S$ は最大値でなければなりません。
最大伝達電力の値
$R_L = R_S$ を代入して、最大伝達電力を計算します。
$$ P_{L,\max} = \frac{V_S^2 \cdot R_S}{(R_S + R_S)^2} = \frac{V_S^2 \cdot R_S}{4R_S^2} $$
分子・分母を $R_S$ で約分すると、
$$ \boxed{P_{L,\max} = \frac{V_S^2}{4R_S}} $$
この結果は美しく対称的です。内部抵抗が大きいほど最大伝達電力は小さくなり、開放電圧 $V_S$ が大きいほど大きくなります。
DC回路の場合は純粋な抵抗だけを考えればよいのですが、交流回路ではインピーダンスが複素数になります。次に、この定理をAC回路へ拡張しましょう。
AC回路への拡張 — 複素共役整合
複素インピーダンスの設定
交流回路では、電源の内部インピーダンスと負荷インピーダンスがともに複素数になります。
$$ Z_S = R_S + jX_S, \qquad Z_L = R_L + jX_L $$
ここで $R_S, R_L$ は抵抗成分（実部）、$X_S, X_L$ はリアクタンス成分（虚部）です。$X > 0$ なら誘導性（インダクタンス）、$X < 0$ なら容量性（キャパシタンス）を表します。
テブナン等価電圧源 $V_S$（振幅）に対して、回路を流れる電流のフェーザは次のようになります。
$$ I = \frac{V_S}{Z_S + Z_L} = \frac{V_S}{(R_S + R_L) + j(X_S + X_L)} $$
負荷に供給される有効電力
負荷で消費される有効電力（時間平均電力）は、電流の実効値の2乗と負荷の抵抗成分の積です。
$$ P_L = \frac{1}{2}|I|^2 R_L = \frac{V_S^2 \, R_L}{2\left[(R_S + R_L)^2 + (X_S + X_L)^2\right]} $$
ここで $|I|^2 = I \cdot I^*$ はフェーザ電流の振幅の2乗であり、係数 $1/2$ は振幅値から実効値への変換に由来します（$V_S$ を振幅値としています）。
リアクタンス条件の導出
$P_L$ を最大にするには、分母をできるだけ小さくすればよいことがわかります。分母の $(X_S + X_L)^2$ は常に $\geq 0$ であり、
$$ X_L = -X_S $$
とすれば $(X_S + X_L)^2 = 0$ となり、分母が最小化されます。つまり、負荷のリアクタンスを電源のリアクタンスと逆符号にする ことが第一の条件です。
これは物理的にとても明快です。電源側にインダクタンス成分（$X_S > 0$）があるなら、負荷側にキャパシタンス成分（$X_L < 0$）を置いて打ち消す。回路全体のリアクタンスをゼロにして 共振状態 にするということです。
抵抗条件の導出
$X_L = -X_S$ のとき、電力の式はDC回路と同じ形になります。
$$ P_L = \frac{V_S^2 \, R_L}{2(R_S + R_L)^2} $$
DC回路の場合と全く同じ論法で、$P_L$ を $R_L$ で微分してゼロとおくと、
$$ R_L = R_S $$
が得られます。
共役整合条件
リアクタンス条件 $X_L = -X_S$ と抵抗条件 $R_L = R_S$ をまとめると、
$$ Z_L = R_L + jX_L = R_S – jX_S = (R_S + jX_S)^* = Z_S^* $$
すなわち、$R_L + jX_L = R_S – jX_S$ は電源インピーダンス $Z_S = R_S + jX_S$ の複素共役にほかならないので、最大電力伝送条件は次の一式にまとまります。
$$ \boxed{Z_L = Z_S^*} $$
これが 複素共役整合条件（Conjugate Matching Condition） です。AC回路で負荷への電力伝送を最大にするには、負荷インピーダンスを電源インピーダンスの複素共役に等しくすればよいのです。
DC回路の条件 $R_L = R_S$ は、$X_S = X_L = 0$ の特殊ケースとして自然に含まれています。
AC回路での最大伝達電力
共役整合時（$R_L = R_S$, $X_L = -X_S$）の最大伝達電力は、
$$ P_{L,\max} = \frac{V_S^2 \cdot R_S}{2(2R_S)^2} = \frac{V_S^2}{8R_S} $$
ここで $V_S$ は振幅値です。実効値 $V_{\text{rms}} = V_S / \sqrt{2}$ で表すと、
$$ P_{L,\max} = \frac{V_{\text{rms}}^2}{4R_S} $$
DC回路の $P_{L,\max} = V_S^2 / (4R_S)$ と同じ形になり、統一的に理解できます。
共役整合条件が導けたところで、次に気になるのは「効率」です。負荷に最大電力を送り込むのはよいのですが、電源全体で見たとき、エネルギーはどれだけ無駄になっているのでしょうか？
効率の議論 — 整合時は50%
整合時の電力効率
DC回路で $R_L = R_S$ のとき、電源が供給する全電力は次のようになります。
$$ P_{\text{total}} = I^2 (R_S + R_L) = \frac{V_S^2}{(R_S + R_S)^2} \cdot 2R_S = \frac{V_S^2}{2R_S} $$
一方、負荷の電力は $P_{L,\max} = V_S^2 / (4R_S)$ ですから、電力効率は、
$$ \eta = \frac{P_L}{P_{\text{total}}} = \frac{V_S^2 / (4R_S)}{V_S^2 / (2R_S)} = \frac{1}{2} = 50\% $$
です。つまり、最大電力伝送の条件下では、電力の半分が内部抵抗で熱として消費される のです。効率はわずか50%にすぎません。
効率と伝達電力のトレードオフ
これは一見すると非効率に見えますが、ここで重要なのは「何を最大化したいか」という設計目標の違いです。
効率を最大化したい場合: $R_L \gg R_S$ にすれば、効率 $\eta$ は $100\%$ に近づきます。負荷での電圧降下は $V_S$ に近く、内部抵抗での損失は小さくなるからです。電力系統や電力供給の設計ではこちらが重要になります。
一般的に、効率は $R_L$ の関数として次のように書けます。
$$ \eta = \frac{R_L}{R_S + R_L} $$
$R_L / R_S$ が大きくなるほど効率は上がりますが、同時に電流が減るため伝達電力は下がります。
伝達電力を最大化したい場合: $R_L = R_S$ として効率は50%を受け入れます。通信系やセンサ回路のように、信号の電力レベルが微弱で、できるだけ多くの電力を負荷（受信機やアンプ）に届けたいときにはこちらが優先されます。
この違いを数値で確認してみましょう。$V_S = 10$ V、$R_S = 50$ $\Omega$ のとき：
| $R_L$ [$\Omega$] | $P_L$ [mW] | $\eta$ [%] |
|---|---|---|
| 10 | 278 | 17 |
| 50 | 500 | 50 |
| 100 | 444 | 67 |
| 500 | 413 | 91 |
$R_L = 50\ \Omega$ で伝達電力は最大の500 mWですが、効率は50%です。$R_L = 500\ \Omega$ にすると効率は91%に上がりますが、伝達電力は413 mWに下がります。このトレードオフを理解した上で、用途に応じて設計方針を選ぶことが重要です。
ここまでで理想的な条件（純粋な抵抗やリアクタンスの世界）を扱ってきました。しかし実際の高周波回路では、インピーダンスの不整合が「反射」という現象を引き起こします。次はこの反射損失との関係を見ていきましょう。
高周波回路における反射損失との関係
反射係数の定義
高周波回路や伝送線路の世界では、インピーダンスの不整合を 反射係数（Reflection Coefficient） $\Gamma$ で定量化します。伝送線路の特性インピーダンスを $Z_0$、負荷インピーダンスを $Z_L$ としたとき、反射係数は次のように定義されます。
$$ \Gamma = \frac{Z_L – Z_0}{Z_L + Z_0} $$
反射係数の意味を直感的に理解しましょう。電波が伝送線路を伝わって負荷に到達したとき、もし $Z_L = Z_0$（整合状態）なら $\Gamma = 0$ で反射は起きません。電力はすべて負荷に吸収されます。一方、$Z_L \neq Z_0$ ならば $\Gamma \neq 0$ となり、入射波の一部が反射して電源側に戻ってきます。これは光が異なる媒質の境界で反射するのとまったく同じ原理です。
反射損失と伝達電力
入射電力 $P_{\text{inc}}$ のうち、負荷に実際に伝達される電力は次のようになります。
$$ P_L = P_{\text{inc}}(1 – |\Gamma|^2) $$
ここで $|\Gamma|^2$ は反射される電力の割合です。この式から、反射損失（Return Loss）は次のようにdBで表されます。
$$ \text{RL [dB]} = -20\log_{10}|\Gamma| = -10\log_{10}|\Gamma|^2 $$
反射損失が大きいほど（dBの値が大きいほど）反射が少なく、良好な整合が実現されています。たとえば $|\Gamma| = 0.1$ なら $\text{RL} = 20$ dB で、反射電力は入射電力のわずか1%です。
VSWRとの関係
アンテナや伝送線路の整合状態は、電圧定在波比（VSWR: Voltage Standing Wave Ratio） で評価されることもあります。VSWRは反射係数から次のように計算されます。
$$ \text{VSWR} = \frac{1 + |\Gamma|}{1 – |\Gamma|} $$
完全整合では VSWR = 1:1、完全反射（$|\Gamma| = 1$）では VSWR = $\infty$ です。実用的な基準として、VSWR $\leq$ 2:1（$|\Gamma| \leq 1/3$、反射電力 $\leq 11\%$）が「許容範囲」とされることが多いです。
最大電力伝送定理との関係
伝送線路の特性インピーダンス $Z_0$ が実数の場合（多くの伝送線路で成り立つ近似）、$Z_L = Z_0$ のとき反射がゼロになり、負荷への電力伝送が最大になります。これは最大電力伝送定理の $Z_L = Z_S^*$ において $Z_S$ が純抵抗（$Z_S = R_S + j0$）の場合に対応しています。
一般に、電源のインピーダンスが複素数の場合は、反射をゼロにする条件と最大電力伝送条件は必ずしも一致しません。しかし、50 $\Omega$ や 75 $\Omega$ のような実数の特性インピーダンスを持つ標準的な伝送線路系では、両者は同じ条件 $Z_L = Z_0$ に帰着します。
現実の回路では、負荷のインピーダンスが所望の値と一致していることはまれです。そこで、電源と負荷の間に「整合回路」を挿入してインピーダンス変換を行います。次のセクションでは、代表的な整合回路の構成を紹介しましょう。
整合回路の種類
なぜ整合回路が必要か
実際のアンテナ、トランジスタ、センサなどのインピーダンスは、設計上の目標値（多くの場合 50 $\Omega$）とは異なります。たとえば、あるアンテナの入力インピーダンスが $Z_{\text{ant}} = 36.5 + j21.2\ \Omega$ だとすると、50 $\Omega$ の伝送線路にそのまま接続すれば反射が生じます。整合回路（マッチングネットワーク）は、このインピーダンスの差を補償して、電源側から見たインピーダンスを所望の値に変換する受動回路です。
理想的な整合回路は損失がなく（ロスレス）、リアクタンス素子（インダクタとキャパシタ）のみで構成されます。抵抗を使うと電力が熱として消費されてしまうため、電力伝送の観点からは望ましくありません。
L型整合回路
最も基本的な整合回路は、2つのリアクタンス素子（LとCの組み合わせ）で構成される L型整合回路 です。L型の名前は、回路の形状がアルファベットのLに似ていることに由来します。
L型整合回路には2つの基本構成があります。
構成1（直列-並列型）: 負荷と直列にリアクタンス $jX$ を、電源側と並列にサセプタンス $jB$ を配置します。
$$ Z_{\text{in}} = \frac{1}{jB + \frac{1}{R_L + jX}} $$
構成2（並列-直列型）: 負荷と並列にサセプタンス $jB$ を、電源側と直列にリアクタンス $jX$ を配置します。
どちらの構成を使うかは、負荷インピーダンスと目標インピーダンスの大小関係で決まります。一般に、$R_L > R_S$ なら構成1、$R_L < R_S$ なら構成2を用います。
L型整合回路は構造が単純で設計しやすいという利点がありますが、整合の自由度が低く、帯域幅の制御ができないという制約があります。
$\pi$型整合回路
3つのリアクタンス素子を使う $\pi$型整合回路 は、回路の接続がギリシャ文字の $\pi$ の形に似ています。入力側と出力側にそれぞれ並列素子を、中央に直列素子を配置します。
$\pi$型はL型に比べて設計の自由度が1つ増えるため、整合条件を満たしつつ帯域幅やQ値を制御できる という大きな利点があります。また、入出力のインピーダンスがともに低い場合の整合に適しています。高調波フィルタとしての機能も兼ね備えることができます。
T型整合回路
$\pi$型と双対的な構成が T型整合回路 です。入力側と出力側にそれぞれ直列素子を、中央に並列素子を配置します。T型は入出力のインピーダンスがともに高い場合の整合に適しています。
$\pi$型とT型はともに3素子構成であり、設計の自由度は同じです。どちらを選ぶかは、負荷と電源のインピーダンスレベル、必要な帯域幅、実装上の制約によって決まります。
整合回路の設計手順（L型の場合）
L型整合回路の具体的な設計手順を示しましょう。電源インピーダンス $R_S$（実数）、負荷インピーダンス $R_L$（実数、$R_L > R_S$）の場合を考えます。
直列-並列型構成において、まず Q値（品質係数） を計算します。
$$ Q = \sqrt{\frac{R_L}{R_S} – 1} $$
このQが整合回路の帯域幅を決定します。Q値が大きいほど帯域幅は狭くなります。
次に、各素子のリアクタンスを求めます。
$$ X = Q \cdot R_S, \qquad B = \frac{Q}{R_L} $$
$X$ に対してインダクタまたはキャパシタ、$B$ に対してその相補素子を選びます。動作周波数 $f$ でインダクタンスとキャパシタンスに変換すると、
$$ L = \frac{X}{2\pi f}, \qquad C = \frac{1}{2\pi f \cdot X_C} $$
のように具体的な素子値が得られます。
整合回路を使えば、ある特定の周波数でインピーダンスを完全に一致させることができます。しかし、現実の通信システムは有限の帯域幅を持っています。広い帯域にわたって整合を維持することはどこまで可能なのでしょうか？ 次に、この問いに対する理論的な限界を見ていきます。
広帯域整合の理論的限界 — ボード・ファノの限界
広帯域整合の課題
単一周波数での整合は比較的容易ですが、広い周波数帯域にわたって良好な整合を維持することは原理的に難しい問題です。負荷が周波数依存のリアクタンスを持つ場合（たとえばアンテナや増幅器の入出力）、ある周波数で完全整合を達成しても、周波数がずれれば整合は崩れます。
1945年にHendrik Bode が、1950年にRobert Fano がこの問題に理論的な限界を与えました。これが ボード・ファノの限界（Bode-Fano Limit） です。
ボード・ファノの限界の内容
最も単純なケースとして、負荷が並列RC回路（$R_L$ と $C$）で表される場合を考えます。どのようなロスレス整合回路を使っても、反射係数 $\Gamma(\omega)$ は次の不等式を満たさなければなりません。
$$ \int_0^{\infty} \ln \frac{1}{|\Gamma(\omega)|} \, d\omega \leq \frac{\pi}{R_L C} $$
この不等式の意味を直感的に理解しましょう。左辺の被積分関数 $\ln(1/|\Gamma|)$ は、反射が小さいほど（整合が良いほど）大きな値をとります。右辺は負荷の特性（$R_L$ と $C$）で決まる定数です。
つまり、この不等式は「整合の良さ」の周波数方向の総量が一定値以下に制限されることを意味しています。ケーキに喩えるなら、整合の「ケーキ」のサイズは有限で、帯域幅方向に広く薄く配分するか、狭い帯域に厚く集中させるかの選択しかできないのです。
設計への含意
ボード・ファノの限界から、以下の重要な設計指針が導かれます。
-
帯域幅と整合度のトレードオフ: 帯域を広げれば整合度（反射の小ささ）が犠牲になり、整合度を上げれば帯域が狭くなります。両方を同時に改善することは理論的に不可能です。
-
帯域幅を最大化する最適な反射係数特性: 帯域内で一定の反射レベル $|\Gamma_0|$ を達成し、帯域外で完全反射 $|\Gamma| = 1$ とする「矩形型」の特性が、与えられた整合度に対して帯域幅を最大化します。これはチェビシェフ型の整合回路で近似的に実現できます。
-
多段整合による帯域拡大: L型（2素子）よりも $\pi$ 型やT型（3素子）、さらに多段の整合回路を使うことで帯域幅を広げることができます。しかし、ボード・ファノの限界は整合回路の複雑さに関係なく成り立つため、無限段の整合回路を使っても超えられない理論限界 が存在します。
-
負荷のQ値が高いほど帯域幅は狭い: $R_L C$ が大きい（高Q負荷）ほど右辺が小さくなり、整合可能な帯域幅は狭くなります。広帯域整合を実現するには、負荷自体のQ値を下げることも重要な設計戦略です。
ここまでで最大電力伝送定理の理論的基盤と、整合に関する主要な概念を一通り押さえました。次に、これらをPythonで実装して数値的に確認しましょう。理論と数値がどのように一致するかを目で見ることで、理解がより確かなものになります。
Pythonでの実装
負荷インピーダンス vs 伝達電力・効率のグラフ
まず、DC回路において負荷抵抗 $R_L$ を変化させたときの伝達電力と効率の関係をグラフ化します。理論的に導いた「$R_L = R_S$ で伝達電力が最大、効率50%」が数値的にも確認できることを見ましょう。
import numpy as np
import matplotlib.pyplot as plt
# 回路パラメータ
Vs = 10.0 # 電源電圧 [V]
Rs = 50.0 # 内部抵抗 [Ω]
# 負荷抵抗の範囲
RL = np.linspace(1, 300, 1000)
# 伝達電力
PL = Vs**2 * RL / (Rs + RL)**2
# 効率
eta = RL / (Rs + RL)
# 最大電力伝送点
PL_max = Vs**2 / (4 * Rs)
eta_at_match = 0.5
# グラフ描画
fig, ax1 = plt.subplots(figsize=(10, 6))
color1 = '#00bcd4'
color2 = '#ff9800'
ax1.set_xlabel('Load Resistance $R_L$ [Ω]', fontsize=13)
ax1.set_ylabel('Power Delivered to Load $P_L$ [W]', color=color1, fontsize=13)
ax1.plot(RL, PL, color=color1, linewidth=2.5, label='$P_L$')
ax1.axvline(x=Rs, color='gray', linestyle='--', alpha=0.7, label=f'$R_L = R_S = {Rs:.0f}$ Ω')
ax1.plot(Rs, PL_max, 'o', color=color1, markersize=10, zorder=5)
ax1.annotate(f' Max: {PL_max*1000:.0f} mW\n at $R_L = R_S$',
xy=(Rs, PL_max), xytext=(Rs + 40, PL_max + 0.02),
fontsize=11, color=color1,
arrowprops=dict(arrowstyle='->', color=color1))
ax1.tick_params(axis='y', labelcolor=color1)
ax1.set_ylim(0, PL_max * 1.3)
ax2 = ax1.twinx()
ax2.set_ylabel('Efficiency η [%]', color=color2, fontsize=13)
ax2.plot(RL, eta * 100, color=color2, linewidth=2.5, linestyle='--', label='η')
ax2.plot(Rs, eta_at_match * 100, 's', color=color2, markersize=10, zorder=5)
ax2.annotate(f' η = {eta_at_match*100:.0f}%\n at $R_L = R_S$',
xy=(Rs, eta_at_match * 100), xytext=(Rs + 60, eta_at_match * 100 - 10),
fontsize=11, color=color2,
arrowprops=dict(arrowstyle='->', color=color2))
ax2.tick_params(axis='y', labelcolor=color2)
ax2.set_ylim(0, 105)
fig.suptitle('Maximum Power Transfer: Power and Efficiency vs Load Resistance',
fontsize=14, fontweight='bold')
fig.tight_layout()
plt.savefig('max_power_transfer_dc.png', dpi=150, bbox_inches='tight')
plt.show()
このグラフから、2つの重要な特徴が読み取れます。
-
伝達電力は $R_L = R_S = 50\ \Omega$ で明確なピーク（500 mW）を持つ — これは理論通りの結果です。$R_L$ がこれより小さくても大きくても、伝達電力は単調に減少していきます。ピークの左右で減少の速さが異なり、$R_L < R_S$ の領域ではより急激に減少することがわかります。
-
効率は $R_L$ の増加とともに単調に上昇する — 整合点（$R_L = R_S$）では効率は50%であり、$R_L$ を大きくすれば効率は向上しますが伝達電力は低下します。このトレードオフの存在が、グラフから視覚的に確認できます。
AC回路での複素インピーダンス整合
次に、AC回路で負荷インピーダンスを変化させたときの伝達電力をカラーマップで可視化します。$R_L$ と $X_L$ の2次元平面上で電力がどのように分布するかを見ることで、共役整合条件の意味が直感的に理解できます。
import numpy as np
import matplotlib.pyplot as plt
# 回路パラメータ
Vs = 10.0 # 電源電圧振幅 [V]
Rs = 50.0 # 電源抵抗 [Ω]
Xs = 30.0 # 電源リアクタンス [Ω]（誘導性）
# 負荷インピーダンスの範囲
RL_range = np.linspace(1, 150, 500)
XL_range = np.linspace(-100, 100, 500)
RL_grid, XL_grid = np.meshgrid(RL_range, XL_range)
# 伝達電力の計算
PL = (Vs**2 * RL_grid) / (2 * ((Rs + RL_grid)**2 + (Xs + XL_grid)**2))
# 最大電力点
RL_opt = Rs # = 50 Ω
XL_opt = -Xs # = -30 Ω
PL_max = Vs**2 / (8 * Rs)
# グラフ描画
fig, ax = plt.subplots(figsize=(10, 8))
levels = np.linspace(0, PL_max * 1.05, 50)
contour = ax.contourf(RL_grid, XL_grid, PL, levels=levels, cmap='viridis')
cbar = fig.colorbar(contour, ax=ax, label='$P_L$ [W]')
# 最大電力点をマーク
ax.plot(RL_opt, XL_opt, 'r*', markersize=20, label=f'Conjugate match: $Z_L = Z_S^*$\n$R_L={RL_opt:.0f}$ Ω, $X_L={XL_opt:.0f}$ Ω')
ax.set_xlabel('$R_L$ [Ω]', fontsize=13)
ax.set_ylabel('$X_L$ [Ω]', fontsize=13)
ax.set_title(f'Power Delivered to Load (AC circuit, $Z_S = {Rs:.0f} + j{Xs:.0f}$ Ω)',
fontsize=14, fontweight='bold')
ax.legend(fontsize=12, loc='upper right')
fig.tight_layout()
plt.savefig('max_power_transfer_ac.png', dpi=150, bbox_inches='tight')
plt.show()
print(f"最大伝達電力: P_L,max = {PL_max*1000:.1f} mW")
print(f"共役整合条件: Z_L = {RL_opt:.0f} - j{Xs:.0f} Ω = Z_S*")
このカラーマップから、以下のことが読み取れます。
-
伝達電力のピークは $(R_L, X_L) = (50, -30)\ \Omega$ の1点に集中している — これはまさに $Z_L = Z_S^* = 50 – j30\ \Omega$ の共役整合条件です。ピークが $X_L = 0$ ではなく $X_L = -30\ \Omega$ に位置していることに注目してください。電源のリアクタンス $X_S = 30\ \Omega$ を打ち消す必要があるためです。
-
等電力線はピーク周りで楕円状に広がる — $R_L$ 方向よりも $X_L$ 方向の方が伝達電力の変化が緩やかです。これは、リアクタンスのずれが抵抗のずれよりも電力に与える影響がやや小さいことを示しています。
-
$R_L$ が小さい（左端に近い）領域では、$X_L$ の値にかかわらず電力が低い — 抵抗成分が小さいと、リアクタンスを完璧に整合させても十分な電力を得られません。
反射係数と伝達電力の関係
伝送線路系で、反射係数の大きさと伝達電力の関係をグラフ化しましょう。
import numpy as np
import matplotlib.pyplot as plt
# 特性インピーダンス
Z0 = 50.0 # [Ω]
# 負荷抵抗の範囲（純抵抗負荷を仮定）
RL = np.linspace(5, 500, 1000)
# 反射係数
Gamma = (RL - Z0) / (RL + Z0)
Gamma_mag = np.abs(Gamma)
# VSWR
VSWR = (1 + Gamma_mag) / (1 - Gamma_mag)
# 伝達効率（反射損失による）
transfer_eff = 1 - Gamma_mag**2
# 反射損失 [dB]
RL_dB = -20 * np.log10(np.maximum(Gamma_mag, 1e-10))
fig, axes = plt.subplots(2, 2, figsize=(14, 10))
# (1) 反射係数 vs 負荷抵抗
ax = axes[0, 0]
ax.plot(RL, Gamma, color='#00bcd4', linewidth=2)
ax.axhline(y=0, color='gray', linestyle=':', alpha=0.5)
ax.axvline(x=Z0, color='red', linestyle='--', alpha=0.7, label=f'$R_L = Z_0 = {Z0:.0f}$ Ω')
ax.set_xlabel('$R_L$ [Ω]', fontsize=12)
ax.set_ylabel('Reflection Coefficient Γ', fontsize=12)
ax.set_title('(a) Reflection Coefficient', fontsize=13)
ax.legend()
ax.grid(True, alpha=0.3)
# (2) VSWR vs 負荷抵抗
ax = axes[0, 1]
ax.plot(RL, VSWR, color='#ff9800', linewidth=2)
ax.axhline(y=2, color='red', linestyle='--', alpha=0.7, label='VSWR = 2:1')
ax.axvline(x=Z0, color='gray', linestyle=':', alpha=0.5)
ax.set_xlabel('$R_L$ [Ω]', fontsize=12)
ax.set_ylabel('VSWR', fontsize=12)
ax.set_title('(b) Voltage Standing Wave Ratio', fontsize=13)
ax.set_ylim(1, 10)
ax.legend()
ax.grid(True, alpha=0.3)
# (3) 伝達効率 vs 負荷抵抗
ax = axes[1, 0]
ax.plot(RL, transfer_eff * 100, color='#4caf50', linewidth=2)
ax.axvline(x=Z0, color='red', linestyle='--', alpha=0.7, label=f'$R_L = Z_0$')
ax.set_xlabel('$R_L$ [Ω]', fontsize=12)
ax.set_ylabel('Power Transfer Efficiency [%]', fontsize=12)
ax.set_title('(c) Power Transfer (Reflection Loss)', fontsize=13)
ax.set_ylim(0, 105)
ax.legend()
ax.grid(True, alpha=0.3)
# (4) 反射損失 [dB] vs 負荷抵抗
ax = axes[1, 1]
ax.plot(RL, RL_dB, color='#9c27b0', linewidth=2)
ax.axhline(y=10, color='red', linestyle='--', alpha=0.7, label='RL = 10 dB (VSWR ≈ 2)')
ax.axhline(y=20, color='orange', linestyle='--', alpha=0.7, label='RL = 20 dB (VSWR ≈ 1.2)')
ax.axvline(x=Z0, color='gray', linestyle=':', alpha=0.5)
ax.set_xlabel('$R_L$ [Ω]', fontsize=12)
ax.set_ylabel('Return Loss [dB]', fontsize=12)
ax.set_title('(d) Return Loss', fontsize=13)
ax.set_ylim(0, 40)
ax.legend(fontsize=10)
ax.grid(True, alpha=0.3)
fig.suptitle(f'Impedance Mismatch Analysis ($Z_0 = {Z0:.0f}$ Ω, Resistive Load)',
fontsize=15, fontweight='bold')
fig.tight_layout()
plt.savefig('reflection_analysis.png', dpi=150, bbox_inches='tight')
plt.show()
4つのサブプロットから、以下のことが読み取れます。
-
(a) 反射係数: $R_L = Z_0 = 50\ \Omega$ で $\Gamma = 0$（完全整合）になり、$R_L$ がそこから離れるほど $|\Gamma|$ は増大します。$R_L < Z_0$ では $\Gamma < 0$（位相反転あり）、$R_L > Z_0$ では $\Gamma > 0$ です。
-
(b) VSWR: 整合点で VSWR = 1:1 の理想状態になります。実用的な許容範囲 VSWR $\leq$ 2:1 は、負荷抵抗が $25\ \Omega$ から $100\ \Omega$ の範囲に対応していることがわかります。
-
(c) 伝達効率: 整合点で100%に達し、そこから離れると低下します。ただし、VSWR $\leq$ 2:1 の範囲内であれば効率は約89%以上を維持しており、工学的に許容できる水準です。
-
(d) 反射損失: 整合点で $\infty$ dB（反射ゼロ）となります。反射損失10 dBは VSWR $\approx$ 2 に、20 dBは VSWR $\approx$ 1.2 に対応します。
L型整合回路の設計ツール
最後に、L型整合回路の素子値を計算し、整合前後のインピーダンスの変化をスミスチャート風に可視化するコードを示します。
import numpy as np
import matplotlib.pyplot as plt
def design_l_match(Rs, RL, f):
"""
L型整合回路の設計（純抵抗の場合）
Rs: 電源抵抗 [Ω]
RL: 負荷抵抗 [Ω] (RL > Rs が必要)
f: 動作周波数 [Hz]
戻り値: (直列リアクタンスX, 並列サセプタンスB, Q値, L値, C値)
"""
if RL <= Rs:
raise ValueError("L型整合回路（直列-並列型）は RL > Rs の場合に使用します")
Q = np.sqrt(RL / Rs - 1)
X_series = Q * Rs # 直列リアクタンス
B_shunt = Q / RL # 並列サセプタンス
omega = 2 * np.pi * f
# 直列素子: インダクタ、並列素子: キャパシタの場合
L_series = X_series / omega
C_shunt = B_shunt / omega
return X_series, B_shunt, Q, L_series, C_shunt
# 設計パラメータ
Rs = 50.0 # 電源抵抗 [Ω]
RL = 200.0 # 負荷抵抗 [Ω]
f = 100e6 # 動作周波数 100 MHz
X, B, Q, L, C = design_l_match(Rs, RL, f)
print("=" * 50)
print("L型整合回路の設計結果")
print("=" * 50)
print(f"電源抵抗: Rs = {Rs:.1f} Ω")
print(f"負荷抵抗: RL = {RL:.1f} Ω")
print(f"動作周波数: f = {f/1e6:.1f} MHz")
print(f"Q値: Q = {Q:.3f}")
print(f"直列リアクタンス: X = {X:.2f} Ω")
print(f"並列サセプタンス: B = {B*1000:.4f} mS")
print(f"直列インダクタ: L = {L*1e9:.2f} nH")
print(f"並列キャパシタ: C = {C*1e12:.2f} pF")
print("=" * 50)
# 整合前後の周波数特性
freq = np.linspace(50e6, 150e6, 1000)
omega_arr = 2 * np.pi * freq
# 整合回路を通した入力インピーダンスの計算
ZL = RL # 純抵抗負荷
Z_series = 1j * omega_arr * L # 直列インダクタのインピーダンス
Y_shunt = 1j * omega_arr * C # 並列キャパシタのアドミタンス
# 負荷 + 直列インダクタ
Z_load_series = ZL + Z_series
# 並列キャパシタとの合成
Y_total = 1 / Z_load_series + Y_shunt
Z_in = 1 / Y_total
# 反射係数（電源側から見た）
Gamma_before = (ZL - Rs) / (ZL + Rs)
Gamma_after = (Z_in - Rs) / (Z_in + Rs)
fig, axes = plt.subplots(1, 3, figsize=(18, 5))
# (1) 入力インピーダンスの実部・虚部
ax = axes[0]
ax.plot(freq / 1e6, np.real(Z_in), color='#00bcd4', linewidth=2, label='Re($Z_{in}$)')
ax.plot(freq / 1e6, np.imag(Z_in), color='#ff9800', linewidth=2, label='Im($Z_{in}$)')
ax.axhline(y=Rs, color='red', linestyle='--', alpha=0.7, label=f'Target: {Rs:.0f} Ω')
ax.axhline(y=0, color='gray', linestyle=':', alpha=0.3)
ax.axvline(x=f / 1e6, color='gray', linestyle='--', alpha=0.5, label=f'$f_0$ = {f/1e6:.0f} MHz')
ax.set_xlabel('Frequency [MHz]', fontsize=12)
ax.set_ylabel('Impedance [Ω]', fontsize=12)
ax.set_title('(a) Input Impedance through L-match', fontsize=13)
ax.legend(fontsize=10)
ax.grid(True, alpha=0.3)
ax.set_ylim(-100, 300)
# (2) 反射係数の大きさ
ax = axes[1]
ax.plot(freq / 1e6, np.abs(Gamma_after), color='#4caf50', linewidth=2, label='With L-match')
ax.axhline(y=np.abs(Gamma_before), color='red', linestyle='--', linewidth=2, label=f'Without match (|Γ|={np.abs(Gamma_before):.3f})')
ax.axhline(y=1/3, color='orange', linestyle=':', alpha=0.7, label='VSWR = 2 limit')
ax.axvline(x=f / 1e6, color='gray', linestyle='--', alpha=0.5)
ax.set_xlabel('Frequency [MHz]', fontsize=12)
ax.set_ylabel('|Γ|', fontsize=12)
ax.set_title('(b) Reflection Coefficient Magnitude', fontsize=13)
ax.legend(fontsize=10)
ax.grid(True, alpha=0.3)
ax.set_ylim(0, 1)
# (3) 反射損失 [dB]
ax = axes[2]
RL_dB_match = -20 * np.log10(np.maximum(np.abs(Gamma_after), 1e-10))
ax.plot(freq / 1e6, RL_dB_match, color='#9c27b0', linewidth=2)
ax.axhline(y=10, color='red', linestyle='--', alpha=0.7, label='10 dB')
ax.axhline(y=20, color='orange', linestyle='--', alpha=0.7, label='20 dB')
ax.axvline(x=f / 1e6, color='gray', linestyle='--', alpha=0.5, label=f'$f_0$ = {f/1e6:.0f} MHz')
ax.set_xlabel('Frequency [MHz]', fontsize=12)
ax.set_ylabel('Return Loss [dB]', fontsize=12)
ax.set_title('(c) Return Loss with L-match', fontsize=13)
ax.legend(fontsize=10)
ax.grid(True, alpha=0.3)
ax.set_ylim(0, 50)
fig.suptitle(f'L-match Network Design: {Rs:.0f} Ω → {RL:.0f} Ω at {f/1e6:.0f} MHz',
fontsize=15, fontweight='bold')
fig.tight_layout()
plt.savefig('l_match_design.png', dpi=150, bbox_inches='tight')
plt.show()
このグラフから、L型整合回路の動作が明確に理解できます。
-
(a) 入力インピーダンス: 設計周波数100 MHzにおいて、入力インピーダンスの実部がちょうど50 $\Omega$（ターゲット値）になり、虚部がゼロになっています。つまり、100 MHzで完全整合が実現されています。ただし、周波数がずれると実部は50 $\Omega$ から乖離し、虚部もゼロでなくなります。これがL型整合回路の帯域幅の制約です。
-
(b) 反射係数: 整合なしの場合、$|Γ| \approx 0.6$（VSWR $\approx$ 4）という大きな反射がありますが、L型整合回路を挿入すると100 MHzで $|\Gamma| = 0$（完全整合）に改善されています。VSWR $\leq$ 2:1（$|\Gamma| \leq 1/3$）を満たす帯域幅が読み取れます。
-
(c) 反射損失: 100 MHzで反射損失が理論上無限大（完全整合）になり、そこから周波数が離れるにつれて減少します。反射損失10 dB以上を維持できる帯域幅が、この整合回路の実用的な動作帯域です。
ボード・ファノの限界の可視化
最後に、ボード・ファノの限界が帯域幅と整合度のトレードオフをどのように制約するかを可視化します。
import numpy as np
import matplotlib.pyplot as plt
# 並列RC負荷のパラメータ
RL_load = 200.0 # [Ω]
C_load = 5e-12 # [F] (5 pF)
# ボード・ファノの上限値
bode_fano_limit = np.pi / (RL_load * C_load)
print(f"ボード・ファノの上限: π/(RC) = {bode_fano_limit:.4e} rad/s")
print(f" = {bode_fano_limit/(2*np.pi):.2e} Hz")
# 帯域幅 vs 達成可能な最小反射係数
# 矩形型特性を仮定: 帯域Δω内で|Γ|=Γ_0、帯域外で|Γ|=1
# ∫ ln(1/|Γ|) dω = Δω * ln(1/Γ_0) ≤ π/(RC)
# → Γ_0 ≥ exp(-π/(RC·Δω))
BW = np.linspace(1e6, 500e6, 1000) # 帯域幅 [Hz]
delta_omega = 2 * np.pi * BW
Gamma_min = np.exp(-bode_fano_limit / delta_omega)
# dBに変換
RL_dB_max = -20 * np.log10(np.maximum(Gamma_min, 1e-10))
fig, axes = plt.subplots(1, 2, figsize=(14, 6))
# (1) 最小反射係数 vs 帯域幅
ax = axes[0]
ax.plot(BW / 1e6, Gamma_min, color='#e91e63', linewidth=2.5)
ax.axhline(y=1/3, color='orange', linestyle='--', alpha=0.7, label='|Γ| = 1/3 (VSWR = 2)')
ax.axhline(y=0.1, color='green', linestyle='--', alpha=0.7, label='|Γ| = 0.1 (VSWR ≈ 1.2)')
ax.set_xlabel('Bandwidth [MHz]', fontsize=13)
ax.set_ylabel('Minimum Achievable |Γ|', fontsize=13)
ax.set_title('(a) Bode-Fano Limit: Minimum |Γ| vs Bandwidth', fontsize=13)
ax.legend(fontsize=11)
ax.grid(True, alpha=0.3)
ax.set_ylim(0, 1)
# (2) 最大反射損失 vs 帯域幅
ax = axes[1]
ax.plot(BW / 1e6, RL_dB_max, color='#3f51b5', linewidth=2.5)
ax.axhline(y=10, color='orange', linestyle='--', alpha=0.7, label='RL = 10 dB')
ax.axhline(y=20, color='green', linestyle='--', alpha=0.7, label='RL = 20 dB')
# 10dBと20dBの帯域幅を逆算
# Γ_0 = exp(-π/(RC·Δω)) → Δω = π/(RC·ln(1/Γ_0))
BW_10dB = bode_fano_limit / (np.log(10**(10/20))) / (2 * np.pi)
BW_20dB = bode_fano_limit / (np.log(10**(20/20))) / (2 * np.pi)
ax.axvline(x=BW_10dB / 1e6, color='orange', linestyle=':', alpha=0.5)
ax.axvline(x=BW_20dB / 1e6, color='green', linestyle=':', alpha=0.5)
ax.annotate(f'{BW_10dB/1e6:.0f} MHz', xy=(BW_10dB/1e6, 10),
xytext=(BW_10dB/1e6 + 30, 15), fontsize=11,
arrowprops=dict(arrowstyle='->', color='orange'))
ax.annotate(f'{BW_20dB/1e6:.0f} MHz', xy=(BW_20dB/1e6, 20),
xytext=(BW_20dB/1e6 + 30, 25), fontsize=11,
arrowprops=dict(arrowstyle='->', color='green'))
ax.set_xlabel('Bandwidth [MHz]', fontsize=13)
ax.set_ylabel('Maximum Return Loss [dB]', fontsize=13)
ax.set_title('(b) Bode-Fano Limit: Max Return Loss vs Bandwidth', fontsize=13)
ax.legend(fontsize=11)
ax.grid(True, alpha=0.3)
ax.set_ylim(0, 50)
fig.suptitle(f'Bode-Fano Theoretical Limit ($R_L$ = {RL_load:.0f} Ω, $C$ = {C_load*1e12:.0f} pF)',
fontsize=15, fontweight='bold')
fig.tight_layout()
plt.savefig('bode_fano_limit.png', dpi=150, bbox_inches='tight')
plt.show()
このグラフからボード・ファノの限界の本質が明確に見えます。
-
(a) 帯域幅を広くしようとすると、達成可能な最小反射係数 $|\Gamma|$ が増大します。帯域幅が十分狭ければ $|\Gamma| \approx 0$（完全整合に近い）が可能ですが、帯域を広げると必然的に反射が増えます。VSWR $\leq$ 2:1 を維持できる帯域幅には明確な上限があります。
-
(b) 同様に、反射損失20 dB以上を維持できる帯域幅は、10 dB以上を維持できる帯域幅よりも大幅に狭いことがわかります。より厳しい整合条件を課すほど、帯域幅のペナルティが大きくなるのです。
これはケーキの喩えそのものです。限られたサイズの「整合ケーキ」を、帯域幅方向に薄く広く塗るか、狭い範囲に厚く盛るかの選択であり、両方を同時に満たす魔法は存在しません。
具体的な数値例
理論の理解を確認するために、具体的な数値を使って計算してみましょう。
例1: DC回路
$V_S = 12$ V、$R_S = 4\ \Omega$ の電源に負荷 $R_L = 4\ \Omega$ を接続します。
回路電流は
$$ I = \frac{12}{4 + 4} = 1.5 \text{ A} $$
負荷電力は $P_L = I^2 R_L$ に電流と負荷抵抗の値を代入して求めます:
$$ P_L = (1.5)^2 \times 4 = 9 \text{ W} $$
最大電力伝送定理の公式でも確認しましょう。
$$ P_{L,\max} = \frac{V_S^2}{4R_S} = \frac{144}{16} = 9 \text{ W} $$
一致しました。電源全体の消費電力は $P_{\text{total}} = (1.5)^2 \times 8 = 18$ W なので、効率は $9/18 = 50\%$ です。
例2: AC回路
$V_S = 10$ V（振幅）、$Z_S = 50 + j25\ \Omega$ の電源があります。共役整合条件より、最適な負荷は
$$ Z_L = Z_S^* = 50 – j25\ \Omega $$
最大伝達電力は
$$ P_{L,\max} = \frac{|V_S|^2}{8R_S} = \frac{100}{8 \times 50} = 0.25 \text{ W} = 250 \text{ mW} $$
もし整合を取らず $Z_L = 50 + j0\ \Omega$（純抵抗の50 $\Omega$）を接続した場合はどうなるでしょうか。
$$ P_L = \frac{|V_S|^2 R_L}{2[(R_S + R_L)^2 + (X_S + X_L)^2]} = \frac{100 \times 50}{2[(100)^2 + (25)^2]} = \frac{5000}{2 \times 10625} = 235 \text{ mW} $$
整合を取った場合（250 mW）と取らない場合（235 mW）の差は約6%です。この例ではリアクタンスのずれが比較的小さいため差も小さいですが、$X_S$ が大きくなるほどこの差は顕著になります。
例3: 50 $\Omega$ 系でのアンテナ整合
50 $\Omega$ の伝送線路系で、アンテナの入力インピーダンスが $Z_{\text{ant}} = 36 – j20\ \Omega$ の場合を考えます。
反射係数は
$$ \Gamma = \frac{Z_{\text{ant}} – Z_0}{Z_{\text{ant}} + Z_0} = \frac{(36 – j20) – 50}{(36 – j20) + 50} = \frac{-14 – j20}{86 – j20} $$
大きさを計算すると
$$ |\Gamma| = \frac{\sqrt{14^2 + 20^2}}{\sqrt{86^2 + 20^2}} = \frac{\sqrt{596}}{\sqrt{7796}} = \frac{24.4}{88.3} \approx 0.276 $$
VSWR と反射電力は
$$ \text{VSWR} = \frac{1 + 0.276}{1 – 0.276} \approx 1.76 $$
続いて、反射電力の割合は $|\Gamma|^2$ で求められます。反射係数の2乗を計算すると、入射電力のうちどれだけの割合が反射で失われるかがわかります。
$$ \text{反射電力の割合} = |\Gamma|^2 \approx 0.076 = 7.6\% $$
VSWR は 2:1 以下なので実用上は許容範囲内ですが、7.6%の電力が反射で失われています。整合回路を挿入して $\Gamma = 0$ に改善すれば、この損失をゼロにできます。
まとめ
本記事では、最大電力伝送定理の理論的背景から実用的な整合回路設計まで、体系的に解説しました。
- DC回路の最大電力伝送条件: $R_L = R_S$ のとき伝達電力が最大になります。これは伝達電力を $R_L$ で微分してゼロとおくことで厳密に証明されました
- AC回路の複素共役整合: $Z_L = Z_S^*$ が最大電力伝送条件です。リアクタンスを逆符号にして共振させ、抵抗成分を一致させるという2段階の最適化で導出されます
- 整合時の効率は50%: 伝達電力の最大化と効率の最大化はトレードオフの関係にあり、用途に応じて設計方針を選ぶ必要があります
- 反射損失との関係: 高周波回路では整合の不良が反射として現れ、反射係数 $\Gamma$ やVSWRで定量的に評価されます
- 整合回路: L型・$\pi$型・T型などのロスレス整合回路により、任意のインピーダンスを目標値に変換できます
- ボード・ファノの限界: 帯域幅と整合度には理論的なトレードオフがあり、どんなに複雑な整合回路を使っても超えられない限界が存在します
最大電力伝送定理は、回路理論の基本でありながら、高周波回路設計、通信システム、電力工学のいたるところで活用される実用的な定理です。特に通信工学では、この定理を基盤としてスミスチャートによるインピーダンス整合やアンテナの給電設計が行われます。
次のステップとして、以下の記事も参考にしてください。