CN114970749A - 用于获取电容器特征参数的方法、设备及可读存储介质 - Google Patents

Abstract

本发明提供一种用于获取电容器特征参数的方法、设备及可读存储介质，其中方法包括：获取待测电容器的测量参数序列；根据待测电容器的测量参数序列构建差分自回归移动平均模型，并根据该模型得到待测电容器的第一尺度特征；获取电容器分类模型、目标温度和目标频率，将第一尺度特征、目标温度和目标频率输入电容器分类模型，以得到待测电容器的分类标签，并根据该分类标签得到待测电容器的第二尺度特征；将待测电容器的第一尺度特征和第二尺度特征融合并进行特征提取，以得到待测电容器的融合特征；获取回归预测模型并将融合特征输入其中，以得到待测电容器的目标特征参数。本发明的技术方案能够提高获取待测电容器目标参数的工作效率。

Description

用于获取电容器特征参数的方法、设备及可读存储介质

技术领域

本发明属于电容器特征参数获取方法的技术领域，具体涉及一种用于获取电容器特征参数的方法、用于获取电容器特征参数的设备和一种计算机可读存储介质。

背景技术

电容器是电气系统中常用的电气元件，也是非常重要的电气元件，并且根据使用材料和应用场景的不同，电容器可以分为多种类型，例如在高速列车牵引系统中，金属化膜电容器是应用最为广泛的无源器件之一，由于金属化膜电容器与铝电解电容器相比，具有耐压性能更高、寿命更长、稳定性的优点，因此金属化膜电容器已经成为变流系统中间直流环节滤波和无功功率补偿的关键。根据安全、绿色和经济的要求，大容量金属化膜电容器的设计倾向于同时充分利用各方面元器件和材料的特性来实现成本、效率和寿命的综合优化和权衡，然而，据统计，电容器在各电力电子系统中对故障率高达30％，并且表征电容器寿命评估的方法尚未得到系统的理论和方法支持。

另外，考虑到金属化膜电容器的性能关系到整个变流系统的安全性与高效性，电容器生产厂家与检修部门往往会在各类电气参数上设置安全裕量，其原因一方面是因为若安全裕量设置过高，电容器仍能保持优越的性能，此时的更换会造成材料、资源的浪费与巨额成本的增加；另一方面，受限于对高速列车变流系统“周期性检修”的高昂成本与长时间跨度，如果裕量过小，电容器的性能与参数特性可能无法在上一级检修后至下一级检修前的运行里程内满足列车运行要求，而导致安全隐患的存在。

高速列车金属化膜电容器的老化建模与寿命评估研究有助于提高检修效率、降低运维成本、保障列车安全服役，具有很重要的科学意义和应用价值。目前对电容器的性能进行检测时，最常用的方法是加速寿命试验法。加速寿命试验是对电容器施加远大于工况条件的应力谱，以在短时间内获得电容器终止寿命，然后再通过相关映射模型将试验下的寿命外推正常应力下寿命。另外，国内外学者们通过上述老化机理的分析，设计了单应力与多应力浮充老化试验，并求解对应的映射模型。由于在加速寿命试验中，电容器的主要寿命表征参数(例如电容量、等效串联电阻和损耗角等)随测量温度和测量频率变化较大，而处在不同寿命阶段的电容器，这些参数的温度、频率特性存在一定的关联，因此在试验过程中对这些参数进行温、频特性测量有助于进一步探寻电容器的退化规律。然而，在实际应用中，通过不断改变温度和频率测量电容器参数的温频特性需要耗费大量的时间成本和人力成本，工作效率低。

综上所述可知，现有技术中用于获取的电容器特征参数的方法，存在工作效率低的问题。

发明内容

本发明的目的在于提供一种用于获取电容器特征参数的方法、设备及可读存储介质，以至少解决现有技术中用于获取电容器的特征参数的方法，存在工作效率低的问题。

为至少解决上述问题，第一方面，本发明提供了一种用于获取电容器特征参数的方法，包括：获取待测电容器的测量参数序列，所述待测电容器的测量参数序列包括在设定温度下频率为设定频率时的测量特征参数；根据所述待测电容器的测量参数序列构建差分自回归移动平均模型，并根据该模型得到所述待测电容器的第一尺度特征；获取电容器分类模型、目标温度和目标频率，将所述第一尺度特征、目标温度和目标频率输入所述电容器分类模型，以得到所述待测电容器的分类标签，并根据该分类标签得到所述待测电容器的第二尺度特征；将所述待测电容器的第一尺度特征和第二尺度特征融合并进行特征提取，以得到所述待测电容器的融合特征；获取回归预测模型，并将所述待测电容器的融合特征输入所述回归预测模型，以得到所述待测电容器的目标特征参数。

根据本发明的一个实施例，所述待测电容器的测量特征参数分别包括其电容量、等效串联电阻和/或损耗角。

根据本发明的另一个实施例，所述构建差分自回归移动平均模型包括：对所述待测电容器的测量参数序列进行平稳性检验；响应于所述待测电容器的测量参数序列不平稳，对所述待测电容器的测量参数序列进行差分处理以得到一阶的差分序列；响应于所述差分序列不满足设定条件，继续进行下一阶的差分处理，以得到下一阶的差分序列；响应于所述差分序列满足设定条件，停止进行差分处理并获取所述差分序列的阶数；根据偏自相关函数开始衰减的滞后期数，确定非季节性自回归多项式的项数；根据自相关函数开始衰减的滞后期数，确定非季节性移动平均多项式的项数；根据所述差分处理的次数、非季节性自回归多项式的项数和移动平均多项式的项数，以及所述待测电容器的测量参数和训练电容器的测量参数，构建所述差分自回归移动平均模型。

根据本发明的又一个实施例，所述平稳性检验包括单位根检验和KPSS检验。

根据本发明的另一个实施例，所述待测电容器的分类标签设置有对应多项式的系数。

根据本发明的又一个实施例，还包括对所述待测电容器的测量参数序列和/或训练电容器的测量参数序列进行插值处理的步骤。

根据本发明的另一个实施例，所述第一尺度特征和第二尺度特征融合后，采用重构独立成分分析算法对其进行特征提取，以得到所述融合特征。

根据本本发明的又一个实施例，获取待测电容器的回归预测模型包括：获取所述训练电容器的融合特征，并对其进行标准化处理，以得到标准化训练集；采用所述标准化训练集对决策树回归模型进行训练，以得到所述回归预测模型。

第二方面，本发明一种用于获取电容器特征参数的设备，包括处理器和存储器，所述存储器上存储有用于在所述处理器上执行的计算机程序指令，所述处理器执行该计算机程序指令时，实现如上述任意一项实施例所述的用于获取电容器特征参数的方法。

第三方面，一种计算机可读存储介质，其存储有计算机指令，所述计算机指令由处理器运行时，实现如上述任意一项实施例所述的用于获取电容器特征参数的方法。

本发明所提供的技术方案，在获取待测电容器的测量参数序列后，采用差分自回归移动平均模型获取待测电容器的第一尺度特征、通过电容器分类模型得到待测电容器的第二尺度特征，接着将待测电容器的第一尺度特征和第二尺度特征融合并进行特征提取，以得到其融合特征，最后根据回归预测模型以及待测电容器的融合特征得到待测电容器的目标特征参数。由于本申请所提供的技术方案，其所得的待测电容器的第一尺度特征、第二尺度特征的准确度较高，因此根据待测电容器的融合特征，能够提高所获取待测电容器的目标特征参数的准确性。另外，在获取待测电容器的目标特征参数时无需在所有工况下对其进行检测，因此还能够提高获取待测电容器目标参数的工作效率。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1为根据本发明实施例的用于获取电容器特征参数的方法的流程图；

图2为根据本发明实施例的电容器特征参数曲面示意图；

图3为根据本发明实施例的曲面展开示意图；

图4为根据本发明实施例的残差示意图；

图5为根据本发明实施例的用于获取电容器特征参数的设备的结构示意图。

具体实施方式

下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，本领域技术人员应知，下文所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参阅图1，图1所示出的是本申请的用于获取电容器参数特征的方法的流程图，该方法用于获取电容器的参数特征，并减少由于测量条件、环境变化等外在因素对获取结果所造成的影响。下面结合图1所示出的流程，对本申请的用于获取电容器参数特征的方法做详细的介绍。

如图1所示，本申请的用于获取电容器特征参数的方法包括：

在步骤S1中，获取待测电容器的测量参数序列。本实施例中在获取待测电容器的测量参数序列时，所采用的方法是：在设定温度t0下对待测电容器进行检测，以得到在频率为设定频率时待测电容器的测量特征参数；上述设定温度t0可以为试验时的温度，即在加速寿命试验下的温度；上述设定频率具有多个，例如，可以为包括100Hz、200Hz、300Hz、500Hz、1000Hz、1500Hz、2000Hz、3000Hz的频率采样点集合F。通过本步骤S1的方法，所得到的待测电容器的测量参数序列中，包括在设定温度t0下，频率为各设定频率时待测电容器的测量特征参数，设频率为j时，第l个待测电容器的测量参数序列为

在步骤S2中，根据待测电容器的测量参数序列构建差分自回归移动平均模型，并根据所构建的差分自回归移动平均模型得到待测电容器的第一尺度特征。在本文中为例便于对差分自回归移动平均模型的描述，将其简称为ARMIA模型。在本实施例中，得到待测电容器的测量参数序列和训练电容器的测量参数序列后分别对其平稳性进行检验，并在其不平稳时进行差分处理，以得到ARMIA模型。在得到ARMIA模型之后，将待测电容器对应多项式中各项参数的系数组合，以得到待测电容器的第一尺度特征。

在步骤S3中，获取电容器分类模型、实验温度和实验频率，并将实验温度、实验频率和待测电容器的第一尺度特征输入到电容器分类模型中，以得到待测电容器的分类标签，然后根据待测电容器的分类标签得到其第二尺度特征。在本实施例中，所获得的电容器分类模型包括第一决策树分类模型，其中具有多个多项式，并且各多项式分别用于表达多个不同电容器的特征参与温度、频率之间的关系。在得到电容器的分类模型后，根据待测电容器特征参数与温度、频率之间的关系，从电容器分类模型中确定出待测电容器所对应的多项式，然后根据待测电容器对应的多项式，得到待测电容器的第二尺度特征。

在步骤S4中，将待测电容器的第一尺度特征和第二尺度特征融合以进行重构独立分析，得到待测电容器的融合特征。例如，假设待测电容器的第一尺度特征为

第二尺度特征为

则将待测电容器的第一尺度特征和第二尺度特征进行组合，可以得到组合特征序列

然后再对该组合特征序列进行重构独立分析，得到待测电容器的融合特征。

在步骤S5中，获取回归预测模型，然后以待测电容器的融合特征输入到该回归预测模型中，以得到待测电容器在目标温度和目标频率下的特征参数，即得到待测电容器的目标特征参数。本实施例中的回归预测模型，其中存储有不同电容器在各温度和各频率下的测量参数，由于融合特征中不仅包括待测电容器的上述第一尺度特征和第二尺度特征，还有目标温度和目标频率，因此在获取到待测电容器的融合特征后，能够根据待测电容器的融合特征识别出其类型，然后得到该类型电容器在目标温度和目标频率下的特征参数，该特征参数即为待测电容器的目标特征参数。

综上所述，本申请所提供的技术方案中，首先获取待测电容器的测量参数序列，然后采用差分自回归移动平均模型获取待测电容器的第一尺度特征、通过电容器分类模型得到待测电容器的第二尺度特征，接着将待测电容器的第一尺度特征和第二尺度特征融合并进行特征提取，以得到其融合特征，最后根据回归预测模型以及待测电容器的融合特征、目标温度、目标频率，得到待测电容器的目标特征参数。由于本申请所提供的技术方案，能够准确获取待测电容器的第一尺度特征、第二尺度特征，并根据第一尺度特征和第二尺度特征得到融合特征，并能够通过该融合特征准确地对待测电容器进行分类，从而在最终通过回归预测模型获取待测电容器的目标特征参数时，提高所获取结果的准确性。

上文中结合图1的流程，对本申请的用于获取电容器特征参数的方法的流程做了详细的介绍，下面结合具体应用场景，对其中的测量特征参数做相应的介绍。

在一个实施例中，上述测量特征参数包括待测电容器的电容量、等效串联电阻和损耗角，所得到的待测电容器的测量参数序列，包括通过测量得到的在设定温度下频率为设定频率时，待测电容器的电容量、等效串联电阻和损耗角。相应地，在上述步骤S5中所得到的待测电容器的目标特征参数，包括待测电容器在目标温度和目标频率下的电容量、等效串联电阻和损耗角。

下面结合具体应用场景，对上述步骤S2中构建差分自回归移动平均模型的方法做详细的介绍。

在一个实施例中，上述步骤S2中根据待测电容器的测量参数序列构建ARMIA模型的方法包括：

在步骤S21中，对待测电容器的测量参数序列进行平稳性检验，以判断待测电容器的测量参数序列是否为平稳序列；如果待测电容器的测量参数序列为平稳序列，则将其作为ARMIA模型的输入序列；反之，如果待测电容器测量参数序列为不平稳序列，则对其进行以下步骤中的处理。

在步骤S22中，对待测电容器测量参数序列进行差分处理。在本步骤S22中对待测电容器测量参数序列进行差分处理时，首先对待测电容器测量参数序列进行一阶差分处理，得到一阶差分序列。在对待测电容器测量参数序列进行一阶差分处理时，所采用的计算公式为

θ₍₁₎＝[Θ_t,2-Θ_t,1,Θ_t,3-Θ_t,2,...,Θ_t,m-Θ_t,m-1]

设该差分序列中第f个元素为θ_f,(1)，则θ_f,(1)＝Θ_t,f+1-Θ_t,f。

然后对该一阶差分序列θ₍₁₎进行平稳性检验，以判断该一阶差分序列θ₍₁₎是否为平稳序列，如果不是，则对待测电容器测量参数序列进行二阶差分处理；以此类推，直到所得到的差分序列为平稳序列。设经过待测电容器的测量参数序列经过d次差分处理后，所得到的d阶差分序列为平稳序列，则获取该d的值。本实施例中以对待测电容器测量参数序列进行n阶差分处理为例，所得到的n阶差分序列为：

θ_(n)＝[Θ_t,n+1-Θ_t,1,Θ_t,n+2-Θ_t,2,...,Θ_t,m-Θ_t,m-n]

设该差分序列中第f个元素为θ_f,(n)，则θ_f,(n)＝Θ_t,n+f-Θ_t,f。

在步骤S23中，确定非季节性自回归多项式项数和非季节性移动平均多项式项数，并根据非季节性自回归多项式项数、非季节性移动平均多项式项数以及上述阶数d构建ARIMA模型。在本实施例中，如果计算出偏自相关函数从滞后p期开始衰减，则将非季节性自回归多项式项数设置为p；如果计算出计算自相关函数从滞后q期开始衰减，则将非季节性移动平均多项式项数为q。

在本实施例中，自相关函数是指特定温度下电容器参数值在两个频率查询点上与自身的线性相关性系数组成的序列。无论是待测电容器或是训练电容器，选取的特定温度下的参数-频率向量为：Θ_t,j，j＝1,2,…,m，对于平稳过程，任意两个观测值之间的自相关仅取决于其之间的时间滞后阶数h，h＝1,2,…,m-1。则滞后阶数为h时的自相关函数ACF_h表达式为：

Cov(·)表示Θ_t,j与其滞后项Θ_t,j-h两个变量间的协方差，Var(·)可视为样本方差。偏相关函数PACF_h则是指Θ_t,j与Θ_t,j-h间除去中间变量Θ_t,j-1,Θ_t,j-2,…,Θ_t,j-h+1后的相关性系数序列，假设滞后阶数为h时，有表达式：

Θ_t,j＝η₁Θ_t,1+η₂Θ_t,2+…+η_hΘ_t,j-h+ε_t,j

其中ε_t,j为误差项，η_h为第h阶的系数，则有偏相关函数PACF_h为：

PACF_h＝η_h

利用最小二乘法可求解不同滞后阶数h下的偏相关函数PACF_h。检验单个滞后h自相关显著性和偏自相关的标准绝对误差AE与预测误差PE为：

就此，±2AE与±2PE分别自相关和偏自相关函数置信度为95％时的置信区间。将不同滞后阶数h下的ACF_h和±AE进行数值比较，统计满足连续且置信区间外的最大截断滞后阶数，即：

h_max,ACF＝max h

统计多个训练电容序列按上述计算出来的

计算这些最大截断滞后阶数的众数后设置为ARIMA模型的q值；同理，将不同滞后阶数h下的PACF_h和±PE进行数值比较，统计满足连续且置信区间外的最大截断滞后阶数，即：

h_max,PACF＝max h

统计多个训练电容序列按上述计算出来的

计算这些最大截断滞后阶数的众数后设置为ARIMA模型的p值。

值得注意的是，当序列较长，即序列数组元素个数较多，m值较大时，上述参与计算过程中的滞后阶数h应得到限制，在本模型中，当m≥20时，规定h＝1,2,3,…,20，应用意义在于减少模型计算量，理论意义在于认为远离当前频率查询点时的电容量参数值对该频率查询点的电容量参数值影响可忽略。

本实施例中根据非季节性自回归多项式项数p、非季节性移动平均多项式项数q、阶数d所构建的ARIMA模型为：

θ_f,(d)＝c+π₁×θ_f-1,(d)+π₂×θ_f-2,(d)+L+π_p×θ_f-p,(d)+χ₁×ε_f-1+χ₂×ε_f-2+…+χ_q×ε_f-q

其中ε_f为一组服从独立同分布的高斯随机数，χ_j为移动平均多项式系数，π_i为自回归多项式系数，c为常数项。求解上述ARIMA模型中系数π₁-π_p、χ₁-χ_q与参数c，并将其组合，可以得到待测电容器的第一尺度特征

因此

其中v表示第一尺度特征中的特征索引。

进一步地，在一个实施例中，上述步骤S21中在对待测电容器的测量参数序列进行平稳性检验时，所采用的检验方法包括单位根检验法和KPSS检验法，即对待测电容器的测量参数序列同时进行单位根检验和KPSS检验，根据单位根检验结果和KPSS检验结果判断待测电容器的测量参数序列是否为平稳序列。

在本实施例中单位根检验包括零假设：

零假设Ha₀：如果原序列存在单位根，则其为非平稳序列；

假设Ha₁：如果原序列不存在单位根，此时其为平稳序列。

在自回归过程中，假定Θ_t,j＝η₁Θ_t,1+η₂Θ_t,2+…+η_hΘ_t,j-h+ε_t,j，则定义ADF(单位根)检验式为：

其中

表示忽略其他滞后项差后的参数回归值。利用最小二乘法求解系数滞后系数β，若β＝1成立，则该序列包含单位根。

KPSS检验包括：

零假设Hk₀：如果原序列的随机游走项为常数，为平稳序列；

假设Hk₁：如果原序列的随机游走项引入了单位根，为非平稳序列。

KPSS检验利用以下结构来验证原序列的随机游走项为常数：

其中τ表示频率趋势系数，u_1j和u_2j分别表示随机平稳过程(白噪声)和一个满足期望为0、方差为σ²的独立同分布过程，z_j是由增量过程u_2j生成的随机游走，z_j-1前一向的随机游走项，z_j的初始值z₀为常数并作为Θ_t,j的截距；若σ²＝0，即随机游走项z_j是常数，作为模型截距。备选假设是σ²>0，则原序列的随机游走项引入了单位根。

根据上述单位根检验和KPSS检验的要求，当待测电容器的测量参数序列中不存在单位根并且随机游走项为常数时，待测电容器的测量参数序列为平稳序列，否则待测电容器的测量参数序列为不平稳序列。

上文中对本申请的构建差分自回归移动平均模型的方法做了详细的介绍，下面结合具体应用场景，对获取待测电容器分类标签的方法做详细的介绍。

在一个实施例中，在获取待测电容器的分类标签后，可以根据其分类标签获取其对应多项式的系数，以得到其第二尺度特征。由于电容器的特征参数随环境温度和工作频率变化而变化，即电容器的特征参数的决定数据中有两个，因此，本实施例中建立电容器特征参数与环境温度、工作频率之间的关系曲面，如图2所示，并通过数据拟合出该关系曲面所对应的多项式。在本实施例中，所建立的曲面所对应的多项式为：

其中x为测量温度，y为测量频率，Θ^(k)为第k个训练电容器的特征参数。

在本实施例中，可以先获取各类型训练电容器的测量参数序列；然后采用上述公式对各类型训练电容器的测量参数序列进行曲面拟合，以得到各类型训练电容器对应曲面的多项式；最后获取各类型训练电容器对应的多项式中各项系数的集合，并将其作为相应种类训练电容器的标签。

上述训练电容器为标准电容器，其测量参数序列包括在多个预设温度下，频率为设定频率时的测量特征参数。例如，当预设温度的取值范围为-40—75℃时，可以取温度-40℃、-25℃、0℃、25℃、50℃、75℃构成温度采样集合T，然后将各类型的训练电容器放置在恒温箱中，获取当测试频率为上述频率采样点集合F中各频率时各类型训练电容器的测量特征参数，从而得到各类训练电容器的测量参数序列。

上述获取各类型训练电容器对应的多项式中各项系数的集合时，设第k个训练电容器所对应多项式中各项系数的集合为a^(k)，则

将各类型训练电容器所对应的集合作为其对应的分类标签，可以得到第k个类型的训练电容器的分类标签lab_k为a^(k)。通过本实施例的方法将计算出的参数计算值基本分布在实际电容量曲面上，将曲面展开如图3所示，模型计算值基本与测量值一致。

在本实施例中，电容器分类模型所采用的是第一决策树模型，该第一决策树模型为分类树模型，并且是采用训练电容器的第一尺度特征、预设温度、预设频率和分类标签训练得到的。在训练过程中，将各训练电容器的第一尺度特征和该第一尺度特征对应的预设温度、预设频率作为电容器分类模型的输入，以对应的分类标签作为电容器分类模型的输出，例如，其中一个训练电容器的分类标签为a^(p)，该训练电容器在预设温度T_(p)、预设频率F_(p)时的第一尺度特征为

则在训练时，以该训练电容器的第一尺度特征为

以及其对应的预设温度T_(p)、预设频率F_(p)为电容器分类模型的输入，以分类标签为a^(p)为电容器分类模型的输出以对电容器分类模型进行训练，以得到训练后的电容器分类模型。在得到待测电容器的第一尺度特征后，将该第一尺度特征以及其实验温度、实验频率输入到训练后的电容器分类模型中，训练后的电容器分类模型即可输出待测电容器的分类标签，然后可以根据该分类标签得到待测电容器的第二尺度特征。

在一个实施例中，在得到待测电容器的测量参数序列和训练电容器的测量参数序列后，先对其进行预处理。在本实施例中，对待测电容器的测量参数序列/训练电容器的测量参数序列所进行的预处理为插值处理，处理过程包括：首先设置待测电容器的测量参数序列/训练电容器的测量参数序列的插值查询点，然后对待测电容器的测量参数/测量参数序列进行三次样条曲面插值。下面以对第k个训练电容器为例，对插值处理的过程进行说明。

由于在对训练电容器进行实验时，所设置的变化条件温度和频率，因此上述设置训练电容器测量参数序列的插值查询点包括设置温度查询点和设置频率查询点，其中设置温度查询点包括：在温度测试区间[x₁,x_n]内,将温度采样点划分为等差数列集合T′，该集合T′中具有n个元素，并且该等差数列的公差为

因此在集合T′中第i个元素的值为x_i＝x₁+(i-1)Δx，其中x₁和x_n分别为测量温度的上限值和下限值。本实施例的集合T′中各温度采样点为设置的温度查询点。

设置频率查询点包括：在频率测试区间[y₁,y_m]内,将内将频率采样点划分为等差数列F′，该集合F′中具有m个元素，并且该等差数列的公差为

因此在集合F′中第j个元素的值为y_j＝y₁+(j-1)Δy，其中y₁与y_m分别表示测量频率上限值和下限值。本实施例的集合F′中各频率查询点为设置的频率查询点。

上述相应的测量参数序列进行三次样条曲面插值时，以集合T中的元素以及集合F中元素所对应的训练电容器测量特征参数(例如Cp、ESR和DF值)作为插值节点，按照上述插值查询点进行三次样条曲面插值，被插值点上的插值结果是基于在每个维度上相邻网格点的值的三次插值，即温度维度与频率维度。最终构建第k个训练电容器的得到电容量(Cp)、等效串联电阻(ESR)和损耗角(DF)插值结果为：

定义

为电容器参数集合，并且

下面结合具体应用场景，对获取待测电容器融合特征的方法做详细的介绍。

在一个实施例中，将上述待测电容器的第一尺度特征和第二尺度特征进行融合后，采用重构独立成分分析算法对其进行特征提取，以得到待测电容器的融合特征。

在采用重构独立成分分析算法进行特征提取时，设置目标特征数为B，初始化转化权重矩阵W＝[w₁,w₂,...,w_B]，构造对比函数g_rICA：

对于(p+q+1+9)×(K+L)个元素的矩阵Φ和每个电容器输出的B个目标特征，则特征提取的目标函数h为：

其中λ为转换权矩阵的正则化系数值，σ_b为值取±1的常量；当σ_b＝1时，最小化目标函数h会激励

的直方图在0处达到峰值；当σ_b＝-1时，最小化目标函数h会激励

的直方图在0附近趋于平稳。至此，rICA最小化关于被归一化为1的W的目标函数h。W的每一列w_b是由列向量ξ_b定义的：

rICA最小化列向量ξ_b，得到的最小矩阵W提供了从输入数据Φ到目标特征的转换权重，就此重构后的特征序列为

其中b＝1,2,…,B。设第k个训练电容器的多尺度特征重构后特征序列为

则在预设温度x_i、预设频率y_j下的融合特征为：

在一个实施例中，上述步骤S5中获取回归预测模型的方法包括：首先对训练电容器的测量参数序列进行标准化处理，得到标准化训练集；然后采用标准化训练集对决策回归树模型进行训练，以得到回归预测模型。

上述回归预测模型是通过训练电容器的融合特征、预设温度和预设频率对决策回归树模型进行训练而得到的，训练方法为：以训练电容器的融合特征(包括训练电容器的重构特征序列

以及与该重构特征序列对应的预设温度x和预设频率y)，以训练电容器在对应预设温度和预设频率下的特征参数为决策树回归模型输出进行训练，所得到的训练后的决策树回归模型，该决策树回归模型即为回归预测模型。然后将待测电容器的融合特征(包括待测电容器的重构特征序列以及与该重构特征序列、目标温度和目标频率)输入到回归预测模型中，即可得到待测电容器的特征参数。

在本实施例中，定义每个电容器、每个温度查询点、每个频率查询点所对应的参数值为一个训练样本，因此，模型训练样本数量S＝K×m×n；定义样本数索引为s，特征数索引为r，则输入特征可表示为Φ′_s,r，其中s∈[1,2,…,S]，r∈[1,2,…,B,B+1,B+2]。

计算每个训练样本每个输入特征的均值μ_r和标准差δ_r后，根据以下公式获得归一化训练集特征

将标准化后的训练集特征

和训练集输出Θ^(s)代入基于第二棵回归决策树中完成对模型的训练：

测试样本数S’＝L×m×n；待测电容所构建的输入特征Φ″(其中包含了目标温度与目标频率)标准化后得到

其中s′∈[1，2，...，S′]，代入训练好的模型g_reg(·)，得到与Φ″相对应的待测电容参数值

通过本申请技术方案所得到的结果如图4所示，与实际观测点残差主要分布在[-20,20]区间，得到计算结果和实际观测点的MSE＝129.75，说明本申请所计算得到的待测电容器电容量的温度、频率特性基本符合实际情况，回归预测效果较优越，计算时间较快，较大节省了通过专业设备逐步测量电容器参数温度、频率特性的时间成本和经济成本。

根据本发明的第二方面，本发明还提供了一种用于获取电容器特征参数的设备，如图5所示，该设备包括处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信。处理器用于提供计算和控制能力。存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序指令。该内存储器为非易失性存储介质中的操作系统和计算机程序指令的运行提供环境。上述装置的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。存储器用于存储计算机程序指令，该计算机程序指令使处理器执行上述本发明如图1所示的方法。

根据本发明的第三方面，本发明还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序指令来指令相关的硬件来完成，所述的计算机程序指令可存储于一非易失性计算机可读取存储介质中，该计算机程序指令在执行时，可实现上述本发明如图1所示的方法。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

本说明书中所使用的术语“第一”或“第二”等用于指代编号或序数的术语仅用于描述目的，而不能理解为明示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”或“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中，“多个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体地限定。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是，在实践本发明的过程中，可以采用本文所描述的本发明实施例的各种替代方案。所附权利要求书旨在限定本发明的保护范围，并因此覆盖这些权利要求保护范围内的模块组成、等同或替代方案。

Claims (10)

1.一种用于获取电容器特征参数的方法，其特征在于，包括：

获取待测电容器的测量参数序列，所述待测电容器的测量参数序列包括在设定温度下频率为设定频率时的测量特征参数；

根据所述待测电容器的测量参数序列构建差分自回归移动平均模型，并根据该模型得到所述待测电容器的第一尺度特征；

获取电容器分类模型、目标温度和目标频率，将所述第一尺度特征、目标温度和目标频率输入所述电容器分类模型以得到所述待测电容器的分类标签，并根据该分类标签得到所述待测电容器的第二尺度特征；

将所述待测电容器的第一尺度特征和第二尺度特征融合并进行特征提取，以得到所述待测电容器的融合特征；

获取回归预测模型，并将所述待测电容器的融合特征输入所述回归预测模型，以得到所述待测电容器的目标特征参数。

2.根据权利要求1所述的用于获取电容器特征参数的方法，其特征在于，所述待测电容器的测量特征参数分别包括其电容量、等效串联电阻和/或损耗角。

3.根据权利要求1所述的用于获取电容器特征参数的方法，其特征在于，所述构建差分自回归移动平均模型包括：

对所述待测电容器的测量参数序列进行平稳性检验；

响应于所述待测电容器的测量参数序列不平稳，对所述待测电容器的测量参数序列进行差分处理以得到一阶的差分序列；

响应于所述差分序列不满足设定条件，继续进行下一阶的差分处理，以得到下一阶的差分序列；

响应于所述差分序列满足设定条件，停止进行差分处理并获取所述差分序列的阶数；

根据偏自相关函数开始衰减的滞后期数，确定非季节性自回归多项式的项数；

根据自相关函数开始衰减的滞后期数，确定非季节性移动平均多项式的项数；

根据所述差分处理的次数、非季节性自回归多项式的项数和移动平均多项式的项数，以及所述待测电容器的测量参数和训练电容器的测量参数，构建所述差分自回归移动平均模型。

4.根据权利要求3所述的用于获取电容器特征参数的方法，其特征在于，所述平稳性检验包括单位根检验和KPSS检验。

5.根据权利要求1所述的用于获取电容器特征参数的方法，其特征在于，所述待测电容器的分类标签设置有对应多项式的系数。

6.根据权利要求5所述的用于获取电容器特征参数的方法，其特征在于，还包括对所述待测电容器的测量参数序列和/或训练电容器的测量参数序列进行插值处理的步骤。

7.根据权利要求1所述的用于获取电容器特征参数的方法，其特征在于，所述第一尺度特征和第二尺度特征融合后，采用重构独立成分分析算法对其进行特征提取，以得到所述融合特征。

8.根据权利要求1所述的用于获取电容器特征参数的方法，其特征在于，获取待测电容器的回归预测模型包括：

获取所述训练电容器的融合特征，并对其进行标准化处理，以得到标准化训练集采用所述标准化训练集对决策树回归模型进行训练，以得到所述回归预测模型。

9.一种用于获取电容器特征参数的设备，其特征在于，包括处理器和存储器，所述存储器上存储有用于在所述处理器上执行的计算机程序指令，所述处理器执行该计算机程序指令时，实现如权利要求1-8任意一项所述的用于获取电容器特征参数的方法。

10.一种计算机可读存储介质，其特征在于，其存储有计算机指令，所述计算机指令由处理器运行时，实现根据权利要求1-8的任意一项所述的用于获取电容器特征参数的方法。

Images