CN115328228B - 一种高频开关电源 - Google Patents
一种高频开关电源 Download PDFInfo
- Publication number
- CN115328228B CN115328228B CN202211253084.0A CN202211253084A CN115328228B CN 115328228 B CN115328228 B CN 115328228B CN 202211253084 A CN202211253084 A CN 202211253084A CN 115328228 B CN115328228 B CN 115328228B
- Authority
- CN
- China
- Prior art keywords
- training
- feature
- scale
- vector
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 259
- 238000012549 training Methods 0.000 claims description 162
- 239000011159 matrix material Substances 0.000 claims description 161
- 238000000605 extraction Methods 0.000 claims description 94
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 230000004043 responsiveness Effects 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 230000003247 decreasing effect Effects 0.000 claims description 15
- 230000005012 migration Effects 0.000 claims description 15
- 238000013508 migration Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000001816 cooling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 26
- 230000017525 heat dissipation Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/1919—Control of temperature characterised by the use of electric means characterised by the type of controller
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02M—APPARATUS FOR CONVERSION BETWEEN AC AND AC, BETWEEN AC AND DC, OR BETWEEN DC AND DC, AND FOR USE WITH MAINS OR SIMILAR POWER SUPPLY SYSTEMS; CONVERSION OF DC OR AC INPUT POWER INTO SURGE OUTPUT POWER; CONTROL OR REGULATION THEREOF
- H02M1/00—Details of apparatus for conversion
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20009—Modifications to facilitate cooling, ventilating, or heating using a gaseous coolant in electronic enclosures
- H05K7/20209—Thermal management, e.g. fan control
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/2089—Modifications to facilitate cooling, ventilating, or heating for power electronics, e.g. for inverters for controlling motor
- H05K7/20945—Thermal management, e.g. inverter temperature control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/10—Technologies improving the efficiency by using switched-mode power supplies [SMPS], i.e. efficient power electronics conversion e.g. power factor correction or reduction of losses in power supplies or efficient standby modes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Thermal Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Temperature (AREA)
- Dc-Dc Converters (AREA)
Abstract
本申请涉及智能控制技术领域，且更为具体地，涉及一种高频开关电源。公开了一种高频开关电源，其通过对所述高频开关电源的多个部件的温度分布进行监测与分析，以对于风扇的功率进行自适应地精准控制，以确保所述高频开关电源的工作性能。
Description
技术领域
本申请涉及智能控制技术领域，且更为具体地，涉及一种高频开关电源。
背景技术
风冷式高频开关电源是集中了现代电力电子技术和风冷技术的高可靠性的新一代整流设备，其能够实现任意电压电流始终成线性匹配，省去了传统整流器的调压和主变的损耗。
对于高频开关电源而言，风扇的功率控制是维持开关电源能够在适当温度上进行工作的关键。现有的开关电源的风扇功率控制策略较为简单，其通过在开关电源内设置温度传感器，并基于所探测的温度进行风扇功率的调整，例如，当探测到温度大于第一阈值，将风扇的功率增大至第一值，当探测到温度大于第二阈值时，将风扇的功率增大至第二值。但这种简单的温度控制模式，在实际运转中存在诸多问题：
首先，开关电源是一个大型设备，无法通过一个或者几个传感器来测得开关电源内的温度整体情况；其次，因开关电源内存在诸多部件，这些部件作为热源相互之间会产生影响。
因此，期待一种优化的高频开关电源。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种高频开关电源，其通过训练完成的多尺度邻域特征提取模块提取高频开关电源的各个部件的温度动态隐含特征，通过训练完成的作为特征提取器的卷积神经网络模型提取各个部件的拓扑特征，然后以温度动态隐含特征和拓扑特征的融合特征表示高频开关电源整体的温度特征信息；并且，通过训练完成的多尺度邻域特征提取模块提取风扇的功率特征，以风扇的功率特征与高频开关电源整体的温度特征之间的响应性估计来表示风扇的功率特征与高频开关电源整体的温度特征之间的关联性特征，并以此来进行风扇的功率控制。这样，可以对于风扇的功率进行自适应地精准控制，以保证高频开关电源的工作性能。
根据本申请的一个方面，提供了一种高频开关电源，其包括：状态监测单元，用于获取高频开关电源的多个部件在预定时间段内多个预定时间点的温度值以及所述高频开关电源的风扇在所述预定时间段内多个预定时间点的功率值；温度特征提取单元，用于将所述各个部件在预定时间段内，多个预定时间点的温度值，按照时间维度排列为温度输入向量后，通过训练完成的多尺度邻域特征提取模块以得到多个多尺度部件温度特征向量；二维化单元，用于将所述多个多尺度部件温度特征向量进行矩阵化以得到部件温度特征矩阵；空间拓扑特征提取单元，用于将所述多个部件的拓扑矩阵通过训练完成的作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；图神经网络单元，用于将所述部件温度特征矩阵和所述拓扑特征矩阵通过训练完成的图神经网络以得到拓扑部件温度特征矩阵；功率特征提取单元，用于将所述风扇在所述预定时间段内多个预定时间点的功率值按照时间维度排列为功率输入向量后通过训练完成的所述多尺度邻域特征提取模块以得到多尺度功率特征向量；响应性估计单元，用于计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到分类特征向量；以及风冷控制结果生成单元，用于将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示当前时间点的风扇的功率值应增大或应减小。
在上述高频开关电源中，所述温度特征提取单元，包括：第一尺度温度特征提取子单元，用于将所述温度输入向量输入所述训练完成的多尺度邻域特征提取模块的第一卷积层以得到第一尺度部件温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;第二尺度温度特征提取子单元，用于将所述温度输入向量输入所述训练完成的多尺度邻域特征提取模块的第二卷积层以得到第二尺度部件温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元，用于将所述第一尺度部件温度特征向量和所述第二尺度部件温度特征向量进行级联以得到所述多个多尺度部件温度特征向量。
在上述高频开关电源中，所述第一尺度温度特征提取子单元，进一步用于：使用所述训练完成的多尺度邻域特征提取模块的第一卷积层以如下公式对所述温度输入向量进行一维卷积编码以得到所述第一尺度部件温度特征向量；其中，所述公式为：
其中，
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
w为第一卷积核的尺寸，
X表示所述温度输入向量。
所述第二尺度温度特征提取子单元，进一步用于：使用所述训练完成的多尺度邻域特征提取模块的第二卷积层以如下公式对所述温度输入向量进行一维卷积编码以得到所述第二尺度部件温度特征向量；其中，所述公式为：
其中，
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
m为第二卷积核的尺寸，
X表示所述温度输入向量。
在上述高频开关电源中，所述空间拓扑特征提取单元，进一步用于：所述训练完成的作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述训练完成的作为特征提取器的卷积神经网络模型的最后一层的输出为所述拓扑特征矩阵，所述训练完成的作为特征提取器的卷积神经网络模型的第一层的输入为所述多个部件的拓扑矩阵。
在上述高频开关电源中，所述响应性估计单元，进一步用于：以如下公式计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到所述分类特征向量；其中，所述公式为：
= ，
其中表示所述多尺度功率特征向量，表示所述分类特征向量，表示所述拓扑部件温度特征矩阵。
在上述高频开关电源中，所述风冷控制结果生成单元，进一步用于：使用所述训练完成的分类器以如下公式对所述分类特征向量进行处理以生成分类结果；其中，所述公式为：，其中表示所述分类特征向量，为全连接层的权重矩阵，表示全连接层的偏置矩阵。
在上述高频开关电源中，还包括对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络和所述分类器进行训练的训练模块。
在上述高频开关电源中，所述训练模块，包括:训练数据采集单元，用于获取训练数据，所述训练数据包括所述高频开关电源的多个部件在预定时间段内多个预定时间点的训练温度值、所述高频开关电源的风扇在所述预定时间段内多个预定时间点的训练功率值，以及，当前时间点的所述风扇的功率值应增大或应减小的真实值；训练温度特征提取单元，用于将所述各个部件在预定时间段内，多个预定时间点的训练温度值，按照时间维度排列为训练温度输入向量后，通过所述多尺度邻域特征提取模块以得到多个训练多尺度部件温度特征向量；训练二维化单元，用于将所述多个训练多尺度部件温度特征向量进行矩阵化以得到训练部件温度特征矩阵；训练空间拓扑特征提取单元，用于将所述多个部件的拓扑矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练拓扑特征矩阵；训练图神经网络单元，用于将所述训练部件温度特征矩阵和所述训练拓扑特征矩阵通过所述图神经网络以得到训练拓扑部件温度特征矩阵；训练功率特征提取单元，用于将所述风扇在所述预定时间段内多个预定时间点的训练功率值按照时间维度排列为训练功率输入向量后通过所述多尺度邻域特征提取模块以得到训练多尺度功率特征向量；训练响应性估计单元，用于计算所述训练多尺度功率特征向量相对于所述训练拓扑部件温度特征矩阵的响应性估计以得到训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及，训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络和所述分类器进行训练，其中，在所述训练的每一轮迭代中，基于远程迁移矩阵和惩罚向量对所述训练分类特征向量进行迭代。
在上述高频开关电源中，在所述训练的每一轮迭代中，基于所述远程迁移矩阵和所述惩罚向量以如下公式对所述训练分类特征向量进行迭代；其中，所述公式为：
其中，表示所述训练分类特征向量，表示具有可学习的参数的所述远程迁移矩阵，表示每次迭代时所述分类器的初始全连接权重矩阵，且为所述惩罚向量，表示激活函数，表示按位置加法，表示按位置减法，表示矩阵相乘，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
与现有技术相比，本申请提供的一种高频开关电源，其通过训练完成的多尺度邻域特征提取模块提取高频开关电源的各个部件的温度动态隐含特征，通过训练完成的作为特征提取器的卷积神经网络模型提取各个部件的拓扑特征，然后以温度动态隐含特征和拓扑特征的融合特征表示高频开关电源整体的温度特征信息；并且，通过训练完成的多尺度邻域特征提取模块提取风扇的功率特征，以风扇的功率特征与高频开关电源整体的温度特征之间的响应性估计来表示风扇的功率特征与高频开关电源整体的温度特征之间的关联性特征，并以此来进行风扇的功率控制。这样，可以对于风扇的功率进行自适应地精准控制，以保证高频开关电源的工作性能。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的高频开关电源的应用场景图。
图2为根据本申请实施例的高频开关电源的框图。
图3为根据本申请实施例的高频开关电源中所述温度特征提取单元的框图。
图4为根据本申请实施例的高频开关电源中所述训练模块的框图。
图5为根据本申请实施例的高频开关电源的散热控制方法的流程图。
图6为根据本申请实施例的高频开关电源的散热控制方法的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，对于高频开关电源而言，风扇的功率控制是维持高频开关电源能够在适当温度上进行工作的关键。现有的开关电源的风扇功率控制策略较为简单，其通过在开关电源内设置温度传感器，并基于所探测的温度进行风扇功率的调整，例如，当探测到温度大于第一阈值，将风扇的功率增大至第一值，当探测到温度大于第二阈值时，将风扇的功率增大至第二值。但这种简单的温度控制模式，在实际运转中存在诸多问题：首先，开关电源是一个大型设备，无法通过一个或者几个传感器来测得开关电源内的温度整体情况；其次，因开关电源内存在诸多部件，这些部件作为热源相互之间会产生影响。因此，期待一种优化的高频开关电源。
具体地，在本申请的技术方案中，采用基于深度学习的高频开关电源的风扇功率控制算法来对于所采集的数据进行分析处理，以对风扇的功率进行控制。也就是，具体地，将所述高频开关电源中多个部件作为一个有机的整体，以所述高频开关电源的各个部件的温度动态隐含特征和所述各个部件的拓扑特征的融合特征来表示在考虑了所述热源之间的热相互影响下的所述高频开关电源整体的实际温度特征信息。并且，进一步以所述风扇的功率特征与所述高频开关电源整体的温度特征之间的响应性估计来表示所述高频开关电源的温度变化特征与所述风扇的功率特征之间的关联性特征，以此来进行所述风扇的功率控制。这样，就能够维持所述高频开关电源在适当的温度上进行工作，保证所述高频开关电源的工作性能。
具体地，在本申请的技术方案中，首先，通过各个传感器获取高频开关电源的多个部件在预定时间段内多个预定时间点的温度值以及所述高频开关电源的风扇在所述预定时间段内多个预定时间点的功率值。应可以理解，在所述高频开关电源运行时，其中的各个部件的温度会发生变化，并且所述各个部件的温度之间也会产生相互的影响，进而导致难以对于所述风扇的功率值进行控制。因此，需要进一步提取出所述各个作为热源的部件之间的热相互影响特征，也就是，将所述各个部件在预定时间段内多个预定时间点的温度值按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块中进行编码，以提取出所述各个部件的温度值在预定时间段内的不同时间跨度下的多尺度邻域关联特征，从而得到多个多尺度部件温度特征向量。进一步地，再将所述多个多尺度部件温度特征向量进行矩阵化，以整合所述各个部件的温度多尺度邻域关联特征信息，从而得到部件温度特征矩阵。
然后，为了能够将所述高频开关电源中多个部件作为一个有机的整体来考虑，即，考虑所述各个作为热源的部件之间的热相互影响，在本申请的技术方案中，还需要以所述各个部件之间的拓扑矩阵来表示各个热源之间的热影响特征。也就是，具体地，使用作为特征提取器的卷积神经网络模型来对于所述多个部件的拓扑矩阵进行特征挖掘，以提取出所述各个部件的拓扑特征信息，从而得到拓扑特征矩阵。
进一步地，以所述各个部件的所述多个多尺度部件温度特征向量作为节点的特征表示，而以所述拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个多尺度部件温度特征向量进行矩阵化得到的所述部件温度特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑部件温度特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述部件温度特征矩阵和所述拓扑特征矩阵进行图结构数据编码以得到包含不规则的所述各个部件之间的拓扑特征和所述各个部件的温度特征信息的所述拓扑部件温度特征矩阵。
接着，对于所述风扇在所述预定时间段内多个预定时间点的功率值，将其按照时间维度排列为功率输入向量以整合所述功率值在时间维度上的数据信息后，将其通过所述多尺度邻域特征提取模块中进行编码，以提取出所述风扇的功率值在所述预定时间段内的不同时间跨度下的多尺度邻域关联特征，从而得到多尺度功率特征向量。
然后，由于所述多尺度功率特征向量和所述拓扑部件温度特征矩阵之间的特征尺度不同，并且对于所述高频开关电源而言，所述风扇的功率控制是维持高频开关电源能够在适当温度上进行工作的关键。因此，在本申请的技术方案中，进一步再计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计来表示所述高频开关电源的温度拓扑特征与所述风扇的功率变化特征之间的隐含关联性特征，从而得到分类特征向量来进行分类，就能够得到用于表示当前时间点的风扇的功率值应增大或应减小的分类结果。
特别地，在本申请的技术方案中，在计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到分类特征向量时，由于在所述分类特征向量中引入了所述拓扑部件温度特征矩阵中的部件拓扑关联信息，使得所述分类特征向量相对于作为分类特征的功率值的特征分布会发生具有跨分类器的远程分布偏差，从而影响分类器的训练速度和分类特征向量的分类结果的准确性。
因此，在本申请的技术方案中，在模型的训练过程中，使用跨分类器的远程分布描述性增强来优化所述分类特征向量的分类过程，具体地，在分类过程中，在每次分类器的权重矩阵的迭代过程中，通过下式来计算输入分类器的分类特征向量：
是所述分类特征向量，为具有可学习的参数的远程迁移矩阵，为每次迭代时分类器的初始全连接权重矩阵，且为惩罚向量，其中所述远程迁移矩阵初始可设置为所述初始全连接权重矩阵的全局均值构成的矩阵，且所述惩罚向量可设置为所述分类特征向量的全局均值构成的向量。
这样，通过以具有可学习的参数的远程迁移矩阵来对跨分类器的分布迁移进行特征分布的支持性描述，可以支持优化后的分类特征向量跨分类器的全连接权重矩阵的远程分布对预定分类的类概率的描述性，并且，惩罚向量作为偏置并以激活函数进行激活，用于保留具有正向作用的分布描述依赖的增强，由此，就提升了分类器的训练速度和分类结果的准确性。这样，就能够对于所述风扇的功率进行自适应地精准控制，以维持所述高频开关电源在适当的温度上进行工作，进而保证所述高频开关电源的工作性能。
基于此，本申请提出了一种高频开关电源，其包括：状态监测单元，用于获取高频开关电源的多个部件在预定时间段内多个预定时间点的温度值以及所述高频开关电源的风扇在所述预定时间段内多个预定时间点的功率值；温度特征提取单元，用于将所述各个部件在预定时间段内，多个预定时间点的温度值，按照时间维度排列为温度输入向量后，通过训练完成的多尺度邻域特征提取模块以得到多个多尺度部件温度特征向量；二维化单元，用于将所述多个多尺度部件温度特征向量进行矩阵化以得到部件温度特征矩阵；空间拓扑特征提取单元，用于将所述多个部件的拓扑矩阵通过训练完成的作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；图神经网络单元，用于将所述部件温度特征矩阵和所述拓扑特征矩阵通过训练完成的图神经网络以得到拓扑部件温度特征矩阵；功率特征提取单元，用于将所述风扇在所述预定时间段内多个预定时间点的功率值按照时间维度排列为功率输入向量后通过训练完成的所述多尺度邻域特征提取模块以得到多尺度功率特征向量；响应性估计单元，用于计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到分类特征向量；以及，风冷控制结果生成单元，用于将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示当前时间点的风扇的功率值应增大或应减小。
图1图示了根据本申请实施例的高频开关电源的应用场景图。如图1所示，在该应用场景中，首先获取高频开关电源（例如，如图1中所示意的U）的多个部件在预定时间段内多个预定时间点的温度值（例如，如图1中所示意的C1）以及所述高频开关电源的风扇在所述预定时间段内多个预定时间点的功率值（例如，如图1中所示意的C2）；然后，将获取的所述温度值和所述功率值输入至部署有高频开关电源的风扇功率控制的服务器（例如，如图1所示意的S）中，其中，所述服务器以高频开关电源的风扇功率控制算法对所述温度值和所述功率值进行处理，以生成用于表示当前时间点的风扇的功率值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性高频开关电源
图2图示了根据本申请实施例的高频开关电源的框图。如图2所示，根据本申请实施例的高频开关电源100，包括：状态监测单元110，用于获取高频开关电源的多个部件在预定时间段内多个预定时间点的温度值以及所述高频开关电源的风扇在所述预定时间段内多个预定时间点的功率值；温度特征提取单元120，用于将所述各个部件在预定时间段内，多个预定时间点的温度值，按照时间维度排列为温度输入向量后，通过训练完成的多尺度邻域特征提取模块以得到多个多尺度部件温度特征向量；二维化单元130，用于将所述多个多尺度部件温度特征向量进行矩阵化以得到部件温度特征矩阵；空间拓扑特征提取单元140，用于将所述多个部件的拓扑矩阵通过训练完成的作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；图神经网络单元150，用于将所述部件温度特征矩阵和所述拓扑特征矩阵通过训练完成的图神经网络以得到拓扑部件温度特征矩阵；功率特征提取单元160，用于将所述风扇在所述预定时间段内多个预定时间点的功率值按照时间维度排列为功率输入向量后通过训练完成的所述多尺度邻域特征提取模块以得到多尺度功率特征向量；响应性估计单元170，用于计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到分类特征向量；以及，风冷控制结果生成单元180，用于将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示当前时间点的风扇的功率值应增大或应减小。
具体地，在本申请实施例中，所述状态监测单元110，用于获取高频开关电源的多个部件在预定时间段内多个预定时间点的温度值以及所述高频开关电源的风扇在所述预定时间段内多个预定时间点的功率值。如前所述，对于高频开关电源而言，风扇的功率控制是维持高频开关电源能够在适当温度上进行工作的关键。现有的高频开关电源的风扇功率控制策略较为简单，其通过在高频开关电源内设置温度传感器，并基于所探测的温度进行风扇功率的调整，例如，当探测到温度大于第一阈值，将风扇的功率增大至第一值，当探测到温度大于第二阈值时，将风扇的功率增大至第二值。但这种简单的温度控制模式，在实际运转中存在诸多问题：首先，开关电源是一个大型设备，无法通过一个或者几个传感器来测得开关电源内的温度整体情况；其次，因开关电源内存在诸多部件，这些部件作为热源相互之间会产生影响。因此，期待一种优化的高频开关电源。
具体地，在本申请的技术方案中，采用基于深度学习的高频开关电源的风扇功率控制算法来对于所采集的数据进行分析处理，以对风扇的功率进行控制。也就是，具体地，将所述高频开关电源中多个部件作为一个有机的整体，以所述高频开关电源的各个部件的温度动态隐含特征和所述各个部件的拓扑特征的融合特征来表示在考虑了所述热源之间的热相互影响下的所述高频开关电源整体的实际温度特征信息。并且，进一步以所述风扇的功率特征与所述高频开关电源整体的温度特征之间的响应性估计来表示所述高频开关电源的温度变化特征与所述风扇的功率特征之间的关联性特征，以此来进行所述风扇的功率控制。这样，就能够维持所述高频开关电源在适当的温度上进行工作，保证所述高频开关电源的工作性能。
具体地，在本申请的技术方案中，首先，通过各个传感器获取高频开关电源的多个部件在预定时间段内多个预定时间点的温度值以及所述高频开关电源的风扇在所述预定时间段内多个预定时间点的功率值。应可以理解，在本申请一具体示例中，所述高频开关电源包括电源箱，所述电源箱内中部横置有安装板、高频变压器、全桥整流器、安装架、电流接入器、电源输出器、电导管；所述电源箱前端安装有控制器；所述电源箱的后侧中部设有散热窗口、散热支架、散热风扇，所述安装板上设有温度传感器，所述控制器、散热风扇、温度传感器间设有调速电路，所述调速电路包括与控制器连接控制散热风扇高速运转的高速继电器，以及，与控制器连接控制散热风扇低速运转的低速继电器。其通过温度传感器监测电源箱内温度并反馈给控制器，控制器调节散热风扇高、低速运转，进而保证所述高频开关电源的工作性能。
具体地，在本申请实施例中，所述温度特征提取单元120和所述二维化单元130，用于将所述各个部件在预定时间段内，多个预定时间点的温度值，按照时间维度排列为温度输入向量后，通过训练完成的多尺度邻域特征提取模块以得到多个多尺度部件温度特征向量，以及，用于将所述多个多尺度部件温度特征向量进行矩阵化以得到部件温度特征矩阵。应可以理解，在所述高频开关电源运行时，其中的各个部件的温度会发生变化，并且所述各个部件的温度之间也会产生相互的影响，进而导致难以对于所述风扇的功率值进行控制。
因此，需要进一步提取出所述各个作为热源的部件之间的热相互影响特征，也就是，将所述各个部件在预定时间段内多个预定时间点的温度值按照时间维度排列为温度输入向量后通过多尺度邻域特征提取模块中进行编码，以提取出所述各个部件的温度值在预定时间段内的不同时间跨度下的多尺度邻域关联特征，从而得到多个多尺度部件温度特征向量。进一步地，再将所述多个多尺度部件温度特征向量进行矩阵化，以整合所述各个部件的温度多尺度邻域关联特征信息，从而得到部件温度特征矩阵。
更具体地，在本申请实施例中，图3图示了根据本申请实施例的高频开关电源中所述温度特征提取单元的框图，如图3所示，所述温度特征提取单元120，包括：第一尺度温度特征提取子单元210，用于将所述温度输入向量输入所述训练完成的多尺度邻域特征提取模块的第一卷积层以得到第一尺度部件温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;第二尺度温度特征提取子单元220，用于将所述温度输入向量输入所述训练完成的多尺度邻域特征提取模块的第二卷积层以得到第二尺度部件温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，多尺度级联单元230，用于将所述第一尺度部件温度特征向量和所述第二尺度部件温度特征向量进行级联以得到所述多个多尺度部件温度特征向量。
进一步地，在本申请实施例中，使用所述训练完成的多尺度邻域特征提取模块的第一卷积层以如下公式对所述温度输入向量进行一维卷积编码以得到所述第一尺度部件温度特征向量；其中，所述公式为：
其中，
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
w为第一卷积核的尺寸，
X表示所述温度输入向量。
更进一步地，在本申请实施例中，使用所述训练完成的多尺度邻域特征提取模块的第二卷积层以如下公式对所述温度输入向量进行一维卷积编码以得到所述第二尺度部件温度特征向量；其中，所述公式为：
其中，
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
m为第二卷积核的尺寸，
X表示所述温度输入向量。
进一步地，再将所述多个多尺度部件温度特征向量进行矩阵化，以整合所述各个部件的温度多尺度邻域关联特征信息，从而得到部件温度特征矩阵。
具体地，在本申请实施例中，所述空间拓扑特征提取单元140，用于将所述多个部件的拓扑矩阵通过训练完成的作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵。为了能够将所述高频开关电源中多个部件作为一个有机的整体来考虑，即，考虑所述各个作为热源的部件之间的热相互影响，在本申请的技术方案中，还需要以所述各个部件之间的拓扑矩阵来表示各个热源之间的热影响特征。也就是，具体地，使用作为特征提取器的卷积神经网络模型来对于所述多个部件的拓扑矩阵进行特征挖掘，以提取出所述各个部件的拓扑特征信息，从而得到拓扑特征矩阵。
进一步地，所述训练完成的作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述训练完成的作为特征提取器的卷积神经网络模型的最后一层的输出为所述拓扑特征矩阵，所述训练完成的作为特征提取器的卷积神经网络模型的第一层的输入为所述多个部件的拓扑矩阵。
具体地，在本申请实施例中，所述图神经网络单元150，用于将所述部件温度特征矩阵和所述拓扑特征矩阵通过训练完成的图神经网络以得到拓扑部件温度特征矩阵。也就是，进一步地，以所述各个部件的所述多个多尺度部件温度特征向量作为节点的特征表示，而以所述拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个多尺度部件温度特征向量进行矩阵化得到的所述部件温度特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑部件温度特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述部件温度特征矩阵和所述拓扑特征矩阵进行图结构数据编码以得到包含不规则的所述各个部件之间的拓扑特征和所述各个部件的温度特征信息的所述拓扑部件温度特征矩阵。
具体地，在本申请实施例中，所述功率特征提取单元160，用于将所述风扇在所述预定时间段内多个预定时间点的功率值按照时间维度排列为功率输入向量后通过训练完成的所述多尺度邻域特征提取模块以得到多尺度功率特征向量。接着，对于所述风扇在所述预定时间段内多个预定时间点的功率值，将其按照时间维度排列为功率输入向量以整合所述功率值在时间维度上的数据信息后，将其通过所述多尺度邻域特征提取模块中进行编码，以提取出所述风扇的功率值在所述预定时间段内的不同时间跨度下的多尺度邻域关联特征，从而得到多尺度功率特征向量。
具体地，在本申请实施例中，所述响应性估计单元170，用于计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到分类特征向量。应可以理解，由于所述多尺度功率特征向量和所述拓扑部件温度特征矩阵之间的特征尺度不同，并且对于所述高频开关电源而言，所述风扇的功率控制是维持高频开关电源能够在适当温度上进行工作的关键。因此，在本申请的技术方案中，进一步再计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计来表示所述高频开关电源的温度拓扑特征与所述风扇的功率变化特征之间的隐含关联性特征，从而得到分类特征向量来进行分类，就能够得到用于表示当前时间点的风扇的功率值应增大或应减小的分类结果。
进一步地，在本申请实施例中，以如下公式计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到所述分类特征向量；其中，所述公式为：
其中表示所述多尺度功率特征向量，表示所述分类特征向量，表示所述拓扑部件温度特征矩阵。
具体地，在本申请实施例中，所述风冷控制结果生成单元180，用于将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示当前时间点的风扇的功率值应增大或应减小。
进一步地，使用所述训练完成的分类器以如下公式对所述分类特征向量进行处理以生成分类结果；其中，所述公式为：，其中表示所述分类特征向量，为全连接层的权重矩阵，表示全连接层的偏置矩阵。
具体地，在本申请实施例中，所述高频开关电源还包括对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络和所述分类器进行训练的训练模块。图4图示了根据本申请实施例的高频开关电源中所述训练模块的框图，如图4所示，所述训练模块300，包括：训练数据采集单元310，用于获取训练数据，所述训练数据包括所述高频开关电源的多个部件在预定时间段内多个预定时间点的训练温度值、所述高频开关电源的风扇在所述预定时间段内多个预定时间点的训练功率值，以及，当前时间点的所述风扇的功率值应增大或应减小的真实值；训练温度特征提取单元320，用于将所述各个部件在预定时间段内，多个预定时间点的训练温度值，按照时间维度排列为训练温度输入向量后，通过所述多尺度邻域特征提取模块以得到多个训练多尺度部件温度特征向量；训练二维化单元330，用于将所述多个训练多尺度部件温度特征向量进行矩阵化以得到训练部件温度特征矩阵；训练空间拓扑特征提取单元340，用于将所述多个部件的拓扑矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练拓扑特征矩阵；训练图神经网络单元350，用于将所述训练部件温度特征矩阵和所述训练拓扑特征矩阵通过所述图神经网络以得到训练拓扑部件温度特征矩阵；训练功率特征提取单元360，用于将所述风扇在所述预定时间段内多个预定时间点的训练功率值按照时间维度排列为训练功率输入向量后通过所述多尺度邻域特征提取模块以得到训练多尺度功率特征向量；训练响应性估计单元370，用于计算所述训练多尺度功率特征向量相对于所述训练拓扑部件温度特征矩阵的响应性估计以得到训练分类特征向量；分类损失单元380，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及，训练单元390，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络和所述分类器进行训练，其中，在所述训练的每一轮迭代中，基于远程迁移矩阵和惩罚向量对所述训练分类特征向量进行迭代。
特别地，在本申请的技术方案中，在计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到分类特征向量时，由于在所述分类特征向量中引入了所述拓扑部件温度特征矩阵中的部件拓扑关联信息，使得所述分类特征向量相对于作为分类特征的功率值的特征分布会发生具有跨分类器的远程分布偏差，从而影响分类器的训练速度和分类特征向量的分类结果的准确性。
因此，在本申请的技术方案中，在模型的训练过程中，使用跨分类器的远程分布描述性增强来优化所述分类特征向量的分类过程，具体地，在分类过程中，在每次分类器的权重矩阵的迭代过程中，基于所述远程迁移矩阵和所述惩罚向量以如下公式对所述训练分类特征向量进行迭代；其中，所述公式为：
其中，表示所述训练分类特征向量，表示具有可学习的参数的所述远程迁移矩阵，表示每次迭代时所述分类器的初始全连接权重矩阵，且为所述惩罚向量，表示激活函数，表示按位置加法，表示按位置减法，表示矩阵相乘，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
这样，通过以具有可学习的参数的远程迁移矩阵来对跨分类器的分布迁移进行特征分布的支持性描述，可以支持优化后的分类特征向量跨分类器的全连接权重矩阵的远程分布对预定分类的类概率的描述性，并且，惩罚向量作为偏置并以激活函数进行激活，用于保留具有正向作用的分布描述依赖的增强，由此，就提升了分类器的训练速度和分类结果的准确性。这样，就能够对于所述风扇的功率进行自适应地精准控制，以维持所述高频开关电源在适当的温度上进行工作，进而保证所述高频开关电源的工作性能。
综上，基于本申请实施例的高频开关电源100被阐明，其通过训练完成的多尺度邻域特征提取模块提取高频开关电源的各个部件的温度动态隐含特征，通过训练完成的作为特征提取器的卷积神经网络模型提取各个部件的拓扑特征，然后以温度动态隐含特征和拓扑特征的融合特征表示高频开关电源整体的温度特征信息；并且，通过训练完成的多尺度邻域特征提取模块提取风扇的功率特征，以风扇的功率特征与高频开关电源整体的温度特征之间的响应性估计来表示风扇的功率特征与高频开关电源整体的温度特征之间的关联性特征，并以此来进行风扇的功率控制。这样，可以对于风扇的功率进行自适应地精准控制，以保证高频开关电源的工作性能。
示例性方法
图5图示了根据本申请实施例的高频开关电源的散热控制方法的流程图。如图5所示，根据本申请实施例的高频开关电源的散热控制方法，包括：S110，获取高频开关电源的多个部件在预定时间段内多个预定时间点的温度值以及所述高频开关电源的风扇在所述预定时间段内多个预定时间点的功率值；S120，将所述各个部件在预定时间段内多个预定时间点的温度值按照时间维度排列为温度输入向量后通过训练完成的多尺度邻域特征提取模块以得到多个多尺度部件温度特征向量；S130，将所述多个多尺度部件温度特征向量进行矩阵化以得到部件温度特征矩阵；S140，将所述多个部件的拓扑矩阵通过训练完成的作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；S150，将所述部件温度特征矩阵和所述拓扑特征矩阵通过训练完成的图神经网络以得到拓扑部件温度特征矩阵；S160，将所述风扇在所述预定时间段内多个预定时间点的功率值按照时间维度排列为功率输入向量后通过训练完成的所述多尺度邻域特征提取模块以得到多尺度功率特征向量；S170，计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到分类特征向量；以及，S180，将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示当前时间点的风扇的功率值应增大或应减小。
图6图示了根据本申请实施例的高频开关电源的散热控制方法的架构示意图。如图6所示，在所述高频开关电源的散热控制方法的网络架构中，首先，获取高频开关电源的多个部件在预定时间段内多个预定时间点的温度值以及所述高频开关电源的风扇在所述预定时间段内多个预定时间点的功率值；然后，将所述各个部件在预定时间段内多个预定时间点的温度值按照时间维度排列为温度输入向量后通过训练完成的多尺度邻域特征提取模块以得到多个多尺度部件温度特征向量；接着，将所述多个多尺度部件温度特征向量进行矩阵化以得到部件温度特征矩阵；然后，将所述多个部件的拓扑矩阵通过训练完成的作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；接着，将所述部件温度特征矩阵和所述拓扑特征矩阵通过训练完成的图神经网络以得到拓扑部件温度特征矩阵；然后，将所述风扇在所述预定时间段内多个预定时间点的功率值按照时间维度排列为功率输入向量后通过训练完成的所述多尺度邻域特征提取模块以得到多尺度功率特征向量；接着，计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到分类特征向量；以及，最后，将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示当前时间点的风扇的功率值应增大或应减小。
在本申请的一个实施例中，在上述高频开关电源的散热控制方法中，所述将所述各个部件在预定时间段内多个预定时间点的温度值按照时间维度排列为温度输入向量后通过训练完成的多尺度邻域特征提取模块以得到多个多尺度部件温度特征向量，包括：将所述温度输入向量输入所述训练完成的多尺度邻域特征提取模块的第一卷积层以得到第一尺度部件温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;将所述温度输入向量输入所述训练完成的多尺度邻域特征提取模块的第二卷积层以得到第二尺度部件温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一尺度部件温度特征向量和所述第二尺度部件温度特征向量进行级联以得到所述多个多尺度部件温度特征向量。
在本申请的一个实施例中，在上述高频开关电源的散热控制方法中，所述将所述温度输入向量输入所述训练完成的多尺度邻域特征提取模块的第一卷积层以得到第一尺度部件温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核，进一步包括：使用所述训练完成的多尺度邻域特征提取模块的第一卷积层以如下公式对所述温度输入向量进行一维卷积编码以得到所述第一尺度部件温度特征向量；其中，所述公式为：
其中，
a为第一卷积核在
x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
w为第一卷积核的尺寸，
X表示所述温度输入向量。
所述将所述温度输入向量输入所述训练完成的多尺度邻域特征提取模块的第二卷积层以得到第二尺度部件温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度，进一步包括：使用所述训练完成的多尺度邻域特征提取模块的第二卷积层以如下公式对所述温度输入向量进行一维卷积编码以得到所述第二尺度部件温度特征向量；其中，所述公式为：
其中，
b为第二卷积核在
x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，
m为第二卷积核的尺寸，
X表示所述温度输入向量。
在本申请的一个实施例中，在上述高频开关电源的散热控制方法中，所述将所述多个部件的拓扑矩阵通过训练完成的作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵，进一步包括：所述训练完成的作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述训练完成的作为特征提取器的卷积神经网络模型的最后一层的输出为所述拓扑特征矩阵，所述训练完成的作为特征提取器的卷积神经网络模型的第一层的输入为所述多个部件的拓扑矩阵。
在本申请的一个实施例中，在上述高频开关电源的散热控制方法中，所述计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到分类特征向量，进一步包括：以如下公式计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到所述分类特征向量；其中，所述公式为：
其中表示所述多尺度功率特征向量，表示所述分类特征向量，表示所述拓扑部件温度特征矩阵。
在本申请的一个实施例中，在上述高频开关电源的散热控制方法中，所述将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示当前时间点的风扇的功率值应增大或应减小，进一步包括：使用所述训练完成的分类器以如下公式对所述分类特征向量进行处理以生成分类结果；其中，所述公式为：，其中表示所述分类特征向量，为全连接层的权重矩阵，表示全连接层的偏置矩阵。
在本申请的一个实施例中，在上述高频开关电源的散热控制方法中，所述高频开关电源的散热控制方法还包括对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络和所述分类器进行训练。
在本申请的一个实施例中，在上述高频开关电源的散热控制方法中，所述对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络和所述分类器进行训练包括:获取训练数据，所述训练数据包括所述高频开关电源的多个部件在预定时间段内多个预定时间点的训练温度值、所述高频开关电源的风扇在所述预定时间段内多个预定时间点的训练功率值，以及，当前时间点的所述风扇的功率值应增大或应减小的真实值；将所述各个部件在预定时间段内多个预定时间点的训练温度值按照时间维度排列为训练温度输入向量后通过所述多尺度邻域特征提取模块以得到多个训练多尺度部件温度特征向量；将所述多个训练多尺度部件温度特征向量进行矩阵化以得到训练部件温度特征矩阵；将所述多个部件的拓扑矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练拓扑特征矩阵；将所述训练部件温度特征矩阵和所述训练拓扑特征矩阵通过所述图神经网络以得到训练拓扑部件温度特征矩阵；将所述风扇在所述预定时间段内多个预定时间点的训练功率值按照时间维度排列为训练功率输入向量后通过所述多尺度邻域特征提取模块以得到训练多尺度功率特征向量；计算所述训练多尺度功率特征向量相对于所述训练拓扑部件温度特征矩阵的响应性估计以得到训练分类特征向量；将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络和所述分类器进行训练，其中，在所述训练的每一轮迭代中，基于远程迁移矩阵和惩罚向量对所述训练分类特征向量进行迭代。
在本申请的一个实施例中，在上述高频开关电源的散热控制方法中，在所述训练的每一轮迭代中，基于所述远程迁移矩阵和所述惩罚向量以如下公式对所述训练分类特征向量进行迭代；其中，所述公式为：
其中，表示所述训练分类特征向量，表示具有可学习的参数的所述远程迁移矩阵，表示每次迭代时所述分类器的初始全连接权重矩阵，且为所述惩罚向量，表示激活函数，表示按位置加法，表示按位置减法，表示矩阵相乘，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
这里，本领域技术人员可以理解，上述高频开关电源的散热控制方法中的具体功能和操作已经在上面参考图1到图4的高频开关电源描述中得到了详细介绍，并因此，将省略其重复描述。
Claims (6)
1.一种高频开关电源，其特征在于，包括：状态监测单元，用于获取高频开关电源的多个部件在预定时间段内多个预定时间点的温度值以及所述高频开关电源的风扇在所述预定时间段内多个预定时间点的功率值；温度特征提取单元，用于将所述各个部件在预定时间段内，多个预定时间点的温度值，按照时间维度排列为温度输入向量后，通过训练完成的多尺度邻域特征提取模块以得到多个多尺度部件温度特征向量；二维化单元，用于将所述多个多尺度部件温度特征向量进行矩阵化以得到部件温度特征矩阵；空间拓扑特征提取单元，用于将所述多个部件的拓扑矩阵通过训练完成的作为特征提取器的卷积神经网络模型以得到拓扑特征矩阵；图神经网络单元，用于将所述部件温度特征矩阵和所述拓扑特征矩阵通过训练完成的图神经网络以得到拓扑部件温度特征矩阵；功率特征提取单元，用于将所述风扇在所述预定时间段内多个预定时间点的功率值按照时间维度排列为功率输入向量后通过训练完成的所述多尺度邻域特征提取模块以得到多尺度功率特征向量；响应性估计单元，用于计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到分类特征向量；以及风冷控制结果生成单元，用于将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示当前时间点的风扇的功率值应增大或应减小；
所述高频开关电源还包括对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络和所述分类器进行训练的训练模块；
所述训练模块，包括:训练数据采集单元，用于获取训练数据，所述训练数据包括所述高频开关电源的多个部件在预定时间段内多个预定时间点的训练温度值、所述高频开关电源的风扇在所述预定时间段内多个预定时间点的训练功率值，以及，当前时间点的所述风扇的功率值应增大或应减小的真实值；训练温度特征提取单元，用于将所述各个部件在预定时间段内，多个预定时间点的训练温度值，按照时间维度排列为训练温度输入向量后，通过所述多尺度邻域特征提取模块以得到多个训练多尺度部件温度特征向量；训练二维化单元，用于将所述多个训练多尺度部件温度特征向量进行矩阵化以得到训练部件温度特征矩阵；训练空间拓扑特征提取单元，用于将所述多个部件的拓扑矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练拓扑特征矩阵；训练图神经网络单元，用于将所述训练部件温度特征矩阵和所述训练拓扑特征矩阵通过所述图神经网络以得到训练拓扑部件温度特征矩阵；训练功率特征提取单元，用于将所述风扇在所述预定时间段内多个预定时间点的训练功率值按照时间维度排列为训练功率输入向量后通过所述多尺度邻域特征提取模块以得到训练多尺度功率特征向量；训练响应性估计单元，用于计算所述训练多尺度功率特征向量相对于所述训练拓扑部件温度特征矩阵的响应性估计以得到训练分类特征向量；分类损失单元，用于将所述训练分类特征向量通过所述分类器以得到分类损失函数值；以及训练单元，用于基于所述分类损失函数值并通过梯度下降的反向传播来对所述多尺度邻域特征提取模块、所述作为特征提取器的卷积神经网络模型、所述图神经网络和所述分类器进行训练，其中，在所述训练的每一轮迭代中，基于远程迁移矩阵和惩罚向量对所述训练分类特征向量进行迭代；
在所述训练的每一轮迭代中，基于所述远程迁移矩阵和所述惩罚向量以如下公式对所述训练分类特征向量进行迭代；其中，所述公式为：
其中，为迭代后的所述训练分类特征向量，表示所述训练分类特征向量，表示具有可学习的参数的所述远程迁移矩阵，表示每次迭代时所述分类器的初始全连接权重矩阵，且为所述惩罚向量，表示激活函数，表示按位置加法，表示按位置减法，表示矩阵相乘，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
2.根据权利要求1所述的高频开关电源，其特征在于，所述温度特征提取单元，包括：第一尺度温度特征提取子单元，用于将所述温度输入向量输入所述训练完成的多尺度邻域特征提取模块的第一卷积层以得到第一尺度部件温度特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核;第二尺度温度特征提取子单元，用于将所述温度输入向量输入所述训练完成的多尺度邻域特征提取模块的第二卷积层以得到第二尺度部件温度特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及多尺度级联单元，用于将所述第一尺度部件温度特征向量和所述第二尺度部件温度特征向量进行级联以得到所述多个多尺度部件温度特征向量。
3.根据权利要求2所述的高频开关电源，其特征在于，所述第一尺度温度特征提取子单元，进一步用于：使用所述训练完成的多尺度邻域特征提取模块的第一卷积层以如下公式对所述温度输入向量进行一维卷积编码以得到所述第一尺度部件温度特征向量；其中，所述公式为：
其中，为第一尺度部件温度特征向量，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述温度输入向量；所述第二尺度温度特征提取子单元，进一步用于：使用所述训练完成的多尺度邻域特征提取模块的第二卷积层以如下公式对所述温度输入向量进行一维卷积编码以得到所述第二尺度部件温度特征向量；其中，所述公式为：
其中，为第二尺度部件温度特征向量，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述温度输入向量。
4.根据权利要求3所述的高频开关电源，其特征在于，所述空间拓扑特征提取单元，进一步用于：所述训练完成的作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述训练完成的作为特征提取器的卷积神经网络模型的最后一层的输出为所述拓扑特征矩阵，所述训练完成的作为特征提取器的卷积神经网络模型的第一层的输入为所述多个部件的拓扑矩阵。
5.根据权利要求4所述的高频开关电源，其特征在于，所述响应性估计单元，进一步用于：以如下公式计算所述多尺度功率特征向量相对于所述拓扑部件温度特征矩阵的响应性估计以得到所述分类特征向量；其中，所述公式为：
=
其中，表示所述多尺度功率特征向量，表示所述分类特征向量，表示所述拓扑部件温度特征矩阵。
6.根据权利要求5所述的高频开关电源，其特征在于，所述风冷控制结果生成单元，进一步用于：使用所述训练完成的分类器以如下公式对所述分类特征向量进行处理以生成分类结果；其中，所述公式为：，其中，为分类函数，表示所述分类特征向量，为全连接层的权重矩阵，表示全连接层的偏置矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211253084.0A CN115328228B (zh) | 2022-10-13 | 2022-10-13 | 一种高频开关电源 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211253084.0A CN115328228B (zh) | 2022-10-13 | 2022-10-13 | 一种高频开关电源 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115328228A CN115328228A (zh) | 2022-11-11 |
| CN115328228B true CN115328228B (zh) | 2023-04-07 |
Family
ID=83913646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211253084.0A Active CN115328228B (zh) | 2022-10-13 | 2022-10-13 | 一种高频开关电源 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115328228B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117046140B (zh) * | 2023-02-28 | 2024-03-08 | 福建天甫电子材料有限公司 | 用于电子级氢氟酸精馏的装置 |
| CN116247824B (zh) * | 2023-03-30 | 2023-11-17 | 国网河南省电力公司安阳供电公司 | 电力设备的控制方法及其系统 |
| CN116859848B (zh) * | 2023-07-12 | 2024-01-26 | 普洛赛斯工程技术(宁波)有限公司 | 甲基异丁基酮生产装置的控制系统及其方法 |
| CN116610169B (zh) * | 2023-07-19 | 2023-10-20 | 四川公路桥梁建设集团有限公司 | 一种目标对象智能化养护系统及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114399064A (zh) * | 2021-12-31 | 2022-04-26 | 淮阴工学院 | 基于多源传感器数据融合的设备健康指标构建方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011076177A (ja) * | 2009-09-29 | 2011-04-14 | Advanced Telecommunication Research Institute International | 歯の接触によって誘発された脳波を利用した機器制御方法及び機器制御装置 |
| KR101362472B1 (ko) * | 2013-09-27 | 2014-02-14 | 주식회사 에코로직 | 고주파 인두기 제어장치 및 제어방법 |
| CN207460710U (zh) * | 2017-10-25 | 2018-06-05 | 深圳市康威斯科技有限公司 | 一种高频开关电源模块的散热结构 |
| CN109781268B (zh) * | 2019-03-16 | 2021-06-01 | 福州大学 | 一种基于低成本红外热视技术的开关柜内重点部位温度监测系统 |
| EP3965009A1 (en) * | 2020-09-08 | 2022-03-09 | Robert Bosch GmbH | Device and method for training a scale-equivariant convolutional neural network |
| US20220129728A1 (en) * | 2020-10-26 | 2022-04-28 | Arizona Board Of Regents On Behalf Of Arizona State University | Reinforcement learning-based recloser control for distribution cables with degraded insulation level |
| CN213874707U (zh) * | 2020-11-26 | 2021-08-03 | 深圳市芯鼎盛技术有限公司 | 一种开关电源温度检测系统 |
| CN113762251B (zh) * | 2021-08-17 | 2024-05-10 | 慧影医疗科技(北京)股份有限公司 | 一种基于注意力机制的目标分类方法及系统 |
| CN114580520A (zh) * | 2022-02-28 | 2022-06-03 | 上海维虬城电子有限公司 | 电力系统二次设备的监测系统及其监测方法 |
| CN114647198B (zh) * | 2022-03-09 | 2023-02-03 | 深圳市经纬纵横科技有限公司 | 基于物联网的智能家居控制方法、系统和电子设备 |
| CN114870416B (zh) * | 2022-04-28 | 2023-01-24 | 福建德尔科技股份有限公司 | 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法 |
| CN115013298B (zh) * | 2022-06-22 | 2023-03-31 | 浙江石水泵业科技有限公司 | 污水泵的实时性能在线监测系统及其监测方法 |
| CN115079572B (zh) * | 2022-06-30 | 2023-02-03 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 |
| CN115081536A (zh) * | 2022-07-08 | 2022-09-20 | 徐州锐尔五金工具制造有限公司 | 五金产品工件硬度调质的热处理装置及其热处理方法 |
| CN115169463A (zh) * | 2022-07-11 | 2022-10-11 | 杭州里莹网络科技有限公司 | 基于物联网的室内空气质量监控系统及其监控方法 |
-
2022
- 2022-10-13 CN CN202211253084.0A patent/CN115328228B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114399064A (zh) * | 2021-12-31 | 2022-04-26 | 淮阴工学院 | 基于多源传感器数据融合的设备健康指标构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于人工神经网络的织物疵点聚类分析;杨晓波;《纺织学报》;20110915(第09期);第36-40页 * |
| 高频开关电源散热系统与改造方式;靳慧等;《电子技术与软件工程》;20180406(第07期);第246-249页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115328228A (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115328228B (zh) | 一种高频开关电源 | |
| US9805313B2 (en) | Method and apparatus for supplying interpolation point data for a data-based function model calculation unit | |
| CN115013298B (zh) | 污水泵的实时性能在线监测系统及其监测方法 | |
| CN116872089A (zh) | 数控磨床的磨削自适应控制系统及其方法 | |
| CN115393779A (zh) | 用于激光熔覆金属球制造的控制系统及其控制方法 | |
| CN115586757A (zh) | 机械设备的智能控制系统及其方法 | |
| Fotyga et al. | Reliable greedy multipoint model-order reduction techniques for finite-element analysis | |
| CN116627040B (zh) | 烘干器控制系统及其方法 | |
| Ghaffari et al. | Reduced spline method based on a proper orthogonal decomposition technique for fractional sub-diffusion equations | |
| CN116780316A (zh) | 大功率固体激光器的散热系统 | |
| US9576222B2 (en) | Image retrieval apparatus, image retrieval method, and recording medium | |
| CN117388893B (zh) | 一种基于gps的多设备定位系统 | |
| CN108171271B (zh) | 一种设备劣化早期预警方法和系统 | |
| CN115982573B (zh) | 多功能送料机及其控制方法 | |
| CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| CN117131452A (zh) | 基于归一化流和贝叶斯网络的异常检测方法及系统 | |
| Chen et al. | Iterative identification algorithms for bilinear-in-parameter systems by using the over-parameterization model and the decomposition | |
| CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
| CN116644567A (zh) | 一种电力系统关键输电断面确定方法、系统、设备和介质 | |
| Xiujun et al. | Identification of switched nonlinear systems based on EM algorithm | |
| CN116821745B (zh) | 智能线切割慢走丝设备的控制方法及其系统 | |
| US6931363B2 (en) | EDR direction estimating method, system, and program, and memory medium for storing the program | |
| CN116825217B (zh) | 制备高纯五氟化磷的方法 | |
| CN117463506B (zh) | 自适应恒流恒压控制高压电源 | |
| Hoang et al. | On Optimal and Simultaneous Stochastic Perturbations with Application to Estimation of High-Dimensional Matrix and Data Assimilation in High-Dimensional Systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240423 Address after: No. 40, Nenjiang Village, Xiaohaiti Shuangshui, Hexi District, Tianjin, 300222 Patentee after: Zhongshou Guangjin (Tianjin) Technology Co.,Ltd. Country or region after: China Address before: 453000 No. 11, Yuyuan Road, Guguzhai Town, Xinxiang Economic and Technological Development Zone, Xinxiang City, Henan Province Patentee before: Xinxiang Helixin Power Supply Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240516 Address after: 215222, Group 7.12, Xiajiadou Village, Zhenze Town, Wujiang District, Suzhou City, Jiangsu Province Patentee after: JIANGSU TONGDING BROADBAND Co.,Ltd. Country or region after: China Address before: No. 40, Nenjiang Village, Xiaohaiti Shuangshui, Hexi District, Tianjin, 300222 Patentee before: Zhongshou Guangjin (Tianjin) Technology Co.,Ltd. Country or region before: China |