CN116821563B - 考虑屏蔽地及信号线距离自适应调整的终端微型化方法 - Google Patents

考虑屏蔽地及信号线距离自适应调整的终端微型化方法 Download PDF

Info

Publication number
CN116821563B
CN116821563B CN202311083577.9A CN202311083577A CN116821563B CN 116821563 B CN116821563 B CN 116821563B CN 202311083577 A CN202311083577 A CN 202311083577A CN 116821563 B CN116821563 B CN 116821563B
Authority
CN
China
Prior art keywords
signal lines
signal
distance
shielding
signal line
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
Application number
CN202311083577.9A
Other languages
English (en)
Other versions
CN116821563A (zh
Inventor
徐全
李鹏
马溪原
杨铎烔
习伟
葛俊
俞靖一
张子昊
王鹏宇
许一泽
林振福
曾博儒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202311083577.9A priority Critical patent/CN116821563B/zh
Publication of CN116821563A publication Critical patent/CN116821563A/zh
Application granted granted Critical
Publication of CN116821563B publication Critical patent/CN116821563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开了一种考虑屏蔽地及信号线距离自适应调整的终端微型化方法，包括：基于两条平行信号线之间的距离、屏蔽地的数量以及信号传输时的信号串扰，确定目标函数；基于信号线中信号传输的频率、信号线的耦合长度、信号线表面的粗糙程度、两条平行信号线之间的距离、屏蔽地的数量，确定耦合电容的约束函数；根据耦合电容的约束函数和设定算法，确定目标函数的解。通过将影响信号线之间的耦合电容的多个参数共同构造约束函数，以求解出两条平行信号线之间的距离较短，屏蔽地数量较小，同时耦合电容较小时，各个参数的最优解，实现终端装置体积较小时，信号串扰也较小，减小终端装置中用于屏蔽和干扰的部件，提升终端装置的电磁兼容性能。

Description

考虑屏蔽地及信号线距离自适应调整的终端微型化方法
技术领域
本发明涉及电力系统参数设定技术领域，尤其涉及考虑屏蔽地及信号线距离自适应调整的终端微型化方法。
背景技术
随着新型电力系统的建设，海量新能源接入电力系统，使得安装现场均配备自动化装置以对新能源进行管理。
点多面广的分布式新能源需要更小体积、更低成本的控制终端。但是终端装置的体积越小，电磁兼容问题越突出。对于电磁兼容，传统方法采用增大两条信号线之间的距离以减少信号间的串扰，但是上述方法很难实现终端装置的体积较小。
发明内容
本发明提供了一种考虑屏蔽地及信号线距离自适应调整的终端微型化方法，以使得终端装置在体积较小时，信号串扰较小，实现电磁兼容性能的提升。
根据本发明的一方面，提供了一种考虑屏蔽地及信号线距离自适应调整的终端微型化方法，包括：
基于相邻两条平行信号线之间的距离、屏蔽地的数量以及信号线之间的耦合电容，确定目标函数；
基于信号线中信号传输的频率、信号线的耦合长度、信号线表面的粗糙程度、所述相邻两条平行信号线之间的距离、所述屏蔽地的数量，确定所述信号线之间的耦合电容的约束函数；
根据所述信号线之间的耦合电容的约束函数和设定算法，确定所述目标函数的解。
可选的，所述目标函数为：
；其中，/>，/>，/>，/>为所述相邻两条平行信号线之间的距离/>的权重系数，/>为所述屏蔽地的数量/>的权重系数，/>为所述信号线之间的耦合电容/>的权重系数，/>。
可选的，所述信号线之间的耦合电容的约束函数为：
；其中，/>为信号线之间的耦合电容，/>为所述信号传输的频率，/>为所述信号线的耦合长度，/>为所述信号线表面的粗糙程度，/>为所述相邻两条平行信号线之间的距离，/>为所述屏蔽地的数量。
可选的，所述设定算法可以为遗传算法、强化学习、神经元算法、模糊控制或蚁群算法。
可选的，所述设定算法为遗传算法，所述根据所述信号线之间的耦合电容的约束函数和设定算法，确定目标函数的解，包括：
对所述信号传输的频率、所述信号线的耦合长度、所述信号线表面的粗糙程度、所述相邻两条平行信号线之间的距离、所述屏蔽地的数量和所述信号线之间的耦合电容，进行编码；
生成初始种群；
计算种群中每个个体的适应度；
选择种群中满足预设适应度条件的个体进行交叉、变异运算；
迭代地进行交叉变异运算，直至种群满足预设迭代结束条件。
可选的，在所述根据所述信号线之间的耦合电容的约束函数和设定算法，确定目标函数的解，之后，包括：
设定相邻两条平行信号线之间的距离阈值；
在根据所述设定算法求解出的相邻两条平行信号线之间的距离小于所述距离阈值时，增加屏蔽地的数量。
可选的，在根据所述设定算法求解出的信号线之间的距离小于所述距离阈值时，增加屏蔽地的数量之后，包括：
获取信号线上传输的信号；
根据所述信号线上传输的信号，判断增加屏蔽地后是否抑制信号串扰；
若否，则用差分信号线代替单信号线进行信号的传输。
可选的，所述根据所述信号线上传输的信号，判断增加屏蔽地后是否抑制信号的串扰，包括：
若是,则用单信号线进行信号的传输。
本发明实施例提供的考虑屏蔽地及信号线距离自适应调整的终端微型化方法，包括：基于相邻两条平行信号线之间的距离、屏蔽地的数量以及信号线之间的耦合电容，确定目标函数；基于信号线中信号传输的频率、信号线的耦合长度、信号线表面的粗糙程度、相邻两条平行信号线之间的距离、屏蔽地的数量，确定信号线之间的耦合电容的约束函数；根据信号线之间的耦合电容的约束函数和设定算法，确定目标函数的解。通过将影响信号串扰的多个参数共同构造约束函数，以求解出两条平行信号线之间的距离较短，同时信号串扰也较小时，各个参数的最优解，实现终端装置体积较小时，信号串扰也较小，减小终端装置中用于屏蔽和干扰的部件，提升终端装置的电磁兼容性能。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种考虑屏蔽地及信号线距离自适应调整的终端微型化方法的流程图；
图2为本发明实施例提供的另一种考虑屏蔽地及信号线距离自适应调整的终端微型化方法的流程图；
图3为本发明实施例提供的再一种考虑屏蔽地及信号线距离自适应调整的终端微型化方法的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的一种考虑屏蔽地及信号线距离自适应调整的终端微型化方法的流程图，本实施例可适用于实现电力系统中二次现场的终端装置微型化。如图1所示，该方法包括：
S110：基于相邻两条平行信号线之间的距离、屏蔽地的数量以及信号线之间的耦合电容，确定目标函数。
为实现终端装置的微型化，也即实现终端装置的小体积，终端装置中相邻两条平行信号线之间的距离越短越好。屏蔽地为在信号线附近设置地接触点，将地接触点与终端装置中的接地点连通，屏蔽地的数量可以认为是与接地点连通的地接触点的数量，屏蔽地的数量越多信号串扰就越小，对信号传输的影响越小。但是在能够保证信号传输的精度时，屏蔽地的数量越少越少，以简化版图设计。任意相邻信号线之间存在着耦合电容，而且信号线距离越近，耦合电容就越大，容性耦合就越强，信号串扰越大。在设计终端装置时，要求信号线上传输信号时，信号串扰越小越好，以保证信号传输的准确性，而相邻两条平行信号线之间的距离、屏蔽地的数量以及信号线之间的耦合电容对信号串扰均有影响。因此，根据相邻两条平行信号线之间的距离、屏蔽地的数量以及信号线之间的耦合电容，确定目标函数。
可选的，目标函数为：
；其中，/>，/>，/>，/>为相邻两条平行信号线之间的距离/>的权重系数，/>为屏蔽地的数量/>的权重系数，/>为信号线之间的耦合电容/>的权重系数，/>，/>为相邻两条平行信号线之间的距离，/>为屏蔽地的数量，/>为信号线之间的耦合电容。
、/>和/>可根据用户需求设定，比如，想要相邻两条平行信号线之间的距离/>在目标函数中的比例大些时，则将/>值设置的大一些即可。
S120：基于信号线中信号传输的频率、信号线的耦合长度、信号线表面的粗糙程度、相邻两条平行信号线之间的距离、屏蔽地的数量，确定信号线之间的耦合电容的约束函数。
在高速PCB电路中，当信号线的耦合长度大于工作波长的长度时，根据信号线理论，可以把信号线看成无限多个微小段传输线级联而成，每一个微小段信号线的长度都远远小于工作波长，可以用容性耦合集总参数模型来表示每一小段信号线的等效容性电路。信号线之间的耦合电容与信号线之间的距离以及导体表面粗糙度有关。信号线中信号传输的频率、信号线的耦合长度、信号线表面的粗糙程度、相邻两条平行信号线之间的距离、屏蔽地的数量均会对信号线之间的耦合电容的大小有影响。因此，综合上述五个参数一起构造信号线之间的耦合电容的约束函数。
可选的，信号线之间的耦合电容的约束函数为：
；其中，/>为信号线之间的耦合电容，/>为信号传输的频率，/>为信号线的耦合长度，/>为信号线表面的粗糙程度，/>为相邻两条平行信号线之间的距离，/>为屏蔽地的数量。
相邻两条平行信号线之间的距离越短，相邻两条信号线之间的电磁耦合强度越强，相邻两条信号线之间的线间距与信号线之间的耦合电容成反比关系。信号线之间的走线的耦合长度与耦合电容是成正比的，耦合长度越大，耦合电容越小。随着信号线中传输的信号的频率增大，由于趋肤效应和分布参数的影响，耦合电容也在增大，这意味着频率的升高对耦合电容的大小有着很大的影响，信号的频率和耦合电容成正比关系。导体表面粗糙度越低，耦合电容越小。
S130：根据信号线之间的耦合电容的约束函数和设定算法，确定目标函数的解。
在满足信号线之间的耦合电容的约束函数的前提下，采用设定算法，示例性的，设定算法可以为遗传算法、强化学习、神经元算法、模糊控制或蚁群算法，对目标函数求解，以实现终端装置兼具信号线之间的距离最短、屏蔽地数量较少、耦合电容较小，实现终端装置在不影响信号传输准确性时，信号线之间的距离较短且信号串扰也较小。
通过将影响信号线之间的耦合电容的多个参数共同构造约束函数，以求解出相邻两条平行信号线之间的距离较短，屏蔽地数量较少，同时耦合电容也较小时，各个参数的最优解，实现终端装置体积较小时，信号串扰也较小，减小终端装置中用于屏蔽和干扰的部件，提升终端装置的电磁兼容性能。
图2为本发明实施例提供的另一种考虑屏蔽地及信号线距离自适应调整的终端微型化方法的流程图，参考图2，可选的，该方法包括：
S111：基于相邻两条平行信号线之间的距离、屏蔽地的数量以及信号线之间的耦合电容，确定目标函数。
S121：基于信号线中信号传输的频率、信号线的耦合长度、信号线表面的粗糙程度、相邻两条平行信号线之间的距离、屏蔽地的数量，确定信号线之间的耦合电容的约束函数。
S131：对信号传输的频率、信号线的耦合长度、信号线表面的粗糙程度、相邻两条平行信号线之间的距离、屏蔽地的数量和信号线之间的耦合电容，进行编码。
对影响信号串扰的上述六个参数进行编码，假设种群中有个个体，则第/>个个体可表示为：
；其中/>为大于0且小于或等于/>的正整数，/>为大于零的正整数。/>为第/>个个体中相邻两条平行信号线之间的距离的编码值，/>为第/>个个体中屏蔽地的数量的编码值，/>为第/>个个体中信号线之间的耦合电容的编码值，/>为第个个体中信号线的耦合长度的编码值，/>为第/>个个体中信号线传输的频率的编码值，为第/>个个体中信号线表面的粗糙程度的编码值。
S141：生成初始种群。
根据以往经验，确定初始的影响信号串扰的参数，如下：
。
S151：计算种群中每个个体的适应度。
基于相邻两条信号线之间的距离最短、屏蔽线的数量较少且耦合电容较小，构造适应度函数。
第个个体的适应度函数为：
；其中，/>为相邻两条平行信号线之间的距离/>的倒数的权重系数，/>为屏蔽地的数量/>的倒数的权重系数，/>为信号线之间的耦合电容/>的倒数的权重系数。
反映在适应性函数即为相邻两条信号线之间的距离越短、屏蔽线的数量/>越少、信号线之间的耦合电容/>越小的个体对应的适应度函数值越大，即越容易适应环境，越容易生存下来。
S161：判断是否满足预设迭代条件，若是，则结束，若否，则执行S171。
预设迭代条件为迭代的代数达到设定代数阈值，或者个体相邻两次迭代之间的适应度函数值之差小于设定误差阈值。
S171：选择满足预设适应度条件的个体。
选择满足预设适应度条件的个体，遗传到下一代，每个个体被选中的概率是其适应度函数值与所有个体适应度函数值之和的比值。
预设适应度条件可以为个体被选中的概率大于或等于设定概率，如85%。
S181：选择种群中满足预设适应度条件的个体进行交叉、变异运算。
交叉运算用于个体对，产生新的个体，实质上是在解空间中进行有效搜索。交叉概率太大时，种群中个体更新很快，会造成高适应度值的个体很快被破坏掉；概率太小时，交叉操作很少进行，从而会使搜索停滞不前，造成算法的不收敛。
变异运算是对种群模式的扰动，有利于增加种群的多样性。但是，变异运算的概率太小则很难产生新模式，变异的概率太大则会使遗传算法成为随机搜索算法。
以平均值为参照基准，若某代适应度值超过平均值，则表明该控制参数设定方式下有较佳的控制效果，需要从中筛选出优秀个体，予以保留；反之，若某代适应度值低于平均值，则对应的控制效果较差，需要做出调整，增加交叉和变异的概率，以突破该局限性。结合上面的结论，进行交叉率和变异率的自适应调整。当适应度大于等于平均值时，采用较小的变异率和交叉率，当适应度小于平均值时，采用较大的变异率和交叉率。
迭代地进行交叉变异运算，直至种群满足预设迭代结束条件。
S191：产生下一代种群，并重新执行S151。
本实施例中采用遗传算法在约束函数下对目标函数求解，得到一组最优解，也即，得到一组较优的参数设定，参数包括信号线中信号传输的频率、信号线的耦合长度、信号线表面的粗糙程度、相邻两条平行信号线之间的距离、屏蔽地的数量以及耦合电容的大小。采用遗传算法求解目标函数，可以减少运算量，且最优解为全局最优，提高参数求取的准确性。
图3为本发明实施例提供的再一种考虑屏蔽地及信号线距离自适应调整的终端微型化方法的流程图，参考图3，该方法包括：
S112：基于相邻两条平行信号线之间的距离、屏蔽地的数量以及信号线之间的耦合电容，确定目标函数。
S122：基于信号线中信号传输的频率、信号线的耦合长度、信号线表面的粗糙程度、相邻两条平行信号线之间的距离、屏蔽地的数量，确定信号线之间的耦合电容的约束函数。
S132：根据信号线之间的耦合电容的约束函数和设定算法，确定目标函数的解。
S142：设定相邻两条平行信号线之间的距离阈值。
两条平行信号线之间的距离越小，越有利于终端装置的微型化，但是信号串扰也会越大，因此，需综合考虑终端装置的微型化和信号串扰，根据经验或需求设定相邻两条平行信号线之间的距离阈值。
S152：判断根据设定算法求解出的相邻两条平行信号线之间的距离是否小于距离阈值，若是，则执行S162，若否，则执行S202。
S162：在根据设定算法求解出的相邻两条平行信号线之间的距离小于距离阈值时，增加屏蔽地的数量。
在约束函数下，根据设定算法如遗传算法求解出目标函数的最优解后，可得到一组最优的参数设定，最优的参数中中包括相邻两条平行信号线之间距离。如果根据设定算法求解出的相邻两条平行信号线之间的距离小于距离阈值时，增加屏蔽地的数量，以减小信号串扰。
S172：获取信号线上传输的信号。
可以通过相应的传感器，实时监测信号线上传输的信号，获取信号线上传输的信号的波形。
S182：根据信号线上传输的信号，判断增加屏蔽地后是否抑制信号串扰。若否，则执行S192，若是，则执行S202。
S192：用差分信号线代替单信号线进行信号的传输。
在增加屏蔽地后，信号线上传输的信号的信号串扰依然较大时，用差分信号线代替单信号线进行信号的传输，以抑制信号串扰的影响。差分信号线包括两条信号线，两条信号线同时进行相同信号的传输，因两条信号线上受到的干扰相同，最后两条信号线上的信号通过差分运算可消除信号串扰的影响。
S202：用单信号线进行信号的传输。
单信号线进行信号的传输，可以理解为通过一根信号线和地来传输信号，比如常见的同轴线或微带线。单信号线进行信号的传输所需的信号线数量较小且简单、方便。
根据通过利用设定算法求解出的相邻两条平行信号线之间的距离与距离阈值之间的大小关系，决定是否增加屏蔽地，以及根据增加屏蔽地后是否可抑制信号的串扰来决定最终信号传输的形式，选择最恰当的方式进行信号的传输，以实现兼具终端装置的微型化和较小的信号串扰。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (6)

1.一种考虑屏蔽地及信号线距离自适应调整的终端微型化方法，其特征在于，包括：
基于相邻两条平行信号线之间的距离、屏蔽地的数量以及信号线之间的耦合电容，确定目标函数，所述目标函数为：
；其中，/>，/>，/>，/>为所述相邻两条平行信号线之间的距离/>的权重系数，/>为所述屏蔽地的数量/>的权重系数，/>为所述信号线之间的耦合电容的权重系数，/>；
基于信号线中信号传输的频率、信号线的耦合长度、信号线表面的粗糙程度、所述相邻两条平行信号线之间的距离、所述屏蔽地的数量，确定所述信号线之间的耦合电容的约束函数，所述信号线之间的耦合电容的约束函数为：
；其中，/>为信号线之间的耦合电容，/>为所述信号传输的频率，/>为所述信号线的耦合长度，/>为所述信号线表面的粗糙程度，/>为所述相邻两条平行信号线之间的距离，/>为所述屏蔽地的数量；
根据所述信号线之间的耦合电容的约束函数和设定算法，确定所述目标函数的解。
2.根据权利要求1所述的考虑屏蔽地及信号线距离自适应调整的终端微型化方法，其特征在于，所述设定算法可以为遗传算法、强化学习、神经元算法、模糊控制或蚁群算法。
3.根据权利要求1所述的考虑屏蔽地及信号线距离自适应调整的终端微型化方法，其特征在于，所述设定算法为遗传算法，所述根据所述信号线之间的耦合电容的约束函数和设定算法，确定目标函数的解，包括：
对所述信号传输的频率、所述信号线的耦合长度、所述信号线表面的粗糙程度、所述相邻两条平行信号线之间的距离、所述屏蔽地的数量和所述信号线之间的耦合电容，进行编码；
生成初始种群；
计算种群中每个个体的适应度；
选择种群中满足预设适应度条件的个体进行交叉、变异运算；
迭代地进行交叉变异运算，直至种群满足预设迭代结束条件。
4.根据权利要求1所述的考虑屏蔽地及信号线距离自适应调整的终端微型化方法，其特征在于，在所述根据所述信号线之间的耦合电容的约束函数和设定算法，确定目标函数的解之后，包括：
设定相邻两条平行信号线之间的距离阈值；
在根据所述设定算法求解出的相邻两条平行信号线之间的距离小于所述距离阈值时，增加屏蔽地的数量。
5.根据权利要求4所述的考虑屏蔽地及信号线距离自适应调整的终端微型化方法，其特征在于，在根据所述设定算法求解出的信号线之间的距离小于所述距离阈值时，增加屏蔽地的数量之后，包括：
获取信号线上传输的信号；
根据所述信号线上传输的信号，判断增加屏蔽地后是否抑制信号串扰；
若否，则用差分信号线代替单信号线进行信号的传输。
6.根据权利要求5所述的考虑屏蔽地及信号线距离自适应调整的终端微型化方法，其特征在于，所述根据所述信号线上传输的信号，判断增加屏蔽地后是否抑制信号的串扰，包括：
若是,则用单信号线进行信号的传输。
CN202311083577.9A 2023-08-28 2023-08-28 考虑屏蔽地及信号线距离自适应调整的终端微型化方法 Active CN116821563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311083577.9A CN116821563B (zh) 2023-08-28 2023-08-28 考虑屏蔽地及信号线距离自适应调整的终端微型化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311083577.9A CN116821563B (zh) 2023-08-28 2023-08-28 考虑屏蔽地及信号线距离自适应调整的终端微型化方法

Publications (2)

Publication Number Publication Date
CN116821563A CN116821563A (zh) 2023-09-29
CN116821563B true CN116821563B (zh) 2023-11-28

Family

ID=88122446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311083577.9A Active CN116821563B (zh) 2023-08-28 2023-08-28 考虑屏蔽地及信号线距离自适应调整的终端微型化方法

Country Status (1)

Country Link
CN (1) CN116821563B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1168414A (ja) * 1997-08-27 1999-03-09 Nec Corp シールド線付き伝送線路
CN104900632A (zh) * 2015-06-07 2015-09-09 上海华虹宏力半导体制造有限公司 信号线屏蔽结构
CN211297130U (zh) * 2019-12-31 2020-08-18 晶测电子科技(上海)有限公司 辅助测试电路板
CN115409390A (zh) * 2022-09-01 2022-11-29 清华大学深圳国际研究生院 一种电-气耦合综合能源系统规划辅助方法
CN116564608A (zh) * 2022-01-31 2023-08-08 安华高科技股份有限公司 沿着信号线的子区段延伸的交错屏蔽线

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10690517B2 (en) * 2017-11-01 2020-06-23 Integrated Device Technology, Inc. Sensor Coil optimization

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1168414A (ja) * 1997-08-27 1999-03-09 Nec Corp シールド線付き伝送線路
CN104900632A (zh) * 2015-06-07 2015-09-09 上海华虹宏力半导体制造有限公司 信号线屏蔽结构
CN211297130U (zh) * 2019-12-31 2020-08-18 晶测电子科技(上海)有限公司 辅助测试电路板
CN116564608A (zh) * 2022-01-31 2023-08-08 安华高科技股份有限公司 沿着信号线的子区段延伸的交错屏蔽线
CN115409390A (zh) * 2022-09-01 2022-11-29 清华大学深圳国际研究生院 一种电-气耦合综合能源系统规划辅助方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于同步量测的配网态势感知技术在新型电力 系统中应用与展望;徐全 等;南方电网技术;第17卷(第1期);第136-143页 *
基于模型参数辨识的串联补偿输电线路纵联保护原理;李鹏 等;电力系统保护与控制;第50卷(第22期);第20-28页 *

Also Published As

Publication number Publication date
CN116821563A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN111583109B (zh) 基于生成对抗网络的图像超分辨率方法
Spadacini et al. Numerical assessment of radiated susceptibility of twisted-wire pairs with random nonuniform twisting
Shah et al. Fault discrimination scheme for power transformer using random forest technique
Pietrenko‐Dabrowska et al. Computationally‐efficient design optimisation of antennas by accelerated gradient search with sensitivity and design change monitoring
CN113657622B (zh) 电力设备多维状态数据融合方法、装置、终端及存储介质
Soltani et al. Decision tree‐based method for optimum decomposition level determination in wavelet transform for noise reduction of partial discharge signals
Du et al. Analogue circuit fault diagnosis based on convolution neural network
CN116821563B (zh) 考虑屏蔽地及信号线距离自适应调整的终端微型化方法
Chakravarty et al. Application of the micro-genetic algorithm to the design of spatial filters with frequency-selective surfaces embedded in dielectric media
CN108802576A (zh) 一种油浸式电容套管运行状态的主客观整合评估方法
Zhu et al. Discrimination of three or more partial discharge sources by multi‐step clustering of cumulative energy features
Pan et al. EVOLVING BOTH THE TOPOLOGY AND WEIGHTS OF NEURAL NETWORKS∗
CN113326664B (zh) 一种基于m5p算法预测玻璃介电常数的方法
Li et al. A novel image‐orientation feature extraction method for partial discharges
CN114003900A (zh) 变电站二次系统网络入侵检测方法、装置及系统
CN112685984A (zh) 一种铁氧体磁珠对lna性能影响的预测方法
CN115470439A (zh) 一种用于复杂地形条件下雷电辐射电磁场的计算方法
Varadan et al. Reconstruction of polynomial systems from noisy time-series measurements using genetic programming
CN114513374A (zh) 一种基于人工智能的网络安全威胁识别方法及系统
CN115146702A (zh) 一种变压器故障诊断方法、介质及系统
Wang et al. A comparison of Mamdani and Sugeno fuzzy inference systems for chaotic time series prediction
Barmada et al. A multi‐objective optimization algorithm based on self‐organizing maps applied to wireless power transfer systems
Roj Estimation of the artificial neural network uncertainty used for measurand reconstruction in a sampling transducer
Khan et al. Optimal coordination of directional overcurrent relays using enhanced L-SHADE algorithm
Yeung et al. Neocognitron based handwriting recognition system performance tuning using genetic algorithm

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