CN117092917A - 一种电源效率自适应调节装置和调节方法 - Google Patents
一种电源效率自适应调节装置和调节方法 Download PDFInfo
- Publication number
- CN117092917A CN117092917A CN202311248466.9A CN202311248466A CN117092917A CN 117092917 A CN117092917 A CN 117092917A CN 202311248466 A CN202311248466 A CN 202311248466A CN 117092917 A CN117092917 A CN 117092917A
- Authority
- CN
- China
- Prior art keywords
- power
- power supply
- current
- voltage
- unit
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 30
- 230000001105 regulatory effect Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 239000003990 capacitor Substances 0.000 description 8
- 230000009471 action Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 102100039435 C-X-C motif chemokine 17 Human genes 0.000 description 1
- 101000889048 Homo sapiens C-X-C motif chemokine 17 Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Voltage And Current In General (AREA)
Abstract
本发明提出了一种电源效率自适应调节装置和调节方法,该装置包括数据采集模块、控制单元和功率调节单元;数据采集单元采集供电单元输出的电源质量历史数据集;电源质量历史数据集包括电压量、电流量和功率量;控制单元用于对电源质量历史数据集进行预处理得到特征数据集,利用特征数据集建立特征矩阵;构建用于电源效率预测的神经网络模型,以特征矩阵作为模型的输入,电源质量作为输出对模型进行训练,采用训练后的神经网络模型对采集的当前电源质量进行预测;功率调节单元根据控制单元的预测调节供电单元的输出。基于该装置,本申请还提出了一种电源效率自适应调节方法。本发明自动调节电源的输出功率和电流,提高了电源的使用效率和稳定性。
Description
技术领域
本发明属于电源控制技术领域,特别涉及一种电源效率自适应调节装置和调节方法。
背景技术
随着能源问题的日益突出,提高电源的使用效率和稳定性已经成为电子设备发展的重要方向。为了实现这一目标,现有技术中提出了各种电源自适应效率调节装置。然而,现有的调节装置在负载特性、响应时间、稳态误差和瞬态误差等方面仍存在一定的不足。
在现有的技术中,一些电源效率自适应调节通常采用PID(比例-积分-微分)控制算法进行调节。然而,PID控制算法在处理具有非线性、时变特性的电源系统时,往往存在控制精度低、稳定性差的问题。此外,PID控制算法的参数整定复杂,对控制工程师的经验和技能要求较高。
发明内容
为了解决上述技术问题,本发明提出了一种电源效率自适应调节装置和调节方法,能够根据不同的负载需求自动调节电源的输出功率和电流,以提高电源的使用效率和稳定性。
为实现上述目的,本发明采用以下技术方案:
一种电源效率自适应调节装置,包括数据采集模块、控制单元和功率调节单元;
所述数据采集单元用于采集供电单元输出的电源质量历史数据集;所述电源质量历史数据集包括电压量、电流量和功率量;
所述控制单元用于对所述电源质量历史数据集进行预处理得到特征数据集,利用特征数据集建立特征矩阵;构建用于电源效率预测的神经网络模型,以特征矩阵作为神经网络模型的输入,电源质量作为神经网络输出的目标变量对神经网路模型进行训练,采用训练后的神经网络模型对采集的当前电源质量进行预测;
所述功率调节单元用于根据控制单元的预测调节供电单元的输出。
进一步的,所述供电单元和数据采集单元之间设置电源防反接单元;所述电源防反接单元采用多个共阴极的二极管。
进一步的,对所述电源质量数据集进行预处理得到特征数据集的过程包括:
根据采集的电流量计算电流平均值、电流波动值和电流偏差值;
其中,电流平均值为:I0为第一电流量值、I1为第二电流量值、In位第n+1电流量值;
Imax为n+1个电流量值中的最大值;Imin为n+1个电流量值中的最小值;
I实际为实际电流;I额定为理想电源输出的额定电流;
根据采集的电压量计算电压平均值、电压波动值和电压偏差值;
其中,V0为第一电压量值、V1为第二电压量值、Vn为第n+1电压量值;
Vmax为n+1个电压量值中的最大值;Vmin为n+1个电压量值中的最小值;
V实际为实际电压;V额定为理想电源输出的额定电压。
进一步的,所述装置还包括存储单元;
所述控制单元的输出端分别与存储单元通信连接;所述存储单元用于将控制单元对调节的数据进行存储。
进一步的,所述装置还包括上报单元;所述控制单元的输出端分别与上报单元通信连接;所述上报单元用于通过信号灯显示供电单元输出是否正常。
进一步的,所述功率调节单元的电路结构为:训练后神经网络模型输出的预测电压VIN经过电阻R24和电阻R21分压之后进入三个相同的调节支路,调节支路包括MOS管Q1和三极管Q4;分压之后一路输入MOS管Q1的源极,另外一路经过电阻R25和R30之后连接至三极管Q4的集电极;MOS管Q1的栅极经过电阻R30之后连接至三极管Q4的集电极;训练后神经网络模型输出的预测电流IN2经过电阻R33之后,一路连接至三极管Q4的基极,另外一路经过电阻R36之后连接至三极管Q4的发射极;MOS管Q1的漏极输出电压使能信号。
进一步的,所述特征矩阵是一个二维数组,每一行代表一个样本的特征;目标变量是一个一维数组,每个元素代表对应样本的目标值。
进一步的,所述神经网络模型采用线性堆叠序列模型;所述线性堆叠序列模型包括输入层、隐含层和全连接层;所述输入层和隐含层均使用64个神经元;所述输出层采用1个神经元。
进一步的,所述神经网络模型采用均方误差、均方根误差和平均绝对误差评估模型预测性能。
本发明还提出了一种电源效率自适应调节方法,是基于所述的一种电源效率自适应调节装置实现的,包括以下步骤:
采集供电单元输出的电源质量历史数据集;所述电源质量历史数据集包括电压量、电流量和功率量;
对电源质量历史数据集进行预处理得到特征数据集,利用特征数据集建立特征矩阵;构建用于电源效率预测的神经网络模型,以特征矩阵作为神经网络模型的输入,电源质量作为神经网络输出的目标变量对神经网路模型进行训练,采用训练后的神经网络模型对采集的当前电源质量进行预测;
根据对当前电源质量预测的结果。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
本发明提出了一种电源效率自适应调节装置和调节方法,包括数据采集模块、控制单元和功率调节单元;数据采集单元用于采集供电单元输出的电源质量历史数据集;所述电源质量历史数据集包括电压量、电流量和功率量;控制单元用于对所述电源质量历史数据集进行预处理得到特征数据集,利用特征数据集建立特征矩阵;构建用于电源效率预测的神经网络模型,以特征矩阵作为神经网络模型的输入,电源质量作为神经网络输出的目标变量对神经网路模型进行训练,采用训练后的神经网络模型对采集的当前电源质量进行预测;功率调节单元用于根据控制单元的预测调节供电单元的输出。基于一种电源效率自适应调节装置,本发明还提出了一种电源效率自适应调节方法。本发明采用模型预测控制算法进行控制,具有更高的控制精度和稳定性,能够更好地处理具有非线性、时变特性的电源系统。自动调节电源的输出功率和电流,提高了电源的使用效率和稳定性。本发明通过闭环控制,减小了稳态误差和瞬态误差,使电源输出更加稳定。
本发明实现了根据不同的负载需求自动调节电源的输出功率和电流,具有较高的使用效率和稳定性,具有重要的实用价值和应用前景。
附图说明
图1为本发明实施例1提出的一种电源效率自适应调节装置连接示意图;
图2为本发明实施例1提出的一种电源效率自适应调节装置中电源模块电路连接示意图;
图3为本发明实施例1提出的一种电源效率自适应调节装置中数据采集单元电路连接示意图;
图4为本发明实施例1提出的一种电源效率自适应调节装置中控制单元电路连接示意图;
图5为本发明实施例1提出的一种电源效率自适应调节装置中存储单元电路连接示意图;
图6为本发明实施例1提出的一种电源效率自适应调节装置中功率调节单元电路连接示意图;
图7为本发明实施例1提出的一种电源效率自适应调节装置中功率调节单元中信息上报单元电路连接示意图;
图8为本发明实施例1中提出的特征矩阵建立实现的过程;
图9为本发明实施例1中提出的构建神经网络模型的过程;
图10为本发明实施例1中提出的神经网络模型预测的过程;
图11为本发明实施例1中提出的神经网络模型评估和调优的过程;
图12为本发明实施例1提出的一种电源效率自适应调节方法流程图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
实施例1
本发明实施例1提出了一种电源效率自适应调节装置,能够根据不同的负载需求自动调节电源的输出功率和电流,以提高电源的使用效率和稳定性。
图1为本发明实施例1提出的一种电源效率自适应调节装置连接示意图;包括数据采集模块、控制单元和功率调节单元;
数据采集单元用于采集供电单元输出的电源质量历史数据集;所述电源质量历史数据集包括电压量、电流量和功率量;
控制单元用于对所述电源质量历史数据集进行预处理得到特征数据集,利用特征数据集建立特征矩阵;构建用于电源效率预测的神经网络模型,以特征矩阵作为神经网络模型的输入,电源质量作为神经网络输出的目标变量对神经网路模型进行训练,采用训练后的神经网络模型对采集的当前电源质量进行预测;功率调节单元用于根据控制单元的预测调节供电单元的输出。
该装置还包括供电单元,即电源模块;图2为本发明实施例1提出的一种电源效率自适应调节装置中电源模块电路连接示意图;供电单元和控制单元单元之间设置电源防反接单元;所述电源防反接单元采用多个共阴极的二极管。
电源模块进行电源供电时,该器件的芯片以及阻容件组成电源输出电路,此方法可以外扩多个电源模块,本次采用4组电源输出方式,电源防反接中的A1-A4器件主要用于解决四组电源同时供电时的电源倒灌问题。
U2为电源芯片。芯片8引脚为外部电源输入引脚,7引脚为电源输入地引脚;5引脚通过电阻R5接地,主要作用为设置开关电源的频率;3引脚通过电阻R3连接到电源模块输出,此引脚为开漏引脚,需上拉倒电源;6引脚外接滤波电容C7,此引脚为内部偏置供电,需外接对地电容;11引脚通过电阻R6接地,模式选择引脚;3引脚与2引脚组成电源输出单元,两个引脚通过C3为自举电容连接,通过串联电感L1转换为直流电压;4引脚为电源反馈引脚,R4、R7、C4组成反馈电路;C4、C5构成输出滤波电容电路;9引脚与10引脚为空引脚,外部直接接地防止干扰;12引脚为控制引脚电路,主要控制电源的启用和关闭,通过电阻R1连接到电源保证U2一直处于启用状态。
此应用为四电源模块应用电路,应保证U2处于一直正常启用状态,U3、U4、U5的电路构成与上述U2器件除以下区别,其余连接基本一致。
U3电路区别于U2电路连接,12引脚一是通过电阻R12连接到电源地,保证电源处于关闭状态;二是连接到Q1 MOS管3引脚。
U4电路区别于U2电路连接,12引脚一是通过电阻R19连接到电源地,保证电源处于关闭状态;二是连接到Q2 MOS管3引脚。
U5电路区别于U2电路连接,12引脚一是通过电阻R39连接到电源地,保证电源处于关闭状态;二是连接到Q3 MOS管3引脚。
U2、U3、U4、U5电路分别经过滤波电容输出VCC1、VCC2、VCC3、VCC4电压,通过A1、A2、A3、A4防反二极管汇入到同一电压VCC,构成电源防反接、防倒灌电路。
图3为本发明实施例1提出的一种电源效率自适应调节装置中数据采集单元电路连接示意图;U1芯片通过采集输出电压VCC信号与R8、R9、R10、C8、C9器件构成的电流采集电路给到1、2引脚,构成差分输入采集。
U1芯片通过采集输出电压VCC信号与R11、R14、C14器件构成的电压采集电路给到3引脚,构成单端输入采集。
U1芯片引脚4、8引脚分别为芯片输入地和输入电源。
U1芯片引脚5引脚为参考电压,通过C10电容滤波接地。
U1芯片引脚6引脚为串口输出引脚,连接到控制单元U6芯片15引脚。
U1芯片引脚7引脚为串口输入引脚,连接到控制单元U6芯片16引脚。
U1芯片通过对电压、电流采集,芯片内部自带的电路先进行PGA采集,在ADC采样、比较,在进行数字滤波,最后进行计量计算,最终输出采集电压量、采集电流量、采集功率量。以串口的形式上报给MCU芯片。
图8为本发明实施例1中提出的特征矩阵建立实现的过程;控制单元对电源质量数据集进行预处理得到特征数据集,具体的过程包括:
根据采集的电流量计算电流平均值、电流波动值和电流偏差值;
其中,电流平均值为:I0为第一电流量值、I1为第二电流量值、In位第n+1电流量值;
Imax为n+1个电流量值中的最大值;Imin为n+1个电流量值中的最小值;
I实际为实际电流;I额定为理想电源输出的额定电流;
根据采集的电压量计算电压平均值、电压波动值和电压偏差值;
其中,V0为第一电压量值、V1为第二电压量值、Vn为第n+1电压量值;
Vmax为n+1个电压量值中的最大值;Vmin为n+1个电压量值中的最小值;
V实际为实际电压;V额定为理想电源输出的额定电压。
特征矩阵是一个二维数组,每一行代表一个样本的特征;目标变量是一个一维数组,每个元素代表对应样本的目标值。
图4为本发明实施例1提出的一种电源效率自适应调节装置中控制单元电路连接示意图;
U6芯片为MCU芯片。U6芯片引脚4、5为MCU芯片供电引脚。
U6芯片引脚2、3引脚为晶振输入输出引脚,分别于Y1晶振连接,Y1匹配电容分别通过C33、C34贴片电容连接到地,构成匹配电容。
U6芯片引脚6为芯片复位引脚,低电平触发。
U6芯片引脚7、8、9、10引脚与U7 FLASH芯片1、2、5、6引脚相连,用于数据存储。
U6芯片引脚19为BOOT引脚,通过下拉电阻R45保持芯片处于特殊下载模式。
U6芯片引脚15、16分别于U1芯片6、7引脚相连,进行采集数据接收、发送。
U6芯片引脚11、12、13引脚为控制引脚,分别连接R33、R34、R35电阻,分别控制每一路电源模块的通断,用于功率调节控制。
U6芯片引脚1、14、17、18、20引脚为未使用状态,保持NC。
本申请在MCU芯片中写入程序,通过运行神经网络模型进行预测。图9为本发明实施例1中提出的构建神经网络模型的过程;神经网络模型采用线性堆叠序列模型;线性堆叠序列模型包括输入层、隐含层和全连接层;输入层和隐含层均使用64个神经元;输出层采用1个神经元。
输入层激活函数relu,并且它的输入形状是特征函数X_train的列数,这个全连接层会对输入数据进行第一次非线性变换;隐藏层也是全连接层,激活函数为relu。这个全连接层会对上一层的输出进行第二次非线性变换;输出层,使用1个神经元,这个神经元的输出可以直接解释为模型的预测结果,预测的结果为当前或者未来时间段内的电源质量结果。
图10为本发明实施例1中提出的神经网络模型预测的过程;特征数据集划分为训练集和测试集,然后使用LogisticRegression模型进行训练,最后用训练好的模型对测试集进行预测,得到预测结果y_pred。
图11为本发明实施例1中提出的神经网络模型评估和调优的过程;均方误差(MSE)、均方根误差(RMSE)和平均绝对误差(MAE)是用来评估模型预测性能的指标。MSE度量的是模型预测值与真实值之间的平均平方误差,RMSE是MSE的平方根,MAE是预测值与真实值之间的平均绝对误差。
图6为本发明实施例1提出的一种电源效率自适应调节装置中功率调节单元电路连接示意图;
功率调节单元的电路结构为:训练后神经网络模型输出的预测电压VIN经过电阻R24和电阻R21分压之后进入三个相同的调节支路,调节支路包括MOS管Q1和三极管Q4;分压之后一路输入MOS管Q1的源极,另外一路经过电阻R25和R30之后连接至三极管Q4的集电极;MOS管Q1的栅极经过电阻R30之后连接至三极管Q4的集电极;训练后神经网络模型输出的预测电流IN2经过电阻R33之后,一路连接至三极管Q4的基极,另外一路经过电阻R36之后连接至三极管Q4的发射极;MOS管Q1的漏极输出电压使能信号。
Q4、Q5、Q6器件为三极管器件。R30、R33、R36;R31、R34、R37;R32、R35、R38为贴片电阻,驱动三极管控制电路。Q1、Q2、Q3器件为MOS器件。R21、R24、R25;R26;R27为贴片电阻,用于MOS管驱动控制电路。
主要功能为控制单元输出的预测数据进行分析,发现异常需要关闭和打开电源模块情况下,控制引脚11、12、13引脚进行输出IN2、IN3、IN4,进而控制功率单元中电路输出V_EN2、V_EN3、V_EN4,从而控制电源模块使能引脚,从而打开或关断电源模块通断。
装置还包括存储单元;控制单元的输出端分别与存储单元通信连接;存储单元用于将控制单元对调节的数据进行存储。装置还包括上报单元;上报单元用于通过信号灯显示供电单元输出是否正常。
图5为本发明实施例1提出的一种电源效率自适应调节装置中存储单元电路连接示意图;U7芯片为FLASH芯片。U7芯片引脚4、8引脚为芯片供电引脚。U7芯片引脚1为SPI片选功能与控制芯片U6引脚7相连。U7芯片引脚2为SPI主入从出传输功能与控制芯片U6引脚8相连。U7芯片引脚5为SPI主出从入传输功能与控制芯片U6引脚9相连。U7芯片引脚6为SPI时钟信号功能与控制芯片U6引脚10相连。U7芯片引脚3通过电阻R47连接到芯片供电,模式控制功能。U7芯片引脚7直接连接到芯片供电,模式控制功能。
图7为本发明实施例1提出的一种电源效率自适应调节装置中功率调节单元中信息上报单元电路连接示意图;D1、D2、D3为发光二极管器件。R39、R40、R41为限流电阻。当通过功率单元调节电源模块中,及时通过信号灯进行显示,通知并判断运行状态,并通过MCU对发生的动作进行记录存储。
本发明实施例1提出了一种电源效率自适应调节装置,采用模型预测控制算法进行控制,具有更高的控制精度和稳定性,能够更好地处理具有非线性、时变特性的电源系统。自动调节电源的输出功率和电流,提高了电源的使用效率和稳定性。本发明通过闭环控制,减小了稳态误差和瞬态误差,使电源输出更加稳定。
本发明实施例1提出了一种电源效率自适应调节装置,实现了根据不同的负载需求自动调节电源的输出功率和电流,具有较高的使用效率和稳定性,具有重要的实用价值和应用前景。
实施例2
基于本发明实施例1提出的一种电源效率自适应调节装置,本发明实施例2还提出了一种电源效率自适应调节方法,图12为本发明实施例1提出的一种电源效率自适应调节方法流程图。
在步骤S1201中,采集供电单元输出的电源质量历史数据集电源质量历史数据集包括电压量、电流量和功率量;
在步骤S1202中,对电源质量历史数据集进行预处理得到特征数据集,利用特征数据集建立特征矩阵;构建用于电源效率预测的神经网络模型,以特征矩阵作为神经网络模型的输入,电源质量作为神经网络输出的目标变量对神经网路模型进行训练,采用训练后的神经网络模型对采集的当前电源质量进行预测;
对电源质量数据集进行预处理得到特征数据集,具体的过程包括:
根据采集的电流量计算电流平均值、电流波动值和电流偏差值;
其中,电流平均值为:I0为第一电流量值、I1为第二电流量值、In位第n+1电流量值;
Imax为n+1个电流量值中的最大值;Imin为n+1个电流量值中的最小值;
I实际为实际电流;I额定为理想电源输出的额定电流;
根据采集的电压量计算电压平均值、电压波动值和电压偏差值;
其中,电压平均值为V0为第一电压量值、V1为第二电压量值、Vn为第n+1电压量值;
Vmax为n+1个电压量值中的最大值;Vmin为n+1个电压量值中的最小值;
V实际为实际电压;V额定为理想电源输出的额定电压。
特征矩阵是一个二维数组,每一行代表一个样本的特征;目标变量是一个一维数组,每个元素代表对应样本的目标值。
神经网络模型采用线性堆叠序列模型;线性堆叠序列模型包括输入层、隐含层和全连接层;输入层和隐含层均使用64个神经元;输出层采用1个神经元。
特征数据集划分为训练集和测试集,然后使用LogisticRegression模型进行训练,最后用训练好的模型对测试集进行预测,得到预测结果y_pred。
均方误差(MSE)、均方根误差(RMSE)和平均绝对误差(MAE)是用来评估模型预测性能的指标。MSE度量的是模型预测值与真实值之间的平均平方误差,RMSE是MSE的平方根,MAE是预测值与真实值之间的平均绝对误差。
在步骤S1203中,根据对当前电源质量预测的结果,自动调节供电模块的输出功率和电流;通过信号灯进行显示,通知并判断运行状态,并通过MCU对发生的动作进行记录存储。
本发明实施例2提出了一种电源效率自适应调节方法,采用模型预测控制算法进行控制,具有更高的控制精度和稳定性,能够更好地处理具有非线性、时变特性的电源系统。自动调节电源的输出功率和电流,提高了电源的使用效率和稳定性。本发明通过闭环控制,减小了稳态误差和瞬态误差,使电源输出更加稳定。
本发明实施例2提出了一种电源效率自适应调节方法,实现了根据不同的负载需求自动调节电源的输出功率和电流,具有较高的使用效率和稳定性,具有重要的实用价值和应用前景。
本申请实施例2提供的一种电源效率自适应调节方法中相关部分的说明可以参见本申请实施例1提供的一种电源效率自适应调节装置中对应部分的详细说明,在此不再赘述。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。另外,本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制。对于所属领域的技术人员来说,在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种电源效率自适应调节装置,其特征在于,包括数据采集模块、控制单元和功率调节单元;
所述数据采集单元用于采集供电单元输出的电源质量历史数据集;所述电源质量历史数据集包括电压量、电流量和功率量;
所述控制单元用于对所述电源质量历史数据集进行预处理得到特征数据集,利用特征数据集建立特征矩阵;构建用于电源效率预测的神经网络模型,以特征矩阵作为神经网络模型的输入,电源质量作为神经网络输出的目标变量对神经网路模型进行训练,采用训练后的神经网络模型对采集的当前电源质量进行预测;
所述功率调节单元用于根据控制单元的预测调节供电单元的输出。
2.根据权利要求1所述的一种电源效率自适应调节装置,其特征在于,所述供电单元和数据采集单元之间设置电源防反接单元;所述电源防反接单元采用多个共阴极的二极管。
3.根据权利要求1所述的一种电源效率自适应调节装置,其特征在于,对所述电源质量数据集进行预处理得到特征数据集的过程包括:
根据采集的电流量计算电流平均值、电流波动值和电流偏差值;
其中,电流平均值为:I0为第一电流量值、I1为第二电流量值、In位第n+1电流量值;
Imax为n+1个电流量值中的最大值;Imin为n+1个电流量值中的最小值;
I实际为实际电流;I额定为理想电源输出的额定电流;
根据采集的电压量计算电压平均值、电压波动值和电压偏差值;
其中,电压平均值为V0为第一电压量值、V1为第二电压量值、Vn为第n+1电压量值;
Vmax为n+1个电压量值中的最大值;Vmin为n+1个电压量值中的最小值;
V实际为实际电压;V额定为理想电源输出的额定电压。
4.根据权利要求1所述的一种电源效率自适应调节装置,其特征在于,所述装置还包括存储单元;
所述控制单元的输出端分别与存储单元通信连接;所述存储单元用于将控制单元预测的数据进行存储。
5.根据权利要求1所述的一种电源效率自适应调节装置,其特征在于,所述装置还包括上报单元;所述控制单元的输出端分别与上报单元通信连接;所述上报单元用于通过信号灯显示供电单元输出是否正常。
6.根据权利要求1所述的一种电源效率自适应调节装置,其特征在于,所述功率调节单元的电路结构为:训练后神经网络模型输出的预测电压VIN经过电阻R24和电阻R21分压之后进入三个相同的调节支路,调节支路包括MOS管Q1和三极管Q4;分压之后一路输入MOS管Q1的源极,另外一路经过电阻R25和R30之后连接至三极管Q4的集电极;MOS管Q1的栅极经过电阻R30之后连接至三极管Q4的集电极;训练后神经网络模型输出的预测电流IN2经过电阻R33之后,一路连接至三极管Q4的基极,另外一路经过电阻R36之后连接至三极管Q4的发射极;MOS管Q1的漏极输出电压使能信号。
7.根据权利要求1所述的一种电源效率自适应调节装置,其特征在于,所述特征矩阵是一个二维数组,每一行代表一个样本的特征;目标变量是一个一维数组,每个元素代表对应样本的目标值。
8.根据权利要求1所述的一种电源效率自适应调节装置,其特征在于,所述神经网络模型采用线性堆叠序列模型;所述线性堆叠序列模型包括输入层、隐含层和全连接层;所述输入层和隐含层均使用64个神经元;所述输出层采用1个神经元。
9.根据权利要求8所述的一种电源效率自适应调节装置,其特征在于,所述神经网络模型采用均方误差、均方根误差和平均绝对误差评估模型预测性能。
10.一种电源效率自适应调节方法,是基于权利要求1至9任意一项所述的一种电源效率自适应调节装置实现的,其特征在于,包括以下步骤:
采集供电单元输出的电源质量历史数据集;所述电源质量历史数据集包括电压量、电流量和功率量;
对电源质量历史数据集进行预处理得到特征数据集,利用特征数据集建立特征矩阵;构建用于电源效率预测的神经网络模型,以特征矩阵作为神经网络模型的输入,电源质量作为神经网络输出的目标变量对神经网路模型进行训练,采用训练后的神经网络模型对采集的当前电源质量进行预测;
根据对当前电源质量预测的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311248466.9A CN117092917A (zh) | 2023-09-26 | 2023-09-26 | 一种电源效率自适应调节装置和调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311248466.9A CN117092917A (zh) | 2023-09-26 | 2023-09-26 | 一种电源效率自适应调节装置和调节方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117092917A true CN117092917A (zh) | 2023-11-21 |
Family
ID=88782970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311248466.9A Pending CN117092917A (zh) | 2023-09-26 | 2023-09-26 | 一种电源效率自适应调节装置和调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117092917A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495953A (zh) * | 2011-11-29 | 2012-06-13 | 河北省电力建设调整试验所 | 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 |
CN109871976A (zh) * | 2018-12-20 | 2019-06-11 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
CN114460883A (zh) * | 2022-02-11 | 2022-05-10 | 深圳华创芯光科技有限公司 | 一种基于双环控制的电压动态可控调节的occ驱动器 |
CN115166415A (zh) * | 2022-06-27 | 2022-10-11 | 山东华科信息技术有限公司 | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 |
US20230059290A1 (en) * | 2021-08-23 | 2023-02-23 | The Florida State University Research Foundation, Inc. | Power electronics parameter independency using memristor control |
CN116128116A (zh) * | 2022-12-29 | 2023-05-16 | 国网浙江省电力有限公司金华供电公司 | 一种配网智能化负荷预测方法 |
CN116385917A (zh) * | 2022-12-12 | 2023-07-04 | 山东华科信息技术有限公司 | 基于cnn-rakel算法的标准视频流分类识别方法 |
-
2023
- 2023-09-26 CN CN202311248466.9A patent/CN117092917A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495953A (zh) * | 2011-11-29 | 2012-06-13 | 河北省电力建设调整试验所 | 基于采集到的电能质量数据和环境参数对光伏数据进行分析评估和发电负荷预测的方法 |
CN109871976A (zh) * | 2018-12-20 | 2019-06-11 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
WO2022077587A1 (zh) * | 2020-10-14 | 2022-04-21 | 深圳大学 | 一种数据预测方法、装置及终端设备 |
US20230059290A1 (en) * | 2021-08-23 | 2023-02-23 | The Florida State University Research Foundation, Inc. | Power electronics parameter independency using memristor control |
CN114460883A (zh) * | 2022-02-11 | 2022-05-10 | 深圳华创芯光科技有限公司 | 一种基于双环控制的电压动态可控调节的occ驱动器 |
CN115166415A (zh) * | 2022-06-27 | 2022-10-11 | 山东华科信息技术有限公司 | 一种自适应图卷积神经网络的配电网故障诊断方法及系统 |
CN116385917A (zh) * | 2022-12-12 | 2023-07-04 | 山东华科信息技术有限公司 | 基于cnn-rakel算法的标准视频流分类识别方法 |
CN116128116A (zh) * | 2022-12-29 | 2023-05-16 | 国网浙江省电力有限公司金华供电公司 | 一种配网智能化负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10289765B2 (en) | Fast model generating and solving method for security-constrained power system operation simulation | |
DE102014001914A1 (de) | Dynamische Steuerung einer maximalen Betriebsspannung für einen Prozessor | |
US20230168306A1 (en) | Battery diagnosis method and battery diagnosis apparatus | |
US20210364999A1 (en) | System and method for analyzing cause of product defect, computer readable medium | |
DE112020002684T5 (de) | Ein Mehrfachverfahrenssystem für optimale Vorhersagemodellauswahl | |
CN109492883A (zh) | 一种能效人工智能在线分析系统及方法 | |
DE102022122719A1 (de) | Leistungsmodulation unter Verwendung von dynamischer Spannungs- und Frequenzskalierung | |
CN109508807A (zh) | 彩票用户活跃度预测方法、系统及终端设备、存储介质 | |
CN116258484A (zh) | 设备的预测性运维方案生成方法、装置、终端设备和介质 | |
Wu et al. | Parameter identification of single-phase inverter based on improved moth flame optimization algorithm | |
Ekundayo | OPTUNA optimization based CNN-LSTM model for predicting electric power consumption | |
CN116307059A (zh) | 配电网区域故障预测模型构建方法及装置、电子设备 | |
Pathak et al. | Comparative assessment of regression techniques for wind power forecasting | |
CN117092917A (zh) | 一种电源效率自适应调节装置和调节方法 | |
CN113592192A (zh) | 短期电力负荷预测方法、装置及终端设备 | |
Mo et al. | Powerformer: A temporal-based transformer model for wind power forecasting | |
CN111082424B (zh) | 一种综合能源及微电网系统可靠性预测方法及装置 | |
CN115687950A (zh) | 一种电力系统负荷波动分析方法和系统 | |
CN116011153A (zh) | 基于光-荷相关性增强可信度的配电网可靠性评估方法 | |
CN114187685A (zh) | 一种智能锁耗电的优化方法、系统、设备及介质 | |
CN114520813A (zh) | 基于区块链的污染源管控系统 | |
Wang | Design of an integrated system of psychological health education resources for vocational students using fuzzy clustering algorithm analysis | |
CN113741402A (zh) | 一种设备控制方法、装置、计算机设备和存储介质 | |
Rudakov et al. | Comparison of Time Series Databases | |
Zhu et al. | Assessing Bulk Power System Reliability by End-to-End Line Maintenance-Aware Learning |
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 |