CN117463506B - 自适应恒流恒压控制高压电源 - Google Patents
自适应恒流恒压控制高压电源 Download PDFInfo
- Publication number
- CN117463506B CN117463506B CN202311807697.9A CN202311807697A CN117463506B CN 117463506 B CN117463506 B CN 117463506B CN 202311807697 A CN202311807697 A CN 202311807697A CN 117463506 B CN117463506 B CN 117463506B
- Authority
- CN
- China
- Prior art keywords
- feedback signal
- waveform
- voltage feedback
- voltage
- feature
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 238000005259 measurement Methods 0.000 claims description 38
- 230000003044 adaptive effect Effects 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 15
- 239000012634 fragment Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims 4
- 238000012545 processing Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 24
- 239000000428 dust Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 238000011176 pooling Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 12
- 230000004913 activation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005367 electrostatic precipitation Methods 0.000 description 1
- 238000007590 electrostatic spraying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03C—MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03C3/00—Separating dispersed particles from gases or vapour, e.g. air, by electrostatic effect
- B03C3/34—Constructional details or accessories or operation thereof
- B03C3/66—Applications of electricity supply techniques
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03C—MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03C3/00—Separating dispersed particles from gases or vapour, e.g. air, by electrostatic effect
- B03C3/34—Constructional details or accessories or operation thereof
- B03C3/66—Applications of electricity supply techniques
- B03C3/68—Control systems therefor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05F—SYSTEMS FOR REGULATING ELECTRIC OR MAGNETIC VARIABLES
- G05F1/00—Automatic systems in which deviations of an electric quantity from one or more predetermined values are detected at the output of the system and fed back to a device within the system to restore the detected quantity to its predetermined value or values, i.e. retroactive systems
- G05F1/10—Regulating voltage or current
- G05F1/46—Regulating voltage or current wherein the variable actually regulated by the final control device is dc
- G05F1/56—Regulating voltage or current wherein the variable actually regulated by the final control device is dc using semiconductor devices in series with the load as final control devices
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Dc-Dc Converters (AREA)
Abstract
本申请公开了一种自适应恒流恒压控制高压电源，其通过获取高压分压器采集的电压反馈信号，并在后端引入信号处理和分析算法来进行该电压反馈信号的波形分析以判断是否需要切换电源的工作模式。这样，能够根据反馈信号的稳定性来实现恒流源控制模式和恒压源控制模式的自适应切换，从而实现了高压电源的自适应恒流恒压控制功能，提高了设备的稳定性和适应性，满足了不同工况下的需求。
Description
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种自适应恒流恒压控制高压电源。
背景技术
高压电源是一种用于电力行业的高压脉冲电源，主要用于除尘、静电沉降和静电喷涂等领域。高压电源具有输出电压高、输出功率大、输出波形稳定、可靠性高等特点。但是，由于工况的复杂性和多变性，高压电源的输出特性需要根据不同的工况需求进行调节，以达到最佳的效果。
然而，传统的方式在通过使用高压电源进行静电除尘的过程中，通常采用直流高压的供电方式，在这种供电方式下，由于粉尘层等效电容效应会造成反电晕现象，导致除尘率下降。当采用脉冲供电时，除尘器粉尘层的等效电容在脉冲施加期间只充上很少的电荷，在脉冲消失期间所充电荷基本放完，所以除尘器粉尘层上不会因积累电荷形成高电压而使粉尘造成反电晕。目前常规的采用脉冲供电的电源应用工况比较单一，主要是由于高压电源的可控制对象单一，导致传统的高压电源不能自适应地切换工作模式，造成输出效率低、能耗高、设备损耗大等问题。
因此，期望一种自适应恒流恒压控制高压电源。
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自适应恒流恒压控制高压电源，其通过获取高压分压器采集的电压反馈信号，并在后端引入信号处理和分析算法来进行该电压反馈信号的波形分析以判断是否需要切换电源的工作模式。这样，能够根据反馈信号的稳定性来实现恒流源控制模式和恒压源控制模式的自适应切换，从而实现了高压电源的自适应恒流恒压控制功能，提高了设备的稳定性和适应性，满足了不同工况下的需求。
根据本申请的一个方面，提供了一种自适应恒流恒压控制高压电源，包括电源、固态电气开关、直流电流互感器、高压分压器和嵌入式控制系统，其特征在于，所述嵌入式控制系统用于基于电压反馈信号来控制所述自适应恒流恒压控制高压电源的工作模式，所述工作模式包括恒流源控制模式和恒压源控制模式。
与现有技术相比，本申请提供的一种自适应恒流恒压控制高压电源，其通过获取高压分压器采集的电压反馈信号，并在后端引入信号处理和分析算法来进行该电压反馈信号的波形分析以判断是否需要切换电源的工作模式。这样，能够根据反馈信号的稳定性来实现恒流源控制模式和恒压源控制模式的自适应切换，从而实现了高压电源的自适应恒流恒压控制功能，提高了设备的稳定性和适应性，满足了不同工况下的需求。
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自适应恒流恒压控制高压电源的框图；
图2为根据本申请实施例的自适应恒流恒压控制高压电源的系统架构图；
图3为根据本申请实施例的自适应恒流恒压控制高压电源的训练阶段的框图；
图4为根据本申请实施例的自适应恒流恒压控制高压电源中嵌入式控制系统的框图；
图5为根据本申请实施例的自适应恒流恒压控制高压电源中电压反馈信号全局波形特征分析模块的框图。
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。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
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。
传统的方式在通过使用高压电源进行静电除尘的过程中，通常采用直流高压的供电方式，在这种供电方式下，由于粉尘层等效电容效应会造成反电晕现象，导致除尘率下降。当采用脉冲供电时，除尘器粉尘层的等效电容在脉冲施加期间只充上很少的电荷，在脉冲消失期间所充电荷基本放完，所以除尘器粉尘层上不会因积累电荷形成高电压而使粉尘造成反电晕。目前常规的采用脉冲供电的电源应用工况比较单一，主要是由于高压电源的可控制对象单一，导致传统的高压电源不能自适应地切换工作模式，造成输出效率低、能耗高、设备损耗大等问题。针对上述技术问题，在本申请的技术方案中，提出了一种自适应恒流恒压控制高压电源，其包括电源、固态电气开关、直流电流互感器、高压分压器和嵌入式控制系统，其中，所述嵌入式控制系统用于基于电压反馈信号来控制所述自适应恒流恒压控制高压电源的工作模式，所述工作模式包括恒流源控制模式和恒压源控制模式。所述固态电气开关为大功率IGBT，所述嵌入式控制系统为TMS320F28335高速DSP嵌入式控制系统。值得一提的是，该自适应恒流恒压控制高压电源的控制系统能够根据反馈信号的稳定性来实现恒流源控制模式和恒压源控制模式的自适应切换。具体来说，在恒流源控制模式下，高压电源会根据负载的电流需求，通过调节输出电压来保持输出电流的稳定，这种控制模式适用于工况恶劣、电压跨度大的情况，可以确保负载电流的稳定性。在恒压源控制模式下，高压电源会根据负载的电压需求，通过调节输出电流来保持输出电压的稳定，这种控制模式适用于较高荷电和除尘要求下的工况，可以确保负载电压的稳定性。这样可以根据不同的工况需求进行适应性选择，实现智能化的运行。
在本申请的技术方案中，提出了一种自适应恒流恒压控制高压电源。图1为根据本申请实施例的自适应恒流恒压控制高压电源的框图。图2为根据本申请实施例的自适应恒流恒压控制高压电源的系统架构图。如图1和图2所示，根据本申请的实施例的自适应恒流恒压控制高压电源300，包括：电源310；固态电气开关320；直流电流互感器330；高压分压器340；以及，嵌入式控制系统350，用于基于电压反馈信号来控制所述自适应恒流恒压控制高压电源的工作模式，所述工作模式包括恒流源控制模式和恒压源控制模式。
特别地，所述电源310。其中，电源通常指的是将其他形式的能量转换为电能的设备或系统。在电子设备和电气系统中，电源提供所需的电能以供设备正常运行。
特别地，所述固态电气开关320。其中，固态电气开关是一种利用固态元件来控制电气电路的开关。
特别地，所述直流电流互感器330。其中，直流电流互感器是一种用于测量直流电路中电流的装置。
特别地，所述高压分压器340。其中，高压分压器是一种电气设备，用于将高电压信号分压成较低的电压信号。这种设备通常用于测量、监测或保护系统中，以便将高压信号转换为适合于测量仪器或控制设备处理的低压信号。
特别地，所述嵌入式控制系统350，用于基于电压反馈信号来控制所述自适应恒流恒压控制高压电源的工作模式，所述工作模式包括恒流源控制模式和恒压源控制模式。特别地，在本申请的一个具体示例中，如图4所示，所述嵌入式控制系统350，包括：电压反馈信号采集模块351，用于获取由所述高压分压器采集的电压反馈信号；信号切分模块352，用于对所述电压反馈信号进行信号切分以得到电压反馈信号片段的序列；信号片段波形语义特征提取模块353，用于通过基于深度神经网络模型的电压反馈信号波形特征提取器对所述电压反馈信号片段的序列进行特征提取以得到电压反馈信号片段波形语义特征向量的序列；信号片段波形语义波动特征度量模块354，用于计算所述电压反馈信号片段波形语义特征向量的序列中任意两个电压反馈信号片段波形语义特征向量之间的片段波形语义波动特征度量系数以得到多个片段波形语义波动特征度量系数；电压反馈信号全局波形特征分析模块355，用于对所述多个片段波形语义波动特征度量系数进行电压反馈信号全局波形特征分析以得到电压反馈信号全局波形拓扑特征；模式切换模块356，用于基于所述电压反馈信号全局波形拓扑特征，确定是否切换至恒流源控制模式。
具体地，所述电压反馈信号采集模块351，用于获取由所述高压分压器采集的电压反馈信号。其中，电压反馈信号是指在电子、电气或控制系统中用于监测、测量和控制电压的信号。这种信号通常用于提供系统运行状态的反馈信息。
具体地，所述信号切分模块352，用于对所述电压反馈信号进行信号切分以得到电压反馈信号片段的序列。考虑到在实际的高压电源工作过程中，采集的所述电压反馈信号通常是一个连续的波形，其中包含了大量的波形语义信息，若对于整个所述电压反馈信号的波形语义进行分析和特征提取，可能会遗漏波形中的局部细节语义特征，从而造成控制模式切换的判断精度较低。基于此，在本申请的技术方案中，需要对所述电压反馈信号进行信号切分以得到电压反馈信号片段的序列，以此来将复杂的电压反馈信号的波形图分解为多个较小的部分，以便更好地提取和分析每个波形片段的语义特征信息。
具体地，所述信号片段波形语义特征提取模块353，用于通过基于深度神经网络模型的电压反馈信号波形特征提取器对所述电压反馈信号片段的序列进行特征提取以得到电压反馈信号片段波形语义特征向量的序列。也就是，在本申请的技术方案中，将所述电压反馈信号片段的序列通过基于卷积神经网络模型的电压反馈信号波形特征提取器中进行特征挖掘，以分别提取出所述电压反馈信号的各个片段波形语义特征信息，从而得到电压反馈信号片段波形语义特征向量的序列。更具体地，将所述电压反馈信号片段的序列通过基于卷积神经网络模型的电压反馈信号波形特征提取器中进行特征挖掘以得到所述电压反馈信号片段波形语义特征向量的序列，包括：使用所述基于卷积神经网络模型的电压反馈信号波形特征提取器的各层在层的正向传递中分别对输入数据进行：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特征矩阵的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，所述基于卷积神经网络模型的电压反馈信号波形特征提取器的最后一层的输出为所述电压反馈信号片段波形语义特征向量的序列，所述基于卷积神经网络模型的电压反馈信号波形特征提取器的第一层的输入为所述电压反馈信号片段的序列。
值得注意的是，卷积神经网络（Convolutional Neural Network，CNN）是一种广泛应用于计算机视觉领域的深度学习模型。CNN的核心思想是利用卷积层、池化层和全连接层等组件来构建网络结构，通过多层的卷积和池化操作来提取输入数据的特征，并通过全连接层进行分类或回归任务。下面是CNN的一般步骤：输入层：接收输入数据，通常是图像数据；卷积层：卷积层是CNN的核心组件之一。它使用一组可学习的卷积核（滤波器）对输入数据进行卷积操作，以提取图像中的局部特征。卷积操作通过滑动卷积核在输入数据上进行计算，生成特征图。每个卷积核可以学习不同的特征，如边缘、纹理等；激活函数：对卷积层的输出进行非线性变换，引入非线性特性。常用的激活函数有ReLU、Sigmoid、Tanh等；池化层：池化层用于减小特征图的空间尺寸，同时保留重要的特征。最常见的池化操作是最大池化，它在每个池化窗口中选择最大值作为池化结果；重复卷积和池化操作：通常，在CNN中会多次堆叠卷积层和池化层，以逐渐提取更高级别的特征；全连接层：在经过多次卷积和池化操作后，将得到的特征图展平为一维向量，并连接到全连接层中。全连接层的神经元与前一层的所有神经元相连，通常用于最终的分类或回归任务；输出层：根据具体任务，输出层可以采用不同的激活函数和损失函数。例如，对于分类任务，可以使用Softmax激活函数和交叉熵损失函数；反向传播：通过反向传播算法，根据损失函数计算梯度，并利用梯度下降法更新网络参数，以最小化损失函数。通过以上步骤，CNN能够从输入数据中学习到逐渐抽象和高级的特征表示，从而在图像分类、目标检测、图像分割等计算机视觉任务中取得优秀的性能。
具体地，所述信号片段波形语义波动特征度量模块354，用于计算所述电压反馈信号片段波形语义特征向量的序列中任意两个电压反馈信号片段波形语义特征向量之间的片段波形语义波动特征度量系数以得到多个片段波形语义波动特征度量系数。考虑到在自适应恒流恒压控制中，为了能够对于反馈电压信号的稳定性进行检测和判断，以此进行工作模式的自适应控制，还需要对于这些局部波形片段语义进行关联分析以进行片段波形语义波动特征度量。基于此在，为了能够判断电压反馈信号的稳定性，并将其作为切换恒流源控制模式和恒压源控制模式的依据，在本申请的技术方案中，进一步计算所述电压反馈信号片段波形语义特征向量的序列中任意两个电压反馈信号片段波形语义特征向量之间的片段波形语义波动特征度量系数以得到多个片段波形语义波动特征度量系数。应可以理解，由于所述电压反馈信号片段波形语义特征向量的序列是对每个片段的波形进行特征提取后得到的向量表示，这些特征向量包含了片段的电压反馈信号波形的语义特征信息，例如振幅、频率、相位等。通过计算任意两个片段波形语义特征向量之间的波动特征度量系数，可以衡量它们之间的差异程度，以此来综合评估电压反馈信号的波动特征。更具体地，以如下波动度量公式计算所述电压反馈信号片段波形语义特征向量的序列中任意两个电压反馈信号片段波形语义特征向量之间的片段波形语义波动特征度量系数以得到所述多个片段波形语义波动特征度量系数；其中，所述波动度量公式为：
其中，和/>分别是所述电压反馈信号片段波形语义特征向量的序列中任意两个电压反馈信号片段波形语义特征向量的各个位置的特征值，/>是所述电压反馈信号片段波形语义特征向量的序列中任意两个电压反馈信号片段波形语义特征向量的尺度，/>是所述多个片段波形语义波动特征度量系数中的各个片段波形语义波动特征度量系数。
具体地，所述电压反馈信号全局波形特征分析模块355，用于对所述多个片段波形语义波动特征度量系数进行电压反馈信号全局波形特征分析以得到电压反馈信号全局波形拓扑特征。特别地，在本申请的一个具体示例中，如图5所示，所述电压反馈信号全局波形特征分析模块355，包括：片段波形语义波动特征度量系数排列单元3551，用于将所述多个片段波形语义波动特征度量系数进行矩阵排列以得到电压反馈信号全局波形拓扑矩阵；电压反馈信号全局波形拓扑特征提取单元3552，用于将所述电压反馈信号全局波形拓扑矩阵通过基于卷积神经网络模型的全局波动拓扑特征提取器以得到电压反馈信号全局波形拓扑特征矩阵作为所述电压反馈信号全局波形拓扑特征。
更具体地，所述片段波形语义波动特征度量系数排列单元3551，用于将所述多个片段波形语义波动特征度量系数进行矩阵排列以得到电压反馈信号全局波形拓扑矩阵。考虑到在自适应恒流恒压控制中，各个所述电压反馈信号的波动特征度量系数反映了不同波形片段之间的波形差异程度。而所述各个电压反馈信号的片段波形语义特征之间具有着基于电压反馈信号的波形图整体的空间关联关系，这就会使得所述各个电压反馈信号的波动特征度量系数之间也存在着空间的关联性。基于此，在本申请的技术方案中，进一步将所述多个片段波形语义波动特征度量系数进行矩阵排列以得到电压反馈信号全局波形拓扑矩阵。通过将这些度量系数排列成矩阵的形式，可以更直观地展示不同片段之间的关系，并提供更全面的波动特征信息。
更具体地，所述电压反馈信号全局波形拓扑特征提取单元3552，用于将所述电压反馈信号全局波形拓扑矩阵通过基于卷积神经网络模型的全局波动拓扑特征提取器以得到电压反馈信号全局波形拓扑特征矩阵作为所述电压反馈信号全局波形拓扑特征。也就是，将所述电压反馈信号全局波形拓扑矩阵通过基于卷积神经网络模型的全局波动拓扑特征提取器中进行特征提取，以提取出所述电压反馈信号的波形波动拓扑关联特征信息，从而得到电压反馈信号全局波形拓扑特征矩阵，以有利于判断电压反馈信号的稳定性。在一个具体示例中，将所述电压反馈信号全局波形拓扑矩阵通过基于卷积神经网络模型的全局波动拓扑特征提取器中进行特征提取以得到所述电压反馈信号全局波形拓扑特征矩阵，包括：使用所述基于卷积神经网络模型的全局波动拓扑特征提取器的各层在层的正向传递中分别对输入数据进行：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沿通道维度的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，所述基于卷积神经网络模型的全局波动拓扑特征提取器的最后一层的输出为所述电压反馈信号全局波形拓扑特征矩阵，所述基于卷积神经网络模型的全局波动拓扑特征提取器的第一层的输入为所述电压反馈信号全局波形拓扑矩阵。
值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述多个片段波形语义波动特征度量系数进行电压反馈信号全局波形特征分析以得到电压反馈信号全局波形拓扑特征，例如：将多个片段波形的语义波动特征度量系数整合成一个全局的特征向量或特征矩阵，以便进行全局波形特征分析；使用傅里叶变换或其他频谱分析方法，分析波形的频谱特征，以了解信号的频率成分和频域特征；对波形进行时域分析，例如计算均值、方差、峰值等统计特征，以了解信号的整体波形特征；基于信号处理和特征提取技术，提取电压反馈信号的拓扑特征；根据分析结果，得到电压反馈信号的全局波形拓扑特征。
具体地，所述模式切换模块356，用于基于所述电压反馈信号全局波形拓扑特征，确定是否切换至恒流源控制模式。也就是，在本申请的技术方案中，将所述电压反馈信号全局波形拓扑特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否切换至恒流源控制模式。具体来说，利用所述电压反馈信号的波形波动拓扑关联特征信息来进行分类处理，以此根据反馈信号的稳定性来实现恒流源控制模式和恒压源控制模式的自适应切换。特别地，在本申请的一个具体示例中，在工况恶劣、电压跨度大的情况下，系统以恒流控制模式工作；在较高荷电和除尘要求下，系统以恒压控制模式工作。这样可以根据不同的工况需求进行适应性选择，实现智能化的运行。更具体地，将所述电压反馈信号全局波形拓扑特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否切换至恒流源控制模式，包括：将所述电压反馈信号全局波形拓扑特征矩阵基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及；将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于卷积神经网络模型的电压反馈信号波形特征提取器、所述基于卷积神经网络模型的全局波动拓扑特征提取器和所述分类器进行训练。也就是说，根据本申请的自适应恒流恒压控制高压电源300，还包括训练阶段，用于对所述基于卷积神经网络模型的电压反馈信号波形特征提取器、所述基于卷积神经网络模型的全局波动拓扑特征提取器和所述分类器进行训练。
图3为根据本申请实施例的自适应恒流恒压控制高压电源的训练阶段的框图。如图3所示，根据本申请实施例的自适应恒流恒压控制高压电源300，包括：训练阶段400，包括：训练数据获取单元410，用于获取训练数据，所述训练数据包括由所述高压分压器采集的训练电压反馈信号；信号切分单元420，用于对所述训练电压反馈信号进行信号切分以得到训练电压反馈信号片段的序列；训练信号片段波形语义特征提取单元430，用于通过基于卷积神经网络模型的电压反馈信号波形特征提取器对所述训练电压反馈信号片段的序列进行特征提取以得到训练电压反馈信号片段波形语义特征向量的序列；训练信号片段波形语义波动特征度量单元440，用于计算所述训练电压反馈信号片段波形语义特征向量的序列中任意两个训练电压反馈信号片段波形语义特征向量之间的片段波形语义波动特征度量系数以得到多个训练片段波形语义波动特征度量系数；排列单元450，用于将所述多个训练片段波形语义波动特征度量系数进行矩阵排列以得到训练电压反馈信号全局波形拓扑矩阵；训练信号全局波形拓扑特征提取单元460，用于将所述训练电压反馈信号全局波形拓扑矩阵通过基于卷积神经网络模型的全局波动拓扑特征提取器以得到训练电压反馈信号全局波形拓扑特征矩阵作为所述电压反馈信号全局波形拓扑特征；损失函数计算单元470，用于计算所述训练电压反馈信号片段波形语义特征向量的序列和所述训练电压反馈信号全局波形拓扑特征矩阵之间的损失函数值；分类损失单元480，用于将所述训练电压反馈信号全局波形拓扑特征矩阵通过分类器以得到分类损失函数值；加权单元490，用于计算所述损失函数值和所述分类损失函数值之间的加权和作为最终损失函数值;训练单元500，用于基于所述最终损失函数值对所述基于卷积神经网络模型的电压反馈信号波形特征提取器、所述基于卷积神经网络模型的全局波动拓扑特征提取器和所述分类器进行训练。
特别地，在上述技术方案中，所述电压反馈信号片段波形语义特征向量的序列表达所述电压反馈信号的信号波形图像的图像语义特征，而在计算所述电压反馈信号片段波形语义特征向量的序列中任意两个电压反馈信号片段波形语义特征向量之间的片段波形语义波动特征度量系数，并将由片段波形语义波动特征度量系数进行矩阵排列得到的所述电压反馈信号全局波形拓扑矩阵通过基于卷积神经网络模型的全局波动拓扑特征提取器后，所述电压反馈信号全局波形拓扑特征矩阵可以表达信号波形图像在局部图像源语义空间下的图像语义特征在全局图像特征语义空间语义度量拓扑下的拓扑关联表示，由此，所述电压反馈信号全局波形拓扑特征矩阵相对于所述电压反馈信号片段波形语义特征向量的序列在整体特征分布维度上的特征群密度表示也会具有差异，这样，在模型整体训练时，所述基于卷积神经网络模型的电压反馈信号波形特征提取器与所述基于卷积神经网络模型的全局波动拓扑特征提取器之间会存在迭代不均衡，影响模型的整体训练效率。因此，本申请的申请人考虑提升所述电压反馈信号片段波形语义特征向量的序列和所述电压反馈信号全局波形拓扑特征矩阵的特征群密度表示一致性，从而进一步引入了针对所述电压反馈信号片段波形语义特征向量的序列和所述电压反馈信号全局波形拓扑特征矩阵的特定损失函数，表示为：
其中是所述电压反馈信号片段波形语义特征向量的序列级联后得到的第一特征向量，/>是所述电压反馈信号全局波形拓扑特征矩阵展开后得到的第二特征向量，/>是特征向量的长度，且/>表示向量的二范数的平方，/>表示按位置作差，/>（）表示指数运算，/>是所述损失函数。这里，所述损失函数基于特征群密度来进行群计数注意力，其通过将群计数作为输出特征群密度的递归映射，来进行所述电压反馈信号片段波形语义特征向量的序列和所述电压反馈信号全局波形拓扑特征矩阵之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型，可以使得模型针对所述电压反馈信号片段波形语义特征向量的序列和所述电压反馈信号全局波形拓扑特征矩阵的特征分布下的不同密度模式来避免过估计和欠估计，并学习特征值分布与群密度分布之间的对应关系，从而实现具有不同特征密度的所述电压反馈信号片段波形语义特征向量的序列和所述电压反馈信号全局波形拓扑特征矩阵之间的特征群密度表示一致性优化，以提升模型的整体训练效率。这样，能够根据反馈信号的稳定性来实现恒流源控制模式和恒压源控制模式的自适应切换，从而实现了高压电源的自适应恒流恒压控制功能，提高了设备的稳定性和适应性，并满足了不同工况下的需求。
如上所述，根据本申请实施例的自适应恒流恒压控制高压电源300可以实现在各种无线终端中。在一种可能的实现方式中，根据本申请实施例的自适应恒流恒压控制高压电源300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该自适应恒流恒压控制高压电源300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该自适应恒流恒压控制高压电源300同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该自适应恒流恒压控制高压电源300与该无线终端也可以是分立的设备，并且该自适应恒流恒压控制高压电源300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种自适应恒流恒压控制高压电源，包括电源、固态电气开关、直流电流互感器、高压分压器和嵌入式控制系统，其特征在于，所述嵌入式控制系统用于基于电压反馈信号来控制所述自适应恒流恒压控制高压电源的工作模式，所述工作模式包括恒流源控制模式和恒压源控制模式；
其中，所述嵌入式控制系统，包括：
电压反馈信号采集模块，用于获取由所述高压分压器采集的电压反馈信号；
信号切分模块，用于对所述电压反馈信号进行信号切分以得到电压反馈信号片段的序列；
信号片段波形语义特征提取模块，用于通过基于深度神经网络模型的电压反馈信号波形特征提取器对所述电压反馈信号片段的序列进行特征提取以得到电压反馈信号片段波形语义特征向量的序列；
信号片段波形语义波动特征度量模块，用于计算所述电压反馈信号片段波形语义特征向量的序列中任意两个电压反馈信号片段波形语义特征向量之间的片段波形语义波动特征度量系数以得到多个片段波形语义波动特征度量系数；
电压反馈信号全局波形特征分析模块，用于对所述多个片段波形语义波动特征度量系数进行电压反馈信号全局波形特征分析以得到电压反馈信号全局波形拓扑特征；
模式切换模块，用于基于所述电压反馈信号全局波形拓扑特征，确定是否切换至恒流源控制模式。
2.根据权利要求1所述的自适应恒流恒压控制高压电源，其特征在于，所述固态电气开关为大功率IGBT，所述嵌入式控制系统为TMS320F28335高速DSP嵌入式控制系统。
3.根据权利要求2所述的自适应恒流恒压控制高压电源，其特征在于，所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的自适应恒流恒压控制高压电源，其特征在于，所述信号片段波形语义波动特征度量模块，用于：以如下波动度量公式计算所述电压反馈信号片段波形语义特征向量的序列中任意两个电压反馈信号片段波形语义特征向量之间的片段波形语义波动特征度量系数以得到所述多个片段波形语义波动特征度量系数；
其中，所述波动度量公式为：
其中，p(x)和q(x)分别是所述电压反馈信号片段波形语义特征向量的序列中任意两个电压反馈信号片段波形语义特征向量的各个位置的特征值，N是所述电压反馈信号片段波形语义特征向量的序列中任意两个电压反馈信号片段波形语义特征向量的尺度，Si是所述多个片段波形语义波动特征度量系数中的各个片段波形语义波动特征度量系数。
5.根据权利要求4所述的自适应恒流恒压控制高压电源，其特征在于，所述电压反馈信号全局波形特征分析模块，包括：
片段波形语义波动特征度量系数排列单元，用于将所述多个片段波形语义波动特征度量系数进行矩阵排列以得到电压反馈信号全局波形拓扑矩阵；
电压反馈信号全局波形拓扑特征提取单元，用于将所述电压反馈信号全局波形拓扑矩阵通过基于卷积神经网络模型的全局波动拓扑特征提取器以得到电压反馈信号全局波形拓扑特征矩阵作为所述电压反馈信号全局波形拓扑特征。
6.根据权利要求5所述的自适应恒流恒压控制高压电源，其特征在于，所述模式切换模块，用于：将所述电压反馈信号全局波形拓扑特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否切换至恒流源控制模式。
7.根据权利要求6所述的自适应恒流恒压控制高压电源，其特征在于，还包括用于对所述基于卷积神经网络模型的电压反馈信号波形特征提取器、所述基于卷积神经网络模型的全局波动拓扑特征提取器和所述分类器进行训练的训练模块。
8.根据权利要求7所述的自适应恒流恒压控制高压电源，其特征在于，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括由所述高压分压器采集的训练电压反馈信号；
信号切分单元，用于对所述训练电压反馈信号进行信号切分以得到训练电压反馈信号片段的序列；
训练信号片段波形语义特征提取单元，用于通过基于卷积神经网络模型的电压反馈信号波形特征提取器对所述训练电压反馈信号片段的序列进行特征提取以得到训练电压反馈信号片段波形语义特征向量的序列；
训练信号片段波形语义波动特征度量单元，用于计算所述训练电压反馈信号片段波形语义特征向量的序列中任意两个训练电压反馈信号片段波形语义特征向量之间的片段波形语义波动特征度量系数以得到多个训练片段波形语义波动特征度量系数；
排列单元，用于将所述多个训练片段波形语义波动特征度量系数进行矩阵排列以得到训练电压反馈信号全局波形拓扑矩阵；
训练信号全局波形拓扑特征提取单元，用于将所述训练电压反馈信号全局波形拓扑矩阵通过基于卷积神经网络模型的全局波动拓扑特征提取器以得到训练电压反馈信号全局波形拓扑特征矩阵作为所述电压反馈信号全局波形拓扑特征；
损失函数计算单元，用于计算所述训练电压反馈信号片段波形语义特征向量的序列和所述训练电压反馈信号全局波形拓扑特征矩阵之间的损失函数值；
分类损失单元，用于将所述训练电压反馈信号全局波形拓扑特征矩阵通过分类器以得到分类损失函数值；
加权单元，用于计算所述损失函数值和所述分类损失函数值之间的加权和作为最终损失函数值；
训练单元，用于基于所述最终损失函数值对所述基于卷积神经网络模型的电压反馈信号波形特征提取器、所述基于卷积神经网络模型的全局波动拓扑特征提取器和所述分类器进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311807697.9A CN117463506B (zh) | 2023-12-26 | 2023-12-26 | 自适应恒流恒压控制高压电源 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311807697.9A CN117463506B (zh) | 2023-12-26 | 2023-12-26 | 自适应恒流恒压控制高压电源 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117463506A CN117463506A (zh) | 2024-01-30 |
| CN117463506B true CN117463506B (zh) | 2024-03-22 |
Family
ID=89639945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311807697.9A Active CN117463506B (zh) | 2023-12-26 | 2023-12-26 | 自适应恒流恒压控制高压电源 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117463506B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118368774B (zh) * | 2024-06-18 | 2024-08-30 | 中节能晶和科技有限公司 | 基于通信的直流极性变换led照明集中控制方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0854939A (ja) * | 1994-08-12 | 1996-02-27 | Kyosan Electric Mfg Co Ltd | 電源制御装置の制御方法 |
| JP2001232241A (ja) * | 1999-12-15 | 2001-08-28 | Kawasaki Heavy Ind Ltd | 電気集塵機およびその電源装置 |
| JP2002192342A (ja) * | 2000-12-28 | 2002-07-10 | Origin Electric Co Ltd | 放電用電源 |
| WO2009079823A1 (fr) * | 2007-12-14 | 2009-07-02 | Yue Zhang | Bloc d'alimentation pour précipitateur électrostatique |
| CN101499355A (zh) * | 2008-10-20 | 2009-08-05 | 大连美恒时代科技有限公司 | 一种电磁铁掉电后的保磁系统 |
| CN102427262A (zh) * | 2011-12-13 | 2012-04-25 | 南京理工大学 | 基于超级电容的电梯制动能量回馈与控制系统 |
| CN102916440A (zh) * | 2012-09-20 | 2013-02-06 | 中国电力科学研究院 | 一种基于电池储能系统的功率转换系统及其控制方法 |
| CN106992699A (zh) * | 2016-01-21 | 2017-07-28 | 华润矽威科技（上海）有限公司 | 一种原边反馈恒流恒压控制电路及方法 |
| CN107093894A (zh) * | 2016-02-17 | 2017-08-25 | 中国科学院声学研究所 | 一种适用于海底恒流供电系统的水下恒流恒压转换装置 |
| CN107798455A (zh) * | 2017-06-14 | 2018-03-13 | 中国航空综合技术研究所 | 一种削减产品制造过程中质量波动的方法 |
| WO2021103135A1 (zh) * | 2019-11-25 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
| CN116151561A (zh) * | 2023-02-02 | 2023-05-23 | 国网河南省电力公司滑县供电公司 | 一种电力系统运行安全态势辨识方法及系统 |
| CN116633142A (zh) * | 2023-01-31 | 2023-08-22 | 广州金升阳科技有限公司 | 一种开关电源的控制方法及其控制系统 |
-
2023
- 2023-12-26 CN CN202311807697.9A patent/CN117463506B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0854939A (ja) * | 1994-08-12 | 1996-02-27 | Kyosan Electric Mfg Co Ltd | 電源制御装置の制御方法 |
| JP2001232241A (ja) * | 1999-12-15 | 2001-08-28 | Kawasaki Heavy Ind Ltd | 電気集塵機およびその電源装置 |
| JP2002192342A (ja) * | 2000-12-28 | 2002-07-10 | Origin Electric Co Ltd | 放電用電源 |
| WO2009079823A1 (fr) * | 2007-12-14 | 2009-07-02 | Yue Zhang | Bloc d'alimentation pour précipitateur électrostatique |
| CN101499355A (zh) * | 2008-10-20 | 2009-08-05 | 大连美恒时代科技有限公司 | 一种电磁铁掉电后的保磁系统 |
| CN102427262A (zh) * | 2011-12-13 | 2012-04-25 | 南京理工大学 | 基于超级电容的电梯制动能量回馈与控制系统 |
| CN102916440A (zh) * | 2012-09-20 | 2013-02-06 | 中国电力科学研究院 | 一种基于电池储能系统的功率转换系统及其控制方法 |
| CN106992699A (zh) * | 2016-01-21 | 2017-07-28 | 华润矽威科技（上海）有限公司 | 一种原边反馈恒流恒压控制电路及方法 |
| CN107093894A (zh) * | 2016-02-17 | 2017-08-25 | 中国科学院声学研究所 | 一种适用于海底恒流供电系统的水下恒流恒压转换装置 |
| CN107798455A (zh) * | 2017-06-14 | 2018-03-13 | 中国航空综合技术研究所 | 一种削减产品制造过程中质量波动的方法 |
| WO2021103135A1 (zh) * | 2019-11-25 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
| CN116633142A (zh) * | 2023-01-31 | 2023-08-22 | 广州金升阳科技有限公司 | 一种开关电源的控制方法及其控制系统 |
| CN116151561A (zh) * | 2023-02-02 | 2023-05-23 | 国网河南省电力公司滑县供电公司 | 一种电力系统运行安全态势辨识方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117463506A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117463506B (zh) | 自适应恒流恒压控制高压电源 | |
| Koskela et al. | Temporal sequence processing using recurrent SOM | |
| CN109376786A (zh) | 一种图像分类方法、装置、终端设备及可读存储介质 | |
| CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
| CN110174610B (zh) | 一种基于卷积神经网络来获取交流接触器电寿命的方法 | |
| CN107257351B (zh) | 一种基于灰色lof流量异常检测系统及其检测方法 | |
| CN112729381B (zh) | 一种基于神经网络的高压断路器的故障诊断方法 | |
| CN110427835B (zh) | 图卷积网络与迁移学习的电磁信号识别方法和装置 | |
| CN116683648B (zh) | 一种智能型配电柜及其控制系统 | |
| CN108918111A (zh) | 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 | |
| CN114254668A (zh) | 基于绝缘开关设备放电信号的故障检测方法和装置 | |
| CN117034123A (zh) | 健身器材的故障监控系统及其方法 | |
| CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
| CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
| CN116559650A (zh) | 一种基于多维熵距的自动转换开关故障识别方法 | |
| CN117332300A (zh) | 基于自注意力改进域适应网络的运动想象脑电分类方法 | |
| CN117404853B (zh) | 隧道掘进机外用循环水冷却系统及方法 | |
| CN114021424B (zh) | 一种基于pca-cnn-lvq的电压暂降源识别方法 | |
| CN115201627A (zh) | 基于皮尔森相关系数与小波包分解的线路接地故障定位法 | |
| CN113489514B (zh) | 基于自组织映射神经网络的电力线通信噪声识别方法及装置 | |
| CN118040675A (zh) | 一种电力系统的暂态稳定评估方法、装置、设备及介质 | |
| CN114359167A (zh) | 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法 | |
| CN113837122A (zh) | 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统 | |
| CN117192416A (zh) | 基于bms系统的蓄电池监测系统及方法 | |
| CN111008596A (zh) | 基于特征期望子图校正分类的异常视频清洗方法 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Adaptive constant current and constant voltage control high-voltage power supply Granted publication date: 20240322 Pledgee: Industrial and Commercial Bank of China Limited Jinhua Branch Pledgor: ZHEJIANG JIAHUAN ELECTRONIC CO.,LTD. Registration number: Y2024980028591 |