CN117784617A - 模块控制方法、装置、计算机设备、存储介质和产品 - Google Patents
模块控制方法、装置、计算机设备、存储介质和产品 Download PDFInfo
- Publication number
- CN117784617A CN117784617A CN202410206938.2A CN202410206938A CN117784617A CN 117784617 A CN117784617 A CN 117784617A CN 202410206938 A CN202410206938 A CN 202410206938A CN 117784617 A CN117784617 A CN 117784617A
- Authority
- CN
- China
- Prior art keywords
- parallel system
- module parallel
- module
- carrying capacity
- predicted
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004590 computer program Methods 0.000 claims description 31
- 238000010586 diagram Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- QERYCTSHXKAMIS-UHFFFAOYSA-M thiophene-2-carboxylate Chemical compound [O-]C(=O)C1=CC=CS1 QERYCTSHXKAMIS-UHFFFAOYSA-M 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种模块控制方法、装置、计算机设备、存储介质和产品。所述方法包括：获取多模块并联系统的带载量预测模型；所述带载量预测模型是基于初始带载量预测模型和所述多模块并联系统在历史时间段的历史带载量构建得到的；将所述多模块并联系统在当前时段的带载量输入至所述带载量预测模型，得到所述多模块并联系统在下一时段的预测带载量；根据所述预测带载量，对所述多模块并联系统中的模块进行控制。采用本方法能够降低多模块并联系统的功耗。
Description
技术领域
本申请涉及模块控制技术领域，特别是涉及一种模块控制方法、装置、计算机设备、存储介质和产品。
背景技术
多模块并联系统是指多个模块或设备并联在一起，共同完成一个任务或多个任务的复杂系统。该系统通常由多个模块组成，每个模块具有独立的功能和作用，通过相互协作和配合，实现整个系统的功能。常见的多模块并联系统有电源管理系统、开关电源模块并联供电系统等。
在多模块并联系统中，常采用均流法进行功率均衡，以提高多模块并联系统的稳定性、可靠性。但是，在采用均流法时，多模块并联系统在空载或带轻载的情况下，功耗较大。
发明内容
基于此，有必要针对上述技术问题，提供一种能够在空载或带轻载的情况下降低功耗的模块控制方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种模块控制方法。所述方法包括：
获取多模块并联系统的带载量预测模型；所述带载量预测模型是基于初始带载量预测模型和所述多模块并联系统在历史时间段的历史带载量构建得到的；
将所述多模块并联系统在当前时段的带载量输入至所述带载量预测模型，得到所述多模块并联系统在下一时段的预测带载量；
根据所述预测带载量，对所述多模块并联系统中的模块进行控制。
在其中一个实施例中，所述获取多模块并联系统的带载量预测模型，包括：
根据第一历史时间段下所述多模块并联系统的带载量所服从的高斯分布的第一参数，确定所述多模块并联系统的带载量在第二历史时间段的概率分布；所述第一历史时间段为所述第二历史时间段的上一个时间段；
根据在所述第二历史时间段的概率分布，确定所述第二历史时间段下所述多模块并联系统的带载量；
基于所述第二历史时间段下所述多模块并联系统的带载量，确定所述第二历史时间段下所述多模块并联系统的带载量所服从的高斯分布的第二参数；
根据所述第二参数对所述初始带载量预测模型的模型参数进行更新，以得到所述带载量预测模型。
在其中一个实施例中，所述根据所述预测带载量，对所述多模块并联系统中的模块进行控制，包括：
若所述预测带载量小于所述当前时段的带载量，则在所述预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制所述多模块并联系统中的n个模块处于开启状态，直到在所述预测带载量小于n-1倍的第一阈值的情况下，控制第n个模块关闭；所述n大于等于2，所述第一阈值小于所述第二阈值。
在其中一个实施例中，所述方法还包括：
若所述预测带载量大于所述当前时段的带载量，则在所述预测带载量不大于第二阈值的情况下，控制所述多模块并联系统中的一个模块处于开启状态。
在其中一个实施例中，所述方法还包括：
若所述预测带载量大于所述当前时段的带载量，则在所述预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制所述多模块并联系统中的n-1个模块处于开启状态，直到在所述预测带载量大于n-1倍的第二阈值的情况下，控制第n个模块开启；所述n为大于等于2的整数，所述第一阈值小于所述第二阈值。在其中一个实施例中，所述方法还包括：
在所述多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值的情况下，则利用电压电流双闭环PI控制器对所述多模块并联系统的输出电压进行控制；
若所述多模块并联系统的输出电压小于所述第三预设阈值，则控制所述多模块并联系统工作在最大占空比，直到所述多模块并联系统的输出电压大于所述第三预设阈值且小于所述第四预设阈值；
若所述多模块并联系统的输出电压大于所述第四预设阈值，则控制所述多模块并联系统工作在最小占空比，直到所述多模块并联系统的输出电压大于所述第三预设阈值且小于所述第四预设阈值。
第二方面，本申请还提供了一种模块控制装置。所述装置包括：
预测模型获取模块，用于获取多模块并联系统的带载量预测模型；所述带载量预测模型是基于初始带载量预测模型和所述多模块并联系统在历史时间段的历史带载量构建得到的；
预测模块，用于将所述多模块并联系统在当前时段的带载量输入至所述带载量预测模型，得到所述多模块并联系统在下一时段的预测带载量；
控制模块，用于根据所述预测带载量，对所述多模块并联系统中的模块进行控制。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一项所述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述第一方面任一项所述的方法的步骤。
上述模块控制方法、装置、计算机设备、存储介质和产品，其中，带载量预测模型是基于初始带载量预测模型和多模块并联系统在历史时间段的历史带载量构建得到的，此时，再根据预测带载量对多模块并联系统中的模块进行控制，能结合预测带载量的大小对多模块并联系统中的模块进行开启或关闭，以适应预测带载量的需要，进而，在空载或带轻载的情况下，只需要根据空载或带轻载对应的带载需求对多模块并联系统中的模块进行开启或关闭，相比传统方法中，在空载或带轻载的情况下，将多模块并联系统中的所有模块均开启，降低了多模块并联系统的功耗。
附图说明
图1为一个实施例中模块控制方法的应用环境图；
图2为一个实施例中模块控制方法的流程示意图；
图3为一个实施例中DeepAR模型的训练过程的示意图；
图4为一个实施例中获取多模块并联系统的带载量预测模型的流程示意图；
图5为一个实施例中若多模块并联系统的输出电压小于VL，则控制多模块并联系统工作在最大占空比的过程中，多模块并联系统的输出电压和输出电流的变化的示意图；
图6为一个实施例中若多模块并联系统的输出电压大于VH，则在控制多模块并联系统工作在最小占空比的过程中，多模块并联系统的输出电压和输出电流的变化的示意图；
图7为一个示例性的实施例中一种模块控制方法的流程示意图；
图8为一个示例性的实施例中一种模块控制方法的控制流程示意图；
图9为一个示例性的实施例中传统方法下多模块并联系统的工作效率曲线和本申请中模块控制方法下多模块并联系统的工作效率曲线的示意图；
图10为另一个示例性的实施例中传统方法下多模块并联系统的工作效率曲线和本申请中模块控制方法下多模块并联系统的工作效率曲线的示意图；
图11为一个实施例中一种模块控制装置的示意图；
图12为一个实施例中服务器的内部结构图；
图13为一个实施例中终端的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的模块控制方法，可以应用于如图1所示的应用环境中。其中，计算机设备102通过获取多模块并联系统的带载量预测模型；带载量预测模型是基于初始带载量预测模型和多模块并联系统在历史时间段的历史带载量构建得到的；将多模块并联系统在当前时段的带载量输入至带载量预测模型，得到多模块并联系统在下一时段的预测带载量；根据预测带载量，对多模块并联系统中的模块进行控制。其中，计算机设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。
在一个实施例中，如图2所示，提供了一种模块控制方法，以该方法应用于图1中的计算机设备102为例进行说明，包括以下步骤：
步骤202，获取多模块并联系统的带载量预测模型；带载量预测模型是基于初始带载量预测模型和多模块并联系统在历史时间段的历史带载量构建得到的。
其中，初始带载量预测模型可以是DeepAR（deep autoregressive recurrentnetwork，深度自回归预测网络）模型，该模型是一种自回归模型。DeepAR模型在进行时序预测时，将多步预测转化为多个递归式的单步预测来进行，如将t+1时刻的预测结果对t+2时刻的结果进行预测，再将t+2时刻的预测结果对t+3时刻的结果进行预测，依次类推。
其中，DeepAR模型的训练过程如图3所示。DeepAR模型的包括四层结构，从上至下依次为输出层、密集连接层、网络层和输入层，其中，以图3中最左侧的一次训练为例，在第i时序下，输入层的数据中，是t-1时刻DeepAR模型的外生变量，/>是t-2时刻多模块并联系统的带载量，/>是输入层的数据输入至网络层后得到的输出，/>经过密集连接层中损失函数的处理得到/>，/>表示输出层对应的输出数据，即t-1时刻多模块并联系统的带载量。该次训练可理解为将t-2时刻多模块并联系统的带载量输入至DeepAR模型，得到t-1时刻多模块并联系统的带载量。
可选地，获取多模块并联系统在历史时间段的历史带载量，将多模块并联系统在历史时间段的历史带载量作为训练样本，对DeepAR模型进行训练，直到达到预设训练次数，得到多模块并联系统的带载量预测模型。
步骤204，将多模块并联系统在当前时段的带载量输入至带载量预测模型，得到多模块并联系统在下一时段的预测带载量。
可选地，在第i时序下，假设当前时段为，当前时段的带载量为/>，下一时段为[t0,T] ，将当前时段的带载量/>输入至带载量预测模型，得到下一时段的预测带载量/>。
步骤206，根据预测带载量，对多模块并联系统中的模块进行控制。
可选地，根据预测带载量与当前时段的带载量的大小关系，对多模块并联系统中的模块进行控制。例如，多模块并联系统包括2个模块，根据多模块并联系统在当前时段的带载情况，确定多模块并联系统在当前时段的带载量，预测带载量大于当前时段的带载量时，在预测带载量大于第二预设阈值的情况下，控制多模块并联系统中的2个模块处于开启状态。
上述模块控制方法中，获取多模块并联系统的带载量预测模型；带载量预测模型是基于初始带载量预测模型和多模块并联系统在历史时间段的历史带载量构建得到的；将多模块并联系统在当前时段的带载量输入至带载量预测模型，得到多模块并联系统在下一时段的预测带载量；根据预测带载量，对多模块并联系统中的模块进行控制。其中，带载量预测模型是基于初始带载量预测模型和多模块并联系统在历史时间段的历史带载量构建得到的，此时，再根据预测带载量对多模块并联系统中的模块进行控制，能结合预测带载量的大小对多模块并联系统中的模块进行开启或关闭，以适应预测带载量的需要，进而，在空载或带轻载的情况下，只需要根据空载或带轻载对应的带载需求对多模块并联系统中的模块进行开启或关闭，相比传统方法中，在空载或带轻载的情况下，将多模块并联系统中的所有模块均开启，降低了多模块并联系统的功耗。
在一个实施例中，获取多模块并联系统的带载量预测模型，流程如图4所示，包括：
步骤402，根据第一历史时间段下多模块并联系统的带载量所服从的高斯分布的第一参数，确定多模块并联系统的带载量在第二历史时间段的概率分布；第一历史时间段为第二历史时间段的上一个时间段。
可选地，高斯分布的概率密度函数如公式（1）所示。
(1)
公式（1）中，为高斯分布的均值，/>为高斯分布的标准差。/>和/>为高斯分布的第一参数。
在第i时序下，假设第一历史时间段为，第一历史时间段的带载量为服从高斯分布，第二历史时间段为[t0,T]，那么，第二历史时间段的概率分布的计算公式如公式（2）所示。
(2)
公式（2）中，为第二历史时间段的概率分布，/>为DeepAR模型的模型参数，/>为第二历史时间段的带载量，/>为第一历史时间段的带载量，/>为DeepAR模型在时段[1,T]的协变量，/>为t时刻的带载量，/>为t时刻的DeepAR模型中网络层的输出，/>为DeepAR模型中的似然函数。
根据公式（2），得到第二历史时间段的概率分布 。
步骤404，根据在第二历史时间段的概率分布，确定第二历史时间段下多模块并联系统的带载量。
可选地，根据公式（2），得到第二历史时间段的概率分布，在/>和/>已知的前提下，得到第二历史时间段的带载量/>。
步骤406，基于第二历史时间段下多模块并联系统的带载量，确定第二历史时间段下多模块并联系统的带载量所服从的高斯分布的第二参数。
可选地，第二历史时间段的带载量服从高斯分布，根据公式（1），得到第二历史时间段的带载量对应的高斯分布的第二参数。
步骤408，根据第二参数对初始带载量预测模型的模型参数进行更新，以得到带载量预测模型。
可选地，根据第二参数对初始带载量预测模型的模型参数进行更新得到第一新模型参数，以完成第一次更新，接着执行第二次更新，第二更新过程如下：将第一新模型参数对应的模型作为第一新带载量预测模型，将第二历史时间段下多模块并联系统的带载量输入至第一新带载量预测模型，得到第三历史时间段下多模块并联系统的带载量，基于所述第三历史时间段下所述多模块并联系统的带载量，确定所述第三历史时间段下所述多模块并联系统的带载量所服从的高斯分布的第三参数，根据第三参数对第一新带载量预测模型的模型参数进行更新，得到第二新模型参数，以完成第二次更新，直到更新次数达到初始带载量预测模型的预设训练次数，将此时参数对应的模型作为带载量预测模型。其中，第三历史时间段为第二历史时间段的下一个时间段。
本实施例中，根据第一历史时间段下多模块并联系统的带载量所服从的高斯分布的第一参数，确定多模块并联系统的带载量在第二历史时间段的概率分布；第一历史时间段为第二历史时间段的上一个时间段；根据在第二历史时间段的概率分布，确定第二历史时间段下多模块并联系统的带载量；基于第二历史时间段下多模块并联系统的带载量，确定第二历史时间段下多模块并联系统的带载量所服从的高斯分布的第二参数；根据第二参数对初始带载量预测模型的模型参数进行更新，以得到带载量预测模型。其中，带载量预测模型是基于初始带载量预测模型和多模块并联系统在历史时间段的历史带载量构建得到的，能较为准确地对带载量进行预测，因此，基于带载量预测模型，得到的多模块并联系统在下一时段的预测带载量也就较为准确。
在一个实施例中，根据预测带载量，对多模块并联系统中的模块进行控制，包括：
若预测带载量小于当前时段的带载量，则在预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制多模块并联系统中的n个模块处于开启状态，直到在预测带载量小于n-1倍的第一阈值的情况下，控制第n个模块关闭；n大于等于2，第一阈值小于第二阈值。
可选地，第一阈值为工作效率为时多模块并联系统的带载量的下限值，表示为P1，第二阈值为工作效率为/>时多模块并联系统的带载量的上限值，表示为P2，第一阈值小于第二阈值。若预测带载量小于当前时段的带载量，则在预测带载量大于(n-1) ×P1且小于(n-1)×P2的情况下，控制多模块并联系统中的n个模块处于开启状态，直到在预测带载量小于(n-1) ×P1的情况下，控制第n个模块关闭。例如，n=2时，若预测带载量小于当前时段的带载量，在预测带载量大于P1且小于P2的情况下，控制多模块并联系统中的2个模块处于开启状态，直到在预测带载量小于P1的情况下，控制第2个模块关闭；n=3时，若预测带载量小于当前时段的带载量，在预测带载量大于2P1且小于2P2的情况下，控制多模块并联系统中的3个模块处于开启状态，直到在预测带载量小于2P1的情况下，控制第3个模块关闭。
本实施例中，若预测带载量小于当前时段的带载量，则在预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制多模块并联系统中的n个模块处于开启状态，直到在预测带载量小于n-1倍的第一阈值的情况下，控制第n个模块关闭；n大于等于2，第一阈值小于第二阈值。在预测带载量小于当前时段的带载量的情况下，使多模块并联系统能根据预测带载量的大小对各模块进行开启、关闭，以适应带载量的需求，减少了多模块并联系统的功耗。
在一个实施例中，方法还包括：
若预测带载量大于当前时段的带载量，则在预测带载量不大于第二阈值的情况下，控制多模块并联系统中的一个模块处于开启状态。
可选地，第一阈值为工作效率为时多模块并联系统的带载量的下限值，表示为P1，第二阈值为工作效率为/>时多模块并联系统的带载量的上限值，表示为P2，第一阈值小于第二阈值。若预测带载量大于当前时段的带载量，则在预测带载量不大于P2的情况下，控制多模块并联系统中的一个模块处于开启状态。例如，预测带载量为空载时，此时，预测带载量不大于P2，则控制多模块并联系统中的一个模块处于开启状态。
本实施例中，若预测带载量大于当前时段的带载量，则在预测带载量不大于第二阈值的情况下，控制多模块并联系统中的一个模块处于开启状态。在预测带载量不大于第二阈值的情况下，控制多模块并联系统中的一个模块处于开启状态，以适应带载量的需求，减少了多模块并联系统的功耗。
在一个实施例中，方法还包括：
若预测带载量大于当前时段的带载量，则在预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制多模块并联系统中的n-1个模块处于开启状态，直到在预测带载量大于n-1倍的第二阈值的情况下，控制第n个模块开启；n为大于等于2的整数，第一阈值小于所述第二阈值。
可选地，第一阈值为工作效率为时多模块并联系统的带载量的下限值，表示为P1，第二阈值为工作效率为/>时多模块并联系统的带载量的上限值，表示为P2。若预测带载量大于当前时段的带载量，则在预测带载量大于（n-1）×P1且小于（n-1）×P2的情况下，控制多模块并联系统中的n-1个模块处于开启状态。例如，n=2时，若预测带载量大于当前时段的带载量，则在预测带载量大于P1且小于P2的情况下，控制多模块并联系统中的1个模块处于开启状态，直到在预测带载量大于P2的情况下，控制第2个模块开启；n=3时，若预测带载量大于当前时段的带载量，则在预测带载量大于2P1且小于2P2的情况下，控制多模块并联系统中的2个模块处于开启状态，直到在预测带载量大于2P2的情况下，控制第3个模块开启。
本实施例中，若预测带载量大于当前时段的带载量，则在预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制多模块并联系统中的n-1个模块处于开启状态，直到在预测带载量大于n-1倍的第二阈值的情况下，控制第n个模块开启；n为大于等于2的整数，第一阈值小于所述第二阈值。在预测带载量大于当前时段的带载量的情况下，使多模块并联系统能根据预测带载量的大小对各模块进行开启，以适应带载量的需求，减少了多模块并联系统的功耗。
在一个实施例中，方法还包括：
在多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值的情况下，则利用电压电流双闭环PI控制器对多模块并联系统的输出电压进行控制。
其中，第三预设阈值为多模块并联系统的输出电压的下限值，表示为VL，第四预设阈值为多模块并联系统的输出电压的上限值，表示为VH。
可选地，在多模块并联系统的输出电压在区间[VL,VH]内时，则利用电压电流双闭环PI控制器对多模块并联系统的输出电压进行控制，保持多模块并联系统的输出电压的稳定。
若多模块并联系统的输出电压小于第三预设阈值，则控制多模块并联系统工作在最大占空比，直到多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值。
其中，第三预设阈值为多模块并联系统的输出电压的下限值，表示为VL。
可选地，若多模块并联系统的输出电压小于VL，则控制多模块并联系统工作在最大占空比，此时，多模块并联系统以最大的功率进行输出，输出电容中的能量被以最快的速度填补，因此输出电压开始以其最快速度上升，直到多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值。
可选地，若多模块并联系统的输出电压小于VL，则控制多模块并联系统工作在最大占空比的过程中，多模块并联系统的输出电压和输出电流的变化如图5所示。在[t1,t2]时段，多模块并联系统的输出电压减小至VL，输出电流增加且在此后保持不变，在[t2,t3]时段，控制多模块并联系统工作在最大占空比，多模块并联系统的输出电压逐渐增大，且大于VL，在[t3,t4]时段，多模块并联系统的输出电压有小幅度的跳变，在设置稳态占空比的情况下，跳变的幅度较小，在不设置稳态占空比的情况下，跳变的幅度较大。在t4时刻后，模块并联系统的输出电压保持不变，且大于VL。其中，VERR为多模块并联系统的输出电压与VH的差值。
若多模块并联系统的输出电压大于第四预设阈值，则控制多模块并联系统工作在最小占空比，直到多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值。
其中，第四预设阈值为多模块并联系统的输出电压的上限值，表示为VH。
可选地，若多模块并联系统的输出电压大于VH，则控制多模块并联系统工作在最小占空比，此时，屏蔽开关管的驱动信号，控制多模块并联系统的输入端停止向多模块并联系统的输出端传递能量，使多模块并联系统的输出电容中的能量都通过负载电阻快速消耗释放，进而使多模块并联系统的输出电压逐渐下降，直到多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值。
可选地，若多模块并联系统的输出电压大于VH，则在控制多模块并联系统工作在最小占空比的过程中，多模块并联系统的输出电压和输出电流的变化如图6所示。在[t1,t2]时段，多模块并联系统的输出电压增加至VH，输出电流减小且在此后保持不变，在[t2,t3]时段，控制多模块并联系统工作在最小占空比，多模块并联系统的输出电压逐渐减小，在[t3,t4]时段，多模块并联系统的输出电压有小幅度的增加，但未大于VH，在t4时刻后，模块并联系统的输出电压保持不变，且小于VH。其中，V为多模块并联系统的输出电压与VH的差值。
本实施例中，在多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值的情况下，则利用电压电流双闭环PI控制器对多模块并联系统的输出电压进行控制；若多模块并联系统的输出电压小于第三预设阈值，则控制多模块并联系统工作在最大占空比，直到多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值；若模块的输出电压大于第四预设阈值，则控制模块工作在最小占空比，直到模块的输出电压大于第三预设阈值且小于第四预设阈值。其中，根据多模块并联系统的输出电压与第三预设阈值、第四预设阈值的大小关系，采取不同的控制方法，可有效避免多模块并联系统中的模块在加载瞬间，可能存在的输出电压纹波过大问题。
在一个示例性的实施例中，提供了一种模块控制方法，流程如图7所示，包括：
步骤701，根据第一历史时间段下多模块并联系统的带载量所服从的高斯分布的第一参数，确定多模块并联系统的带载量在第二历史时间段的概率分布；第一历史时间段为第二历史时间段的上一个时间段。
步骤702，根据在第二历史时间段的概率分布，确定第二历史时间段下多模块并联系统的带载量。
步骤703，基于第二历史时间段下多模块并联系统的带载量，确定第二历史时间段下多模块并联系统的带载量所服从的高斯分布的第二参数。
步骤704，根据第二参数对初始带载量预测模型的模型参数进行更新，以得到带载量预测模型。
步骤705，将多模块并联系统在当前时段的带载量输入至带载量预测模型，得到多模块并联系统在下一时段的预测带载量。
步骤706，若预测带载量小于当前时段的带载量，则在预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制多模块并联系统中的n个模块处于开启状态，直到在预测带载量小于n-1倍的第一阈值的情况下，控制第n个模块关闭；n大于等于2，第一阈值小于第二阈值。
步骤707，若预测带载量大于当前时段的带载量，则在预测带载量不大于第二阈值的情况下，控制多模块并联系统中的一个模块处于开启状态。
步骤708，若预测带载量大于当前时段的带载量，则在预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制多模块并联系统中的n-1个模块处于开启状态，直到在预测带载量大于n-1倍的第二阈值的情况下，控制第n个模块开启；n为大于等于2的整数，第一阈值小于所述第二阈值。
上述模块控制方法，带载量预测模型是基于初始带载量预测模型和多模块并联系统在历史时间段的历史带载量构建得到的，此时，再根据预测带载量对多模块并联系统中的模块进行控制，能结合预测带载量的大小对多模块并联系统中的模块进行开启或关闭，以适应预测带载量的需要，进而，在空载或带轻载的情况下，只需要根据空载或带轻载对应的带载需求对多模块并联系统中的模块进行开启或关闭，相比传统方法中，在空载或带轻载的情况下，将多模块并联系统中的所有模块均开启，降低了多模块并联系统的功耗。
在一个示例性的实施例中，展示了一种模块控制方法的控制流程图，如图8所示。将多模块并联系统在当前时段的带载量输入至带载量预测模型，得到多模块并联系统在下一时段的预测带载量，若预测带载量小于第一阈值，则控制多模块并联系统中的一个模块处于开启状态，若预测带载量大于第二阈值，则控制多模块并联系统中的两个模块处于开启状态，若预测带载量大于当前时段的带载量，则在预测带载量不大于第二阈值且大于第一阈值的情况下，控制多模块并联系统中的一个模块处于开启状态，若预测带载量不大于当前时段的带载量，则在预测带载量不大于第二阈值且大于第一阈值的情况下，控制多模块并联系统中的两个模块处于开启状态；若预测带载量小于2倍的第一阈值，则控制多模块并联系统中的两个模块处于开启状态，若预测带载量大于2倍的第二阈值，则控制多模块并联系统中的三个模块处于开启状态，若预测带载量大于当前时段的带载量，则在预测带载量不大于2倍的第二阈值且大于2倍的第一阈值的情况下，控制多模块并联系统中的两个模块处于开启状态，若预测带载量不大于当前时段的带载量，则在预测带载量不大于2倍的第二阈值且大于2倍的第一阈值的情况下，控制多模块并联系统中的三个模块处于开启状态。依次类推，若预测带载量小于n-1倍的第一阈值，则控制多模块并联系统中的(n-1)个模块处于开启状态，若预测带载量大于n-1倍的第二阈值，则控制多模块并联系统中的n个模块处于开启状态，并将预测带载量平均分配给n个模块，若预测带载量大于当前时段的带载量，则在预测带载量不大于n-1倍的第二阈值且大于(n-1)倍的第一阈值的情况下，控制多模块并联系统中的(n-1)个模块处于开启状态，若预测带载量不大于当前时段的带载量，则在预测带载量不大于n-1倍的第二阈值且大于(n-1)倍的第一阈值的情况下，控制多模块并联系统中的n个模块处于开启状态，并将预测带载量平均分配给n个模块。
在一个示例性的实施例中，展示了传统方法下多模块并联系统的工作效率曲线和本申请中模块控制方法下多模块并联系统的工作效率曲线，如图9所示。其中，横坐标表示带载量，纵坐标表示工作效率，P1为工作效率为时多模块并联系统的带载量的下限值，P2为工作效率为/>时多模块并联系统的带载量的上限值。由图9可知，带载量在区间[P1, P2]内时，本申请中模块控制方法的工作效率较高。
在另一个示例性的实施例中，展示了传统方法下多模块并联系统的工作效率曲线和本申请中模块控制方法下多模块并联系统的工作效率曲线，如图10所示。其中，横坐标表示带载量，纵坐标表示工作效率，P1为工作效率为时多模块并联系统的带载量的下限值，P2为工作效率为/>时多模块并联系统的带载量的上限值。由图10可知，当带载量小于P1时，本申请中模块控制方法的工作效率较高，这是因为当带载量小于P1时，使用本申请中的模块控制方法时，多模块并联系统只开启了一个模块。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的模块控制方法的模块控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个模块控制装置实施例中的具体限定可以参见上文中对于模块控制方法的限定，在此不再赘述。
在一个实施例中，如图11所示，提供了一种模块控制装置1100，包括：预测模型获取模块1120、预测模块1140和控制模块1160，其中：
预测模型获取模块1120，用于获取多模块并联系统的带载量预测模型；带载量预测模型是基于初始带载量预测模型和多模块并联系统在历史时间段的历史带载量构建得到的；
预测模块1140，用于将多模块并联系统在当前时段的带载量输入至带载量预测模型，得到多模块并联系统在下一时段的预测带载量；
控制模块1160，用于根据预测带载量，对多模块并联系统中的模块进行控制。
在一个实施例中，预测模型获取模块1120，还用于根据第一历史时间段下多模块并联系统的带载量所服从的高斯分布的第一参数，确定多模块并联系统的带载量在第二历史时间段的概率分布；第一历史时间段为第二历史时间段的上一个时间段；根据在第二历史时间段的概率分布，确定第二历史时间段下多模块并联系统的带载量；基于第二历史时间段下多模块并联系统的带载量，确定第二历史时间段下多模块并联系统的带载量所服从的高斯分布的第二参数；根据第二参数对初始带载量预测模型的模型参数进行更新，以得到带载量预测模型。
在一个实施例中，控制模块1160，还用于若预测带载量小于当前时段的带载量，则在预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制多模块并联系统中的n个模块处于开启状态，直到在预测带载量小于n-1倍的第一阈值的情况下，控制第n个模块关闭；n大于等于2，第一阈值小于第二阈值。
在一个实施例中，控制模块1160，还用于若预测带载量大于当前时段的带载量，则在预测带载量不大于第二阈值的情况下，控制多模块并联系统中的一个模块处于开启状态。
在一个实施例中，控制模块1160，还用于若预测带载量大于当前时段的带载量，则在预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制多模块并联系统中的n-1个模块处于开启状态，直到在预测带载量大于n-1倍的第二阈值的情况下，控制第n个模块开启；n为大于等于2的整数，第一阈值小于所述第二阈值。
在一个实施例中，模块控制装置1100，还包括：
电压控制模块，用于在多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值的情况下，则利用电压电流双闭环PI控制器对多模块并联系统的输出电压进行控制；若多模块并联系统的输出电压小于第三预设阈值，则控制多模块并联系统工作在最大占空比，直到多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值；若多模块并联系统的输出电压大于第四预设阈值，则控制多模块并联系统工作在最小占空比，直到多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值。
上述模块控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储XX数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种模块控制方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种模块控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图12和图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取多模块并联系统的带载量预测模型；带载量预测模型是基于初始带载量预测模型和多模块并联系统在历史时间段的历史带载量构建得到的；
将多模块并联系统在当前时段的带载量输入至带载量预测模型，得到多模块并联系统在下一时段的预测带载量；
根据预测带载量，对多模块并联系统中的模块进行控制。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取多模块并联系统的带载量预测模型；带载量预测模型是基于初始带载量预测模型和多模块并联系统在历史时间段的历史带载量构建得到的；
将多模块并联系统在当前时段的带载量输入至带载量预测模型，得到多模块并联系统在下一时段的预测带载量；
根据预测带载量，对多模块并联系统中的模块进行控制。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取多模块并联系统的带载量预测模型；带载量预测模型是基于初始带载量预测模型和多模块并联系统在历史时间段的历史带载量构建得到的；
将多模块并联系统在当前时段的带载量输入至带载量预测模型，得到多模块并联系统在下一时段的预测带载量；
根据预测带载量，对多模块并联系统中的模块进行控制。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种模块控制方法，其特征在于，所述方法包括：
获取多模块并联系统的带载量预测模型；所述带载量预测模型是基于初始带载量预测模型和所述多模块并联系统在历史时间段的历史带载量构建得到的；
将所述多模块并联系统在当前时段的带载量输入至所述带载量预测模型，得到所述多模块并联系统在下一时段的预测带载量；
根据所述预测带载量，对所述多模块并联系统中的模块进行控制。
2.根据权利要求1所述的方法，其特征在于，所述获取多模块并联系统的带载量预测模型，包括：
根据第一历史时间段下所述多模块并联系统的带载量所服从的高斯分布的第一参数，确定所述多模块并联系统的带载量在第二历史时间段的概率分布；所述第一历史时间段为所述第二历史时间段的上一个时间段；
根据在所述第二历史时间段的概率分布，确定所述第二历史时间段下所述多模块并联系统的带载量；
基于所述第二历史时间段下所述多模块并联系统的带载量，确定所述第二历史时间段下所述多模块并联系统的带载量所服从的高斯分布的第二参数；
根据所述第二参数对所述初始带载量预测模型的模型参数进行更新，以得到所述带载量预测模型。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述预测带载量，对所述多模块并联系统中的模块进行控制，包括：
若所述预测带载量小于所述当前时段的带载量，则在所述预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制所述多模块并联系统中的n个模块处于开启状态，直到在所述预测带载量小于n-1倍的第一阈值的情况下，控制第n个模块关闭；所述n大于等于2，所述第一阈值小于所述第二阈值。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若所述预测带载量大于所述当前时段的带载量，则在所述预测带载量不大于第二阈值的情况下，控制所述多模块并联系统中的一个模块处于开启状态。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若所述预测带载量大于所述当前时段的带载量，则在所述预测带载量大于n-1倍的第一阈值且小于n-1倍的第二阈值的情况下，控制所述多模块并联系统中的n-1个模块处于开启状态，直到在所述预测带载量大于n-1倍的第二阈值的情况下，控制第n个模块开启；所述n为大于等于2的整数，所述第一阈值小于所述第二阈值。
6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
在所述多模块并联系统的输出电压大于第三预设阈值且小于第四预设阈值的情况下，则利用电压电流双闭环PI控制器对所述多模块并联系统的输出电压进行控制；
若所述多模块并联系统的输出电压小于所述第三预设阈值，则控制所述多模块并联系统工作在最大占空比，直到所述多模块并联系统的输出电压大于所述第三预设阈值且小于所述第四预设阈值；
若所述多模块并联系统的输出电压大于所述第四预设阈值，则控制所述多模块并联系统工作在最小占空比，直到所述多模块并联系统的输出电压大于所述第三预设阈值且小于所述第四预设阈值。
7.一种模块控制装置，其特征在于，所述装置包括：
预测模型获取模块，用于获取多模块并联系统的带载量预测模型；所述带载量预测模型是基于初始带载量预测模型和所述多模块并联系统在历史时间段的历史带载量构建得到的；
预测模块，用于将所述多模块并联系统在当前时段的带载量输入至所述带载量预测模型，得到所述多模块并联系统在下一时段的预测带载量；
控制模块，用于根据所述预测带载量，对所述多模块并联系统中的模块进行控制。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410206938.2A CN117784617B (zh) | 2024-02-26 | 2024-02-26 | 模块控制方法、装置、计算机设备、存储介质和产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410206938.2A CN117784617B (zh) | 2024-02-26 | 2024-02-26 | 模块控制方法、装置、计算机设备、存储介质和产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117784617A true CN117784617A (zh) | 2024-03-29 |
| CN117784617B CN117784617B (zh) | 2024-05-10 |
Family
ID=90402050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410206938.2A Active CN117784617B (zh) | 2024-02-26 | 2024-02-26 | 模块控制方法、装置、计算机设备、存储介质和产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117784617B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6529715B1 (en) * | 1999-02-26 | 2003-03-04 | Lucent Technologies Inc. | Amplifier architecture for multi-carrier wide-band communications |
| CN109633483A (zh) * | 2018-12-29 | 2019-04-16 | 四川九洲电器集团有限责任公司 | 一种电源模块智能测试系统及测试方法 |
| CN110829412A (zh) * | 2019-10-25 | 2020-02-21 | 山东华天电气有限公司 | 基于模块化可编程电网线路阻抗模拟装置及其控制方法 |
| CN110970937A (zh) * | 2019-12-15 | 2020-04-07 | 赣州天目领航科技有限公司 | 一种微电网系统的能量智能化管理方法 |
| CN114069639A (zh) * | 2021-11-16 | 2022-02-18 | 云南电网有限责任公司电力科学研究院 | 一种区域并离网多负荷响应控制装置及其方法 |
| CN115965138A (zh) * | 2022-12-27 | 2023-04-14 | 南方电网电动汽车服务有限公司 | 峰谷电价时段预测方法、装置、计算机设备、介质 |
| CN116345718A (zh) * | 2023-03-31 | 2023-06-27 | 重庆大学 | 原边多模块副边多模块的mc-wpt系统及其副边切换方法 |
| CN116729062A (zh) * | 2023-06-21 | 2023-09-12 | 广州汽车集团股份有限公司 | 一种车载空调除雾控制方法及系统 |
| CN116961095A (zh) * | 2023-07-21 | 2023-10-27 | 中国船舶集团有限公司第七〇四研究所 | 新能源船舶日用变流器带载并网控制方法 |
| CN117096860A (zh) * | 2023-08-10 | 2023-11-21 | 广西电网有限责任公司 | 基于lssvm模型的架空输电线路载流量区间预测方法及设备 |
| CN117151413A (zh) * | 2023-09-15 | 2023-12-01 | 杭州市电力设计院有限公司 | 一种电源结构预测方法、装置、设备及介质 |
| CN117370937A (zh) * | 2023-10-24 | 2024-01-09 | 山东大学 | 计及时空相关性的架空线路载流量概率预测方法及系统 |
-
2024
- 2024-02-26 CN CN202410206938.2A patent/CN117784617B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6529715B1 (en) * | 1999-02-26 | 2003-03-04 | Lucent Technologies Inc. | Amplifier architecture for multi-carrier wide-band communications |
| CN109633483A (zh) * | 2018-12-29 | 2019-04-16 | 四川九洲电器集团有限责任公司 | 一种电源模块智能测试系统及测试方法 |
| CN110829412A (zh) * | 2019-10-25 | 2020-02-21 | 山东华天电气有限公司 | 基于模块化可编程电网线路阻抗模拟装置及其控制方法 |
| CN110970937A (zh) * | 2019-12-15 | 2020-04-07 | 赣州天目领航科技有限公司 | 一种微电网系统的能量智能化管理方法 |
| CN114069639A (zh) * | 2021-11-16 | 2022-02-18 | 云南电网有限责任公司电力科学研究院 | 一种区域并离网多负荷响应控制装置及其方法 |
| CN115965138A (zh) * | 2022-12-27 | 2023-04-14 | 南方电网电动汽车服务有限公司 | 峰谷电价时段预测方法、装置、计算机设备、介质 |
| CN116345718A (zh) * | 2023-03-31 | 2023-06-27 | 重庆大学 | 原边多模块副边多模块的mc-wpt系统及其副边切换方法 |
| CN116729062A (zh) * | 2023-06-21 | 2023-09-12 | 广州汽车集团股份有限公司 | 一种车载空调除雾控制方法及系统 |
| CN116961095A (zh) * | 2023-07-21 | 2023-10-27 | 中国船舶集团有限公司第七〇四研究所 | 新能源船舶日用变流器带载并网控制方法 |
| CN117096860A (zh) * | 2023-08-10 | 2023-11-21 | 广西电网有限责任公司 | 基于lssvm模型的架空输电线路载流量区间预测方法及设备 |
| CN117151413A (zh) * | 2023-09-15 | 2023-12-01 | 杭州市电力设计院有限公司 | 一种电源结构预测方法、装置、设备及介质 |
| CN117370937A (zh) * | 2023-10-24 | 2024-01-09 | 山东大学 | 计及时空相关性的架空线路载流量概率预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 申刚, 徐光虎, 顾洁, 程浩忠, 杨宗麟: "电力系统中长期负荷预测软件包的开发", 电网技术, no. 05, 24 May 2002 (2002-05-24) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117784617B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7146955B2 (ja) | データ処理方法、装置、コンピュータデバイス、及び記憶媒体 | |
| JP7146952B2 (ja) | データ処理方法、装置、コンピュータデバイス、及び記憶媒体 | |
| JP7146953B2 (ja) | データ処理方法、装置、コンピュータデバイス、及び記憶媒体 | |
| CN112085188A (zh) | 一种神经网络的量化参数确定方法及相关产品 | |
| CN110347180A (zh) | 计算无人机集群重新编队的最短编队距离的方法 | |
| US20220374704A1 (en) | Neural Network Training Method and Apparatus, Electronic Device, Medium and Program Product | |
| WO2020072205A1 (en) | Systems and methods for providing a machine-learned model with adjustable computational demand | |
| CN115204612A (zh) | 电力系统碳排放量的确定方法、装置、设备和存储介质 | |
| CN117784617B (zh) | 模块控制方法、装置、计算机设备、存储介质和产品 | |
| CN108681480B (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 | |
| CN107729078A (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 | |
| TWI769875B (zh) | 深度學習網路裝置、其使用的記憶體存取方法與非揮發性儲存媒介 | |
| CN117011118A (zh) | 模型参数更新方法、装置、计算机设备以及存储介质 | |
| CN112990289B (zh) | 基于多任务预测模型的数据处理方法、装置、设备和介质 | |
| WO2021169914A1 (zh) | 数据量化处理方法、装置、电子设备和存储介质 | |
| CN112101537B (zh) | Cnn加速器和电子设备 | |
| CN114510341A (zh) | 接口流量控制方法、装置、电子设备及存储介质 | |
| US20230206052A1 (en) | Systolic array structure and apparatus using differential value | |
| CN118409869B (zh) | 星云运算资源分配方法、装置、计算机设备及存储介质 | |
| WO2021017546A1 (zh) | 神经网络量化方法、装置、芯片、电子设备及板卡 | |
| US20230396088A1 (en) | Electronic apparatus and controlling method thereof | |
| US20220129737A1 (en) | Systems and methods for improving computer operation with faster neural networks | |
| KR102718912B1 (ko) | 메타 학습 모델의 업데이트 방법 및 장치 | |
| CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
| WO2021082653A1 (zh) | 数据处理方法、装置、计算机设备和存储介质 |
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 |