电压暂降抑制方法、装置及终端设备与流程

本发明属于电压暂降技术领域，更具体地说，是涉及一种电压暂降抑制方法、装置及终端设备。

背景技术：

随着dc-dc大功率开关变换器(后续简称为“开关变换器”)在工业的广泛应用，其输出电压的质量也受到了越来越多的关注。在某些对电压的突变敏感的工业应用场合，开关变换器输出电压的质量尤其重要。例如，在汽车电泳涂漆时，汽车进入电泳槽后，开关变换器输出端由空载变为带载的状态，负荷的突增使开关变换器输出电压产生大幅度电压暂降，导致车身喷漆不均匀。

现有技术中已提供抑制开关变换器输出电压暂降的方法，即在电路中增加一个pi控制器，利用pi控制器实现对开关变换器输出电压的调节，但当开关变换器的输出电压暂降幅度较大时，由于pi控制器的调节速度较慢，仍会对开关变换器输出电压的质量产生较大影响。因此，如何快速抑制开关变换器的输出电压暂降，提高开关变换器输出电压的质量成为亟待解决的问题。

技术实现要素：

本发明的目的在于提供一种电压暂降抑制方法、装置及终端设备，以提高dc-dc大功率开关变换器输出电压的质量。

本发明实施例的第一方面，提供了一种电压暂降抑制方法，该方法应用于dc-dc大功率开关变换器，包括：

获取dc-dc大功率开关变换器的电力参数；

将所述电力参数输入至预设神经网络模型，得到补偿控制参数；

获取dc-dc大功率开关变换器的初始控制参数；

基于所述初始控制参数和所述补偿控制参数对dc-dc大功率开关变换器的压降进行抑制。

本发明实施例的第二方面，提供了一种电压暂降抑制装置，包括：

第一获取模块，用于获取dc-dc大功率开关变换器的电力参数；

模型计算模块，用于将所述电力参数输入至预设神经网络模型，得到补偿控制参数；

第二获取模块，用于获取dc-dc大功率开关变换器的初始控制参数；

压降抑制模块，用于基于所述初始控制参数和所述补偿控制参数对dc-dc大功率开关变换器的压降进行抑制。

本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的电压暂降抑制方法的步骤。

本发明实施例的第四方面，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的电压暂降抑制方法的步骤。

本发明实施例提供的电压暂降抑制方法、装置及终端设备的有益效果在于：与现有技术相比，本发明实施例提供了预设神经网络模型，该预设神经网络模型可以通过dc-dc大功率开关变换器的电力参数直接给出dc-dc大功率开关变换器的补偿控制参数，该补偿控制参数可以直接作用于dc-dc大功率开关变换器，在原有pi控制器的基础上辅助对dc-dc大功率开关变换器的输出电压进行控制，进而完成dc-dc大功率开关变换器输出电压暂降的快速抑制，提高了dc-dc大功率开关变换器输出电压的质量。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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为本发明一实施例提供的电压暂降抑制方法的流程示意图；

图2为本发明另一实施例提供的电压暂降抑制方法的流程示意图；

图3为本发明再一实施例提供的电压暂降抑制方法的流程示意图；

图4为本发明又一实施例提供的电压暂降抑制方法的流程示意图；

图5为本发明一实施例提供的电压暂降抑制装置的结构框图；

图6为本发明一实施例提供的终端设备的示意框图；

图7为本发明一实施例提供的电压暂降抑制方法的应用场景示意图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参考图7，图7为本发明一实施例提供的电压暂降抑制方法的应用场景示意图。在对本发明提供的电压暂降抑制方法进行说明之前，首先对本发明实施例提供的电压暂降抑制方法的应用场景进行说明：

本发明提供的电压暂降抑制方法应用于dc-dc大功率开关变换器，并具体应用于dc-dc大功率开关变换器所在的直流系统。该直流系统的三相交流电源通过三相桥式不控整流，通过lc滤波器滤波、稳压后，经由dc/dc大功率开关变换器及滤波装置，为右端负载供电。其中，经由l1、c1输出的电压可直接用直流电压源代替，作为dc/dc开关变换器的输入电压。

通常情况下，dc/dc大功率开关变换器采用基本的定电压控制，而鉴于开关变换器的非线性和复杂性，单一的pi调节控制已无法满足实际应用对调节速度等控制性能的需求(因为会造成dc/dc大功率开关变换器的输出电压大幅暂降)。因此，本发明提供了预设神经网络模型，该预设神经网络模型可以通过dc-dc大功率开关变换器的电力参数直接给出dc-dc大功率开关变换器的补偿控制参数，该补偿控制参数可以直接作用于dc-dc大功率开关变换器，在原有pi控制器的基础上辅助对dc-dc大功率开关变换器的输出电压进行控制，进而完成dc-dc大功率开关变换器输出电压暂降的快速抑制，提高了dc-dc大功率开关变换器输出电压的质量。

下面对本发明提供的电压暂降抑制方法进行说明：

请参考图1，图1为本发明一实施例提供的电压暂降抑制方法的流程示意图，该方法包括：

s101：获取dc-dc大功率开关变换器的电力参数。

在本实施例中，电力参数包括但不限于dc-dc大功率开关变换器的输出电压稳态偏差量以及负载电流值等。

s102：将电力参数输入至预设神经网络模型，得到补偿控制参数。

在本实施例中，预设神经网络模型用于接收电力参数并输出补充控制参数。其中，预设神经网络模型可采用径向基函数神经网络模型，径向基函数神经网络模型能够在不了解输入、输出变量之间具体关系下通过学习来逼近任意非线性映射。该模型能够从训练数据中总结dc-dc大功率开关变换器的电力参数及电力参数变化率之间的映射规律，同时具备对非线性复杂问题的泛化能力，因此应用径向基函数神经网络模型可有效提高补偿控制参数的计算准确度。

s103：获取dc-dc大功率开关变换器的初始控制参数。

在本实施例中，dc-dc大功率开关变换器的初始控制参数即pi控制器的控制参数。

s104：基于初始控制参数和补偿控制参数对dc-dc大功率开关变换器的压降进行抑制。

在本实施例中，初始控制参数即pi控制器的控制参数，补偿控制参数即通过预设神经网络模型计算得到的参数(可直接作用于dc-dc大功率开关变换器)，通过两者的共同调节作用可以加快直流电压的调节速度，减少电压暂降幅度，最终实现dc-dc大功率开关变换器输出电压的稳定。

其中，若预设神经网络模型的输入参数为电压稳态偏差量以及负载电流值，则预设神经网络模型的输出参数为dc-dc大功率开关变换器的占空比补偿量，也即补偿控制参数为dc-dc大功率开关变换器的占空比补偿量。

请一并参考图1及图2，图2为本申请另一实施例提供的电压暂降抑制方法的流程示意图。在上述实施例的基础上，该方法还包括：

s201：获取样本数据并对样本数据进行预处理。

在本实施例中，预处理包括异常数据的去除以及数据的归一化处理。其中，可采用以下方法对样本数据进行归一化处理：

其中，为样本数据的归一化值，x为归一化前的样本数据值，xmax为样本数据的最大值，xmin为样本数据的最小值。

s202：基于预处理后的样本数据训练神经网络，得到预设神经网络模型。

在本实施例中，可基于预处理后的样本数据训练神经网络，得到训练完成的神经网络的结构系数，基于该结构系数建立预设神经网络模型。

其中，应根据所训练的神经网络的属性选取样本数据。例如以径向基函数神经网络模型为基础进行神经网络的训练，由于径向基函数神经网络模型对样本集合内的内插样本点泛化能力较好，而对外延样本点泛化能力较差，因此应选取典型且具有代表性的样本数据，且样本数据基本覆盖该样本数据在实际应用中的全部范围。

请一并参考图2及图3，图3为本申请再一实施例提供的电压暂降抑制方法的流程示意图。在上述实施例的基础上，上述步骤s202可以详述为：

s301：基于预处理后的样本数据训练神经网络，得到神经网络的结构系数。

s302：根据神经网络的结构系数确定预设神经网络模型。

在本实施例中，根据神经网络的结构系数确定预设神经网络模型后，在对dc-dc大功率开关变换器的输出电压进行调节时，可直接根据预设神经网络模型得到补偿控制参数，利用补偿控制参数辅助pi控制器进行dc-dc大功率开关变换器输出电压的调节，从而减少pi控制器反复调节的次数，缩短dc-dc大功率开关变换器输出电压的恢复时间。

请一并参考图3及图4，作为本发明提供的电压暂降抑制方法的一个具体实施方式，在上述实施例的基础上，步骤s301可以详述为：

s401：基于训练样本数据训练神经网络。

s402：将检验样本数据输入至经过训练样本数据训练的神经网络，若经过训练样本数据训练的神经网络的输出值在预设范围内，则确定神经网络训练完成，并存储训练完成的神经网络的结构系数。

在本实施例中，可以将样本数据分为训练样本数据和检验样本数据。训练样本数据用于对神经网络进行训练，检验样本数据用于对经过训练样本数据训练的神经网络进行检验，当经过训练样本数据训练的神经网络的输出值在预设范围内时，表明神经网络训练完成，并存储训练完成的神经网络的结构系数用于后续预设神经网络模型的建立。

可选地，作为本发明实施例提供的电压暂降抑制方法的一种具体实施方式，预设神经网络模型包括输入层、隐含层和输出层。隐含层与输入层的映射关系为：

fi＝exp(-||x-ci||²÷2σi²)

其中，fi为隐含层的第i个基函数，x为输入层的输入值，ci为第i个基函数的中心，σi为第i个基函数的宽度。

在本实施例中，以输入参数为电压稳态偏差量和负载电流值为例：

输入层包含2个神经元，输入层的输入值x可以表示为x＝[x1,x2]。其中，x1为电压稳态偏差量或负载电流值，x2为负载电流值或电压稳态偏差量。

隐含层的径向基向量可以表示为f＝[f1,f2,...,fi,...fm]^t，其中，fi为隐含层的第i个基函数，隐含层的神经元个数(即m的值)可以根据多次试验确定。

可选地，作为本发明实施例提供的电压暂降抑制方法的一种具体实施方式，输出层与隐含层的映射关系为：

其中，y为输出层的输出值，fi为隐含层的第i个基函数，为隐含层第i个神经元与输出y之间的连接权值，m为隐含层中神经元的个数。

在上述实施例的基础上，本发明实施例提供的电压暂降抑制方法中的结构系数包括：

各个基函数的中心值c＝[c1,c2,...,ci,...cm]，

各个基函数的宽度σ＝[σ1,σ2,...,σi,...,σm]，

以及隐含层与输出层之间的连接权值

在本实施例中，若输入参数为电压稳态偏差量和负载电流值，则输出参数y为dc-dc大功率开关变换器的占空比补偿量。则基于初始控制参数和补偿控制参数对dc-dc大功率开关变换器的压降进行抑制，可以包括：

基于初始控制参数和补偿控制参数确定更新后的控制参数，使用更新后的控制参数直接控制基于初始控制参数和补偿控制参数，期间控制回路中的pi控制器继续发挥调节作用，直到dc-dc大功率开关变换器的输出电压与电压参考值的差值小于预设阈值，表明dc-dc大功率开关变换器的输出电压暂降抑制完成。

对应于上文实施例的电压暂降抑制方法，图5为本发明一实施例提供的电压暂降抑制装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图5，该装置包括：第一获取模块100，模型计算模块200，第二获取模块300，压降抑制模块400。

其中，第一获取模块100，用于获取dc-dc大功率开关变换器的电力参数。

模型计算模块200，用于将电力参数输入至预设神经网络模型，得到补偿控制参数。

第二获取模块300，用于获取dc-dc大功率开关变换器的初始控制参数。

压降抑制模块400，用于基于初始控制参数和补偿控制参数对dc-dc大功率开关变换器的压降进行抑制。

参考图5，在本发明的另一个实施例中，电压暂降抑制装置还包括：

模型创建模块500，用于获取样本数据并对样本数据进行预处理，并基于预处理后的样本数据训练神经网络，得到预设神经网络模型。

参考图5，在本发明的再一个实施例中，模型创建模块500可以包括：

模型训练单元510，用于基于预处理后的样本数据训练神经网络，得到神经网络的结构系数。

模型创建单元520，用于根据神经网络的结构系数确定预设神经网络模型。

参考图5，在本发明的又一个实施例中，模型训练单元510可以包括：

训练装置511，用于基于训练样本数据训练神经网络。

验证装置512，用于将检验样本数据输入至经过训练样本数据训练的神经网络，若经过训练样本数据训练的神经网络的输出值在预设范围内，则确定神经网络训练完成，并存储训练完成的神经网络的结构系数。

可选地，作为本发明实施例提供的电压暂降抑制装置的一种具体实施方式，预设神经网络模型包括输入层、隐含层和输出层。隐含层与输入层的映射关系为：

fi＝exp(-||x-ci||²÷2σi²)

其中，fi为隐含层的第i个基函数，x为输入层的输入值，ci为第i个基函数的中心，σi为第i个基函数的宽度。

可选地，作为本发明实施例提供的电压暂降抑制装置的一种具体实施方式，输出层与隐含层的映射关系为：

其中，y为输出层的输出值，fi为隐含层的第i个基函数，为隐含层第i个神经元与输出y之间的连接权值，m为隐含层中神经元的个数。

参见图6，图6为本发明一实施例提供的终端设备的示意框图。如图6所示的本实施例中的终端600可以包括：一个或多个处理器601、一个或多个输入设备602、一个或多个输出设备603及一个或多个存储器604。上述处理器601、输入设备602、则输出设备603及存储器604通过通信总线605完成相互间的通信。存储器604用于存储计算机程序，计算机程序包括程序指令。处理器601用于执行存储器604存储的程序指令。其中，处理器601被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图5所示模块100至500的功能。

应当理解，在本发明实施例中，所称处理器601可以是中央处理单元(centralprocessingunit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

输入设备602可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备603可以包括显示器(lcd等)、扬声器等。

该存储器604可以包括只读存储器和随机存取存储器，并向处理器601提供指令和数据。存储器604的一部分还可以包括非易失性随机存取存储器。例如，存储器604还可以存储设备类型的信息。

具体实现中，本发明实施例中所描述的处理器601、输入设备602、输出设备603可执行本发明实施例提供的电压暂降抑制方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。

在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。