[发明专利]直流对直流转换方法及装置有效
申请号: | 202111089916.5 | 申请日: | 2021-09-17 |
公开(公告)号: | CN113794371B | 公开(公告)日: | 2023-06-30 |
发明(设计)人: | 程建国;刘连民;孙南生 | 申请(专利权)人: | 深圳市科雷特能源科技股份有限公司 |
主分类号: | H02M3/00 | 分类号: | H02M3/00;G06N3/0464 |
代理公司: | 深圳峰诚志合知识产权代理有限公司 44525 | 代理人: | 李明香 |
地址: | 518000 广东省深圳市南山区科*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 直流 转换 方法 装置 | ||
1.一种直流对直流转换方法,其特征在于,包括:
进行身份验证以确定是否为合法操作;
当为合法操作时,获取多个预定间隔的时间点上的多个后端设备的运行功率值,所述多个预定间隔的时间点包含当前时间点;
判断所述运行功率值是否符合预设的数据格式;
当所述运行功率值符合预设的数据格式时,将所述运行功率值以时间点、设备标识为维度构造出运行功率矩阵;
将所述运行功率矩阵输入卷积神经网络以获得功率特征图;
获取前端数据,并对所述前端数据进行解析;
从所述前端数据中提取出前端的输入电压值并将所述输入电压值进行编码以获得编码电压特征值;
获取所述功率特征图中各个特征值对应的实用值;
结合所述编码电压特征值和所述实用值,得到实用值特征图,具体是:通过如下公式获得所述实用值以获得所述实用值特征图;
其中,所述公式为:Hi,j,k=a*g-b(g-li,j,k)2,其中,Hi,j,k表示所述实用值特征图中各个位置的所述实用值,g表示所述编码电压特征值、li,j,k表示所述功率特征图中各个特征值,其中,参数a和b作为超参数与所述卷积神经网络模型一起训练;
按照预设规则,计算所述实用值特征图中各个实用值对应的实用分数;
根据所述实用分数,获得实用分数特征图,具体是:按如下公式计算所述实用分数,以获得实用分数特征图;
公式为:Wi,j,k=exp(li,j,k)/∑i,j,kHi,j,k;
将所述实用分数特征图解码,获得前端和后端之间的电压转化率。
2.根据权利要求1所述的直流对直流转换方法,其特征在于,所述进行身份验证以确定是否为合法操作的步骤之前,还包括:
对直流对直流转换装置进行检查,以确定其是否正常;
获取检查结果;
若所述直流对直流转换装置正常,则对所述直流对直流转换装置进行充电,使所述直流对直流转换装置开始直流转换工作;
若所述直流对直流转换装置出现故障,则将故障信息发送至维修人员。
3.根据权利要求2所述的直流对直流转换方法,其特征在于,所述对所述直流对直流转换装置进行检查,以确定其是否正常的步骤中的检查内容包括:
输入电压是否在预设的正常范围、线路中是否有短路。
4.根据权利要求1所述的直流对直流转换方法,其特征在于,所述方法还包括:
以时间为第一维度,根据所述运行功率值获得对应于每个所述后端设备的数据向量;以及,
以所述后端设备的标识为第二维度,将所述数据向量排列为所述运行功率矩阵。
5.根据权利要求4所述的直流对直流转换方法,其特征在于,所述将所述运行功率矩阵输入卷积神经网络以获得功率特征图中,所述卷积神经网络以如下公式对所述运行功率矩阵进行处理以获得所述功率特征图;
其中,所述公式为:
fi=1/(1+exp(-x)),其中,x=Ni*fi-1+Bi,exp(-x)表示e的-x次方;
其中,fi-1为第i层卷积神经网络的输入,fi为第i层卷积神经网络的输出,Ni为第i层卷积神经网络的卷积核,且Bi为第i层卷积神经网络的偏置向量。
6.根据权利要求4所述的直流对直流转换方法,其特征在于,所述卷积神经网络的最后一层的激活函数为ReLU函数或者sigmoid激活函数。
7.根据权利要求1所述的直流对直流转换方法,其特征在于,其中,所述卷积神经网络包括多个全连接层。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳市科雷特能源科技股份有限公司,未经深圳市科雷特能源科技股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111089916.5/1.html,转载请声明来源钻瓜专利网。