一种基于机器学习的高频电源机柜散热调控方法及系统与流程

摘要: 本发明涉及高频电源散热控制,特别是一种基于机器学习的高频电源机柜散热调控方法及系统。背景技术:1、高频电源散热控制技术领域,现有技术通常利用长短期记忆网络或卷积...
一种基于机器学习的高频电源机柜散热调控方法及系统与流程

本发明涉及高频电源散热控制,特别是一种基于机器学习的高频电源机柜散热调控方法及系统。

背景技术:

1、高频电源散热控制技术领域,现有技术通常利用长短期记忆网络或卷积神经网络构建热场预测模型,通过采集机柜内的温度、电流及电压时序数据,建立电气参数与环境温度之间的映射关系,并基于历史数据集训练模型以输出风扇转速或导流板角度。依赖于对稳态数据的拟合,通过计算预测值与实测值的误差反向传播来优化参数,在负载变化平缓的场景下具有一定的控制效果。

2、现有算法多基于全局特征加权求和或简单的时序相关性分析,缺乏对电气瞬态事件与热区温升之间非对称因果传播路径的显式考量。由于未能有效区分低能量噪声与高能量导通事件,且忽略了热传导固有的时间延迟,导致策略网络输出的散热指令往往滞后于热惯性的积累,难以在igbt高频开关或负载跳变时实现前瞻性的热流干预,限制了散热效率的进一步提升。

技术实现思路

1、鉴于上述现有存在的问题,提出了本发明。

2、因此,本发明提供了一种基于机器学习的高频电源机柜散热调控方法解决现有算法因缺乏电气瞬态因果路径建模及热惯性滞后考量导致散热指令输出滞后而无法实现前瞻性热流干预的问题。

3、为解决上述技术问题,本发明提供如下技术方案:

4、第一方面,本发明提供了一种基于机器学习的高频电源机柜散热调控方法,其包括,采集机柜运行状态数据,并打上时间戳传输至边缘计算单元,形成机柜运行状态数据集;

5、在边缘计算单元的策略网络中,对开关驱动信号进行瞬态事件检测,基于历史数据构建电气瞬态因果图,将因果图嵌入策略网络隐层特征,得到因果置信度系数;

6、根据因果置信度系数计算散热策略的生效时间调整量,生成经延迟补偿调整后的散热策略向量;

7、将经延迟补偿调整后的散热策略向量输入解码器模块,映射为风扇转速、风扇启动相位差及导流板角度调整量,得到控制指令;

8、边缘计算单元发送控制指令并记录时间戳,采集执行后的温度与气流变化,形成反馈数据,将反馈数据与预测热响应比对计算偏差,并根据偏差调整策略网络参数。

9、作为本发明所述基于机器学习的高频电源机柜散热调控方法的一种优选方案,其中:所述形成机柜运行状态数据集包括,

10、在高频电源机柜运行过程中,采集当前机柜内部各监测点的温度值、气流速度向量、环境温湿度及高频电源的电流、电压和开关驱动信号,并统一打上时间戳后传输至边缘计算单元,形成机柜运行状态数据集。

11、作为本发明所述基于机器学习的高频电源机柜散热调控方法的一种优选方案,其中:所述因果置信度系数包括,

12、所述边缘计算单元的策略网络对机柜运行状态数据集中的开关驱动信号进行时域分析,通过匹配信号波形与预存的瞬态波形库,识别igbt导通、关断以及负载跳变电气瞬态事件;

13、将igbt导通、关断以及负载跳变电气瞬态事件映射为带有事件类型标签的语义节点集合,形成电气瞬态事件集合;

14、基于历史数据中电气瞬态事件集合与机柜热区温度变化序列之间的时间对应关系,计算各电气瞬态事件到机柜热区温度响应的传播关联关系,以电气瞬态事件集合中的电气瞬态事件和机柜热区作为节点,以传播关联关系及对应传播时长作为边,构建电气瞬态因果图;

15、通过图注意力机制对电气瞬态因果图中的节点进行邻域特征聚合计算,生成图级全局特征向量,将图级全局特征向量与策略网络隐层特征在通道维度上进行拼接融合,得到嵌入了电气瞬态因果图特征的隐层特征;

16、所述边缘计算单元基于嵌入了电气瞬态因果图特征的隐层特征进行全连接映射推理,得到因果置信度系数。

17、作为本发明所述基于机器学习的高频电源机柜散热调控方法的一种优选方案,其中:所述经延迟补偿调整后的散热策略向量包括,

18、所述边缘计算单元的策略网络对机柜运行状态数据集中的开关驱动信号进行时域分析,通过匹配信号波形与预存的瞬态波形库以识别出igbt导通、关断以及负载跳变电气瞬态事件;

19、根据电气瞬态事件中电压波形在特定时间段内的幅值突变跨度与电流波形在特定时间段内的斜率极值来界定变化的陡峭程度,将igbt导通、关断以及负载跳变电气瞬态事件映射为带有动态能量等级的语义节点集合;

20、依据电气瞬态事件的动态能量等级对因果边进行非对称连接,使高能量等级的电气瞬态事件节点越过中间热容节点向高风险热区节点建立跃迁连接,构建电气瞬态因果图;

21、通过图注意力机制计算电气瞬态因果图中各节点的邻域关联强度,利用高能量等级节点的属性向量对邻接节点的特征分布进行调制,生成跨节点热传递趋势的图级全局特征向量;

22、将图级全局特征向量转换为维度匹配的偏置张量叠加至策略网络隐层特征的激活函数输入端口,以引导隐层特征聚焦于高风险热扩散路径;

23、所述边缘计算单元的策略网络基于叠加了偏置张量的隐层特征进行全连接映射推理,得到因果置信度系数。

24、作为本发明所述基于机器学习的高频电源机柜散热调控方法的一种优选方案,其中:所述控制指令包括,

25、所述解码器模块依据预设的机柜风扇布局、风道路径以及导流板安装位置对经延迟补偿调整后的散热策略向量进行全连接层映射,得到风扇转速百分比、风扇启动相位差以及导流板角度调整量;

26、将解码器模块风扇转速百分比、风扇启动相位差以及导流板角度调整量作为控制指令帧的构造参数,边缘计算单元通过总线接口将控制指令帧发送至机柜的风扇驱动器和导流板执行机构。

27、作为本发明所述基于机器学习的高频电源机柜散热调控方法的一种优选方案,其中:所述形成反馈数据包括,

28、通过总线接口将控制指令帧发送至机柜的风扇驱动器和导流板执行机构,记录控制指令帧的发送时间戳;

29、在下一控制周期内,采集执行后的机柜温度值与气流速度向量,并将机柜温度值与气流速度向量打上时间戳后传输至边缘计算单元,形成反馈数据。

30、作为本发明所述基于机器学习的高频电源机柜散热调控方法的一种优选方案,其中:所述调整策略网络参数包括,

31、将反馈数据中的机柜温度值与气流速度向量同电气瞬态因果图输出的预测热响应进行逐点比对,计算得到预测热响应与实际热响应的偏差结果;

32、根据偏差结果判断策略网络参数更新的幅度与方向,并将更新后的策略网络参数写回边缘计算单元的策略网络。

33、第二方面,本发明提供了一种基于机器学习的高频电源机柜散热调控系统,包括,传输模块,采集机柜运行状态数据,并打上时间戳传输至边缘计算单元,形成机柜运行状态数据集;

34、驱动模块,在边缘计算单元的策略网络中,对开关驱动信号进行瞬态事件检测,基于历史数据构建电气瞬态因果图,将因果图嵌入策略网络隐层特征,得到因果置信度系数;

35、调整模块,根据因果置信度系数计算散热策略的生效时间调整量,生成经延迟补偿调整后的散热策略向量;

36、映射模块,将经延迟补偿调整后的散热策略向量输入解码器模块,映射为风扇转速、风扇启动相位差及导流板角度调整量,得到控制指令;

37、反馈模块,边缘计算单元发送控制指令并记录时间戳,采集执行后的温度与气流变化,形成反馈数据,将反馈数据与预测热响应比对计算偏差,并根据偏差调整策略网络参数。

38、第三方面,本发明提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述计算机程序被处理器执行时实现如本发明第一方面所述的基于机器学习的高频电源机柜散热调控方法的任一步骤。

39、第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序被处理器执行时实现如本发明第一方面所述的基于机器学习的高频电源机柜散热调控方法的任一步骤。

40、本发明有益效果为:通过采集带时间戳的机柜多源数据形成运行状态数据集,并利用边缘计算单元的策略网络识别igbt导通、关断及负载跳变等电气瞬态事件,基于历史数据构建电气瞬态因果图,实现对电气冲击—热区温升因果路径的显式建模,通过图注意力机制计算邻域关联强度,利用高能量节点特征调制邻接节点分布,生成图级全局特征向量并叠加为隐层偏置张量,引导策略网络聚焦高风险热扩散路径,提高对瞬态热冲击的响应灵敏度;依据因果置信度系数计算延迟补偿量,生成经调整的散热策略向量,并通过解码器映射为风扇转速、启动相位差及导流板角度调整量,解决热惯性导致的调控滞后问题,通过反馈数据与预测热响应对比计算偏差,动态调整策略网络参数,实现闭环自适应优化,保证长期运行的稳定性与散热效率。