用于高频变压器最优工作参数的自适应确定方法与流程

本发明涉及高频变压器优化，尤其涉及用于高频变压器最优工作参数的自适应确定方法。

背景技术：

1、高频变压器作为电力电子变换器中的核心磁性元件，普遍应用于新能源发电、储能系统、电动汽车及高频开关电源等领域，其工作频率与占空比是决定系统能量传输效率、磁芯损耗、绕组铜损以及整体温升的关键运行参数。目前，传统的最优工作参数确定方法多依赖于简化的等效电路模型、半经验公式或耗时的有限元仿真。

2、然而，在实际应用场景中，变压器的运行工况日益复杂，呈现出高度的时变性和多物理场强耦合特征。上述传统方法由于严重依赖物理模型与离线计算，不仅计算资源消耗大，而且无法实时适应多维状态数据的动态变化，导致参数确定的实时性严重不足，难以满足现代电力电子系统的高效控制需求。

3、随着数据驱动技术的成熟，利用神经网络模型发掘多维状态数据与最优工作参数之间的非线性映射关系，逐渐成为实现高频变压器智能化整定与实时参数优化的重要发展方向。现有的常规数据驱动方法通常将传感器采集的电压、电流、温度等物理量直接输入全连接神经网络，试图通过端到端的黑盒模型直接输出工作频率与占空比的预测值。

4、尽管现有神经网络模型在一定程度上提高了参数确定的实时性，但高频变压器的多维状态数据包含大量冗余和耦合信息，传统网络在特征提取中极易出现神经元激活同质化，难以敏锐识别关键时序特征，降低了模型的泛化性能。另一方面，参数寻优本质上是多目标权衡过程，而现有网络往往仅输出单一的确定性结果，不具备对预测不确定度的评估能力。在面临未知工况时，这种缺乏置信度表示的输出极易使工作参数偏离安全或低损耗可行域，难以根据预测风险进行稳健修正，从而影响变压器在复杂条件下的稳定与低损耗运行。

技术实现思路

1、为了解决现有技术中高频变压器工作参数确定实时性不足、神经元激活同质化冗余、预测不确定度缺乏评估以及参数易偏离低损耗可行域的技术问题，本发明提供了用于高频变压器最优工作参数的自适应确定方法，包括：s1、将高频变压器多维状态数据输入神经网络，将激活层神经元的前向瞬时值与历史激活向量的指数衰减求和值相加得时序加权激活分数；将激活层划分为多个神经元邻域，计算各神经元与邻域内其余神经元历史激活向量的皮尔逊相关系数绝对值之和作为冗余度指标；s2、融合时序加权激活分数的偏度绝对值与峰度得非高斯分数，以冗余度指标的均值衰减预设的初始激活上限数量，结合非高斯分数由衰减后上限确定邻域激活数量；选时序加权激活分数排名前邻域激活数量的神经元为优胜神经元，非优胜神经元的前向瞬时值乘以衰减系数，衰减系数基于非优胜神经元与末位优胜神经元的时序加权激活分数比值确定并被限幅；s3、输出层分别输出工作频率与占空比的概率预测向量，计算两向量的香农熵求和得到总香农熵，提取两向量均值经无量纲归一化后组合为初始参数；若总香农熵低于预设阈值，获取预先构建的多维损耗最小可行域样本集，在样本集中搜索距初始参数最近样本点；否则，在以初始参数为中心的包络超球体内，选取距所含流形采样点坐标均值最近的流形采样点为映射点；反归一化最近样本点或映射点得最优工作参数。

2、本发明通过时序加权与冗余度计算抑制特征提取同质化，结合香农熵不确定度评估进行差异化流形映射，推导得出低风险的最优工作参数，有效解决变压器参数寻优实时性不足及极端工况下易偏离低损耗可行域的技术问题。

3、优选地，所述历史激活向量的指数衰减求和值的计算，包括：获取所述激活层神经元在当前前向传播前预设数量个历史迭代周期内的历史激活值，以构建所述历史激活向量；基于时间跨度对所述历史激活向量中的历史激活值进行指数衰减加权求和，得到历史时序缓冲值作为所述指数衰减求和值。

4、利用指数衰减权重综合评估当前瞬态特征与历史趋势，平滑状态数据波动带来的瞬间激活噪声。

5、优选地，所述冗余度指标的计算，包括：提取所述神经元邻域内部所有神经元在预设时间窗口内的历史激活向量，以构建激活记录矩阵；计算所述激活记录矩阵中任意两个神经元历史激活向量之间的协方差并除以对应标准差之积，得到皮尔逊相关系数；针对所述神经元邻域内的每一神经元，计算其与所述神经元邻域内其余各神经元之间所述皮尔逊相关系数绝对值之和，得到所述冗余度指标。

6、通过皮尔逊相关系数计算神经元提取特征的重叠程度，为后续稀疏化表达提供可靠的数据支撑。

7、优选地，所述融合时序加权激活分数的偏度绝对值与峰度得非高斯分数，包括：计算所述神经元邻域内所有所述时序加权激活分数的偏度绝对值与峰度；将所述偏度绝对值与所述峰度进行线性加权融合得到所述非高斯分数，其中所述偏度绝对值的加权系数为1，所述峰度的加权系数为0.5。

8、综合反映激活分布的不对称性与陡缓程度，准确识别出包含关键非正常态特征的少数神经元。

9、优选地，所述以冗余度指标的均值衰减预设的初始激活上限数量，包括：计算所述神经元邻域内所有所述冗余度指标的算术平均值，得到冗余度均值；当所述冗余度均值超过预设冗余阈值时，利用预设惩罚系数与预设的初始激活上限数量相乘，得到所述衰减后的初始激活上限数量。

10、在区域神经元特征高度趋同时启动惩罚机制，有效收紧激活通路，避免计算资源的冗余浪费。

11、优选地，所述结合非高斯分数由衰减后上限确定邻域激活数量，包括：将所述衰减后的初始激活上限数量除以经下限截断后的所述非高斯分数，并执行向下取整运算，得到候选激活数量值；将所述候选激活数量值限制在不小于1且不大于所述衰减后的初始激活上限数量向下取整值的范围内，输出所述邻域激活数量。

12、耦合特征冗余度与分布独特性，自适应限制激活上限，确保至少保留一个神经元激活以维持基本信息流。

13、优选地，所述衰减系数基于非优胜神经元与末位优胜神经元的时序加权激活分数比值确定并被限幅，包括：提取所述神经元邻域内部排名等于所述邻域激活数量的优胜神经元的所述时序加权激活分数，作为基准分数；将任一所述非优胜神经元的所述时序加权激活分数除以所述基准分数得到候选比值，并将所述候选比值限制在0至1的范围内得到分数比值；将所述分数比值乘以预设保留系数得到初始衰减系数；若所述初始衰减系数低于预设的下限保留阈值，则将所述衰减系数置为所述下限保留阈值，否则将所述初始衰减系数作为所述衰减系数。

14、实现非优胜神经元的软失活更新，降低反向传播梯度消失风险，保留背景拓扑信号。

15、优选地，所述计算两向量的香农熵求和得到总香农熵，得总香农熵，包括：所述输出层采用独立的物理量预测分支，分别输出所述工作频率与所述占空比在各自预设离散区间上的工作频率概率预测向量和占空比概率预测向量；分别针对所述工作频率概率预测向量和所述占空比概率预测向量中的每一离散区间，计算预测概率值与所述预测概率值的自然对数的乘积，并在对数计算内引入微小偏置常量后执行全区间累加并取相反数，得到对应的分量香农熵；将所述工作频率对应的分量香农熵与所述占空比对应的分量香农熵进行标量求和，得到所述总香农熵。

16、定量评估当前前向推断的不确定性，防止由于对数计算无意义而导致的系统崩溃。

17、优选地，所述在以初始参数为中心的包络超球体内，选取距所含流形采样点坐标均值最近的流形采样点为映射点，包括：以所述初始参数在归一化参数空间中的坐标为中心，构建预设半径的几何包络超球体；基于所述多维损耗最小可行域样本集对应的归一化样本点集，筛选位于所述几何包络超球体内的流形采样点，形成有界邻近流形区域；对所述有界邻近流形区域内经离散化采样得到的所有流形采样点计算各个维度坐标的算术平均值，得到候选中心坐标；在所述有界邻近流形区域内选取与所述候选中心坐标欧氏距离最小的流形采样点，作为流形中心的映射点。

18、在预测置信度不足时提供稳健的回退机制，保障输出参数位于局部安全流形中心，防止发生磁芯饱和故障。

19、优选地，所述反归一化包括：获取所述工作频率的实际物理极值边界以及所述占空比的实际物理极值边界；将所述样本点或所述映射点对应的归一化工作频率坐标与归一化占空比坐标，分别结合对应的所述实际物理极值边界进行线性区间恢复，输出具有物理量纲的实际工作频率与实际占空比，作为所述最优工作参数。

20、将空间坐标准确恢复为工程物理量纲尺寸，确保生成的参数可直接用于变压器的实际物理调控指令。

21、本发明的技术方案具有以下有益技术效果：

22、本发明将前向瞬时激活值与历史激活向量结合计算时序加权激活分数，使神经网络同时利用当前响应和历史趋势，平滑瞬态电磁噪声引起的波动，基于邻域内激活分数的偏度、峰度及皮尔逊相关系数冗余度指标，自适应确定激活数量并对非优胜神经元进行平滑衰减，从而筛选出高贡献度的稀疏特征通道，抑制同质化计算并保留关键时序特征，提升网络信息传递质量。

23、进一步地，利用工作频率与占空比概率预测分布的香农熵评估推断不确定度。据此采用差异化映射策略，置信度高时映射至低损耗可行域流形最近点，置信度低时回退至包络超球体构建的邻近流形中心映射点，有效降低了极端工况下输出异常参数的风险，避免磁芯饱和，改善高频变压器运行损耗并提升能量传输效率。