大电流切换无火弧稳压器及其工作方法与流程

1.本技术涉及稳压器的领域，且更为具体地，涉及一种大电流切换无火弧稳压器及其工作方法。


背景技术：

2.稳压器是一种能自动调整输出电压的供电电路或供电设备，其作用是将波动较大和达不到电器设备要求的电源电压稳定在它的设定值范围内，使各种电路或电器设备能在额定工作电压下正常工作。稳压器由调压电路、控制电路、及伺服电机等组成。当输入电压或负载变化时，控制电路进行取样、比较、放大，然后驱动伺服电机转动，使调压器碳刷的位置改变，通过自动调整线圈匝数比，从而保持输出电压的稳定。
3.但是，目前大多数继电器式稳压电源切换时，会有明显或很大的火花。由于继电器属于机械结构，切换时间不一致，切换时间容易受温度影响，并且还容易受外来力量影响，所以控制火花很难。经过技术演变，目前通过采集交流电的过零点，使继电器在零点处动作，但是这种方法在使用的过程中仍有很多缺陷，例如由于继电器切换有间隔时间，无法正确的工作在零点，只能做到接近于零点，而且每个继电器切换时间不一致，程序要对每个继电器的动作时间要匹配好，才能达到降低火花，且为了适应每个继电器，程序需要实时接收采集继电器动作时间，这样就会使得程序会浪费大量的时间，从而影响整机的响应时间。
4.因此，期望一种大电流切换无火弧稳压器的延时控制方案，以使得稳压器能够无火弧或者小火弧进行切换。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种大电流切换无火弧稳压器、工作方法和电子设备，其采用基于深度学习技术的卷积神经网络模型来挖掘出继电器的高维拓扑关联特征，并且本技术还根据每个继电器的输入电压来设置继电器的切换状态，以实现输出电压的稳定。通过这样的方式，可以预测各个继电器的动作时间，从而达到降低火花的目的。
6.根据本技术的一个方面，提供了一种大电流切换无火弧稳压器，其包括：
7.训练模块，包括：
8.训练矩阵构造单元，用于构造连接关系矩阵来表示稳压器的多个继电器之间的拓扑结构，其中，所述连接关系矩阵中各个位置的特征值表示对应两个继电器之间的连接关系；
9.关系特征提取单元，用于将所述连接关系矩阵输入作为特征提取器的第一卷积神经网络以获得第一特征图；
10.第一切换关系特征提取单元，用于将所述连接关系矩阵输入作为切换预测器的第二卷积神经网络以获得第二特征图；
11.输出电压特征向量生成单元，用于获得由所述多个继电器的输入电压组成的输入
向量，并基于所述第二特征图生成对应于所述输入向量的输出电压特征向量，其中，所述输出电压特征向量中各个位置的特征值用于表示预测的各个所述继电器的输出电压；
12.损失函数值计算单元，用于将所述多个继电器的输出电压作为真实值，计算所述输出电压特征向量的每个位置的特征值与所述真实值之间的平方差之和作为损失函数值；
13.第一训练单元，用于基于所述损失函数值对作为切换预测器的所述第二卷积神经网络进行第一次训练；
14.第二切换关系特征提取单元，用于将所述连接关系矩阵输入经第一次训练完成的作为切换预测器的所述第二卷积神经网络以获得第二更新特征图；
15.维度变换单元，用于对所述第一特征图和所述第二更新特征图进行经典多维度变换以将所述第一特征图和所述第二更新特征图转换到用于表示输入电压
‑
延迟时间的映射关系的高维特征空间中，以获得对应于所述第一特征图的第三特征图和对应于所述第二更新特征图的第四特征图；
16.延时时间特征向量生成单元，用于将由所述多个继电器的输入向量组成的输入电压向量作为查询向量，并基于所述第三特征图和所述第四特征图生成对应于所查询向量的延时时间特征向量，其中，所述延时时间特征向量中各个位置的特征值表示预测的各个所述继电器的延时时间；
17.误差损失函数值计算单元，用于计算所述延时时间特征向量和各个所述继电器的延时时间的真实值之间的误差损失函数值；以及
18.延时时间确定模块，包括：
19.待检测数据获取单元，用于获取当前的各个所述继电器的输入电压并将各个所述继电器的输入电压构造为输入电压向量；
20.延时时间计算子单元，用于将所述输入电压向量分别输入所述切换预测器以获得延时时间特征向量，其中，所述延时时间特征向量中各个位置的特征值用于表示对应继电器的延时时间。
21.根据本技术的另一方面，提供了一种大电流切换无火弧稳压器的工作方法，其包括：
22.获取当前的各个所述继电器的输入电压并将各个所述继电器的输入电压构造为输入电压向量；
23.将所述输入电压向量分别输入所述切换预测器以获得延时时间特征向量，其中，所述延时时间特征向量中各个位置的特征值用于表示对应继电器的延时时间。
24.与现有技术相比，本技术提供的大电流切换无火弧稳压器、工作方法和电子设备，其采用基于深度学习技术的卷积神经网络模型来挖掘出继电器的高维拓扑关联特征，并且本技术还根据每个继电器的输入电压来设置继电器的切换状态，以实现输出电压的稳定。通过这样的方式，可以预测各个继电器的动作时间，从而达到降低火花的目的。
附图说明
25.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，
相同的参考标号通常代表相同部件或步骤。
26.图1为根据本技术实施例的大电流切换无火弧稳压器的框图。
27.图2a为根据本技术实施例的大电流切换无火弧稳压器中稳压电源继电器连接图。
28.图2b为根据本技术实施例的大电流切换无火弧稳压器中工作流向图。
29.图2c为根据本技术实施例的大电流切换无火弧稳压器中继电器动作图。
30.图3a为根据本技术实施例的大电流切换无火弧稳压器的工作方法中训练阶段的流程图。
31.图3b为根据本技术实施例的大电流切换无火弧稳压器的工作方法中延时时间确定阶段的流程图。
32.图4为根据本技术实施例的大电流切换无火弧稳压器的工作方法中训练阶段的架构示意图。
33.图5为根据本技术实施例的大电流切换无火弧稳压器的工作方法中延时时间确定阶段的架构示意图。
具体实施方式
34.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
35.场景概述
36.如前所述，目前大多数继电器式稳压电源切换时，会有明显或很大的火花。由于继电器属于机械结构，切换时间不一致，切换时间容易受温度影响，并且还容易受外来力量影响，所以控制火花很难。经过技术演变，目前通过采集交流电的过零点，使继电器在零点处动作，但是这种方法在使用的过程中仍有很多缺陷，例如由于继电器切换有间隔时间，无法正确的工作在零点，只能做到接近于零点，而且每个继电器切换时间不一致，程序要对每个继电器的动作时间要匹配好，才能达到降低火花，且为了适应每个继电器，程序需要实时接收采集继电器动作时间，这样就会使得程序会浪费大量的时间，从而影响整机的响应时间。
37.期望一种大电流切换无火弧稳压器的延时控制方案，以使得稳压器能够无火弧或者小火弧进行切换。
38.图2a为根据本技术实施例的大电流切换无火弧稳压器的示意图。如图2a所示，根据本技术实施例的所述稳压器包括多个相互连接的继电器(例如，如图2a中所示意的relay1至relay4)。当然，应可以理解，在本技术其他实施例中，所述稳压器可包括更多数量的继电器，对此，并不为本技术所局限。相应地，在所述稳压器的工作过程中，输入电压的高低变化会影响输出电压的变化，当输出电压变化时，相应的继电器切换到相应的变压器抽头上，使得电压稳定输出。
39.在如图2a所示意的示例中，所述稳压器包括4个继电器，其可以有16中组合状态。如图2b所示，当输入电压input为240v时，relay4继电器释放，relay3继电器吸合，输入电压240v进入变压器抽头电压220端，变压器抽头电压196端输出电压215v，如图2b所示。当输入电压input为150v时，relay4继电器吸合，relay3继电器吸合，输入电压150v进入变压器抽头电压140端，变压器抽头电压196端输出电压210v，如图2b所示。但是在继电器切换时可能
会产生火弧，容易打坏继电器触点。
40.针对此技术问题，在本技术的技术方案中，本技术发明人通过神经网络模型来预测各个继电器的动作时间，从而达到降低火花的目的。
41.首先，需要对继电器的连接关系进行建模，具体地，将多个继电器按照编号排列在矩阵的行和列中，并基于继电器之间的连接关系在矩阵的相应位置设置值1或者值0。也就是，如果两个继电器连接，则设置值1，如果两个继电器不连接，则设置值0。在如图1所示的示例中，继电器1和继电器2连接，因此矩阵的第1行第2列和第2行第1列为值1。然后，将构造出的连接关系矩阵输入作为特征提取器的第一卷积神经网络以获得第一特征图，这里，第一特征图能够挖掘出继电器的高维拓扑关联特征。
42.此外，考虑到需要经由根据每个继电器的输入电压来设置继电器的切换状态，从而实现输出电压稳定，例如，可以参考图2的工作流向图，因此还需要从如上所述的连接关系矩阵中进一步得到输入
‑
输出之间的转换矩阵，这可以通过训练作为切换预测器的第二卷积神经网络来实现。也就是，将连接关系矩阵输入第二卷积神经网络以得到第二特征图，然后对第二特征图进行沿通道的全局池化，即计算沿通道的法向量的均值以获得特征矩阵，并将每个继电器的输入电压乘以特征矩阵以得到特征向量，再将每个继电器的输出电压作为真实值，通过计算特征向量的每个位置的值与真实值之间的平方差之和来作为损失函数训练第二卷积神经网络，从而得到切换预测器。
43.然后，再对整体的神经网络模型进行训练，即将连接关系矩阵分别输入第一卷积神经网络和第二卷积神经网络以得到第一特征图和第二特征图，这里，考虑到第一特征图中的高维拓扑关联特征和第二特征图中的高维状态关联特征都是以二值化的数值空间为基础的，即连接和不连接的二值化关系，以及切换与不切换的二值化关系，因此需要对第一特征图和第二特征图进行经典多维尺度变换，以转换到用于表示输入电压
‑
延迟时间的映射关系的高维特征空间中。因此，假设第一特征图为f1，且第二特征图为f2，分别计算第三特征图f3＝
‑
jf1
⊙2j/2和f4＝
‑
jf1
⊙2j/2，其中j是中心矩阵(centering matrix)，给定为：
[0044][0045]
i
n
是单位矩阵，1
n
＝[1，1，
…
，1]。
[0046]
这样，在获得第三特征图和第四特征图之后，就可以将当前多个继电器的输入电压作为查询向量，分别乘以第三特征图和第四特征图后得到延迟时间特征向量，并基于延迟时间特征向量与真实值之间的误差损失函数，例如可以为更聚焦于单个继电器的均方误差损失函数值与更聚焦于整体的交叉熵函数值的加权和。这里，真实值的一个示例如图3所示。
[0047]
基于此，本技术提出了一种大电流切换无火弧稳压器，其包括训练模块和延时时间确定模块。其中，训练模块，包括：训练矩阵构造单元，用于构造连接关系矩阵来表示稳压器的多个继电器之间的拓扑结构，其中，所述连接关系矩阵中各个位置的特征值表示对应两个继电器之间的连接关系；关系特征提取单元，用于将所述连接关系矩阵输入作为特征提取器的第一卷积神经网络以获得第一特征图；第一切换关系特征提取单元，用于将所述连接关系矩阵输入作为切换预测器的第二卷积神经网络以获得第二特征图；输出电压特征向量生成单元，用于获得由所述多个继电器的输入电压组成的输入向量，并基于所述第二
特征图生成对应于所述输入向量的输出电压特征向量，其中，所述输出电压特征向量中各个位置的特征值用于表示预测的各个所述继电器的输出电压；损失函数值计算单元，用于将所述多个继电器的输出电压作为真实值，计算所述输出电压特征向量的每个位置的特征值与所述真实值之间的平方差之和作为损失函数值；第一训练单元，用于基于所述损失函数值对作为切换预测器的所述第二卷积神经网络进行第一次训练；第二切换关系特征提取单元，用于将所述连接关系矩阵输入经第一次训练完成的作为切换预测器的所述第二卷积神经网络以获得第二更新特征图；维度变换单元，用于对所述第一特征图和所述第二更新特征图进行经典多维度变换以将所述第一特征图和所述第二更新特征图转换到用于表示输入电压
‑
延迟时间的映射关系的高维特征空间中，以获得对应于所述第一特征图的第三特征图和对应于所述第二更新特征图的第四特征图；延时时间特征向量生成单元，用于将由所述多个继电器的输入向量组成的输入电压向量作为查询向量，并基于所述第三特征图和所述第四特征图生成对应于所查询向量的延时时间特征向量，其中，所述延时时间特征向量中各个位置的特征值表示预测的各个所述继电器的延时时间；误差损失函数值计算单元，用于计算所述延时时间特征向量和各个所述继电器的延时时间的真实值之间的误差损失函数值；以及，第二训练单元，用于基于所述误差损失函数值对作为切换预测器的所述第二卷积神经网络进行第二次的训练。其中，延时时间确定模块，包括：待检测数据获取单元，用于获取当前的各个所述继电器的输入电压并将各个所述继电器的输入电压构造为输入电压向量；延时时间计算子单元，用于将所述输入电压向量分别输入所述切换预测器以获得延时时间特征向量，其中，所述延时时间特征向量中各个位置的特征值用于表示对应继电器的延时时间。
[0048]
在该应用场景中，可以采用电压表来检测稳压器的所述各个继电器的输入电压，当然，在其他应用场景中，还可以通过采用其他的电压检测仪器来检测所述各个继电器的输入电压，对此并不为本技术所局限。
[0049]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0050]
示例性系统
[0051]
图2图示了根据本技术实施例的大电流切换无火弧稳压器的框图。如图2所示，根据本技术实施例的大电流切换无火弧稳压器200，包括：训练模块210和延时时间确定模块221。其中，训练模块210，包括：训练矩阵构造单元211，用于构造连接关系矩阵来表示稳压器的多个继电器之间的拓扑结构，其中，所述连接关系矩阵中各个位置的特征值表示对应两个继电器之间的连接关系；关系特征提取单元212，用于将所述连接关系矩阵输入作为特征提取器的第一卷积神经网络以获得第一特征图；第一切换关系特征提取单元213，用于将所述连接关系矩阵输入作为切换预测器的第二卷积神经网络以获得第二特征图；输出电压特征向量生成单元214，用于获得由所述多个继电器的输入电压组成的输入向量，并基于所述第二特征图生成对应于所述输入向量的输出电压特征向量，其中，所述输出电压特征向量中各个位置的特征值用于表示预测的各个所述继电器的输出电压；损失函数值计算单元215，用于将所述多个继电器的输出电压作为真实值，计算所述输出电压特征向量的每个位置的特征值与所述真实值之间的平方差之和作为损失函数值；第一训练单元216，用于基于所述损失函数值对作为切换预测器的所述第二卷积神经网络进行第一次训练；第二切换关
系特征提取单元217，用于将所述连接关系矩阵输入经第一次训练完成的作为切换预测器的所述第二卷积神经网络以获得第二更新特征图；维度变换单元218，用于对所述第一特征图和所述第二更新特征图进行经典多维度变换以将所述第一特征图和所述第二更新特征图转换到用于表示输入电压
‑
延迟时间的映射关系的高维特征空间中，以获得对应于所述第一特征图的第三特征图和对应于所述第二更新特征图的第四特征图；延时时间特征向量生成单元219，用于将由所述多个继电器的输入向量组成的输入电压向量作为查询向量，并基于所述第三特征图和所述第四特征图生成对应于所查询向量的延时时间特征向量，其中，所述延时时间特征向量中各个位置的特征值表示预测的各个所述继电器的延时时间；误差损失函数值计算单元220，用于计算所述延时时间特征向量和各个所述继电器的延时时间的真实值之间的误差损失函数值；以及，第二训练单元221，用于基于所述误差损失函数值对作为切换预测器的所述第二卷积神经网络进行第二次的训练。其中，延时时间确定模块230，包括：待检测数据获取单元231，用于获取当前的各个所述继电器的输入电压并将各个所述继电器的输入电压构造为输入电压向量；以及，延时时间计算子单元232，用于将所述输入电压向量分别输入所述切换预测器以获得延时时间特征向量，其中，所述延时时间特征向量中各个位置的特征值用于表示对应继电器的延时时间。
[0052]
具体地，在本技术实施例中，在训练模块210中，所述训练矩阵构造单元211，用于构造连接关系矩阵来表示稳压器的多个继电器之间的拓扑结构，其中，所述连接关系矩阵中各个位置的特征值表示对应两个继电器之间的连接关系。如上所述，本技术考虑通过使用神经网络模型来预测各个继电器的动作时间，从而达到降低火花的目的。因此，在本技术的技术方案中，首先需要对继电器之间的连接关系进行建模，也就是，构造所述连接关系矩阵来表示稳压器的多个继电器之间的拓扑结构。在一个具体示例中，可以将所述多个继电器按照编号排列在矩阵的行和列中，并基于继电器之间的连接关系在矩阵的相应位置设置值1或者值0。也就是，如果两个继电器连接，则设置值1，如果两个继电器不连接，则设置值0。在如图2a所示的示例中，继电器1和继电器2连接，因此矩阵的第1行第2列和第2行第1列为值1。
[0053]
具体地，在本技术实施例中，在训练模块210中，所述关系特征提取单元212，用于将所述连接关系矩阵输入作为特征提取器的第一卷积神经网络以获得第一特征图。也就是，将构造出的所述连接关系矩阵输入作为特征提取器的第一卷积神经网络，以通过所述第一卷积神经网络对构造的所述连接关系矩阵进行处理，以挖掘出所述各个继电器之间的高维拓扑关联特征，从而得到第一特征图。
[0054]
具体地，在本技术实施例中，在训练模块210中，所述第一切换关系特征提取单元213和所述输出电压特征向量生成单元214，用于将所述连接关系矩阵输入作为切换预测器的第二卷积神经网络以获得第二特征图，并获得由所述多个继电器的输入电压组成的输入向量，并基于所述第二特征图生成对应于所述输入向量的输出电压特征向量，其中，所述输出电压特征向量中各个位置的特征值用于表示预测的各个所述继电器的输出电压。应可以理解，考虑到需要经由根据每个继电器的输入电压来设置继电器的切换状态，从而实现输出电压稳定，例如，可以参考图2b的工作流向图，因此还需要从所述连接关系矩阵中进一步得到输入
‑
输出之间的转换矩阵，这可以通过训练作为切换预测器的第二卷积神经网络来实现。也就是，首先，将构造出的所述连接关系矩阵输入作为切换预测器的第二卷积神经网
络，以通过所述第二卷积神经网络对构造的所述连接关系矩阵进行处理，以得到第二特征图。然后，对所述第二特征图进行沿通道的全局池化，即计算沿通道的法向量的均值以获得特征矩阵，并将所述每个继电器的输入电压乘以所述特征矩阵以得到输出电压特征向量。值得一提的是，这里，所述输出电压特征向量中各个位置的特征值用于表示预测的各个所述继电器的输出电压。
[0055]
更具体地，在本技术实施例中，所述输出电压特征向量生成单元，包括：通道全局池化子单元，用于对所述第二特征图进行沿通道维度的全局平均值池化处理以获得特征矩阵；以及，向量相乘子单元，用于将由所述多个继电器的输入电压组成的输入电压向量乘以所述特征矩阵以获得特征向量。应可以理解，这里，所述输出电压特征向量中的各个位置的特征值表示融合了所述各个继电器的输入电压与所述各个继电器之间连接关系的关联特征。也就是，用于表示预测的各个所述继电器的输出电压。
[0056]
具体地，在本技术实施例中，在训练模块210中，所述损失函数值计算单元215和所述第一训练单元216，用于将所述多个继电器的输出电压作为真实值，计算所述输出电压特征向量的每个位置的特征值与所述真实值之间的平方差之和作为损失函数值，并基于所述损失函数值对作为切换预测器的所述第二卷积神经网络进行第一次训练。也就是，将所述每个继电器的输出电压作为真实值，通过计算所述特征向量的每个位置的值与真实值之间的平方差之和来作为损失函数训练第二卷积神经网络，从而得到切换预测器。应可以理解，通过训练作为切换预测器的所述第二卷积神经网络以使得预测的结果更加准确，从而实现输出电压的稳定。
[0057]
具体地，在本技术实施例中，在训练模块210中，所述第二切换关系特征提取单元217和所述维度变换单元218，用于将所述连接关系矩阵输入经第一次训练完成的作为切换预测器的所述第二卷积神经网络以获得第二更新特征图，并对所述第一特征图和所述第二更新特征图进行经典多维度变换以将所述第一特征图和所述第二更新特征图转换到用于表示输入电压
‑
延迟时间的映射关系的高维特征空间中，以获得对应于所述第一特征图的第三特征图和对应于所述第二更新特征图的第四特征图。应可以理解，要想对整体的神经网络模型进行训练，即将所述连接关系矩阵分别输入所述第一卷积神经网络和所述第二卷积神经网络以得到所述第一特征图和所述第二特征图，本技术考虑到所述第一特征图中的高维拓扑关联特征和所述第二更新特征图中的高维状态关联特征都是以二值化的数值空间为基础的，即连接和不连接的二值化关系，以及切换与不切换的二值化关系。因此，在本技术的技术方案中，需要对所述第一特征图和所述第二更新特征图进行经典多维尺度变换，以转换到用于表示输入电压
‑
延迟时间的映射关系的高维特征空间中，以得到对应于所述第一特征图的第三特征图和对应于所述第二更新特征图的第四特征图。
[0058]
更具体地，在本技术的一个示例中，设定所述第一特征图为f1，所述第二更新特征图为f2；其中，所述维度变换单元，进一步用于基于第一公式将所述第一特征图转化为所述第三特征图；所述第一公式为：f3＝
‑
jf1
⊙2j/2；其中，所述维度变换单元，进一步用于基于第二公式将所述第二更新特征图转化为所述第四特征图；所述第二公式为：f4＝
‑
jf2
⊙2j/2；
[0059]
其中，
[0060][0061]
i
n
是单位矩阵，1
n
＝[1，1，
…
，1]。
[0062]
具体地，在本技术实施例中，在训练模块210中，所述延时时间特征向量生成单元219，用于将由所述多个继电器的输入向量组成的输入电压向量作为查询向量，并基于所述第三特征图和所述第四特征图生成对应于所查询向量的延时时间特征向量，其中，所述延时时间特征向量中各个位置的特征值表示预测的各个所述继电器的延时时间。也就是，首先，将由所述多个继电器的输入向量组成的输入电压向量作为查询向量；然后，再将所述查询向量与所述第三特征图进行矩阵相乘后与所述第四特征图进行矩阵相乘以获得所述延时时间特征向量。值得一提的是，这里，所述延时时间特征向量中各个位置的特征值表示预测的各个所述继电器的延时时间。
[0063]
更具体地，在本技术实施例中，所述延时时间特征向量生成单元，进一步用于将所述查询向量与所述第三特征图进行矩阵相乘以获得第一特征向量；首先，将所述查询向量与所述第四特征图进行矩阵相乘以获得第二特征向量；然后，将所述第一特征向量和所述第二特征向量进行按位置点乘以获得所述延时时间特征向量。
[0064]
具体地，在本技术实施例中，在训练模块210中，所述误差损失函数值计算单元220和所述第二训练单元221，用于计算所述延时时间特征向量和各个所述继电器的延时时间的真实值之间的误差损失函数值，并基于所述误差损失函数值对作为切换预测器的所述第二卷积神经网络进行第二次的训练。也就是，首先，基于所述延迟时间特征向量与真实值之间的误差损失函数，例如在一个具体示例中，可以为更聚焦于单个继电器的所述均方误差损失函数值与更聚焦于整体的所述交叉熵函数值的加权和。值得一提的是，这里，真实值的一个示例如图2c所示。然后，在基于所述误差损失函数值对作为切换预测器的所述第二卷积神经网络进行第二次的训练。
[0065]
更具体地，在一个具体示例中，所述误差损失函数值计算单元，进一步用于：计算所述延时时间特征向量和各个所述继电器的延时时间的真实值之间的交叉熵损失函数值作为所述误差损失函数值。
[0066]
特别地，在另一个具体示例中，所述误差损失函数值计算单元，进一步用于：计算所述延时时间特征向量和各个所述继电器的延时时间的真实值之间的均方误差损失函数值作为所述误差损失函数值。
[0067]
具体地，在本技术实施例中，在延时时间确定模块230中，所述待检测数据获取单元231，用于获取当前的各个所述继电器的输入电压并将各个所述继电器的输入电压构造为输入电压向量。在一个具体示例中，首先，可以采用电压表来检测稳压器的所述各个继电器的输入电压，值得一提的是，在其他具体示例中，还可以通过其他的电压检测仪器来检测所述各个继电器的输入电压，对此并不为本技术所局限。然后，将所述各个继电器的输入电压构造为输入电压向量。
[0068]
具体地，在本技术实施例中，在延时时间确定模块230中，所述延时时间计算子单元232，用于将所述输入电压向量分别输入所述切换预测器以获得延时时间特征向量，其中，所述延时时间特征向量中各个位置的特征值用于表示对应继电器的延时时间。也就是，将所述输入电压向量分别输入经训练模块训练完成的所述切换预测器，以通过所述切换预
测器对所述输入电压向量进行处理，从而获得延时时间特征向量。值得一提的是，这里，所述延时时间特征向量中各个位置的特征值用于表示对应继电器的延时时间。进而就能够基于获得的所述继电器的延时时间来节省程序的响应时间，以达到降低火花的目的。
[0069]
综上，基于本技术实施例的所述大电流切换无火弧稳压器200被阐明，其采用基于深度学习技术的卷积神经网络模型来挖掘出继电器的高维拓扑关联特征，并且本技术还根据每个继电器的输入电压来设置继电器的切换状态，以实现输出电压的稳定。通过这样的方式，可以预测各个继电器的动作时间，从而达到降低火花的目的。
[0070]
如上所述，根据本技术实施例的大电流切换无火弧稳压器200可以实现在各种终端设备中，例如大电流切换无火弧稳压器算法的服务器等。在一个示例中，根据本技术实施例的大电流切换无火弧稳压器200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该大电流切换无火弧稳压器200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该大电流切换无火弧稳压器200同样可以是该终端设备的众多硬件模块之一。
[0071]
替换地，在另一示例中，该大电流切换无火弧稳压器200与该终端设备也可以是分立的设备，并且该大电流切换无火弧稳压器200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0072]
示例性方法
[0073]
图3a图示了根据本技术实施例的大电流切换无火弧稳压器的工作方法中训练阶段的流程图。如图3a所示，根据本技术实施例的大电流切换无火弧稳压器的工作方法，包括：训练阶段，包括步骤：s110，构造连接关系矩阵来表示稳压器的多个继电器之间的拓扑结构，其中，所述连接关系矩阵中各个位置的特征值表示对应两个继电器之间的连接关系；s120，将所述连接关系矩阵输入作为特征提取器的第一卷积神经网络以获得第一特征图；s130，将所述连接关系矩阵输入作为切换预测器的第二卷积神经网络以获得第二特征图；s140，获得由所述多个继电器的输入电压组成的输入向量，并基于所述第二特征图生成对应于所述输入向量的输出电压特征向量，其中，所述输出电压特征向量中各个位置的特征值用于表示预测的各个所述继电器的输出电压；s150，将所述多个继电器的输出电压作为真实值，计算所述输出电压特征向量的每个位置的特征值与所述真实值之间的平方差之和作为损失函数值；s160，基于所述损失函数值对作为切换预测器的所述第二卷积神经网络进行第一次训练；s170，将所述连接关系矩阵输入经第一次训练完成的作为切换预测器的所述第二卷积神经网络以获得第二更新特征图；s180，对所述第一特征图和所述第二更新特征图进行经典多维度变换以将所述第一特征图和所述第二更新特征图转换到用于表示输入电压
‑
延迟时间的映射关系的高维特征空间中，以获得对应于所述第一特征图的第三特征图和对应于所述第二更新特征图的第四特征图；s190，将由所述多个继电器的输入向量组成的输入电压向量作为查询向量，并基于所述第三特征图和所述第四特征图生成对应于所查询向量的延时时间特征向量，其中，所述延时时间特征向量中各个位置的特征值表示预测的各个所述继电器的延时时间；s200，计算所述延时时间特征向量和各个所述继电器的延时时间的真实值之间的误差损失函数值；以及，s210，基于所述误差损失函数值对作为切换预测器的所述第二卷积神经网络进行第二次的训练。
[0074]
图3b图示了根据本技术实施例的大电流切换无火弧稳压器的工作方法中延时时
间确定阶段的流程图。图3b所示，根据本技术实施例的大电流切换无火弧稳压器的工作方法，包括：延时时间确定阶段，包括步骤：s310，获取当前的各个所述继电器的输入电压并将各个所述继电器的输入电压构造为输入电压向量；以及，s320，将所述输入电压向量分别输入所述切换预测器以获得延时时间特征向量，其中，所述延时时间特征向量中各个位置的特征值用于表示对应继电器的延时时间。
[0075]
图4图示了根据本技术实施例的大电流切换无火弧稳压器的工作方法中训练阶段的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，根据稳压器的多个继电器之间的拓扑结构(例如，如图4中所示意的in1)来构造连接关系矩阵(例如，如图4中所示意的m1)；接着，将所述连接关系矩阵输入作为特征提取器的第一卷积神经网络(例如，如图4中所示意的cnn1)以获得第一特征图(例如，如图4中所示意的f1)；然后，将所述连接关系矩阵输入作为切换预测器的第二卷积神经网络(例如，如图4中所示意的cnn2)以获得第二特征图(例如，如图4中所示意的f2)；接着，获得由所述多个继电器的输入电压组成的输入向量(例如，如图4中所示意的v1)，并基于所述第二特征图生成对应于所述输入向量的输出电压特征向量(例如，如图4中所示意的vv)；然后，将所述多个继电器的输出电压作为真实值，计算所述输出电压特征向量的每个位置的特征值与所述真实值之间的平方差之和作为损失函数值(例如，如图4中所示意的l)；接着，基于所述损失函数值对作为切换预测器的所述第二卷积神经网络进行第一次训练；然后，将所述连接关系矩阵输入经第一次训练完成的作为切换预测器的所述第二卷积神经网络(例如，如图4中所示意的cnn3)以获得第二更新特征图(例如，如图4中所示意的f3)；接着，对所述第一特征图和所述第二更新特征图进行经典多维度变换以将所述第一特征图和所述第二更新特征图转换到用于表示输入电压
‑
延迟时间的映射关系的高维特征空间中，以获得对应于所述第一特征图的第三特征图(例如，如图4中所示意的f4)和对应于所述第二更新特征图的第四特征图(例如，如图4中所示意的f5)；然后，将由所述多个继电器的输入向量组成的输入电压向量作为查询向量，并基于所述第三特征图和所述第四特征图生成对应于所查询向量的延时时间特征向量(例如，如图4中所示意的vd)；接着，计算所述延时时间特征向量和各个所述继电器的延时时间的真实值之间的误差损失函数值(例如，如图4中所示意的e)；以及，最后，基于所述误差损失函数值对作为切换预测器的所述第二卷积神经网络进行第二次的训练。
[0076]
图5图示了根据本技术实施例的大电流切换无火弧稳压器的工作方法中延时时间确定阶段的架构示意图。如图5所示，在延时时间确定阶段中，在该网络架构中，首先，并将获取当前的各个所述继电器的输入电压(例如，如图5中所示意的in)构造为输入电压向量(例如，如图5中所示意的vin)；然后，将所述输入电压向量分别输入所述切换预测器(例如，如图5中所示意的p)以获得延时时间特征向量(例如，如图5中所示意的v)，其中，所述延时时间特征向量中各个位置的特征值用于表示对应继电器的延时时间。
[0077]
综上，基于本技术实施例的所述大电流切换无火弧稳压器的工作方法被阐明，其采用基于深度学习技术的卷积神经网络模型来挖掘出继电器的高维拓扑关联特征，并且本技术还根据每个继电器的输入电压来设置继电器的切换状态，以实现输出电压的稳定。通过这样的方式，可以预测各个继电器的动作时间，从而达到降低火花的目的。
[0078]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的
各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0079]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0080]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0081]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0082]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。