一种电源模块稳压供电控制方法及系统 |
|||||||
| 申请号 | CN202410453200.6 | 申请日 | 2024-04-16 | 公开(公告)号 | CN118054650A | 公开(公告)日 | 2024-05-17 |
| 申请人 | 深圳市芯仙半导体有限公司; | 发明人 | 胡垚; 吕渭均; | ||||
| 摘要 | 本 发明 涉及供电控制领域，具体涉及一种电源模 块 稳压供电控制方法及系统。一种电源模块稳压供电控制系统，包括：功率采集模块、功率预测模块、环境预测功率输出模块、稳压控制策略输出模块和电源模块稳压控 制模 块。本发明在电源模块进行稳压控制的过程中，还对输入功率或者负载功率的功率短时 波动 进行监测，一旦输入功率或者负载功率发生功率短时波动的时候，便会执行对应的短时时序预测，从而实现在功率短时波动的时候能够贴合实际功率变化，获得更高的功率预测结果，进而在后续获得更优的稳压控制策略。 | ||||||
| 权利要求 | 1.一种电源模块稳压供电控制方法，其特征在于，包括： |
||||||
| 说明书全文 | 一种电源模块稳压供电控制方法及系统技术领域[0001] 本发明涉及供电控制领域，具体涉及一种电源模块稳压供电控制方法及系统。 背景技术[0002] 随着可再生能源技术的迅猛发展，例如太阳能发电的广泛应用，电源模块稳压供电控制方法的重要性日益凸显。太阳能发电作为一种清洁、可持续的能源，其在电网中的比重持续增加。然而，太阳能发电存在一个显著问题：由于天气变化和云层遮挡，入射到太阳能电池板上的太阳光强度时刻在变化，导致电源模块的输入功率波动，进而影响电网的稳定供电。尤其是在多云或者天气多变的地区，这种不稳定性问题更加严重。 [0003] 为了解决这一问题，业界开发了多种预测模型，以期通过对太阳辐射强度的预测来调节电源模块的输出，从而实现稳定供电。在这些模型中，基于长依赖关系的时序预测网络，如长短期记忆网络（LSTM）和门控循环单元（GRU），被广泛应用于预测太阳能发电的功率输出。然而，由于天气系统的高度复杂性以及太阳辐射数据的高度非线性，传统的长依赖关系时序预测网络常常无法准确预测由云层遮挡引起的快速且剧烈的功率波动，从而限制了其在电源模块稳压供电控制中的有效性。 发明内容[0004] 本发明通过对电源模块的输入功率和负载功率进行时序性预测，并且根据预测的输入功率和负载功率对下一个预设周期内的稳压控制策略进行输出，实现对电源模块稳压控制的及时执行，保证电源模块的稳定电压输出，进而保证电源模块所支持的负载设备的正常工作和性能稳定；在电源模块进行稳压控制的过程中，还对输入功率或者负载功率的功率短时波动进行监测，一旦输入功率或者负载功率发生功率短时波动的时候，便会执行对应的短时时序预测，从而实现在功率短时波动的时候能够贴合实际功率变化，获得更高的功率预测结果，进而在后续获得更优的稳压控制策略；在输出稳压控制策略的过程中，通过贝叶斯强化学习模型的引入，能够让系统能够在不确定性环境下做出最优的稳压控制策略，提高了电源模块适应环境变化的能力。 [0005] 一种电源模块稳压供电控制方法，包括：步骤S1：获取当前预设周期的输入功率和负载功率； 步骤S2：将当前预设周期的输入功率与前N‑1次获取的输入功率组成输入功率时序集；将当前预设周期的负载功率与前N‑1次获取的负载功率组成负载功率时序集；并将输入功率时序集和负载功率时序集分别送入输入功率时序预测模型和负载功率时序预测模型进行处理，输出下一个预设周期对应的预测输入功率和预测负载功率； 步骤S3：将当前预设周期对应的预测输入功率与当前预设周期的输入功率进行差异性分析，输出输入功率差异幅度值，判断输入功率差异幅度值是否高于第一预设差异阈值，若是输入功率差异幅度值高于第一预设差异阈值，视为输入功率位于功率波动期，将输入功率时序集送入输入功率短期时序预测模型进行处理，输出环境预测输入功率，若是输入功率差异幅度值未高于第一预设差异阈值，将输入功率时序预测模型输出的预测输入功率记为环境预测输入功率；同时将当前预设周期对应的预测负载功率与当前预设周期的负载功率进行差异性分析，输出负载功率差异幅度值，判断负载功率差异幅度值是否高于第二预设差异阈值，若是负载功率差异幅度值高于第二预设差异阈值，视为负载功率位于功率波动期，将负载功率时序集送入负载功率短期时序预测模型进行处理，输出环境预测负载功率，若是负载功率差异幅度值未高于第二预设差异阈值，将负载功率时序预测模型输出的预测负载功率记为环境预测负载功率；且输入功率短期时序预测模型以输入功率时序预测模型为基础，通过自注意力机制进行改进；且负载功率短期时序预测模型以负载功率时序预测模型为基础，通过自注意力机制进行改进； 步骤S4：将环境预测输入功率和环境预测负载功率组成环境条件数据，并将环境条件数据送入稳压控制策略输出模型进行处理，输出下一预设周期对应的稳压控制策略，稳压控制策略输出模型基于贝叶斯强化学习模型建立； 步骤S5：在下一预设周期内，基于稳压控制策略对电源模块进行稳压控制。 [0006] 优选地，输入功率时序预测模型和负载功率时序预测模型均基于LSTM模型建立，且输入功率时序预测模型和负载功率时序预测模型的结构一致，包括N个LSTM层和一个功率预测输出层，且相邻的LSTM层之间传输隐藏特征；功率预测输出层用于将N个LSTM层的输出通过全连接处理和激活函数处理后，输出对应的预测输入功率或者预测负载功率。 [0007] 优选地，针对输入功率时序预测模型和负载功率时序预测模型的训练，具体包括如下步骤：对于输入功率时序预测模型，获取若干份输入功率数据；将所有输入功率数据按照时间顺序进行排列，并且通过长度为N+1的滑动窗口对排列好的所有输入功率数据进行框选，即分割出若干份长度为N+1的输入功率数据集合，且输入功率数据集合内为N+1个按时间顺序排列的输入功率数据；将输入功率数据集合末尾的输入功率数据记为此输入功率数据集合的输入功率目标标签；将所有输入功率数据集合送入参数初始化的输入功率时序预测模型进行训练，期间以输入功率目标标签作为目标，计算第一损失值，判断第一损失值是否位于第一置信范围内，若是第一损失值位于置信范围内，输出训练好的输入功率时序预测模型；否则，通过所有输入功率数据集合继续对输入功率时序预测模型进行训练； 对于负载功率时序预测模型，获取若干份负载功率数据；将所有负载功率数据按照时间顺序进行排列，并且通过长度为N+1的滑动窗口对排列好的所有负载功率数据进行框选，即分割出若干份长度为N+1的负载功率数据集合，且负载功率数据集合内为N+1个按时间顺序排列的负载功率数据；将负载功率数据集合末尾的负载功率数据记为此负载功率数据集合的负载功率目标标签；将所有负载功率数据集合送入参数初始化的负载功率时序预测模型进行训练，期间以负载功率目标标签作为目标，计算第二损失值，判断第二损失值是否位于第一置信范围内，若是第二损失值位于置信范围内，输出训练好的负载功率时序预测模型；否则，通过所有负载功率数据集合继续对负载功率时序预测模型进行训练。 [0008] 优选地，输入功率短期时序预测模型和负载功率短期时序预测模型也均基于LSTM模型建立，且输入功率短期时序预测模型和负载功率短期时序预测模型的结构一致，包括N个LSTM层、N‑1个自注意力机制层和一个功率预测输出层，且相邻的LSTM层之间为自注意力机制层，自注意力机制层用于对相邻的LSTM层之间传输的隐藏特征进行特征强化；功率预测输出层用于将N个LSTM层的输出通过全连接处理和激活函数处理后，输出对应的环境预测输入功率或者环境预测负载功率。 [0009] 优选地，在输入功率短期时序预测模型和负载功率短期时序预测模型中，通过自注意力机制层对相邻的LSTM层之间传输的隐藏特征进行特征强化，具体包括如下步骤：在相邻的LSTM层之间，基于前者的LSTM层输出的隐藏特征构建键值矩阵K、值矩阵V和查询矩阵Q，具体操作为将前者的LSTM层输出的隐藏特征与键值权重矩阵相乘，得到键值矩阵K；将前者的LSTM层输出的隐藏特征与值权重矩阵相乘，得到值矩阵V；将前者的LSTM层输出的隐藏特征与查询权重矩阵相乘，得到查询矩阵Q；计算注意力权重矩阵ATT=T 0.5 softmax（（Q·K）/（μ） ），其中μ为键值矩阵K的列数；将注意力权重矩阵ATT与值矩阵V相乘，输出新的隐藏特征，并将新的隐藏特征作为前者的LSTM层输入的隐藏特征。 [0010] 优选地，针对输入功率短期时序预测模型和负载功率短期时序预测模型的训练，具体包括如下步骤：针对输入功率短期时序预测模型，选择训练好的输入功率时序预测模型，通过训练好的输入功率时序预测模型对输入功率短期时序预测模型内部的参数进行初始化；获取若干份短期输入功率数据，短期输入功率数据指的是位于功率波动期的输入功率；将所有短期输入功率数据按照时间顺序进行排列，并且通过长度为N+1的滑动窗口对排列好的所有短期输入功率数据进行框选，即分割出若干份长度为N+1的短期输入功率数据集合，且短期输入功率数据集合内为N+1个按时间顺序排列的短期输入功率数据；将短期输入功率数据集合末尾的短期输入功率数据记为此短期输入功率数据集合的短期输入功率目标标签； 将所有短期输入功率数据集合送入参数初始化后的输入功率短期时序预测模型进行训练，期间以短期输入功率目标标签作为目标，计算第三损失值，判断第三损失值是否位于第二置信范围内，若是第三损失值位于第二置信范围内，输出训练好的输入功率短期时序预测模型；否则，通过所有短期输入功率数据集合继续对输入功率短期时序预测模型进行训练； 针对负载功率短期时序预测模型，选择训练好的负载功率时序预测模型，通过训练好的负载功率时序预测模型对负载功率短期时序预测模型内部的参数进行初始化；获取若干份短期负载功率数据，短期负载功率数据指的是位于功率波动期的负载功率；将所有短期负载功率数据按照时间顺序进行排列，并且通过长度为N+1的滑动窗口对排列好的所有短期负载功率数据进行框选，即分割出若干份长度为N+1的短期负载功率数据集合，且短期负载功率数据集合内为N+1个按时间顺序排列的短期负载功率数据；将短期负载功率数据集合末尾的短期负载功率数据记为此短期负载功率数据集合的短期负载功率目标标签； 将所有短期负载功率数据集合送入参数初始化后的负载功率短期时序预测模型进行训练，期间以短期负载功率目标标签作为目标，计算第四损失值，判断第四损失值是否位于第二置信范围内，若是第四损失值位于第二置信范围内，输出训练好的负载功率短期时序预测模型；否则，通过所有短期负载功率数据集合继续对负载功率短期时序预测模型进行训练。 [0011] 优选地，输入功率差异幅度值和负载功率差异幅度值的计算具体包括如下内容：计算当前预设周期对应的预测输入功率与当前预设周期的输入功率之间的差值，记为输入功率差值，再计算输入功率差值的绝对值与当前预设周期的输入功率之间的比值，即为输入功率差异幅度值； 计算当前预设周期对应的预测负载功率与当前预设周期的负载功率之间的差值，记为负载功率差值，再计算负载功率差值的绝对值与当前预设周期的负载功率之间的比值，即为负载功率差异幅度值。 [0012] 一种电源模块稳压供电控制系统，包括：功率采集模块，用于获取当前预设周期的输入功率和负载功率； 功率预测模块，用于将当前预设周期的输入功率与前N‑1次获取的输入功率组成输入功率时序集；将当前预设周期的负载功率与前N‑1次获取的负载功率组成负载功率时序集；并将输入功率时序集和负载功率时序集分别送入输入功率时序预测模型和负载功率时序预测模型进行处理，输出下一个预设周期对应的预测输入功率和预测负载功率； 环境预测功率输出模块，用于将当前预设周期对应的预测输入功率与当前预设周期的输入功率进行差异性分析，输出输入功率差异幅度值，判断输入功率差异幅度值是否高于第一预设差异阈值，若是输入功率差异幅度值高于第一预设差异阈值，视为输入功率位于功率波动期，将输入功率时序集送入输入功率短期时序预测模型进行处理，输出环境预测输入功率，若是输入功率差异幅度值未高于第一预设差异阈值，将输入功率时序预测模型输出的预测输入功率记为环境预测输入功率；同时将当前预设周期对应的预测负载功率与当前预设周期的负载功率进行差异性分析，输出负载功率差异幅度值，判断负载功率差异幅度值是否高于第二预设差异阈值，若是负载功率差异幅度值高于第二预设差异阈值，视为负载功率位于功率波动期，将负载功率时序集送入负载功率短期时序预测模型进行处理，输出环境预测负载功率，若是负载功率差异幅度值未高于第二预设差异阈值，将负载功率时序预测模型输出的预测负载功率记为环境预测负载功率；且输入功率短期时序预测模型以输入功率时序预测模型为基础，通过自注意力机制进行改进；且负载功率短期时序预测模型以负载功率时序预测模型为基础，通过自注意力机制进行改进； 稳压控制策略输出模块，用于将环境预测输入功率和环境预测负载功率组成环境条件数据，并将环境条件数据送入稳压控制策略输出模型进行处理，输出下一预设周期对应的稳压控制策略，稳压控制策略输出模型基于贝叶斯强化学习模型建立； 电源模块稳压控制模块，用于基于稳压控制策略对电源模块进行稳压控制。 [0013] 本发明具有以下优点：1、本发明通过对电源模块的输入功率和负载功率进行时序性预测，并且根据预测的输入功率和负载功率对下一个预设周期内的稳压控制策略进行输出，实现对电源模块稳压控制的及时执行，保证电源模块的稳定电压输出，进而保证电源模块所支持的负载设备的正常工作和性能稳定；在电源模块进行稳压控制的过程中，还对输入功率或者负载功率的功率短时波动进行监测，一旦输入功率或者负载功率发生功率短时波动的时候，便会执行对应的短时时序预测，从而实现在功率短时波动的时候能够贴合实际功率变化，获得更高的功率预测结果，进而在后续获得更优的稳压控制策略；在输出稳压控制策略的过程中，通过贝叶斯强化学习模型的引入，能够让系统能够在不确定性环境下做出最优的稳压控制策略，提高了电源模块适应环境变化的能力。 [0015] 图1为本发明实施例采用的电源模块稳压供电控制系统的结构示意图。 具体实施方式[0016] 为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。 [0017] 实施例1一种电源模块稳压供电控制方法，包括： 步骤S1：获取当前预设周期的输入功率和负载功率，输入功率指的是输入至电源模块的功率大小，负载功率是指电源模块输出的功率大小，且负载功率由负载侧接入的负载设备决定； 步骤S2：将当前预设周期的输入功率与前N‑1次获取的输入功率组成输入功率时序集；将当前预设周期的负载功率与前N‑1次获取的负载功率组成负载功率时序集；并将输入功率时序集和负载功率时序集分别送入输入功率时序预测模型和负载功率时序预测模型进行处理，输出下一个预设周期对应的预测输入功率和预测负载功率，在电源模块的使用过程中，电源模块的输入可能来自于风能或者太阳能等，因此，电源模块的输入功率在时间上会呈现一定的时序性特征，同理，电源模块的输出可能用于社区内的家用电，也会在时间上呈现一定时序性特征，通过对应的时序性预测模型可以对输入功率或者输入功率进行预测，以实现对电源模块稳压控制的提前设置； 步骤S3：将当前预设周期对应的预测输入功率与当前预设周期的输入功率进行差异性分析，输出输入功率差异幅度值，判断输入功率差异幅度值是否高于第一预设差异阈值，第一预设差异阈值可以由专业人员根据预实验进行确定，若是输入功率差异幅度值高于第一预设差异阈值，视为输入功率位于功率波动期，将输入功率时序集送入输入功率短期时序预测模型进行处理，输出环境预测输入功率，若是输入功率差异幅度值未高于第一预设差异阈值，将输入功率时序预测模型输出的预测输入功率记为环境预测输入功率；同时将当前预设周期对应的预测负载功率与当前预设周期的负载功率进行差异性分析，输出负载功率差异幅度值，判断负载功率差异幅度值是否高于第二预设差异阈值，第二预设差异阈值也是由专业人员根据预实验进行确定，若是负载功率差异幅度值高于第二预设差异阈值，视为负载功率位于功率波动期，将负载功率时序集送入负载功率短期时序预测模型进行处理，输出环境预测负载功率，若是负载功率差异幅度值未高于第二预设差异阈值，将负载功率时序预测模型输出的预测负载功率记为环境预测负载功率；在电源模块的使用过程中，由于输入功率在短时间内会出现功率波动的情况，例如太阳能的短暂云影效应，此时，长时间依赖下的功率预测效应较慢，进而会影响后续的稳压控制策略，因此，在对输入功率或者负载功率进行时序预测的过程，一旦根据实际获取的功率与预测的功率出现较大偏差时，便会启用对应的短期时序预测模型，实现在功率波动期间的短期功率预测，并且功率预测的准确率更高，也更能贴合实际情况；且输入功率短期时序预测模型以输入功率时序预测模型为基础，通过自注意力机制进行改进；且负载功率短期时序预测模型以负载功率时序预测模型为基础，通过自注意力机制进行改进； 步骤S4：将环境预测输入功率和环境预测负载功率组成环境条件数据，并将环境条件数据送入稳压控制策略输出模型进行处理，输出下一预设周期对应的稳压控制策略，稳压控制策略输出模型基于贝叶斯强化学习模型建立；贝叶斯强化学习（Bayesian Reinforcement Learning, BRL）利用贝叶斯推理来估计环境的不确定性，并结合强化学习来优化决策过程，能够有效地适应输入功率和负载功率的变化，实现电源输出的稳定控制； 步骤S5：在下一预设周期内，基于稳压控制策略对电源模块进行稳压控制。 [0018] 本申请通过对电源模块的输入功率和负载功率进行时序性预测，并且根据预测的输入功率和负载功率对下一个预设周期内的稳压控制策略进行输出，实现对电源模块稳压控制的及时执行，保证电源模块的稳定电压输出，进而保证电源模块所支持的负载设备的正常工作和性能稳定；在电源模块进行稳压控制的过程中，还对输入功率或者负载功率的功率短时波动进行监测，一旦输入功率或者负载功率发生功率短时波动的时候，便会执行对应的短时时序预测，从而实现在功率短时波动的时候能够贴合实际功率变化，获得更高的功率预测结果，进而在后续获得更优的稳压控制策略；在输出稳压控制策略的过程中，通过贝叶斯强化学习模型的引入，能够让系统能够在不确定性环境下做出最优的稳压控制策略，提高了电源模块适应环境变化的能力。 [0019] 输入功率时序预测模型和负载功率时序预测模型均基于LSTM模型建立，且输入功率时序预测模型和负载功率时序预测模型的结构一致，包括N个LSTM层和一个功率预测输出层，其中LSTM层参照现有LSTM模型进行设置，在此不进行赘述，且相邻的LSTM层之间传输隐藏特征，这里的隐藏特征就是LSTM模型中的细胞状态，用于实现对长时间依赖的时序性数据的学习；功率预测输出层用于将N个LSTM层的输出通过全连接处理和激活函数处理后，输出对应的预测输入功率或者预测负载功率。 [0020] 针对输入功率时序预测模型和负载功率时序预测模型的训练，具体包括如下步骤：对于输入功率时序预测模型，获取若干份输入功率数据，且这些输入功率数据是专业人员根据实际的历史记录进行获取的，经过了数据清洗和数据补正等操作，能够反应输入功率的时序性变化；将所有输入功率数据按照时间顺序进行排列，并且通过长度为N+1的滑动窗口对排列好的所有输入功率数据进行框选，即分割出若干份长度为N+1的输入功率数据集合，且输入功率数据集合内为N+1个按时间顺序排列的输入功率数据；将输入功率数据集合末尾的输入功率数据记为此输入功率数据集合的输入功率目标标签；将所有输入功率数据集合送入参数初始化的输入功率时序预测模型进行训练，期间以输入功率目标标签作为目标，计算第一损失值，判断第一损失值是否位于第一置信范围内，第一置信范围用于表征模型的准确率和稳定性，若是第一损失值位于置信范围内，输出训练好的输入功率时序预测模型；否则，通过所有输入功率数据集合继续对输入功率时序预测模型进行训练； 对于负载功率时序预测模型，获取若干份负载功率数据，且这些负载功率数据也是专业人员根据实际的历史记录进行获取的，经过了数据清洗和数据补正等操作，能够反应负载功率的时序性变化；将所有负载功率数据按照时间顺序进行排列，并且通过长度为N+1的滑动窗口对排列好的所有负载功率数据进行框选，即分割出若干份长度为N+1的负载功率数据集合，且负载功率数据集合内为N+1个按时间顺序排列的负载功率数据；将负载功率数据集合末尾的负载功率数据记为此负载功率数据集合的负载功率目标标签；将所有负载功率数据集合送入参数初始化的负载功率时序预测模型进行训练，期间以负载功率目标标签作为目标，计算第二损失值，判断第二损失值是否位于第一置信范围内，若是第二损失值位于置信范围内，输出训练好的负载功率时序预测模型；否则，通过所有负载功率数据集合继续对负载功率时序预测模型进行训练。 [0021] 输入功率短期时序预测模型和负载功率短期时序预测模型也均基于LSTM模型建立，且输入功率短期时序预测模型和负载功率短期时序预测模型的结构一致，包括N个LSTM层、N‑1个自注意力机制层和一个功率预测输出层，且相邻的LSTM层之间为自注意力机制层，自注意力机制层用于对相邻的LSTM层之间传输的隐藏特征进行特征强化，能够提升短期内功率变化的敏感度，从而优化功率波动期间对于功率短期预测的准确性；功率预测输出层用于将N个LSTM层的输出通过全连接处理和激活函数处理后，输出对应的环境预测输入功率或者环境预测负载功率。 [0022] 在输入功率短期时序预测模型和负载功率短期时序预测模型中，通过自注意力机制层对相邻的LSTM层之间传输的隐藏特征进行特征强化，具体包括如下步骤：在相邻的LSTM层之间，基于前者的LSTM层输出的隐藏特征构建键值矩阵K、值矩阵V和查询矩阵Q，具体操作为将前者的LSTM层输出的隐藏特征与键值权重矩阵相乘，得到键值矩阵K；将前者的LSTM层输出的隐藏特征与值权重矩阵相乘，得到值矩阵V；将前者的LSTM层输出的隐藏特征与查询权重矩阵相乘，得到查询矩阵Q；计算注意力权重矩阵ATT=T 0.5 softmax（（Q·K）/（μ） ），其中μ为键值矩阵K的列数；将注意力权重矩阵ATT与值矩阵V相乘，输出新的隐藏特征，并将新的隐藏特征作为前者的LSTM层输入的隐藏特征； 本申请通过在时序预测模型中引入自注意力机制，能够在进行时序预测的过程中，提升短期内功率变化的敏感度，从而优化功率波动期间对于功率短期预测的准确性。 [0023] 针对输入功率短期时序预测模型和负载功率短期时序预测模型的训练，具体包括如下步骤：针对输入功率短期时序预测模型，选择训练好的输入功率时序预测模型，通过训练好的输入功率时序预测模型对输入功率短期时序预测模型内部的参数进行初始化；获取若干份短期输入功率数据，短期输入功率数据指的是位于功率波动期的输入功率，由专业人员根据实际历史记录进行获取；将所有短期输入功率数据按照时间顺序进行排列，并且通过长度为N+1的滑动窗口对排列好的所有短期输入功率数据进行框选，即分割出若干份长度为N+1的短期输入功率数据集合，且短期输入功率数据集合内为N+1个按时间顺序排列的短期输入功率数据；将短期输入功率数据集合末尾的短期输入功率数据记为此短期输入功率数据集合的短期输入功率目标标签；将所有短期输入功率数据集合送入参数初始化后的输入功率短期时序预测模型进行训练，期间以短期输入功率目标标签作为目标，计算第三损失值，判断第三损失值是否位于第二置信范围内，第二置信范围用于表征模型的准确率和稳定性，若是第三损失值位于第二置信范围内，输出训练好的输入功率短期时序预测模型；否则，通过所有短期输入功率数据集合继续对输入功率短期时序预测模型进行训练； 针对负载功率短期时序预测模型，选择训练好的负载功率时序预测模型，通过训练好的负载功率时序预测模型对负载功率短期时序预测模型内部的参数进行初始化；获取若干份短期负载功率数据，短期负载功率数据指的是位于功率波动期的负载功率；将所有短期负载功率数据按照时间顺序进行排列，并且通过长度为N+1的滑动窗口对排列好的所有短期负载功率数据进行框选，即分割出若干份长度为N+1的短期负载功率数据集合，且短期负载功率数据集合内为N+1个按时间顺序排列的短期负载功率数据；将短期负载功率数据集合末尾的短期负载功率数据记为此短期负载功率数据集合的短期负载功率目标标签； 将所有短期负载功率数据集合送入参数初始化后的负载功率短期时序预测模型进行训练，期间以短期负载功率目标标签作为目标，计算第四损失值，判断第四损失值是否位于第二置信范围内，若是第四损失值位于第二置信范围内，输出训练好的负载功率短期时序预测模型；否则，通过所有短期负载功率数据集合继续对负载功率短期时序预测模型进行训练。 [0024] 输入功率差异幅度值和负载功率差异幅度值的计算具体包括如下内容：计算当前预设周期对应的预测输入功率与当前预设周期的输入功率之间的差值，记为输入功率差值，再计算输入功率差值的绝对值与当前预设周期的输入功率之间的比值，即为输入功率差异幅度值； 计算当前预设周期对应的预测负载功率与当前预设周期的负载功率之间的差值，记为负载功率差值，再计算负载功率差值的绝对值与当前预设周期的负载功率之间的比值，即为负载功率差异幅度值。 [0025] 实施例2一种电源模块稳压供电控制系统，如图1所示，包括： 功率采集模块，用于获取当前预设周期的输入功率和负载功率，输入功率指的是输入至电源模块的功率大小，负载功率是指电源模块输出的功率大小，且负载功率由负载侧接入的负载设备决定； 功率预测模块，用于将当前预设周期的输入功率与前N‑1次获取的输入功率组成输入功率时序集；将当前预设周期的负载功率与前N‑1次获取的负载功率组成负载功率时序集；并将输入功率时序集和负载功率时序集分别送入输入功率时序预测模型和负载功率时序预测模型进行处理，输出下一个预设周期对应的预测输入功率和预测负载功率； 环境预测功率输出模块，用于将当前预设周期对应的预测输入功率与当前预设周期的输入功率进行差异性分析，输出输入功率差异幅度值，判断输入功率差异幅度值是否高于第一预设差异阈值，第一预设差异阈值可以由专业人员根据预实验进行确定，若是输入功率差异幅度值高于第一预设差异阈值，视为输入功率位于功率波动期，将输入功率时序集送入输入功率短期时序预测模型进行处理，输出环境预测输入功率，若是输入功率差异幅度值未高于第一预设差异阈值，将输入功率时序预测模型输出的预测输入功率记为环境预测输入功率；同时将当前预设周期对应的预测负载功率与当前预设周期的负载功率进行差异性分析，输出负载功率差异幅度值，判断负载功率差异幅度值是否高于第二预设差异阈值，第二预设差异阈值也是由专业人员根据预实验进行确定，若是负载功率差异幅度值高于第二预设差异阈值，视为负载功率位于功率波动期，将负载功率时序集送入负载功率短期时序预测模型进行处理，输出环境预测负载功率，若是负载功率差异幅度值未高于第二预设差异阈值，将负载功率时序预测模型输出的预测负载功率记为环境预测负载功率；且输入功率短期时序预测模型以输入功率时序预测模型为基础，通过自注意力机制进行改进；且负载功率短期时序预测模型以负载功率时序预测模型为基础，通过自注意力机制进行改进； 稳压控制策略输出模块，用于将环境预测输入功率和环境预测负载功率组成环境条件数据，并将环境条件数据送入稳压控制策略输出模型进行处理，输出下一预设周期对应的稳压控制策略，稳压控制策略输出模型基于贝叶斯强化学习模型建立；贝叶斯强化学习（Bayesian Reinforcement Learning, BRL）利用贝叶斯推理来估计环境的不确定性，并结合强化学习来优化决策过程，能够有效地适应输入功率和负载功率的变化，实现电源输出的稳定控制； 电源模块稳压控制模块，用于基于稳压控制策略对电源模块进行稳压控制。 |
||||||
