(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111184755.8 (22)申请日 2021.10.12 (71)申请人 浙江腾腾电气有限公司 地址 325000 浙江省温州市鹿城区创达路 28号 (72)发明人 滕敏亮　雷建峰　滕晓亮　滕韵娴　 潜卫强　林建豪　王耀华　 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 17/16(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 配置有精度补偿的稳压 器及其补偿方法 (57)摘要 本申请涉及电源 稳压器的领域， 其具体地公 开了一种配置有精度补偿的稳压器及其补偿方 法。 其通过深度神经网络模型来对多个电压抽头 和其对应的副线绕组之间的关联， 以及每组电压 抽头和副线绕组的组合与其他组合之间的关联， 以及进一步地多个电压抽头和副线绕组的组合 与在精度范围内的输出电压之间的关联来进行 建模， 以通过多个 关联的电压抽头来提供输出电 压。 通过这样的方式， 可 以准确地设置每个电压 抽头对应的副线绕组， 以使 得稳压器的精度补偿 的效果较好， 从而也会使 得其整体输出满足输出 电压的精度要求。 权利要求书4页 说明书12页 附图5页 CN 113971319 A 2022.01.25 CN 113971319 A 1.一种配置有精度补偿的稳压器， 其特 征在于， 包括： 训练模块， 包括： 第一向量构造单元， 用于获得稳压器的多个电压抽头的抽头电压并将所述多个电压抽 头的抽头电压构造为第一输入向量； 第二向量构造单元， 用于将所述稳压器与 所述多个电压抽头对应的多个副线绕组的电 压初始值作为其电压值并将所述多个副线绕组的电压值构造为第二输入向量， 其中， 所述 副线绕组的电压初始值基于每组所述电压抽头和所述副线绕组之间的线圈匝数比决定； 初始关系矩阵构造单元， 用于将所述第 一输入向量乘以所述第 二输入向量的转置以获 得初始关系矩阵； 神经网络单元， 用于将所述初始关系矩阵输入卷积神经网络以获得关联特征图， 所述 关联特征图用于表示多个所述电压抽头和 其对应的所述副线绕组之间的关联 的高维隐含 特征以及每组所述电压抽头和所述副线绕组的组合与其他组合之间的关联 的高维隐含特 征； 特征图修正单元， 用于对所述关联特征图的每个关联特征矩阵进行基于特征值的矩阵 分解以获得对角本征值矩阵并基于所述对角本征值矩阵对所述关联特征图的对应的关联 特征矩阵进行修 正以获得修 正特征图； 向量查询单元， 用于将所述第 一输入向量作为查询向量与所述修正特征图进行矩阵相 乘以获得特征向量， 其中， 所述特征向量中各个位置的特征值用于表示各个副线绕组的输 出电压的预测值； 正态分布向量构造单元， 用于基于期待的输出电压及其精度范围， 构造以该期待的输 出电压为均值， 该精度范围为方差的正态分布， 并从所述正态分布中随机采样出正态分布 向量； 损失函数值计算单元， 用于计算所述第 一输入向量和所述特征向量的按位置加和与 所 述正态分布向量之间的交叉熵损失函数值； 以及 训练单元， 用于基于所述交叉熵损失函数值 来训练所述卷积神经网络； 以及 推断模块， 包括： 第一输入向量构造单元， 用于获得所述稳压器的多个电压抽头的抽头电压并将所述多 个电压抽头的抽头电压构造为第一输入向量； 第二输入向量构造单元， 用于计算将所述稳压器与所述多个电压抽头对应的多个副线 绕组的电压初始 值作为其电压值并将所述多个副线绕组的电压值构造为第二输入向量， 其 中， 所述副线绕组的电压初始值基于每组所述电压抽头和所述副线绕组之 间的线圈匝数比 决定； 关系矩阵构造单元， 用于将所述第 一输入向量乘以所述第 二输入向量的转置以获得初 始关系矩阵； 卷积处理单元， 用于将所述初始关系矩阵输入经训练模块训练完成的所述卷积神经网 络以获得关联 特征图； 特征向量生成单元， 用于将所述第 一输入向量作为查询向量与 所述关联特征图进行矩 阵相乘以获得特征向量， 其中， 所述特征向量中各个位置的特征值用于表示各个副线绕组 的输出电压的预测值； 以及权　利　要　求　书 1/4 页 2 CN 113971319 A 2迭代单元， 用于将所述特征向量作为所述第 二输入向量进行重复迭代直到满足预设条 件， 以输出最终的所述特 征向量。 2.根据权利要求1所述的配置有精度补偿的稳压器， 其中， 在计算所述副线绕组 的电压 初始值时， 设定各组所电压抽头和所述副线绕组之间相互独立。 3.根据权利要求1所述的配置有精度补偿的稳压器， 其中， 在所述神经网络单元中， 所 述卷积神经网络以如下公式从所述初始关系矩阵获得 所述关联 特征图； 其中， 所述公式为： fi＝dctive(Ni×fi‑1+Bi) 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， dctive表示非线性激活函 数。 4.根据权利要求1所述的配置有精度补偿的稳压器， 其中， 所述特 征图修正单元， 包括： 矩阵分解子单元， 用于对所述关联特征图的每个关联特征矩阵进行基于特征值的矩阵 分解以获得对角本征值矩阵； 点乘子单元， 用于将所述关联特征图中的每个关联特征矩阵与其对应的所述对角本征 值矩阵进行按位置点乘， 以获得加权特 征图； 以及 加权子单元， 用于计算所述加权特征图和所述关联特征图之间的按位置加权和以获得 所述修正特征图。 5.根据权利要求4所述的配置有精度补偿的稳压器， 其中， 所述矩阵分解子单元， 进一 步用于以如下公式对所述关联特征图的每个关联特征矩阵进行基于特征值的矩阵分解以 获得对角本征值矩阵； 其中， 所述公式为： F＝AΛAT， 其中Λ＝diag( λ1， λ2，…， λN)， λ1≥λ2≥…≥λN， 是有序的对 角本征值矩阵， 且A＝[A1， A2，…， AN]是包含相应本征向量作为列的本征向量矩阵。 6.一种配置有精度补偿的稳压器的补偿方法， 其特 征在于， 包括： 训练阶段， 包括： 获得稳压器的多个电压抽头的抽头电压并将所述多个电压抽头的抽头电压构造为第 一输入向量； 将所述稳压器与所述多个电压抽头对应的多个副线绕组的电压初始值作为其电压值 并将所述多个副线绕组的电压值构造为第二输入向量， 其中， 所述副线绕组的电压初始值 基于每组所述电压抽头和所述副线绕组之间的线圈匝数比决定； 将所述第一输入向量乘以所述第二输入向量的转置以获得初始关系矩阵； 将所述初始关系矩阵输入卷积神经网络以获得关联特征图， 所述关联特征图用于表示 多个所述电压抽头和 其对应的所述副线绕组之间的关联 的高维隐含特征以及每组所述电 压抽头和所述副线绕组的组合与其 他组合之间的关联的高维隐含特 征； 对所述关联特征图的每个关联特征矩阵进行基于特征值的矩阵分解以获得对角本征 值矩阵并基于所述对角本征值矩阵对所述关联特征图的对应的关联特征矩阵进行修正以 获得修正特征图； 将所述第一输入向量作为查询向量与所述修正特征图进行矩阵相乘以获得特征向量， 其中， 所述特 征向量中各个位置的特 征值用于表示各个副线绕组的输出电压的预测值；权　利　要　求　书 2/4 页 3 CN 113971319 A 3