(19)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 202211253084.0 (22)申请日 2022.10.13 (71)申请人 新乡市合力鑫电源 有限公司 地址 453000 河南省新乡市新乡经济技 术 开发区古固寨镇玉 源路11号 (72)发明人 娄渊伟　 (74)专利代理 机构 新乡市平 原智汇知识产权代 理事务所(普通 合伙) 41139 专利代理师 郝怀庆 (51)Int.Cl. G05D 23/19(2006.01) G05B 13/02(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)H05K 7/20(2006.01) H02M 1/00(2007.01) (54)发明名称 一种高频开关电源 (57)摘要 本申请涉及智能控制技术领域， 且 更为具体 地， 涉及一种高频开关电源。 公开了一种 高频开 关电源， 其通过对所述高频开关电源的多个部件 的温度分布进行监测与分析， 以对于风扇的功率 进行自适应地精准控制， 以确保所述高频开关电 源的工作性能。 权利要求书3页 说明书15页 附图4页 CN 115328228 A 2022.11.11 CN 115328228 A 1.一种高频开关电源， 其特征在于， 包括： 状态监测单元， 用于获取高频开关电源的多 个部件在预定时间段内多个预定时间点的温度值以及所述高频开关电源的风扇在所述预 定时间段内多个预定时间点的功率值； 温度特征提取单元， 用于将所述各个部件在预定时 间段内， 多个预定时间点的温度值， 按照时间维度排列为 温度输入向量后， 通过训练完成的 多尺度邻域特征提取模块以得到多个多尺度部件温度特征向量； 二维化单元， 用于将所述 多个多尺度部件温度特征向量进 行矩阵化以得到部件温度特征矩阵； 空间拓扑特征提取单 元， 用于将所述多个部件的拓扑矩阵通过训练完成的作为特征提取器的卷积神经网络模型 以得到拓扑特征矩阵； 图神经网络单元， 用于将所述部件温度特征矩阵和所述拓扑特征矩 阵通过训练完成的图神经网络以得到拓扑部件温度特征矩阵； 功率特征提取单元， 用于将 所述风扇在所述预定时间段内多个预定时间点的功率值按照时间维度排列为功率输入向 量后通过训练完成的所述多尺度邻域特征提取模块以得到多尺度功 率特征向量； 响应性估 计单元， 用于计算所述多尺度功 率特征向量相对于所述拓扑部件温度特征矩阵的响应性估 计以得到分类特征向量； 以及风冷控制结果生成单元， 用于将所述分类特征向量通过训练 完成的分类器以得到分类结果， 所述分类结果用于表示当前时间点的风扇的功 率值应增大 或应减小。 2.根据权利要求1所述的高频开关电源， 其特征在于， 所述温度 特征提取单元， 包括： 第 一尺度温度特征提取子单元， 用于将所述温度输入向量输入所述训练完成的多尺度邻域特 征提取模块的第一卷积层以得到第一尺度部件温度特征向量， 其中， 所述第一卷积层具有 第一长度的第一一维卷积核； 第二尺度温度特征提取子单元， 用于将所述温度输入向量输 入所述训练完成的多尺度邻域特征提取模块的第二卷积层以得到第二尺度部件温度特征 向量， 其中， 所述第二卷积层具有第二长度的第二一 维卷积核， 所述第一长度不同于所述第 二长度； 以及多尺度级联单元， 用于将所述第一尺度部件温度特征向量和所述第二尺度部 件温度特 征向量进行级联以得到所述多个多尺度部件温度特 征向量。 3.根据权利要求2所述的高频开关电源， 其特征在于， 所述第 一尺度温度 特征提取子单 元， 进一步用于： 使用所述训练完成的多尺度邻域特征提取模块的第一卷积层以如下公式 对所述温度输入向量进行一维卷积编码以得到所述第一尺度部件温度特征向量； 其中， 所 述公式为： 其中，a为第一卷积核在 x方向上的宽度、 为第一卷积核参数向量、 为与 卷积核函数运算的局部向量矩阵， w为第一卷积核的尺 寸，X表示所述温度输入向量； 所述第 二尺度温度特征提取子单元， 进一步用于： 使用所述训练完成的多尺度邻域特征提取模块 的第二卷积层以如下公式对所述温度输入向量进行一维卷积编码以得到所述第二尺度部 件温度特 征向量； 其中， 所述公式为： 权　利　要　求　书 1/3 页 2 CN 115328228 A 2其中，b为第二卷积核在 x方向上的宽度、   为第二卷积核参数向量 、 为 与卷积核函数运 算的局部向量矩阵， m为第二卷积核的尺寸， X表示所述温度输入向量。 4.根据权利要求3所述的高频开关电源， 其特征在于， 所述空间拓扑特征提取单元， 进 一步用于： 所述训练完成的作为特征提取器的卷积神经网络模型的各层在层的正向传递中 分别进行： 对输入数据进行卷积处理以得到卷积特征图； 对所述卷积特征图进行基于局部 特征矩阵的均值池化以得到池化特征图； 以及 对所述池化特征图进行非线性激活以得到激 活特征图； 其中， 所述训练完成的作为特征提取器的卷积神经网络模型 的最后一层的输出 为所述拓扑特征矩阵， 所述训练完成的作为特征提取器的卷积神经网络模 型的第一层的输 入为所述多个部件的拓扑矩阵。 5.根据权利要求4所述的高频开关电源， 其特征在于， 所述响应性估计单元， 进一步用 于： 以如下公式计算所述多尺度功 率特征向量相对于所述拓扑部件温度特征矩阵的响应性 估计以得到所述分类特 征向量； 其中， 所述公式为： ； 其中 ， 表示所述多尺度功率特征向量， 表示所述分类特征向量 ， 表示所述拓扑 部件温度特 征矩阵。 6.根据权利要求5所述的高频开关电源， 其特征在于， 所述风冷控制结果生成单元， 进 一步用于： 使用所述训练完成的分类器以如下公式对所述分类特征向量进 行处理以生成分 类结果； 其 中， 所述公式为： ， 其中， 表示所述分类特征向量， 为全连接层的权 重矩阵， 表示全连接层的偏置矩阵。 7.根据权利要求6所述的高频开关电源， 其特征在于， 还包括对所述多尺度邻域特征提 取模块， 所述作为特征提取器的卷积神经网络模型， 所述图神经网络和所述分类器进行训 练的训练模块。 8.根据权利要求7所述的高频开关电源， 其特征在于， 所述训练模块， 包括:训练数据采 集单元， 用于获取训练数据， 所述训练数据包括所述高频开关电源的多个部件在预定时间 段内多个预定时间点的训练温度值、 所述高频开关电源的风扇在所述预定时间段内多个预 定时间点的训练功 率值， 以及， 当前时间点的所述风扇的功 率值应增大或应减小的真实值； 训练温度特征提取单元， 用于将所述各个部件在预定时间段内， 多个预定时间点的训练温 度值， 按照时间维度排列为训练温度输入向量后， 通过所述多尺度邻域特征提取模块以得 到多个训练多尺度部件温度特征向量； 训练二维化单元， 用于将所述多个训练多尺度部件 温度特征向量进行矩阵化以得到训练部件温度特征矩阵； 训练空间拓扑特征提取单元， 用 于将所述多个部件的拓扑矩阵通过所述作为特征提取器的卷积神经网络模型以得到训练 拓扑特征矩阵； 训练图神经网络单元， 用于将所述训练部件温度特征矩阵和所述训练拓扑 特征矩阵通过所述图神经网络 以得到训练拓扑部件温度特征矩阵； 训练功率特征提取单 元， 用于将所述风扇在所述预定时间段内多个预定时间点的训练功 率值按照时间维度排列 为训练功率输入向量后通过所述多尺度邻域特征提取模块以得到训练多尺度功率特征向 量； 训练响应性估计单元， 用于计算所述训练多尺度功率特征向量相对于所述训练拓扑部 件温度特征矩阵的响应性估计以得到训练分类特征向量； 分类损失单元， 用于将所述训练权　利　要　求　书 2/3 页 3 CN 115328228 A 3