面向深度神经网络的电力芯片功能检测方法

黄开天，匡晓云，杨祎巍

（南方电网科学研究院，广东 广州 510663）

电力芯片是我国电力控制系统的关键组成部分之一，随着集成电路设计的高速发展，系统结构已经逐渐由多个分立器件组成演化发展成为集成器件组成，系统结构更追求小薄轻和低功耗，芯片设计从集成器件向系统级封装SIP 芯片迈进。芯片器件越来越小、功能越来越好、稳定性越来越强。在针对其功能的测试中，必须要有相应的测试手段。在电力芯片器件开始工作前，通过相应的装置或设备来测试，当器件出现异常情况后，也可以通过相应的测试手段来查明故障，由此提高其他元器件的稳定性。

一些学者对此进行了研究，文献[1]提出一种基于任务调度的电力终端多核芯片功耗调整方法，采用原有的任务调度方法，利用混合形式规划将问题重新建模，用数学手段得到调度方案，确定最优预测解，完成对电力芯片的优化检测，但此方法采用的数学模型运算量庞大，检测时间较长。文献[2]提出基于OTP 修调功能的芯片批量化生产方案研究，通过自动化检测设备设计一个经过改良的OTP 修调计算方式，检测初始电流、频谱等，并通过测试修正得出合适的结论，在重新检测时减少了对芯片的重复利用，完成对电力芯片的功能研究，但该方法运行过程中芯片损毁率较高，增加了运行成本。

为了弥补传统方法存在的缺陷，该文基于深度神经网络提出了一种新型电力芯片功能检测方法。

1 电力芯片功能参数计算

在制定电力芯片的功能参数测试方案前，需要确定测试相应的性能参数[3-4]。将电力系统调整成多处理方式，完成计算处理后，修改系统平台各管理部分的数据，把所有数值设置到电力芯片传输的规避窗口内，并加以记录，汇总整理所收集的相关数据，剩下的最高层级的处理通信组件，即是顶层架构。计算相应的测量功能指标参数，具体如式（1）所示：

式中，C表示测试上限；r表示功能参数优化系数；s表示电力芯片测试范围；w表示电力芯片测试下限。经过上述运算，确定相应的测试功能指标参数，利用计算出的指标参数，设置测试的环境基础条件，一旦超过这个数值范围，就说明测试的环境存在异常，必须重新进行测试，如果测量结果在这个数值范围以内，就说明测试的环境条件相对稳定，可以开展后续操作[5-6]。

2 电力芯片功能检测模型

2.1 电力芯片功能检测算法

在提取功能参数以后，通过构建电力芯片功能检测算法来进一步细化检测结构。针对电力芯片的传输功能、处理功能和异常数据检测功能，制定对应的检测方案。比较不同的测试方法，调整相应的结果，确保测试环境的安全性，构建相应的测试方法，最终建立测试环境[7-8]。基于以上得到的信息以及计算得到的数据，建立电力芯片功能检测算法，如式（2）所示：

式中，M表示电力芯片功能检测的真实数据；θ表示功能参数函数；h表示电力芯片功能运行时间固定比。经过上述运算，得到具体目标检出率的实际数据，通过实际数据，来具体化分解目标检测的整个应用过程，确定相应的标准与异常点联系[9-10]。

2.2 深度神经网络功能检测模型

根据构建电力芯片的功能检测算法，建立基于深度神经网络的智能测试模型。在测试过程中，设定独立的智能神经元RBM（Restrict Boltzmann Machine），只有RBM 神经元达到未激活的条件时，才能够确定被测量数据的真实完整性[11-12]。在完成检测后，可以根据得到的数据信息确定隐藏神经元，计算公式如式（3）所示：

式中，V表示电力芯片检测模型中的隐藏神经元定义值；j表示功能参数；f表示电力芯片功能执行系数。经过上述运算，能够得到相应的检测模式隐藏单元定义数值，使用数值范围构建实际的检测模式，去除RBM 神经元的影响，使整个测试模式具备更高的灵活应用性，同时隐藏神经元还能够使用深度神经网络计算电力芯片的隐藏功能，进一步扩大了方法的测试适用范围。

3 深度神经网络的电力芯片功能检测

3.1 传输功能检测

对于电力芯片功能的检测，需要采集电力芯片的传输功能参数，利用深度神经网络功能检测模型进行测试。电力芯片传输功能的检测共分为两个指标，分别是电压串联回路谐振系数和芯片最大传输功率[13-14]。

检测电压串联回路谐振系数，由于频率作用，电力芯片等效网络无功阻抗呈感性，芯片回路等效无功阻抗呈容性，当芯片传输网络产生的无功阻抗为零时，载波信号在回路中传输效果最佳。载波回路阻抗越大载波信号衰减最大，回路的品质因数或谐振系数数学表达式如式（4）所示：

式中，ρ表示电路的特性阻抗；S表示回路的品质因数或谐振系数；R表示电网中是相对不变的定值无功阻抗；E表示无功；T表示电力芯片电压匹配系数。当电力芯片回路谐振时，芯片电压U=IR最大，此时称这种传输方式为电压串联谐振。当S≥1时，电路接近谐振，是电力芯片信号传输的最理想电路，此时传输效果最佳[15]。

根据等效阻抗原理检测芯片最大传输功率，负载吸收功率P计算公式如式（5）所示：

式中，U1表示芯片电压，Z1=R1I2+j为芯片阻抗，Z2=R2+j表示负载等效阻抗。根据式（5）确定最大功率，建立线性工程，有效功率越大，载波信号传输效果越好。

3.2 处理功能检测

对于电力芯片处理功能的检测，需要将待处理数据放入检测模型中，使电力芯片处理功能运行，检查运行后，同一信道内对数据的处理率，具体公式如下：

式中，L表示在处理功能检测中的实际处理量；β表示处理功能数据测量范围；O表示电力芯片的运行参数。经过上述运算，最后即可得出处理功能在实际运行中的处理率，分析处理率效果，设定阈值，与阈值进行对比，若处理率始终高于阈值，则证明处理效果较好，否则代表缺少良好的处理能力。

3.3 异常数据筛选功能检测

电力芯片异常信息检测系统一般需要采用纵向差异测试技术与辨识异常数据测试技术，整个检测过程需要两种基准指标，分别是待测量曲线和日负荷数据曲线，计算节点之间差异的平均值，然后衡量采样点上的变化率[16]。

首先建立代表待测试的日负荷曲线与日负载特性曲线。在日负荷曲线上取点，考察待测试日负荷曲线上的第i点，其中i∈{1,2,…,N}，N是取 样点数；建立最大负荷值，将其与日负载特性曲线第i点相应的负荷值加以对比，统计待测试负载曲线与日负载特性曲线上第i点的负荷值，分析待测试负载曲线与日负载特性曲线上第i点的负荷值的比例，两个曲线相互之间的差值d用待测曲线与日负载特性曲线上各取样点数间差距的平均值表达。

在求出负荷曲线的变化值后，对采样点上的变化率进行衡量，计算两种曲线变化值的差异值是否等于偏差的最大值，分析变化值是否处于合理区间范围内，确定该负荷曲线是否为异常负荷曲线。如果不符合以上任一要求，则待测量曲线为异常曲线，而第i时刻的负荷值即为异常值。通过计算异常值占据所有异常数据的比例，即可计算出电力芯片异常数据筛选率。

4 实验研究

为了验证面向深度神经网络的电力芯片功能检测方法的实际应用效果，设定实验。选用对比测试验证方法效果，通过文献[1]任务调度的功能检测方法和文献[2]基于OTP 修调功能的功能检测方法进行对比，采用的传输语言为Python 完成数据编辑，工作频率为100 Hz，工作电压为220 V，工作电流为150 A，采用的操作系统为Windows10。

在完成参数设置后，选用三组方法对电力芯片功能进行检测，测试实验环境如图1 所示。

图1 测试实验环境

根据图1 可知，选用CAPI 服务器作为核心处理装置，建立电容装置和电阻装置，通过数据模块连接子密钥，确保电力芯片能够正常运行，保证检测效果。

传输功能检测准确率实验结果如表1 所示。

表1 传输功能检测准确率结果

由表1 可知，三种检测方法在检测电力芯片传输功能这一问题上，检测效果相对较好，检测准确率较高，都基本稳定在90%以上，该文提出的面向深度神经网络的电力芯片功能检测方法的检测能力更好，当检测数据量为5 GB时，检测准确率仍然高于98%，具有很好的传输功能判断能力。

处理功能检测准确率实验结果如表2 所示。

表2 处理功能检测准确率结果

由表2 可知，OTP 修调功能和神经网络检测方法都有较好的检测效果，但是该文方法处理功能检测准确率高于传统检测方法，该文提出的神经网络检测方法通过数据判断对电力芯片处理功能进行检测，因此检测效果更好。

异常数据筛选功能检测准确率实验结果如表3所示。

表3 异常数据筛选功能检测准确率结果

由表3 可知，传统检测方法的异常数据筛选能力极差，任务调度和OTP 修调方法对异常数据检测的局限性十分明显，低于65%，该文提出的检测方法异常数据筛选功能检测效果始终在99%以上，能够很好地判定电力芯片是否筛选异常数据，判断数据信息是否能够顺利传输。

检测时间实验结果如图2 所示。

图2 检测时间实验结果

根据图2 可知，随着检测数据量的增加，检测时间也在不断增加，当检测数据量低于300 GB时，基于OTP 修调功能的检测方法检测时间低于其他检测方法，当检测数据量大于300 GB时，该文方法检测时间低于传统检测方法，具有很好的检测效果。

5 结束语

该文基于深度神经网络提出了一种电力芯片功能检测方法，基于功能检测算法构建了功能检测模型，依靠模型对电力芯片的传输能力、处理能力、异常数据筛选能力进行检测。通过上述研究，得到如下结论：1）该文提出的检测方法能够加快检测速度；2）该方法可以提升检测准确率，适用于如今的电力芯片功能检测。但该文的计算量相对较大，未来需要进一步减少计算范围。