一种基于多物理场的电流自适应反演方法和相关设备与流程
本申请涉及电磁测量,尤其涉及一种基于多物理场的电流自适应方法和相关设备。
背景技术:
1、量子电流传感器通常用于在工业场景中对设备进行精密电流测量,但在实际的应用场景中,现场存在电磁、温度、等多物理场耦合的干扰,量子电流传感器在耦合干扰的影响下,测量得到的电流数据的精度低,难以满足实际工业应用需求。
技术实现思路
1、本申请实施例的主要目的在于提出一种基于多物理场的电流自适应反演方法和相关设备,能够提高电流反演的精度。
2、为实现上述目的,本申请实施例的一方面提出了一种基于多物理场的电流自适应反演方法,所述方法包括:
3、获取待反演电流值和当前环境状态数据集,根据所述当前环境状态数据集、所述待反演电流值和构建好的耦合动态模型进行计算,得到当前系统状态向量和第一测量输出;
4、根据预设参考信号和预先构建好的参考模型进行处理,得到第二测量输出,并根据所述第一测量输出和所述第二测量输出进行差值计算,得到跟踪误差值;
5、根据所述跟踪误差值、所述系统状态向量和自适应强化学习模型进行反演计算,得到目标反演电流。
6、在一些实施例中,所述根据所述当前环境状态数据集、所述待反演电流值和构建好的耦合动态模型进行计算,得到当前系统状态向量和第一测量输出,具体包括:
7、根据所述环境状态数据集和所述耦合动态模型中的预设公式进行计算,得到第一状态参数和第一测量输出;
8、对所述环境状态数据集进行分析计算,得到动态干扰参数,并根据所述环境状态数据集进行非线性时变计算,得到第二状态参数;
9、根据所述第一状态参数、所述第二状态参数、所述动态干扰参数和所述待反演电流值进行求和计算,得到所述系统状态向量。
10、在一些实施例中,所述根据所述跟踪误差值、所述系统状态向量和自适应强化学习模型进行反演计算,得到目标反演电流,具体包括:
11、对所述系统状态向量进行特征提取,得到耦合特征数据,并根据所述耦合特征数据和所述跟踪误差值进行计算,得到参数估计值;
12、根据所述参数估计值、所述系统状态向量和所述跟踪误差值进行计算处理,生成观测向量;
13、根据所述观测向量和所述自适应强化学习模型进行决策计算,得到目标策略;并根据所述目标策略进行反演计算,得到所述目标反演电流。
14、在一些实施例中,所述根据所述参数估计值、所述系统状态向量和所述跟踪误差值进行计算处理,生成观测向量,具体包括:
15、对跟踪误差进行求导运算,得到误差变化速率,并根据所述跟踪误差和预设时间段进行计算,得到累计误差值;
16、根据所述误差变化速率、所述累计误差值、所述跟踪误差、所述参数估计值和所述系统状态向量进行计算处理,得到所述观测向量。
17、在一些实施例中,所述根据所述目标策略进行反演计算,得到所述目标反演电流,具体包括:
18、对所述目标策略进行数据提取,得到目标动作和当前观测向量;
19、对所述当前观测向量进行提取,得到当前跟踪误差值;根据所述当前跟踪误差值和所述目标动作进行计算,得到补偿项;
20、根据所述当前观测向量进行变换计算,得到基础项,根据所述基础项和所述补偿项进行求和运算,得到所述目标反演电流。
21、在一些实施例中,所述自适应强化学习模型的训练方法包括:
22、获取状态转移样本数据,根据所述状态转移样本数据构建经验回放缓冲区,并对所述经验回放缓冲区进行随机抽样,得到训练样本数据;
23、根据所述训练样本数据对构建的强化学习模型进行训练,并得到当前损失值,将所述当前损失值与预设阈值进行比较;
24、若所述当前损失值大于所述预设阈值,根据所述当前损失值对所述模型价值函数进行更新,并根据所述当前损失值和预设自适应律对所述强化学习模型进行梯度更新;返回执行所述根据训练样本对强化学习模型进行训练;
25、若所述当前损失值小于或等于所述预设阈值,将所述强化学习模型作为所述自适应强化学习模型。
26、为实现上述目的,本申请实施例的另一方面提出了一种基于多物理场的电流自适应反演系统,所述系统包括:
27、第一计算模块,用于获取待反演电流值和当前环境状态数据集,根据所述当前环境状态数据集、所述待反演电流值和构建好的耦合动态模型进行计算,得到当前系统状态向量和第一测量输出;
28、第二计算模块,用于根据预设参考信号和预先构建好的参考模型进行处理,得到第二测量输出,并根据所述第一测量输出和所述第二测量输出进行差值计算,得到跟踪误差值;
29、反演计算模块,用于根据所述跟踪误差值、所述系统状态向量和自适应强化学习模型进行反演计算,得到目标反演电流。
30、为实现上述目的,本申请实施例的另一方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现前面所述的方法。
31、为实现上述目的,本申请实施例的另一方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。
32、为实现上述目的,本申请实施例的另一方面提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。
33、本申请实施例至少包括以下有益效果:本申请提供一种基于多物理场的电流自适应反演方法、系统、电子设备、存储介质及程序产品,该方案通过获取传感器测量得到的待反演电流值和当前的环境状态数据集,其中包括多物理场数据;根据当前环境动态数据集、待反演电流值和构建的耦合动态模型进行计算,得到当前系统状态向量和第一测量输出;再根据预设的参考信号和预先构建的参考模型进行处理计算,得到第二测量输出;根据第一测量输出和第二测量输出进行差值计算,得到跟踪误差;根据跟踪误差和系统状态向量输入建立的自适应强化学习模型中进行反演计算,自适应强化学习模型根据系统状态向量估计多物理场耦合参数,并根据输入的跟踪误差对输出结果进行补偿,输出最优反演策略,基于最优反演策略进行反演计算,得到目标反演电流;通过估计多物理场耦合参数,实现干扰解耦,并结合跟踪误差进行补偿,提高反演计算的精度。
1.一种基于多物理场的电流自适应反演方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述当前环境状态数据集、所述待反演电流值和构建好的耦合动态模型进行计算,得到当前系统状态向量和第一测量输出,具体包括:
3.根据权利要求1所述的方法,其特征在于,所述根据所述跟踪误差值、所述系统状态向量和自适应强化学习模型进行反演计算,得到目标反演电流,具体包括:
4.根据权利要求3所述的方法,其特征在于,所述根据所述参数估计值、所述系统状态向量和所述跟踪误差值进行计算处理,生成观测向量,具体包括:
5.根据权利要求3所述的方法,其特征在于,所述根据所述目标策略进行反演计算,得到所述目标反演电流,具体包括:
6.根据权利要求1所述的方法,其特征在于,所述自适应强化学习模型的训练方法包括:
7.一种基于多物理场的电流自适应反演系统,其特征在于,所述系统包括:
8.一种电子设备,其特征在于,包括:
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com