SF6气体流量计量值修正方法、装置、设备及存储介质与流程

sf6气体流量计量值修正方法、装置、设备及存储介质
技术领域
1.本技术涉及气体流量计量领域，具体涉及一种sf6气体流量计量值修正方法、装置、设备及存储介质。


背景技术：

2.六氟化硫(sf6)具有良好的电气绝缘性能及优异的灭弧性能。其耐电强度为同一压力下氮气的2.5倍，击穿电压是空气的2.5倍，灭弧能力是空气的100倍，是一种优于空气和油之间的新一代超高压绝缘介质材料。六氟化硫以其良好的绝缘性能和灭弧性能，广泛应用于电子器件中，如:断路器、高压变压器、气封闭组合电容器、高压传输线、互感器等。电气工业利用其很高介电强度和良好的灭电弧性能，用作高压开关、大容量变压器、高压电缆和气体的绝缘材料。
3.sf6气体在应用时需要对其流量进行测量，然而利用传统的气体流量计对sf6气体流量进行测量时由于受温度和气压的影响导致测量值存在误差，因此有必要提供一种sf6气体流量计量值修正方法。


技术实现要素：

4.本技术实施例的目的在于提供一种sf6气体流量计量值修正方法、装置设备及存储介质，旨在用于解决现有的气体流量计对sf6气体流量进行测量时存在误差的问题。
5.为实现上述目的，本技术提供如下技术方案：
6.第一方面，本技术实施例提供一种sf6气体流量计量值修正方法，包括以下步骤：
7.获取sf6气体流量计量值以及对应的温度值和气压值；
8.将上述温度值和气压值输入到训练好的修正值预测模型中，所述修正值预测模型包括多个对应不同温度段和气压段组合的神经网络模型，所述修正值预测模型根据输入的温度值和气压值所属的温度段和气压段利用对应的神经网络模型预测并输出对应的气体流量修正值；
9.将所述sf6气体流量计量值与所述气体流量修正值叠加得到修正后的气体流量值。
10.进一步的，所述训练好的修正值预测模型的获取方法如下：
11.获取多个特征样本数据，每个所述特征样本数据包含温度值、气压值以及对应的sf6气体流量计量误差值，将多个特征样本数据按不同的温度段和气压段的组合分成多组；
12.建立双输入单输出的神经网络模型；
13.分别利用各组特征样本数据，以温度值和气压值作为输入，以sf6气体流量计量误差值作为输出，对上述建立的神经网络模型进行训练，得到多个对应不同温度段和气压段组合的神经网络模型，即为训练好的修正值预测模型。
14.进一步的，所述将多个特征样本数据按不同的温度段和气压段的组合分成多组具体包括：
15.将一定范围的温度和气压分别进行分段并将二者分段后的区间进行排列组合，每个组合包含一个温度区间和一个气压区间，将多个特征样本数据按上述组合分成多组。
16.进一步的，所述建立双输入单输出的神经网络模型具体包括：
17.首先搭建传统的bp神经网络框架pso算法框架，初始化pso算法粒子的速度、位置矢量，设定需要修正的误差区间阈值，同时计算均方误差函数；
18.然后更新bp神经网络的个体和全局极值，更新pso算法粒子速度和位置矢量；
19.随后根据计算得到的均方误差函数值判断是否满足精度要求，如果满足精度要求，则直接将粒子速度和位置信息赋值给bp神经网络完成神经网络优化，如果不满足精度要求，则增加迭代次数，直到均方误差函数值满足精度要求，完成双输入单输出的神经网络模型的建立。
20.进一步的，所述均方误差函数表示如下：
[0021][0022]
其中n为优化后神经网络训练样本的数量，y
p
(i)为神经网络的期望输出值，为神经网络输出层实际输出值。
[0023]
进一步的，该方法还包括：
[0024]
将训练好的修正值预测模型输出的气体流量修正值与对应的温度值和气压值作为特征样本对模型进行进一步训练。
[0025]
第二方面，本技术实施例提供一种sf6气体流量计量值修正装置，包括：
[0026]
数据获取模块，用于获取sf6气体流量计量值以及对应的温度值和气压值；
[0027]
修正值获取模块，用于将上述温度值和气压值输入到训练好的修正值预测模型中，所述修正值预测模型包括多个对应不同温度段和气压段组合的神经网络模型，所述修正值预测模型根据输入的温度值和气压值所属的温度段和气压段利用对应的神经网络模型预测并输出对应的气体流量修正值；
[0028]
误差修正模块，用于将所述sf6气体流量计量值与所述气体流量修正值叠加得到修正后的气体流量值。
[0029]
第三方面，本技术实施例提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
[0030]
第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行时实现如上所述方法的步骤。
[0031]
与现有技术相比，本发明的有益效果是：
[0032]
本发明提供的这种sf6气体流量计量值修正方法、装置、设备及存储介质，首先获取sf6气体流量计量值以及对应的温度值和气压值，然后将上述温度值和气压值输入到其所属温度段和气压段对应的训练好的修正值预测模型中，模型输出该温度值和气压值对应的气体流量修正值，最后将所述sf6气体流量计量值与所述气体流量修正值叠加得到修正后的气体流量值；将温度和气压进行分段并得到不同温度段和气压段组合对应的神经网络模型，该模型输出较高精度的气体流量修正值，最终实现对sf6气体流量计量装置测量误差
的补偿。
附图说明
[0033]
为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0034]
图1为本发明实施例提供的一种sf6气体流量计量值修正方法的流程图；
[0035]
图2为本发明实施例提供的一种sf6气体流量计量值修正装置的结构框图。
具体实施方式
[0036]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0037]
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0038]
术语“第一”、“第二”等仅用于将一个实体或者操作与另一个实体或操作区分开来，而不能理解为指示或暗示相对重要性，也不能理解为要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
[0039]
如图1所示，本发明实施例提供一种sf6气体流量计量值修正方法，包括以下步骤：
[0040]
s101、获取sf6气体流量计量值以及对应的温度值和气压值。
[0041]
其中，所述sf6气体流量计量值通过sf6气体流量计量装置例如sf6气体流量计/sf6气体流量传感器测得，对应的温度值和气压值可以通过温度传感器和气压传感器测得，sf6气体流量计量装置以及温度传感器和气压传感器在sf6气体通道上串联设置，即sf6气体依次经过上述测量装置。
[0042]
s102、将上述温度值和气压值输入到训练好的修正值预测模型中，所述修正值预测模型包括多个对应不同温度段和气压段组合的神经网络模型，所述修正值预测模型根据输入的温度值和气压值所属的温度段和气压段利用对应的神经网络模型预测并输出对应的气体流量修正值。
[0043]
本发明实施例将温度和气压进行分段并得到不同温度段和气压段组合对应的神经网络模型，由于不同温度段和气压段下sf6气体温度和气压对sf6气体流量测量的影响大小不同，本发明实施例相比仅采用一个神经网络模型而言，该模型能够输出较高精度的气体流量修正值，从而获取更高精度的气体流量值。
[0044]
s103、将所述sf6气体流量计量值与所述气体流量修正值叠加得到修正后的气体流量值。
[0045]
具体可以实时计算气体流量修正值并对sf6气体流量计量值进行实时修正，获取
高精度的气体流量值提供给用户，实现对sf6气体流量计量装置测量误差的补偿。
[0046]
进一步地，所述训练好的修正值预测模型的获取方法如下：
[0047]
(1)获取多个特征样本数据，该特征样本数据采用的是标准数据，每个所述特征样本数据包含温度值、气压值以及对应的sf6气体流量计量误差值，将多个特征样本数据按不同的温度段和气压段的组合分成多组；
[0048]
(2)建立双输入单输出的神经网络模型；
[0049]
(3)分别利用各组特征样本数据，以温度值和气压值作为输入，以sf6气体流量计量误差值作为输出，对上述建立的神经网络模型进行训练，得到多个对应不同温度段和气压段组合的神经网络模型，即为训练好的修正值预测模型。
[0050]
具体地，所述将多个特征样本数据按不同的温度段和气压段的组合分成多组具体包括：
[0051]
将一定范围的温度和气压分别进行分段并将二者分段后的区间进行排列组合，每个组合包含一个温度区间和一个气压区间，将多个特征样本数据根据其温度和气压所属的区间按上述组合分成多组，每组包含多个特征样本数据，进行分段的温度和气压的范围以及分段的方法可以根基实际需要来设置，本实施例对此不作限定。
[0052]
由于在随机生成bp神经网络的初始权值和阈值时，如果初始权值和阈值的选取不恰当时，容易导致出现网络收敛速度慢、陷入局部最小值等问题。本发明采用pso算法对bp神经网络进行优化，降低初始值对bp神经网络预测结果的影响，提高网络的收敛速度和预测精度。优选地，所述建立双输入单输出的神经网络模型具体包括：
[0053]
首先搭建传统的bp神经网络框架pso算法框架，初始化pso算法粒子的速度、位置矢量，设定需要修正的误差区间阈值，同时计算均方误差函数；然后更新bp神经网络的个体和全局极值，更新pso算法粒子速度和位置矢量；随后根据计算得到的均方误差函数值判断是否满足精度要求，如果满足精度要求，则直接将粒子速度和位置信息赋值给bp神经网络完成神经网络优化，如果不满足精度要求，则增加迭代次数，直到均方误差函数值满足精度要求，完成双输入单输出的神经网络模型的建立。
[0054]
所述均方误差函数表示如下：
[0055][0056]
其中n为优化后神经网络训练样本的数量，yp(i)为神经网络的期望输出值，为神经网络输出层实际输出值。
[0057]
优选地，该方法还包括：将训练好的修正值预测模型输出的气体流量修正值与对应的温度值和气压值作为特征样本对模型进行进一步训练，从而进一步提高模型的精度。
[0058]
如图2所示，本发明实施例还提供一种sf6气体流量计量值修正装置，包括：
[0059]
数据获取模块201，用于获取sf6气体流量计量值以及对应的温度值和气压值；
[0060]
修正值获取模块202，用于将上述温度值和气压值输入到训练好的修正值预测模型中，所述修正值预测模型包括多个对应不同温度段和气压段组合的神经网络模型，所述修正值预测模型根据输入的温度值和气压值所属的温度段和气压段利用对应的神经网络模型预测并输出对应的气体流量修正值；
[0061]
误差修正模块203，用于将所述sf6气体流量计量值与所述气体流量修正值叠加得到修正后的气体流量值。
[0062]
本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上任一所述方法的步骤
[0063]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行时实现如上任一所述方法的步骤。
[0064]
由于上述装置、电子设备以及计算机可读存储介质的实施例解决问题的原理与上述方法实施例类似，因此其实施可以参照上述方法实施例，重复之处不再赘述。
[0065]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0066]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0067]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0068]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0069]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0070]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0071]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备
或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0072]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。