一种精准用电调控终端校准方法、装置和设备与流程

1.本发明涉及电力设备技术领域，具体涉及一种精准用电调控终端校准方法、装置和设备。


背景技术：

2.目前，针对精准用电调控终端(例如计量设备)的分析主要是针对运行的不同工作状况(电压、电流、相角不同的情况下)常温下进行，定性分析智能电表自身的工作状况和环境因素的影响，此方法缺乏结构或者系统的数据，导致主观偏差，因此影响计量校准的可靠性和准确性。另外，针对环境温度变化，主要考虑温度和误差变化，采用补偿装置进行误差校正，或者通过采用芯片的增益或者晶振振荡频率适当修正等方法对温度进行补偿。同时，也有利用仿真软件建模，根据获取的实际温度数据建立芯片与计量回路中影响误差的关键元器件之间的温度映射关系。
3.精准用电调控终端的校准没有考虑实际使用过程中全温度产生的影响，从而导致其计量误差精度较差。


技术实现要素：

4.有鉴于此，本发明实施例提供一种精准用电调控终端校准方法、装置和设备，以提高精准用电调控终端的计量精度。
5.为实现上述目的，本发明实施例提供如下技术方案：
6.一种精准用电调控终端校准方法，包括：
7.获取精准用电调控终端的热仿真模型；
8.获取不同工况下精准用电调控终端的误差值随温度的变化数据，记为第一变化数据；
9.基于所述第一变化数据，修正所述热仿真模型；
10.基于所述热仿真模型，获取不同工况下所述精准用电调控终端相关元器件的误差值随温度的变化数据，记为第二变化数据；
11.将所述第二变化数据作为预测变量，构建自学习模型，所述自学习模型用于表征所述不同工况下所述精准用电调控终端相关元器件的误差值与温度之间的映射关系；
12.获取不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性；
13.基于所述映射关系以及所述不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性，获取各个工况下所述相关元器件的温度补偿系数；
14.基于所述温度补偿系数，确定不同工况下所述精准用电调控终端的温度补偿校准系数。
15.可选的，上述精准用电调控终端校准方法中，获取不同工况下精准用电调控终端的误差值随温度的变化数据包括：
16.不同电压下精准用电调控终端的误差值随温度的变化数据；
17.不同相角下精准用电调控终端的误差值随温度的变化数据；
18.不同电流下精准用电调控终端的误差值随温度的变化数据。
19.可选的，上述精准用电调控终端校准方法中，所述相关元器件包括：计量芯片和采样电阻。
20.可选的，上述精准用电调控终端校准方法中，所述获取精准用电调控终端的热仿真模型，包括：
21.基于所述精准用电调控终端的三维模型以及所述精准用电调控终端的相关元器件模拟装配数据，构建影响所述精准用电调控终端的温度场分布的热仿真模型。
22.可选的，上述精准用电调控终端校准方法中，所述自学习模型为具有可调节学习速率的bp神经网络模型。
23.一种精准用电调控终端校准装置，包括：
24.模型构建单元，获取精准用电调控终端的热仿真模型；
25.第一变化数据记录单元，用于获取不同工况下精准用电调控终端的误差值随温度的变化数据，记为第一变化数据；
26.热仿真模型修正单元，用于基于所述第一变化数据，修正所述热仿真模型；
27.第二变化数据记录单元，获取不同工况下所述精准用电调控终端相关元器件的误差值随温度的变化数据，记为第二变化数据；
28.自学习单元，用于将所述第二变化数据作为预测变量，构建自学习模型，所述自学习模型用于表征所述不同工况下所述精准用电调控终端相关元器件的误差值与温度之间的映射关系；
29.温度特性获取单元，用于获取不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性；
30.第一补偿系数分析单元，基于所述映射关系以及所述不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性，获取各个工况下所述相关元器件的温度补偿系数；
31.第二补偿系数分析单元，基于所述温度补偿系数，确定不同工况下所述精准用电调控终端的温度补偿校准系数。
32.可选的，上述精准用电调控终端校准装置中，第一变化数据记录单元在获取不同工况下精准用电调控终端的误差值随温度的变化数据时，具体用于：
33.获取不同电压下精准用电调控终端的误差值随温度的变化数据；
34.获取不同相角下精准用电调控终端的误差值随温度的变化数据；
35.获取不同电流下精准用电调控终端的误差值随温度的变化数据。
36.可选的，上述精准用电调控终端校准装置中，所述相关元器件包括：计量芯片和采样电阻。
37.可选的，上述精准用电调控终端校准装置中，所述模型构建单元，在获取精准用电调控终端的热仿真模型时，具体用于：
38.基于所述精准用电调控终端的三维模型以及所述精准用电调控终端的相关元器件模拟装配数据，构建影响所述精准用电调控终端的温度场分布的热仿真模型。
39.一种精准用电调控终端校准设备，包括：
40.存储器和处理器；所述存储器存储有适于所述处理器执行的程序，所述程序用于：
41.获取精准用电调控终端的热仿真模型；
42.获取不同工况下精准用电调控终端的误差值随温度的变化数据，记为第一变化数据；
43.基于所述第一变化数据，修正所述热仿真模型；
44.获取不同工况下所述精准用电调控终端相关元器件的误差值随温度的变化数据，记为第二变化数据；
45.将所述第二变化数据作为预测变量，构建自学习模型，所述自学习模型用于表征所述不同工况下所述精准用电调控终端相关元器件的误差值与温度之间的映射关系；
46.获取不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性；
47.基于所述映射关系以及所述不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性，获取各个工况下所述相关元器件的温度补偿系数；
48.基于所述温度补偿系数，确定不同工况下所述精准用电调控终端的温度补偿校准系数。
49.基于上述技术方案，本发明实施例提供的上述方案，本技术上述实施例公开的技术方案中，通过创建精准用电调控终端的热仿真模型，并采用不同工况下精准用电调控终端的误差值随温度的变化数据对所述热仿真模型进行修正，结合所述热仿真模型以及不同工况下所述精准用电调控终端相关元器件的误差值随温度的变化数据，基于上述相关元器件的误差值随温度的变化数据构建自学习模型，得到所述相关元器的误差值与温度之间的映射关系，然后再获取不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性，基于所述不同工况下所述精准用电调控终端的温度分布数据确定不同工况下各个相关元器的温度，基于不同工况下各个相关元器的温度确定不同工况下各个相关元器的器件温度特性，以及基于所述映射关系获取该不同工况下各个相关元器的误差值，基于不同工况下的器件温度特性以及误差值，就可以确定不同工况下所述相关元器件的温度补偿系数，再基于所述温度补偿系数，即可确定不同工况下所述精准用电调控终端的温度补偿校准系数，从而降低了精准用电调控终端的计量误差。
附图说明
50.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
51.图1为本技术实施例公开的精准用电调控终端校准方法的流程示意图；
52.图2为本技术实施例公开的精准用电调控终端校准装置的结构示意图；
53.图3为本技术实施例公开的精准用电调控终端校准设备的结构示意图。
具体实施方式
54.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
55.精准用电调控终端在实际使用中由于环境温度对计量芯片、采样电阻的影响导致常温的校准容易发生漂移，为了解决精准用电调控终端校准在不同工作状况下(不同的电压、电流、相角)温度变化引起元器件对计量误差的影响，本发明采用不同的工作状况(不同的电压、电流、相角)下，考虑运行温度范围内精准用电调控终端采样电阻、计量芯片对校准的影响，提出一种弹性调节学习速率的bp神经神经网络模型实现全温度补偿的精准用电调控终端校准优化方法。
56.具体的，参见图1，本技术公开的精准用电调控终端校准方法，可以包括：
57.步骤s101：获取精准用电调控终端的热仿真模型；
58.本步骤中，在获取所述精准用电调控终端的热仿真模型之前，需要建立所述精准用电调控终端的三维模型，并进行相关元器件的模拟装配，所述相关元器件指的是与所述精准用电调控终端的精度有关的元件，例如，可以包括精准用电调控终端的计量芯片、采样电阻，当然也可以包括精准用电调控终端cpu，根据所述精准用电调控终端内部的三维模型和相关元器件建立影响终端计量精度的热仿真模型。
59.步骤s102：获取不同工况下精准用电调控终端以及相关元器件的误差值随温度的变化数据，记为第一变化数据；
60.本步骤中，所述第一变化数据用于修正所述热仿真模型，本步骤中，通过对所述精准用电调控终端在不同工况下进行实测，可以得到不同工况下精准用电调控终端的误差值随温度的变化数据。
61.具体的，所述不同工况可以包括电压工况、相角工况和电流工况；
62.即，本步骤中的第一变化数据包括：
63.①
、在不同电压下精准用电调控终端以及相关元器件的误差值随温度的变化数据；
64.不同电压精准用电调控终端计量误差随温度的变化而变化：在测试时，设置精准用电调控终端的电压变化范围为一变量：电流为一固定值，例如为0.25a，相角为一固定值，例如0
°
，精准用电调控终端的温度变化范围为-40℃-70℃，获取精准用电调控终端计量误差随温度变化状况及精准用电调控终端的计量芯片、采样电阻，精准用电调控终端cpu的误差随温度分布情况；
65.②
、在不同相角下精准用电调控终端以及相关元器件的误差值随温度的变化数据；
66.不同相角下精准用电调控终端计量误差随温度变化：设置电压为一固定值，电流为一固定值，相角为一变量，变量的范围为-60
°‑
60
°
，精准用电调控终端的温度变化范围为-40℃-70℃，获取精准用电调控终端计量误差随温度变化状况及精准用电调控终端的计量芯片、采样电阻，精准用电调控终端cpu的误差随温度分布情况；
67.③
、在不同电流下精准用电调控终端以及相关元器件的误差值随温度的变化数
据。
68.不同电流下精准用电调控终端计量误差随温度变化：设置电压为一固定值，电流为一变量，相角为一固定值，例如0
°
，精准用电调控终端的温度变化范围为-40℃-70℃，获取精准用电调控终端计量误差随温度变化状况及精准用电调控终端的计量芯片、采样电阻，精准用电调控终端cpu的误差随温度分布情况。
69.步骤s103：基于所述第一变化数据，修正所述热仿真模型；
70.在获取到所述第一变化数据后，基于所述第一变化数据修正所述热仿真模型的参数。
71.步骤s104：基于所述热仿真模型，获取不同工况下所述精准用电调控终端相关元器件的误差值随温度的变化数据，记为第二变化数据。
72.在修正所述热仿真模型后，基于修正后的热仿真模型，获取不同工况下，所述相关元器件温度值，基于所述温度值，可以分析得到在该温度值下所述相关元器件的误差值，从而得到所述不同工况下所述精准用电调控终端相关元器件的误差值随温度的变化数据。
73.步骤s105：将所述第二变化数据作为预测变量，构建自学习模型，所述自学习模型用于表征所述不同工况下所述精准用电调控终端相关元器件的误差值与温度之间的映射关系。
74.本步骤中，所述自学习模型的具体类型可以根据用户需求自行设定，优选的，在本方案中，选择具有可调节学习速率的bp神经网络模型作为所述自学习模型，所述bp神经网络模型的创建、训练和校验过程可以参见现有技术，具体的，该过程可以包括：
75.创建bp神经网络模型，基于所述相关元器件的误差随温度的变化数据对所述bp神经网络模型进行训练，采用训练后的bp神经网络模型得到各种工况下所述精准用电调控终端相关元器件的误差值与温度之间的映射关系，记为映射关系。
76.本步骤中，在对所述bp神经网络进行训练时，首先需要进行样本数据初始化，该过程需要对样本数据进行处理，依据输入输出(x，y)，进行初始化，确定神经元之间的连接权值wij和wjk，所述样本数据为上文中的相关元器件的误差随温度的变化数据；
77.计算bp神经网络的隐含层的输出：所述bp神经网络的激励函数g(x)均为sigmoid函数，bp神经网络的输入层、隐含层和输出层的节点数分别为n、l和m，输入层学习速率为α，则bp神经网络的隐含层的输出有：
[0078][0079][0080]
bp神经网络的输出层的输出计算：
[0081][0082]
bp神经网络的学习效率系数确定：
[0083]
引入动量因子α改善网络的收敛速度(0≤α≤1)，当bp神经网络的迭代运算的修正
方向正确，则赋值α略小于1用于标记记忆方向。反之，则赋值为0，不标记此记忆方向。同时，使用弹性方法改进，采用sigmoid函数作为隐含层的激活函数修改迭代中的权值：
[0084]
w(k 1)＝w(k)-(w(k)-w(k-1))sign(
▽
f(wk))
[0085]
其中，w(k)表示连接权系数，上述公式可以看出，弹性方法改进时，在迭代中权值朝着同方向变化的话，就会增大权值量，使得算法的收敛速度增加。
[0086]
误差的计算为：
[0087][0088]
其中zk为期望输出，yk为误差，ek代表均方差；以上公式中i＝1
…
n，j＝1
…
l，k＝1
…
m。
[0089]
神经网络的验证
[0090]
bp神经网络训练完成后，用试验得到选定的输入输出数据训练神经网络，使训练后的bp神经网络能够预测模型的输出。从选定的第二变化数据中一部分用于bp神经网络的训练，一部第二变化数据作为测试数据，用于测试bp神经网络的拟合性能。用训练好的bp神经网络预测模型输出，并对预测结果进行分析。
[0091]
步骤s106：获取不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性。
[0092]
在本步骤中，可以采用simulink构建所述精准用电调控终端相关元器件的仿真模型，将不同实测工况下所述相关元器件(采样电阻和计量芯片)实测温度特性以及不同工况下所述精准用电调控终端的温度分布数据写入所述仿真模型。
[0093]
此时，基于该仿真模型可以得到各个工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性。
[0094]
步骤s107：基于所述映射关系以及所述不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性，获取各个工况下所述相关元器件的温度补偿系数。
[0095]
在本步骤中，当确定不同工况下所述精准用电调控终端的温度分布数据以后，可以确定各个所述相关元器件在不同工况下的温度，进而得到不同工况下各个相关元器件的温度特性，通过所述映射关系基于不同工况下精准用电调控终端的温度，可以得到各个相关元器件在该温度下的误差，将所述误差与所述温度特性进行结合分析，可以得到在各个工况下所述相关元器件的温度补偿系数。
[0096]
步骤s108：基于所述温度补偿系数，确定不同工况下所述精准用电调控终端的温度补偿校准系数。
[0097]
本步骤中，在确定所述精准用电调控终端中相关元器件在各个工况下的温度补偿系数以后，基于这些相关元器件的温度补偿系数计算得到所述精准用电调控终端的温度补偿校准系数。
[0098]
本技术上述实施例公开的技术方案中，通过创建精准用电调控终端的热仿真模型，并采用不同工况下精准用电调控终端的误差值随温度的变化数据对所述热仿真模型进行修正，结合所述热仿真模型以及不同工况下所述精准用电调控终端相关元器件的误差值随温度的变化数据，基于上述相关元器件的误差值随温度的变化数据构建自学习模型，得
到所述相关元器的误差值与温度之间的映射关系，然后再获取不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性，基于所述不同工况下所述精准用电调控终端的温度分布数据确定不同工况下各个相关元器的温度，基于不同工况下各个相关元器的温度确定不同工况下各个相关元器的器件温度特性，以及基于所述映射关系获取该不同工况下各个相关元器的误差值，基于不同工况下的器件温度特性以及误差值，就可以确定不同工况下所述相关元器件的温度补偿系数，再基于所述温度补偿系数，即可确定不同工况下所述精准用电调控终端的温度补偿校准系数，从而降低了精准用电调控终端的计量误差。
[0099]
本实施例中公开了一种精准用电调控终端校准装置，装置中的各个单元的具体工作内容，请参见上述方法实施例的内容。
[0100]
下面对本发明实施例提供的精准用电调控终端校准装置进行描述，下文描述的精准用电调控终端校准装置与上文描述的精准用电调控终端校准方法可相互对应参照。
[0101]
参见图2，该装置可以包括：模型构建单元a、第一变化数据记录单元b、热仿真模型修正单元c、第二变化数据记录单元d、自学习单元e、温度特性获取单元f、第一补偿系数分析单元g和第二补偿系数分析单元h。
[0102]
模型构建单元a，其与上述方法步骤s101相对应，用于获取精准用电调控终端的热仿真模型；
[0103]
第一变化数据记录单元b，其与上述方法步骤s102相对应，用于获取不同工况下精准用电调控终端的误差值随温度的变化数据，记为第一变化数据；
[0104]
热仿真模型修正单元c，其与上述方法步骤s103相对应，用于基于所述第一变化数据，修正所述热仿真模型；
[0105]
第二变化数据记录单元d，其与上述方法步骤s104相对应，用于获取不同工况下所述精准用电调控终端相关元器件的误差值随温度的变化数据，记为第二变化数据；
[0106]
自学习单元e，其与上述方法步骤s105相对应，用于将所述第二变化数据作为预测变量，构建自学习模型，所述自学习模型用于表征所述不同工况下所述精准用电调控终端相关元器件的误差值与温度之间的映射关系；
[0107]
温度特性获取单元f，其与上述方法步骤s106相对应，用于获取不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性；
[0108]
第一补偿系数分析单元g，其与上述方法步骤s107相对应，用于基于所述映射关系以及所述不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性，获取各个工况下所述相关元器件的温度补偿系数；
[0109]
第二补偿系数分析单元h，其与上述方法步骤s108相对应，用于基于所述温度补偿系数，确定不同工况下所述精准用电调控终端的温度补偿校准系数。
[0110]
对应于上述方法，本技术还公开了一种精准用电调控终端校准设备，图3为本发明实施例提供的服务器的硬件结构图，参见图3所示，可以包括：至少一个处理器100，至少一个通信接口200，至少一个存储器300和至少一个通信总线400；
[0111]
在本发明实施例中，处理器100、通信接口200、存储器300、通信总线400的数量为至少一个，且处理器100、通信接口200、存储器300通过通信总线400完成相互间的通信；显然，图3所示的处理器100、通信接口200、存储器300和通信总线400所示的通信连接示意仅
是可选的；
[0112]
可选的，通信接口200可以为通信模块的接口，如gsm模块的接口；
[0113]
处理器100可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
[0114]
存储器300可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0115]
其中，处理器100具体用于：
[0116]
获取精准用电调控终端的热仿真模型；
[0117]
获取不同工况下精准用电调控终端的误差值随温度的变化数据，记为第一变化数据；
[0118]
基于所述第一变化数据，修正所述热仿真模型；
[0119]
基于所述热仿真模型，获取不同工况下所述精准用电调控终端相关元器件的误差值随温度的变化数据，记为第二变化数据；
[0120]
将所述第二变化数据作为预测变量，构建自学习模型，所述自学习模型用于表征所述不同工况下所述精准用电调控终端相关元器件的误差值与温度之间的映射关系；
[0121]
获取不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性；
[0122]
基于所述映射关系以及所述不同工况下所述精准用电调控终端的温度分布数据以及相关元器件的温度特性，获取各个工况下所述相关元器件的温度补偿系数；
[0123]
基于所述温度补偿系数，确定不同工况下所述精准用电调控终端的温度补偿校准系数。
[0124]
由上述方案可见，本发明提供的上述精准用电调控终端校准优化方法考虑了温度变化影响精准用电调控终端采样电阻、计量芯片而导致的校准误差，对精准用电调控终端进行全温度下的校准进行优化；
[0125]
本发明通过对精准用电调控终端的可能工作环境温度进行仿真和建模，以理论算法为依据，实现精准用电调控终端全温度范围自适应校准系数，以此来减小计量误差。
[0126]
本发明采用具有可调节学习速率的bp神经网络建立不同工况下相关元器件温度-误差模型，可以构建精准用电调控终端元器件的温度补偿系数。
[0127]
为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0128]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0129]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0130]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0131]
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定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。而且，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。
[0132]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。