CN104964719A - 一种基于bp神经网络的户用电子水表流量计量方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的户用电子水表流量计量方法。本发明的步骤为：一、流量计量模型的初始化：A、采集样本数据，并将其分为学习样本和测试样本；B、确定BP神经网络的输入层、隐含层和输出层的神经元个数；C、确定BP神经网络的训练参数；二、将学习样本输入到流量计量模型中进行训练，直到模型输出数据的误差满足要求；再通过测试样本对流量计量模型进行检验，满足检验要求则保存流量计量模型；三、将流量计量模型移植到控制器中，进行电子水表的水流量计量。本发明利用BP神经网络可以对任意非线性函数进行拟合的特性，实现了电子水表的高精度计量，避免了进行复杂的流量公式推导与修正，适用于各种户用电子式水表。

Description

一种基于BP神经网络的户用电子水表流量计量方法

技术领域

本发明涉及一种电子水表的流量计量方法，具体地说，涉及一种基于BP神经网络的户用电子水表流量计量方法。

背景技术

随着人口的增长与水资源的枯竭，高精度的水计量仪表成为城市公共事业的急需。其中，由于电子水表内部不含机械运动部件，具有计量精度高、测量范围宽等优点，作为一种高计量精度的智能水表在户用水表领域得到了迅速发展。目前国内市场电子水表种类较少，主要有：电磁水表、超声水表、射流水表等几种。

在户用电子水表流量计量方面，目前基本都是根据自身计量原理采用流量公式推导的方法，还没有发现公开文献论述其他的计量方法。但上述方法涉及到对不同参数的复杂修正或者经验估计，且对于一些易受工况影响的电子水表如超声波水表而言，还需要实时进行相应的校正补偿以减小计量误差，过程复杂且仍存在较大误差，不利于新型电子水表的开发。如姚灵发表的《射流电子水表原理及流量测量特性研究》，其流量公式中含有的K调整系数、W权重函数、流量系数等参数，在应用中都需要进行修正。又如姚灵发表的《超声水表流量测量特性分析及校准方法》，其流量公式中也包含一些可变参数，需要实时补偿，流量计量过程复杂。

经检索，中国专利号ZL201110441265.1，授权公告日为2014年6月18日，发明创造名称为：单声道超声水表流量测量特性校正方法；该申请案提供了一种旨在提高家庭户用水表流量测量准确性的校正方法，包括以下步骤：1)分别计算出雷诺数为层流状态上限值、湍流状态下限值、水表流量测量上限时的面平均流速；2)根据现有已知校准方程计算出与面平均流速相对应的线平均流速；3)建立层流状态、过渡流状态、湍流状态时的拟合直线校正方程；4)超声水表测得的线平均流速V_i，比较V_i与V1以及V2，根据比较结果按照合适的拟合直线校正方程进行校正。该申请案通过在不同流速分布状态下设置简便的线性校正方程对超声水表的流量测量特性进行校正，在实流状态下进行2～3个流量点微调，即可满足超声水表在整个流量测量范围内的测量准确度要求。但该申请案测量操作繁琐，且不具有普遍适用性。

中国专利号ZL201010590749.8，授权公告日为2012年1月11日，发明创造名称为：城市排水汇流管网污水泵站流量的软测量方法，该申请案首先利用机理分析和先验信息，分析汇流节点泵站流量的主要影响因素，初步确定BP神经网络的影响因素，即确定输入输出变量。然后利用灰色关联分析方法确定不同上游泵站排水流量滞后时间。在泵站历史运行数据基础上建立灰色神经网络模型，预测汇流节点泵站流量。该申请案通过将灰色关联分析和神经网络两种方法结合，解决上游泵站排水时延差异问题，实现汇流节点污水泵站流量软测量，但该申请案在应用上具有局限性，并不能推广应用到户用电子水表的流量计量。

发明内容

1.发明要解决的技术问题

本发明的目的在于克服现有户用电子水表流量计量方案需进行复杂参数修正及校正补偿以减小计量误差的不足，提供了一种基于BP神经网络的户用电子水表流量计量方法；本发明提供的技术方案可以适用于各类户用电子水表的流量计量，且能够避免电子水表复杂的流量公式推导与修正，进一步提高了电子水表的应用性。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

本发明的一种基于BP神经网络的户用电子水表流量计量方法，建立三层BP神经网络流量计量模型对户用电子水表进行流量计算，主要步骤为：

步骤一、流量计量模型的初始化：

A、采集电子水表的水压和流量信号作为样本数据，并将样本数据分为学习样本和测试样本；

B、确定BP神经网络的输入层、隐含层和输出层的神经元个数；

C、确定BP神经网络的训练参数，所述训练参数包括训练精度、训练函数、最大迭代次数、激励函数和学习率；

步骤二、流量计量模型的训练与测试：将步骤一所得学习样本输入到流量计量模型中进行训练，直到模型输出数据的误差满足精度要求；再通过测试样本对流量计量模型进行检验，满足检验要求则保存流量计量模型的各层权值和阀值；

步骤三、流量计量：将训练好的流量计量模型移植到电子水表控制器中，进行电子水表的水流量计量。

更进一步地，步骤一采用差压式结构测量电子水表的水压和流量信号，所述差压式结构包括入水口、水管壁、负取压孔、出水口和正取压孔，负取压孔位于水管壁的上管壁，且负取压孔的开设方向与水流方向垂直；正取压孔位于水管壁的下管壁，且正取压孔的开设方向与水流方向平行；所述的负取压孔和正取压孔中均安装有与电子水表的控制器电连接的压力传感器。

更进一步地，步骤一中对得到的样本数据进行归一化处理，具体公式为：

$P_n=\frac{2(P-P_{\min })}{P_{max}-P_{\min }}-1$

式中，P为样本数据值，P_min为样本数据最小值，P_max为样本数据最大值，P_n为归一化后的样本数据值。

更进一步地，步骤一中BP神经网络的输入层神经元个数为，负取压孔和正取压孔的压力数据分别作为流量计量模型的X₁输入、X₂输入；输出层神经元个数为，隐含层神经元个数由经验公式确定，经验公式为：

$n=\sqrt{x+y}+c$

式中，x为输入层神经元的个数，y为输出层神经元的个数，c为之间的常数。

更进一步地，步骤二对流量计量模型进行训练时，要求模型输出数据的误差小于0.001。

更进一步地，步骤二利用测试样本对流量计量模型进行检验时，对模型预测输出值进行反归一化处理，公式如下：

$P=\frac{(P_n+1)(P_{max}-P_{\min })}{2}+P_{\min }$

式中，P为样本数据值，P_min为样本数据最小值，P_max为样本数据最大值，P_n为归一化后的样本数据值；

更进一步地，检验归一化后的预测输出值的误差是否小于0.001，判断是否满足检验要求。

更进一步地，步骤三中通过软件编程的方式将流量计量模型移植到电子水表控制器中。

3.有益效果

采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：

(1)本发明的一种基于BP神经网络的户用电子水表流量计量方法，将BP神经网络应用于户用电子水表的流量计量领域，BP神经网络与公式推导或者经验公式相比，具有较大的优越性，其可以以任意精度逼近任意非线性函数，尤其是对于问题的机理较为复杂时，神经网络具有很强的适应性，对于不同机械结构、不同传感器安装位置的户用电子水表都可以使用BP神经网络所构造的流量模型进行流量计量，不再需要根据户用电子水表机械结构、传感器安装位置的改变，进行复杂的流量公式推导或者参数的补偿修正，进一步提高了户用电子水表的应用性，加快了新型电子水表的开发进程；

(2)本发明的一种基于BP神经网络的户用电子水表流量计量方法，仅需有限的样本数据，就可以完成建模，程序简单，运行时间短，效率高，易于移植，实用价值高。

附图说明

图1是本发明测量水压及流量信号的硬件结构示意图；

图2是本发明进行流量预测的流程图；

图3是本发明中BP神经网络流量计量模型的结构示意图；

图4是本发明实施例1中不同流速下流量累计误差分布图。

示意图中的标号说明：

1、入水口；2、水管壁；3、负取压孔；4、出水口；5、正取压孔。

具体实施方式

为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。

实施例1

本实施例的一种基于BP神经网络的户用电子水表流量计量方法，采用图1所示的新型差压式结构测量水压及流量信号。水从所述新型差压式结构的入水口1进入，经负取压孔3和正取压孔5后，通过出水口4流出。所述的负取压孔3位于水管壁2的上管壁，且取压孔开设方向与水流方向垂直；所述的正取压孔5位于水管壁2的下管壁，且取压孔开设方向与水流方向平行。负取压孔3和正取压孔5中均安装有压力传感器，所述压力传感器采用TS12平膜陶瓷压力传感器，该压力传感器与差压式电子水表的控制器电连接，所述控制器采用低功耗MSP430F5529单片机。本实施例中的两个压力传感器即为差压式电子水表的压力传感器，所述差压式电子水表与一标准表(测水流量)相串联。本实施例测量水压及流量信号的方法集合了文丘里和皮托管测量方法，适用于小口径家用测量。

参看图2和图3，本实施例的流量计量过程具体如下：

(一)流量计量模型的初始化：

采用如图1所示的新型差压式结构，当水流速越大时正、负取压孔压力差越大，水流速越小时正、负取压孔压力差越小，故正、负取压孔的压力同水流量相关，为决定流量大小的因素。本实施例首先进行流量模型样本数据的采集，入水口1和出水口4附近设有阀门，通过阀门可调节流体流速，相隔60s记录一次差压式电子水表的两个压力传感器的压力数据和标准表的流量数据，通过调节阀门大小记录差压式电子水表测量范围内的25组压力数据和标准表的流量数据。并将测得的25组数据分为两部分，前1～20组数据作为学习样本数据，后21～25组数据作为测试样本数据，利用线性函数转换方法对采集到的样本数据进行归一化处理，使样本数据取值范围为-1～+1，具体公式如式(1)所示：

$P_n=\frac{2(P-P_{\min })}{P_{max}-P_{\min }}-1---\left(1\right)$

式中，P为样本数据值，P_min为样本数据最小值，P_max为样本数据最大值，P_n为归一化后的样本数据值。

其次，进行流量模型的具体设置，由于流量同正、负取压孔的压力有关，因此将BP神经网络流量计量模型的输入层神经元个数设置为2，正取压孔压力数据和负取压孔压力数据分别作为流量计量模型的X₁输入、X₂输入。由于流量计量模型最终输出变量只为瞬时流量数据，因此输出层神经元个数设置为1，表示为Y。隐含层神经元数目n则根据经验公式确定，经验公式如式(2)所示：

$n=\sqrt{x+y}+c---\left(2\right)$

式中，x为输入层神经元的个数，y为输出层神经元的个数，c为之间的常数。

隐含层神经元个数比较难确定，但对模型的精确度和准确度影响却很大。本实施例通过理论分析和不断试算，最终确定了训练误差满足要求且迭代次数最小的隐含层神经元个数n＝10。

本实施例中激励函数采用Sigmoid函数，该函数连续可导，通过调节曲线的参数可得到类似阀值函数的功能，其具体函数表达式如式(3)所示：

$y=f\left(x\right)=\frac{1}{1+e^{-\mathrm{\λ}x}}---\left(3\right)$

训练函数则采用traingdx函数，该函数结合了动量法和自适应学习速率，学习率可跟随误差函数的变化自动修正，有利于提高训练精度和降低训练时间。

此外，本实施例考虑到训练精度太低会造成流量计量模型误差较大，训练精度过高又会造成流量计量模型无法实现，将训练精度设置为0.001。且为了防止网络不收敛陷入局部极小值出现一直迭代的情况，本实施例设置最大迭代次数为5000。又由于学习率越小，权值调整量就小，网络收敛速度慢；学习率越大，权值的调整量越大，容易产生震荡。通过不断试算，最终确定了学习率为0.03时，权值调整量和网络收敛速度均较理想。

(二)流量计量模型的训练与测试：首先，将1～20组学习样本数据输入三层BP神经网络流量计量模型中进行训练，并不断计算流量计量模型输出值Y同实际测量流量数据之间的误差，直到模型输出数据的误差满足设置的精度要求，即当流量计量模型输出值和实际值误差小于0.001时，停止训练。最后，将21～25组测试样本数据输入到训练好的流量计量模型中，并将模型预测输出值进行反归一化处理，其处理公式如式(4)所示：

$P=\frac{(P_n+1)(P_{max}-P_{\min })}{2}+P_{\min }---\left(4\right)$

通过检验归一化后的预测输出数据和实测数据之间的误差验证该流量计量模型是否满足精度0.001的要求，若满足要求则保存流量模型的各层权值和阀值。

(三)流量计量：在差压式电子水表控制器中进行关于流量计量模型的软件编程，并将训练好的流量计量模型的输入层和隐含层的权值和阀值数据输入到电子水表控制器中完成流量计量模型的移植。控制器不断采集两个压力传感器的数据，并将数据经式(1)进行归一化处理后输入到流量计量模型函数中，即可输出相应的预测数据，再将预测数据经式(4)反归一化处理后即得到实际的瞬时流量数据，经过软件编程进行瞬时流量的累加，便可得到该差压式电子水表的最终累计流量数据。

值得说明的是，现有电子水表如超声波水表、射流水表等，其流量计量公式都是线性的，而本实施例的差压式电子水表由于其流量和差压数据的平方根成正比，故其流量计量公式是呈非线性的，加之差压式电子水表中存在机械尺寸误差、采样误差等影响因素，使得差压流量计量存在非线性化、复杂化的难点，上述问题则尤其适合使用本实施例的BP神经网络来解决，通过提高BP神经网络的训练精度，可以以较低误差拟合流量曲线，提高电子水表的计量精度。本实施例基于BP神经网络对户用电子水表进行流量计量的方案主要存在以下关键点：

(1)在流量模型的建立过程中，需选择合适的输入量，即将影响流量计量的所有影响因素(不重叠)作为流量计量模型的输入量。

(2)BP神经网络隐含层要求在边界条件范围内选取迭代次数最少(训练时间短)、训练精度满足要求的神经元个数n，该神经元个数n的选择一直是个难点，但对模型的精确度和准确度影响很大。

(3)流量模型的训练精度对整个户用电子水表的流量计量至关重要，只有经过测试合格的流量计量模型才可以进行流量计量。

(4)由于流量计量是连续性的，采集的电子水表流量数据需涵盖电子水表的测量范围，即从最小始动流量到最大流量(通俗的讲，即电子水表可以测量的最小流速和最大流速)。

本实施例通过对多种电子水表的工作原理进行分析，最终设计了在水管壁2的上下管壁设置负取压孔3、正取压孔5的新型差压式结构测量水压及流量信号，并将负取压孔3和正取压孔5中压力传感器检测的压力数据作为流量计量模型的X₁输入、X₂输入。通过理论分析和不断试算，最终确定了能够保证流量计量模型精确度和准确度的隐含层神经元个数n＝10。此外，本实施例还通过将测试数据分散在测量范围的各个小区域，避免了训练精度不合格模型的出现。并采用标准表和电子水表串联的方式，同时读取电子水表影响因素的数据和瞬时流量数据，作为流量模型的训练样本，数据涵盖了压力传感器所获取的最小数据到最大数据。

为了验证本实施例流量计量模型的精度，分别在4.08cm/s、9.50cm/s、13.10cm/s水流流速下进行累计流量的误差分析。如图4所示，采用BP神经网络流量计量模型的差压式户用电子水表计量误差在±1.1％内。根据GBT778.3-2007规定，水表在低区的最大允许误差为±5％，高区的最大允许误差为±2％，在水表运行中误差允许为规定误差的两倍。同时按照国际标准，一般民用水表计量误差为±2％～±5％。可见，本实施例流量计量模型的精度较高，符合现有电子水表的计量精度，且远低于国家标准，可以满足户用计量需求。

实施例1所述的一种基于BP神经网络的户用电子水表流量计量方法，将BP神经网络应用于户用电子水表的流量计量领域，其充分利用了BP神经网络可以以任意精度逼近任意非线性函数，尤其是对于问题的机理较为复杂时，神经网络具有很强的适应性的优点，对于不同机械结构、不同传感器安装位置的户用电子水表都可以使用BP神经网络所构造的流量模型进行流量计量，不再需要根据户用电子水表机械结构、传感器安装位置的改变，进行复杂的流量公式推导或者参数的补偿修正，只要采集一定的训练样本，既可以将改变结构或者传感器位置的流量公式再次拟合出来，进一步提高了户用电子水表的应用性，加快了新型电子水表的开发进程。同时，由于水的流量计量虽然是非线性的，但却是连续性的，采用本发明的流量计量方法只需要采集在测量范围内的部分数据，就可以完成建模，程序简单，运行时间短，效率高，易于移植。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (7)

1.一种基于BP神经网络的户用电子水表流量计量方法，其特征在于：建立三层BP神经网络流量计量模型对户用电子水表进行流量计算，主要步骤为：

步骤一、流量计量模型的初始化：

A、采集电子水表的水压和流量信号作为样本数据，并将样本数据分为学习样本和测试样本；

B、确定BP神经网络的输入层、隐含层和输出层的神经元个数；

C、确定BP神经网络的训练参数，所述训练参数包括训练精度、训练函数、最大迭代次数、激励函数和学习率；

步骤二、流量计量模型的训练与测试：将步骤一所得学习样本输入到流量计量模型中进行训练，直到模型输出数据的误差满足精度要求；再通过测试样本对流量计量模型进行检验，满足检验要求则保存流量计量模型的各层权值和阀值；

步骤三、流量计量：将训练好的流量计量模型移植到电子水表控制器中，进行电子水表的水流量计量。

2.根据权利要求1所述的一种基于BP神经网络的户用电子水表流量计量方法，其特征在于：步骤一采用差压式结构测量电子水表的水压和流量信号，所述差压式结构包括入水口(1)、水管壁(2)、负取压孔(3)、出水口(4)和正取压孔(5)，负取压孔(3)位于水管壁(2)的上管壁，且负取压孔(3)的开设方向与水流方向垂直；正取压孔(5)位于水管壁(2)的下管壁，且正取压孔(5)的开设方向与水流方向平行；所述的负取压孔(3)和正取压孔(5)中均安装有与电子水表的控制器电连接的压力传感器。

3.根据权利要求2所述的一种基于BP神经网络的户用电子水表流量计量方法，其特征在于：步骤一中对得到的样本数据进行归一化处理，具体公式为：

$P_n=\frac{2(P-P_{\min })}{P_{max}-P_{\min }}-1$

式中，P为样本数据值，P_min为样本数据最小值，P_max为样本数据最大值，P_n为归一化后的样本数据值。

4.根据权利要求2或3所述的一种基于BP神经网络的户用电子水表流量计量方法，其特征在于：步骤一中BP神经网络的输入层神经元个数为2，负取压孔(3)和正取压孔(5)的压力数据分别作为流量计量模型的X₁输入、X₂输入；输出层神经元个数为1，隐含层神经元个数由经验公式确定，经验公式为：

$n=\sqrt{x+y}+c$

式中，x为输入层神经元的个数，y为输出层神经元的个数，c为之间的常数。

5.根据权利要求4所述的一种基于BP神经网络的户用电子水表流量计量方法，其特征在于：步骤二对流量计量模型进行训练时，要求模型输出数据的误差小于0.001。

6.根据权利要求5所述的一种基于BP神经网络的户用电子水表流量计量方法，其特征在于：步骤二利用测试样本对流量计量模型进行检验时，对模型预测输出值进行反归一化处理，公式如下：

$P=\frac{(P_n+1)(P_{max}-P_{\min })}{2}+P_{\min }$

式中，P为样本数据值，P_min为样本数据最小值，P_max为样本数据最大值，P_n为归一化后的样本数据值；

检验归一化后的预测输出值的误差是否小于0.001，判断是否满足检验要求。

7.根据权利要求6所述的一种基于BP神经网络的户用电子水表流量计量方法，其特征在于：步骤三中通过软件编程的方式将流量计量模型移植到电子水表控制器中。