CN112649656B - 一种基于神经网络的提高电流传感器精度的信息处理方法及系统 - Google Patents

一种基于神经网络的提高电流传感器精度的信息处理方法及系统 Download PDF

Info

Publication number
CN112649656B
CN112649656B CN202011004182.1A CN202011004182A CN112649656B CN 112649656 B CN112649656 B CN 112649656B CN 202011004182 A CN202011004182 A CN 202011004182A CN 112649656 B CN112649656 B CN 112649656B
Authority
CN
China
Prior art keywords
linear function
obtaining
current sensor
difference
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011004182.1A
Other languages
English (en)
Other versions
CN112649656A (zh
Inventor
沈强
王建方
邵福炳
张明刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hangyue Sensor Technology Co ltd
Original Assignee
Hangzhou Hangyue Sensor Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Hangyue Sensor Technology Co ltd filed Critical Hangzhou Hangyue Sensor Technology Co ltd
Priority to CN202011004182.1A priority Critical patent/CN112649656B/zh
Publication of CN112649656A publication Critical patent/CN112649656A/zh
Application granted granted Critical
Publication of CN112649656B publication Critical patent/CN112649656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
    • G01R19/16571—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing AC or DC current with one threshold, e.g. load current, over-current, surge current or fault current
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
    • G01R19/16576—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing DC or AC voltage with one threshold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于神经网络的提高电流传感器精度的信息处理方法，所述方法包括：获得电流传感器的第一副边电流和第一原边电流，进而构建第一曲线函数，以此获得第一线性函数；根据电流传感器获得第二线性函数；将第一线性函数和第二线性函数输入训练模型，并获得输出信息；获得预定差别等级阈值；判断第一线性函数和第二线性函数的差别等级是否在预定差别等级阈值之内；如果在则确定电流传感器精度达标；如果不在则调整第一线性函数的参数信息，使得第一线性函数与第二线性函数的差别等级在预定差别等级阈值之内。解决了因温度、压强等外部因素的影响，导致电流传感器的精度不高，进而导致对电流的检测存在误差的技术问题。

Description

一种基于神经网络的提高电流传感器精度的信息处理方法及 系统
技术领域
本发明涉及一种电流传感器，尤其涉及一种基于神经网络的提高电流传感器精度的信息处理方法及系统。
背景技术
为了自动检测和显示电流，并在过流、过压等危险情况发生时具有自动保护功能和更高级的智能控制，具有传感检测、传感采样、传感保护的电源技术渐成趋势，检测电流或电压的传感器应运而生，实际需求推动了电源技术不断发展。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
电流传感器的测量精度与原边电流有一定影响，且对其测量精度的评定还必须参考温度、压强等外部因素的影响。
发明内容
本申请实施例通过提供一种基于神经网络的提高电流传感器精度的信息处理方法及系统，解决了因温度、压强等外部因素的影响，导致电流传感器的精度不高，进而导致对电流的检测存在误差的技术问题，达到了通过调整温度、压强等外部因素，进而提高电流传感器精度的技术效果。
本申请实施例提供了一种基于神经网络的提高电流传感器精度的信息处理方法及系统，其中，所述方法包括：获得电流传感器的第一副边电流和第一原边电流；根据所述第一副边电流和所述第一原边电流构建第一曲线函数；根据所述第一曲线函数获得第一线性函数；根据所述电流传感器获得第二线性函数；将所述电流传感器的所述第一线性函数和所述第二线性函数输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第一线性函数和所述第二线性函数和标识所述第一线性函数和所述第二线性函数差别等级的标识信息；获得所述训练模型的输出信息，所述输出信息包括所述电流传感器第一线性函数和所述第二线性函数的差别等级；获得预定差别等级阈值；判断所述第一线性函数和所述第二线性函数的差别等级是否在所述预定差别等级阈值之内；如果所述第一线性函数和所述第二线性函数的差别等级在所述预定差别等级阈值之内，确定所述电流传感器精度达标；如果所述第一线性函数和所述第二线性函数的差别等级不在所述预定差别等级阈值之内，获得所述第一线性函数的参数信息；调整所述参数信息，使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内。
另一方面，本申请还提供了一种基于神经网络的提高电流传感器精度的信息处理系统，其中，所述系统包括：第一获得单元：所述第一获得单元用于获得电流传感器的第一副边电流和第一原边电流；第一构件单元：所述第一构件单元用于根据所述第一副边电流和所述第一原边电流构建第一曲线函数；第二获得单元：所述第二获得单元用于根据所述第一曲线函数获得第一线性函数；第三获得单元：所述第三获得单元用于根据所述电流传感器获得第二线性函数；第一输入单元：所述第一输入单元用于将所述电流传感器的所述第一线性函数和所述第二线性函数输入训练模型；第四获得单元：所述第四获得单元用于获得所述训练模型的输出信息；第五获得单元：所述第五获得单元用于获得预定差别等级阈值；第一判断单元：所述第一判断单元用于判断所述第一线性函数和所述第二线性函数的差别等级是否在所述预定差别等级阈值之内；第一确定单元：所述第一确定单元用于确定所述电流传感器精度达标；第六获得单元：所述第六获得单元用于获得所述第一线性函数的参数信息；第一调整单元：所述第一调整单元用于调整所述参数信息。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过将根据电流传感器的第一副边电流和第一原边电流构建的第一曲线函数与其自身的第二线性函数进行对比，进而获得两者的差别等级，通过差别等级对第一线性函数的参数信息进行调整，达到了使得电流传感器的精度更高、更易检测电流的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于神经网络的提高电流传感器精度的信息处理方法的流程示意图；
图2为本申请实施例一种基于神经网络的提高电流传感器精度的信息处理方法中的根据所述第一曲线函数获得第一线性函数的流程示意图；
图3为本申请实施例一种基于神经网络的提高电流传感器精度的信息处理方法中的所述输出信息包括所述电流传感器第一线性函数和所述第二线性函数的差别等级的流程示意图；
图4为本申请实施例一种基于神经网络的提高电流传感器精度的信息处理方法中的所述调整所述参数信息，使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内的流程示意图；
图5为本申请实施例一种基于神经网络的提高电流传感器精度的信息处理方法中的当所述第一调整指令为压强调整指令时的流程示意图；
图6为本申请实施例一种基于神经网络的提高电流传感器精度的信息处理方法中的对所述电流传感器的副边电流进行区块链加密的流程示意图；
图7为本申请实施例一种基于神经网络的提高电流传感器精度的信息处理方法中的对训练数据进行存储的流程示意图；
图8为本申请实施例一种基于神经网络的提高电流传感器精度的信息处理系统的结构示意图；
图9为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第一构件单元12，第二获得单元13，第三获得单元14，第一输入单元15，第四获得单元16，第五获得单元17，第一判断单元18，第一确定单元19，第六获得单元20，第一调整单元21，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本申请实施例通过提供一种基于神经网络的提高电流传感器精度的信息处理方法及系统，解决了因温度、压强等外部因素的影响，导致电流传感器的精度不高，进而导致对电流的检测存在误差的技术问题，达到了通过调整温度、压强等外部因素，进而提高电流传感器精度的技术效果。
下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
为了自动检测和显示电流，并在过流、过压等危险情况发生时具有自动保护功能和更高级的智能控制，具有传感检测、传感采样、传感保护的电源技术渐成趋势，检测电流或电压的传感器应运而生，实际需求推动了电源技术不断发展。电流传感器的测量精度与原边电流有一定影响，且对其测量精度的评定还必须参考温度、压强等外部因素的影响。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种基于神经网络的提高电流传感器精度的信息处理方法，其中，所述方法包括：获得电流传感器的第一副边电流和第一原边电流；根据所述第一副边电流和所述第一原边电流构建第一曲线函数；根据所述第一曲线函数获得第一线性函数；根据所述电流传感器获得第二线性函数；将所述电流传感器的所述第一线性函数和所述第二线性函数输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第一线性函数和所述第二线性函数和标识所述第一线性函数和所述第二线性函数差别等级的标识信息；获得所述训练模型的输出信息，所述输出信息包括所述电流传感器第一线性函数和所述第二线性函数的差别等级；获得预定差别等级阈值；判断所述第一线性函数和所述第二线性函数的差别等级是否在所述预定差别等级阈值之内；如果所述第一线性函数和所述第二线性函数的差别等级在所述预定差别等级阈值之内，确定所述电流传感器精度达标；如果所述第一线性函数和所述第二线性函数的差别等级不在所述预定差别等级阈值之内，获得所述第一线性函数的参数信息；调整所述参数信息，使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内。
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
如图1所示，本申请实施例提供了一种基于神经网络的提高电流传感器精度的信息处理方法，其中，所述方法包括：
步骤S100：获得电流传感器的第一副边电流和第一原边电流；
具体而言，所述电流传感器，是一种检测装置，能感受到被测电流的信息，并能将检测感受到的信息，按一定规律变换成为符合一定标准需要的电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。电流传感器的输出信号是副边电流IS，它与输入信号(原边电流IP)成正比。获得电流传感器的第一副边电流和第一原边电流，即获得电流传感器的输出信号和输入信号。
步骤S200：根据所述第一副边电流和所述第一原边电流构建第一曲线函数；
具体而言，在获得电流传感器的第一副边电流和第一原边电流，即获得电流传感器的输出信号和输入信号之后，可根据所述输出信号和所述输入信号建立函数关系，即根据所述第一副边电流和所述第一原边电流构建第一曲线函数，可根据所述第一曲线函数，已知所述第一原边电流信号，进而获得第一副边电流信号。所述第一曲线函数为根据所述第一副边电流和所述第一原边电流实际得到的函数关系。
步骤S300：根据所述第一曲线函数获得第一线性函数；
步骤S400：根据所述电流传感器获得第二线性函数；
具体而言，因所述电流传感器在理想状态下，所述第一原边电流与所述第一副边电流呈线性关系，所述线性关系即为根据所述电流传感器获得第二线性函数。然而在实际的应用中，受外部环境的影响，二者呈现出的为曲线函数关系，若要根据原始的理想状态下的线性关系对实际的参数关系进行修正，使得所述电流传感器的精度更高，则应对实际的曲线函数关系进行拟合，使其拟合成为近似的线性函数关系即第一线性函数，通过对比所述第二线性函数的各个参数，进而对所述第一线性函数中各个参数进行修正，使其无限接近所述第二线性函数的各个参数，进而使得所述电流传感器的精度更高。
步骤S500：将所述电流传感器的所述第一线性函数和所述第二线性函数输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第一线性函数和所述第二线性函数和标识所述第一线性函数和所述第二线性函数差别等级的标识信息；
步骤S600：获得所述训练模型的输出信息，所述输出信息包括所述电流传感器第一线性函数和所述第二线性函数的差别等级；
具体而言，所述训练模型是一个神经网络模型即机器学习中的神经网络模型，神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks)，是对人类大脑系统的一阶特性的一种描述。简单地讲，它是一个数学模型。在本申请实施例中，将所述电流传感器的所述第一线性函数和所述第二线性函数输入神经网络模型，用标识所述第一线性函数和所述第二线性函数差别等级的标识信息对所述神经网络模型进行训练。
进一步来说，所述训练神经网络模型的过程实质为监督学习的过程。所述多组训练数据具体为：所述第一线性函数和所述第二线性函数和标识所述第一线性函数和所述第二线性函数差别等级的标识信息。通过输入所述电流传感器的所述第一线性函数和所述第二线性函数，神经网络模型会输出所述电流传感器第一线性函数和所述第二线性函数的差别等级，通过将所述输出信息与所述起标识作用的所述第一线性函数和所述第二线性函数差别等级信息进行校验，如果所述输出信息与所述起标识作用的所述第一线性函数和所述第二线性函数差别等级信息要求相一致，则本数据监督学习完成，则进行下一组数据监督学习；如果所述输出信息与所述起标识作用的所述第一线性函数和所述第二线性函数差别等级信息要求不一致，则神经网络学习模型自身进行调整，直到神经网络学习模型输出结果与所述起标识作用的所述第一线性函数和所述第二线性函数差别等级信息要求相一致，进行下一组数据的监督学习。通过训练数据使神经网络学习模型自身不断地修正、优化，通过监督学习的过程来提高神经网络学习模型处理所述信息的准确性，进而达到使得获得的所述电流传感器第一线性函数和所述第二线性函数的差别等级更加精确的技术效果。
步骤S700:获得预定差别等级阈值；
步骤S800：判断所述第一线性函数和所述第二线性函数的差别等级是否在所述预定差别等级阈值之内；
具体而言，所述预定差别等级阈值为预设的差别等级阈值，根据所述电流传感器第一线性函数和所述第二线性函数的差别信息的大小确定不同的等级信息，在此可理解为所述电流传感器第一线性函数和所述第二线性函数的差别信息越大，所述的等级信息越小，反之亦然。
步骤S900：如果所述第一线性函数和所述第二线性函数的差别等级在所述预定差别等级阈值之内，确定所述电流传感器精度达标；
具体而言，当所述第一线性函数和所述第二线性函数的差别等级在所述预定差别等级阈值之内，即所述电流传感器第一线性函数和所述第二线性函数的差别信息较小，没有超过所述预定差别阈值，则确定所述电流传感器的精度是达标的，其接近于理想状态下的所述电流传感器的进度。
步骤S1000：如果所述第一线性函数和所述第二线性函数的差别等级不在所述预定差别等级阈值之内，获得所述第一线性函数的参数信息；
步骤S1100：调整所述参数信息，使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内。
具体而言，当所述第一线性函数和所述第二线性函数的差别等级不在所述预定差别等级阈值之内，即所述电流传感器第一线性函数和所述第二线性函数的差别信息较大，需要获得所述第一线性函数的参数信息，通过对比所述第二线性函数的参数信息，对所述第一线性函数的参数信息进行调整，通过对数据进行不断的训练使得最终的所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内。
如图2所示，所述根据所述第一曲线函数获得第一线性函数，步骤S300还包括：
步骤S310：所述第一曲线函数为y＝pxt，p＞0，t＞0；
步骤S320：其中，x为第一副边电流，y为第一原边电流，p为压强，t为温度；
步骤S330：将所述第一曲线函数进行线性化，获得第一线性函数，logy＝tlogx+logp。
具体而言，根据所述第一原边电流和所述第一副边电流构建的所述第一曲线函数y＝pxt，p＞0，t＞0，其中，x为自变量，即所述第一原边电流IP，y为因变量，即所述第一副边电流IS，t和p为参数信息，分别代表温度信息和压强信息，所述函数为指数函数，当对所述第一曲线函数进行线性化之后，获得第一线性函数logy＝tlogx+logp，其中，t和p为参数信息，分别代表温度信息和压强信息，logy＝tlogx+logp为对y＝pxt，p＞0，t＞0拟合之后的线性函数，通过对所述第一曲线函数进行线性化，达到了为后续与所述第二线性函数的参数进行对比及修正提供了数据信息的技术效果。
如图3所示，所述获得所述训练模型的输出信息，所述输出信息包括所述电流传感器第一线性函数和所述第二线性函数的差别等级，步骤S600还包括：
步骤S610：所述第二线性函数为m＝an+b；其中，n为第二副边电流，m为第二原边电流，a、b为参数；
步骤S620：根据所述训练模型比较所述第一线性函数与所述第二线性函数中对应项的差别信息；
步骤S630：将所述识所述第一线性函数和所述第二线性函数差别等级的标识信息作为监督数据，对所述差别信息进行等级划分。
具体而言，所述第二线性函数为理想状态下的所述电流传感器的线性函数关系，即所述第二线性函数为m＝an+b；其中，n为第二副边电流，m为第二原边电流，a、b为参数，根据所述训练模型比较所述第一线性函数与所述第二线性函数中对应项的差别信息，即通过分别比对logy与m的差别、tlogx与an的差别、logp与b的差别，将所述识所述第一线性函数和所述第二线性函数差别等级的标识信息作为监督数据，对所述差别信息进行等级划分，根据对比差别的大小对其等级信息进行划分，达到了对所述电流传感器第一线性函数和所述第二线性函数的差别信息的获得更加具体化的技术效果。
如图4所示，所述调整所述参数信息，使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内，步骤S1100还包括：
步骤S1110：根据所述参数信息，获得第一调整指令，其中，所述第一调整指令包括温度调整指令和压强调整指令；
步骤S1120：当所述第一调整指令为温度调整指令时，获得第一实时温度信息；
步骤S1130：根据所述第一调整指令，调整所述第一实时温度为第二实时温度；
步骤S1140：其中，所述第二实时温度与所述参数信息相符。
具体而言，对所述电流传感器精度的第一曲线函数进行线性化之后，其线性函数为logy＝tlogx+logp，由所述函数关系可知，电流传感器精度受温度和压强影响，可根据所述参数信息，获得第一调整指令，其中，所述第一调整指令包括温度调整指令和压强调整指令，通过调整温度和压强的参数信息，进而使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内；当温度参数信息对所述第一线性函数与所述第二线性函数的差别等级影响较大时，所述第一调整指令为温度调整指令时，获得第一实时温度信息，所述第一实时温度信息为电流传感器实际的温度；根据所述第一调整指令，调整所述第一实时温度为第二实时温度，所述第二实时温度为调整过后的电流传感器的温度信息；其中，所述第二实时温度与所述参数信息相符，则通过调整温度参数信息，达到了使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内，所述电流传感器的精度更高的技术效果。
进一步，由于温度信息和压强信息会影响所述第一线性函数与所述第二线性函数的差别等级，可基于所述温度信息和所述压强信息构建训练回归模型，使得所述第一线性函数与所述第二线性函数的差别越小，所述电流传感器的精度更高。将所述温度信息和所述压强信息分别作为横纵坐标，建立坐标系。通过所述坐标系，根据逻辑回归算法，获得逻辑回归线。逻辑回归线一侧，代表第一评估结果，所述第一评估结果为所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内的评估结果；逻辑回归线的另一侧，代表第二评估结果，所述第二评估结果为所述第一线性函数与所述第二线性函数的差别等级不在所述预定差别等级阈值之内的评估结果。所述逻辑回归线位置可以调整，受第一位置和第一角度控制。所述第一位置和第一角度分别受上述监督数据的正负反馈而调整，这里不在进行展开说明。通过对逻辑回归线的运用，使得所述评估结果更加准确，进而达到了使得所述第一线性函数与所述第二线性函数的差别越小，所述电流传感器的精度更高的技术效果。
如图5所示，所述调整所述参数信息，使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内，步骤S1100还包括：
步骤S1150：当所述第一调整指令为压强调整指令时，获得第一实时压强信息；
步骤S1160：根据所述第一调整指令，调整所述第一实时压强为第二实时压强；
步骤S1170：其中，所述第二实时压强与所述参数信息相符。
具体而言，当压强参数信息对所述第一线性函数与所述第二线性函数的差别等级影响较大时，所述第一调整指令为压强调整指令，获得第一实时压强信息，所述第一实时压强信息为所述电流传感器实际的压强信息；根据所述第一调整指令，调整所述第一实时压强为第二实时压强，所述第二实时压强为调整过后的压强信息；其中，所述第二实时压强与所述参数信息相符，则通过调整压强参数信息，达到了使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内，所述电流传感器的精度更高的技术效果。
如图6所示，为了达到所述电流传感器副边电流信息的安全性，对其进行基于区块链的安全加密，使之不被篡改的技术效果，本申请实施例还包括：
步骤S1210：根据所述电流传感器，获得第一副边电流，并根据所述第一副边电流生成第一验证码，其中，所述第一验证码是与所述第一副边电流一一对应的；
步骤S1220：根据所述电流传感器，获得第二副边电流，根据所述第二副边电流和第一验证码生成第二验证码；以此类推，获取第N副边电流，根据所述第N副边电流和第N-1验证码生成第N验证码，其中，N为大于1的自然数；
步骤S1230：将所有副边电流和验证码分别复制保存在M台设备上，其中，M为大于1的自然数。
具体而言，为了确保所述电流传感器副边电流信息的安全性，对所述电流传感器副边电流信息进行基于区块链的加密处理。区块链技术是一项具有普适性的底层技术架构，它通过共识机制在分布式节点上生成和同步数据、借助可编程脚本实现合约条款的自动执行和数据操作。区块链被定义为一种按时间顺序来组织数据区块，不同区块之间按序形成链条状连接的数据结构，借助这种数据结构来构建数字账本。
根据所述电流传感器，获得第一副边电流，并根据所述第一副边电流生成第一验证码，其中，所述第一验证码是与所述第一副边电流一一对应的；根据所述电流传感器，获得第二副边电流，根据所述第二副边电流和第一验证码生成第二验证码；以此类推，获取第N副边电流，根据所述第N副边电流和第N-1验证码生成第N验证码，其中，N为大于1的自然数；将所有副边电流和验证码分别复制保存在M台设备上，其中，M为大于1的自然数。其中，每个设备对应于一个节点。所有区块组合起来形成了区块链，这样的区块链就构成了一个便于验证(只要验证最后一个区块的Hash值就相当于验证了整个版本)，不可更改(任何一个交易信息的更改，会让所有之后的区块的Hash值发生变化，这样在验证时就无法通过)的总账本。
区块链系统采用分布式数据形式，让每一个参与节点都能够获得一份完整的数据库备份，除非能够同时控制整个系统中51％的节点，否则单个节点对数据库的修改是无效的，也无法影响其他节点上的数据内容。因此，参与系统中的节点越多，算力越强，系统中的数据安全性也就越高。对所述电流传感器副边电流信息进行基于区块链的加密处理，达到了有效保证所述电流传感器副边电流信息的安全存储的技术效果。
如图7所示，为了保证去中心化区块链系统的安全、有效和稳定运行，本申请实施例还包括：
步骤S1240：将所述第N训练数据和第N验证码作为第N区块；
步骤S1250：获得所述第N区块记录时间，所述第N区块记录时间表示第N区块需要记录的时间；
步骤S1260：根据所述第N区块记录时间，获得所述M台设备中内存最大的第一设备；
步骤S1270：将第N区块的记录权发送给所述第一设备。
具体而言，将所述第N训练数据和第N验证码作为第N区块，获得所述第N区块记录时间，所述第N区块记录时间表示第N区块需要记录的时间，将不能在预定时间内完成记录所述第N区块的设备排除，根据所述第N区块记录时间，获得所述M台设备中内存最大的第一设备，将所述第N区块的记录权给所述第一设备。进而保证了去中心化区块链系统的安全、有效和稳定运行，能够保证所述区块能够被快速准确的记录在设备中，进而达到了保证需求信息的安全性的技术效果。
综上所述，本申请实施例所提供的一种基于神经网络的提高电流传感器精度的信息处理方法及系统具有如下技术效果：
1、通过将根据电流传感器的第一副边电流和第一原边电流构建的第一曲线函数与其自身的第二线性函数进行对比，进而获得两者的差别等级，通过差别等级对第一线性函数的参数信息进行调整，达到了使得电流传感器的精度更高、更易检测电流的技术效果。
2、通过分别对影响所述第一线性函数与所述第二线性函数的差别等级的温度信息和压强信息进行调整，使得所述实时温度信息与所述实时压强信息与理想的参数信息相符，进而使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内，达到了使得所述电流传感器的参数信息更加真实，所述电流传感器的精度更加准确的技术效果。
实施例二
基于与前述实施例中一种基于神经网络的提高电流传感器精度的信息处理方法同样发明构思，本发明还提供了一种基于神经网络的提高电流传感器精度的信息处理系统，如图8所示，所述系统包括：
第一获得单元11：所述第一获得单元11用于获得电流传感器的第一副边电流和第一原边电流；
第一构件单元12：所述第一构件单元12用于根据所述第一副边电流和所述第一原边电流构建第一曲线函数；
第二获得单元13：所述第二获得单元13用于根据所述第一曲线函数获得第一线性函数；
第三获得单元14：所述第三获得单元14用于根据所述电流传感器获得第二线性函数；
第一输入单元15：所述第一输入单元15用于将所述电流传感器的所述第一线性函数和所述第二线性函数输入训练模型；
第四获得单元16：所述第四获得单元16用于获得所述训练模型的输出信息；
第五获得单元17：所述第五获得单元17用于获得预定差别等级阈值；
第一判断单元18：所述第一判断单元18用于判断所述第一线性函数和所述第二线性函数的差别等级是否在所述预定差别等级阈值之内；
第一确定单元19：所述第一确定单元19用于确定所述电流传感器精度达标；
第六获得单元20：所述第六获得单元20用于获得所述第一线性函数的参数信息；
第一调整单元21：所述第一调整单元21用于调整所述参数信息。
进一步的，所述装置还包括：
第七获得单元：所述第七获得单元用于将所述第一曲线函数进行线性化，获得第一线性函数，logy＝tlogx+logp。
进一步的，所述装置还包括：
第一比较单元：所述第一比较单元用于根据所述训练模型比较所述第一线性函数与所述第二线性函数中对应项的差别信息。
进一步的，所述装置还包括：
第八获得单元：所述第八获得单元用于根据所述参数信息，获得第一调整指令；
第九获得单元：所述第九获得单元用于当所述第一调整指令为温度调整指令时，获得第一实时温度信息；
第二调整单元：所述第二调整单元用于根据所述第一调整指令，调整所述第一实时温度为第二实时温度。
进一步的，所述装置还包括：
第十获得单元：所述第十获得单元用于当所述第一调整指令为压强调整指令时，获得第一实时压强信息；
第三调整单元：所述第三调整单元用于根据所述第一调整指令，调整所述第一实时压强为第二实时压强；
进一步的，所述装置还包括：
第十一获得单元：所述第十一获得单元用于根据所述电流传感器，获得第一副边电流，并根据所述第一副边电流生成第一验证码；
第十二获得单元：所述第十二获得单元用于根据所述电流传感器，获得第二副边电流，根据所述第二副边电流和第一验证码生成第二验证码；
第一保存单元：所述第一保存单元用于将所有副边电流和验证码分别复制保存在M台设备上。
进一步的，所述装置还包括：
第十三获得单元：所述第十三获得单元用于获得所述第N区块记录时间，所述第N区块记录时间表示第N区块需要记录的时间；
第十四获得单元：所述第十四获得单元用于根据所述第N区块记录时间，获得所述M台设备中内存最大的第一设备；
第一发送单元：所述第一发送单元用于将第N区块的记录权发送给所述第一设备。
前述图1实施例一中的一种基于神经网络的提高电流传感器精度的信息处理方法的各种变化方式和具体实例同样适用于本实施例的一种基于神经网络的提高电流传感器精度的信息处理系统，通过前述对一种基于神经网络的提高电流传感器精度的信息处理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于神经网络的提高电流传感器精度的信息处理系统的实施方法，所以为了说明书的简洁，再次不再详述。
实施例三
下面参考图9来描述本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于神经网络的提高电流传感器精度的信息处理方法的发明构思，本发明还提供一种基于神经网络的提高电流传感器精度的信息处理系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于神经网络的提高电流传感器精度的信息处理方法的任一方法的步骤。
其中，在图9中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种基于神经网络的提高电流传感器精度的信息处理方法，其中，所述方法包括：获得电流传感器的第一副边电流和第一原边电流；根据所述第一副边电流和所述第一原边电流构建第一曲线函数；根据所述第一曲线函数获得第一线性函数；根据所述电流传感器获得第二线性函数；将所述电流传感器的所述第一线性函数和所述第二线性函数输入训练模型，所述训练模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第一线性函数和所述第二线性函数和标识所述第一线性函数和所述第二线性函数差别等级的标识信息；获得所述训练模型的输出信息，所述输出信息包括所述电流传感器第一线性函数和所述第二线性函数的差别等级；获得预定差别等级阈值；判断所述第一线性函数和所述第二线性函数的差别等级是否在所述预定差别等级阈值之内；如果所述第一线性函数和所述第二线性函数的差别等级在所述预定差别等级阈值之内，确定所述电流传感器精度达标；如果所述第一线性函数和所述第二线性函数的差别等级不在所述预定差别等级阈值之内，获得所述第一线性函数的参数信息；调整所述参数信息，使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
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。
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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于神经网络的提高电流传感器精度的信息处理方法，其中，所述方法包括：
获得电流传感器的第一副边电流和第一原边电流；
根据所述第一副边电流和所述第一原边电流构建第一曲线函数；
所述第一曲线函数为y＝pxt，p＞0，t＞0；
其中，x为第一副边电流，y为第一原边电流，p为实时压强，t为实时温度；根据所述第一曲线函数获得第一线性函数；
所述第一线性函数为logy＝tlogx+logp；
根据所述电流传感器获得第二线性函数；
所述第二线性函数为m＝an+b，其中，n为第二副边电流，m为第二原边电流，a、b为参数；
将所述电流传感器的所述第一线性函数和所述第二线性函数输入神经网络模型，所述神经网络模型经过多组训练数据训练获得，所述多组训练数据中的每一组均包括第一线性函数和所述第二线性函数和标识所述第一线性函数和所述第二线性函数差别等级的标识信息；
获得所述神经网络模型的输出信息，所述输出信息包括所述电流传感器第一线性函数和所述第二线性函数的差别等级；
获得预定差别等级阈值；
判断所述第一线性函数和所述第二线性函数的差别等级是否在所述预定差别等级阈值之内；
如果所述第一线性函数和所述第二线性函数的差别等级在所述预定差别等级阈值之内，确定所述电流传感器精度达标；
如果所述第一线性函数和所述第二线性函数的差别等级不在所述预定差别等级阈值之内，获得所述第一线性函数的参数信息；
所述参数信息为第一线性函数中实时温度信息以及实时压强信息；
调整所述参数信息，使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内。
2.如权利要求1所述的方法，其中，所述获得所述神经网络模型的输出信息，所述输出信息包括所述电流传感器第一线性函数和所述第二线性函数的差别等级，包括：
所述第二线性函数为理想状态下的所述电流传感器的线性函数关系，所述第二线性函数为m＝an+b；其中，n为第二副边电流，m为第二原边电流，a、b为参数；
根据所述神经网络模型比较所述第一线性函数与所述第二线性函数中对应项的差别信息；
将所述标识所述第一线性函数和所述第二线性函数差别等级的标识信息作为监督数据，对所述差别信息进行等级划分。
3.如权利要求1所述的方法，其中，所述调整所述参数信息，使得所述第一线性函数与所述第二线性函数的差别等级在所述预定差别等级阈值之内，包括：
根据所述参数信息，获得第一调整指令，其中，所述第一调整指令包括温度调整指令和压强调整指令；
当所述第一调整指令为温度调整指令时，获得第一实时温度信息；
根据所述第一调整指令，调整所述第一实时温度为第二实时温度；
其中，所述第二实时温度与理想参数信息相符。
4.如权利要求3所述的方法，其中，所述方法包括：
当所述第一调整指令为压强调整指令时，获得第一实时压强信息；
根据所述第一调整指令，调整所述第一实时压强为第二实时压强；
其中，所述第二实时压强与理想参数信息相符。
5.如权利要求1所述的方法，其中，所述方法包括：
根据所述电流传感器，获得第一副边电流，并根据所述第一副边电流生成第一验证码，其中，所述第一验证码是与所述第一副边电流一一对应的；
根据所述电流传感器，获得第二副边电流，根据所述第二副边电流和第一验证码生成第二验证码；以此类推，获取第N副边电流，根据所述第N副边电流和第N-1验证码生成第N验证码，其中，N为大于1的自然数；
将所有副边电流和验证码分别复制保存在M台设备上，其中，M为大于1的自然数。
6.一种基于神经网络的提高电流传感器精度的信息处理系统，其中，所述系统包括：
第一获得单元：所述第一获得单元用于获得电流传感器的第一副边电流和第一原边电流；
第一构件单元：所述第一构件单元用于根据所述第一副边电流和所述第一原边电流构建第一曲线函数；
所述第一曲线函数为y＝pxt，p＞0，t＞0；
其中，x为第一副边电流，y为第一原边电流，p为实时压强，t为实时温度；第二获得单元：所述第二获得单元用于根据所述第一曲线函数获得第一线性函数；
所述第一线性函数为logy＝tlogx+logp；
第三获得单元：所述第三获得单元用于根据所述电流传感器获得第二线性函数；
所述第二线性函数为m＝an+b，其中，n为第二副边电流，m为第二原边电流，a、b为参数；
第一输入单元：所述第一输入单元用于将所述电流传感器的所述第一线性函数和所述第二线性函数输入神经网络模型；
获取神经网络模型具体为，通过将所述电流传感器的所述第一线性函数和所述第二线性函数输入神经网络模型，用标识所述第一线性函数和所述第二线性函数差别等级的标识信息对所述神经网络模型进行训练获取神经网络模型；
第四获得单元：所述第四获得单元用于获得所述神经网络模型的输出信息，具体为，所述电流传感器第一线性函数和所述第二线性函数的差别等级；
第五获得单元：所述第五获得单元用于获得预定差别等级阈值；
第一判断单元：所述第一判断单元用于判断所述第一线性函数和所述第二线性函数的差别等级是否在所述预定差别等级阈值之内；
第一确定单元：所述第一确定单元用于确定所述电流传感器精度达标；
第六获得单元：所述第六获得单元用于获得所述第一线性函数的参数信息；
所述参数信息为第一线性函数中实时温度信息以及实时压强信息；
第一调整单元：所述第一调整单元用于调整所述参数信息。
7.一种基于神经网络的提高电流传感器精度的信息处理系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
CN202011004182.1A 2020-09-22 2020-09-22 一种基于神经网络的提高电流传感器精度的信息处理方法及系统 Active CN112649656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011004182.1A CN112649656B (zh) 2020-09-22 2020-09-22 一种基于神经网络的提高电流传感器精度的信息处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011004182.1A CN112649656B (zh) 2020-09-22 2020-09-22 一种基于神经网络的提高电流传感器精度的信息处理方法及系统

Publications (2)

Publication Number Publication Date
CN112649656A CN112649656A (zh) 2021-04-13
CN112649656B true CN112649656B (zh) 2021-11-30

Family

ID=75346471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011004182.1A Active CN112649656B (zh) 2020-09-22 2020-09-22 一种基于神经网络的提高电流传感器精度的信息处理方法及系统

Country Status (1)

Country Link
CN (1) CN112649656B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090072813A1 (en) * 2007-09-19 2009-03-19 Electro Industries/Gauge Tech. Intelligent Electronic Device Having Circuitry for Reducing the Burden on Current Transformers
CN107677883A (zh) * 2017-10-20 2018-02-09 厦门马恒达汽车零部件有限公司 一种电流传感器精度修正装置及方法
CN108572343A (zh) * 2018-05-22 2018-09-25 成都雅骏汽车制造有限公司 霍尔电流传感器误差校正方法
CN110687347A (zh) * 2019-09-26 2020-01-14 西安航天计量测试研究所 一种带温度补偿的霍尔电流传感器及其温度补偿方法
CN111208464A (zh) * 2020-02-04 2020-05-29 国网江苏省电力有限公司南京供电分公司 一种配电一二次成套设备测量精度在线评估系统和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6563760B2 (ja) * 2015-09-28 2019-08-21 株式会社東光高岳 光ｃｔの温度特性改善方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090072813A1 (en) * 2007-09-19 2009-03-19 Electro Industries/Gauge Tech. Intelligent Electronic Device Having Circuitry for Reducing the Burden on Current Transformers
CN107677883A (zh) * 2017-10-20 2018-02-09 厦门马恒达汽车零部件有限公司 一种电流传感器精度修正装置及方法
CN108572343A (zh) * 2018-05-22 2018-09-25 成都雅骏汽车制造有限公司 霍尔电流传感器误差校正方法
CN110687347A (zh) * 2019-09-26 2020-01-14 西安航天计量测试研究所 一种带温度补偿的霍尔电流传感器及其温度补偿方法
CN111208464A (zh) * 2020-02-04 2020-05-29 国网江苏省电力有限公司南京供电分公司 一种配电一二次成套设备测量精度在线评估系统和方法

Also Published As

Publication number Publication date
CN112649656A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
Wulkow The simulation of molecular weight distributions in polyreaction kinetics by discrete Galerkin methods
CN112630496B (zh) 一种提高电流传感器准确性的方法和装置
CN112098814B (zh) 一种提高芯片测试温度控制精度的方法和装置
CN112884136B (zh) 耦合神经网络有界聚类投影同步调节控制方法及系统
CN112504321A (zh) 一种提高仪表校准精度的信息处理方法和装置
CN111950068A (zh) 一种基于Bim的维护建筑设备的方法和装置
CN114510867A (zh) 一种3d模拟配电柜电路接线方法及系统
CN112182910A (zh) 一种用于控制交联材料制备效果的方法及装置
KR20190130190A (ko) 로봇의 인간 얼굴 표정 학습 및 표정 구현 방법
CN112649656B (zh) 一种基于神经网络的提高电流传感器精度的信息处理方法及系统
US20220083039A1 (en) Abnormality detection apparatus, abnormality detection system, and learning apparatus, and methods for the same and nontemporary computer-readable medium storing the same
US8190536B2 (en) Method of performing parallel search optimization
CN112529218A (zh) 一种基于关联分析的建筑物安全检测方法及系统
CN111859094A (zh) 一种基于云计算的信息分析方法系统
CN112288342B (zh) 一种提高多中心协作质量控制的数据处理方法和系统
CN112798955B (zh) 一种特种电机的故障检测方法及装置
CN113049793A (zh) 一种Abs复合材料的生产检测验证方法和装置
CN112184474B (zh) 一种基于区块链的材料智能化制造方法及装置
CN112651498B (zh) 一种自学习式电流传感器的温度稳定性提高方法和装置
Yin et al. Botnet detection based on genetic neural network
CN112765220A (zh) 一种基于云计算的业务数据监测方法及系统
JP2000516739A (ja) ニューラルネットワークの訓練データを選択するためのコンピュータ支援された方法
CN112348184A (zh) 一种青蒿素纯度的检测方法和装置
CN112103949A (zh) 电网扰动稳定控制方法及装置、电子设备及存储介质
Hosoe et al. Robust stability analysis of discrete-time linear systems characterized by stochastic polytopes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant