CN112651498B - 一种自学习式电流传感器的温度稳定性提高方法和装置 - Google Patents

一种自学习式电流传感器的温度稳定性提高方法和装置 Download PDF

Info

Publication number
CN112651498B
CN112651498B CN202011004158.8A CN202011004158A CN112651498B CN 112651498 B CN112651498 B CN 112651498B CN 202011004158 A CN202011004158 A CN 202011004158A CN 112651498 B CN112651498 B CN 112651498B
Authority
CN
China
Prior art keywords
temperature
current sensor
obtaining
working temperature
self
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
CN202011004158.8A
Other languages
English (en)
Other versions
CN112651498A (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 CN202011004158.8A priority Critical patent/CN112651498B/zh
Publication of CN112651498A publication Critical patent/CN112651498A/zh
Application granted granted Critical
Publication of CN112651498B publication Critical patent/CN112651498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R1/00—Details of instruments or arrangements of the types included in groups G01R5/00 - G01R13/00 and G01R31/00
    • G01R1/44—Modifications of instruments for temperature compensation
    • 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
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (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)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Control Of Temperature (AREA)

Abstract

本发明公开了一种自学习式电流传感器的温度稳定性提高方法和装置，所述方法包括：获得电流传感器的预定工作温度阈值；根据温度传感器获得所述电流传感器的第一工作温度，所述第一工作温度为实时工作温度；将电流传感器的第一工作温度输入自学习式训练模型；获得所述训练模型的输出信息，输出信息包括第一输出结果和第二输出结果，第一输出结果为第一工作温度在所述预定工作温度阈值之内的结果，第二输出结果为所述第一工作温度不在预定工作温度阈值之内的结果；根据输出信息，确定是否调整所述第一工作温度，解决了现有技术中电流传感器在工作的过程中会受到温度的影响，产生温度漂移，导致出现温度误差，不能准确测定电流的技术问题。

Description

一种自学习式电流传感器的温度稳定性提高方法和装置
技术领域
本发明涉及电流传感器的温度稳定性领域，尤其涉及一种自学习式电流传感器的温度稳定性提高方法和装置。
背景技术
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。
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：
现有技术中电流传感器在工作的过程中会受到温度的影响，产生温度漂移，导致出现温度误差，不能准确测定电流的技术问题。
发明内容
本申请实施例通过提供一种自学习式电流传感器的温度稳定性提高方法和装置，解决了现有技术中电流传感器在工作的过程中会受到温度的影响，产生温度漂移，导致出现温度误差，不能准确测定电流的技术问题，达到对电流传感器的温度进行更加稳定的控制进而提高电流传感器测量准确性的技术效果。
鉴于上述问题，本申请实施例提供一种自学习式电流传感器的温度稳定性提高方法和装置。
第一方面，本申请实施例提供了一种自学习式电流传感器的温度稳定性提高方法，所述方法应用于一自学习式电流传感器的温度稳定性提高系统，所述系统与电流传感器通讯连接，所述电流传感器上设置有温度传感器，其中，所述系统还包括放热系统、吸热系统以及处理器，所述处理器处理来自所述温度传感器的温度信息，所述方法包括：获得电流传感器的预定工作温度阈值；根据所述温度传感器获得所述电流传感器的第一工作温度，所述第一工作温度为实时工作温度；将所述电流传感器的所述第一工作温度输入自学习式训练模型，所述自学习式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所述第一工作温度和用于标识所述第一工作温度是否在预定工作温度阈值之内的标识信息；获得所述训练模型的输出信息，所述输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一工作温度在所述预定工作温度阈值之内的结果，所述第二输出结果为所述第一工作温度不在所述预定工作温度阈值之内的结果；根据所述输出信息，确定是否调整所述第一工作温度。
另一方面，本申请还提供了一种自学习式电流传感器的温度稳定性提高装置，其中，所述装置包括：第一获得单元，所述第一获得单元用于获得电流传感器的预定工作温度阈值；第二获得单元，所述第二获得单元用于根据所述温度传感器获得所述电流传感器的第一工作温度，所述第一工作温度为实时工作温度；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工作温度输入自学习式训练模型，所述自学习式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所述第一工作温度和用于标识所述第一工作温度是否在预定工作温度阈值之内的标识信息；第三获得单元，所述第三获得单元用于获得所述训练模型的输出信息，所述输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一工作温度在所述预定工作温度阈值之内的结果，所述第二输出结果为所述第一工作温度不在所述预定工作温度阈值之内的结果；第一确定单元，所述第一确定单元用于根据所述输出信息，确定是否调整所述第一工作温度。
第三方面，本发明提供了一种自学习式电流传感器的温度稳定性提高装置，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1-7任一项所述方法的步骤。
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：
由于采用了获得所述电流传感器的预定工作阈值，并获得所述电流传感器的实时工作温度，将所述电流传感器的所述第一工作温度输入自学习式训练模型，根据所述训练模型的输出信息判断是否对所述第一工作温度是否进行调整的方式，基于训练模型不断自我修正和调整的特性，达到对所述电流传感器的实时温度准确判断及调整，进而保证所述电流传感器的测量准确性的技术效果。
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自学习式电流传感器的温度稳定性提高方法的流程示意图；
图2为本申请实施例一种自学习式电流传感器的温度稳定性提高方法中根据所述输出信息，确定是否调整所述第一工作温度的流程示意图；
图3为本申请实施例一种自学习式电流传感器的温度稳定性提高方法中判断所述第一偏移电流是否在所述预定偏移电流阈值之内的流程示意图；
图4为本申请实施例一种自学习式电流传感器的温度稳定性提高方法中根据所述输出信息，确定是否调整所述第一工作温度的流程示意图；
图5为本申请实施例中一种自学习式电流传感器的温度稳定性提高方法中判断所述第一工作温度与所述预定工作温度阈值之间的关系的流程示意图；
图6为本申请实施例一种自学习式电流传感器的温度稳定性提高方法中调整所述吸热系统和所述放热系统的调温范围的流程示意图；
图7为本申请实施例一种自学习式电流传感器的温度稳定性提高方法中获得所述电流传感器的环境信息的流程示意图；
图8为本申请实施例一种自学习式电流传感器的温度稳定性提高方法中将所述电流传感器的所述第一工作温度输入自学习式训练模型之前的流程示意图；
图9为本申请实施例一种自学习式电流传感器的温度稳定性提高装置的结构示意图；
图10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，第二获得单元12，第一输入单元13，第三获得单元14，第一确定单元15，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自学习式电流传感器的温度稳定性提高方法和装置，解决了现有技术中电流传感器在工作的过程中会受到温度的影响，产生温度漂移，导致出现温度误差，不能准确测定电流的技术问题，达到对电流传感器的温度进行更加稳定的控制进而提高电流传感器测量准确性的技术效果。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
电流传感器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。但现有技术中电流传感器在工作的过程中会受到温度的影响，产生温度漂移，导致出现温度误差，不能准确测定电流的技术问题。
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自学习式电流传感器的温度稳定性提高方法，所述方法应用于一自学习式电流传感器的温度稳定性提高系统，所述系统与电流传感器通讯连接，所述电流传感器上设置有温度传感器，其中，所述系统还包括放热系统、吸热系统以及处理器，所述处理器处理来自所述温度传感器的温度信息，所述方法包括：获得电流传感器的预定工作温度阈值；根据所述温度传感器获得所述电流传感器的第一工作温度，所述第一工作温度为实时工作温度；将所述电流传感器的所述第一工作温度输入自学习式训练模型，所述自学习式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所述第一工作温度和用于标识所述第一工作温度是否在预定工作温度阈值之内的标识信息；获得所述训练模型的输出信息，所述输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一工作温度在所述预定工作温度阈值之内的结果，所述第二输出结果为所述第一工作温度不在所述预定工作温度阈值之内的结果；根据所述输出信息，确定是否调整所述第一工作温度。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种自学习式电流传感器的温度稳定性提高方法，其中，所述方法应用于一自学习式电流传感器的温度稳定性提高系统，所述系统与电流传感器通讯连接，所述电流传感器上设置有温度传感器，其中，所述系统还包括放热系统、吸热系统以及处理器，所述处理器处理来自所述温度传感器的温度信息，所述方法包括：
步骤S100：获得电流传感器的预定工作温度阈值；
具体而言，所述预定工作温度阈值为根据实际情况获得的电流传感器的工作温度阈值。电流传感器在生产时，在25℃，IP＝0时的情况下，偏移电流已调至最小。举例而言，当对电流传感器的精度要求较低时，所述预定工作温度阈值可适当放宽，可预定为24℃-27℃。通过所述预定工作温度阈值对所述电流传感器的温度进行限定，为后续控制电流传感器的温度夯实了基础。
步骤S200：根据所述温度传感器获得所述电流传感器的第一工作温度，所述第一工作温度为实时工作温度；
具体而言，所述温度传感器是指能感受温度并转换成可用输出信号的传感器。通过所述温度传感器获得所述电流传感器的实时工作温度。
步骤S300：将所述电流传感器的所述第一工作温度输入自学习式训练模型，所述自学习式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所述第一工作温度和用于标识所述第一工作温度是否在预定工作温度阈值之内的标识信息；
具体而言，所述自学习式训练模型为能给根据实际情况不同进行不断的自我训练学习的模型，进一步而言，所述自学习式训练模型为神经网络模型，所述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。基于大量的训练数据的训练，其中，训练数据中的每一组训练数据均包括：所述第一工作温度和用于标识所述第一工作温度是否在预定工作温度阈值之内的标识信息；所述神经网络模型不断地自我的修正，当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的数据训练，进而使得所述神经网络模型处理所述输入数据更加准确，进而使得输出的判断所述第一工作温度是否在预定工作温度阈值之内更加准确。基于训练模型进过训练后处理数据更加准确的特性，将所述电流传感器的所述第一工作温度输入训练模型，通过训练模型的输出信息判断所述第一工作温度是否在预定工作温度阈值之内的方式，使得所述判断结果更加准确，进而达到对所述第一工作温度进行准确调整的技术效果。
步骤S400：获得所述训练模型的输出信息，所述输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一工作温度在所述预定工作温度阈值之内的结果，所述第二输出结果为所述第一工作温度不在所述预定工作温度阈值之内的结果；
具体而言，所述训练模型的输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一工作温度在所述预定工作温度阈值之内的结果，所述第二输出结果为所述第一工作温度不在所述预定工作温度阈值之内的结果。
步骤S500：根据所述输出信息，确定是否调整所述第一工作温度。
具体而言，当所述输出信息为第一输出结果，则所述第一工作温度在所述预定工作阈值之内，此时不调整第一工作温度，当所述输出信息为第二输出结果时，则所述第一工作温度不在预定工作温度阈值之内，此时可根据实时温度状态，通过所述放热系统或吸热系统对所述温度进行实时调整。所述放热系统为通过降低本系统温度向外界放出热量使得外界温度升高的系统。包括但不限于物理放热系统和化学放热系统。所述吸热系统为系统吸收外界热量温度升高，外界温度降低的系统。通过所述放热系统及吸热系统对所述第一工作温度进行温度调节。
如图2所示，所述根据所述输出信息，确定是否调整所述第一工作温度，本申请实施例S500还包括：
步骤S510：如果所述输出信息为第一输出结果，获得所述电流传感器的第一偏移电流；
步骤S520：获得预定偏移电流阈值；
步骤S530：判断所述第一偏移电流是否在所述预定偏移电流阈值之内；
步骤S540：如果所述第一偏移电流在所述预定偏移电流阈值之内，获得第二工作温度，其中，所述第二工作温度为所述第一偏移电流的实时温度；
步骤S550：根据所述第二工作温度构建训练数据集，训练所述自学习式训练模型，使所述自学习式训练模型达到收敛状态。
具体而言，当所述输出结果为第一结果时，获得所述电流传感器的第一偏移电流，所述偏移电流为根据所述电流传感器的实时温度产生的电流偏移。所述预定偏移电流阈值为根据需求，制定的电流偏移的某一阈值。当所述第一偏移电流在所述预定偏移电流阈值范围内时，获得实时的工作温度，即第二工作温度。通过所述大量的满足预定偏移电流阈值的实时温度的数据，对所述自学习式训练模型进行监督学习，使得所述自学习式训练模型的数据库不断的丰满，最终获得更加准确的训练模型来判断是否对所述工作温度进行调整，达到对所述实时工作温度是是否满足要求准确判断的技术效果。
如图3所示，所述判断所述第一偏移电流是否在所述预定偏移电流阈值之内，本申请实施例步骤S530还包括：
步骤S531：如果所述第一偏移电流不在所述预定偏移电流阈值之内，获得第二调整指令；
步骤S532：根据所述第二调整指令，调整所述预定工作温度阈值。
具体而言，当所述第一偏移电流不在预定偏移电流之内，则表明所述预定工作温度阈值定义不准确，根据所述实时工作温度，获得第二调整指令，所述第二调整指令用于对所述预定工作温度阈值进行调整，使得所述预定工作温度阈值设定更加准确合理，进而达到保证所述训练模型的输出结果的准确性的技术效果。
如图4所示，所述根据所述输出信息，确定是否调整所述第一工作温度，本申请实施例S500还包括：
步骤S560：如果所述输出信息为第二输出结果，获得第一调整指令，所述第一调整指令包括第一升温指令和第一降温指令；
步骤S570：判断所述第一工作温度与所述预定工作温度阈值之间的关系；
步骤S580：如果所述第一工作温度高于所述预定工作温度阈值，获得第一降温指令；
步骤S590：根据所述第一降温指令，控制所述吸热系统对所述电流传感器进行降温处理。
具体而言，当所述输出信息为第二输出结果，表明所述第一工作温度不满足预定工作温度阈值，当所述第一工作温度高于预定工作温度阈值，获得第一降温指令，所述第一降温指令用于通过吸热系统，对所述电流传感器进行降温处理。
如图5所示，所述判断所述第一工作温度与所述预定工作温度阈值之间的关系，本申请实施例步骤S570还包括：
步骤S571：如果所述第一工作温度低于所述预定工作温度阈值，获得第一升温指令；
步骤S572：根据所述第一升温指令，控制所述放热系统对所述电流传感器进行升温处理。
具体而言，当所述第一工作温度低于预定工作温度阈值时，获得第一升温指令，根据所述第一升温指令控制所述升温系统对所述电流传感器进行升温处理。进一步而言，根据所述电流传感器的实时工作环境，“因地制宜”的获得升温或是降温系统，基于升温系统、降温系统对所述电流传感器进行升温或降温处理，以达到保证所述电流传感器的实时的温度，进而达到保证所述电流传感器的测量结果准确的技术效果。
如图6所示，本申请实施例还包括：
步骤S610：获得所述电流传感器的环境信息；
步骤S620：根据所述环境信息，获得环境温度特点信息；
步骤S630：根据所述环境温度特点信息，获得所述环境温度的峰值和谷值信息；
步骤S640：根据所述环境温度的峰值和谷值信息，调整所述吸热系统和所述放热系统的调温范围。
具体而言，根据所述电流传感器的用途的不同，所处的工作环境也会有很大区别。获得所述电流传感器所处环境信息，根据实际情况，所述电流传感器的所处环境是实时波动、变化的，获得所述环境温度的最高温度信息及最低温度信息，即所述环境温度的峰值和谷值信息，通过所述峰值信息调整所述吸热系统的调温范围，通过所述谷值信息调整所述放热系统的调温范围，使得所述吸热系统和放热系统具备足够的温度调节能力保证所述电流传感器的实时工作温度满足预定要求，达到保证所述电流传感器的测量结果准确的技术效果。
如图7所示，所述获得所述电流传感器的环境信息，本申请实施例步骤S610还包括：
步骤S611：获得所述电流传感器的环境信息；
步骤S612：根据所述环境信息，获得所述环境信息的温度变化频率信息；
步骤S613：根据所述温度变化频率信息，获得第一维护周期；
步骤S614：根据所述第一维护周期，对所述吸热系统和所述放热系统进行定期维护。
具体而言，获得电流传感器的实时环境信息，通过所述环境信息判断所述温度变化频率信息，进一步而言，还可获得所述环境的温度波动大小信息，一旦出现温度波动，所述吸热或放热系统就要进行吸热或放热处理，根据温度波动情况不同，所述吸热系统和放热系统的工作量或工作时长也会有一定的波动，通过对所述吸热系统和放热系统的工作量的预判，获得维护周期信息，通过所述维护周期定期对所述吸热系统和放热系统进行定期维护，以达到保安所述吸热系统和放热系统正常的、准确的工作，进而保证所述电流传感器的实时工作温度在预定工作温度阈值范围内，进而达到保证所述电流传感器的测量结果更加准确的技术效果。
如图8所示，将所述电流传感器的所述第一工作温度输入自学习式训练模型之前，本省请实施例步骤S300还包括：
步骤S310：将第一组训练数据中的所述第一工作温度和用于标识所述第一工作温度是否在预定工作温度阈值之内的标识信息作为第一区块，第二组训练数据作为第二区块，以此类推，直至第N区块，其中，N为大于1的自然数；
步骤S320：根据所述第一区块，生成第一验证码，所述第一验证码与所述第一区块一一对应，根据第二区块和第一验证码生成第二验证码，以此类推，根据第N区块和第N-1验证码生成第N验证码；
步骤S330：将所述区块和验证码分别复制保存在M台电子设备上，其中，M为大于1的自然数。
具体而言，区块链技术也被称之为分布式账本技术，是一种由若干台计算设备共同参与“记账"，共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性，使得区块链技术已在众多的领域中广泛的进行应用。根据所述第一区块生成第一验证码，所述第一验证码与第一区块一一对应；根据第二区块和第一验证码生成的第二验证码，第二验证码与第二区块一一对应；以此类推，根据第N区块和第N-1验证码生成的第N验证码，其中，N为大于1的自然数。将所有区块和验证码分别复制保存在M台设备上，其中，所述第一区块和所述第一验证码作为第一存储单位保存在一台设备上，所述第二区块和所述第二验证码作为第二存储单位保存在一台设备上，所述第N区块和所述第N验证码作为第N存储单位保存在一台设备上，当需要调用所述区块时，每后一个节点接收前一节点存储的数据后，通过“共识机制”进行校验后保存，通过哈希函数对于每一存储单位进行串接，使得训练数据不易丢失和遭到破坏，通过区块链的逻辑对所述训练数据进行加密处理，保证了所述训练数据信息的安全性，并存储于多台设备上，所述存储于多台设备上的数据通过共识机制进行处理，即少数服从多数，当一台或多台设备被篡改时，只要存储正确数据的设备数量大于被篡改的设备数量，则获得的训练数据信息仍然是准确的，进一步的保证了训练数据信息的安全性，从而达到保证所述自学习式训练模型的准确性，进而保证对所述温度进行准确调整，从而保证所述电流传感器的测量结果更加准确的技术效果。
综上所述，本申请实施例所提供的一种自学习式电流传感器的温度稳定性提高方法和装置具有如下技术效果：
1、由于采用了获得所述电流传感器的预定工作阈值，并获得所述电流传感器的实时工作温度，将所述电流传感器的所述第一工作温度输入自学习式训练模型，根据所述训练模型的输出信息判断是否对所述第一工作温度是否进行调整的方式，基于训练模型不断自我修正和调整的特性，达到对所述电流传感器的实时温度准确判断及调整，进而保证所述电流传感器的测量准确性的技术效果。
2、由于采用了通过所述大量的满足预定偏移电流阈值的实时温度的数据，对所述自学习式训练模型进行监督学习，使得所述自学习式训练模型的数据库不断的丰满，最终获得更加准确的训练模型来判断是否对所述工作温度进行调整，达到对所述实时工作温度是是否满足要求准确判断的技术效果。
3、由于采用了根据所述电流传感器的实时工作环境，“因地制宜”的获得升温或是降温系统，基于升温系统、降温系统对所述电流传感器进行升温或降温处理，以达到保证所述电流传感器的实时的温度，进而达到保证所述电流传感器的测量结果准确的技术效果。
实施例二
基于与前述实施例中一种自学习式电流传感器的温度稳定性提高方法同样发明构思，本发明还提供了一种自学习式电流传感器的温度稳定性提高装置，如图9所示，所述装置包括：
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预定工作温度阈值；
第二获得单元12，所述第二获得单元12用于根据所述温度传感器获得所述电流传感器的第一工作温度，所述第一工作温度为实时工作温度；
第一输入单元13，所述第一输入单元13用于将所述电流传感器的所述第一工作温度输入自学习式训练模型，所述自学习式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所述第一工作温度和用于标识所述第一工作温度是否在预定工作温度阈值之内的标识信息；
第三获得单元14，所述第三获得单元14用于获得所述训练模型的输出信息，所述输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一工作温度在所述预定工作温度阈值之内的结果，所述第二输出结果为所述第一工作温度不在所述预定工作温度阈值之内的结果；
第一确定单元15，所述第一确定单元15用于根据所述输出信息，确定是否调整所述第一工作温度。
进一步的，所述装置还包括：
第四获得单元，所述第四获得单元用于如果所述输出信息为第一输出结果，获得所述电流传感器的第一偏移电流；
第五获得单元，所述第五获得单元用于获得预定偏移电流阈值；
第一判断单元，所述第一判断单元用于判断所述第一偏移电流是否在所述预定偏移电流阈值之内；
第六获得单元，所述第六获得单元用于如果所述第一偏移电流在所述预定偏移电流阈值之内，获得第二工作温度，其中，所述第二工作温度为所述第一偏移电流的实时温度；
第七获得单元，所述第七获得单元用于根据所述第二工作温度构建训练数据集，训练所述自学习式训练模型，使所述自学习式训练模型达到收敛状态。
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如果所述第一偏移电流不在所述预定偏移电流阈值之内，获得第二调整指令；
第一调整单元，所述第一调整单元用于根据所述第二调整指令，调整所述预定工作温度阈值。
进一步的，所述装置还包括：
第九获得单元，所述第九获得单元用于如果所述输出信息为第二输出结果，获得第一调整指令，所述第一调整指令包括第一升温指令和第一降温指令；
第二判断单元，所述第二判断单元用于判断所述第一工作温度与所述预定工作温度阈值之间的关系；
第十获得单元，所述第十获得单元用于如果所述第一工作温度高于所述预定工作温度阈值，获得第一降温指令；
第十一获得单元，所述第十一获得单元用于根据所述第一降温指令，控制所述吸热系统对所述电流传感器进行降温处理。
进一步的，所述装置还包括：
第十二获得单元，所述第十二获得单元用于如果所述第一工作温度低于所述预定工作温度阈值，获得第一升温指令；
第十三获得单元，所述第十三获得单元用于根据所述第一升温指令，控制所述放热系统对所述电流传感器进行升温处理。
进一步的，所述装置还包括：
第十四获得单元，所述第十四获得单元用于获得所述电流传感器的环境信息；
第十五获得单元，所述第十五获得单元用于根据所述环境信息，获得环境温度特点信息；
第十六获得单元，所述第十六获得单元用于根据所述环境温度特点信息，获得所述环境温度的峰值和谷值信息；
第二调整单元，所述第二调整单元用于根据所述环境温度的峰值和谷值信息，调整所述吸热系统和所述放热系统的调温范围。
进一步的，所述装置还包括：
第十七获得单元，所述第十七获得单元用于获得所述电流传感器的环境信息；
第十八获得单元，所述第十八获得单元用于根据所述环境信息，获得所述环境信息的温度变化频率信息；
第十九获得单元，所述第十九获得单元用于根据所述温度变化频率信息，获得第一维护周期；
第一维护单元，所述第一维护单元用于根据所述第一维护周期，对所述吸热系统和所述放热系统进行定期维护。
前述图1实施例一中的一种自学习式电流传感器的温度稳定性提高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自学习式电流传感器的温度稳定性提高装置，通过前述对一种自学习式电流传感器的温度稳定性提高方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种自学习式电流传感器的温度稳定性提高装置的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
下面参考图10来描述本申请实施例的电子设备。
图10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自学习式电流传感器的温度稳定性提高方法的发明构思，本发明还提供一种自学习式电流传感器的温度稳定性提高装置，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自学习式电流传感器的温度稳定性提高方法的任一方法的步骤。
其中，在图10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系统通信的单元。
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自学习式电流传感器的温度稳定性提高方法，所述方法应用于一自学习式电流传感器的温度稳定性提高系统，所述系统与电流传感器通讯连接，所述电流传感器上设置有温度传感器，其中，所述系统还包括放热系统、吸热系统以及处理器，所述处理器处理来自所述温度传感器的温度信息，所述方法包括：获得电流传感器的预定工作温度阈值；根据所述温度传感器获得所述电流传感器的第一工作温度，所述第一工作温度为实时工作温度；将所述电流传感器的所述第一工作温度输入自学习式训练模型，所述自学习式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所述第一工作温度和用于标识所述第一工作温度是否在预定工作温度阈值之内的标识信息；获得所述训练模型的输出信息，所述输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一工作温度在所述预定工作温度阈值之内的结果，所述第二输出结果为所述第一工作温度不在所述预定工作温度阈值之内的结果；根据所述输出信息，确定是否调整所述第一工作温度。解决了现有技术中电流传感器在工作的过程中会受到温度的影响，产生温度漂移，导致出现温度误差，不能准确测定电流的技术问题，达到对电流传感器的温度进行更加稳定的控制进而提高电流传感器测量准确性的技术效果。
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系统。
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，则可对这些实施例做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)

1.一种自学习式电流传感器的温度稳定性提高方法，其中，所述方法应用于一自学习式电流传感器的温度稳定性提高系统，所述系统与电流传感器通讯连接，所述电流传感器上设置有温度传感器，其中，所述系统还包括放热系统、吸热系统以及处理器，所述处理器处理来自所述温度传感器的温度信息，所述方法包括：
获得电流传感器的预定工作温度阈值；
根据所述温度传感器获得所述电流传感器的第一工作温度，所述第一工作温度为实时工作温度；
将所述电流传感器的所述第一工作温度输入自学习式训练模型，所述自学习式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所述第一工作温度和用于标识所述第一工作温度是否在预定工作温度阈值之内的标识信息；
获得所述训练模型的输出信息，所述输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一工作温度在所述预定工作温度阈值之内的结果，所述第二输出结果为所述第一工作温度不在所述预定工作温度阈值之内的结果；
根据所述输出信息，确定是否调整所述第一工作温度；
如果所述输出信息为第一输出结果，获得所述电流传感器的第一偏移电流；
获得预定偏移电流阈值；
判断所述第一偏移电流是否在所述预定偏移电流阈值之内；
如果所述第一偏移电流在所述预定偏移电流阈值之内，获得第二工作温度，其中，所述第二工作温度为所述第一偏移电流的实时温度；
根据所述第二工作温度构建训练数据集，训练所述自学习式训练模型，使所述自学习式训练模型达到收敛状态；
其中，所述判断所述第一偏移电流是否在所述预定偏移电流阈值之内，包括：
如果所述第一偏移电流不在所述预定偏移电流阈值之内，获得第二调整指令；
根据所述第二调整指令，调整所述预定工作温度阈值。
2.如权利要求1所述的方法，其中，所述根据所述输出信息，确定是否调整所述第一工作温度，包括：
如果所述输出信息为第二输出结果，获得第一调整指令，所述第一调整指令包括第一升温指令和第一降温指令；
判断所述第一工作温度与所述预定工作温度阈值之间的关系；
如果所述第一工作温度高于所述预定工作温度阈值，获得第一降温指令；
根据所述第一降温指令，控制所述吸热系统对所述电流传感器进行降温处理。
3.如权利要求2所述的方法，其中，所述判断所述第一工作温度与所述预定工作温度阈值之间的关系，包括：
如果所述第一工作温度低于所述预定工作温度阈值，获得第一升温指令；
根据所述第一升温指令，控制所述放热系统对所述电流传感器进行升温处理。
4.如权利要求1所述的方法，其中，所述方法包括：
获得所述电流传感器的环境信息；
根据所述环境信息，获得环境温度特点信息；
根据所述环境温度特点信息，获得所述环境温度的峰值和谷值信息；
根据所述环境温度的峰值和谷值信息，调整所述吸热系统和所述放热系统的调温范围。
5.如权利要求1所述的方法，其中，所述方法包括：
获得所述电流传感器的环境信息；
根据所述环境信息，获得所述环境信息的温度变化频率信息；
根据所述温度变化频率信息，获得第一维护周期；
根据所述第一维护周期，对所述吸热系统和所述放热系统进行定期维护。
6.一种自学习式电流传感器的温度稳定性提高装置，其中，所述装置包括：
第一获得单元，所述第一获得单元用于获得电流传感器的预定工作温度阈值；
第二获得单元，所述第二获得单元用于根据所述温度传感器获得所述电流传感器的第一工作温度，所述第一工作温度为实时工作温度；
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工作温度输入自学习式训练模型，所述自学习式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所述第一工作温度和用于标识所述第一工作温度是否在预定工作温度阈值之内的标识信息；
第三获得单元，所述第三获得单元用于获得所述训练模型的输出信息，所述输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一工作温度在所述预定工作温度阈值之内的结果，所述第二输出结果为所述第一工作温度不在所述预定工作温度阈值之内的结果；
第一确定单元，所述第一确定单元用于根据所述输出信息，确定是否调整所述第一工作温度；
第四获得单元，所述第四获得单元用于如果所述输出信息为第一输出结果，获得所述电流传感器的第一偏移电流；
第五获得单元，所述第五获得单元用于获得预定偏移电流阈值；
第一判断单元，所述第一判断单元用于判断所述第一偏移电流是否在所述预定偏移电流阈值之内；
第六获得单元，所述第六获得单元用于如果所述第一偏移电流在所述预定偏移电流阈值之内，获得第二工作温度，其中，所述第二工作温度为所述第一偏移电流的实时温度；
第七获得单元，所述第七获得单元用于根据所述第二工作温度构建训练数据集，训练所述自学习式训练模型，使所述自学习式训练模型达到收敛状态；
第八获得单元，所述第八获得单元用于如果所述第一偏移电流不在所述预定偏移电流阈值之内，获得第二调整指令；
第一调整单元，所述第一调整单元用于根据所述第二调整指令，调整所述预定工作温度阈值。
7.一种自学习式电流传感器的温度稳定性提高装置，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。
CN202011004158.8A 2020-09-22 2020-09-22 一种自学习式电流传感器的温度稳定性提高方法和装置 Active CN112651498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011004158.8A CN112651498B (zh) 2020-09-22 2020-09-22 一种自学习式电流传感器的温度稳定性提高方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011004158.8A CN112651498B (zh) 2020-09-22 2020-09-22 一种自学习式电流传感器的温度稳定性提高方法和装置

Publications (2)

Publication Number Publication Date
CN112651498A CN112651498A (zh) 2021-04-13
CN112651498B true CN112651498B (zh) 2021-08-31

Family

ID=75346661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011004158.8A Active CN112651498B (zh) 2020-09-22 2020-09-22 一种自学习式电流传感器的温度稳定性提高方法和装置

Country Status (1)

Country Link
CN (1) CN112651498B (zh)

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2928526B2 (ja) * 1989-02-10 1999-08-03 株式会社日本自動車部品総合研究所 電源回路及び前記回路を備えるブリッジ型測定器出力補償回路
US8000918B2 (en) * 2007-10-23 2011-08-16 Edwards Lifesciences Corporation Monitoring and compensating for temperature-related error in an electrochemical sensor
US8791683B1 (en) * 2011-02-28 2014-07-29 Linear Technology Corporation Voltage-mode band-gap reference circuit with temperature drift and output voltage trims
CN105388356B (zh) * 2014-08-22 2019-03-29 比亚迪股份有限公司 电流测量装置
US10338110B2 (en) * 2015-11-23 2019-07-02 National Instruments Corporation Digitally compensating for the impact of input bias current on current measurements
FR3060127B1 (fr) * 2016-12-13 2019-03-15 Seb S.A. Procede de compensation dynamique de l'erreur d'offset d'une chaine d'acquisition comportant un capteur de courant
WO2018130436A1 (en) * 2017-01-11 2018-07-19 Koninklijke Philips N.V. Integrated temperature sensor on lead selenide plate detector assembly
WO2018165970A1 (zh) * 2017-03-17 2018-09-20 浙江巨磁智能技术有限公司 漏电流传感器和漏电流监测装置
JP2021014986A (ja) * 2017-09-06 2021-02-12 株式会社村田製作所 電流センサ及び電流センサの製造方法
CN107907834B (zh) * 2017-10-25 2020-08-07 广州市香港科大霍英东研究院 一种电池管理系统的电流漂移校正方法、系统及装置
CN109212359A (zh) * 2018-10-19 2019-01-15 郑州福禄源电子科技有限公司 一种户外电气设备安全监测装置及其监测方法
CN111198289A (zh) * 2018-11-20 2020-05-26 许继集团有限公司 一种光纤式电流测量装置的控制方法
CN210803568U (zh) * 2019-09-11 2020-06-19 珠海多创科技有限公司 一种交流电流传感器
CN111008648B (zh) * 2019-11-12 2023-10-27 国网湖南省电力有限公司 一种纯光纤电子式电流互感器故障辨识方法、系统及介质
CN111026220B (zh) * 2019-12-12 2021-06-04 南京邮电大学 一种cmos霍尔传感器温度稳定控制系统
CN111398651B (zh) * 2020-04-15 2022-02-11 哈尔滨理工大学 一种可主动温度补偿的全光纤电流互感器传感装置及温度补偿方法

Also Published As

Publication number Publication date
CN112651498A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN111951128B (zh) 一种节能环保的建筑施工方法和装置
US11494618B2 (en) Anomaly detection using deep learning on time series data
Geromel et al. Dynamic output feedback control of discrete-time Markov jump linear systems through linear matrix inequalities
CN103309233A (zh) 一种模糊pid控制器的设计方法
CN112100928A (zh) 一种基于温度改善锂离子电池性能的方法和装置
JP7188979B2 (ja) 異常検知装置、異常検知方法および異常検知プログラム
US11892819B2 (en) Control device, control system, control method, and computer-readable storage medium
CN112504321A (zh) 一种提高仪表校准精度的信息处理方法和装置
CN106802564B (zh) 多智能体系统及其控制方法
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
Gu et al. Curve and surface reconstruction based on MTLS algorithm combined with k-means clustering
Jeyaraj et al. Real‐time data‐driven PID controller for multivariable process employing deep neural network
TW202006652A (zh) 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法
US20100063946A1 (en) Method of performing parallel search optimization
CN111108738B (zh) 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法
CN115482928A (zh) 基于人工智能的数据预测方法、装置、设备及存储介质
Liu et al. Optimal control of unknown nonlinear system under event‐triggered mechanism and identifier‐critic‐actor architecture
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
CN112133405A (zh) 一种智慧社区的儿童营养状态评定方法及系统
CN113049793A (zh) 一种Abs复合材料的生产检测验证方法和装置
Fang et al. Monitoring Method of Non-Gaussian Process Based on Fractal Analysis with Kernel Independent Component Regression
Lu et al. The temperature control of electric furnace based on PID genetic algorithm
Liu et al. Outlier Detection for control process data based on improved ARHMM
CN112644166A (zh) 一种印刷质量管理方法和装置
Kong et al. Adaptive tracking control under quantized observations and observation uncertainty with unbounded variance

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