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】
[0001] 本发明设及一种电子水表的流量计量方法，具体地说，设及一种基于BP神经网络 的户用电子水表流量计量方法。
【背景技术】
[0002] 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。
[0003] 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。但上述方法设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W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。
[0004] 经检索，中国专利号化201110441265. 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W下步骤；1)分别计算出雷诺数为层流状态上限 值、端流状态下限值、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、端流状态时的拟合 直线校正方程；4)超声水表测得的线平均流速Vi,比较Vi与VlW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。
[0005] 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累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，分析汇流节点累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累站排水流量滞后时间。在累站历 史运行数据基础上建立灰色神经网络模型，预测汇流节点累站流量。该申请案通过将灰色 关联分析和神经网络两种方法结合，解决上游累站排水时延差异问题，实现汇流节点污水 累站流量软测量，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】
[0006] 1.发明要解决的技术问题
[0007] 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W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W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。
[000引 2.技术方案
[0009] 为达到上述目的，本发明提供的技术方案为：
[0010] 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S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：
[0011] 步骤一、流量计量模型的初始化：
[0012] 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；
[0013] 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；
[0014] 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；
[0015] 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；
[0016] 步骤=、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。
[0017] 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。
[0018] 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：
[0019]
[0020] 式中，P为样本数据值，Pmh为样本数据最小值，Pmax为样本数据最大值，P。为归一 化后的样本数据值。
[0021] 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Xi输入、X,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：
[0022]
[0023] 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！ 10之间的常数。
[0024] 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.OOlo
[0025] 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：
[0026]
[0027] 式中，P为样本数据值，Pmh为样本数据最小值，Pmax为样本数据最大值，P。为归一 化后的样本数据值；
[002引更进一步地，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。
[0029] 更进一步地，步骤=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。
[0030] 3.有益效果
[0031] 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：
[003引 （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WW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W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；
[003引 （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W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】
[0034] 图1是本发明测量水压及流量信号的硬件结构示意图；
[0035] 图2是本发明进行流量预测的流程图；
[0036] 图3是本发明中BP神经网络流量计量模型的结构示意图；
[0037] 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。
[003引示意图中的标号说明：
[0039] 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】
[0040] 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。
[0041] 实施例1
[0042] 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MSP430巧529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。
[0043] 参看图2和图3,本实施例的流量计量过程具体如下；
[0044] (一）流量计量模型的初始化：
[0045] 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 n，通过阀口可调节流体流速，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，通过调节阀口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：
[0046] (1)
[0047] 式中，P为样本数据值，Pmh为样本数据最小值，P为样本数据最大值，P。为归一 化后的样本数据值。
[0048] 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Xi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：
[0049]
(2)
[0化0]