基于菊花链拓扑的智能识别监测系统技术方案

本发明专利技术公开了一种基于菊花链拓扑的智能识别监测系统，包括测量模块和控制模块，多个测量模块通过总线与控制模块连接，控制模块采用BP神经网络训练学习方法来智能识别测量模块的地址。通过智能识别监测系统的内部软件判断的方法，不需要对控制模块进行配置，只要通过菊花链拓扑方式接入到控制模块上，控制模块就能自动识别采集模块的地址。因此不需要具备丰富的专业知识对测量模块进行现场配置，从而解决了现场安装调试设置的复杂情况，以及维护过程中重新更换一个测量模块后需要重新配置的问题。

Intelligent identification and monitoring system based on daisy chain topology

The invention discloses an intelligent identification monitoring system based on daisy chain topology, including measuring module and control module, a measuring module is connected with the bus control module, control module using BP neural network training method to intelligent recognition measurement module. Through the method of internal software to judge the intelligent recognition of the monitoring system, do not need to configure the control module, as long as through access to daisy chain topology control module, automatic recognition and acquisition module can control. So there is no need to have rich professional knowledge of field configuration on the measurement module, so as to solve the complex set of on-site installation and debugging, need to configure a measurement module replacement and re maintenance process after the problem.

【技术实现步骤摘要】
基于菊花链拓扑的智能识别监测系统
本专利技术涉及多回路电能仪表的监测领域，尤其涉及一种基于菊花链拓扑的智能识别监测系统。
技术介绍
目前，随着近年来国家大力提倡节能用电，最有效和最经济的节能手段和管理方法对配电系统进行智能化改造，使用多回路电能仪表的监测系统。多回路电能仪表的监测系统最关键的是电能数据的准确性以及现场施工安装的方便，而在施工现场，这类装置通常安装在开关柜内，在开关柜厂生产安装过程中，一个开关柜内有很多单三相混合支路，而多回路电能仪表的监测系统往往要求多回路分别计量，如果采用传统的安装电能表的缺点一是体积大，开关柜安装不下，需要增加开关柜，二是成本高，需要安装很多块电表。一个配电箱内有很多单三相混合支路，每个测量模块的地址需要根据现场的需求去配置，以及后续维护时更换测量模块需要重新配置此测量模块，配置的复杂性导致的后果是：1)控制模块(控制器)中添加的地址实际上跟测量模块地址不符；2)测量模块没有配置到控制模块中，造成部门电参量数据缺失；3)导致装置误报警，如：模块缺失；4)无法配置成回路或者配置的回路是错的。遇到此类情况，通常需要安排具备专业知识人员在现场对控制模块以及测量模块进行安装配置，维护。但是，现有的常规方案存在以下缺陷：现场安装配置需要具备丰富的专业知识才能进行，并且在配置的过程中耗时耗力，这就不可避免地造成影响工程项目的施工和调试进度，同时加大了生产单位的调试和维护成本。
技术实现思路
为了克服现有技术的不足，本专利技术的目的在于提供一种基于菊花链拓扑的智能识别监测系统，其能解决现场安装调试设置的复杂情况，以及维护过程中重新更换一个测量模块后需要重新配置的问题。本专利技术的目的采用以下技术方案实现：一种基于菊花链拓扑的智能识别监测系统，包括测量模块和控制模块，多个测量模块通过总线与控制模块连接，控制模块采用BP神经网络训练学习方法来智能识别测量模块的地址。进一步地，多个测量模块通过PLbus总线与控制模块连接，所述PLbus总线采用菊花链总线拓扑。进一步地，所述BP神经网络训练学习方法，具体包括信息的正向传递与误差的反向传播两个过程；所述正向传递：输入样本从输入层经隐含层逐层计算传向输出层，若输出层的实际输出和期望输出不符，则计算输出层的误差值即输出误差，然后转向反向传播过程；所述反向传播即误差的反向传播：是将输出误差通过隐含层向输入层逐层反传，并将输出误差分摊给各层所有单元，从而获得各层单元的误差信号，以获得的各层单元的误差信号作为修正相应各单元的依据，各层单元包括隐含层和输出层；正向传递和反向传播反复进行，从而使权值不断得到调整，当训练达到规定误差或一定训练次数后，则结束训练。进一步地，上述训练达到规定误差或一定训练次数具体标准为：样本输入时的理想目标Tk与实际输出ok之间的误差平方Ep不断趋向于0，即E函数。进一步地，上述误差的反向传播过程中，根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δvij，隐含层阈值的修正量Δθi：其中，上述公式中：η表示固定权值，wki表示日期范围，E表示学习最终目标，ak表示地址范围，θi表示相序范围，wij表示日期范围，wki与wij分别表示不同的日期范围。进一步地，所述误差梯度下降法，具体为：使用激活函数为：f(x)连续可导，一阶导数为：f′(x)＝f(x)[1-f(x)]，对输出层：netk表示wki、ak、vij和θi直接的关联矩阵，vij表示输出层的权值，Δwjk与Δwki表示相同的含义，wjk表示日期范围；对隐含层：netj表示wki、ak、vij和θi直接的关联矩阵，netj和netk表示不同日期的矩阵；对输出层、隐含层分别定义一个误差信号和将输出层的权值W调整式更改为：yj表示计算过程的临时变量，将隐含层的权值V调整式更改为：xi也表示计算过程的临时变量，根据推导：dk表示计算过程的临时变量，I表示学习次数；对于输出层，可展开为：对于隐含层，可展开为：网络误差对各层输出的偏导，对于输出层，可得：ok表示计算过程的临时变量，对于隐含层，利用E的函数可得：i和m均为常数，则：从而得出：进一步地，30个测量模块组成一个测量单元，用来测量30个单相回路或者10个三相回路。进一步地，所述测量模块具有闭口穿线安装和免拆线的开口卡扣安装。进一步地，所述总线的连接器使用RJ12插头。相比现有技术，本专利技术的有益效果在于：本专利技术技术方案，通过智能识别监测系统的内部软件判断的方法，不需要对控制模块进行配置，只要通过菊花链拓扑方式接入到控制模块上，控制模块就能自动识别采集模块的地址。因此不需要具备丰富的专业知识对测量模块进行现场配置，从而解决了现场安装调试设置的复杂情况，以及维护过程中重新更换一个测量模块后需要重新配置的问题。附图说明图1为本专利技术具体实施方式所述的基于菊花链拓扑的智能识别监测系统的原理框图。具体实施方式下面，结合附图以及具体实施方式，对本专利技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例：如图1所述，一种基于菊花链拓扑的智能识别监测系统，包括测量模块和控制模块，多个测量模块通过总线与控制模块连接，控制模块采用BP神经网络训练学习方法来智能识别测量模块的地址。多个测量模块通过PLbus总线与控制模块连接，PLbus总线采用菊花链总线拓扑。便于寻址。基于菊花链拓扑的智能识别监测系统由测量模块(CTC和CTO)和控制模块(CTRL)组成，控制模块与测量模块之间通过总线派诺开发的PLbus总线连接，PLbus总线使用菊花链总线拓扑，总线连接器使用RJ12插头。支持多种安装方式，控制模块支持DIN35导轨安装，和背板螺丝固定安装；测量模块有闭口穿线安装和免拆线的开口卡扣安装两种方式，可根据需要灵活的选择安装。测量模块间以及测量模块与控制模块的连接，使用标准的RJ12接口极大地简化了现场的布线。一个测量单元最多支持30个测量模块，可测量30个单相回路或者10个三相回路。具有三相回路的总参数(总功率，总电能等)和分相参数的测量和计量功能。BP神经网络训练学习方法，具体包括信息的正向传递与误差的反向传播两个过程；正向传递：输入样本从输入层经隐含层逐层计算传向输出层，若输出层的实际输出和期望输出不符，则计算输出层的误差值即输出误差，然后转向反向传播过程；反向传播即误差的反向传播：是将输出误差通过隐含层向输入层逐层反传，并将输出误差分摊给各层所有单元，从而获得各层单元的误差信号，以获得的各层单元的误差信号作为修正相应各单元的依据，各层单元包括隐含层和输出层；正向传递和反向传播反复进行，从而使权值不断得到调整，当训练达到规定误差或一定训练次数后，则结束训练。寻址精确。训练达到规定误差或一定训练次数具体标准为：样本输入时的理想目标Tk与实际输出ok之间的误差平方Ep不断趋向于0，即E函数。寻址精确。误差的反向传播过程中，根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δvij，隐含层阈值的修正量Δθi：其中，上述公式中：η表示固定权值，wki表示日期范围，E表示学习最终目标，ak表示地址范围本文档来自技高网...

【技术保护点】
一种基于菊花链拓扑的智能识别监测系统，包括测量模块和控制模块，多个测量模块通过总线与控制模块连接，其特征在于：所述控制模块采用BP神经网络训练学习方法来智能识别测量模块的地址。

【技术特征摘要】
1.一种基于菊花链拓扑的智能识别监测系统，包括测量模块和控制模块，多个测量模块通过总线与控制模块连接，其特征在于：所述控制模块采用BP神经网络训练学习方法来智能识别测量模块的地址。2.如权利要求1所述的基于菊花链拓扑的智能识别监测系统，其特征在于：多个测量模块通过PLbus总线与控制模块连接，所述PLbus总线采用菊花链总线拓扑。3.如权利要求1或2所述的基于菊花链拓扑的智能识别监测系统，其特征在于：所述BP神经网络训练学习方法，具体包括信息的正向传递与误差的反向传播两个过程；所述正向传递：输入样本从输入层经隐含层逐层计算传向输出层，若输出层的实际输出和期望输出不符，则计算输出层的误差值即输出误差，然后转向反向传播过程；所述反向传播即误差的反向传播：是将输出误差通过隐含层向输入层逐层反传，并将输出误差分摊给各层所有单元，从而获得各层单元的误差信号，以获得的各层单元的误差信号作为修正相应各单元的依据，各层单元包括隐含层和输出层；正向传递和反向传播反复进行，从而使权值不断得到调整，当训练达到规定误差或一定训练次数后，则结束训练。4.如权利要求3所述的基于菊花链拓扑的智能识别监测系统，其特征在于：上述训练达到规定误差或一定训练次数具体标准为：样本输入时的理想目标Tk与实际输出ok之间的误差平方Ep不断趋向于0，即E函数。5.如权利要求4所述的基于菊花链拓扑的智能识别监测系统，其特征在于：上述误差的反向传播过程中，根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δvij，隐含层阈值的修正量Δθi：其中，上述公式中：η表示固定权值，wki表示日期范围，E表示学习最终目标，ak表示地址范围，θi表示相序范围，wij表示日期范围，wki与wij分别表示不同的日期范围。6.如权利要求5所述的基于菊花链拓扑的智能识别监测系统，其特征在于：所述误差梯度下降法，具体为：使用激活函数为：f(x)连续可导，一阶导数为：f′(x)＝f(x)[1-f(x)]，对输出层：netk表示wki、ak、vij和θi直接的关联矩阵，vij表示输出层的权值，Δwjk与Δwki表示相同的含义，wjk表示日期范围；对隐含层：netj表示wki、ak、vij和θi直接的关联矩阵，netj和netk表示不同日期的矩阵；对输出层、隐含层分别定义一...

【专利技术属性】
技术研发人员：张民恕，饶洋，万俊，
申请(专利权)人：珠海派诺科技股份有限公司，
类型：发明
国别省市：广东,44