具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施 例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所 描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申 请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所 有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第 一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次 序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请 的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不 排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设 备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对 于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征 可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本申请提出了一种modelica模型校准的方法，参见附图1所示的一种 modelica模型校准的方法的流程图；该方法包括：

步骤S102，选择目标系统；

具体的，为每个系统设置标识。

示例性的，当系统存储时，可以根据系统的结构设置不同的标识。

如果子系统为级联结构，则设置标识为1，否则，设置标识为0。

步骤S104，建立所述目标系统的modelica模型；

步骤S106，采用神经网络算法对所述modelica模型进行训练计算；

步骤S108，输出经过训练后的所述modelica模型的输出值。

具体的，在modelica模型建模完成后，modelica模型模型就像以Outer/Inner 织起来的一张网，类似于一个二层的BP神经网络。

对所有modelica子模型间，添加一个inner参数，d_inner，此参数不参与 仿真，只用来在outer参数输出时，在原来仿真结果的基础上，叠加上d_inner 参数和权值的乘积，来校正每个modelica子模的输出值，其中，d_inner即是BP 神经网络中反向传播的误差。

各个modelica子模型模型间的权重参数可以随机更新，或者基于误差反 向更新。比如仿真结果偏大，则增大权重，如果仿真结果偏小，则缩小权重。

通过仿真数据和实测数据，进行一定数据量的训练，或者、误差反向调整 次数。在输出结果较符合实测值后，停止训练，得到训练后的模型，比较符合 实际情况，完成对模型的校准。

值得强调的是，停止训练所述modelica模型后，及时存储每个modelica 子模型的输出值。并存储modelica模型的输出值。

在一种实施方式中，根据所述modelica模型组建神经网络计算模型时， 将所述目标系统进行拆分得到多个依次相连的子系统；

将所述modelica模型进行拆分得到多个依次相连的modelica子模型，其 中，每个子模型对应一个子系统；

对于任意的两个相邻的子模型；上一个子模型的输出作为下一个子模型的 输入；

将每个modelica子模型作为神经网络的一个节点。

在一种实施方式中，训练所述modelica模型时，以所述modelica模型的 理想输出值为目标值；调整每一个modelica子模型的输出值；直到所述 modelica模型的输出值与理想输出值的误差在预定的误差范围内，停止训练所 述modelica模型。

在一种实施方式中，所述神经网络计算模型为BP神经网络计算模型。

具体的，BP神经网络具有以下的特点：

BP神经网络基本思想由两部分组成：输入样本前向传播并输出结果、误 差的反向传播更新网络权值

样本数据前向传播时，输入样本由输入层传入，经隐含层处理后传到输出 层，若输出层的实际输出与期望输出不符，则进入误差反向传播更新网络权值 阶段。

误差的反向传播更新网络权值是将输出误差以某种形式通过隐含层向输 入层逐层反转，并将误差分配给各层神经元各个神经单元。

这种信号正向传播与误差反向传播的各层权值调整过程循环进行，权值也 不断调整，也就是网络的学习过程。此过程一直进行到网络输出的误差减少到 可以接受的程度，或进行到预先设定的学习次数为止。

在一种实施方式中，选择目标系统时，判断所述目标系统是否可以拆分为 多个依次级联的子系统；

所述多个子系统中，任意两个相邻的子系统，上一个子系统的输出作为下 一个子系统的输入；如果是，则确定所述目标系统进行建模。

具体的，系统中存储了多个目标系统，但是并不是每一个目标系统都能够 采用本申请的上述的方法，只有满足特殊结构的目标系统才可以使用本申请的 方法。

具体实施时，可以对系统中存储的多个目标系统设置标识，分别判断每一 个目标系统是否符合条件。在系统第一次存储时，就详细标明该系统是否包括 多个级联的子系统。如果是，则用特殊的标识进行标识。

在一种实施方式中，建立所述目标系统的modelica模型时，将所述目标 系统进行拆分得到多个依次相连的子系统；

建立每个子系统的modelica模型；

将每个子系统的modelica模型级联组合得到目标系统的modelica模型。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行 指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某 些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

第二方面，本申请还提出了一种modelica模型校准的装置，参见附图2 所示的一种modelica模型校准的装置的结构示意图；该装置包括：

选择模块21，用于选择目标系统；

建模模块22，用于建立所述目标系统的modelica模型；

处理模块23，用于采用神经网络算法对所述modelica模型进行训练计算； 以及输出经过训练后的所述modelica模型的输出值。

在一种实施方式中，建模模块22还用于，将所述目标系统进行拆分得到 多个依次相连的子系统；

将所述modelica模型进行拆分得到多个依次相连的modelica子模型，其 中，每个子模型对应一个子系统；

对于任意的两个相邻的子模型；上一个子模型的输出作为下一个子模型的 输入；

将每个modelica子模型作为神经网络的一个节点。

在一种实施方式中，处理模块23还用于：以所述modelica模型的理想输 出值为目标值；调整每一个modelica子模型的输出值；直到所述modelica模 型的输出值与理想输出值的误差在预定的误差范围内，停止训练所述modelica 模型。

在一种实施方式中，所述神经网络计算模型为BP神经网络计算模型。

在一种实施方式中，选择模块21还用于：判断所述目标系统是否可以拆 分为多个依次级联的子系统，

所述多个子系统中，任意两个相邻的子系统，上一个子系统的输出作为下 一个子系统的输入；

如果是，则确定所述目标系统进行建模。

在一种实施方式中，建模模块22还用于：将所述目标系统进行拆分得到 多个依次相连的子系统；

建立每个子系统的modelica模型；

将每个子系统的modelica模型级联组合得到目标系统的modelica模型。

在一种实施方式中，处理模块23还用于：停止训练所述modelica模型后， 存储每个modelica子模型的输出值。

根据本申请的第三方面，提供了一种电子设备，参见附图3所示的电子设 备的结构示意图；包括至少一个处理器31和至少一个存储器32；所述存储器 32用于存储一个或多个程序指令；所述处理器31，用于运行一个或多个程序 指令，用以执行上述任意一项的方法。

第四方面，本申请还提出了一种计算机可读存储介质，计算机可读存储介 质中包含一个或多个程序指令，所述一个或多个程序指令用于执行上述任一项 所述的方法。

可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通 用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本 发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或 者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存 储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄 存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件 完成上述方法的步骤。

存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或 可包括易失性和非易失性存储器两者。

其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称 ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编 程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器 (Electrically EPROM，简称EEPROM)或闪存。

易失性存储器可以是随机存取存储器(Random Access Memory，简称 RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的 RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机 存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器 (Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储 器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存 取存储器(Enhanced SDRAM，简称ESDRAM)、同步连接动态随机存取存储 器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器 (DirectRambus RAM，简称DRRAM)。

本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类 型的存储器。

本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描 述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储 在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进 行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括 便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通 用或专用计算机能够存取的任何可用介质。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以 用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多 个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码 来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们 分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集 成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领 域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之 内。