1.一种电能表端子温度检测方法，其特征在于：对径向基神经网络初始化，采用多种群互生粒子群优化算法对径向基神经网络参数进行优化，建立径向基神经网络预测模型，使用建立的径向基神经网络预测模型进行电能表端子温度的间接测量；具体包括以下步骤：步骤1，确定径向基神经网络的结构，以及核函数及个数，利用K-Means++确定RBF网络的隐含层中心向量；步骤2，对粒子群进行初始化：设置两个种群，以RBF的宽度系数为种群的维度，确定种群的规模，以及设置各个粒子群的初始速度、初始位置、局部最优位置和全局最优位置；步骤3，开始训练径向基神经网络算法的宽度系数的参数：根据公式（1）计算两个种群的各个粒子的速度 和 ， （1）式中， 为更新t次后的一号种群的第i个粒子的矢量速度； 为更新t次后的一号种群的第i个粒子的位置；c1、c2和c3为加速系数；rand均为0~1之间的随机数； 为一号种群的第i个局部最优位置； 为一号种群的全局最优位置； 为更新t次后的二号种群的第i个粒子的矢量速度； 为更新t次后的二号种群的第i个粒子的位置； 为二号种群的第i个局部最优位置； 为二号种群的全局最优位置；一号种群的惯性权重 按传统方式设置一个合适的权重值，二号种群的惯性权重 按振动的方式设置，提高二号种群的全局最优值，并利用两个种群形成的两种模式和风格综合公式（1）实现相互互补，进一步提高种群的局部最优位置和全局最优位置；式中， 设定为黄金分割线的大小0.618和 利用振荡公式（2）给定振荡的惯性权重，以增大二号种群的变化性和全局最优性； （2）式中， 为-1至1的随机变量值，t为迭代的次数；在求出 后，需要与设置好的 、 进行比较； （3）式中， 为速度的上限， 为速度的下限，之后计算各个粒子的位置 ， ； （4）式中， 表示一号种群更新的粒子位置即一号种群更新后的径向基神经网络核函数的宽度系数， 表示二号种群更新的粒子位置即二号种群更新后的径向基神经网络核函数的宽度系数；设置 为当前粒子的适应度， 表示一号种群和二号种群更新t次后第i个粒子的位置， 表示 粒子位置的适应度，k表示训练数据的个数，其定义的公式为： （5）式中， 为更新t次后第i个粒子的位置的真实值， 为更新t次后第i个粒子的位置的预测值，预测值定义的公式为： （6）式中， x为输入特征值{X1，X2，…，Xm}， 为隐含层第i个神经元的激活函数，t代表迭代次数，n表示隐含层有n个节点， 表示第i个径向基函数 的中心向量， 表示种群更新t次后第i个径向基函数的宽度参数， 表示种群更新t次后隐含层第i个节点的连接权重，种群更新一次就利用递推最小二乘法RLS求解一次；步骤4，将每个粒子当前的适应度 与上一时刻的适应度 作对比，如果此刻的适应度较之前位置更优，则替换之前时刻的位置，否则保持不变；如果此刻的适应度是最优结果，则将这结果替换为最优位置的结果；在最优位置更新后，比较一号种群和二号种群的最优适应度值 和 ；在某一粒子a迭代结束后，随机选取一个粒子b，且b≠a，使其按公式（7）进行迭代； （7）步骤5，更新t=t+1，不断重复步骤3和步骤4，当粒子迭代结束或达到最优后，最后的 和 则是最优解；步骤6，将预处理后的环境温度和热电堆的感应电压作为径向基神经网络的输入，电能表端子温度作为径向基神经网络的输出训练模型，将模型训练后K-Means++确定的聚类中心作为径向基神经网络隐含层的中心位置，将多种群互生粒子群优化算法中最优位置中的位置值作为径向基神经网络隐含层的宽度系数，RLS的解作为径向基神经网络隐含层的权值系数，建立径向基神经网络的预测模型，最后将需要测量温度时采集到的环境温度与热电堆的感应电压预处理后输入建立的预测模型中，得到相对应的温度检测值。
2.根据权利要求1所述的一种电能表端子温度检测方法，其特征在于：RLS算法流程主要有如下几步：第一步：初始化： ， 为最小二乘法的初值， 取值为10 -6 ， 是一个 的单位矩阵； 为全为零的n阶向量，遗忘因子 取值为0.98；第二步：当k=1,2,…,K max 时，完成如下迭代： （8）式中 表示第 k 次训练时激活函数 的数值集{ }， 表示第k个输入特征值， 表示递推第k次时径向基神经网络核函数的连接权值向量， 表示 的转置， 表示 的转置， 表示第k次训练的期望值， 表示第k次的期望值与递推值的误差， 表示第k次连接权值向量的误差迭代系数；第三步：更新k=k+1，不断重复第二步，直至训练数据结束，即迭代结束，最终递推求得的 表示径向基神经网络核函数的连接权值向量 的解。
