CN101614799B - 应用于电流传感器角差在线监测系统的信号分离择优方法 - Google Patents
应用于电流传感器角差在线监测系统的信号分离择优方法 Download PDFInfo
- Publication number
- CN101614799B CN101614799B CN2008101155593A CN200810115559A CN101614799B CN 101614799 B CN101614799 B CN 101614799B CN 2008101155593 A CN2008101155593 A CN 2008101155593A CN 200810115559 A CN200810115559 A CN 200810115559A CN 101614799 B CN101614799 B CN 101614799B
- Authority
- CN
- China
- Prior art keywords
- output
- angular difference
- monitoring system
- current sensor
- line monitoring
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种对电流传感器角差在线监测系统中独立分量分析电流信号分离模块的输出结果进行分离择优方法，包括：建立一个拥有两个输入节点和一个输出节点的反向传播BP神经网络；建立BP神经网络的训练样本集；BP神经网络通过对训练集数据的学习，建立独立分量分析ICA分离结果的角差和两个指标值之间的映射关系；电流传感器角差在线监测系统运行时，该BP神经网络对ICA信号分离模块的多次分离结果进行最优解选取，并输出最优结果。本发明提供的这种对电流传感器角差在线监测系统中ICA电流信号分离模块的输出结果进行分离择优方法，可以应用于电流传感器角差在线监测系统中电流信号分离模块，提高了输出结果的精确度。
Description
技术领域
本发明涉及电流信号高精度分离技术领域，尤其涉及一种对电流传感器角差在线监测系统中独立分量分析(ICA)电流信号分离模块的输出结果进行分离择优的方法，即一种应用于电流传感器角差在线监测系统的信号分离择优方法。
背景技术
目前应用于各种电力设备绝缘在线监测的电流传感器，都是用高导磁材料作为磁芯绕制而成。在实验室环境下进行测试，这类电流传感器对电流信号角差的监测能够达到较高的精度，同时其稳定性也能满足测量的要求。但实际在线运行后，由于现场的强电磁干扰、环境温度及湿度的大幅度变化、强冲击电流等对磁性材料的作用，使得电流传感器磁芯的性能发降低。另一方面，电流传感器中的电子电路同样会受电磁干扰、工作温度及湿度、器件老化等影响，使得输出信号的幅度变比，特别是角差特性发生较大变化。
因此，要对电流传感器的角差进行实时监测，以保证绝缘在线监测系统在实际运行中能够获得高精度、稳定可靠的测量结果。
一种在线监测电流传感器角差系统，是人为在传感器的输入端加入已知频率和相位的单频正弦测试电流，在输出端得到的是正常工作时的输出电流与测试电流的混合。采用独立分量分析(ICA)方法将测试信号和电流传感器的原始输出电流分离，通过比较测试信号输入与输出前后相位变化来确定电流传感器的相位差。这样就可以通过计算机软件的方法，在电流传感器监测电力设备正常工作的电流的同时获得它的相位差，从而实现在线测量。
采用ICA方法来分离混合信号存在的最主要的问题就是估计出来的独立源分量接近于其真实值的程度是未知的。这种情况是由多种原因造成的：
ICA方法要求各源分量是统计独立的，且其中至多有一个分量是高斯分布的。然而实际应用中真实数据并不能严格符合ICA的模型。
ICA方法使用的随机产生的初始混合矩阵，在计算的过程中可能会收敛于不同的局部最小值。
混合信号的抽样点数是有限的，这也会引入统计误差。
因此，有必要对ICA分离的结果进行评价，研究它的可靠性。对同一混合信号运行多次ICA并且选取最优的结果，这样比单独运行一次的结果具有更高的可靠性。
发明内容
(一)要解决的技术问题
有鉴于此，本发明的主要目的在于提供一种对ICA电流信号分离模块的输出结果进行分离择优的方法，以将其应用于电流传感器角差在线监测系统中电流信号分离模块，并提高输出结果的精确度。
(二)技术方案
为达到上述目的，本发明提供了一种对电流传感器角差在线监测系统中ICA电流信号分离模块的输出结果进行分离择优方法，该方法包括：
步骤1：建立一个拥有两个输入节点和一个输出节点的反向传播(Back Propagation，BP)神经网络；
步骤2：建立BP神经网络的训练样本集；
步骤3：BP神经网络通过对训练集数据的学习，建立ICA分离结果的角差和两个指标值之间的映射关系；
步骤4：电流传感器角差在线监测系统运行时，该BP神经网络对ICA信号分离模块的多次分离结果进行最优解选取，并输出最优结果。
上述方案中，所述BP神经网络是一个拥有两个输入节点和一个输出节点的3层网络，包括输入层、输出层和隐藏层，其中，
输入层：以两个神经元节点作为输入，记为{x1，x2}，x1为每次实验中ICA分离出的源分量的似然值，x2为每次实验中ICA分离出的源分量的负熵值；
输出层：以一个神经元节点作为输出，记为y，它是与该次实验结果的角差的绝对值成比例的量，该输出可以作为评价分离结果性能的联合评价量；
隐藏层：选择隐藏层的层数为1，隐藏层的节点数为7；在网络训练过程中输入层到隐藏层的传递函数采用tanh函数
隐藏层到输出层的传递函数采用线性函数。
上述方案中，步骤2中所述的训练样本集，选取在不同信噪比情况下的60次ICA分离结果的似然值、负熵值以及角差的绝对值组成的数据集，训练目标误差设为10-8，训练迭代数为1000，BP网络的学习率设为0.1。
上述方案中，所述训练之前要对输入集和输出集的数据进行归一化，以使训练迭代过程中神经元权值的调整较为灵敏。
上述方案中，所述的BP神经网络训练完成后，由两个输入量通过网络的非线性映射得到的输出量与ICA分离的角差绝对值之间有单调地对应关系，即BP网络输出最小值对应的分离结果的角差最小。
上述方案中，步骤4中所述所述电流传感器角差在线监测系统运行时，ICA电流信号分离模块将多次分离结果输入该BP神经网络，网络输出多次分离结果的最优解。
(三)有益效果
从上述技术方案可以看出，本发明具有以下技术效果：
1、本发明提供的这种对电流传感器角差在线监测系统中ICA电流信号分离模块的输出结果进行分离择优方法，可以应用于电流传感器角差在线监测系统中电流信号分离模块，提高了输出结果的精确度。
2、本发明提供的这种对电流传感器角差在线监测系统中ICA电流信号分离模块的输出结果进行分离择优方法，利用BP神经网络联合多个评价指标，建立一个综合的评价指标，改进了使用单一评价指标的不足。实验证明，在不同的信噪比情况下，该评价量都能比其他方法更有效地选出误差最小的结果。
附图说明
为进一步说明本发明的技术内容，以下结合附图及实施案例对本发明详细说明如后，其中：
图1是本发明提供的对电流传感器角差在线监测系统中ICA电流信号分离模块的输出结果进行分离择优方法的流程图；
图2是本发明采用的BP神经网络的结构示意图。
图3是本发明采用的电流传感器角差在线监测系统的结构示意图。
图4是对同一混合信号的20次分离结果中，该评价量与结果误差之间的关系示意图；
图5是100次实验分离出的测试信号的相位误差示意图；
图6是用BP网络评价量、似然指标以及负熵指标选择的最优结果的的比较示意图；
图7是分离结果误差随信噪比的变化示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
如图1所示，图1是本发明提供的对电流传感器角差在线监测系统中ICA电流信号分离模块的输出结果进行分离择优方法的流程图，该方法具体包括以下步骤：
步骤1：建立一个拥有两个输入节点和一个输出节点的BP神经网络；图2示出了本发明采用的BP神经网络的结构示意图。
步骤2：建立BP神经网络的训练样本集；
步骤3：BP神经网络通过对训练集数据的学习，建立ICA分离结果的角差和两个指标值之间的映射关系；
步骤4：电流传感器角差在线监测系统运行时，该BP神经网络对ICA信号分离模块的多次分离结果进行最优解选取，并输出最优结果。
所述BP神经网络是一个拥有两个输入节点和一个输出节点的3层网络，包括输入层、输出层和隐藏层，其中，
输入层：以两个神经元节点作为输入，记为{x1，x2}，x1为每次实验中ICA分离出的源分量的似然值，x2为每次实验中ICA分离出的源分量的负熵值；
输出层：以一个神经元节点作为输出，记为y，它是与该次实验结果的角差的绝对值成比例的量，该输出可以作为评价分离结果性能的联合评价量；
隐藏层：选择隐藏层的层数为1，隐藏层的节点数为7；在网络训练过程中输入层到隐藏层的传递函数采用tanh函数
隐藏层到输出层的传递函数采用线性函数。
步骤2中所述的训练样本集，选取在不同信噪比情况下的60次ICA分离结果的似然值、负熵值以及角差的绝对值组成的数据集，训练目标误差设为10-8，训练迭代数为1000，BP网络的学习率设为0.1。由于BP网络输出为ICA分离结果角差的绝对值，通常情况下它的值比较小，并且各值之间的差别很小，所以为了增强输出样本的区分度，我们首先将它的值放大。同时，训练之前要对输入集和输出集的数据进行归一化，这样可以使训练迭代过程中神经元权值的调整较为灵敏。
所述的BP神经网络训练完成后，由两个输入量通过网络的非线性映射得到的输出量与ICA分离的角差绝对值之间有单调地对应关系，即BP网络输出最小值对应的分离结果的角差最小。
步骤4中所述所述电流传感器角差在线监测系统运行时，ICA电流信号分离模块将多次分离结果输入该BP神经网络，网络输出多次分离结果的最优解。图3示出了本发明采用的电流传感器角差在线监测系统的结构示意图。
实施例1
图4是对同一混合信号的20次分离结果(用*表示)中，该评价量与结果误差之间的关系示意图。由图4可见，采用BP网络计算出的联合评价量的最小值对应的结果的误差最小。
实施例2
为了测试本文提出的方法的精度，重复作100次实验，每次实验对同一混合信号Ig(n)(信噪比20dB)运行10次FastICA，并选择对应于BP网络计算出的评价量最小值的结果作为这次分离方法的最终结果。这100次实验分离出的测试信号的相位误差如图5所示。图5中结果表明在信噪比为20dB时该方法的误差集中在0.001rad之内。
实施例3
设对同一混合信号做10次FastICA分离结果中相位误差最小为min_real，为了测试采用BP网络评价量选出的结果误差是否是min_real，图6比较了相位误差的最小值和用BP网络评价量以及用负熵指标选择的结果的相位误差。从图中可以看出BP评价量(图6中实线)在几乎所有实验中都能选择出误差最小的结果(图6中黑色圆点)，而单独采用负熵计算的结果(图6中点划线)误差要明显大些。图6中，实线为BP网络评价量结果，点划线为负熵指标结果，黑点为真实的最小值。
实施例4
将方法应用于不同信噪比的混合信号，对同一信噪比的不同混合信号进行多次实验并记录相位误差的均值。图7是分离结果误差随信噪比的变化示意图，图7显示随着信噪比增大，分离结果误差逐渐变小。在噪声很小的情况下误差可达万分之一弧度。同时与最大似然指标，负熵指标计算的结果相比，BP评价量计算的结果误差在不同的噪声情况都比它们要小。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种对电流传感器角差在线监测系统中独立分量分析电流信号分离模块的输出结果进行分离择优的方法，其特征在于，该方法包括：
步骤1：建立一个拥有两个输入节点和一个输出节点的反向传播BP神经网络；
步骤2：建立BP神经网络的训练样本集；所述的训练样本集，选取在不同信噪比情况下的60次独立分量分析ICA分离结果的似然值、负熵值以及角差的绝对值组成的数据集，训练目标误差设为10-8，训练迭代数为1000，BP神经网络的学习率设为0.1；
步骤3：BP神经网络通过对训练样本集数据的学习，建立独立分量分析ICA分离结果的角差和两个指标值即上述似然值和负熵值之间的映射关系；
步骤4：电流传感器角差在线监测系统运行时，该BP神经网络对独立分量分析ICA信号分离模块的多次分离结果进行最优解选取，并输出最优结果；
其中，所述BP神经网络是一个拥有两个输入节点和一个输出节点的3层网络，包括输入层、输出层和隐藏层，其中，
输入层：以两个神经元节点作为输入，记为{x1，x2}，x1为每次实验中独立分量分析ICA分离出的源分量的似然值，x2为每次实验中独立分量分析ICA分离出的源分量的负熵值；
输出层：以一个神经元节点作为输出，记为y，它是与该次实验结果的角差的绝对值成比例的量，该输出可以作为评价分离结果性能的联合评价量；
隐藏层：选择隐藏层的层数为1，隐藏层的节点数为7；在网络训练过程中输入层到隐藏层的传递函数采用tanh函数，隐藏层到输出层的传递函数采用线性函数。
2.根据权利要求1所述的对电流传感器角差在线监测系统中独立分量分析电流信号分离模块的输出结果进行分离择优的方法，其特征在于，训练之前要对输入集和输出集的数据进行归一化，以使训练迭代过程中神经元权值的调整较为灵敏。
3.根据权利要求1所述的对电流传感器角差在线监测系统中独立分量分析电流信号分离模块的输出结果进行分离择优的方法，其特征在于，所述的BP神经网络训练完成后，由两个输入量通过网络的非线性映射得到的输出量与独立分量分析ICA分离的角差绝对值之间有单调地对应关系，即BP神经网络输出最小值对应的分离结果的角差最小。
4.根据权利要求1所述的对电流传感器角差在线监测系统中独立分量分析电流信号分离模块的输出结果进行分离择优的方法，其特征在于，步骤4中所述电流传感器角差在线监测系统运行时，独立分量分析ICA电流信号分离模块将多次分离结果输入该BP神经网络，网络输出多次分离结果的最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008101155593A CN101614799B (zh) | 2008-06-25 | 2008-06-25 | 应用于电流传感器角差在线监测系统的信号分离择优方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2008101155593A CN101614799B (zh) | 2008-06-25 | 2008-06-25 | 应用于电流传感器角差在线监测系统的信号分离择优方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101614799A CN101614799A (zh) | 2009-12-30 |
| CN101614799B true CN101614799B (zh) | 2011-08-10 |
Family
ID=41494545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2008101155593A Expired - Fee Related CN101614799B (zh) | 2008-06-25 | 2008-06-25 | 应用于电流传感器角差在线监测系统的信号分离择优方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101614799B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102735937B (zh) * | 2012-06-29 | 2014-06-25 | 中国科学院半导体研究所 | 信号相位差测量的方法 |
| CN104374353B (zh) * | 2014-11-20 | 2017-01-25 | 西安电子科技大学 | 一种用于三点法圆度误差分离技术的传感器安装角度选择方法 |
| US11067604B2 (en) * | 2017-08-30 | 2021-07-20 | Analog Devices International Unlimited Company | Managing the determination of a transfer function of a measurement sensor |
| CN107402367B (zh) * | 2017-08-31 | 2019-12-03 | 中国科学院半导体研究所 | 基于典型关联分析的电流互感器角差的确定方法 |
| CN110826701A (zh) * | 2019-11-15 | 2020-02-21 | 北京邮电大学 | 一种基于bp神经网络算法对二自由度柔性腿进行系统辨识的方法 |
-
2008
- 2008-06-25 CN CN2008101155593A patent/CN101614799B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN101614799A (zh) | 2009-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106529090B (zh) | 一种航天电子类产品可靠性评估方法 | |
| CN101614799B (zh) | 应用于电流传感器角差在线监测系统的信号分离择优方法 | |
| CN113657465A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
| CN105353226A (zh) | 基于散射参数和智能算法的emi噪声源阻抗等效参数提取方法 | |
| CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
| CN110174255B (zh) | 一种基于径向基神经网络的变压器振动信号分离方法 | |
| CN112990330A (zh) | 用户用能异常数据检测方法及设备 | |
| CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
| CN114004162A (zh) | 一种多工况场景下的冶炼负荷谐波发射水平的建模方法 | |
| Wang et al. | Multi‐harmonic sources location based on sparse component analysis and complex independent component analysis | |
| CN107918704A (zh) | 电荷放大器贮存寿命预测方法、装置、存储介质和计算机设备 | |
| CN117473097A (zh) | 电子产品调试工艺路线推荐方法、装置、设备及介质 | |
| CN110119690B (zh) | 一种基于crp和rqa的并联电抗器振动敏感区域选择方法 | |
| Kingston et al. | Spread spectrum time domain reflectometry and steepest descent inversion to measure complex impedance | |
| CN112505551B (zh) | 一种面向退役动力电池的筛选方法 | |
| CN116127352A (zh) | 一种基于数据模型的开关负载模拟测试方法 | |
| CN112285541B (zh) | 一种电流频率转换电路的故障诊断方法 | |
| CN111723454A (zh) | 一种二阶pngv模型参数的在线生成方法、装置和计算机设备 | |
| CN110825583A (zh) | 一种针对云数据中心多指标融合的能效定性评估技术 | |
| CN113470767A (zh) | 基于硅钢片性能的分类方法、系统、计算机和存储介质 | |
| CN106772306B (zh) | 一种目标物的检测方法及服务器 | |
| Aviyente | A measure of mutual information on the time-frequency plane | |
| CN110619147A (zh) | 一种应用于恒压工况的二阶及多阶电池等效电路模型构建方法 | |
| Liu et al. | A method for supraharmonic source determination based on complex ica |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C53 | Correction of patent for invention or patent application | ||
| CB03 | Change of inventor or designer information |
Inventor after: Lu Huaxiang Inventor after: Ma Xiaoyan Inventor after: Jin Ji Inventor after: Gong Guoliang Inventor after: Chen Tianxiang Inventor before: Lu Huaxiang Inventor before: Ma Xiaoyan Inventor before: Jin Ji |
|
| COR | Change of bibliographic data |
Free format text: CORRECT: INVENTOR; FROM: LU HUAXIANG MA XIAOYAN JIN JI TO: LU HUAXIANG MA XIAOYAN JIN JI GONG GUOLIANG CHEN TIANXIANG |
|
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110810 Termination date: 20150625 |
|
| EXPY | Termination of patent right or utility model |