CN110045317B - 一种互感器计量误差在线检测方法及系统 - Google Patents

Abstract

本发明公开了一种互感器计量误差在线检测方法及系统，所述方法包括：在互感器的二次侧回路注入异频测试信号；采集二次侧异频电压以及异频电流，根据所述二次侧异频电压以及异频电流，计算获得互感器等效电阻；将所述互感器等效电阻输入至预先训练的BP神经网络模型，获得互感器误差；所述BP神经网络模型根据互感器等效电阻历史数据和对应的互感器误差历史数据预先训练获得；所述方法及系统具有计算简单、精度高的优点，不受环境干扰的影响，无需进行互感器一次侧测量，无需复杂设备，解决了在线测量互感器误差的设备困难、校验困难的问题；所述方法及系统可以对互感器动态变化的误差进行实时检测，解决了现有误差检测方法实时性不高的缺点。

Description

一种互感器计量误差在线检测方法及系统

技术领域

本发明涉及电力计量领域，更具体地，涉及一种互感器计量误差在线检测方法及系统。

背景技术

根据电力互感器国家计量检定规程JJG1021-2007《电力互感器》，计量互感器必须进行对误差的周期性检测，以确保其误差满足国家计量规定的要求。目前互感器误差检测方法有两种：离线测量法与在线测量法。离线测量是在互感器断电后进行测量的一种方法，常用的方法如外推法、小信号测试法等。离线测量简单、方便，但其一方面不能完全反映互感器的实际计量误差特性，另一方面大部分互感器在线运行时根本无法停电，否则将影响正常供电。在线测量是在互感器正常运行情况下进行测量的一种方法，常用的方法如比较测差法。在线测量能反映互感器的实际运行工况，但需标准互感器做比对或同时采集一次侧、二次侧的信号，随着电网电压等级升高，所需的设备也更加庞大、昂贵，特别是高压侧的信号一般很难获得，校验困难。

发明内容

为了解决背景技术存在的现有的互感器误差计量方法结果不准确、设备庞大昂贵、校验困难等问题，本发明提供了一种互感器计量误差在线检测方法及系统；所述方法及系统通过在互感器二次侧施加异频信号，根据二次侧的异频电压、电流，建立起互感器一次侧和二次侧的传递关系，采用BP神经网络算法得到互感器计量误差；所述一种互感器计量误差在线检测方法包括：

在互感器的二次侧回路注入异频测试信号；所述异频测试信号的频率远高于工频；

采集二次侧异频电压以及异频电流，根据所述二次侧异频电压以及异频电流，计算获得互感器等效电阻；

将所述互感器等效电阻输入至预先训练的BP神经网络模型，获得互感器误差；所述BP神经网络模型根据互感器等效电阻历史数据和对应的互感器误差历史数据预先训练获得。

进一步的，当所述互感器为电流互感器时，电流互感器等效电阻Z_I为：

所述电流互感器误差ε_I表示为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

进一步的，当所述互感器为电压互感器时，所述电压互感器等效电阻Z_U为：

所述互感器误差ε_U表示为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₁′为一次绕组阻抗折算到二次侧的值，Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

进一步的，建立包含输入层、隐含层以及输出层的BP神经网络拓扑结构；所述输入层为M个节点、隐含层为N个节点、输出层为P个节点；

设置所述输入层为互感器等效电阻以及二次侧异频电压以及异频电流，设置所述输出层为互感器计量误差；

设置所述输入层到隐含层的权重和偏置、设置所述隐含层到输出层的权重以及偏置，设置激励函数以及学习速率；

将所述BP神经网络模型根据互感器等效电阻历史数据以及对应的二次侧异频电压以及异频电流的历史数据输入至输入层，经BP神经网络模型计算获得互感器模拟误差，将计算获得的互感器模拟误差与实际的互感器误差进行比较，根据比较结果调整权重以及偏置，进行进一步迭代；

当所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，获得训练完成的BP神经网络模型。

进一步的，所述激励函数g(x)取Sigmoid函数为：

所述隐含层的输出为：

所示输出层的输出为：

所述互感器模拟误差与实际的互感器误差的差值为：

其中Y_k为期望输出。记Y_k-O_k＝e_k，则E可表示为：

当所述差值大于等于预设阈值时，对于每个ω选取对应的Δω，获得新的权值ω+Δω。所述权重的迭代采用梯度下降法；

所述权重的计算公式为：

ω_jk＝ω_jk+ηH_je_k

所述偏置的计算公式为：

b_k＝b_k+ηe_k

直至所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，结束迭代，获得训练完成的BP神经网络模型。

所述一种互感器计量误差在线检测系统包括：

异频信号注入单元，所述异频信号注入单元用于在互感器的二次侧回路注入异频测试信号；所述异频测试信号的频率远高于工频；

参数获取单元，所述参数获取单元用于采集二次侧异频电压以及异频电流，根据所述二次侧异频电压以及异频电流，计算获得互感器等效电阻；

BP神经网络模型计算单元，所述BP神经网络模型计算单元用于将所述互感器等效电阻输入至预先训练的BP神经网络模型，获得互感器误差；所述BP神经网络模型根据互感器等效电阻历史数据和对应的互感器误差历史数据预先训练获得。

进一步的，当所述互感器为电流互感器时，所述参数获取单元计算电流互感器等效电阻Z_I的公式为：

所述电流互感器误差ε_I的计算公式为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

进一步的，当所述互感器为电压互感器时，所述所述参数获取单元计算电压互感器等效电阻Z_U的公式为：

所述互感器误差ε_U计算公式为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₁′为一次绕组阻抗折算到二次侧的值，Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

进一步的，所述系统包括BP神经网络模型建立单元；

所述BP神经网络模型建立单元用于建立包含输入层、隐含层以及输出层的BP神经网络拓扑结构；所述输入层为M个节点、隐含层为N个节点、输出层为P个节点；

所述BP神经网络模型建立单元用于设置所述输入层为互感器等效电阻以及二次侧异频电压以及异频电流，设置所述输出层为互感器计量误差；

所述BP神经网络模型建立单元用于设置所述输入层到隐含层的权重和偏置、设置所述隐含层到输出层的权重以及偏置，设置激励函数以及学习速率；

所述BP神经网络模型建立单元用于将所述BP神经网络模型根据互感器等效电阻历史数据以及对应的二次侧异频电压以及异频电流的历史数据输入至输入层，经BP神经网络模型计算获得互感器模拟误差，将计算获得的互感器模拟误差与实际的互感器误差进行比较，根据比较结果调整权重以及偏置，进行进一步迭代；

当所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，获得训练完成的BP神经网络模型。

进一步的，所述激励函数g(x)取Sigmoid函数为：

所述隐含层的输出为：

所示输出层的输出为：

所述互感器模拟误差与实际的互感器误差的差值为：

其中Y_k为期望输出。记Y_k-O_k＝e_k，则E可表示为：

当所述差值大于等于预设阈值时，对于每个ω选取对应的Δω，获得新的权值ω+Δω。所述权重的迭代采用梯度下降法；

所述权重的计算公式为：

ω_jk＝ω_jk+ηH_je_k

所述偏置的计算公式为：

b_k＝b_k+ηe_k

直至所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，结束迭代，获得训练完成的BP神经网络模型。

本发明的有益效果为：本发明的技术方案，给出了一种互感器计量误差在线检测方法及系统，所述方法及系统通过在互感器二次侧施加异频信号，根据二次侧的异频电压、电流，建立起互感器一次侧和二次侧的传递关系，采用BP神经网络算法得到互感器计量误差；所述方法及系统具有计算简单、精度高的优点，不受环境干扰的影响，无需在互感器一次侧进行测量，不需要复杂的设备，解决了在线测量互感器误差的设备困难、校验困难的问题；所述方法及系统可以对互感器动态变化的误差进行实时检测，解决了现有误差检测方法实时性不高的缺点。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为本发明具体实施方式的一种互感器计量误差在线检测方法的流程图；

图2为本发明具体实施方式的一种互感器计量误差在线检测系统的结构图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为本发明具体实施方式的一种互感器计量误差在线检测方法的流程图；如图1所示，所述方法包括：

步骤110，在互感器的二次侧回路注入异频测试信号；所述异频测试信号的频率远高于工频；

由于电网中的高次谐波的幅值随频率的增加的减小，所述异频测试信号的频率设置为远小于工频的频率，使得其幅值非常小，在将异频测试信号接入二次侧回路时，不会影响互感器的正常工作。本来实施例中，相对于工频的50Hz，异频测试信号选取1600Hz，不但不会影响互感器的正常工作，也能消除谐波信号干扰的影响。所述在互感器的二次侧回路注入异频测试信号的方式包含多种，例如在互感器二次侧串接异频测试信号互感器的二次侧，在此不做赘述。

步骤120，采集二次侧异频电压以及异频电流，根据所述二次侧异频电压以及异频电流，计算获得互感器等效电阻；

所述的待测试误差的互感器可分为电流互感器以及电压互感器；两种情况下通过互感器参数表示的互感器等效电阻的表示形式是不同的，但均可通过二次侧的异频电压和异频电流计算获得；同样，两种情况下，互感器误差通过互感器参数的表示形式也是不同的，而互感器参数(包括一次绕组阻抗这算到二次侧的值、二次绕组阻抗、励磁绕组折算到二次侧的值和负载阻抗等)无法准确的获得。

具体的，当所述互感器为电流互感器时，电流互感器等效电阻Z_I为：

所述电流互感器误差ε_I表示为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

进一步的，当所述互感器为电压互感器时，所述电压互感器等效电阻Z_U为：

所述互感器误差ε_U表示为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₁′为一次绕组阻抗折算到二次侧的值，Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

居于此，互感器等效电阻可根据采集获得的二次侧异频电压和异频电流计算获得互感器等效电阻。

步骤130，将所述互感器等效电阻输入至预先训练的BP神经网络模型，获得互感器误差；所述BP神经网络模型根据互感器等效电阻历史数据和对应的互感器误差历史数据预先训练获得。

进一步的，所述BP神经网络模型的训练方式为：

建立包含输入层、隐含层以及输出层的BP神经网络拓扑结构；所述输入层为M个节点、隐含层为N个节点、输出层为P个节点；

设置所述输入层为互感器等效电阻以及二次侧异频电压以及异频电流，设置所述输出层为互感器计量误差；

设置所述输入层到隐含层的权重和偏置、设置所述隐含层到输出层的权重以及偏置，设置激励函数以及学习速率；

将所述BP神经网络模型根据互感器等效电阻历史数据以及对应的二次侧异频电压以及异频电流的历史数据输入至输入层，经BP神经网络模型计算获得互感器模拟误差，将计算获得的互感器模拟误差与实际的互感器误差进行比较，根据比较结果调整权重以及偏置，进行进一步迭代；

当所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，获得训练完成的BP神经网络模型。

进一步的，所述激励函数g(x)取Sigmoid函数为：

所述隐含层的输出为：

所示输出层的输出为：

所述互感器模拟误差与实际的互感器误差的差值为：

其中Y_k为期望输出。记Y_k-O_k＝e_k，则E可表示为：

当所述差值大于等于预设阈值时，对于每个ω选取对应的Δω，获得新的权值ω+Δω。所述权重的迭代采用梯度下降法；

所述权重的计算公式为：

ω_jk＝ω_jk+ηH_je_k

所述偏置的计算公式为：

b_k＝b_k+ηe_k

直至所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，结束迭代，获得训练完成的BP神经网络模型。

图2为本发明具体实施方式的一种互感器计量误差在线检测系统的结构图。如图2所示，所述系统包括：

异频信号注入单元210，所述异频信号注入单元210用于在互感器的二次侧回路注入异频测试信号；所述异频测试信号的频率远高于工频；

参数获取单元220，所述参数获取单元220用于采集二次侧异频电压以及异频电流，根据所述二次侧异频电压以及异频电流，计算获得互感器等效电阻；

进一步的，当所述互感器为电流互感器时，所述参数获取单元220计算电流互感器等效电阻Z_I的公式为：

所述电流互感器误差ε_I的计算公式为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

进一步的，当所述互感器为电压互感器时，所述所述参数获取单元220计算电压互感器等效电阻Z_U的公式为：

所述互感器误差ε_U计算公式为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₁′为一次绕组阻抗折算到二次侧的值，Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

BP神经网络模型计算单元230，所述BP神经网络模型计算单元230用于将所述互感器等效电阻输入至预先训练的BP神经网络模型，获得互感器误差；所述BP神经网络模型根据互感器等效电阻历史数据和对应的互感器误差历史数据预先训练获得。

进一步的，所述系统包括BP神经网络模型建立单元240；

所述BP神经网络模型建立单元240用于建立包含输入层、隐含层以及输出层的BP神经网络拓扑结构；所述输入层为M个节点、隐含层为N个节点、输出层为P个节点；

所述BP神经网络模型建立单元240用于设置所述输入层为互感器等效电阻以及二次侧异频电压以及异频电流，设置所述输出层为互感器计量误差；

所述BP神经网络模型建立单元240用于设置所述输入层到隐含层的权重和偏置、设置所述隐含层到输出层的权重以及偏置，设置激励函数以及学习速率；

所述BP神经网络模型建立单元240用于将所述BP神经网络模型根据互感器等效电阻历史数据以及对应的二次侧异频电压以及异频电流的历史数据输入至输入层，经BP神经网络模型计算获得互感器模拟误差，将计算获得的互感器模拟误差与实际的互感器误差进行比较，根据比较结果调整权重以及偏置，进行进一步迭代；

当所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，获得训练完成的BP神经网络模型。

进一步的，所述激励函数g(x)取Sigmoid函数为：

所述隐含层的输出为：

所示输出层的输出为：

所述互感器模拟误差与实际的互感器误差的差值为：

其中Y_k为期望输出。记Y_k-O_k＝e_k，则E可表示为：

当所述差值大于等于预设阈值时，对于每个ω选取对应的Δω，获得新的权值ω+Δω。所述权重的迭代采用梯度下降法；

所述权重的计算公式为：

ω_jk＝ω_jk+ηH_je_k

所述偏置的计算公式为：

b_k＝b_k+ηe_k

直至所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，结束迭代，获得训练完成的BP神经网络模型。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。本说明书中涉及到的步骤编号仅用于区别各步骤，而并不用于限制各步骤之间的时间或逻辑的关系，除非文中有明确的限定，否则各个步骤之间的关系包括各种可能的情况。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如，在权利要求书中所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。

以上所述仅是本公开的具体实施方式，应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开精神的前提下，可以作出若干改进、修改、和变形，这些改进、修改、和变形都应视为落在本申请的保护范围内。

Claims (8)

1.一种互感器计量误差在线检测方法，所述方法包括：

在互感器的二次侧回路注入异频测试信号；所述异频测试信号的频率远高于工频；

采集二次侧异频电压以及异频电流，根据所述二次侧异频电压以及异频电流，计算获得互感器等效电阻；

将所述互感器等效电阻输入至预先训练的BP神经网络模型，获得互感器误差；所述BP神经网络模型根据互感器等效电阻历史数据和对应的互感器误差历史数据预先训练获得；

其中，所述方法还包括：

建立包含输入层、隐含层以及输出层的BP神经网络拓扑结构；所述输入层为M个节点、隐含层为N个节点、输出层为P个节点；

设置所述输入层为互感器等效电阻以及二次侧异频电压以及异频电流，设置所述输出层为互感器计量误差；

设置所述输入层到隐含层的权重和偏置、设置所述隐含层到输出层的权重以及偏置，设置激励函数以及学习速率；

将所述BP神经网络模型根据互感器等效电阻历史数据以及对应的二次侧异频电压以及异频电流的历史数据输入至输入层，经BP神经网络模型计算获得互感器模拟误差，将计算获得的互感器模拟误差与实际的互感器误差进行比较，根据比较结果调整权重以及偏置，进行进一步迭代；

当所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，获得训练完成的BP神经网络模型。

2.根据权利要求1所述的方法，其特征在于：当所述互感器为电流互感器时，电流互感器等效电阻Z_I为：

所述电流互感器误差ε_I表示为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

3.根据权利要求1所述的方法，其特征在于：当所述互感器为电压互感器时，所述电压互感器等效电阻Z_U为：

所述互感器误差ε_U表示为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₁′为一次绕组阻抗折算到二次侧的值，Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

4.根据权利要求1所述的方法，其特征在于：

所述激励函数g(x)取Sigmoid函数为：

所述隐含层的输出为：

所述 输出层的输出为：

所述互感器模拟误差与实际的互感器误差的差值为：

其中Y_k为期望输出，记Y_k-O_k＝e_k，则E可表示为：

当所述差值大于等于预设阈值时，对于每个ω选取对应的Δω，获得新的权值ω+Δω；所述权重的迭代采用梯度下降法；

所述权重的计算公式为：

ω_jk＝ω_jk+ηH_je_k

所述偏置的计算公式为：

b_k＝b_k+ηe_k

直至所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，结束迭代，获得训练完成的BP神经网络模型。

5.一种互感器计量误差在线检测系统，所述系统包括：

异频信号注入单元，所述异频信号注入单元用于在互感器的二次侧回路注入异频测试信号；所述异频测试信号的频率远高于工频；

参数获取单元，所述参数获取单元用于采集二次侧异频电压以及异频电流，根据所述二次侧异频电压以及异频电流，计算获得互感器等效电阻；

BP神经网络模型计算单元，所述BP神经网络模型计算单元用于将所述互感器等效电阻输入至预先训练的BP神经网络模型，获得互感器误差；所述BP神经网络模型根据互感器等效电阻历史数据和对应的互感器误差历史数据预先训练获得；

其中，所述系统包括BP神经网络模型建立单元；

所述BP神经网络模型建立单元用于建立包含输入层、隐含层以及输出层的BP神经网络拓扑结构；所述输入层为M个节点、隐含层为N个节点、输出层为P个节点；

所述BP神经网络模型建立单元用于设置所述输入层为互感器等效电阻以及二次侧异频电压以及异频电流，设置所述输出层为互感器计量误差；

所述BP神经网络模型建立单元用于设置所述输入层到隐含层的权重和偏置、设置所述隐含层到输出层的权重以及偏置，设置激励函数以及学习速率；

所述BP神经网络模型建立单元用于将所述BP神经网络模型根据互感器等效电阻历史数据以及对应的二次侧异频电压以及异频电流的历史数据输入至输入层，经BP神经网络模型计算获得互感器模拟误差，将计算获得的互感器模拟误差与实际的互感器误差进行比较，根据比较结果调整权重以及偏置，进行进一步迭代；

当所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，获得训练完成的BP神经网络模型。

6.根据权利要求5所述的系统，其特征在于：

当所述互感器为电流互感器时，所述参数获取单元计算电流互感器等效电阻Z_I的公式为：

所述电流互感器误差ε_I的计算公式为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

7.根据权利要求5所述的系统，其特征在于：

当所述互感器为电压互感器时，所述参数获取单元计算电压互感器等效电阻Z_U的公式为：

所述互感器误差ε_U计算公式为：

其中，U_S、I_S分别为二次侧异频电压以及二次侧异频电流；Z₁′为一次绕组阻抗折算到二次侧的值，Z₂为二次绕组阻抗，Z_m′为励磁阻抗折算到二次侧的值，Z_L为负载阻抗。

8.根据权利要求5所述的系统，其特征在于：

所述激励函数g(x)取Sigmoid函数为：

所述隐含层的输出为：

所述 输出层的输出为：

所述互感器模拟误差与实际的互感器误差的差值为：

其中Y_k为期望输出，记Y_k-O_k＝e_k，则E可表示为：

当所述差值大于等于预设阈值时，对于每个ω选取对应的Δω，获得新的权值ω+Δω；所述权重的迭代采用梯度下降法；

所述权重的计算公式为：

ω_jk＝ω_jk+ηH_je_k

所述偏置的计算公式为：

b_k＝b_k+ηe_k

直至所述互感器模拟误差与实际的互感器误差的差值小于预设阈值时，结束迭代，获得训练完成的BP神经网络模型。

Images