CN112363099B - 一种tmr电流传感器温漂与地磁场校正装置及方法 - Google Patents

Abstract

本发明公开了一种基于TMR电流传感器温漂与地磁场校正装置及方法，本发明针对TMR电流传感器中存在的温度漂移以及空间地磁场对其高精度测量的影响问题，提出了一种温漂与地磁场校正装置及方法，首先针对TMR电流传感器由于受到强磁场干扰或故障下的异常输出数据，利用贝叶斯先验结合信息熵理论识别并剔除；使用改进深度信念网络重构空间地磁场、温度与TMR电流传感器测量输出的映射关系以校正空间地磁场以及温度对TMR电流传感器输出结果的影响。

Description

一种TMR电流传感器温漂与地磁场校正装置及方法

技术领域

本发明涉及温漂与地磁场校正领域，尤其涉及一种基于TMR电流传感器温漂与地磁场校正装置及方法。

背景技术

先进的传感和测量技术是智能电网的核心支撑技术之一。电流作为电力系统中最基本的电气物理量，其精确测量对智能电网运行故障快速判定，电力精准计量都有着至关重要的作用和意义。然而，传统的电流传感器及检测装置存在易饱和、精度低、功耗大、结构复杂且造价高等缺点，难以适应智能电网运行、维护和计量的高精度新需求。例如：电流互感器体积大成本高、仅适用于测量工频交流信号，无法测量直流；霍尔电流传感器灵敏度低、温漂大；光纤电流传感器造价高、易受振动影响，难以适应电网复杂环境。针对这些问题，部分学者展开了诸多研究，从硬件电路设计到软件数据校正等方面加以克服或弥补上述各类电流传感器的缺陷。

隧道磁阻(Tunneling Magneto Resistance，TMR)传感技术是继电流磁、各向异性(Anisotropic Magneto Resistance,AMR)和巨磁阻(Giant Magneto Resistance,GMR)技术之后的第四代磁阻传感技术。相较于传统的电流传感器，基于TMR效应的电流传感器具有高灵敏度、体积小、高集成度等优势，是面向智能电网高级量测的下一代电流传感器的主要发展方向。然而，TMR电流传感器中大的磁隧穿结面积在提高了其灵敏度的同时，不可避免的形成了严重的温度漂移问题。已有研究表明，TMR电流传感器的温度漂移系数高达1000ppm/℃。如若不进行正确的温漂补偿，难以满足电流的高精度测量需求。同样TMR电流传感器的高灵敏度也造成了其敏感于外部空间磁场，如实际工程使用中不可忽略的地磁环境，在测量时TMR电流传感器会将空间地磁场一并捕捉。由中国科学院地质与地球物理研究所公开数据显示，我国不同地区的地磁场大小可达到20000nT～50000nT。因此在小电流测量过程中，其对TMR电流传感器的输出结果的影响不容忽略。

发明内容

本发明提供了一种TMR电流传感器温漂与地磁场校正装置及方法，本发明能够使TMR电流传感器大幅度降低对温度以及地磁场的敏感度，详见下文描述：

一种TMR电流传感器温漂与地磁场校正装置，所述装置包括：

信息采集模块：用于采集待测电流以及TMR芯片处的温度，将磁信号转化为电压信号，通过温度传感器芯片将温度信号转化为电压信号；

磁场屏蔽模块：用于将屏蔽筒几何中心位置处的磁场降至外界磁场环境的万分之一；

温度控制模块：用于改变信息采集模块周围测试环境温度；

磁场发生模块：利用高精度恒流源驱动亥姆赫兹线圈以调节磁场的大小，改变亥姆赫兹线圈的角度进而改变产生磁场的角度。

其中，所述亥姆赫兹线圈置于屏蔽筒的几何中心位置，信息采集模块安置于磁场发生模块的几何中心位置。

一种TMR电流传感器温漂与地磁场校正方法，所述方法包括以下步骤：

1)初始化基于改进深度信念网络的TMR电流传感器温漂与地磁场校正模型参数，初始化RBM_l的网络参数；

2)将TMR电流传感器输出、温度传感器输出、地磁场数据分为G组进行分批次训练，取第g组训练集对RBM_l进行训练，并更新RBM_l的网络参数；

3)当迭代次数t≥t_max，保存训练好的RBM_l的权值和偏置、若DBN层数l≥L_max，进入有监督微调阶段；

4)初始化ADAM的一阶矩估计m₁和二阶矩估计v₁，令当前的迭代次数d＝1，设置期望输出误差最小值E_min；

5)计算第d次迭代后的误差损失函数的梯度g_d，更新梯度g_d的一阶矩估计m_d+1和二阶矩估计v_d+1，并更新一阶矩偏差

和二阶矩偏差

计算期望输出误差值，更新TMR电流传感器温漂与地磁场校正模型网络参数。

在步骤1)之前所述方法还包括：对TMR电流传感器的测量数据进行清洗：

第k次计算的熵增量为：

若△H>0剔除此测量数据，

为后验概率的熵，△H为熵的变化量，

为

进一步地，所述初始化RBM_l的网络参数{w,a,b}为：

采用RBM的训练方法对改进DBN模型进行逐层训练，通过此无监督训练过程获得TMR电流传感器温漂与地磁场校正模型的初始网络参数。

其中，所述进入有监督微调阶段具体为：

输入输出之间的映射关系表示为：

式中，f为非线性函数，x_i为第i个样本训练数据x_i＝{x₁,x₂,x₃}，分别为TMR电流传感器输出值、温度传感器输出温度值以及空间地磁场数据，

为模型映射的第i个校正电流输出值；

使用输出校正后的电流值与电流实际值的均方误差的平均值作为误差损失函数，即：

式中，y_i为第i个训练样本的电流实际值；N为训练集合总数；

若第d次迭代后得到网络参数θ_d，计算梯度

更新梯度的一阶矩估计m_d+1和二阶矩估计v_d+1：

其中，λ₁、λ₂为常数，g_d为梯度，m_d为梯度的一阶矩估计，计算一阶矩偏差

和二阶矩偏差

更新后的TMR电流传感器温漂与地磁场校正模型网络参数为：

其中，α为步长，τ为足够小常数，取0.001。

本发明提供的技术方案的有益效果是：

1、针对TMR电流传感器中存在的温度漂移以及空间地磁场对其高精度测量的影响问题，提出了一种温漂与地磁场校正方法，所提方法首先针对TMR电流传感器由于受到强磁场干扰或故障下的异常输出数据，利用贝叶斯先验结合信息熵理论识别并剔除；

2、使用改进深度信念网络重构空间地磁场、温度与TMR电流传感器测量输出的映射关系以校正空间地磁场以及温度对TMR电流传感器输出结果的影响。

附图说明

图1为TMR电流传感器温漂与地磁场校正装置的结构示意图；

图2为考虑前k-1次先验信息的贝叶斯方法的示意图；

图3为TMR电流传感器温漂与地磁场校正方法的流程图；

图4为温漂校正前后误差比较的示意图；

图5为空间地磁场补偿结果的示意图。

图6为不同算法的输出的e_MAPE和e_RMSE比较结果的示意图。

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，下面对本发明实施方式作进一步地详细描述。

本发明实施例针对TMR电流传感器由于受到强磁场干扰或故障下的异常输出数据，利用贝叶斯先验结合信息熵理论识别并剔除；随后，使用改进深度信念网络重构空间地磁场、温度与TMR电流传感器测量输出的映射关系以校正空间地磁场以及温度对TMR电流传感器输出结果的影响。

参见图1，本发明实施例提供了一种TMR电流传感器温漂与地磁场校正装置，该校正装置包括：信息采集模块、温度控制模块、磁场屏蔽模块、磁场发生模块，结构如下：

信息采集模块：用于采集待测电流以及TMR芯片处的温度，通过TMR芯片将磁信号转化为电压信号，通过温度传感器芯片将温度信号转化为电压信号，信息采集模块将电压信号上传至上位机。

磁场屏蔽模块：由高磁导率的坡莫合金的三层屏蔽材料构成的高性能屏蔽筒为TMR电流传感器提供一个无磁测试环境，屏蔽筒几何中心位置处的磁场被降至外界磁场环境的万分之一。

温度控制模块：采用ACS厂家125TCF生产的恒温箱用于实验改变信息采集模块周围测试环境温度，恒温箱后留有接口用于上传采集数据以及穿入待测的电流导线。

磁场发生模块：由亥姆赫兹线圈以及高精度电流源构成，并将亥姆赫兹线圈置于屏蔽筒的几何中心位置，将信息采集模块安置于磁场发生模块的几何中心位置，利用高精度恒流源驱动亥姆赫兹线圈以调节磁场的大小，改变亥姆赫兹线圈的角度进而改变产生磁场的角度，以此产生与地磁场大小、方位相同的地磁场。

参见图2和图3，本发明实施例提供了一种TMR电流传感器温漂与地磁场校正方法，该方法包括以下步骤：

Step1：对TMR电流传感器的输出数据进行清洗；

首先基于深度信念网络的TMR电流传感器校正精度与DBN模型训练时所使用的历史测量输出数据有关。因此为提升DBN训练模型的可靠性，需要对TMR电流传感器的测量数据进行清洗。清洗方法如下：

设测量值为z_k，并设标志位w_k＝1表示第k个TMR电流传感器观测数据为异常数据，w_k＝0表示非异常观测数据，可得传感器的测量值为非异常观测的概率密度为：

其中，x为传感器所测电流数据；p为概率。

可求得后验概率为：

在此引入信息熵的概念将异常电流数据剔除。信息熵表示变量的不确定程度，信息熵越大表示测量结果的不确定度越大，因此，根据信息熵熵增理论，当有异常电流数据出现时，其信息熵将增加。

第k次计算的熵增量为：

计算第k个电流数据出现前后的熵值，比较

和

大小，通过△H判断TMR电流传感器第k个输出值是否为异常电流值。若△H<0，表明第k个测量数据纳入计算后不确定度减小，电流数据正常；若△H>0，则说明第k个测量数据纳入后熵增加，不确定度增加，此观测值为异常电流数据，剔除此数据。

其中，

为后验概率的熵，△H为熵的变化量，

为

Step2：初始化基于改进深度信念网络的TMR电流传感器温漂与地磁场校正模型参数，令层数l＝1，迭代次数t＝1，设置DBN基本单元的最大层数L_max，最大迭代次数t_max；

Step3：初始化RBM_l的网络参数{w,a,b}；

其中，RBM_l为第l个受限玻尔兹曼机。DBN基本单元为受限玻尔兹曼机(RestrictedBoltzmann Machine，RBM)，可以应用RBM的方法进行逐层训练，并通过此无监督训练过程获得TMR电流传感器温漂与地磁场校正模型的初始网络参数。

对于可见层V和隐藏层H，均服从伯努利分布，状态可由s(v,h)确定表示，则其所具有的能量可以表示为：

式中，θ＝{w_ij,a_i,b_j}为RBM网络参数，v_i为可见单元的二进制取值，h_j为隐藏单元的二进制取值。

由公式(5)可得隐藏单元与可见单元的联合概率分布：

其中，v为可见单元取值向量，h为隐藏单元取值向量。

然后求p(v,h|θ)对h的边缘分布：

其中，p(v|θ)为隐藏单元与可见单元的联合概率分布。

一般使用极大似然法最大化p(v|θ)得到RBM的参数：

其中，L(θ|v)为模型对数似然函数。

对于公式(8)传统方法使用随机梯度上升法求取似然函数的最大时的网络参数，使能量函数值最小，但此求解过程中的偏导

难以计算。因此，对于上述RBM模型，本发明使用对比散度算法(Contrastive Divergence，CD)来对网络参数θ进行求解，具体求解步骤为本领域技术人员所公知。

Step4：将TMR电流传感器输出、温度传感器输出、地磁场数据分为G组进行分批次训练。取第g组训练集对RBM_l进行训练，根据公式(9)更新RBM_l的网络参数；

在实际算法运行中，考虑训练样本数据量较大、训练过程缓慢的问题，本方法对RBM进行分批次训练来提高计算效率：设每组样本数量为K，共分为G组。则第g次训练集权值和偏置的更新计算公式为：

式中，ε为对比散度算法的学习率。

以此过程迭代，直至训练终止输出最优网络参数θ，

为第g次计算下可见单元二进制数值，

为第g次计算下隐藏单元二进制数值。

Step5：判断算法迭代次数是否达到t_max，如果满足t<t_max，令t＝t+1返回Step4，继续对RBM_l进行训练，否则，则保存训练好的RBM_l的权值和偏置{w,a,b}；

Step6：判断DBN层数是否达到最大值，如果满足l<L_max，令l＝l+1返回Step3，否则，则进入有监督微调阶段；

为了提高网络的泛化性能，本方法在预训练结束后对得到的网络参数进行有监督微调阶段，以提升TMR电流传感器温漂与地磁场补偿模型校正的精度。

对于给定的样本训练输入和输出集合，其输入输出之间的映射关系可以表示为：

式中，f为非线性函数，x_i为第i个样本训练数据x_i＝{x₁,x₂,x₃}，分别为TMR电流传感器输出值、温度传感器输出温度值以及空间地磁场数据，

为模型映射的第i个校正电流输出值。

在此使用输出校正后的电流值与电流实际值的均方误差的平均值作为误差损失函数，即：

式中，y_i为第i个训练样本的电流实际值。

Step7：初始化ADAM(自适应矩估计)算法的一阶矩估计m₁和二阶矩估计v₁，令有监督微调阶段的迭代次数d＝1，设置期望输出误差最小值E_min；

Step8：计算第d次迭代后的误差损失函数的梯度g_d，以公式(12)更新梯度g_d的一阶矩估计m_d+1和二阶矩估计v_d+1，并以公式(13)更新一阶矩偏差

和二阶矩偏差

以公式(14)微调网络参数，计算期望输出误差值；

其中，若第d次迭代后得到网络参数θ_d，计算梯度

更新梯度的一阶矩估计m_d+1和二阶矩估计v_d+1：

其中，λ₁为、λ₂为常数，计算一阶矩偏差

和二阶矩偏差

更新后的TMR电流传感器温漂与地磁场校正模型网络参数为：

Step9：判断期望输出误差E是否小于E_min，若E<E_min，结束训练，若不满足条件，令d＝d+1进入Step8。

下面结合具体的实验数据对实施例1和2中的方案进行可行性验证，详见下文描述：

针对TMR电流传感器中存在的温度漂移以及地磁场对其高精度测量的影响问题。本发明实施例所提的方法首先针对TMR电流传感器由于受到强磁场干扰或故障下的异常输出数据，利用贝叶斯先验结合信息熵理论识别并剔除；随后，使用改进深度信念网络重构空间地磁场、温度与TMR电流传感器测量输出的映射关系以校正空间地磁场方法通过标定实验获取TMR电流传感器以及温度传感器的输出数据，空间磁场数据来源于中国科学院空间地磁环境研究室的天津地区实时地磁监测数据。

在使用恒温箱控制温度时，由于恒温箱外壁由金属材料制作而成，会屏蔽部分地磁场，且恒温箱会产生一定的磁场干扰，因此在恒温箱内部需要对TMR电流传感器进行电磁屏蔽。使用高性能屏蔽筒创造屏蔽环境，屏蔽筒内部的剩磁仅为1nT，是地磁场的万分之一。在屏蔽筒内部使用高精度电流源加亥姆赫兹线圈创造与地磁场角度及大小相同的地磁环境。将TMR电流传感器置于屏蔽筒的几何中心然后安置在恒温箱中，恒温箱后端设置有RS232数据接口，用PC机接收传感器输出数据。温度设置范围为-40℃～80℃，温度步进1℃，待温度稳定后，在每个标定温度下，电流以0.2A为步长从0变化到10A，调节高精度电流源驱动亥姆赫兹线圈产生与地磁场等值的磁场，记录传感器的输出与地磁场数据，得到6000组测量数据。

选择训练样本{温度传感器输出数据集x₁、空间地磁场数据集x₂、TMR电流传感器历史输出数据x₃，待测电流实际值y}进行训练，均以数值输入，输出变量为修正后的TMR电流传感器输出。对于训练模型，令RBM学习率0.01，RBM训练批次为300，RBM训练次数为200，输出层单元数为1。α为ADAM算法步长，一般为足够小常数，在此取0.001；τ为稳定常数，令τ＝10^-9；此外，令λ₁＝0.99，λ₂＝0.999为接近1的常数。

图4为补偿后的测量误差结果对比图。为了验证本算法有效减少了温度变化对输出结果的影响，利用高性能屏蔽筒对TMR电流传感器进行电磁屏蔽，在无磁场干扰的环境下改变环境温度进行温度校正实验。在恒温箱内改变测试环境标定温度-40℃～80℃，步长10℃，将屏蔽后的TMR电流传感器置入恒温箱进行实验。

为了更好的验证本算法的泛化性能，在每个温度场下，随机测量20组电流数据以及温度数据输入训练完成的网络模型中，计算校正前后的平均测量误差，以验证在不同温度下，本算法对温漂的校正效果，可得如图4所示的TMR电流传感器误差曲线。由图4可知，当温度上升时，TMR电流传感器输出误差呈上升趋势。当测试环境温度超过40℃时，TMR电流传感器的性能会急剧变差，这是因为传感器内部集成电路元件受温度影响较大导致。采用温度漂移系数T_d＝△I_p/△T·I_p(T_25℃)来表征TMR电流传感器对温度的敏感情况，其中，△I_p为满量程10A时电流最大变化量，△T为最大温度变化，I_p(T_25℃)为传感器在室温25℃满量程输出。在满量程测试情况下，-40℃～80℃温度变化范围内算法补偿后的测试数据最大温度漂移为0.0399A，温度漂移系数由900ppm/℃降低至33.26ppm/℃，因此，使用本方法能够有效减小TMR电流传感器对温度的敏感程度，补偿后的测量误差结果如图4中X形曲线所示。

图5为空间磁场对TMR电流传感器输出精度影响图。在一天中空间磁场的大小随时间不断变化，为验证本方法能够有效降低实际空间地磁场对输出误差影响，室温25℃条件下在一个周期内持续测量标定电流值，对比本方法修正前后的输出值。图5为对幅值为1A的电流进行测量。未用本方法进行处理时，该波形由于受到空间地磁场噪声的影响，测量结果随地磁场(时间)的变化波动较大。采用本方法校正后，测量值接近标定值，波动较小，平均绝对百分比误差e_MAPE由2％降低到0.4％，均方根误差e_RMSE由0.1A降低为0.02A，输出质量有了明显的提升。因此，本方法有效降低了空间地磁场对TMR电流传感器的干扰。

图6为不同算法的输出的e_MAPE和e_RMSE比较结果的示意图。为了充分验证本发明所提算法对提高TMR电流传感器输出精度的优势，分别选用BP算法、LSSVM算法、DBN算法以及本发明所提改进DBN算法进行对比实验，以TMR电流传感器在不同温度、地磁场环境下实际测量数据作为样本集合对网络进行训练。从测试集里选取在45℃的高温环境下对幅值为10A的电流测量数据，测量时间范围内地磁场的范围为27150nT～27180nT绘图进行对比。输出误差评价指标比较如图6所示。

其中，1号TMR电流传感器采用改进DBN补偿温漂与地磁场后平均绝对百分比误差为0.4056％，相比于传统DBN算法平均绝对百分比误差0.8786％，减少了53.84％，相比于LSSVM算法平均绝对百分比误差1.1195％，减小了63.70％，相比于BP算法平均绝对百分比误差1.7321％，减少了76.58％；均方根误差为0.0181A，相比于传统DBN算法均方根误差0.0300A，降低了39.67％，相比于LSSVM算法均方根误差0.0446A降低了59.42％，相比于BP算法均方根误差0.0704A，降低了74.29％。因此，本方法有效降低了温度和空间地磁场对TMR电流传感器的干扰。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种TMR电流传感器温漂与地磁场校正方法，其特征在于，所述方法包括以下步骤：

1)初始化基于改进深度信念网络的TMR电流传感器温漂与地磁场校正模型参数，初始化RBM_l的网络参数；

2)将TMR电流传感器输出、温度传感器输出、地磁场数据分为G组进行分批次训练，取第g组训练集对RBM_l进行训练，并更新RBM_l的网络参数；

3)当迭代次数t≥t_max，保存训练好的RBM_l的权值和偏置、若DBN层数l≥L_max，进入有监督微调阶段；

4)初始化ADAM的一阶矩估计m₁和二阶矩估计v₁，令当前的迭代次数d＝1，设置期望输出误差最小值E_min；

5)计算第d次迭代后的误差损失函数的梯度g_d，更新梯度g_d的一阶矩估计m_d+1和二阶矩估计v_d+1，并更新一阶矩偏差

和二阶矩偏差

计算期望输出误差值，更新TMR电流传感器温漂与地磁场校正模型网络参数；

所述进入有监督微调阶段具体为：

输入输出之间的映射关系表示为：

式中，f为非线性函数，x_i为第i个样本训练数据x_i＝{x₁,x₂,x₃}，分别为TMR电流传感器输出值、温度传感器输出温度值以及空间地磁场数据，

为模型映射的第i个校正电流输出值；θ为RBM网络参数；

使用输出校正后的电流值与电流实际值的均方误差的平均值作为误差损失函数，即：

式中，y_i为第i个训练样本的电流实际值；N为训练样本总数；

若第d次迭代后得到网络参数θ_d，计算梯度

更新梯度的一阶矩估计m_d+1和二阶矩估计v_d+1：

其中，λ₁、λ₂为常数，g_d为梯度，m_d为梯度的一阶矩估计，计算一阶矩偏差

和二阶矩偏差

更新后的TMR电流传感器温漂与地磁场校正模型网络参数为：

其中，α为步长，τ为常数。

2.根据权利要求1所述的一种TMR电流传感器温漂与地磁场校正方法，其特征在于，在步骤1)之前所述方法还包括：对TMR电流传感器的测量数据进行清洗：

第k次计算的熵增量为：

若△H>0剔除此测量数据，

为后验概率的熵，△H为熵的变化量，

为

z_k为测量值。

3.根据权利要求1所述的一种TMR电流传感器温漂与地磁场校正方法，其特征在于，所述初始化RBM_l的网络参数{w,a,b}为：

采用RBM_l的训练方法对改进DBN模型进行逐层训练，通过此无监督训练过程获得TMR电流传感器温漂与地磁场校正模型的初始网络参数。

4.一种TMR电流传感器温漂与地磁场校正装置，其特征在于，所述装置用于执行所述权利要求1所述的方法步骤，装置包括：

信息采集模块：用于采集待测电流以及TMR芯片处的温度，将磁信号转化为电压信号，通过温度传感器芯片将温度信号转化为电压信号；

磁场屏蔽模块：用于将屏蔽筒几何中心位置处的磁场降至外界磁场环境的万分之一；

温度控制模块：用于改变信息采集模块周围测试环境温度；

磁场发生模块：利用高精度恒流源驱动亥姆赫兹线圈以调节磁场的大小，改变亥姆赫兹线圈的角度进而改变产生磁场的角度；

其中，所述亥姆赫兹线圈置于屏蔽筒的几何中心位置，信息采集模块安置于磁场发生模块的几何中心位置。

Images