CN112557946A - 一种基于数字滤波与人工神经网络的低压spd智能在线检测装置 - Google Patents

Abstract

一种基于数字信号滤波与人工神经网络的低压电源浪涌保护器（SPD）智能在线检测装置，所述装置系统能对SPD的漏电流进行在线检测，应用数字信号滤波来滤去检测信号中的噪声，用人工神经网络处理检测数据，从而提供检测精度，节省硬件成本。

Description

一种基于数字滤波与人工神经网络的低压SPD智能在线检测 装置

技术领域

本发明属于低压电源(交流1000V以下)的浪涌保护器(Surge ProtectiveDevice:SPD)的实时在线检测领域，涉及一种少用或不用硬件电路来消除噪声，而用数字信号处理的方法来消除噪声的装置。

背景技术

低压电源浪涌保护器(以下简称低压SPD)俗称避雷器，是电信、移动通信、铁路系统、军用探测、气象探测等重要部门的电源系统必备的浪涌电压保护器，低压SPD以低压压敏电阻为核心功能元件。低压压敏电阻在合格状态时漏电流非常小，一般小于20微安。当低压压敏电阻劣化后后漏电流增大，会积热升温，有产生电弧或燃烧的危险，给被保护电路带来附加的威胁，因此劣化的低压SPD必须从电路中断开(即脱扣)。自低压SPD自上世纪80年代末至90年代初模块化生产以来，国内外产品至今一直是应用基于极限状态状态的物理脱扣技术，也就是利用劣化的低压压敏电阻的温升使低压SPD端子的低温焊锡软化，从而利用弹簧使低压SPD的端子断开(因而叫脱扣)。这种脱扣方式是不精确的，脱扣动作具有较长的操作延时，给雷电保护带来失效的风险时间，雷电流冲击导致的误脱扣也常有发生。要实现对劣化的低压SPD精确和及时的脱扣，就需要实时在线检测低压压敏电阻的漏电流，从而准确地判断低压SPD的性能。由于压敏电阻的漏电流非常小，相对于电源系统的噪声以及检测电路的噪声是微弱信号，常规的方法是难以精确检测的。这也是防雷业界长期应用物理脱扣的方法制造低压SPD的原因。

2012年的发明《一种低压电源的智能脱扣方法：ZL201210131802.7》应用两个电流互感器(CT)和差分放大电路来实现低压SPD漏电流的差分检测，其后不久，又有基于吉尔伯特乘法器的调制解调降噪方法。这在应用时遇到了很大的困难。首先，仪用电流互感器的准确级有0.01级、0.02级，以及0.5级，误差最小的0.01级CT，测量数据换算成一次侧的电流值，误差为±0.01％,若电源负载的额定电流为10A，则测量结果误差为1mA,而低压压敏电阻的劣化漏电流最小值为20微安，即0.02mA,显然，现有技术只能等低压压敏电阻进一步劣化，漏电流增大达到毫安级才能精确检测。进一步，用基尔伯特乘法器电路降噪来提高精度，由于集成电路技术的发展，MC1495,MC1496等乘法器产品逐渐被淘汰而停产，因而需要发明新的方法。

发明内容

本发明提供了一种应用微程序器(MPU)或数字信号处理器(DSP)对差分检测的结果进行数字滤波，进一步用BP神经网络处理数据的低压SPD智能在线检测装置。被测信号是低压SPD的漏电流，其模拟频率f_h为50Hz,数字滤波器的取样频率f_s不应小于200Hz,被测信号数字频率ω_h为2πf_h/f_s,选用相位FIR数字低通滤波器的理想通带截止频率ω_p＝0.25π，理想阻带截止频率ω_j＝0.4π，理想通带最大衰减A_p＝1dB，理想阻带最小衰减A_j＝50dB。根据测量对象的特点采用窗函数法设计相位FIR数字低通滤波器，设定所述相位FIR数字低通滤波器的通带截止频率，阻带截止频率，通带最大衰减，阻带最小衰减，从而设定窗函数来计算实际滤波器的频率响应，验证指标是否满足。进一步，用BP神经网络处理经过相位FIR数字低通滤波器的滤波的检测信号，从而消除电流互感器的系统误差。

采用数字滤波的方法节省了降噪电路硬件的成本，同时提高了检测的精度，使得检测的灵敏度不再受限于电流互感器的精度。更进一步，电流互感器产生误差的主要原因是铁芯励磁损耗，包括涡流损耗和漏磁损耗，频率越高，励磁损耗越大，这对于硬件电路检测是系统误差，这是硬件电路检测难以消除的。采用数字信号处理方法检测，设计BP神经网络处理则可以对误差进行补偿。本发明设计了BP神经网络，以与实际负载电路相仿的对比电路模拟负载电流的变化，测试对比电路的实际电流值，对神经网络进行训练，以训练好的神经网络处理检测数据，使检测数据回归真实值。

附图说明：

图1为漏电流感测电路

图2为差分放大电路

图3为检测系统功能框图

图4为轮询检测程序流程图

图5为数字滤波器窗函数设计图

图6为数字滤波器冲激响应图

图7为数字滤波器频率响应波特图

图8为神经网络模型结构图

图9为实施例2的差分放大电路。

具体实施例1：

结合附图来说明具体的实施例，图1是经过改进的漏电流感测电路，以两个电感器CT1，CT2感测电源的负载电流，使低压SPD的漏电流为两者之差，CT1,CT2绕制成完成相同的电流互感器，铁芯选用镍铁合金，增大铁芯的截面积与孔径的比值，从而减少误差，二次侧的取样电阻R1＝R2,根据低压SPD漏电流小的特点，R1,R2阻值比标准电流互感器要大，以增大取样电压的分辨率。二次侧的电压通过电容耦合，以相同的两个隔离变压器T1,T2转换成差分放大器合适的输入电压，Rs1,Rs2代表差分放大器的输入电阻，输出端口V1，V2为负载电流对应的电压值，输出端口DGND信号输出电路的数字地，与差分放大电路的地相连。

图2所示是所述的差分放大电路，由两级差分放大器组成，输入级U50为TI公司的INA2143,由两个完全相同的差分放大器集成，U50的输入电压范围为±18V,优选值为±12V。如图2所示，U50的增益设为1/11,约为0.1，如此把V1,V2转换成差分输出级INA333的适合的输入电压，INA的合适输入电压范围为±2.75V，根据计算，要使INA333的输出电压达到毫伏级时，增益要设为60dB，图2中RG＝100.1欧姆，即设定INA333的增益为60dB。把图1与图2所示电路连接成差分检测模块。差分检测模块的输出V_ad为差分检测数据，输出到带浮点运算单元(FPU)与数字信号处理(DSP)功能的微程序器(MPU)或数字信号处理器(DSP)，经过MPU内部集成的模数转换器(ADC)转换成数字信号，然后由MPU进行数字滤波与神经网络处理。

图3为检测系统功能框图，图中微程序器(MPU)选用ST公司的STM32F373XXXX,带有浮点运算单元(FPU)和数字信号处理功能DSP,带有多输入通道的12位ADC和16位ADC,可输入多路检测数据，根据低压SPD的应用需要，可配置为输入1-4路所述的差分检测模块的输出数据。进一步，对MPU输入电源电压以及电源的负载电流数据，作为后续数据处理的输入条件。

如图4所示，差分检测信号数V_ad、电源电压值V、电源负载电流值I_F等检测数据按设定顺序接入所述MPU的I/O引脚，每个检测数据就有一个存储地址，所述MPU采用轮询读数和比较判断的方式实现智能检测。设定轮询数为N,N初始赋值为0，从最低地址读数，并进行ADC转换与暂存数据，取峰值与设定V_H比较，V_H为根据电路增益及CT感测电流换算比计算得到的低压SPD劣化时的最小漏劣化电流值所对应的电压值V_IL所设定的极限值,为了提前预警，一般取V_H为V_IL的50％-80％。当检测数据小于V_H时，低压SPD是未劣化的，在此状态下显示器缺省显示“SPD正常”，则延时几分钟，读数地址增大到下一个，检测下一个数据，当最大地址的数据读取完时，读数地址复位，再次从最低地址开始轮询读数。当检测数据V_ad>V_H时，则轮询当前数据5次，每次轮询间隔为10秒-20秒，当连续5次检测到某一路V_ad>V_H时，则判定为所检测的低压SPD漏电流偏大，则连续2-3次读取电源电压数据V，判断电源电压是否是持续过压，若是(Y)，则发出电源过压告警信号，并显示电源电压数据。若非电源电压持续过压，则启动相位FIR数字低通滤波器程序(D-LPF)和BP神经网络程序(ANN)对差分检测信号数据V_ad进行精确化处理,若V_ad≥V_IL，则所检测的SPD已劣化，发出劣化告警信号，并使劣化的低压SPD脱扣，若否，则显示检测到的数据，然后进行下一路数据的轮询检测。如此就可以避免由于瞬间浪涌电压导致低压SPD漏电流增大所引起的误判。

所述相位FIR低通数字滤波器只对漏电流检测数据V_ad进行处理，对于电源电压V和负载电流值I_F不必进行数字滤波。图5所示为数字滤波器窗函数设计图，根据窗函数和检测对象的特性设计数字低通滤波器算法如下所述：

步骤1，首先根据技术指标确定理想低通滤波器的通带截止频率

实际过渡带宽Δω＝ω_s-ω_p＝0.15π，并根据阻带最小衰减选择滤波窗的形状，设计阻带最小衰减为50dB。滤波窗形状的选择根据常用窗函数的性能来设计的滤波器性能，如表1所示，海明窗(hamming)的参数符合要求，因此可以选择海明窗进行设计。

表1常用穿函数的性能指标表

步骤2：查表1可知采用海明窗设计的滤波器实际过渡带宽为Δω₁＝6.6π/N，步骤1已计算实际过度带宽Δω，则根据Δω₁＝Δω可计算得到滤波窗的长度N：

得N＝44，实际取N＝45；

步骤3：由步骤1所得的参数ω_C和步骤2所得的长度N可以确定理想低通滤波器的频率响应如式1：

对H_d(e^jω)进行IDTFT可以得到理想低通滤波器的单位冲激响应如式2：

步骤4：由步骤1所确定的滤波窗形状和步骤2所确定的滤波窗长度N得到海明窗函数如式3：

步骤5：根据步骤1所得的h_d(n)和w(n)得到所设计的数字低通滤波器单位冲激响应：

h(n)＝h_d(n)·w(n) (公式3)

所述相位FIR数字低通滤波器的冲激相应如图6所示，频率响应如图7所示。

低压SPD的漏电流检测信号V_ad经过低通数字滤波器处理，滤除了噪声，提高了精度。进一步，为了消除电流互感器的系统误差，对漏电流检测数据进行BP神经网络处理。设低压SPD的漏电流检测信号V_ad经过低通数字滤波器处理后得到输出信号为V_d,图8所示为BP神经网络算法模型图，BP神经网络的输入信号为电源电压V，数字滤波后的漏电流检测值V_d，电源负载电流I_F，I_F可以取图1所示漏电流感测电路中CT1的输出。预处理层根据电路原理和电路增益对BP神经网络的输入信号{V,V_d,I_F}进行换算，换算成隐含层的输入数据{V₁₁,V₂₂,V₃₃,V₁₂}。换算处理算法如式4—式8：

H₁＝V/V_m-1 (公式4)

式4中Vm为低压SPD的压敏电压V_1mA，

V₁₁＝Ae^H (公式5)

V₂₂＝V_dG(其中G是根据差分检测电路计算的转换系数) (公式6)

V₃₃＝H₂＝I_Fη (公式7)

式7中的η通过神经网络的训练获得。

式8中B为根据低压压敏电阻的伏安曲线设定的常系数，通过神经网络的训练获得，当当V<V_m时，隐含层的输入值V₁₂为正，当V>V_m时,隐含层的输入值V₁₂为负。这样就V₁₁,V₁₂作为隐含层的调整值输入量，以自然指数函数来逼近和拟合低压敏电阻的非线性伏安曲线与电流互感器的非线性误差。

所述预处理的数据传输给隐含层，以矩阵运算式表示隐含层的f₁₁(),f₁₂(),f₁₃()算法如式9：

式9中{η₁₁，η₂₁，η₃₁}为隐含层权值，通过BP神经网络的训练获得。

以矩阵运算式表示输出层的算法如式10：

式10中{μ₁₁，μ₂₁，μ₃₁}为输出层权值，通过BP神经网络的训练获得。

本发明是嵌入式系统进行检测，适宜于采用实验检测对比与人工训练的方法对BP神经网络进行离线训练，训练好后再在线嵌入应用。因而神经网络的训练采用线下训练和有教师的学习方式，BP神经网络的学习算法如下：

设定训练数据样本集{I_T,I_R,V,I_F}，数据样本集包括用本发明所述用差分检测与数字滤波方法所得的漏电流检测值I_T、以及用精密仪表获得的漏电流实测值I_R、负载电流值I_F,电源当前的电压值V四类数据。设检测误差ε＝I_T-I_R.用可调电阻电路模拟压敏电阻漏电流I_R的变化以及负载电流I_F的变化,从而测得所述训练数据样本。首先确定隐含层的输入V₂₂为经过低通数字滤波处理所测得的漏电流检测值，即带误差的检测结果，用微安表测得其实际值I_R，测量大量对比数据，用OringnalPro绘制数值对比的函数曲线，求出绝对误差ε，分析误差ε的分布倾向，对神经网络各层的权值进行估算。隐含层设两类调整数据，即随电源电压变化得到的输入数据V₁₁、V₁₂以及随负载变化的V₃₃。V₁₁，V₁₂是非线性的，在预处理层已用自然指数函数模拟，当电源电压V低于压敏电阻的压敏电压V_m时，压敏电阻漏电流减少，反之,若V>V_m,则压敏电阻漏电流增大。漏电流小时误差大，隐含层电压输入对结果的调整量为△₁＝V₁₁η₁₁+V₁₂η₂₁,分析误差函数曲线，大致估算V₁₁,V₂₂的变化范围，在V₁₁,V₂₂变化范围内用MATLAB程序产生随机数，对检测数据曲线进行拟合，获得△₁的运算公式。对于负载电流I_F对误差的影响△₂＝V₃₃η₃₁，在同一信号频率下，电流越大，相对误差越小，这是定性的规律，定量的规律则通过实验测量得到，可为η₃₁设隐含层的一个算子如式11：

其中I₀为一个设定的中值，根据误差曲线的拐点估算。

所述△₁，△₂的大小或权值可大致估算范围，通过估算和随机数训练，使运算结果基本接近准确值。在输出层再进一步调整μ₁₁，μ₂₁，μ₃₁，从而运算结果更加接近准确值。输出层训练的算法是，先假定μ₂₁＝1，然后根据误差的大小调整μ₁₁，μ₃₁，通过样本数据调试取得μ₁₁，μ₃₁的数据，对其求均值，再进行样本训练，再进行一次精细的调整。神经网络训练好，为MPU设计程序实现神经网络算法，从而实现数据的精确检测。

具体实施例2：

本发明的差分放大电路与MPU电路有多种相似的实施方式，实施例2提供差分放大电路的另一种方案。与实施例1不同的是，将图1中隔离输出变压器输出范围直接设计为差分放大器的输入范围，如图9所示，用一级差分放大电路来实现差分运算，其余部分与实施例1相同。

Claims (4)

1.一种基于数字滤波与人工神经网络数据处理的低压电源SPD漏电流的智能在线检测装置，其技术特征在于应用微程序器(MPU)或数字信号处理器(DSP)设计低通数字滤波器对低压电源SPD进行漏电流在线检测并对检测数据进行数字滤波，以低通数字滤波器取代硬件降噪电路，并用BP神经网络进一步处理检测数据，消除电流互感器所产生的误差。

2.根据权利要求1所述的低通数字滤波器，采用海明窗设计低通数字滤波器，低通数字滤波器的通带截止频率为0.325π，实际过渡带宽Δω＝0.15π，阻带最小衰减为50dB，所述海明窗的长度N＝45,频率响应为

对H_d(e^jω)进行IDTFT可以得到理想低通滤波器的单位冲激响应：

海明窗函数如下式：

数字低通滤波器单位冲激响应为：h(n)＝h_d(n)·w(n)。

3.根据权利要求1所述BP神经网络的运算模型如附图8所示，所述BP神经网络以自然指数函数模拟误差的非线性变化，其输入信号数据为经差分检测与数字滤波所获得的漏电流检测信号V_d、电源电压值V以及电源负载电路I_F，预处理层按式4--式8将{V_d,V,I_F}转成隐含层的输入数据{V₁₁,V₂₂,V₃₃,V₁₂},

H₁＝V/V_m-1(其中Vm为低压SPD的压敏电压) (公式4)

V₂₂＝V_dG (公式6)

V₃₃＝H₂＝I_Fη (公式7)

隐含层的算法如下式：

输出层的算法如下：

并设计了BP神经网络训练的离线学习方法。

4.根据权利要求3，所述BP神经网络学习根据实验检测误差进行人工训练的，设定设定训练数据样本集{I_T,I_R,V,I_F}，数据样本集分别为用本发明所述用差分检测与数字滤波方法所得的漏电流检测值I_T、以及用精密仪表获得的漏电流实测值I_R、负载电流值I_F,电源当前的电压值V四类数据。设检测误差ε＝I_T-I_R.用可调电阻电路模拟压敏电阻漏电流I_R的变化以及负载电流I_F的变化,从而测得所述训练数据样本；设检测误差ε＝I_T-I_R.根据检测误差ε的分布倾向对神经网络各层的权值进行估算；隐含层设两类调整数据输入，即预处理层的输出数据V₁₁、V₁₂以及V₃₃，在隐含层产生两类调整量为△₁＝V₁₁η₁₁+V₁₂η₂₁与△₂＝V₃₃η₃₁，大致估算V₁₁,V₂₂的变化范围，在V₁₁,V₂₂变化范围内用MATLAB程序产生随机数，对检测数据曲线进行拟合，获得△₁的运算公式；对于△₂＝V₃₃η₃₁，设:

其中I₀为一个设定的中值，根据误差曲线的拐点估算。

Images