CN113848367A

CN113848367A - 一种非接触式电压测量的自适应动态补偿方法及装置

Info

Publication number: CN113848367A
Application number: CN202111105924.4A
Authority: CN
Inventors: 章上聪; 舒亮; 钱卫飞; 钱祺; 张晓澍; 陈冲; 蔡子立
Original assignee: Yueqing Institute Of Industry Wenzhou University
Current assignee: Yueqing Institute Of Industry Wenzhou University
Priority date: 2021-09-22
Filing date: 2021-09-22
Publication date: 2021-12-28

Abstract

本发明公开了一种非接触式电压测量的自适应动态补偿方法及系统。该方法包括：获取目标电压数据；目标电压数据由待测线缆的第一电压测量数据确定，第一电压测量数据由非接触式电压传感器采集得到。将目标电压数据输入电压补偿模型，得到待测线缆的电压值。其中，电压补偿模型为：以样本电压数据为输入，以样本电压数据对应的线缆实际电压值为输出，训练得到的模型；每一样本电压数据由其对应的第二电压测量数据确定，第二电压测量数据由非接触式电压传感器采集得到；各第二电压测量数据包括：线缆在测量区域的不同位置时对应的电压测量数据。本发明针对待测线缆在测量区域中位置不固定的问题进行了电压补偿，提高了电压测量精度。

Description

一种非接触式电压测量的自适应动态补偿方法及装置

技术领域

本发明涉及非接触式电压测量领域和信号补偿领域，特别是涉及一种非接触式电压测量的自适应动态补偿方法及装置。

背景技术

在电力系统建设、运行、监控和管理应用中，电压的测量具有及其重要的地位，传统电压测量，要求将待测导体与测量探头进行接触，即接触式电压测量方法，要求待测线缆金属导体部分露出或通过侵入式测量探针进行接触式检测，这种方法破坏线缆绝缘层，并且要求停电安装，施工不便，安全隐患也较严重。

与此相对应的是非接触式电压测量，这种方式多利用电场耦合效应进行电压测量，其基本原理是：对于任意带电导体，由于自身电荷的运动和分布，在其周围会存在由电荷激发的矢量电场，该矢量电场与该带电导体的电荷分布、空间位置和导体电动势存在唯一确定关系，对空间电荷进行采集并基于相应算法进行计算和标定以后，可以间接获得带电导体或者是线缆的电压数值，从而实现电压的非接触式测量。其技术优势在于无需破坏绝缘层，且安装方便。但在实际测量过程中，由于是非接触式测量，待测线缆的空间位置并不固定，当待测线缆的位置发生变化时(待测线缆处于传感器测量区域中不同位置时)，测量电压波动导致的测量精度会受到较大影响，无法保证非接触式电压测量的可靠性和测量精度。

发明内容

本发明的目的是针对待测线缆在测量区域中位置不固定的问题，提供一种非接触式电压测量的自适应动态补偿方法及装置，以提高电压测量精度。

为实现上述目的，本发明提供了如下方案：

一种非接触式电压测量的自适应动态补偿方法，包括：

获取目标电压数据；所述目标电压数据由待测线缆的第一电压测量数据确定；所述第一电压测量数据由非接触式电压传感器采集得到；

将所述目标电压数据输入电压补偿模型，得到电压预测值；所述电压预测值为所述待测线缆的电压值；其中，所述电压补偿模型为：以样本电压数据为输入，以所述样本电压数据对应的线缆实际电压值为输出，训练得到的模型；

每一所述样本电压数据由其对应的第二电压测量数据确定，所述第二电压测量数据由所述非接触式电压传感器采集得到；各所述第二电压测量数据包括：线缆在测量区域的不同位置时对应的电压测量数据；所述测量区域为所述非接触式电压传感器的测量空间。

可选的，所述电压补偿模型为基于线性回归算法的模型。

可选的，所述非接触式电压传感器包括多个感应电极；

所述多个感应电极环绕布置，构成所述测量区域。

可选的，所述目标电压数据的具体确定方式包括：

确定所述目标电压数据为所述第一电压测量数据；所述第一电压测量数据包括：所有感应电极针对所述待测线缆采集的电压测量数据。

可选的，所述目标电压数据的具体方式包括：

确定所述目标电压数据为所述第一电压测量数据、所述第一电压测量数据中各感应电极测量数据自身的平方以及至少两个感应电极测量数据的乘积，所述第一电压测量数据包括：所有感应电极针对所述待测线缆采集的电压测量数据。

可选的，所述电压补偿模型为

其中，w₁,w₂,…,w_p中的第i个元素表示为w_i，x₁,x₂,…,x_p中的第i个元素表示为x_i，i＝1,2,…,p，w_i表示x_i的权重，b表示误差项，

表示电压的预测值，x₁,x₂,…,x_p为目标电压数据的字母表示。

本发明还提供了一种非接触式电压测量的自适应动态补偿装置，包括：非接触式电压传感器以及电压预测模块，其中，所述电压预测模块包括：

目标电压数据获取单元，用于获取目标电压数据；所述目标电压数据由待测线缆的第一电压测量数据确定；所述第一电压测量数据由非接触式电压传感器采集得到；

电压值预测单元，用于将所述目标电压数据输入电压补偿模型，得到电压预测值；所述电压预测值为所述待测线缆的电压值；其中，所述电压补偿模型为：以样本电压数据为输入，以所述样本电压数据对应的线缆实际电压值为输出，训练得到的模型；

可选的，所述非接触式电压传感器包括多个感应电极，所述多个感应电极环绕布置，构成所述测量区域。

可选的，所述非接触式电压测量的自适应动态补偿装置还包括：数据处理模块，所述数据处理模块用于确定所述目标电压数据为所述第一电压测量数据；所述第一电压测量数据包括：所有感应电极针对所述待测线缆采集的电压测量数据。

可选的，所述非接触式电压测量的自适应动态补偿装置还包括：数据处理模块，所述数据处理模块用于确定所述目标电压数据为所述第一电压测量数据、所述第一电压测量数据中各感应电极测量数据自身的平方以及至少两个感应电极测量数据的乘积，所述第一电压测量数据包括：所有感应电极针对所述待测线缆采集的电压测量数据。

根据本发明提供的具体实施例，公开了以下技术效果：本申请根据非接触式电压传感器测得的待测线缆的电压测量数据，采用电压补偿模型预测待测线缆的电压值。上述电压补偿模型为以样本电压数据为输入，以所述样本电压数据对应的线缆实际电压值为输出，训练得到的模型。而且，上述样本电压数据是，根据线缆在测量区域的不同位置时，线缆的电压测量数据(由非接触式电压传感器内部感应电极测量得到)确定的，因此，即使待测线缆的位置发生变化，上述电压补偿模型依然能够进行电压补偿，从而提高电压测量的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中电压自适应动态补偿装置的结构示意图；

图2为本发明实施例中非接触式电压传感器的结构示意图；

图3为本发明实施例中机器学习模型训练模块的结构示意图；

图4为本发明实施例提供的非接触式电压测量的自适应动态补偿方法流程示意图；

图5为本发明实施例中基于机器学习的电压动态自适应补偿方法实现流程；

图6为本发明实施例中a类数据划分图；

图7为本发明实施例中b类数据划分图；

图8(a)为本发明实施例中1次数据采集200V预测线缆电极电压曲线图，图8(b)为本发明实施例中1次数据采集200V预测线缆电极合成电压曲线图；

图9(a)为本发明实施例中2次数据采集200V预测线缆电极电压曲线图，图9(b)为本发明实施例中2次数据采集200V预测线缆电极合成电压曲线图；

图10为本发明实施例中A类数据划分下1次数据采集200V线缆电压曲线图；

图11为本发明实施例中A类数据划分下1次数据采集200V线缆电压残值曲线图；

图12为本发明实施例中A类数据划分下2次数据采集200V线缆电压曲线图；

图13为本发明实施例中A类数据划分下2次数据采集200V线缆电压残值曲线图；

图14为本发明实施例中B类数据划分下1次数据采集200V线缆电压曲线图；

图15为本发明实施例中B类数据划分下1次数据采集200V线缆电压残值曲线图；

图16为本发明实施例中B类数据划分下2次数据采集200V线缆电压曲线图；

图17为本发明实施例中B类数据划分下2次数据采集200V线缆电压残值曲线图。

具体实施方式

为了便于清楚描述本申请实施例的技术方案，在本申请的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一无线通信模块和第二无线通信模块仅仅是为了区分不同的无线通信模块，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定。

需要说明的是，本申请中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请提供的非接触式电压传感器输出电压动态自适应补偿方法及其装置，主要基于非接触式电压传感器(非接触式电压感应阵列)、机器学习建模和动态自适应补偿算法实现。该装置具体包含非接触式电压传感器、数据处理模块、机器学习模型训练模块和电压预测模块四部分，其结构和工作流程如图1所示。当然，在一些实施例中，上述装置也可以仅包括非接触式电压传感器和电压预测模块。

上述非接触式电压传感器，其内部装配有感应电极阵列，对导体产生的空间电荷进行采集和感知，通过电场耦合效应将线缆电压转换为自身感应电压信号，最终将检测得到的电压信号传输至上述数据处理模块。

上述数据处理模块接收电压传感器输出的电极阵列的电压信号以及线缆的电压信号，并对接收到的上述信号进行分析处理。具体的，数据处理模块根据第一电压数据确定目标电压数据，根据第二电压数据确定样本电压数据。第一电压数据由非接触式电压传感器对待测线缆进行电压测量得到；第二电压数据为线缆在测量区域的不同位置时，非接触式电压传感器对线缆进行电压测量得到。

非接触式电压传感器包括多个感应电极，第一电压数据和第二电压数据均包括各感应电极的电压测量值。

目标电压数据和样本电压数据的确定方法可以如下：

一是，目标电压数据为第一电压数据中各感应电极的电压测量值构成的向量，同样的，样本电压数据为第二电压数据中各感应电极的电压测量值构成的向量。

二是，目标电压数据包括第一电压测量数据中各感应电极的电压测量值、第一电压测量数据中各感应电极电压测量值自身的平方以及至少两个感应电极电压测量数据的乘积。

机器学习模型训练模块利用机器学习方法进行建模，以上述样本电压数据作为输入，以线缆的实际电压为作为输出，进行模型训练，得到多个补偿参数，最终根据补偿参数，得到感应电极电压信号x与线缆电压

的函数关系

(也称之为电压补偿模型)。

电压预测模块将经数据处理模块处理得到的目标电压数据(该目标电压数据为非接触式电压传感器对待测线缆电压进行测量得到的电压测量数据)输入上述电压补偿模型，最终得到待测线缆的电压值。

图2展示了一种可选的非接触式电压传感器的结构示意图，其由感应电极阵列1和非接触式测量区域2组成，用于实现对线缆的非接触式电压测量。传感器内分布多个感应电极，电极可按照多种阵列方式排布，如圆形、方形等，图2所示为一种可能的电极排布结构，其为4个感应电极以方形阵列均匀排布。四个感应电极基于电场耦合效应，在工作时会感应到相应的电压信号，即感应电极阵列电压信号x_A,x_B,x_C,x_D，对应于四个不同的电极。

待测线缆穿过区域2，区域2即非接触式测量区域。由于待测线缆位置不固定，因此实际测量过程中，待测线缆导体可能处于该区域中任一位置，从而导致测量电压的波动和误差。

图3展示了一种可选的机器学习模型训练模块的结构示意图，由样本电压数据获取单元3、数据重组单元4和训练单元5组成。样本电压数据获取单元3，用于获取待计算的感应电极阵列电压信号及待测线缆电压信号，其中数据信号用于机器学习模型的建立。数据重组单元4，用于对获取数据后进行初步分析，对数据进行清洗重组等操作。训练单元5，用于将多个电压输入数据集传输至初始机器学习回归模型进行训练，获得最终的机器学习回归模型(即上述电压补偿模型)。

基于上述装置，参见图4，本申请提供的非接触式电压测量的自适应动态补偿方法包括以下步骤：

步骤41：获取目标电压数据；所述目标电压数据由待测线缆的第一电压测量数据确定；所述第一电压测量数据由非接触式电压传感器采集得到。该步骤由电压预测模块中的目标电压数据获取单元执行。

步骤42：将所述目标电压数据输入电压补偿模型，得到电压预测值；所述电压预测值为所述待测线缆的电压值；其中，所述电压补偿模型为：以样本电压数据为输入，以所述样本电压数据对应的线缆实际电压值为输出，训练得到的模型。该步骤由电压预测模块中的电压值预测单元执行。

其中，每一所述样本电压数据由其对应的第二电压测量数据确定，所述第二电压测量数据由所述非接触式电压传感器采集得到；各所述第二电压测量数据包括：线缆在测量区域的不同位置时对应的电压测量数据；所述测量区域为所述非接触式电压传感器的测量空间。

上述电压补偿模型可示例性的为基于线性回归算法的电压补偿模型。

上述非接触式电压传感器的多个感应电极环绕布置，构成上述测量区域。

上述电压补偿模型具体可以为

下面对电压自适应补偿原理进行介绍：

非接触式电压传感器中，一般设置有一个或者多个感应电压阵列，用于采集带电导体在空间产生的电荷，设阵列中有p个电极，对于某线缆电压，p个电极构成的电极阵列采集得到感应电压x₁,x₂,…,x_p，为了进行多次验证，设置不同的线缆电压水平，分别为y₁,y₂,…,y_n，构成数据集：

D＝{(x₁₁,x₁₂,…,x_1p,y₁),(x₂₁,x₂₂,…,x_2p,y₂),…,(x_n1,x_n2,…,x_np,y_n)}

从该数据集中学习得到一个线性模型，这个模型能够尽可能准确地反应特征值感应电极电压信号x(i)与目标值电缆电压y(i)的对应关系，通过以下线性模型的表达式进行表示：

y(w,x)＝b+w₁x₁+w₂x₂+…+w_px_p

其中w为补偿系数，即为每个电极的补偿系数，b为截距，表示误差项。通过最小二乘法计算系数矩阵与截距使得损失函数最小，损失函数可以定义为：

求解最小化L时

中的参量值，以此求得模型，此时的

即为经过自适应补偿以后的线缆电压测量值，注意到，补偿系数阵列w和截距b需要通过测试数据和模型训练获得，可以通过机器学习、神经网络学习、线性回归分析等方法对测试数据进行训练，进而获得相应的补偿系数和参数。

下面对上述非接触式电压测量的自适应动态补偿进行详细介绍：

针对电压自适应动态补偿装置中的机器学习模型训练模块，可以采用不同的机器学习方法对数据进行建模，如深度学习、神经网络、线性回归等方法，在基本的建模过程中，其机器学习实现方法分两个阶段构成，分别为电压补偿模型学习阶段和电压补偿模型执行阶段。

1)学习阶段

(1)在模型学习阶段，可以采用不同的机器学习模型对数据进行训练，在本实施例中，选取线性回归方法作为进行阐述，基于线性回归算法的电压信号补偿方法，首先获取非接触式电压传感器上感应电极阵列检测的电压信号数据，然后，对电极电压信号进行数值筛选和数值补偿，构建特征向量，并将数据划分训练集和测试集。

(2)建立基于线性回归的电压补偿模型，利用训练集对电压补偿模型进行训练，利用训练好的电压补偿模型进行电压预补偿。

(3)上述基于线性回归算法的电压补偿模型具体为：

假设从属变量线缆电压

对于回归变量即各个感应电极数据存在不精确的线性关系，截距b作为误差项，其作用是来说明除回归变量外的其他条件因素对从属变量y产生的影响。依据线性回归算法得到的从属变量

与回归变量x的依赖关系式(1)：

式中：w₁,…,w_p为变量x的补偿系数，变量x由感应电极测量数据确定，具体的，x₁,x₂,…,x_p中的第i个元素表示为x_i，i＝1,2,…,p；p表示目标电压数据(样本电压数据)中元素的数量。

(4)线性回归算法的损失函数可采用多种损失函数，以平方损失函数为例，得到式(2)：

式中：X＝[x₁,…,x_p]为回归变量矩阵，W＝[w₁,…,w_n]为补偿系数矩阵。

(5)监督学习中的经验风险最小化策略认为经验风险最小的模型是最优的模型，基于此原理可把模型参数选取问题转变为求解最优化问题，得到如下式(3)：

通过相关计算方法，如最小二乘法计算出损失函数极值，得到w₁,…,w_p和b的值，将其代入带所建立的依赖关系(1)中，最终得到电压补偿模型，通过该模型可以输出经过参数补偿以后的线缆电压测量值。

具体结合图5对上述学习阶段的工作进行进一步说明：

1.数据获取

获取非接触式电压传感器感应电极阵列的电压信号数据，建立线缆电压数据与感应电极阵列电压信号数据的关联，形成对应的特征数据集。本申请对有效值分别为160V，180V，200V，220V，240V的5种线缆交流电压在不同空间位置进行两次数据采集，其中每次数据采集都是在线缆位于某一测量位置时对线缆的电压信号进行采集，测量完毕后，变换线缆位置。当线缆在测量区域内不同位置都进行过测量，则本次数据采集结束。本实施例中共进行两次数据采集，分别表示为1次采集和2次采集，其对应本实施例中的a，b两类数据划分方式，其中a类数据划分将两次采集数据总量的70％作为训练集，30％作为测试集；b类数据划分将第一次采集的数据作为训练集，第二次采集的数据作为测试集。非接触式电压传感器设置有A，B，C，D四个感应电极，每次变化线缆的空间位置四个电极各进行一次电压信号采集。

2.异常点检测及处理

获取感应电极阵列中采集的电压数据

表示第i个感应电极第j次的电压测量值，每一个信号数据

进行异常检测，通过规定每条信号数据间的欧氏距离，确定一个容忍区间，区间内的测量数据认为是检测正常；剔除容忍区间外的测量数据，即通过容忍区间的设置，去除过大或者过小的电压测量值，剔除部分再用各个电极电压测量数据的平均值进行补充。

对于感应电极中缺失的电压数据，则使用各个电极电压测量数据的平均值来填充电压数据的样本缺失值。

3.创建模型

本实施例以获取A,B,C,D四个方形阵列排布的感应电极电压信号以及各电极电压信号平方、电压之间乘积为输入值。模型输入为A、B、C、D、A²、B²、C²、D²、AB、AC、AD、BC、BD、CD，分别将它们表示为x₁,x₂,…,x₁₄，再将输入与对应的补偿系数相乘，建立依赖关系式(4)：

依据简单交叉验证模型选择方法，合并所有不同电压的测量数据，打乱数据后，再划分训练集和测试集，共有多种数据划分方式。本实施例通过其中的两种进行划分，如图6所示为a类数据划分方式，其将两次测试总数据的70％作为训练集、30％作为测试集。b类数据划分方式是合并不同电压第一次采集的数据作为训练集，将所有第二次采集的数据作为测试集，如图7所示。

4.模型训练

使用线性回归模型对电压值进行拟合，训练线性回归模型所需代码：

model＝LinearRegression()#建立模型

model.fit(x_2data,y_2data)#训练模型

model.predict(x_2data)根据上面训练的模型预测数据

通过实现期望风险最小，求得所需补偿系数w和误差项b，如下式所示：

本实施例中以A,B,C,D四个方形阵列排布的感应电极电压测量数据、各电极电压测量数据平方、电压测量数据之间乘积作为输入值，总计14项，故所需补偿系数为w₁,w₂,…,w₁₄。

5.模型效果

未使用电压补偿模型时，参见图8和图9，图8和图9分别表示为1次数据采集200V预测线缆电压曲线和第二次数据采集200V预测线缆电压曲线，横坐标表示不同的线缆位置，纵坐标为线缆电压值。图中A,B,C,D分别表示感应电极A,B,C,D的电压随线缆位置变化曲线，SUM表示感应电极电压信号合成的线缆电压。

从上述图8和图9中可以看出，当线缆处于不同位置时，感应电极电压信号会出现较大波动变化，给测量精度造成较大影响。图8和图9中显示SUM电压平均值约为175V，与真实线缆电压值200V相差较大，测量误差为12.5％，测量精度较差。

在使用本申请提供的电压补偿模型后，参见图10至图13，图10至图13为a类数据划分下，两次数据测试的具体预测效果，以线缆电压200V时测得的数据集为例，图10和图12中，横坐标表示不同的线缆位置，纵坐标为线缆电压值，两条曲线分别表示真实线缆电压值与电压补偿模型预测的线缆电压值，从图10和图12中可看出真实线缆电压与预测线缆电压曲线近似拟合，即可通过电压补偿模型在线缆位置变化时输出稳定唯一的线缆电压。

图11和图13中，曲线反映的是在不同线缆位置下，真实线缆电压与补偿模型预测线缆电压的差值分布，即残差分布。第一次采集数据的残差最大值：2.471，残差最小值为-4.269，即误差最大值为2.1％；第二次测试数据采集的残差最大值为3.073，残差最小值为-2.439，即误差最大值为1.5％。残差均在±5V范围内，即当线缆处于不同位置时，感应电极合成的线缆电压不会出现较大波动，相比于未补偿时测量精度明显改善，可认为真实线缆电压值与预测线缆电压值一致。

综上所述，与未使用电压补偿模型12.5％的电压误差相比，使用A类数据划分情况下得到的电压补偿模型，其线缆电压误差值在2.5％范围内，效果提升明显。

图14-图15为b类数据划分下具体效果，以第一次采集数据为训练集，第二次采集数据为测试集，以线缆电压200V时测得的数据为例：

图14和图16中，横坐标表示采集次数，纵坐标为线缆电压值，两条曲线分布表示真实线缆电压值与电压补偿模型预测的线缆电压值，从图14和图16中可看出通过b类数据划分，也可实现电压补偿模型在线缆位置变化时输出稳定唯一的线缆电压。

图15和图17中，曲线反映的是在不同线缆位置下，真实线缆电压与补偿模型预测线缆电压的差值分布，第一次数据采集的残差最大值：2.956，残差最小值为-3.769，即误差最大值为1.9％；第二次数据采集的残差最大值：3.602，残差最小值为-2.019，即误差最大值为1.8％残值均在±5V范围内，即当线缆处于不同位置时，感应电极合成的线缆电压不会出现较大波动，相比于未补偿时测量精度明显改善，可认为真实线缆电压值与预测线缆电压值一致。

综上所述，与未使用电压补偿模型12.5％的电压误差相比，使用b类数据划分情况下得到的电压补偿模型，其线缆电压误差值也在2.5％范围内，效果提升明显。

6.训练结果

使用a类数据划分和b类数据划分情况下得到的电压补偿模型，最终测得线缆电压与真实值的误差均在2.5％以内，下面比较线缆电压在不同有效值下的两类数据划分的平均绝对误差对比。

训练时，对线缆电压有效值在160V，180V，200V，220V和240V情况下进行数据采集，图16为a，b两类数据划分下，5种电压测得的数据拟合的的平均绝对误差对比。

下表1为a，b两类数据划分情况下的线性回归算法输出结果：

表1a，b两类数据划分方式的线性回归算法输出结果

w₁,w₂,…,w₁₄分别对应感应电极A、B、C、D的电压测量数据，各电极电压测量数据平方A²、B²、C²、D²以及各电极电压测量数据之间的乘积AB、AC、AD、BC、BD、CD的补偿系数。通过将这14个输入值乘上对应的补偿系数，实现当感应电极电压变化时，其总的合成输出电压为稳定唯一的值，即为线缆电压。通过这种方式实现了用补偿系数对电压信号的动态自适应补偿。从上表可以看出采用A类数据划分方式所得出的测试集平均绝对误差更小，为0.87％。平均绝对误差MAE表示经过电压补偿模型得出的线缆电压与实际线缆电压误差的平均值，其能够反映电压补偿模型的准确性，判断测量精度。a类数据划分方式的平均绝对误差更小，说明使用a类数据划分得到的电压补偿模型，其测得的线缆电压波动更平缓，且准确率更高。

采用a类数据划分方式训练出的线性回归算法效果较好，且模型简单，其线缆电压与感应电极电压的函数关系式为：

其中

表示在此电压补偿模型下输出的稳定唯一的线缆电压，x₁、x₂、x₃、x₄对应为四个感应电极的电压信号，x₅、x₆、x₇、x₈对应为四个感应电极电压信号的平方，x₉、x₁₀、x₁₁、x₁₂、x₁₃、x₁₄对应为各电极电压信号的乘积，32.028对应误差项b，x₁…x₁₄前的系数即为补偿系数w₁…w₁₄。

此函数关系式反映了通过各感应电极信号与补偿系数的乘积，加上误差项，最终函数输出线缆电压值。感应电极测量数据与补偿系数的乘积即为对感应电极电压测量数据的自适应补偿。

2)执行阶段

(1)在非接触式电压传感器设备布置的检测环境中，装置中的数据处理模块不断接收线缆电压信号

来自非接触式电压传感器输出的感应电极阵列电压信号，如设置有四个感应电极，则有四种感应电极信号(x_A,x_B,x_C,x_D)。

(2)数据处理模块以(x_A,x_B,x_C,x_D)和

为基础，提取特征向量集合X输入到机器学习装置模块，已训练好的机器学习算法模型，结合多种算法计算所得的感应电极补偿参数w及误差项b，得出线缆实际电压。

(3)输出电极电压信号与线缆电压信号的函数关系，最终输出模块输出稳定不变的线缆电压信号。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种非接触式电压测量的自适应动态补偿方法，其特征在于，包括：

2.根据权利要求1所述的非接触式电压测量的自适应动态补偿方法，其特征在于，所述电压补偿模型为基于线性回归算法的模型。

3.根据权利要求1所述的非接触式电压测量的自适应动态补偿方法，其特征在于，所述非接触式电压传感器包括多个感应电极；

所述多个感应电极环绕布置，构成所述测量区域。

4.根据权利要求3所述的非接触式电压测量的自适应动态补偿方法，其特征在于，所述目标电压数据的具体确定方式包括：

5.根据权利要求3所述的非接触式电压测量的自适应动态补偿方法，其特征在于，所述目标电压数据的具体方式包括：

6.根据权利要求4或5所述的非接触式电压测量的自适应动态补偿方法，其特征在于，所述电压补偿模型为

7.一种非接触式电压测量的自适应动态补偿装置，其特征在于，包括：非接触式电压传感器以及电压预测模块，其中，所述电压预测模块包括：

8.根据权利要求7所述的非接触式电压测量的自适应动态补偿装置，其特征在于，所述非接触式电压传感器包括多个感应电极，所述多个感应电极环绕布置，构成所述测量区域。

9.根据权利要求8所述的非接触式电压测量的自适应动态补偿装置，其特征在于，所述非接触式电压测量的自适应动态补偿装置还包括：数据处理模块，所述数据处理模块用于确定所述目标电压数据为所述第一电压测量数据；所述第一电压测量数据包括：所有感应电极针对所述待测线缆采集的电压测量数据。

10.根据权利要求8所述的非接触式电压测量的自适应动态补偿装置，其特征在于，所述非接触式电压测量的自适应动态补偿装置还包括：数据处理模块，所述数据处理模块用于确定所述目标电压数据为所述第一电压测量数据、所述第一电压测量数据中各感应电极测量数据自身的平方以及至少两个感应电极测量数据的乘积，所述第一电压测量数据包括：所有感应电极针对所述待测线缆采集的电压测量数据。