CN115526121B - 基于单轴tmr传感信号深度学习的电流计算方法及系统 - Google Patents

基于单轴tmr传感信号深度学习的电流计算方法及系统 Download PDF

Info

Publication number
CN115526121B
CN115526121B CN202211497724.2A CN202211497724A CN115526121B CN 115526121 B CN115526121 B CN 115526121B CN 202211497724 A CN202211497724 A CN 202211497724A CN 115526121 B CN115526121 B CN 115526121B
Authority
CN
China
Prior art keywords
sensor array
measurement system
annular sensor
long straight
axis
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.)
Active
Application number
CN202211497724.2A
Other languages
English (en)
Other versions
CN115526121A (zh
Inventor
刘明
汪鹤龄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202211497724.2A priority Critical patent/CN115526121B/zh
Publication of CN115526121A publication Critical patent/CN115526121A/zh
Application granted granted Critical
Publication of CN115526121B publication Critical patent/CN115526121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R15/00—Details of measuring arrangements of the types provided for in groups G01R17/00 - G01R29/00, G01R33/00 - G01R33/26 or G01R35/00
    • G01R15/14—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks
    • G01R15/20—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks using galvano-magnetic devices, e.g. Hall-effect devices, i.e. measuring a magnetic field via the interaction between a current and a magnetic field, e.g. magneto resistive or Hall effect devices
    • G01R15/205—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks using galvano-magnetic devices, e.g. Hall-effect devices, i.e. measuring a magnetic field via the interaction between a current and a magnetic field, e.g. magneto resistive or Hall effect devices using magneto-resistance devices, e.g. field plates
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一种基于单轴TMR传感信号深度学习的电流计算方法及系统，首先构建长直导线和环形传感器阵列测量系统的磁场模型，以环形传感器阵列测量系统相对长直导线的偏移和旋转来等效替代长直导线的偏心和倾斜，用于获取长直导线任意偏心和倾斜情况下的磁场数据；该磁场模型通过改变环形传感器阵列测量系统的姿态能够获取大量的样本数据，采用样本数据训练构建的DNN神经网络模型，利用DNN神经网络模型的预测数据计算长直导线的电流计算值，利用本发明所提供的电流计算方法进行电流计算，能大大减小长直导线偏心和倾斜带来的误差影响，实现高精度测量。

Description

基于单轴TMR传感信号深度学习的电流计算方法及系统
技术领域
本发明涉及电信号测量领域，具体为基于单轴TMR传感信号深度学习的电流计算方法及系统。
背景技术
近年来，随着智能电网和能源互联网的迅速发展，负荷控制、能效监测等业务不断涌现，使得量测点呈现分布式及泛在化特点，对相关电气量测量技术提出了更高的要求。作为智能电网和能源互联网的关键技术，电流测量技术关系着智能电网和能源互联网的稳定运行。
在传统电力系统的电流监测中，常用的电流测量方法主要依靠电流互感器完成，尽管电流互感器具有高低压隔离及输出稳定的优势，但其存在功能单一、体积大、暂态响应范围小、铁芯易饱和等问题，已经逐渐不能迎合智能电网的发展。而基于磁阻效应的TMR电流传感器，因其灵敏度高、可靠性高、体积小以及频带宽等优点，已逐渐在各类电流测量业务中崭露头角，与之相关的传感器技术以及测量技术也在不断发展。
然而，无论是在基于TMR电流传感器的电流测量中，还是在其他类型的电流传感器的电流测量过程中，无一例外都面临着长直导线偏心及倾斜所带来的误差。为减小甚至消除长直导线偏心及倾斜所导致的测量误差，大量研究人员进行了相关研究。然而，绝大多数研究都是基于长直导线垂直于测量平面的情况，即只考虑到长直导线的偏心因素，而未考虑长直导线倾斜的情况，如中国专利CN 113049873A公开的电流传感器、电流测量设备、系统、装置和存储介质。
在传统的电流测量之中，常常依靠优化算法进行电流求解，比较依赖初始值的选取，而且计算量大，精度浮动较大。而深度学习的引入则可以在保证精度较为稳定的情况下，大大减小计算量。然而，目前利用深度学习进行相关电流计算的研究，仍受制于训练数据获取较难，只局限于长直导线垂直于测量平面的情况，难以克服长直导线偏心和倾斜所导致的误差。如中国专利CN 113609750 A公开的基于磁场传感信号机器学习的电流计算方法，只是基于长直导线垂直于测量平面的情况进行电流计算。
发明内容
针对现有技术中存在的问题，本发明提供一种基于单轴TMR传感信号深度学习的电流计算方法及系统，该方法结合深度学习的优势，提供了表征长直导线在任意偏心和倾斜情况的新型磁场模型，可大大减小长直导线偏心以及倾斜所导致的测量误差，提高电流计算精度。
本发明是通过以下技术方案来实现：
一种基于单轴TMR传感信号深度学习的电流计算方法，包括以下步骤：
步骤1、建立磁场模型，磁场模型包括长直导线和环形传感器阵列测量系统，环形传感器阵列测量系统包括呈环形阵列布置的多个单轴TMR芯片，长直导线位于环形传感器阵列测量系统中；
步骤2、对环形传感器阵列测量系统进行偏转，得到长直导线偏心和倾斜情况下的磁场模型，然后获取样本数据，样本数据包括环形传感器阵列测量系统的偏转数据，以及各单轴TMR芯片所感应的磁感应强度；
步骤3、根据磁场模型建立电流和偏转数据分别与各单轴TMR芯片的磁感应强度的关系式；步骤4、构建DNN神经网络模型并采用样本数据进行训练，得到训练后的DNN神经网络模型，将磁感应强度作为输入，训练后的DNN神经网络模型输出预测数据；
步骤5、根据预测数据并结合步骤3所述的关系式确定长直导线的电流计算值。
优选的，步骤1中所述环形传感器阵列测量系统包括四个单轴TMR芯片，四个单轴TMR芯片分别位于环形阵列各四分点处，各单轴TMR芯片的磁敏感方向以同一时针方向相切于所述环形阵列。
优选的，步骤2中所述环形传感器阵列测量系统的偏转方法如下：
将环形传感器阵列测量系统沿X轴正方向偏移距离R0；
将偏移后的环形传感器阵列测量系统以其中心为原点绕Z轴旋转角度theta；
将绕Z轴旋转后的环形传感器阵列测量系统以其中心为原点绕X轴旋转角度phi，得到长直导线偏心和倾斜情况下的磁场模型。
优选的，步骤3中所述关系式如下：
其中，μ0为真空磁导率，R为环形阵列的半径，I为长直导线的电流，B1、B2、B3和B4分别为对应各单轴TMR芯片所感应的磁感应强度。
优选的，步骤4中采用Adam算法对构建的DNN神经网络模型进行训练。
优选的，步骤4中对样本数据进行归一化处理，采用归一化后的样本数据对DNN神经网络模型进行训练。
优选的，步骤4中所述预测数据包括环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi。
优选的，步骤5中长直导线的电流计算方法如下：
将预测数据代入步骤3所述关系式中，得到各单轴TMR芯片感应到的磁感应强度对应的电流值，对多个电流值求均值，得到长直导线的电流计算值。
一种基于单轴TMR传感信号深度学习的电流计算系统，包括，
磁场模型建立模块，用于建立磁场模型，磁场模型包括长直导线和环形传感器阵列测量系统，环形传感器阵列测量系统包括呈环形阵列布置的多个单轴TMR芯片，长直导线位于环形传感器阵列测量系统中；
样本数据采集模块，用于对环形传感器阵列测量系统进行偏转，得到长直导线偏心和倾斜情况下的磁场模型，然后获取样本数据，样本数据包括环形传感器阵列测量系统的偏转数据，以及各单轴TMR芯片所感应的磁感应强度；
关系式模块，用于根据磁场模型，建立电流和偏转数据分别与各单轴TMR芯片的磁感应强度的关系式；
神经网络模块，用于构建DNN神经网络模型并采用样本数据进行训练，得到训练后的DNN神经网络模型，将磁感应强度作为输入，训练后的DNN神经网络模型输出预测数据；
输出模块，用于根据预测数据并结合关系式确定长直导线的电流计算值。
与现有技术相比，本发明具有以下有益的技术效果：
本发明所提供的基于单轴TMR传感信号深度学习的电流计算方法，首先构建长直导线和环形传感器阵列测量系统的磁场模型，以环形传感器阵列测量系统相对长直导线的偏移和旋转来等效替代长直导线的偏心和倾斜，可用于获取长直导线任意偏心和倾斜情况下的磁场数据；该磁场模型通过环形传感器阵列测量系统的偏转，模拟长直导线偏心和倾斜的任意情形，减少了引入模型的未知参数，简化了模型，更方便研究人员获取在长直导线偏心和倾斜时的数据，该磁场模型通过改变环形传感器阵列测量系统的姿态能够获取大量的样本数据，采用样本数据训练构建的DNN神经网络模型，利用DNN神经网络模型的预测数据计算长直导线的电流值，利用本发明所提供的电流计算方法进行电流计算时，能大大减小长直导线偏心和倾斜带来的误差影响，能实现高精度测量。
附图说明
图1为本发明基于单轴TMR传感信号深度学习的电流计算方法的流程图；
图2为本发明建立长直导线偏心和倾斜情况下的磁场模型的流程图；
图3为本发明环形传感器阵列测量系统沿X正方向偏移的示意图；
图4为本发明环形传感器阵列测量系统以其中心为原点绕Z轴旋转的示意图；
图5为本发明环形传感器阵列测量系统以其中心为原点绕X轴旋转的示意图；
图6为本发明根据磁感应强度B1所得的电流值关于旋转角度theta的误差分析示意图；
图7为本发明根据磁感应强度B2所得的电流值关于旋转角度theta的误差分析示意图；
图8为本发明根据磁感应强度B3所得的电流值关于旋转角度theta的误差分析示意图；
图9为本发明根据磁感应强度B4所得的电流值关于旋转角度theta的误差分析示意图；
图10为本发明根据磁感应强度B1所得的电流值关于旋转角度phi的误差分析示意图；
图11为本发明根据磁感应强度B2所得的电流值关于旋转角度phi的误差分析示意图；
图12为本发明根据磁感应强度B3所得的电流值关于旋转角度phi的误差分析示意图；
图13为本发明根据磁感应强度B4所得的电流值关于旋转角度phi的误差分析示意图；
图14为本发明根据磁感应强度B1所得的电流值关于偏移距离R0的误差分析示意图；
图15为本发明根据磁感应强度B2所得的电流值关于偏移距离R0的误差分析示意图；
图16为本发明根据磁感应强度B3所得的电流值关于偏移距离R0的误差分析示意图；
图17为本发明根据磁感应强度B4所得的电流值关于偏移距离R0的误差分析示意图；
图18为本发明电流计算值关于预测数据中旋转角度theta的误差分析示意图；
图19为本发明电流计算值关于预测数据中旋转角度phi的误差分析示意图；
图20为本发明电流计算值关于预测数据中偏移距离R0的误差分析示意图；
图21为本发明利用传统安培定理所得的电流计算值关于预测数据中旋转角度theta的误差分析示意图；
图22为本发明利用传统安培定理所得的电流计算值关于预测数据中旋转角度phi的误差分析示意图；
图23为本发明利用传统安培定理所得的电流计算值关于预测数据中偏移距离R0的误差分析示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
在目前的研究以及实际运用中，利用各类传感器获取信号来进行电流的计算，往往比较依赖初值的选取，而且实际运算复杂，运算量较大，这就导致测量的效率及精度受到很大的限制。而本发明所提供的基于单轴TMR传感信号深度学习的电流计算方法，只需要通过所建立的磁场模型获取足够的样本数据来训练DNN神经网络模型，就可以在每次测量计算时利用训练后的DNN神经网络模型直接计算，能够保证电流计算的高效率和高精度。本发明所提供的一种基于单轴TMR传感信号深度学习的电流计算方法，应用于由四个单轴TMR芯片所构成的环形传感器阵列测量系统之中，且四个单轴TMR芯片分别位于环形阵列各四分点处，各单轴TMR芯片的磁敏感方向以同一时针方向相切于所述环形阵列。
参阅图1，基于单轴TMR传感信号深度学习的电流计算方法，包括以下步骤：
步骤1、为获取样本数据，建立长直导线偏心和倾斜情况下的磁场模型，该磁场模型包括长直导线和环形传感器阵列测量系统，环形传感器阵列测量系统包括呈环形阵列布置的四个单轴TMR芯片，长直导线位于环形传感器阵列测量系统中，所述磁场模型可用于获取长直导线任意偏心和倾斜情况下的样本数据，以环形传感器阵列测量系统相对长直导线的偏移和旋转来等效替代长直导线的偏心和倾斜。
图2为本发明建立长直导线偏心和倾斜情况下的磁场模型的流程示意图，参阅图3-图5，建立长直导线偏心和倾斜情况下的磁场模型包括以下步骤：
S1，将四个单轴TMR芯片环形阵列布置构成环形传感器阵列测量系统，四个单轴TMR芯片分别位于环形阵列各四分点处，各单轴TMR芯片的磁敏感方向以同一时针方向相切于所述环形阵列，长直导线布置在环形阵列的原点。
图3-图5中所示的TMR1、TMR2、TMR3和TMR4即为四个单轴TMR芯片，分别为单轴TMR芯片1、单轴TMR芯片2、单轴TMR芯片3和单轴TMR芯片4。
S2，对环形传感器阵列测量系统进行偏转，构成长直导线偏心和倾斜情况下的磁场模型，环形传感器阵列测量系统的偏转方法如下：
1、将环形传感器阵列测量系统沿X轴正方向偏移距离R0；
2，将偏移后的环形传感器阵列测量系统以其中心为原点绕Z轴旋转角度theta；
3，将绕Z轴旋转后环形传感器阵列测量系统以其中心为原点绕X轴旋转角度phi，得到长直导线偏心和倾斜情况下的磁场模型。
步骤2、基于长直导线偏心和倾斜情况下的磁场模型，然后获取样本数据。
采集样本数据时，根据环形传感器阵列测量系统的偏转方法对环形传感器阵列测量系统进行偏转，然后获取样本数据，所述样本数据包括环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta、环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi和四个单轴TMR芯片所感应到的磁感应强度。
每偏转一次环形传感器阵列测量系统，即可得到一组样本数据，在本实施例中，将流过长直导线的电流I预设为500A；将环形传感器阵列测量系统的半径预设为0.05m；将偏移距离R0的取值范围设置为0m~0.0045m，步长为0.0005m；将旋转角度theta的取值范围设置为0°~23°，步长为1°；将旋转角度phi的取值范围设置为0°~45°，步长为1°；利用建立好的磁场模型，获得偏移距离R0、绕Z轴的旋转角度theta和绕X轴的旋转角度phi在不同取值下，四个单轴TMR芯片所感应的磁感应强度B1、B2、B3和B4；将环形传感器阵列测量系统每次的偏移距离R0、旋转角度theta和旋转角度phi，及对应的磁感应强度B1、B2、B3和B4为一组样本数据，共计获取9315组样本数据。
步骤3、根据磁场模型，建立电流和偏转数据分别与各单轴TMR芯片感应到的磁感应强度的关系式；
采用矢量运算确定长直导线的电流I、环形阵列的半径R、环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta、环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi和四个单轴TMR芯片感应到的磁感应强度B1、B2、B3和B4之间的关系式：
其中，μ0为真空磁导率，B1、B2、B3和B4分别对应单轴TMR芯片1、单轴TMR芯片2、单轴TMR芯片3和单轴TMR芯片4所感应到的磁感应强度，单轴TMR芯片1、单轴TMR芯片2、单轴TMR芯片3和单轴TMR芯片4的初始位置坐标分别为(R,0,0)、(0,-R,0)、(0,R,0)和(-R,0,0)。
环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi与磁感应强度B1、B2、B3和B4的映射关系如下：
上式中，j为第j组样本数据的编号，N为所获取的样本数据的组数。
步骤4、对步骤2获取的样本数据进行处理，得到训练集和测试集。
所述样本数据进行处理方法如下：
样本数据在进行训练集和测试集的划分之前，先对样本数据进行归一化处理，目的在于统一量纲，防止小数据被吞噬。采用MinMaxScaler归一化方法，将所述磁感应强度、环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi进行相应的归一化处理，得到：
上式中，为Bi归一化后的结果，i为四个单轴TMR芯片的编号；为thetaj归一化后的结果，j为第j组样本数据的编号；为phij归一化后的结果，为R0j归一化后的结果，N为样本数据的组数，Bmax为N组样本数据中磁感应强度的最大值；thetamax为N组样本数据中旋转角度theta的最大值；phimax为N组样本数据中旋转角度phi的最大值；R0max为N组样本数据中偏移距离R0的最大值。
样本数据完成归一化处理后，利用K折交叉验证方法，将归一化后的样本数据划分为训练集和测试集，所述测试集和训练集均以所述四个单轴TMR芯片所感应到的磁感应强度为DNN神经网络模型的输入，以环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi为DNN神经网络模型的输出。
作为输入。
作为输出。
在本实施例中，利用建立好的磁场模型获取了9315组样本数据后进行归一化处理后，采用K折交叉验证方法，取K=10，将9315组样本数据划分为训练集和测试集。其中，训练集包含7452组样本数据，测试集包含1863组样本数据，采用训练集对下述构建的DNN神经网络模型进行训练。
步骤5、构建DNN神经网络模型并采用Adam算法进行训练，获得训练后的DNN神经网络模型。
将每组样本数据中的磁感应强度作为特征数据输入至训练后的DNN神经网络模型，DNN神经网络模型输出预测数据，预测数据包括环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi，对获取到的偏移距离R0、旋转角度theta和旋转角度phi进行反归一化后，得到环形传感器阵列测量系统的预测数据。
在本实施例中，利用训练后的DNN神经网络模型对9315组样本数据的特征数据进行预测，得到相应的预测数据，特征数据为每一组样本数据中的磁感应强度B1、B2、B3和B4，预测数据即为根据每一组磁感应强度所预测出的环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi的预测值。
步骤6、根据DNN神经网络模型的预测数据并结合步骤3所述的关系式确定长直导线的电流计算值，具体如下：
S61、预测数据包括DNN神经网络模型输出的环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi，将预测数据代入步骤3建立的电流和偏转数据分别与各单轴TMR芯片感应到的磁感应强度的关系式中，反推得到四个单轴TMR芯片感应到的磁感应强度B1、B2、B3和B4所对应的四个电流值I1、I2、I3和I4，各电流值的表达式如下：
S62、对四个电流值求均值，得到的电流平均值Iavg，即为通过所述长直导线的电流计算值，根据电流计算值对电网的运行状态评估，确保电网运行安全。
步骤7、分析预测数据对各电流值的误差影响，误差以相对误差error表示，表达式如下：
上式中，Ii为编号为i的电流值，为施加的真实电流值。
图6为本发明根据磁感应强度B1所得的电流值关于旋转角度theta的误差分析示意图；图7为本发明根据磁感应强度B2所得的电流值关于旋转角度theta的误差分析示意图；图8为本发明根据磁感应强度B3所得的电流值关于旋转角度theta的误差分析示意图；图9为本发明根据磁感应强度B4所得的电流值关于旋转角度theta的误差分析示意图；图10为本发明根据磁感应强度B1所得的电流值关于旋转角度phi的误差分析示意图；图11为本发明根据磁感应强度B2所得的电流值关于旋转角度phi的误差分析示意图；图12为本发明根据磁感应强度B3所得的电流值关于旋转角度phi的误差分析示意图；图13为本发明根据磁感应强度B4所得的电流值关于旋转角度phi的误差分析示意图；图14为本发明根据磁感应强度B1所得的电流值关于偏移距离R0的误差分析示意图；图15为本发明根据磁感应强度B2所得的电流值关于偏移距离R0的误差分析示意图；图16为本发明根据磁感应强度B3所得的电流值关于偏移距离R0的误差分析示意图；图17为本发明根据磁感应强度B4所得的电流值关于偏移距离R0的误差分析示意图；从图6-图17可以看出，对于偏移距离R0、旋转角度theta和旋转角度phi，各电流值I1、I2、I3和I4的误差都在2%以内。
图18-图20，为预测数据对电流计算值的误差影响；其中，图18为电流计算值关于预测数据中旋转角度theta的误差分析示意图；图19为电流计算值关于预测数据中旋转角度phi的误差分析示意图；图20为电流计算值关于预测数据中偏移距离R0的误差分析示意图，在本实施例条件下电流计算值的平均误差和最大误差如表1所示：
表1
平均误差 最大误差
0.0504% 1.55% 
从表1可以看出，电流计算值的最大误差在1.55%，平均误差在0.0504%，极大程度上佐证了本发明所提供的电流计算方法的可靠性和高精度。
为凸显本发明所提供的电流计算方法的优势，在此给出了利用传统计算方法，即依据安培环路定理所计算出的电流误差作对比分析。参照图21、图22和图23，图21为利用传统安培定理所得的电流计算值关于预测数据中旋转角度theta的误差分析示意图；图22为利用传统安培定理所得的电流计算值关于预测数据中旋转角度phi的误差分析示意图；图23为利用传统安培定理所得的电流计算值关于预测数据中偏移距离R0的误差分析示意图。在本实施例条件下两种方法得到的电流计算值的平均误差和最大误差的对比情况如表2所示：
表2
算法名称 平均误差 最大误差
传统安培定理 5.04% 16.5%
本发明的电流计算方法 0.0504% 1.55% 
从上表可以看出，利用传统安培定理所得的电流计算值的最大误差可达16.5%，平均误差则在5.04%，相对于本发明提供的电流计算方法，有力的说明了减小甚至消除长直导线偏心和倾斜带来的误差影响的必要性，也证明了本发明所提供的电流计算方法在减小长直导线偏心和倾斜带来的误差方面的巨大作用。
本发明还提供了一种基于单轴TMR传感信号深度学习的电流计算系统，包括磁场模型建立模块、样本数据采集模块、关系式模块、神经网络模块和输出模块。
磁场模型建立模块，用于建立磁场模型，磁场模型包括长直导线和环形传感器阵列测量系统，环形传感器阵列测量系统包括呈环形阵列布置的多个单轴TMR芯片，长直导线位于环形传感器阵列测量系统中；
样本数据采集模块，用于对环形传感器阵列测量系统进行偏转，得到长直导线偏心和倾斜情况下的磁场模型，然后获取样本数据，样本数据包括环形传感器阵列测量系统的偏转数据，以及各单轴TMR芯片所感应的磁感应强度；
关系式模块，用于根据磁场模型，建立电流和偏转数据分别与各单轴TMR芯片的磁感应强度的关系式；
神经网络模块，用于构建DNN神经网络模型并采用样本数据进行训练，得到训练后的DNN神经网络模型，将磁感应强度作为输入，训练后的DNN神经网络模型输出预测数据；
输出模块，用于根据预测数据并结合关系式确定长直导线的电流计算值。
综上所述，相比于传统的利用环路安培定理的测量方法，本发明所提供的一种基于单轴TMR传感信号深度学习的电流计算方法可以大大减小长直导线偏心和倾斜带来的误差，实现对长直导线偏心和倾斜时电流的高精度测量。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (5)

1.一种基于单轴TMR传感信号深度学习的电流计算方法，其特征在于，包括以下步骤：
步骤1、建立磁场模型，磁场模型包括长直导线和环形传感器阵列测量系统，环形传感器阵列测量系统包括呈环形阵列布置的多个单轴TMR芯片，长直导线位于环形传感器阵列测量系统中；
所述环形传感器阵列测量系统包括四个单轴TMR芯片，四个单轴TMR芯片分别位于环形阵列各四分点处，各单轴TMR芯片的磁敏感方向以同一时针方向相切于所述环形阵列；
步骤2、对环形传感器阵列测量系统进行偏转，得到长直导线偏心和倾斜情况下的磁场模型，然后获取样本数据，样本数据包括环形传感器阵列测量系统的偏转数据，以及各单轴TMR芯片所感应的磁感应强度；
所述环形传感器阵列测量系统的偏转方法如下：
将环形传感器阵列测量系统沿X轴正方向偏移距离R0；
将偏移后的环形传感器阵列测量系统以其中心为原点绕Z轴旋转角度theta；
将绕Z轴旋转后的环形传感器阵列测量系统以其中心为原点绕X轴旋转角度phi，得到长直导线偏心和倾斜情况下的磁场模型；
步骤3、根据磁场模型建立电流和偏转数据分别与各单轴TMR芯片的磁感应强度的关系式，关系式如下：
其中，μ0为真空磁导率，R为环形阵列的半径，I为长直导线的电流，B1、B2、B3和B4分别为对应各单轴TMR芯片所感应的磁感应强度；
步骤4、构建DNN神经网络模型并采用样本数据进行训练，得到训练后的DNN神经网络模型，将每组样本数据中的磁感应强度作为特征数据输入至训练后的DNN神经网络模型，训练后的DNN神经网络模型输出预测数据；
所述预测数据包括环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi；
步骤5、根据预测数据并结合步骤3所述的关系式确定长直导线的电流计算值。
2.根据权利要求1所述的一种基于单轴TMR传感信号深度学习的电流计算方法，其特征在于，步骤4中采用Adam算法对构建的DNN神经网络模型进行训练。
3.根据权利要求1所述的一种基于单轴TMR传感信号深度学习的电流计算方法，其特征在于，步骤4中对样本数据进行归一化处理，采用归一化后的样本数据对DNN神经网络模型进行训练。
4.根据权利要求1所述的一种基于单轴TMR传感信号深度学习的电流计算方法，其特征在于，步骤5中长直导线的电流计算方法如下：
将预测数据代入步骤3所述关系式中，得到各单轴TMR芯片感应到的磁感应强度对应的电流值，对多个电流值求均值，得到长直导线的电流计算值。
5.一种用于执行权利要求1-4任一项所述的一种基于单轴TMR传感信号深度学习的电流计算方法的系统，其特征在于，包括，
磁场模型建立模块，用于建立磁场模型，磁场模型包括长直导线和环形传感器阵列测量系统，环形传感器阵列测量系统包括呈环形阵列布置的多个单轴TMR芯片，长直导线位于环形传感器阵列测量系统中；
样本数据采集模块，用于对环形传感器阵列测量系统进行偏转，得到长直导线偏心和倾斜情况下的磁场模型，然后获取样本数据，样本数据包括环形传感器阵列测量系统的偏转数据，以及各单轴TMR芯片所感应的磁感应强度；
关系式模块，用于根据磁场模型，建立电流和偏转数据分别与各单轴TMR芯片的磁感应强度的关系式；
神经网络模块，用于构建DNN神经网络模型并采用样本数据进行训练，得到训练后的DNN神经网络模型，将每组样本数据中的磁感应强度作为特征数据输入至训练后的DNN神经网络模型，训练后的DNN神经网络模型输出预测数据；
输出模块，用于根据预测数据并结合关系式确定长直导线的电流计算值。
CN202211497724.2A 2022-11-28 2022-11-28 基于单轴tmr传感信号深度学习的电流计算方法及系统 Active CN115526121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211497724.2A CN115526121B (zh) 2022-11-28 2022-11-28 基于单轴tmr传感信号深度学习的电流计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211497724.2A CN115526121B (zh) 2022-11-28 2022-11-28 基于单轴tmr传感信号深度学习的电流计算方法及系统

Publications (2)

Publication Number Publication Date
CN115526121A CN115526121A (zh) 2022-12-27
CN115526121B true CN115526121B (zh) 2023-05-02

Family

ID=84704909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211497724.2A Active CN115526121B (zh) 2022-11-28 2022-11-28 基于单轴tmr传感信号深度学习的电流计算方法及系统

Country Status (1)

Country Link
CN (1) CN115526121B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108333406A (zh) * 2018-01-19 2018-07-27 三峡大学 一种基于环形磁场传感阵列的高精度电流测量系统
CN112595873A (zh) * 2020-09-18 2021-04-02 国网江苏省电力有限公司徐州供电分公司 基于三轴隧道磁阻阵列的电流传感器及其测量方法
CN114034907A (zh) * 2021-11-15 2022-02-11 中国电力科学研究院有限公司 基于环形隧道磁阻阵列的电流传感器测量电流的方法和装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080065361A1 (en) * 2000-09-29 2008-03-13 Canning Francis X Compression of interaction data using directional sources and/or testers
EP1884787A1 (en) * 2006-07-10 2008-02-06 S. THIIM ApS A current sensor for measuring electric current in a conductor and a short circuit indicator system comprising such a sensor
US10613123B2 (en) * 2013-05-15 2020-04-07 The United States Of America As Represented By The Secretary Of The Army Method and apparatus for power quality and synchrophasor monitoring on power lines
CN107356800B (zh) * 2017-07-04 2020-03-17 西安交通大学 一种磁场对消的大电流检测装置及方法
WO2020107426A1 (en) * 2018-11-30 2020-06-04 Siemens Ltd., China Current measurement apparatus
US20210231709A1 (en) * 2019-12-05 2021-07-29 Harting Electric Gmbh & Co. Kg Method and apparatus for contactless voltage and current estimation through measurements of electric and magnetic fields with redundant sensor arrays
CN116113834A (zh) * 2020-09-15 2023-05-12 福禄克公司 具有径向双安装传感器的非接触式电参数测量设备
CN113049874B (zh) * 2021-03-17 2022-03-08 南方电网数字电网研究院有限公司 电流传感器、电流测量设备、系统、装置和存储介质
CN113049873B (zh) * 2021-03-17 2022-05-06 南方电网数字电网研究院有限公司 电流传感器、电流测量设备、系统、装置和存储介质
CN113609750B (zh) * 2021-06-24 2023-11-24 贵州电网有限责任公司 基于磁场传感信号机器学习的电流计算方法
CN113609749B (zh) * 2021-06-24 2023-08-22 贵州电网有限责任公司 适用于多场景的基于磁场信号的电流计算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108333406A (zh) * 2018-01-19 2018-07-27 三峡大学 一种基于环形磁场传感阵列的高精度电流测量系统
CN112595873A (zh) * 2020-09-18 2021-04-02 国网江苏省电力有限公司徐州供电分公司 基于三轴隧道磁阻阵列的电流传感器及其测量方法
CN114034907A (zh) * 2021-11-15 2022-02-11 中国电力科学研究院有限公司 基于环形隧道磁阻阵列的电流传感器测量电流的方法和装置

Also Published As

Publication number Publication date
CN115526121A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN106018942B (zh) 一种用于测量三相电流的电流传感器阵列及测量方法
CN112834805A (zh) 具有位置误差校准功能的隧穿磁阻电流传感器及校准方法
CN111398649A (zh) 基于dsp的tmr阵列的测量大电流的开合式柔性探测器
US11579214B2 (en) Cable condition monitoring sensor device method
CN107328980A (zh) 多芯电缆非侵入式电流测量方法及测量装置
CN113655262B (zh) 基于多维等效电容计算的电压测量自解耦方法
CN113325228B (zh) 一种基于磁阻效应传感器阵列的单侧电流探测装置及方法
CN111426870A (zh) 导线运行状态检测方法、系统、装置和计算机设备
CN111458573A (zh) 导线电力参数测量方法、装置、系统和计算机设备
CN113609749B (zh) 适用于多场景的基于磁场信号的电流计算方法
CN113609750B (zh) 基于磁场传感信号机器学习的电流计算方法
CN115526121B (zh) 基于单轴tmr传感信号深度学习的电流计算方法及系统
CN112363099A (zh) 一种tmr电流传感器温漂与地磁场校正装置及方法
CN100559206C (zh) 用于测量磁场的探头
CN113325343A (zh) 一种单轴隧道磁阻电流测量方法
CN110441027A (zh) 一种控制探针自动跟踪系统零点漂移的修正方法
US7417424B2 (en) Magnetic-field-measuring device
CN114002634A (zh) 多通道心磁探测系统磁场-电压系数的标定装置及方法
CN116593756A (zh) 一种非接触式剩余电流检测方法及相关设备
CN114444299B (zh) 一种基于距离加权多极展开方法的磁场重构方法
CN113296045B (zh) 基于传感阵列的微型电流传感器的误差校正方法
CN113702683A (zh) 电流测量装置、方法、计算机设备和存储介质
CN112964923A (zh) 基于磁传感器阵列的非环绕式电流测量方法
Fan et al. A novel non-contact measurement method for current positioning based on magnetic sensors
CN114200248B (zh) 一种测量雷电流的无磁芯电流传感器

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant