一种用于罗氏线圈相间干扰补偿的MFNN方法与流程

本发明涉及电流测量，尤其涉及一种用于罗氏线圈相间干扰补偿的mfnn方法。

背景技术：

1、罗氏线圈是一种交流电流传感器，是一个空心环形的线圈，有柔性和硬性两种，可以直接套在被测量的导体上来测量交流电流。由于罗氏线圈安装方便、无需断电，且对设备的物理干扰小，广泛应用与工业生产领域。但罗氏线圈测量准确度较低，特别是当其用于多相系统时，会由于相线间的电磁耦合效应产生相间干扰，导致测量准确性下降。基于mfnn的相间干扰补偿方法，是指采集不同相间距离下三相电流数据，训练得到参数，使mfnn补偿罗氏线圈原始测量值与标称值间差异，提高最终电流测量准确性。mfnn中的多分支结构提高了其泛化性，使其有效应对不同复杂工况挑战。专利cn117036453a基于计算机深度学习方法构建光测量仪器的误差预测模型，实现光测量数据的误差补偿。专利cn115856342a通过构建深度学习神经网络模型并训练，对智能传感器的温度误差进行补偿。

2、上述具体专利对比文件为：

3、1)、“一种基于深度学习修正测量误差的结构光测量方法及系统”，专利号cn117036453a，该专利公开了一种基于深度学习修正测量误差的结构光测量方法及系统。首先基于计算机深度学习方法构建光测量仪器的误差预测模型，之后确定所述光测量仪器的误差补偿系数，并通过光测量仪器测量待测物体得到光测量数据，再通过将所述光测量数据输入误差预测模型以得到误差预测值，将误差值作为训练数据训练计算机深度学习模型，利用计算机深度学习模型预测测量过程中所产生的误差并对其进行补偿，从而实现高精测量。本发明mfnn方法与上述不同，采用多任务学习思路，创新性采用独立分支为三相电流进行补偿。

4、2)、“基于深度学习网络的智能传感器温度误差补偿方法及装置”，专利号cn115856342a，该专利公开了一种基于深度学习网络的智能传感器温度误差补偿方法及装置。首先基于深度学习网络，构建深度学习神经网络模型，并利用训练数据集训练所述深度学习神经网络模型，之后利用网络优化算法，优化所述深度学习神经网络模型，再利用优化后的所述深度学习神经网络模型，来对所述智能传感器的温度误差进行补偿。该方法成功解决了智能传感器受温度影响精度不高的技术问题。本发明mfnn方法与上述不同，使用深度学习模型解决罗氏线圈受相间干扰影响测量准确性不高的技术问题。

技术实现思路

1、为解决上述技术问题，本发明的目的是提供一种用于罗氏线圈相间干扰补偿的mfnn方法。

2、本发明的目的通过以下的技术方案来实现：

3、一种用于罗氏线圈相间干扰补偿的mfnn方法，包括：

4、a、搭建三相交变电流检测实验台，采用0.01％标准ct和罗氏线圈对三相电流进行测量；

5、b、通过正交实验设计选择相线间距离及a、b、c三相电流参数；

6、c、采集不同电流组合下罗氏线圈、标准ct在指定相线间距离、指定电流下的电流测量值；

7、d、设计全连接神经网络(fully-connected neural network)和多任务学习(multi-task learning)的mfnn；

8、e、以ct测量值为标准值，训练基于mfnn的罗氏线圈相间干扰补偿模型，实现罗氏线圈测量值补偿。

9、进一步地，上述a中三相交变电流检测实验台包含黄、绿、红三相导线，三相导线上分别装载罗氏线圈，三个罗氏线圈均与电能质量分析仪连接；所述三个0.01％标准ct装载在三相导线上，并与所述电能质量分析仪连接；所述三相导线固定在导轨上，并通过导轨调整三相导线间的距离；所述电能质量分析仪通过wi-fi将罗氏线圈与0.01％标准ct的电流测量值实时保存。

10、进一步地，上述b中，根据正交设计原理设计实验表格；

11、三相电流系统中与相间干扰有关变量为相线间距离(dαb,dbc)及a、b、c三相电流(ia,ib,ic)；实际工况下，a、c相线关于b相线对称，故将其视为一个距离变量d，即d＝dab＝dbc；四个变量(d,ia,ib,ic)均为连续变量，采用区间划分处理方式，将四个连续变量分别划分成6、9、9、9个离散水平，并结合拟水平法优化正交实验表格得81种变量组合。

12、进一步地，上述c包括，调整相线间距离，并根据得到的正交实验表格遍历指定距离下所有电流组合，调整电源输出；待电源输出稳定后，由电能质量分析仪自动采集并上传罗氏线圈与标准ct电流测量值。

13、所述罗氏线圈与标准ct电流测量值的上传包括：每个周期(1s)内采集上传四组数据，即每隔250ms采集上传一组，每组数据包含距离(d)，标准ct测量值(ix,ct,x＝a,b,c)，罗氏线圈测量值(ix,r,x＝a,b,c)。

14、进一步地，上述d中，mfnn设计为四个输入变量与三个输出变量结构，其中输入向量为x，包含自变量d,ia,r,ib,r,ic,r，表示为x＝[d,ia,r,ib,r,ic,r]；输出为三相电流的补偿值ia,ai,ib,ai,ic,ai。

15、进一步地，所述mfnn采用两层共享特征提取层和三条分支预测层的架构，所述共享特征提取层用于从输入数据中提取全局特征，分支预测层用于为每个输出变量即a、b、c三相补偿电流提供预测；

16、所述两层特征提取层均采用全连接层，其中第一层的隐藏神经元个数为128，故权重矩阵w1大小为128×4，加上偏置项b1，经激活函数f整流后得到第一层共享特征提取层输出z1：

17、z1＝f(w1·x+b1)

18、f(x)＝max(0,x)

19、第二层结构为了压缩提取得到的特征，隐藏层神经元个数为64；

20、所述三条分支中每一条分支用于预测相应的输出变量，即ia,ai,ib,ai,ic,ai；且每个分支都具有独立的全连接层，输出神经元个数为1；

21、所述ia,ai,ib,ai,ic,ai的预测过程为：

22、

23、其中，z2为第二层共享矩阵提取层的输出，wa,wb,wc分别为三分支的权重矩阵，其大小均为1×64，ba,bb,bc分别为三分支的偏置项，全连接层后无激活函数，最终得到a、b、c三相的补偿电流ia,ai,ib,ai,ic,ai。

24、进一步地，所述e中以三相电ct测量值为标准值，计算标称值ia,ct,ib,ct,ic,ct与补偿值ia,ai,ib,ai,ic,ai间误差ε；在mfnn中，会为每一个输出计算损失，即分别计算三相的损失εa,εb,εc，计算公式如下：

25、

26、其中n为样本总数，最终总损失ε为三相损失加权和，三相权重分别为α,β,γ：

27、ε＝αεa+βεb+γεc

28、最后采用随机梯度下降法训练mfnn的参数θ，每轮学习率η调整单轮训练步长，得到更新参数θ'：

29、

30、与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

31、该方法搭建电流检测实验台，将连续变量划分为若干个离散水平，根据正交实验设计结合拟水平法优化实验设计并减少试验次数；训练基于mfnn的罗氏线圈相间干扰补偿模型，实现对罗氏线圈原始测量值进行补偿，提高罗氏线圈测量准确性和测量稳定性。mfnn方法中的多分支结构提高其泛化性，使其在不同的复杂工况下都表现良好。