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方案

本发明专利技术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，利用本发明专利技术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。实现高精度测量。实现高精度测量。

【技术实现步骤摘要】
基于单轴TMR传感信号深度学习的电流计算方法及系统


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。

技术实现思路

[0006]针对现有技术中存在的问题，本专利技术提供一种基于单轴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。
[0007]本专利技术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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]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。
[0014]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。
[0015]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。
[0016]与现有技术相比，本专利技术具有以下有益的技术效果：本专利技术所提供的基于单轴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，利用本专利技术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
[0017]图1为本专利技术基于单轴TMR传感信号深度学习的电流计算方法的流程图；图2为本专利技术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为本专利技术环形传感器阵列测量系统沿X正方向偏移的示意图；图4为本专利技术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为本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
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；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。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。3.根据权利要求2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。4.根据权利要求3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。5.根据权利要求1所述的一种基于单轴TMR传感信号深度...

【专利技术属性】
技术研发人员：刘明，汪鹤龄，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：