[發明專利]基于磁場傳感信號機器學習的電流計算方法

在審

• 申請號: 202110705713.8
• 申請日: 2021-06-24
• 公開（公告）號: CN113609750A
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 辛明勇;徐長寶;高吉普;林呈輝;文屹;田兵;劉仲;呂前程;駱柏鋒;王志明;陳仁澤;孫宏棣;張佳明;尹旭
• 申請（專利權）人: 貴州電網有限責任公司;南方電網數字電網研究院有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06N20/00;G06F113/04
• 代理公司: 成都睿道專利代理事務所(普通合伙) 51217
• 代理人: 陶紅

本發明提供了基于磁場傳感信號機器學習的電流計算方法，應用于由巨磁阻傳感器組成的圓形磁場傳感器陣列測量系統中，包括如下步驟：對長直導線周圍產生的磁場矢量進行定量計算，得到通電長直導線磁場模型；基于該模型，獲得數據樣本，對數據樣本進行預處理，獲得訓練集與測試集；基于訓練集搭建MLP神經網絡模型的結構，并采用BP算法，獲得訓練后的MLP神經網絡模型；利用測試集對訓練后的MLP神經網絡模型進行誤差測試；利用已訓練好的MLP神經網絡模型進行電流計算。本發明的計算方法在簡化的理想條件下，具有非常高的計算精度，且通過機器學習大大減少了單次測量時的計算量，能夠保證測量結果的實時性。

技術領域

本發明涉及電網故障測量技術領域，具體而言，涉及基于磁場傳感信號機器學習的電流計算方法。

背景技術

近年來，隨著新的測量技術不斷涌現，傳感器技術快速發展，智能電網的建設得到了空前的發展。智能電網的發展目標是使得互聯網絡能夠覆蓋電力系統的每一個環節，包括了發輸配送等。為了使得智能電網能夠穩定運行，網絡中每一個節點均需要提供相應的數據支撐。這就對各個環節的信息采集精度和實時性提出了更高的要求。而為了實現以“互聯網+能源網”為特征的能源互聯網，要求電網中的信息測量更加全面、實時，以保證信息網絡的準確與通暢。在這樣的應用背景下，電網中各環節的電流測量技術成為智能電網的關鍵，傳感器作為電流測量的主要設備，是目前智能電網電流測量研究的重要課題。

基于巨磁阻效應的電流傳感器是目前電流測量領域的一大熱點，其基本原理是通過磁場傳感器測量磁場，進而由磁場數據反演計算電流大小，本質上是一個反演問題。

基于磁場數據的電流大小反演計算，目前常用優化算法進行求解。傳統的優化算法全局搜索能力不穩定，其結果強烈依賴于初始值；啟發式優化算法雖然全局搜索能力較強，但計算量較大，精度不穩定。可見使用優化算法求解該問題往往難以兼具效率與精度問題。與傳統的優化算法相比，機器學習算法的優勢在于一旦通過足夠的數據樣本訓練得到機器學習模型，每次測量計算時均可使用該模型進行直接計算，因而大大減少了每次測量時的計算量，能夠保證測量結果的實時性。

考慮到目前廣泛使用的優化算法的局限性以及機器學習方法的優點，因此，本申請提出了一種利用機器學習解決該反演問題的電流計算方法。

發明內容

本發明的目的在于從目前使用的優化算法的弊端以及機器學習方法的優勢出發，提出了一種利用機器學習，具有高計算精度的電流計算方法。

本發明的實施例通過以下技術方案實現：基于磁場傳感信號機器學習的電流計算方法，應用于由巨磁阻傳感器組成的圓形磁場傳感器陣列測量系統中，包括如下步驟：

步驟一、通過對長直導線周圍產生的磁場矢量進行定量計算，得到通電長直導線磁場模型，其中，通電長直導線與傳感器陣列平面xoy垂直；

步驟二、基于所述通電長直導線磁場模型，獲得數據樣本，對數據樣本進行預處理，獲得訓練集與測試集，其中，所述訓練集與測試集均以電流位置作為輸出，磁場強度作為輸入；

步驟三、基于所述訓練集搭建MLP神經網絡模型的結構，并采用BP 算法，獲得訓練后的MLP神經網絡模型；

步驟四、利用所述測試集對訓練后的MLP神經網絡模型進行誤差測試，獲得已訓練好的MLP神經網絡模型；

步驟五、利用已訓練好的MLP神經網絡模型進行電流計算。

根據一種優選實施方式，所述步驟一具體包括：

1.1、計算測量點到導線電流之間的距離r，公式表示為：