本發(fā)明涉及電流測(cè)量，尤其涉及一種用于羅氏線圈相間干擾補(bǔ)償?shù)膍fnn方法。

背景技術(shù)：

1、羅氏線圈是一種交流電流傳感器，是一個(gè)空心環(huán)形的線圈，有柔性和硬性兩種，可以直接套在被測(cè)量的導(dǎo)體上來(lái)測(cè)量交流電流。由于羅氏線圈安裝方便、無(wú)需斷電，且對(duì)設(shè)備的物理干擾小，廣泛應(yīng)用與工業(yè)生產(chǎn)領(lǐng)域。但羅氏線圈測(cè)量準(zhǔn)確度較低，特別是當(dāng)其用于多相系統(tǒng)時(shí)，會(huì)由于相線間的電磁耦合效應(yīng)產(chǎn)生相間干擾，導(dǎo)致測(cè)量準(zhǔn)確性下降?；趍fnn的相間干擾補(bǔ)償方法，是指采集不同相間距離下三相電流數(shù)據(jù)，訓(xùn)練得到參數(shù)，使mfnn補(bǔ)償羅氏線圈原始測(cè)量值與標(biāo)稱值間差異，提高最終電流測(cè)量準(zhǔn)確性。mfnn中的多分支結(jié)構(gòu)提高了其泛化性，使其有效應(yīng)對(duì)不同復(fù)雜工況挑戰(zhàn)。專利cn117036453a基于計(jì)算機(jī)深度學(xué)習(xí)方法構(gòu)建光測(cè)量?jī)x器的誤差預(yù)測(cè)模型，實(shí)現(xiàn)光測(cè)量數(shù)據(jù)的誤差補(bǔ)償。專利cn115856342a通過(guò)構(gòu)建深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型并訓(xùn)練，對(duì)智能傳感器的溫度誤差進(jìn)行補(bǔ)償。

2、上述具體專利對(duì)比文件為：

3、1)、“一種基于深度學(xué)習(xí)修正測(cè)量誤差的結(jié)構(gòu)光測(cè)量方法及系統(tǒng)”，專利號(hào)cn117036453a，該專利公開(kāi)了一種基于深度學(xué)習(xí)修正測(cè)量誤差的結(jié)構(gòu)光測(cè)量方法及系統(tǒng)。首先基于計(jì)算機(jī)深度學(xué)習(xí)方法構(gòu)建光測(cè)量?jī)x器的誤差預(yù)測(cè)模型，之后確定所述光測(cè)量?jī)x器的誤差補(bǔ)償系數(shù)，并通過(guò)光測(cè)量?jī)x器測(cè)量待測(cè)物體得到光測(cè)量數(shù)據(jù)，再通過(guò)將所述光測(cè)量數(shù)據(jù)輸入誤差預(yù)測(cè)模型以得到誤差預(yù)測(cè)值，將誤差值作為訓(xùn)練數(shù)據(jù)訓(xùn)練計(jì)算機(jī)深度學(xué)習(xí)模型，利用計(jì)算機(jī)深度學(xué)習(xí)模型預(yù)測(cè)測(cè)量過(guò)程中所產(chǎn)生的誤差并對(duì)其進(jìn)行補(bǔ)償，從而實(shí)現(xiàn)高精測(cè)量。本發(fā)明mfnn方法與上述不同，采用多任務(wù)學(xué)習(xí)思路，創(chuàng)新性采用獨(dú)立分支為三相電流進(jìn)行補(bǔ)償。

4、2)、“基于深度學(xué)習(xí)網(wǎng)絡(luò)的智能傳感器溫度誤差補(bǔ)償方法及裝置”，專利號(hào)cn115856342a，該專利公開(kāi)了一種基于深度學(xué)習(xí)網(wǎng)絡(luò)的智能傳感器溫度誤差補(bǔ)償方法及裝置。首先基于深度學(xué)習(xí)網(wǎng)絡(luò)，構(gòu)建深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，并利用訓(xùn)練數(shù)據(jù)集訓(xùn)練所述深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，之后利用網(wǎng)絡(luò)優(yōu)化算法，優(yōu)化所述深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，再利用優(yōu)化后的所述深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型，來(lái)對(duì)所述智能傳感器的溫度誤差進(jìn)行補(bǔ)償。該方法成功解決了智能傳感器受溫度影響精度不高的技術(shù)問(wèn)題。本發(fā)明mfnn方法與上述不同，使用深度學(xué)習(xí)模型解決羅氏線圈受相間干擾影響測(cè)量準(zhǔn)確性不高的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問(wèn)題，本發(fā)明的目的是提供一種用于羅氏線圈相間干擾補(bǔ)償?shù)膍fnn方法。

2、本發(fā)明的目的通過(guò)以下的技術(shù)方案來(lái)實(shí)現(xiàn)：

3、一種用于羅氏線圈相間干擾補(bǔ)償?shù)膍fnn方法，包括：

4、a、搭建三相交變電流檢測(cè)實(shí)驗(yàn)臺(tái)，采用0.01％標(biāo)準(zhǔn)ct和羅氏線圈對(duì)三相電流進(jìn)行測(cè)量；

5、b、通過(guò)正交實(shí)驗(yàn)設(shè)計(jì)選擇相線間距離及a、b、c三相電流參數(shù)；

6、c、采集不同電流組合下羅氏線圈、標(biāo)準(zhǔn)ct在指定相線間距離、指定電流下的電流測(cè)量值；

7、d、設(shè)計(jì)全連接神經(jīng)網(wǎng)絡(luò)(fully-connected?neural?network)和多任務(wù)學(xué)習(xí)(multi-task?learning)的mfnn；

8、e、以ct測(cè)量值為標(biāo)準(zhǔn)值，訓(xùn)練基于mfnn的羅氏線圈相間干擾補(bǔ)償模型，實(shí)現(xiàn)羅氏線圈測(cè)量值補(bǔ)償。

9、進(jìn)一步地，上述a中三相交變電流檢測(cè)實(shí)驗(yàn)臺(tái)包含黃、綠、紅三相導(dǎo)線，三相導(dǎo)線上分別裝載羅氏線圈，三個(gè)羅氏線圈均與電能質(zhì)量分析儀連接；所述三個(gè)0.01％標(biāo)準(zhǔn)ct裝載在三相導(dǎo)線上，并與所述電能質(zhì)量分析儀連接；所述三相導(dǎo)線固定在導(dǎo)軌上，并通過(guò)導(dǎo)軌調(diào)整三相導(dǎo)線間的距離；所述電能質(zhì)量分析儀通過(guò)wi-fi將羅氏線圈與0.01％標(biāo)準(zhǔn)ct的電流測(cè)量值實(shí)時(shí)保存。

10、進(jìn)一步地，上述b中，根據(jù)正交設(shè)計(jì)原理設(shè)計(jì)實(shí)驗(yàn)表格；

11、三相電流系統(tǒng)中與相間干擾有關(guān)變量為相線間距離(dαb,dbc)及a、b、c三相電流(ia,ib,ic)；實(shí)際工況下，a、c相線關(guān)于b相線對(duì)稱，故將其視為一個(gè)距離變量d，即d＝dab＝dbc；四個(gè)變量(d,ia,ib,ic)均為連續(xù)變量，采用區(qū)間劃分處理方式，將四個(gè)連續(xù)變量分別劃分成6、9、9、9個(gè)離散水平，并結(jié)合擬水平法優(yōu)化正交實(shí)驗(yàn)表格得81種變量組合。

12、進(jìn)一步地，上述c包括，調(diào)整相線間距離，并根據(jù)得到的正交實(shí)驗(yàn)表格遍歷指定距離下所有電流組合，調(diào)整電源輸出；待電源輸出穩(wěn)定后，由電能質(zhì)量分析儀自動(dòng)采集并上傳羅氏線圈與標(biāo)準(zhǔn)ct電流測(cè)量值。

13、所述羅氏線圈與標(biāo)準(zhǔn)ct電流測(cè)量值的上傳包括：每個(gè)周期(1s)內(nèi)采集上傳四組數(shù)據(jù)，即每隔250ms采集上傳一組，每組數(shù)據(jù)包含距離(d)，標(biāo)準(zhǔn)ct測(cè)量值(ix,ct,x＝a,b,c)，羅氏線圈測(cè)量值(ix,r,x＝a,b,c)。

14、進(jìn)一步地，上述d中，mfnn設(shè)計(jì)為四個(gè)輸入變量與三個(gè)輸出變量結(jié)構(gòu)，其中輸入向量為x，包含自變量d,ia,r,ib,r,ic,r，表示為x＝[d,ia,r,ib,r,ic,r]；輸出為三相電流的補(bǔ)償值ia,ai,ib,ai,ic,ai。

15、進(jìn)一步地，所述mfnn采用兩層共享特征提取層和三條分支預(yù)測(cè)層的架構(gòu)，所述共享特征提取層用于從輸入數(shù)據(jù)中提取全局特征，分支預(yù)測(cè)層用于為每個(gè)輸出變量即a、b、c三相補(bǔ)償電流提供預(yù)測(cè)；

16、所述兩層特征提取層均采用全連接層，其中第一層的隱藏神經(jīng)元個(gè)數(shù)為128，故權(quán)重矩陣w1大小為128×4，加上偏置項(xiàng)b1，經(jīng)激活函數(shù)f整流后得到第一層共享特征提取層輸出z1：

17、z1＝f(w1·x+b1)

18、f(x)＝max(0,x)

19、第二層結(jié)構(gòu)為了壓縮提取得到的特征，隱藏層神經(jīng)元個(gè)數(shù)為64；

20、所述三條分支中每一條分支用于預(yù)測(cè)相應(yīng)的輸出變量，即ia,ai,ib,ai,ic,ai；且每個(gè)分支都具有獨(dú)立的全連接層，輸出神經(jīng)元個(gè)數(shù)為1；

21、所述ia,ai,ib,ai,ic,ai的預(yù)測(cè)過(guò)程為：

22、

23、其中，z2為第二層共享矩陣提取層的輸出，wa,wb,wc分別為三分支的權(quán)重矩陣，其大小均為1×64，ba,bb,bc分別為三分支的偏置項(xiàng)，全連接層后無(wú)激活函數(shù)，最終得到a、b、c三相的補(bǔ)償電流ia,ai,ib,ai,ic,ai。

24、進(jìn)一步地，所述e中以三相電ct測(cè)量值為標(biāo)準(zhǔn)值，計(jì)算標(biāo)稱值ia,ct,ib,ct,ic,ct與補(bǔ)償值ia,ai,ib,ai,ic,ai間誤差ε；在mfnn中，會(huì)為每一個(gè)輸出計(jì)算損失，即分別計(jì)算三相的損失εa,εb,εc，計(jì)算公式如下：

25、

26、其中n為樣本總數(shù)，最終總損失ε為三相損失加權(quán)和，三相權(quán)重分別為α,β,γ：

27、ε＝αεa+βεb+γεc

28、最后采用隨機(jī)梯度下降法訓(xùn)練mfnn的參數(shù)θ，每輪學(xué)習(xí)率η調(diào)整單輪訓(xùn)練步長(zhǎng)，得到更新參數(shù)θ'：

29、

30、與現(xiàn)有技術(shù)相比，本發(fā)明的一個(gè)或多個(gè)實(shí)施例可以具有如下優(yōu)點(diǎn)：

31、該方法搭建電流檢測(cè)實(shí)驗(yàn)臺(tái)，將連續(xù)變量劃分為若干個(gè)離散水平，根據(jù)正交實(shí)驗(yàn)設(shè)計(jì)結(jié)合擬水平法優(yōu)化實(shí)驗(yàn)設(shè)計(jì)并減少試驗(yàn)次數(shù)；訓(xùn)練基于mfnn的羅氏線圈相間干擾補(bǔ)償模型，實(shí)現(xiàn)對(duì)羅氏線圈原始測(cè)量值進(jìn)行補(bǔ)償，提高羅氏線圈測(cè)量準(zhǔn)確性和測(cè)量穩(wěn)定性。mfnn方法中的多分支結(jié)構(gòu)提高其泛化性，使其在不同的復(fù)雜工況下都表現(xiàn)良好。