基于磁场传感信号机器学习的电流计算方法与流程

技术特征：
1.基于磁场传感信号机器学习的电流计算方法，应用于由巨磁阻传感器组成的圆形磁场传感器阵列测量系统中，其特征在于，包括如下步骤：步骤一、通过对长直导线周围产生的磁场矢量进行定量计算，得到通电长直导线磁场模型，其中，通电长直导线与传感器阵列平面xoy垂直；步骤二、基于所述通电长直导线磁场模型，获得数据样本，对数据样本进行预处理，获得训练集与测试集，其中，所述训练集与测试集均以电流位置作为输出，磁场强度作为输入；步骤三、基于所述训练集搭建mlp神经网络模型的结构，并采用bp算法，获得训练后的mlp神经网络模型；步骤四、利用所述测试集对训练后的mlp神经网络模型进行误差测试，获得已训练好的mlp神经网络模型；步骤五、利用已训练好的mlp神经网络模型进行电流计算。2.如权利要求1所述的基于磁场传感信号机器学习的电流计算方法，其特征在于，所述步骤一具体包括：1.1、计算测量点到导线电流之间的距离r，公式表示为：其中：圆形传感器阵列所在的平面为xoy平面，传感器阵列的圆心为坐标系的原点，直线电流方向垂直于xoy平面，并与xoy平面相交于点(x
s
，y
s
，0)，点(x
i
，y
i
，0)为任意位于该xoy平面上的测量点；1.2、根据安培环路定理和步骤1.1中的r值，计算该测量点对应的磁场强度h，公式表示为：上式中，h为测量点(x
i
，y
i
，0)处的磁场强度，i为导线电流的大小。3.如权利要求2所述的基于磁场传感信号机器学习的电流计算方法，其特征在于，所述步骤二包括：对电流大小i进行归一化处理，则x
s
，y
s
两个参数与磁场强度h的映射关系如下：f(x
s
，y
s
)
→
(h
x1
，h
y1
…
h
xi
，h
yi
…
h
xn
，h
yn
)上式中，h
x
，h
y
分别为测量点处磁场强度在x、y两个方向上的分量表示，其中：分别为测量点处磁场强度在x、y两个方向上的分量表示，其中：上式中，h
xi
表示测量点在x方向上的分量；h
yi
表示测量点在y方向上的分量。4.如权利要求3所述的基于磁场传感信号机器学习的电流计算方法，其特征在于，所述步骤二还包括：确定电流位置最大取值半径r
smax
，在xoy平面中以r
smax
为半径的圆内均匀和随机取值确定电流位置(x
s
，y
s
)，根据几何关系得到每一个电流位置对应的磁场强度h。
5.如权利要求4所述的基于磁场传感信号机器学习的电流计算方法，其特征在于，所述步骤二还包括：对磁场强度进行最大值归一化，得到：化，得到：上式中，h
xi*
为h
xi
最大值归一化后结果；h
yi*
为h
yi
最大值归一化后结果，其中：h
xmax
＝max(h
x1
…
h
xi
…
h
xn
)h
ymax
＝max(h
y1
…
h
yi
…
h
yn
)将out＝(x
s
，y
s
)作为输出，in＝(h
x1*
,h
y1*
...h
xi*
,h
yi*
...h
xn*
,h
yn*
)作为输入，构建训练集和测试集。6.如权利要求5所述的基于磁场传感信号机器学习的电流计算方法，其特征在于，所述训练集为基于xoy平面中以r
smax
为半径的圆内均匀取值确定，测试集则为随机取值确定。7.如权利要求6所述的基于磁场传感信号机器学习的电流计算方法，其特征在于，所述测试集为基于xoy平面中以r
smax
为半径的圆内随机取值确定。8.如权利要求7所述的基于磁场传感信号机器学习的电流计算方法，其特征在于，所述步骤三中基于所述训练集搭建mlp神经网络模型的结构包括：输入数据in
(i)
∈r
2n
，n为传感器个数，输出数据out
(i)
∈r2，设a
i(j)
表示第j层中第i个神经元的输出，设θ
(j)
表示第j层到第j 1层权重矩阵，矩阵元素θ
pq(j)
表示第j层中第q个元素到第j 1层中第p个元素的连接权重。9.如权利要求8所述的基于磁场传感信号机器学习的电流计算方法，其特征在于，所述步骤三中基于所述训练集搭建mlp神经网络模型的结构还包括：在每一层中加入元素a
0(i)
，并在矩阵θ
(j)
中加入第0列，其中a
0(i)
表示第i层中加入的偏置，大小设置为1。10.如权利要求9所述的基于磁场传感信号机器学习的电流计算方法，其特征在于，所述步骤五包括：对于每一个传感器，通过其两个方向上所测得的磁场数据计算出两个电流大小的预测值ipre
i1
和ipre
i2
，公式表示为：，公式表示为：上式中，x
spre
，y
spre
表示经神经网络计算得出的电流位置；对于n个传感器组成的传感器阵列，共得到2n个电流大小预测值，记ipre为该2n个值组成的序列；取序列ipre的中位数作为电流大小的最终计算值。

技术总结
本发明提供了基于磁场传感信号机器学习的电流计算方法，应用于由巨磁阻传感器组成的圆形磁场传感器阵列测量系统中，包括如下步骤：对长直导线周围产生的磁场矢量进行定量计算，得到通电长直导线磁场模型；基于该模型，获得数据样本，对数据样本进行预处理，获得训练集与测试集；基于训练集搭建MLP神经网络模型的结构，并采用BP算法，获得训练后的MLP神经网络模型；利用测试集对训练后的MLP神经网络模型进行误差测试；利用已训练好的MLP神经网络模型进行电流计算。本发明的计算方法在简化的理想条件下，具有非常高的计算精度，且通过机器学习大大减少了单次测量时的计算量，能够保证测量结果的实时性。证测量结果的实时性。证测量结果的实时性。


技术研发人员：辛明勇 徐长宝 高吉普 林呈辉 文屹 田兵 刘仲 吕前程 骆柏锋 王志明 陈仁泽 孙宏棣 张佳明 尹旭
受保护的技术使用者：南方电网数字电网研究院有限公司
技术研发日：2021.06.24
技术公布日：2021/11/4