低磁导率磁粉芯电流互感器的数字校准方法及系统与流程

1.本发明涉及人工智能技术领域，具体涉及低磁导率磁粉芯电流互感器的数字校准方法及系统。


背景技术：

2.在电力行业使用了大量的电能计量、谐波监测治理、无功补偿以及线路保护的设备，这些设备共同的需求是需要对电流进行测量。大部分情况下，上述设备采用了铁镍基或硅铁材料制作的电流互感器，少量的也有采用罗氏线圈的。传统的电流互感器的校准方法是利用电流互感器在线性工作区时其相位差和比值差所呈现出的线性特征，采用增减匝数校准比差，必要时通过二次输出并联电容补偿角差。
3.发明人在实践中，发现上述现有技术存在以下缺陷：
4.由于低磁导率磁粉芯电流互感器没有线性工作区，也即传统的电流互感器的校准方法并不适用于低磁导率磁粉芯电流互感器。


技术实现要素：

5.为了解决上述技术问题，本发明的目的在于提供一种低磁导率磁粉芯电流互感器的数字校准方法及系统，所采用的技术方案具体如下：
6.第一方面，本发明一个实施例提供了一种低磁导率磁粉芯电流互感器的数字校准方法，该校准方法包括串联的标准信号源和待校准的电流互感器，该校准方法包括以下步骤：调整所述标准信号源输出的电流大小，得到待校准的电流互感器的输出电流序列；将所述输出电流序列输入所述最优预测网络，所述最优预测网络输出预测的下一时刻中所述待校准的电流互感器与标准的电流互感器之间的相位差，所述相位差作为校准值对所述待校准的电流互感器进行校准；其中，所述最优预测网络的获取方法为：对于历史数据中的每个样本，所述样本为待校准的电流互感器，任意一个样本对应一组训练数据及一个初始预测网络；所述训练数据包括输出电流序列和相位差序列，所述相位差序列中的元素为在同一次调整电流后样本与标准的电流互感器的输出电流之间的相位差值，其中所述标准的电流互感器与样本串联；选取任意一个初始预测网络为目标网络，交换目标网络与其他初始预测网络的训练数据，获取交换训练数据前后目标网络的输出值之间的平均相似度；选取平均相似度最大的目标网络作为最优预测网络。
7.进一步，所述获取交换训练数据前后目标网络的输出值之间的平均相似度的获取方法为：计算每次交换训练数据前后目标网络的输出值之间的相似度，得到的所有相似度的均值为平均相似度。
8.进一步，所述计算每次交换训练数据前后目标网络的输出值之间的相似度的方法为：利用动态时间规整算法计算相似距离，根据相似距离得到所述相似度。
9.进一步，所述交换目标网络与其他初始预测网络的训练数据的步骤中，所述目标网络和交换训练数据的初始预测网络属于同一批次的样本所对应的初始预测网络，或者所
述目标网络和交换训练数据的初始预测网络分别属于不同批次的样本所对应的初始预测网络。
10.进一步，所述初始预测网络的损失函数采用以输出电流的值作为权重的均方差损失函数。
11.进一步，所述选取平均相似度最大的目标网络作为最优预测网络的步骤之后，进一步包括：利用其他初始预测网络的训练数据对所述最优预测网络进行继续训练，比较利用训练数据训练其对应的初始预测网络输出的相位差与训练最优预测网络输出的相位差之间的相似度ei；获取相似度ei与最优预测网络的所述平均相似度e0之间的绝对偏差，根据所述绝对偏差与平均相似度e0之比调整所述最优预测网络中均方差损失函数的权重。
12.进一步，所述绝对偏差与平均相似度e0之比与所述均方差损失函数的权重之间呈负相关关系。
13.第二方面，本发明另一个实施例提供了一种低磁导率磁粉芯电流互感器的数字校准系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述方法的步骤。
14.本发明具有如下有益效果：
15.本发明实施例提供了一种低磁导率磁粉芯电流互感器的数字校准方法，由于最优预测网络是通过大量的训练数据所对应的初始预测网络中选取出来的最优网络，能够准确的预测出待测的电流互感器与标准的电流互感器之间的相位差，因此，在校准的过程中，通过该校准方法不仅能够得到相位差，而且能够省去标准的电流互感器的参与，节约了校准的成本。
附图说明
16.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
17.图1为本发明一个实施例所提供的一种低磁导率磁粉芯电流互感器的数字校准方法流程图；
18.图2为本发明一个实施例所提供的最优预测网络的获取方法流程图。
具体实施方式
19.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种低磁导率磁粉芯电流互感器的数字校准方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
20.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
21.本发明实施例通过将标准信号源和待校准的电流互感器串联，通过调整标准信号源的电流大小，进而获取待校准的电流互感器的输出电流序列，将该输出电流序列输入训练好的预测网络预测与标准的电流互感器之间的相位差，将该相位差作为校准值对该电流互感器进行校准，该方法能够通过调整标准信号源的电流大小预测对应的相位差，进而达到校准的目的。相较于传统的需要结合标准的电流互感器获取相位差的方式，在校准的过程中在保证获取的相位差准确性的情况下能够去掉该标准的电流互感器的参与，节约成本，减少了校准的繁琐步骤。
22.其中，在本发明实施例中标准信号源采用电流源。
23.下面结合附图具体的说明本发明所提供的一种低磁导率磁粉芯电流互感器的数字校准方法及系统的具体方案。
24.请参阅图1，其示出了本发明一个实施例提供的一种低磁导率磁粉芯电流互感器的数字校准方法流程图，该校准方法包括以下步骤：
25.步骤s001：调整所述标准信号源输出的电流大小，得到待校准的电流互感器的输出电流序列。
26.将标准信号源和待校准的电流互感器串联，每调整一次标准信号源的输出电流，待校准的电流互感器都会输出一个对应的电流；因此，在多次调整之后，待校准的电流互感器会输出相应的输出电流序列。
27.步骤s002：将所述输出电流序列输入所述最优预测网络，所述最优预测网络输出预测的下一时刻中所述待校准的电流互感器与标准的电流互感器之间的相位差，将所述相位差作为校准值对所述待校准的电流互感器进行校准。
28.具体的，请参阅图2，所述最优预测网络的获取方法包括以下步骤：
29.步骤s201：对于历史数据中的每个样本，所述样本为待校准的电流互感器，任意一个样本对应一组训练数据及一个初始预测网络；所述训练数据包括输出电流序列和相位差序列，所述相位差序列中的元素为在同一次电流调整后样本与标准的电流互感器的输出电流之间的相位差值，其中所述标准的电流互感器与样本串联。
30.对于历史数据中的样本，需要将标准信号源、标准的电流互感器与样本之间依次串联构成串联回路，因此在利用步骤s001相同的方法调整标准信号的输出电流的大小时，能够分别得到样本实际的输出电流和标准的电流互感器输出的标准电流，通过该比较样本实际的输出电流和标准电流之间的相位，得到相位差值。也即在每调整一次电流的大小，就能够得到一个样本实际的输出电流和一个相位差值；因此在多次电流调整之后能够得到样本的多个输出电流以及相位差值，由该多个输出电流构成输出电流序列、由该多个相位差值构成相位差序列。以输出电流序列和相位差序列作为训练数据。
31.其中，通过比较样本实际的输出电流和标准电流之间的相位得到相位差值的方法具体为：根据样本实际的输出电流序列得到电流波形，同时获取标准的电流互感器输出的标准电流序列的电流波形；在同一个坐标系下，以时间为横轴、电流值的大小为纵轴，分别做出样本和标准的电流互感器的电流波形曲线，分别找出两条曲线经过零点的数据点，比较两个过零点的数据点的时间差，该时间差即为相位差。
32.在本发明实施例中通过对tcn网络进行训练得到最优预测网络，在其他实施例中也可以采用相同的训练方法对其他能够实现相同功能的网络类型进行训练得到该最优预
测网络。
33.以tcn网络为例，对初始预测网络的训练过程进行说明：获取每个样本的训练数据，也即每个样本实际的输出电流序列和相位差序列，将该训练数据输入初始预测网络预测下一时刻的相位差；该初始预测网络的损失函数采用均方差损失函数。
34.步骤s202：选取任意一个初始预测网络为目标网络，交换目标网络与其他初始预测网络的训练数据，获取交换训练数据前后目标网络的输出值之间的平均相似度。
35.由步骤s201可知，数据库的样本集中的每个样本为一个待校准的电流互感器，每个样本均对应一个训练数据以及一个初始预测网络。具体的，选取样本集中任意一个样本，将所选取的样本记为目标样本、该目标样本对应的训练数据记为第一训练数据、初始预测网络记为第一初始预测网络、样本集中除了目标样本之外的其他任意一个样本记为交换样本、交换样本所对应的训练数据记为第二训练数据、交换样本所对应的初始预测网络记为第二初始预测网络。将第二训练数据输入第二初始预测网络得到初始相位差；将第二训练数据输入第一初始预测网络得到的相位差记为交换相位差，计算初始相位差与交换相位差之间的相似度。同理，将样本集中每个第二训练数据分别输入第一初始预测网络和每个样本自身所对应的第二初始预测网络得到每个第二训练数据所对应的相似度，进而获取所有相位差所对应的相似度。获取第一初始预测网络与其他所有第二初始预测网络之间的相似度的平均值，得到平均相似度。
36.作为一个示例，假设对于样本集{x1，x2，x3，...xi，...xn}，i＝1，2，3......n，其中xi表示第i个样本，对应的训练集记为{i1，i2，i3，...ii，...in}，从样本集中选取第i个样本xi作为目标样本，目标样本所对应的第一训练数据为ii，将该目标样本对应的第一初始预测网络记为a网络；将某一个交换样本xq对应的第二初始预测网络记为b网络，对应的第二训练数据记为iq。利用第二训练数据iq训练b网络得到初始相位差δt0，然后再将第二训练数据iq训练a网络得到交换相位差δtq，初始相位差与交换相位差之间的相似度即为δti与δtq之间的相似度s
iq
。同理将其他交换样本所对应的第二训练数据分别输出a网络及其对应的b网络得到相应的相似度，记为s＝{s
i1
，s
i2
，s
i3
，...s
iq
，...s
in
}。平均相似度是指相似度集合s的均值。
37.平均相似度的大小能够反映该初始预测网络的准确性，平均相似度越大，初始预测网络的准确性越高，如果利用每个其他样本训练该目标初始预测网络得到的预测值与该其他样本在初始预测网络的预测值的偏差越小，就说明该目标初始预测网路的准确性就越强。
38.步骤s203：选取平均相似度最大的目标网络作为最优预测网络。
39.根据步骤s202的方法能够得到每个样本所对应的初始预测网络所预测的相位差的平均相似度，该平均相似度的最大值所对应的初始预测网络为当前训练过程中准确性最大的预测网络，因此选取该网络作为最优预测网络。
40.综上所述，本发明实施例提供了一种低磁导率磁粉芯电流互感器的数字校准方法，通过将标准信号源和待校准的电流互感器进行串联，调整标准信号源的输出电流的大小，获取电流互感器的输出电流，将输出电流输入训练好的最优预测网络预测相应的相位差，以该相位差作为校准值对电流互感器进行校准。其中，最优预测网络是利用历史数据中的样本数据训练得到的最优预测网络；样本数据是将相应的待校准的电流互感器、标准的
电流互感器和标准信号源进行串联，通过调整标准信号源的电流得到待校准的电流互感器和标准的电流互感器之间的相位差序列，在调整标准信号源的电流之后待校准的电流互感器输出的电流序列，将该相位差序列以及电流序列作为训练数据对预测网络进行训练。由于最优预测网络是通过大量的训练数据所对应的初始预测网络中选取出来的最优网络，能够准确的预测出待测的电流互感器与标准的电流互感器之间的相位差，因此，在校准的过程中，通过该校准方法不仅能够得到相位差，而且能够省去标准的电流互感器的参与，节约了校准的成本。
41.优选的，在步骤s202中，采用动态时间规整算法计算第一相位差与第二相位差之间的相似度，具体的，将第一初始预测网络记为a、第二初始预测网络记为b、第二训练集训练第一初始预测网络得到的第一相位差记为x、第二训练集训练第二初始预测网络得到的第二相位差记为y，则第一初始预测网络a和第二初始预测网络b所输出的相位差之间的相似度s
ab
为：
[0042][0043]
其中，dtw(x,y)表示利用动态时间规整算法计算参数x和y之间的距离，距离值越大表示两者之间的相似度越小，距离值越小表示两者之间的相似度越大。通过比较样本交换前后预测网络的输出结果的相似度，输出结果越相似说明第一初始预测网络和第二初始预测网络的预测结果越相似，也即第一初始预测网络可以替代第二初始预测网络。
[0044]
优选的，为了使网络的预测结果更加准确，需要对损失函数做进一步的改进。由于随着电流互感器输入电流的增加，铁芯损耗角也在增大，相位差减小；然而在电流增大到一定程度之后，铁芯饱和，铁芯角反而减小，相位差增大。因此，利用相位差的变化率为均方差损失分配权重，将变化率大的相位差分配较低的权重，将变化率小的相位差分配较高的权重。将第i个输出电流训练之后所对应的损失记为lossi、第i个输出电流所对应的相位差的变化率的权重记为ci、初始预测网络的损失函数记为loss，对所有的ci进行归一化之后，通过对样本中每个训练数据所对应的损失进行加权求和得到初始预测网络的整体损失，则有：
[0045]
loss＝∑(lossi*ci)
[0046]
通过对损失函数的改进能够得到更加准确的预测结果。
[0047]
优选的，为了获取更加准确的预测结果，预设平均相似度的允许误差，获取位于允许误差范围内的平均相似度所对应的训练数据，将该训练数据记为继续训练数据，利用该继续训练数据再次训练所选出的最优预测网络得到第三相位差，获取将该继续训练数据输入初始预测网络之后得到的第四相位差，获取第三相位差与第四相位差之间的相似度，将该相似度记为ei；将继续训练之前所选出的最优预测网络的平均相似度记为e0、第i个继续训练数据的权重记为ci；将相似度ei与最优预测网络的所述平均相似度e0之间的绝对偏差记为|e
0-ei|，根据所述绝对偏差与平均相似度e0之比调整所述最优预测网络中均方差损失函数的权重，改进后的权重记为cj，则有：
[0048]
[0049]
其中，l表示损耗值。
[0050]
其中损耗值的获取方法为：将样本当前的继续训练数据中的第i次调整电流所获得的相位差记为angi；对于该样本，在出厂时，为了减少因线路延时造成的误差，因此在电流不变的情况下调整线路的长度能够得到不同的相位差，根据所有相位差的均值得到平均相位差记为ang
0i
，则有损耗值l：
[0051][0052]
其中ang
0i
表示在第i次调整电流时所对应的平均相位差，ang
δ
为第i次调整电流所获得的相位差angi及其相应的平均相位差ang
0i
的差值，n为电流的调整次数。
[0053]
在继续训练之后，得到的最优预测网络的损失函数为：loss＝∑(lossj*cj)。
[0054]
优选的，在本发明实施例中允许误差设为
±
0.1，在其他实施例中可以根据实际需求设置。
[0055]
优选的，在本发明实施例中，将出厂时的损耗值设为0。在其他实施例中，可以根据需要设置该损耗值。
[0056]
优选的，在选取最优预测网络的步骤s202中，可以根据需要选择样本的所属类别，例如，目标样本和交换样本可以为同一批次的样本，则选出的最优预测网络为最适合该批次样本的最优预测网络；目标样本和交换样本也可以是属于两种不同批次的样本，则所选出的最优预测网络为能够适用于不同批次样本的最优预测网络；也可以是递进式的选取，初始选取的过程中，目标样本和交换样本为同一批次的样本，选择出一个初始的最优预测网络，然后再次选取时目标样本和交换样本属于两种不同批次的样本，选择出一个最终的最优预测网络。
[0057]
基于与上述方法实施例相同的发明构思，本发明另一个实施例还提供了低磁导率磁粉芯电流互感器的数字校准系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一个实施例所述的一种低磁导率磁粉芯电流互感器的数字校准方法的步骤，其中一种低磁导率磁粉芯电流互感器的数字校准方法已经在上述实施例中进行了详细的说明，不再赘述。
[0058]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0059]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0060]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。