专利名称：一种提高电力互感器测量精度的方法
技术领域：
本发明涉及电子工业技术的电力互感器测量技术，特别涉及一种提高电力互感器 测量精度的方法。
背景技术：
电力线上的电流和漏电流是电力监测、负荷预测和火灾监控等系统中最为重要的 一个参数，在现有的某些电气火灾监控系统中，直接用电流值或漏电流值与预先设定的阈 值进行比较来判断是否进行电气火灾报警。通常电力线上电流和漏电流值是通过电力互感 器采集得到的，电力互感器的测量值受其与电力线的位置关系、现场电磁环境等因素的影 响。另外，普通电力互感器使用的材料和制造工艺等也会使其电流或漏电流测量值与实际 值直接存在偏差，精度不高，进而导致这些系统的性能指标降低。普通电力互感器的电流或 漏电流测量值与实际值直接的偏差是非线性的，同时受安装位置、环境温度和电磁环境等 的影响，无法用显式的数学公式进行描述，而且在应用中，现场环境参量是不断变化的，不 可能为所有可能的环境情况和参数范围建立完备数据集。必须考虑用非线性信号处理技术 对电流互感器采集的信号值进行数据调整，使之接近实际值，进而为后续数据处理和应用 奠定基础。

发明内容
为了解决上述技术问题，本发明提供一种能有效提高电力互感器测量精度的方法。本发明解决上述技术问题的述技术方案包括以下步骤
1)建立基于模糊神经网络的系统模型；
2)对电力互感器采集的信号进行预处理；
3)将预处理后的信号送入训练学习好的自适应模糊神经网络系统中进行校准处理，得 到电力互感器校准测量信号。进一步，所述的步骤1)建立基于模糊神经网络的系统模型的具体方法步骤为
1)采集训练样本，将普通互感器和精密标准互感器安装在同一被测电力线测量环境 中，保证两个互感器与被测电力线的位置一致，并由环境条件发生器产生温度、工频磁场等 现场环境参量，电力互感器所采集的信号经过A/D转换和预处理后作为系统模型的训练样 本；
2)建立模糊神经网络模型，模糊神经网络模型的网络由输入层、模糊隶属度函数确定 层、适用度计算层、归一化计算层和输出层组成；
3)建立模糊神经网络模型结构，利用自适应动量解耦的梯度下降学习算法调整模糊隶 属度函数参数，利用最小二乘法调整输出层连接权系数。进一步，所述的步骤2)采集信号预处理的基本方法为限时平均法、归一化平滑法、MMSE法和RLS法的任一种。本发明的技术效果在于本发明利用普通互感器和精密标准互感器在同一被测 环境下的测量信号作为神经网络的训练样本，以此建立自适应模糊神经网络系统，利用自 适应模糊神经网络系统校准电力互感器的测量信号，大大提高了普通电力互感器的测量精 度，在保证性能的同时有效的降低了系统成本。下面结合附图和具体实施方式
对发明作进一步详细的说明。


图1为本发明中的电力互感器校准模型示意图。图2为本发明中的模糊神经网络结构图。
具体实施例方式如图1所示，为本发明建立的普通电力互感器采集数据校准模型，该模型包括如 下三部分内容
1、建立基于模糊神经网络模型。建立基于模糊神经网络模型，主要包括数据采集、模型结构、模型参数确定。将普通互感器和精密标准互感器安装在同一被测电力线测量环境中，同时保 证两个互感器与被测电力线的位置一致，同时由环境条件发生器产生温度、工频磁场等现 场环境参量，经过A/D转换和预处理后作为模糊神经网络的训练样本。模糊神经网络模型包括以下五层，其结构参见图2
￠)输入层山每个节点直接与采集的环境参量、普通电力互感器采集信号等经过预处理后
的信号相连，送入下一层。I 模糊隶属度函数确定层e，每个节点代表一个语言变量值，用 于计算各输入分量属于各语言变量值模糊集合的隶属度函数，所用隶属度函数可以是高斯 隶属度函数、双边型高斯隶属度函数、钟形隶属度函数等。③适用度计算层f，每个节点代
表一条模糊规则，用来匹配模糊规则前件，计算出每条规则的适用度。④归一化计算层g，
实现数据归一化计算。 输出层h，实现模糊清晰化计算，即求解结果。模型混合学习算法学习过程主要用于调整模糊神经网络各层节点之间连接线的 权值参数。参数调整由两部分组成①网络中模糊隶属度函数确定层中隶属度函数的中心
和宽度，它们和输出是非线性关系；②输出层的连接权系数，它们和输出是线性关系。根据
参数和输出关系，采用类似BP神经网络的学习算法，分别采用自适应动量解耦的梯度下降 学习算法调整模糊隶属度函数参数，用最小二乘法调整输出层连接权系数。训练模糊神经网络的输入样本为系统模型中输入层节点连接的信号参量，输出样本为精密标准互感器采 集的信号参量。2、将电力互感器采集的信号进行预处理。受电力互感器制造工艺、环境噪声(雷电、环境温度等)、电路热噪声(电子器件固 有噪声、电磁干扰等)和后续A/D等处理的影响，可能出现瞬间信号跳变，即被测量信号不变 时互感器连续采集的信号数字化后也会存在振荡和变化，为提高信号的稳定性，需要在进 行后续数据之前进行预处理，使信号保持稳定，基本方法包括限时平均法、归一化平滑法、 MMSE法、RLS法等。3、将预处理后的信号送入训练学习好的自适应模糊神经网络系统中进行校准处理。以现场采集信号为输入，送入训练学习好的自适应模糊神经网络进行处理， 输出即为校准后的互感器采集信号，可以直接用于给予阈值的电力监测或电气火灾监控系 统。下面给出本发明一个较好实施例，并予以详细描述，使能更好地理解本发明的功 能、特点。以应用于电气火灾监控系统的普通电力互感器的校准为例来说明本发明的传感 器校准方法。设置信号采集环境，获得的数据包括普通电力互感器采集的信号、温度传感器、工 频磁场传感器等采集到的环境参量等，这些数据经过预处理后直接连接到如图2所示的模 糊神经网络的输入层作为输入样本，预处理采用简单的求连续采集M个样本的平均值代替 单个采集的数据。模糊神经网络的输入层d对应的输入值记为1 = ，巧f。模糊隶属度函数确定层e使用高斯函数 (&)=码:>(-((巧- )/ )2)作为隶属 度函数，其中 和分别表示隶属度函数的中心和宽度。适用度计算层f采用连乘求解法计算适用度，即’ =^li(X1) ( )' ^)。
W归一化计算层g实现归一化计算，即巧· =^ ^ZuJ。
J-I
Jf输出层h计算输出结果，即7 = 巧，其中力输出层的连接权系数值。
M”在模糊神经网络模型学习时采用梯度下降法调整 和％ ，误差计算公式为
.1 A t “ ζιν t-i
其中α为平方型误差函数，《为学习样本数，/为普通电力互感器的采集信号数据，乂 为精密标准互感器的采集信号数据，参数调整公式为
￥ +1)=華—VidEido^)■ Δ .( ) , Δ、.( 二C￥(i +1)— (
权利要求
1.一种提高电力互感器测量精度的方法，其特征在于，包括以下步骤1)建立基于模糊神经网络的系统模型；2)对电力互感器采集的信号进行预处理；3)将预处理后的信号送入训练学习好的自适应模糊神经网络系统中进行校准处理，得 到校准后电力互感器测量信号。
2.根据权利要求1所述的提高电力互感器测量精度的方法，其特征在于，所述的步骤1)建立基于模糊神经网络的系统模型的具体方法步骤为1)采集训练样本，将普通互感器和精密标准互感器安装在同一被测电力线测量环境 中，保证两个互感器与被测电力线的位置一致，并由环境条件发生器产生温度、工频磁场等 现场环境参量，电力互感器所采集的信号经过A/D转换和预处理后作为系统模型的训练样 本；2)建立模糊神经网络模型，模糊神经网络模型的网络由输入层、模糊隶属度函数确定 层、适用度计算层、归一化计算层和输出层组成；3)建立模糊神经网络模型结构，利用自适应动量解耦的梯度下降学习算法调整模糊隶 属度函数参数，利用最小二乘法调整输出层连接权系数。
3.根据权利要求1所述的提高电力互感器测量精度的方法，其特征在于，所述的步骤2)采集信号预处理的基本方法为限时平均法、归一化平滑法、MMSE法和RLS法的任一种。
全文摘要
本发明公开了一种提高电力互感器测量精度的方法。它包括以下步骤建立基于模糊神经网络的系统模型；对电力互感器采集的信号进行预处理；将预处理后的信号送入训练学习好的自适应模糊神经网络系统中进行校准处理，得到校准后电力互感器测量信号。本发明采用普通电力互感器即可获得精度较高的电力互感器测量信号，大大提高了含电力互感器的测量系统的精度，并降低系统的成本。
文档编号G01R35/02GK102087311SQ20101059886
公开日2011年6月8日 申请日期2010年12月21日 优先权日2010年12月21日
发明者彭浩明 申请人:彭浩明