[发明专利]一种提高电力互感器测量精度的方法

说明书

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。

附图说明

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d，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。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。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。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。