[发明专利]应用于电流传感器角差在线监测系统的信号分离择优方法

说明书

技术领域

本发明涉及电流信号高精度分离技术领域，尤其涉及一种对电流传感器角差在线监测系统中独立分量分析(ICA)电流信号分离模块的输出结果进行分离择优的方法，即一种应用于电流传感器角差在线监测系统的信号分离择优方法。

背景技术

目前应用于各种电力设备绝缘在线监测的电流传感器，都是用高导磁材料作为磁芯绕制而成。在实验室环境下进行测试，这类电流传感器对电流信号角差的监测能够达到较高的精度，同时其稳定性也能满足测量的要求。但实际在线运行后，由于现场的强电磁干扰、环境温度及湿度的大幅度变化、强冲击电流等对磁性材料的作用，使得电流传感器磁芯的性能发降低。另一方面，电流传感器中的电子电路同样会受电磁干扰、工作温度及湿度、器件老化等影响，使得输出信号的幅度变比，特别是角差特性发生较大变化。

因此，要对电流传感器的角差进行实时监测，以保证绝缘在线监测系统在实际运行中能够获得高精度、稳定可靠的测量结果。

一种在线监测电流传感器角差系统，是人为在传感器的输入端加入已知频率和相位的单频正弦测试电流，在输出端得到的是正常工作时的输出电流与测试电流的混合。采用独立分量分析(ICA)方法将测试信号和电流传感器的原始输出电流分离，通过比较测试信号输入与输出前后相位变化来确定电流传感器的相位差。这样就可以通过计算机软件的方法，在电流传感器监测电力设备正常工作的电流的同时获得它的相位差，从而实现在线测量。

采用ICA方法来分离混合信号存在的最主要的问题就是估计出来的独立源分量接近于其真实值的程度是未知的。这种情况是由多种原因造成的：

ICA方法要求各源分量是统计独立的，且其中至多有一个分量是高斯分布的。然而实际应用中真实数据并不能严格符合ICA的模型。

ICA方法使用的随机产生的初始混合矩阵，在计算的过程中可能会收敛于不同的局部最小值。

混合信号的抽样点数是有限的，这也会引入统计误差。

因此，有必要对ICA分离的结果进行评价，研究它的可靠性。对同一混合信号运行多次ICA并且选取最优的结果，这样比单独运行一次的结果具有更高的可靠性。

发明内容

(一)要解决的技术问题

有鉴于此，本发明的主要目的在于提供一种对ICA电流信号分离模块的输出结果进行分离择优的方法，以将其应用于电流传感器角差在线监测系统中电流信号分离模块，并提高输出结果的精确度。

(二)技术方案

为达到上述目的，本发明提供了一种对电流传感器角差在线监测系统中ICA电流信号分离模块的输出结果进行分离择优方法，该方法包括：

步骤1：建立一个拥有两个输入节点和一个输出节点的反向传播(Back Propagation，BP)神经网络；

步骤2：建立BP神经网络的训练样本集；

步骤3：BP神经网络通过对训练集数据的学习，建立ICA分离结果的角差和两个指标值之间的映射关系；

步骤4：电流传感器角差在线监测系统运行时，该BP神经网络对ICA信号分离模块的多次分离结果进行最优解选取，并输出最优结果。

上述方案中，所述BP神经网络是一个拥有两个输入节点和一个输出节点的3层网络，包括输入层、输出层和隐藏层，其中，

输入层：以两个神经元节点作为输入，记为{x₁，x₂}，x₁为每次实验中ICA分离出的源分量的似然值，x₂为每次实验中ICA分离出的源分量的负熵值；

输出层：以一个神经元节点作为输出，记为y，它是与该次实验结果的角差的绝对值成比例的量，该输出可以作为评价分离结果性能的联合评价量；

隐藏层：选择隐藏层的层数为1，隐藏层的节点数为7；在网络训练过程中输入层到隐藏层的传递函数采用tanh函数隐藏层到输出层的传递函数采用线性函数。

上述方案中，步骤2中所述的训练样本集，选取在不同信噪比情况下的60次ICA分离结果的似然值、负熵值以及角差的绝对值组成的数据集，训练目标误差设为10^-8，训练迭代数为1000，BP网络的学习率设为0.1。

上述方案中，所述训练之前要对输入集和输出集的数据进行归一化，以使训练迭代过程中神经元权值的调整较为灵敏。

上述方案中，所述的BP神经网络训练完成后，由两个输入量通过网络的非线性映射得到的输出量与ICA分离的角差绝对值之间有单调地对应关系，即BP网络输出最小值对应的分离结果的角差最小。