基于改進(jìn)深度信念網(wǎng)絡(luò)的TMR電流傳感器溫漂與地磁場(chǎng)校正方法

楊?挺，張卓凡，劉亞闖，王?磊

基于改進(jìn)深度信念網(wǎng)絡(luò)的TMR電流傳感器溫漂與地磁場(chǎng)校正方法

楊?挺1，張卓凡1，劉亞闖1，王?磊2

(1. 天津大學(xué)電氣自動(dòng)化與信息工程學(xué)院，天津 300072；2. 國(guó)網(wǎng)河南省電力公司電力科學(xué)研究院，鄭州 450052)

精確電流值的測(cè)量是電網(wǎng)精益化運(yùn)行決策的重要前提，高靈敏度、高精度TMR電流傳感器的提出有效提升了電流測(cè)量能力．與此同時(shí)需要重點(diǎn)考慮溫度漂移以及空間地磁場(chǎng)在TMR電流傳感器測(cè)量過(guò)程中的影響．針對(duì)該問(wèn)題，本文提出了基于改進(jìn)深度信念網(wǎng)絡(luò)的TMR電流傳感器溫漂與地磁場(chǎng)校正方法．首先，針對(duì)TMR電流傳感器由于受到強(qiáng)磁場(chǎng)干擾或故障下的異常輸出數(shù)據(jù)，利用貝葉斯結(jié)合信息熵理論識(shí)別并剔除；其次，使用改進(jìn)深度信念網(wǎng)絡(luò)重構(gòu)空間地磁場(chǎng)、溫度與TMR電流傳感器測(cè)量輸出的映射關(guān)系；最后，本文對(duì)所研發(fā)的TMR電流傳感器進(jìn)行了標(biāo)定實(shí)驗(yàn)和誤差分析．實(shí)驗(yàn)結(jié)果表明，在－40～80℃的溫度變化范圍內(nèi)，算法補(bǔ)償后的溫度漂移系數(shù)由900×10-6/℃降至32.33×10-6/℃．TMR電流傳感器對(duì)地磁場(chǎng)的敏感程度明顯降低，平均絕對(duì)百分比誤差由2.1530%降低到0.4109%，均方根誤差由0.1048A降低為0.0200A．

TMR電流傳感器；深度信念網(wǎng)絡(luò)；ADAM；溫度漂移；地磁場(chǎng)

先進(jìn)的傳感和測(cè)量技術(shù)是智能電網(wǎng)的核心支撐技術(shù)之一[1]．然而，傳統(tǒng)的電流傳感器存在易飽和、精度低和溫漂大等缺點(diǎn)[2]，難以適應(yīng)智能電網(wǎng)運(yùn)行、維護(hù)和計(jì)量的高精度新需求[3]．針對(duì)這些問(wèn)題，學(xué)者們從硬件電路設(shè)計(jì)到軟件數(shù)據(jù)校正等方面加以克服或彌補(bǔ)各類電流傳感器的缺陷[4]．文獻(xiàn)[5]提出了一種磁阻惠斯通電橋電流傳感器溫度漂移的補(bǔ)償方法，通過(guò)將釕材料溫度傳感器與磁阻傳感器集成在通用阻抗變換電路中對(duì)溫度進(jìn)行補(bǔ)償．文獻(xiàn)[6]利用8個(gè)霍耳電流傳感器構(gòu)成圓形陣列對(duì)單相電流進(jìn)行測(cè)量，降低了外界磁場(chǎng)對(duì)電流傳感器的影響．文獻(xiàn)[7]利用BP神經(jīng)網(wǎng)絡(luò)的非線性信息處理能力分離溫度對(duì)光纖電流傳感器的影響，從而提高傳感器的穩(wěn)定性．

相較于傳統(tǒng)的電流傳感器，基于隧道磁電阻效應(yīng)(tunnel magnetoresistance，TMR)效應(yīng)的電流傳感器具有高靈敏度、體積小等優(yōu)勢(shì)．然而，TMR電流傳感器中大的磁隧穿結(jié)面積在提高其靈敏度的同時(shí)，不可避免地形成了嚴(yán)重的溫度漂移問(wèn)題．已有研究表明，TMR電流傳感器的溫度漂移系數(shù)高達(dá)1000×10-6/℃[8].同樣TMR電流傳感器的高靈敏度也造成了其敏感于外部空間磁場(chǎng)．由中科院地質(zhì)與地球物理研究所公開(kāi)數(shù)據(jù)顯示，我國(guó)不同地區(qū)的地磁場(chǎng)可達(dá)到20000～50000nT．雖然當(dāng)前有少數(shù)研究通過(guò)增加輔助硬件電路來(lái)校正溫漂和空間磁場(chǎng)干擾，如設(shè)計(jì)多點(diǎn)限位結(jié)構(gòu)以及增加外部屏蔽涂層以降低環(huán)境磁場(chǎng)對(duì)TMR電流傳感器的影響[9]．但其硬件電路結(jié)構(gòu)較為復(fù)雜，且參數(shù)設(shè)置不靈活，難以應(yīng)對(duì)多樣的應(yīng)用場(chǎng)景.

為克服測(cè)量過(guò)程中溫度以及空間地磁場(chǎng)的影響，更好地提高TMR電流傳感器的測(cè)量精度，本文提出了一種基于改進(jìn)深度信念網(wǎng)絡(luò)(deep believe nets，DBN)的TMR電流傳感器溫漂與地磁場(chǎng)校正方法.基本思想是通過(guò)貝葉斯與信息熵的結(jié)合剔除觀測(cè)過(guò)程中的異常值；對(duì)DBN網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練，得到溫度場(chǎng)、地磁場(chǎng)及電流值為輸入向量與校正后高精度電流測(cè)量輸出的映射關(guān)系；利用ADAM算法優(yōu)化DBN的網(wǎng)絡(luò)參數(shù)，實(shí)現(xiàn)對(duì)TMR傳感器輸出值的校正，以更好地逼近真實(shí)電流值．

1?異常電流數(shù)據(jù)剔除

設(shè)測(cè)量值為z，并設(shè)標(biāo)志位w＝1表示第個(gè)TMR電流傳感器觀測(cè)數(shù)據(jù)為異常數(shù)據(jù)，w＝0表示非異常觀測(cè)數(shù)據(jù)，可得傳感器的測(cè)量值為非異常觀測(cè)的概率密度為

式中傳感器第次測(cè)量數(shù)據(jù)為非異常值的概率為(w＝0)，可以根據(jù)實(shí)驗(yàn)得到．

求得后驗(yàn)概率后，引入信息熵的概念將異常電流數(shù)據(jù)剔除．當(dāng)有異常電流數(shù)據(jù)出現(xiàn)時(shí)，其信息熵將增加．變量的信息熵計(jì)算公式為

第次計(jì)算的熵增量為

2?基于改進(jìn)DBN的TMR電流傳感器溫漂與地磁場(chǎng)校正方法

采用改進(jìn)DBN用以提高TMR電流傳感器的精度，其優(yōu)勢(shì)在于DBN具有強(qiáng)大的特征學(xué)習(xí)能力．但傳統(tǒng)DBN在其微調(diào)過(guò)程中采用梯度下降法，易造成局部最優(yōu)收斂．本文通過(guò)ADAM優(yōu)化算法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，得到溫度及地磁場(chǎng)影響下的最優(yōu)參數(shù)．

2.1?基于DBN的溫漂與地磁場(chǎng)校正模型

基于DBN的TMR電流傳感器溫漂與地磁場(chǎng)校正模型如圖2所示，模型包括輸入層(溫度傳感器輸出數(shù)據(jù)集1、空間地磁場(chǎng)數(shù)據(jù)集2、TMR電流傳感器歷史輸出數(shù)據(jù)3)、輸出層(電流修正輸出值)以及個(gè)隱藏層構(gòu)成．其中，為隱藏層的偏置，為隱藏層與隱藏層-1之間的連接權(quán)重．

圖2?TMR電流傳感器溫漂與地磁場(chǎng)校正模型

2.2?基于DBN方法的無(wú)監(jiān)督訓(xùn)練階段和微調(diào)

采用ADAM算法對(duì)其進(jìn)行微調(diào)，只需要少量調(diào)參，就能具有更好的參數(shù)調(diào)整性能．更新后的TMR電流傳感器溫漂與地磁場(chǎng)校正模型網(wǎng)絡(luò)參數(shù)為

基于改進(jìn)DBN的TMR電流傳感器溫漂與地磁場(chǎng)校正方法的具體流程如圖3所示．

圖3?算法流程

3?實(shí)驗(yàn)測(cè)試與算法性能分析應(yīng)用

3.1?實(shí)驗(yàn)數(shù)據(jù)獲取以及評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)樣本數(shù)據(jù)采集來(lái)自相同型號(hào)不同批次的TMR電流傳感器(ESG05AB)實(shí)際測(cè)量數(shù)據(jù)，溫度數(shù)據(jù)由粘貼在TMR芯片的溫度傳感器獲得；空間磁場(chǎng)數(shù)據(jù)來(lái)源于中科院空間地磁環(huán)境研究室的天津地區(qū)實(shí)時(shí)地磁監(jiān)測(cè)數(shù)據(jù)．使用高性能屏蔽筒創(chuàng)造屏蔽環(huán)境，在屏蔽筒內(nèi)部使用高精度電流源加亥姆赫茲線圈創(chuàng)造與地磁場(chǎng)相同的地磁環(huán)境．將TMR電流傳感器置于屏蔽筒的幾何中心然后安置在125TCF恒溫箱中，恒溫箱后端留有R485數(shù)據(jù)接口，用PC機(jī)接收傳感器輸出數(shù)據(jù)．溫度設(shè)置范圍為-40～80℃，溫度步長(zhǎng)為1℃，待溫度穩(wěn)定后，在每個(gè)標(biāo)定溫度下，利用4500CS電流源以0.2A為步長(zhǎng)設(shè)置輸出電流從0A變化到10A，調(diào)節(jié)高精度電流源驅(qū)動(dòng)亥姆赫茲線圈產(chǎn)生與地磁場(chǎng)等值的磁場(chǎng)，記錄傳感器的輸出與地磁場(chǎng)數(shù)據(jù)，得到6000組測(cè)量數(shù)據(jù)．

針對(duì)異常電流數(shù)據(jù)，可以將其分為偏離型數(shù)據(jù)以及缺失型數(shù)據(jù)．利用第1節(jié)的方法對(duì)其進(jìn)行處理，圖4給出不同類型異常電流數(shù)據(jù)算法處理前后對(duì)比．

圖4?異常數(shù)據(jù)處理前后波形對(duì)比

本文采用平均絕對(duì)百分比誤差MAPE以及均方根誤差RMSE作為評(píng)價(jià)模型準(zhǔn)確性的指標(biāo)．誤差計(jì)算公式分別為

3.2?DBN參數(shù)設(shè)置

綜合考慮模型的校正效果以及訓(xùn)練時(shí)間，參數(shù)設(shè)置RBM學(xué)習(xí)率0.01，RBM訓(xùn)練批次為300，RBM訓(xùn)練次數(shù)為200，輸出層單元數(shù)為1．為了獲得更小的電流測(cè)量誤差，采用遍歷法確定DBN的隱藏層數(shù)為3，每層最佳單元為22、25和13．選擇前5762個(gè)樣本最為DBN的訓(xùn)練集，后238個(gè)樣本作為測(cè)試集.

3.3?TMR電流傳感器輸出校正實(shí)驗(yàn)

1) 溫度漂移的校正

利用第3.1節(jié)搭建的測(cè)試環(huán)境，斷開(kāi)亥姆赫茲線圈驅(qū)動(dòng)電源，在恒溫箱內(nèi)改變測(cè)試環(huán)境標(biāo)定溫度-40～80℃，步長(zhǎng)10℃，在每個(gè)溫度場(chǎng)下，以0.2A為步進(jìn)值測(cè)量50組電流數(shù)據(jù)以及溫度數(shù)據(jù)輸入訓(xùn)練完成的網(wǎng)絡(luò)模型，圖5為溫漂校正前后誤差比較．

圖5?溫漂校正前后誤差比較

2) 對(duì)不同地磁場(chǎng)環(huán)境的校正

為驗(yàn)證本算法能夠有效降低空間地磁場(chǎng)對(duì)輸出誤差影響，在此給出電流范圍為0～10A，頻率為50Hz的電流地磁場(chǎng)補(bǔ)償結(jié)果．室溫25℃條件下持續(xù)測(cè)量標(biāo)定電流值．圖6為不同電流條件下算法對(duì)空間地磁場(chǎng)的補(bǔ)償結(jié)果．

圖6?空間地磁場(chǎng)補(bǔ)償結(jié)果

從圖6中可以看出，在室溫25℃條件下，未用本算法進(jìn)行處理時(shí)，該波形由于受到空間地磁場(chǎng)噪聲的影響，測(cè)量結(jié)果受地磁場(chǎng)影響較大．采用本算法校正后，測(cè)量值與實(shí)際值的絕對(duì)誤差大幅下降，波動(dòng)較小，平均絕對(duì)百分比誤差MAPE由2.1530%降低到0.4109%，均方根誤差RMSE由0.1048A降低為0.0200A，輸出質(zhì)量有了明顯的提升．

3) 精度提升驗(yàn)證

最后，分別選用BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、DBN方法以及本文所提改進(jìn)DBN算法，以TMR電流傳感器在不同溫度、地磁場(chǎng)環(huán)境下實(shí)際測(cè)量電流數(shù)據(jù)作為樣本集合對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練．從測(cè)試集里選取在45℃的高溫環(huán)境下對(duì)幅值為10A的電流測(cè)量數(shù)據(jù)，測(cè)量時(shí)間范圍內(nèi)地磁場(chǎng)的范圍為27150～27180nT繪圖進(jìn)行對(duì)比，圖7為不同算法輸出電流校正結(jié)果對(duì)比．

按照此方法采用相同的步驟對(duì)來(lái)自不同生產(chǎn)批次的20個(gè)TMR電流傳感器輸出進(jìn)行校正，在0～10A范圍內(nèi)，以0.2A為步進(jìn)值，測(cè)試50組電流數(shù)據(jù)，記錄實(shí)時(shí)地磁場(chǎng)數(shù)據(jù)，輸入模型，計(jì)算MAPE和RMSE．輸出誤差評(píng)價(jià)指標(biāo)比較如圖8所示．

其中1號(hào)TMR電流傳感器采用改進(jìn)DBN補(bǔ)償溫漂與地磁場(chǎng)后平均絕對(duì)百分比誤差為0.4056%，相比于傳統(tǒng)DBN算法平均絕對(duì)百分比誤差0.8786%，減少了53.84%，相比于SVM算法平均絕對(duì)百分比誤差1.1195%，減小了63.70%，相比于BP算法平均絕對(duì)百分比誤差1.7321%，減少了76.58%；均方根誤差為0.0181A，相比于傳統(tǒng)DBN算法均方根誤差0.0300A，降低了39.67%，相比于SVM算法均方根誤差0.0446A降低了59.42%，相比于BP算法均方根誤差0.0704A，降低了74.29%．本文所提算法利用TMR電流傳感器的輸出先驗(yàn)數(shù)據(jù)結(jié)合信息熵剔除輸出異常電流數(shù)據(jù)，提高了DBN訓(xùn)練模型的可靠性．并且DBN算法具有強(qiáng)大的特征學(xué)習(xí)能力，能夠很好地解決TMR電流傳感器輸出的非線性問(wèn)題．因此本文算法能夠更好地對(duì)溫度以及地磁場(chǎng)進(jìn)行校正．

圖7?輸出電流校正結(jié)果對(duì)比

圖8?不同算法輸出的eMAPE和eRMSE

4?結(jié)?語(yǔ)

本文針對(duì)TMR電流傳感器在實(shí)際使用過(guò)程中易受溫度以及空間磁場(chǎng)干擾，提出了基于DBN-ADAM的TMR電流傳感器溫漂與地磁場(chǎng)校正方法．利用貝葉斯結(jié)合信息熵理論識(shí)別和剔除TMR電流傳感器異常輸出數(shù)據(jù)，將TMR電流傳感器輸出、溫度傳感器輸出以及地磁場(chǎng)數(shù)據(jù)作為樣本數(shù)據(jù)對(duì)DBN模型訓(xùn)練得到初始網(wǎng)絡(luò)參數(shù)，再利用ADAM算法優(yōu)化初始網(wǎng)絡(luò)參數(shù)，以更好地逼近真實(shí)電流值．相比于傳統(tǒng)DBN算法，該方法在傳感器精度提升應(yīng)用中具有更好的適應(yīng)性．

［1］ 楊?挺，翟?峰，趙英杰，等. 泛在電力物聯(lián)網(wǎng)釋義與研究展望[J]. 電力系統(tǒng)自動(dòng)化，2019，43(13)：9-20，53.

Yang Ting，Zhai Feng，Zhao Yingjie，et al. Interpretation and research prospects of ubiquitous power internet of things[J]. Automation of Electric Power Systems，2019，43(13)：9-20，53(in Chinese).

［2］ 楊?挺，趙黎媛，王成山. 人工智能在電力系統(tǒng)及綜合能源系統(tǒng)中的應(yīng)用綜述[J]. 電力系統(tǒng)自動(dòng)化，2019，43(1)：2-14.

Yang Ting，Zhao Liyuan，Wang Chengshan. Summary of application of artificial intelligence in power system and integrated energy system[J]. Automation of Electric Power Systems，2019，43(1)：2-14(in Chinese).

［3］ 余貽鑫. 面向21世紀(jì)的智能電網(wǎng)[J]. 天津大學(xué)學(xué)報(bào)：自然科學(xué)與工程技術(shù)版，2020，53(6)：551-556.

Yu Yixin. A brief description of the basics of the smart grid[J]. Journal of Tianjin University：Science and Technology，2020，53(6)：551-556(in Chinese).

［4］ 王?超，鄒?萍，崔自強(qiáng)，等. 基于TMR的磁導(dǎo)率EMT的傳感器陣列設(shè)計(jì)[J]. 天津大學(xué)學(xué)報(bào)：自然科學(xué)與工程技術(shù)版，2019，52(6)：559-567.

Wang Chao，Zou Ping，Cui Ziqiang，et al. Design of an EMT-TMR sensor array for the measurement of mag-netic permeability[J]. Journal of Tianjin University：Natural Science and Technology，2019，52(6)：559-567(in Chinese).

［5］ Sánchez Moreno J，Ramírez Mu?oz D，Cardoso S，et al. A non-invasive thermal drift compensation technique applied to a spin valve magnetoresistive current sen-sor[J]. Sensors，2011，11(3)：2447-2458.

［6］ Di Rienzo L，Bazzocchi R，Manara A. Circular arrays of magnetic sensors for current measurement[J]. IEEE Transactions on Instrumentation & Measurement，2001，50(5)：1093-1096.

［7］ 孫詩(shī)晴，初鳳紅. 基于優(yōu)化神經(jīng)網(wǎng)絡(luò)算法的光纖布拉格光柵電流傳感器的溫度補(bǔ)償[J]. 光學(xué)學(xué)報(bào)，2017，37(10)：61-67.

Sun Shiqing，Chu Fenghong. Temperature compensation of fiber Bragg grating current sensor based on optimized neural network algorithm[J]. Acta Optica Sinica，2017，37(10)：61-67(in Chinese).

［8］ 李?鵬，袁智勇，田?兵. 基于隧道磁電阻的微型電流測(cè)量技術(shù)[J]. 南方電網(wǎng)技術(shù)，2019，13(4)：2-10.

Li Peng，Yuan Zhiyong，Tian Bing. Miniature current measurement technology based on tunnel magnetoresis-tance[J]. Southern Power System Technology，2019，13(4)：2-10(in Chinese).

［9］ 魯文帥，尤?睿，周?揚(yáng)，等. 基于單片TMR磁傳感器的非侵入電流監(jiān)測(cè)微系統(tǒng)[J]. 儀器儀表學(xué)報(bào)，2020，41(6)：1-9.

Lu Wenshuai，You Rui，Zhou Yang，et al. Non-invasive current monitoring microsystem based on a sin-gle TMR sensor[J]. Chinese Journal of Scientific In-strument，2020，41(6)：1-9(in Chinese).

［10］ Zhang Jikai，Yang Yun，Kang Yihua，et al. TMR sen-sor and its application in electromagnetic detection[J]. Nondestructive Testing，2016，9(12)：36-39.

［11］ Kumar M，Garg D，Zachery R，et al. Stochastic adap-tive sensor modeling and data fusion[J]. Proc Spie，2006，61(5)：246-251.

［12］ Kuremoto T，Kimura S，Kobayashi K，et al. Time series forecasting using a deep belief network with re-stricted Boltzmann machines[J]. Neurocomputing，2014，137(2)：47-56.

Correction Method for Temperature Drift and Geomagnetic Field of TMR Current Sensor Based on Improved Deep Belief Network

Yang Ting1，Zhang Zhuofan1，Liu Yachuang1，Wang Lei2

(1. School of Electrical and Information Engineering，Tianjin University，Tianjin 300072，China；2. Electric Power Research Institute of Henan Electric Power Company of State Grid，Zhengzhou 450052，China)

Accurate current measurement is an essential prerequisite for lean power grid operation. The high-sensitivity and high-precision TMR current sensor has effectively enhanced the current measurement capability. Simultaneously，the influence of temperature drift and space geomagnetic field in the measurement process of TMR current sensor needs to be considered. To solve this problem，a correction method for temperature drift and geomagnetic field of TMR current sensor based on improved deep belief network is proposed. First，for the abnormal output data of the TMR current sensor because of strong magnetic field interference or failure，Bayesian combined with information entropy theory is used to identify and eliminate；second，the improved deep belief network is used to reconstruct the mapping relationship between the spatial geomagnetic field，temperature，and the measurement output of the TMR current sensor；finally，the calibration experiment and error analysis of the developed TMR current sensor are conducted. The experimental results show that within the temperature range of－40—80℃，the temperature drift coefficient after algorithm compensation is reduced from 900×10-6/℃ to 32.33×10-6/℃. The sensitivity of the TMR current sensor to the geomagnetic field is significantly reduced，the average absolute percentage error is reduced from 2.1530% to 0.4109%，and the root mean square error is reduced from 0.1048A to 0.0200A.

tunnel magnetoresistance(TMR)current sensor；deep belief network；ADAM；temperature drift；geomagnetic field

TP391.9

A

0493-2137(2021)08-0875-06

10.11784/tdxbz202009089

2020-09-29；

2020-12-03.

楊?挺（1979—??），男，博士，教授.

楊?挺，yangting@tju.edu.cn.

國(guó)家自然科學(xué)基金資助項(xiàng)目(61971305)；國(guó)家電網(wǎng)有限公司總部科技資助項(xiàng)目(SGHADK00PJJS2000026).

Supported by the National Natural Science Foundation of China(No.61971305)，the State Grid Science and Technology Project(No.SGHA-DK00PJJS2000026).

(責(zé)任編輯：孫立華)