基于改进深度信念网络的TMR电流传感器温漂与地磁场校正方法

杨 挺，张卓凡，刘亚闯，王 磊

基于改进深度信念网络的TMR电流传感器温漂与地磁场校正方法

杨 挺1，张卓凡1，刘亚闯1，王 磊2

(1. 天津大学电气自动化与信息工程学院，天津 300072；2. 国网河南省电力公司电力科学研究院，郑州 450052)

精确电流值的测量是电网精益化运行决策的重要前提，高灵敏度、高精度TMR电流传感器的提出有效提升了电流测量能力．与此同时需要重点考虑温度漂移以及空间地磁场在TMR电流传感器测量过程中的影响．针对该问题，本文提出了基于改进深度信念网络的TMR电流传感器温漂与地磁场校正方法．首先，针对TMR电流传感器由于受到强磁场干扰或故障下的异常输出数据，利用贝叶斯结合信息熵理论识别并剔除；其次，使用改进深度信念网络重构空间地磁场、温度与TMR电流传感器测量输出的映射关系；最后，本文对所研发的TMR电流传感器进行了标定实验和误差分析．实验结果表明，在－40～80℃的温度变化范围内，算法补偿后的温度漂移系数由900×10-6/℃降至32.33×10-6/℃．TMR电流传感器对地磁场的敏感程度明显降低，平均绝对百分比误差由2.1530%降低到0.4109%，均方根误差由0.1048A降低为0.0200A．

TMR电流传感器；深度信念网络；ADAM；温度漂移；地磁场

先进的传感和测量技术是智能电网的核心支撑技术之一[1]．然而，传统的电流传感器存在易饱和、精度低和温漂大等缺点[2]，难以适应智能电网运行、维护和计量的高精度新需求[3]．针对这些问题，学者们从硬件电路设计到软件数据校正等方面加以克服或弥补各类电流传感器的缺陷[4]．文献[5]提出了一种磁阻惠斯通电桥电流传感器温度漂移的补偿方法，通过将钌材料温度传感器与磁阻传感器集成在通用阻抗变换电路中对温度进行补偿．文献[6]利用8个霍耳电流传感器构成圆形阵列对单相电流进行测量，降低了外界磁场对电流传感器的影响．文献[7]利用BP神经网络的非线性信息处理能力分离温度对光纤电流传感器的影响，从而提高传感器的稳定性．

相较于传统的电流传感器，基于隧道磁电阻效应(tunnel magnetoresistance，TMR)效应的电流传感器具有高灵敏度、体积小等优势．然而，TMR电流传感器中大的磁隧穿结面积在提高其灵敏度的同时，不可避免地形成了严重的温度漂移问题．已有研究表明，TMR电流传感器的温度漂移系数高达1000×10-6/℃[8].同样TMR电流传感器的高灵敏度也造成了其敏感于外部空间磁场．由中科院地质与地球物理研究所公开数据显示，我国不同地区的地磁场可达到20000～50000nT．虽然当前有少数研究通过增加辅助硬件电路来校正温漂和空间磁场干扰，如设计多点限位结构以及增加外部屏蔽涂层以降低环境磁场对TMR电流传感器的影响[9]．但其硬件电路结构较为复杂，且参数设置不灵活，难以应对多样的应用场景.

为克服测量过程中温度以及空间地磁场的影响，更好地提高TMR电流传感器的测量精度，本文提出了一种基于改进深度信念网络(deep believe nets，DBN)的TMR电流传感器温漂与地磁场校正方法.基本思想是通过贝叶斯与信息熵的结合剔除观测过程中的异常值；对DBN网络参数进行训练，得到温度场、地磁场及电流值为输入向量与校正后高精度电流测量输出的映射关系；利用ADAM算法优化DBN的网络参数，实现对TMR传感器输出值的校正，以更好地逼近真实电流值．

1 异常电流数据剔除

设测量值为z，并设标志位w＝1表示第个TMR电流传感器观测数据为异常数据，w＝0表示非异常观测数据，可得传感器的测量值为非异常观测的概率密度为

式中传感器第次测量数据为非异常值的概率为(w＝0)，可以根据实验得到．

求得后验概率后，引入信息熵的概念将异常电流数据剔除．当有异常电流数据出现时，其信息熵将增加．变量的信息熵计算公式为

第次计算的熵增量为

2 基于改进DBN的TMR电流传感器温漂与地磁场校正方法

采用改进DBN用以提高TMR电流传感器的精度，其优势在于DBN具有强大的特征学习能力．但传统DBN在其微调过程中采用梯度下降法，易造成局部最优收敛．本文通过ADAM优化算法对网络参数进行微调，得到温度及地磁场影响下的最优参数．

2.1 基于DBN的温漂与地磁场校正模型

基于DBN的TMR电流传感器温漂与地磁场校正模型如图2所示，模型包括输入层(温度传感器输出数据集1、空间地磁场数据集2、TMR电流传感器历史输出数据3)、输出层(电流修正输出值)以及个隐藏层构成．其中，为隐藏层的偏置，为隐藏层与隐藏层-1之间的连接权重．

图2 TMR电流传感器温漂与地磁场校正模型

2.2 基于DBN方法的无监督训练阶段和微调

采用ADAM算法对其进行微调，只需要少量调参，就能具有更好的参数调整性能．更新后的TMR电流传感器温漂与地磁场校正模型网络参数为

基于改进DBN的TMR电流传感器温漂与地磁场校正方法的具体流程如图3所示．

图3 算法流程

3 实验测试与算法性能分析应用

3.1 实验数据获取以及评价指标

本文实验样本数据采集来自相同型号不同批次的TMR电流传感器(ESG05AB)实际测量数据，温度数据由粘贴在TMR芯片的温度传感器获得；空间磁场数据来源于中科院空间地磁环境研究室的天津地区实时地磁监测数据．使用高性能屏蔽筒创造屏蔽环境，在屏蔽筒内部使用高精度电流源加亥姆赫兹线圈创造与地磁场相同的地磁环境．将TMR电流传感器置于屏蔽筒的几何中心然后安置在125TCF恒温箱中，恒温箱后端留有R485数据接口，用PC机接收传感器输出数据．温度设置范围为-40～80℃，温度步长为1℃，待温度稳定后，在每个标定温度下，利用4500CS电流源以0.2A为步长设置输出电流从0A变化到10A，调节高精度电流源驱动亥姆赫兹线圈产生与地磁场等值的磁场，记录传感器的输出与地磁场数据，得到6000组测量数据．

针对异常电流数据，可以将其分为偏离型数据以及缺失型数据．利用第1节的方法对其进行处理，图4给出不同类型异常电流数据算法处理前后对比．

图4 异常数据处理前后波形对比

本文采用平均绝对百分比误差MAPE以及均方根误差RMSE作为评价模型准确性的指标．误差计算公式分别为

3.2 DBN参数设置

综合考虑模型的校正效果以及训练时间，参数设置RBM学习率0.01，RBM训练批次为300，RBM训练次数为200，输出层单元数为1．为了获得更小的电流测量误差，采用遍历法确定DBN的隐藏层数为3，每层最佳单元为22、25和13．选择前5762个样本最为DBN的训练集，后238个样本作为测试集.

3.3 TMR电流传感器输出校正实验

1) 温度漂移的校正

利用第3.1节搭建的测试环境，断开亥姆赫兹线圈驱动电源，在恒温箱内改变测试环境标定温度-40～80℃，步长10℃，在每个温度场下，以0.2A为步进值测量50组电流数据以及温度数据输入训练完成的网络模型，图5为温漂校正前后误差比较．

图5 温漂校正前后误差比较

2) 对不同地磁场环境的校正

为验证本算法能够有效降低空间地磁场对输出误差影响，在此给出电流范围为0～10A，频率为50Hz的电流地磁场补偿结果．室温25℃条件下持续测量标定电流值．图6为不同电流条件下算法对空间地磁场的补偿结果．

图6 空间地磁场补偿结果

从图6中可以看出，在室温25℃条件下，未用本算法进行处理时，该波形由于受到空间地磁场噪声的影响，测量结果受地磁场影响较大．采用本算法校正后，测量值与实际值的绝对误差大幅下降，波动较小，平均绝对百分比误差MAPE由2.1530%降低到0.4109%，均方根误差RMSE由0.1048A降低为0.0200A，输出质量有了明显的提升．

3) 精度提升验证

最后，分别选用BP神经网络、支持向量机、DBN方法以及本文所提改进DBN算法，以TMR电流传感器在不同温度、地磁场环境下实际测量电流数据作为样本集合对网络进行训练．从测试集里选取在45℃的高温环境下对幅值为10A的电流测量数据，测量时间范围内地磁场的范围为27150～27180nT绘图进行对比，图7为不同算法输出电流校正结果对比．

按照此方法采用相同的步骤对来自不同生产批次的20个TMR电流传感器输出进行校正，在0～10A范围内，以0.2A为步进值，测试50组电流数据，记录实时地磁场数据，输入模型，计算MAPE和RMSE．输出误差评价指标比较如图8所示．

其中1号TMR电流传感器采用改进DBN补偿温漂与地磁场后平均绝对百分比误差为0.4056%，相比于传统DBN算法平均绝对百分比误差0.8786%，减少了53.84%，相比于SVM算法平均绝对百分比误差1.1195%，减小了63.70%，相比于BP算法平均绝对百分比误差1.7321%，减少了76.58%；均方根误差为0.0181A，相比于传统DBN算法均方根误差0.0300A，降低了39.67%，相比于SVM算法均方根误差0.0446A降低了59.42%，相比于BP算法均方根误差0.0704A，降低了74.29%．本文所提算法利用TMR电流传感器的输出先验数据结合信息熵剔除输出异常电流数据，提高了DBN训练模型的可靠性．并且DBN算法具有强大的特征学习能力，能够很好地解决TMR电流传感器输出的非线性问题．因此本文算法能够更好地对温度以及地磁场进行校正．

图7 输出电流校正结果对比

图8 不同算法输出的eMAPE和eRMSE

4 结 语

本文针对TMR电流传感器在实际使用过程中易受温度以及空间磁场干扰，提出了基于DBN-ADAM的TMR电流传感器温漂与地磁场校正方法．利用贝叶斯结合信息熵理论识别和剔除TMR电流传感器异常输出数据，将TMR电流传感器输出、温度传感器输出以及地磁场数据作为样本数据对DBN模型训练得到初始网络参数，再利用ADAM算法优化初始网络参数，以更好地逼近真实电流值．相比于传统DBN算法，该方法在传感器精度提升应用中具有更好的适应性．

［1］ 杨 挺，翟 峰，赵英杰，等. 泛在电力物联网释义与研究展望[J]. 电力系统自动化，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］ 杨 挺，赵黎媛，王成山. 人工智能在电力系统及综合能源系统中的应用综述[J]. 电力系统自动化，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］ 余贻鑫. 面向21世纪的智能电网[J]. 天津大学学报：自然科学与工程技术版，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，邹 萍，崔自强，等. 基于TMR的磁导率EMT的传感器阵列设计[J]. 天津大学学报：自然科学与工程技术版，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 Muñoz 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］ 孙诗晴，初凤红. 基于优化神经网络算法的光纤布拉格光栅电流传感器的温度补偿[J]. 光学学报，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 鹏，袁智勇，田 兵. 基于隧道磁电阻的微型电流测量技术[J]. 南方电网技术，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］ 鲁文帅，尤 睿，周 扬，等. 基于单片TMR磁传感器的非侵入电流监测微系统[J]. 仪器仪表学报，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.

杨 挺（1979—  ），男，博士，教授.

杨 挺，yangting@tju.edu.cn.

国家自然科学基金资助项目(61971305)；国家电网有限公司总部科技资助项目(SGHADK00PJJS2000026).

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

(责任编辑：孙立华)