具体实施方式

实施例1：一种智能互感器，包括：电流检测模块1，温度检测模块2，数据存储模块3，远程通信模块4，智能诊断模块5，智能终端6；

所述电流检测模块1用于对导线电流的检测，电流检测模块可采用贴片式热敏电阻传感器，8个贴片式热敏电阻传感器平均张贴于互感器的内圈和外圈；

8个贴片式热敏电阻传感器还构成惠斯通桥检测各点温度同时检测电缆与环境温度的差值，采用高分辨率模数转换芯片将电流信号转换为数字信号用于数据存储，远程通信及智能诊断。

所述温度检测模块2采用热敏电阻传感器，在互感器不同位置安装热敏电阻实现对互感器本身温度的检测，采用高分辨率模数转换芯片将电流信号转换为数字信号用于数据存储，远程通信及智能诊断。

所述数据存储模块3为数据存储器(例如：SD卡、移动硬盘、U盘)，其能够对采集信息进行存储，例如：存储互感器的运行电流，温度及智能诊断识别的异常波动，数据存储器可以选择容量可选的可插拔式，用于存储数据防止通信中断或信号干扰造成检测数据的丢失和失真，通信恢复后可重新读取，亦可人工取出拷贝数据。

所述远程通信模块4采用常见的设备，例如：wifi、CDMA等方式，即采用常见的现场通信协议以及自由协议，通过拨码开关进行协议选择，适配市场常见组件的要求，通过通信网络将采集到的数据传输至智能终端；自由协议支持用户自己定义使用的通信协议，达到数据传输安全加密。

所述智能诊断模块5读取数据存储模块3的数据，用于对互感器的状态进行诊断。具体而言，在智能诊断模块5中包含有互感器模型；通过对现有互感器的制造参数及运行数据建立数学模型，通过人工智能算法对互感器模型进行学习训练，构建出一个普遍使用的机器学习模型，同时采用数据迭代的算法，在设备运行中，故障诊断的同时对机器学习模型进行迭代优化，不断提高故障诊断的准确性。

智能诊断模块5可以采用数字处理芯片，其能够对采集到的电流及温度信息进行获取，储存，远程通信及智能诊断，同时采用金属网罩构成屏蔽罩，防止强磁场情况下的数字芯片电磁干扰。

对于智能诊断模块5的数学模型：通过对现有互感器的制造参数及运行数据建立数学模型，通过人工智能算法对互感器模型进行学习训练，构建出一个普遍使用的机器学习模型，同时采用数据迭代的算法，在设备运行中，故障诊断的同时对机器学习模型进行迭代优化，不断提高故障诊断的准确性；

所述数学模型的建立，通过对现有普通互感器生产过程中的材料参数进行采集分析，包括：硅钢片的厚度、尺寸、磁导率、比热容、夹层间隙，定形树脂的磁导率，比热容，传热系数，膨胀率；通过普通互感器的材料参数以及在运行检测实验中的电流，温度参数进行分析确定互感器的材料与温度、电流变化之间的数学模型。

对于上述机器学习模型，主要采用BP神经网络算法和ART神经网络，通过对随机抽样行程的训练集进行模型训练，构建出一种对新数据泛化能力强的机器学习模型。

通过普通传感器进行运行实验获得m组不同运行状态下的参数记为数据集D，每组参数由X₁～X_i组成，记为向量X，运行状态由y₁～y_j组成(运行状态可手动划分出j种状态，亦可通过无监督学习进行j分类学习)，记为向量Y，对互感器的运行状态判断就转换为一个具有 i个特征参量的j分类任务：

第一，使用自助采样法对实验获得的数据进行采样，划分出训练集和测试集：具体的，给定包含m个样本的数据集D，我们对它进行采样产生数据集D'：每次随机从D中挑选一个样本将其拷贝放入D'中，然后再将该样本放回初始数据集D中，使得该样本在下次采样时仍有可能被采到；这个过程重复执行m次后就得到了包含m个样本的数据集D'，这就是自助采样的结果。显然，D中有一部分样本会在D'中多次出现，而另一部分样本不出现。可以做一个简单的估计，样本在m次采样中始终不被采到的概率是(1-1/m)^m，m在无穷大时，(1-1/m)^m＝1/e，D'及为机器学习模型的训练集，为测试集；

第二，采用BP神经网络算法，由两层神经元构成多层前馈神经网络。具体的，给定训练集D＝{X,Y}，即输入样本由i个特征属性描述，输出j维实值向量。为方便讨论，如图3给出了一个拥有i个输入神经元，j个输出神经元，q个隐层神经元的多层前馈网络结构，其中输出层第d个神经元的阈值用θ_d表示，隐层第h个神经元的阈值用μ_h表示，输出层第d个神经元与隐层第h个神经元之间的连接权重为ω_hd，隐层第h个神经元与输入层第t个神经元之间的连接权重为Y_th。记隐层第h个神经元接收到的输入输出层第d个神经元接收到的输入

第三，隐层与输出层的阈值控制函数均使用函数Sigmoid(x)(如图4)，则隐层神经元输出 b_h＝Sigmoid(α_h-β_h)，输出层神经元输出y_d＝Sigmoid(β_d-θ_d)。对训练例(X_K,Y_K)，假定神经网络的输出为即y_x＝Sigmoid(β_d-θ_d)，则神经网络在(X_K,Y_K)上的均方误差为整个神经网络中有(i+j+1)×q+j个参数需要确定：输入层到隐层 i×q个权值，隐层到输出层q×j个权值，q个隐层神经元阈值，j个输出神经元阈值。

第四，BP是一个迭代学习算法，在迭代的每一轮中采用广义的感知机学习规则对参数进行更新估计。任意参数的δ的估计更新形式为δ←δ+Δδ。通过BP算法在训练集上经过规定的迭代次数确定神经网络中的(i+j+1)×q+j个参数获得机器学习模型F(x)，通过测试集验证学习模型的各项性能指标，若学习模型达标则确定学习模型，若存在性能指标不达标则增加迭代次数，直至性能达标。

第五，下面给出BP算法的工作流程图(如图5)，对每个训练样例，BP算法执行以下操作: 先将输入示例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果；然后计算输出层的误差，再将误差逆向传播至隐层神经，最后根据隐层神经元的误差来别连接权和阈值进行调整。该迭代过程循环进行，直到达到某些停止条件为止，例如训练误差己达到一个很小的值。

输入：训练集D＝{X，Y}；X＝[X₁，X₂，…,X_K]],Y＝[Y₁，Y₂，...,Y_K]

学习率η

BP算法工作流程如下：

输出：连接权与阈值确定的多层前馈神经网络F(x)

将通过在普通互感器数据集上训练得到的神经网络机器模型F(x)移植到智能互感器上。将F(x)作为ART(自适应谐振理论)神经网络的隐层，在智能互感器运行时，在状态判别的同时进行无监督增量学习或在线学习。

对于ART神经网络，其构造方式如下：

第一，ART由两层神经元构成两个子系统：比较层C、识别层R；另外还有三种控制信号复位信号RESET、逻辑控制信号G1和G2(如图5)。

第二，比较层C有n个节点，每个节点接受来自3个方面的信号：一个是来自外界的输入信号x_i，另一个是来自R层获胜神经元的外向向量T_j的返回信号t_ij，还有一个来自G1的控制信号。C层节点的输出是根据2/3的“多数表决”原则产生的，即输出值c_i与x_i、t_ij、G1 3个信号中的多数信号值相同。网络开始运行时，G1＝1，识别层尚未产生竞争获胜神经元，因此反馈回送信号为0，由2/3规则知，C层输出应由输入信号决定，有C＝X。当识别层出现反馈回送信号与反馈信号的比较信号，x_i＝t_ij，则c_i＝x_i，否则c_i＝0。可以看出，控制信号G1的作用是比较层能够区分网络运行的不同阶段，网络开始运行阶段G1的作用是使C层对输入信号直接输出，之后G1的作用是使C层行使比较功能，此时c_i为对x_i和t_ij的比较信号，两者为1时c_i为1，否则为0。可以看出，从R层返回的信号l_ij对C层的输出有调节作用。

第三，识别层R由前述的多层前馈神经网络构成。有m个节点，用以表示m个输入模式类， m可动态增长，以设立新的模式类。由C层向上连接到R第j个节点的内权重向量用 B_j＝(b_1j，b_2j，......b_nj)表示。C层的输出向量C沿m个内权重向量E_j(j＝1，2，…，m)向前传送，到达R层各个神经元节点后经过竞争再产生获胜节点j，指示本次输入模式的所属类别。获胜节点输出r_j＝1，其余节点输出为0。R层的每个神经元都对应两个权向量：一个是将C层前馈信号汇聚到R层的内权重向量B_j；另一个是将R层反馈信号散发到C层的外权重向量T_j，该向量为对应与R层各模式类节点的典型向量。

第四，控制信号G1，G2，Reset的作用分别为：G1设输入模式X个元素的逻辑或为X0，R 个元素的逻辑或非为R0，则G1＝X0R0，即只有在R层输出向量R全为0，而输入X不全为0时，G1＝1，其他情况下G1＝0；信号G2检测输入模式X是否为0，它等于X个分量的逻辑或，如果x_i(i＝1，2，…,n)全为0，则G2＝0，否则G2＝1；Reset信号的作用时时R层竞争获胜神经元无效，如果根据某种预先设定的测量标准，T_j与X未达到预先设定的相似度ρ，表明两者未充分接近，于是系统发出Reset信号使获胜神经元无效。

第五，输入层负责接收外界信息并将输入样本向竞争层传递，起观察作用，竞争层负责分析比较，按照已知的训练模型进行分析，正确归类，若分析所得的结果在已知模型中不存在，则自动创建一个新的类别。控制信号负责对各层分析结果的相似度ρ进行控制，若结果未达到预设的相似度ρ，则重新分析。

第六，下面给出ART计算模型运行的流程如下：

输入：输入样本：X＝[x₁，...，x_i，...，x_n]

参考门限：相似度ρ

过程：

输出：竞争正确的R_j输入：训练集D＝{X，Y}；X＝[X₁，X₂，...,X_K],Y＝[Y₁，Y₂，...,Y_K]

学习率n

过程：

输出：连接权与阈值确定的多层前馈神经网络F(x)

具体而言，网络运行时接受来自环境的输入样本，并检验输入样本与R层所有类别之间的匹配程度，对于匹配程度最高的样本，网络要继续考察该样本的典型向量与当前输入模式的相似程度。相似程度按照预先设计的参考门限来考察，可能出现的情况无非两种：

(1)、如果相似度超过参考门限，选该模式类作为当前输入模式的代表类。权值调整规则是，相似度超过参考门限的模式类调整其相应的内外权重向量，以使其以后遇到与当前输入模式接近的样本时能得到更大的相似度，对其他权值向量则不作任何变动。

(2)、如果相似度不超过门限值，则对R层匹配程度次高的模式类逬行相似程度考察，若超过参考门限网络的运行回到情况1，否则仍然回到情况2。可以想到，运行反复回到情况2 意味着最终所有的模式类与当前输入模式的相似度都没有超过参考门限，此时需在网络输出端设立一个代表新模式类的节点，用以代表及存储该模式，以便于参加以后的匹配过程。

网络对所接收的每新输入样本，都逬行上面的运行过程。对于每一个输入，模式网络运行过程可归纳为三个阶段，分别为识别阶段、比较阶段、搜索阶段。

(1)识别阶段

在网络没有输入模式之前，网络处于等待状态。此时，输入X＝0，并置控制信号G2＝0。所以，R层单元输出全是0，在竞争中有同等的获胜机会。当网络输入不全为0时，置G2＝1。信息自下而上流动，G1＝G2R0＝1,，由2/3规则可知，此时C层输出C＝X，且C向上馈送，与向上权向量B逬行作用，产生向量T，T向上送入R层，使R层内部开始竞争。假设获胜节点为j，则R层输Rj＝1，而其他节点输出为0。

(2)比较阶段

R层输出信息自上而下返回C层，Rj＝1使R层j节点所连接的自上而下的Tj被激活，并向下返回C层。

此时，R层输出不为全0，并且G1＝0，所以，C层下一次输出C’取决于由R层自上而下的权向量Tj及网络的输入模式X。

用事先指定的门限对相似度逬行测试，若C’给出了足够相似的信息，则表示竞争正确，反之，则表示竞争结果不符合要求，就发Reset信号以置上次获胜的节点无效，并使其在本此模式的匹配过程中不能再获胜。然后进入搜索阶段。

(3)搜索阶段

由Reset信号置获胜阶段无效开始，网络逬入搜索阶段，此时R为全0，G1＝1，在C层输出端又得到了本次的输入模式X。因此，网络又逬入识别及比较阶段，得到新的获胜节点(以前的获胜节点不参加竞争)。这样重复直至搜索到某一个获胜节点K，它与输入向量X充分匹配达到满足的要求为止，模式X编制到R层K节点所连的模式类别中，即按一定方法修改点的自下而上和自上而下的权向量，使网络以后再遇到X或与若搜索了所有的R层输出节点而没有发现有与X充分接近的模式，则增设一个R层节点以表示X或与X相近的模式。

若参考门限大于ρ成立，则接受j为获胜节点，修改R层节点自下而上及自上而下的权向量，使其以后对于X相似的输入更容易获得，且具有更高的相似性恢复由Reset信号抑制的R层节点，转到比较阶段以迎接下一次的输入。否则发出Reset信号，置j为0(不允许其参加竞争)，开始搜索阶段。

下面给出智能互感器的研究流程：

1、以某厂生产的互感器为例，其参数如下表1所示，对同一产线上的互感器抽样，进行普通互感器的型式试验。通过对试验数据的综合分析获得互感器的数学模型T_j[t]＝f(X_i)。以电阻测量和误差测量试验为例，统计数据如表2所示，对表2中的数据进行分析得到互感器电阻与二次电流和温度之间的关系为：

R＝(0.053592T|12.5676)×e^(I-1) (1)

相位差与复合误差之间的关系为：

y＝2.8222x⁶ 34.685x⁴|164.53x³ 385.75x²|446.73x 204.13 (2)

复合误差与偏差之间的和关系为：

y＝8128.2x⁴ 5171.3x³|1201.2x² 122.62x|4.5483 (3)

负载与电流比值差的关系为：

y＝0.04741n(x) 0.666 (4)

负载与电流相位差的关系为：

y＝2.3215x 0.485 (5)

电流与端子电压的关系：

y＝271.53ln(x)| 1223.8 (6)

通过式1-6可以组成互感器型式数据的数学模型T_j[l]-∫(X_i)，这样我们就可以通过实时检测到的温度和电流值获得互感器器的完整参数模型。

表1

2、通过采集到普通互感器正常运行时电流、温度、运行状态分类等数据，结合数学模型获得多指标参数的数据集。如表4所示，通过随机采样法将数据集分为训练集和测试集(灰色背景部分数据为训练集)，通过BP算法获取神经网络各层的权值及层与层之间的连接权重，确定前馈神经网络。确定的前馈神经网络由10个神经元构成输入层，10个神经元构成隐层， 2个输出构成输出层，表5给出了神经网络训练过程中前10次的百分比误差率及输入层，表6给出了输出层权重。

表2

表3

表4

表5输入层权重

3、将该网络作为一个ART神经网络的R层部署到智能互感器中。将智能互感器应用于实际电路中：智能互感器将采集的电流参数及本身的温度，作为样本采用ART神经网络进行分析，得到互感器此时的工作状态和寿命老化情况，若在原有的样本库中存在分析结果则在权重参数迭代后直接将采集参数和样本存入存储器后通过通信输出，若在原有样本库中不存在分析结果，则在样本库中新增此分析结果，并对权重参数进行迭代后将采集参数和样本存入存储器后通过通信输出，新的样本库将用于对新采集样本的智能分析。如果分析结果显示互感器存在带病运行或寿命预期较短可优先通过通信总线发送警告或报警信息。例如，测得此时的平均温度和电流为[21.0559,0.0133],通过数学模型获得全参数样本[21.0559,0.0133,5.1059,750.7928,0.0679,0.4527,-0.193,3.4095,0.2123,-0.1725],经ART计算模型模型运算后给出结果[0,0.9],说明互感器正常工作，预计剩余0.9个全寿命周期；测得此时的平均温度和电流为[25.3549,0.9736],通过数学模型获得全参数样本[25.3549,0.9736,13.5636,1916.5353,13.2055,88.0366,0.0547,0.2646,0.21230.1725],经ART计算模型模型运算后给出结果[2,0.2],说明互感器超载工作，预计剩余0.2个全寿命周期。

表6输出层权重

以上所举实施例为本发明的较佳实施方式，仅用来方便说明本发明，并非对本发明作任何形式上的限制，任何所属技术领域中具有通常知识者，若在不脱离本发明所提技术特征的范围内，利用本发明所揭示技术内容所作出局部更动或修饰的等效实施例，并且未脱离本发明的技术特征内容，均仍属于本发明技术特征的范围内。