一种基于单轴TMR传感信号深度学习的电流计算方法及系统

技术领域

本发明涉及电信号测量技术领域，尤其涉及一种基于单轴TMR传感信号深度学习的电流计算方法及系统。

背景技术

近年来，随着智能电网和能源互联网的迅速发展，负荷控制、能效监测等业务不断涌现，使得量测点呈现分布式及泛在化特点，对相关电气量测量技术提出了更高的要求。作为智能电网和能源互联网的关键技术，电流测量技术关系着智能电网和能源互联网的稳定运行。

在传统电力系统的电流监测中，常用的电流测量方法主要依靠电流互感器完成，尽管电流互感器具有高低压隔离及输出稳定的优势，但其存在功能单一、体积大、暂态响应范围小、铁芯易饱和等问题，已经逐渐不能迎合智能电网的发展。而基于磁阻效应的TMR电流传感器，因其灵敏度高、可靠性高、体积小以及频带宽等优点，已逐渐在各类电流测量业务中崭露头角，与之相关的传感器技术以及测量技术也在不断发展。

然而，无论是在基于TMR电流传感器的电流测量中，还是在其他类型的电流传感器的电流测量过程中，无一例外都面临着导线偏心及倾斜所带来的误差。为减小甚至消除导线偏心及倾斜所导致的测量误差，大量研究人员进行了相关研究。然而，绝大多数研究都是基于导线垂直于测量平面的情况，即只考虑到导线的偏心因素，而未考虑导线倾斜的情况，如中国专利CN 113049873A公开的电流传感器、电流测量设备、系统、装置和存储介质。

在传统的电流测量之中，常常依靠优化算法进行电流求解，比较依赖初始值的选取，而且计算量大，精度浮动较大。而深度学习的引入则可以在保证精度较为稳定的情况下，大大减小计算量。然而，目前利用深度学习进行相关电流计算的研究，仍受制于训练数据获取较难，只局限于导线垂直于测量平面的情况，难以克服导线偏心和倾斜所导致的误差。如中国专利CN 113609750 A公开的基于磁场传感信号机器学习的电流计算方法，只是基于导线垂直于测量平面的情况进行电流计算。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于单轴TMR传感信号深度学习的电流计算方法及系统，能够解决背景技术中提到的问题。

为解决上述技术问题，本发明提供如下技术方案，一种基于单轴TMR传感信号深度学习的电流计算方法，包括：

根据长直导线偏心和倾斜情况下运行工况参数，建立磁场模型，所述磁场模型包括长直导线和环形传感器阵列测量系统；

根据环形传感器阵列相对长直导线的偏移和旋转参数，结合所述磁场模型，获取长直导线任意偏心、倾斜情况下的磁场样本数据；

根据所述磁场样本数据建立电流和环形传感器阵列测量系统的偏转数据与各单轴TMR芯片的磁感应强度的关系式；

构建DNN神经网络模型并采用所述磁场样本数据进行训练，得到训练后的DNN神经网络模型，并结合所述关系式确定长直导线的电流计算值。

作为本发明所述的基于单轴TMR传感信号深度学习的电流计算方法的一种优选方案，其中：所述环形传感器阵列测量系统包括四个单轴TMR芯片，单轴芯片TMR1、TMR2、TMR3和TMR4分别位于环形传感器阵列各四分点处，各单轴TMR芯片的磁敏感方向以同一时针方向相切于所述环形传感器阵列，所述长直导线布置在环形传感器阵列的原点，所述磁场模型用于获取长直导线任意偏心、倾斜情况下的数据，以环形传感器阵列测量系统相对长直导线的偏移和旋转来等效替代长直导线的偏心和倾斜。

作为本发明所述的基于单轴TMR传感信号深度学习的电流计算方法的一种优选方案，其中：所述磁场样本数据包括，

以环形传感器阵列中心为原点，环形所在面为XOY面，建立空间直角坐标系；

将环形传感器阵列测量系统沿X轴正方向偏移距离R0；

将偏移后的环形传感器阵列测量系统以其中心为原点绕Z轴旋转角度theta；

将绕Z轴旋转后的环形传感器阵列测量系统以其中心为原点绕X轴旋转角度phi；

四个单轴TMR芯片所感应到的磁感应强度。

作为本发明所述的基于单轴TMR传感信号深度学习的电流计算方法的一种优选方案，其中：所述关系式包括，

采用矢量运算确定长直导线的电流I、环形阵列的半径R、环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta、环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi和四个单轴TMR芯片感应到的磁感应强度B1、B2、B3和B4之间的关系式：

其中，μ

作为本发明所述的基于单轴TMR传感信号深度学习的电流计算方法的一种优选方案，其中：所述关系式还包括，

f(R0

→(B1

其中，j为第j组样本数据的编号，N为所获取的样本数据的组数。

作为本发明所述的基于单轴TMR传感信号深度学习的电流计算方法的一种优选方案，其中：所述构建DNN神经网络模型并采用所述磁场样本数据进行训练，得到训练后的DNN神经网络模型包括，

采用MinMaxScaler归一化方法，将所述磁感应强度和环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi进行相应的归一化处理；

利用K折交叉验证方法，将归一化后的样本数据划分为训练集和测试集，所述测试集和训练集均以所述四个单轴TMR芯片所感应到的磁感应强度为DNN神经网络模型的输入，以环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi为DNN神经网络模型的输出。

作为本发明所述的基于单轴TMR传感信号深度学习的电流计算方法的一种优选方案，其中：所述确定长直导线的电流计算值包括，

各电流值的表达式如下：

其中，四个单轴TMR芯片感应到的磁感应强度B1、B2、B3和B4所对应的四个电流值I1、I2、I3和I4，I

一种基于单轴TMR传感信号深度学习的电流计算系统，其特征在于：包括模型建立模块、数据获取模块、逻辑关系模块以及计算模块，

模型建立模块，所述模型建立模块用于根据长直导线偏心和倾斜情况下运行工况参数，建立磁场模型，所述磁场模型包括长直导线和环形传感器阵列测量系统；

数据获取模块，所述数据获取模块用于根据环形传感器阵列相对长直导线的偏移和旋转参数，结合所述磁场模型，获取长直导线任意偏心、倾斜情况下的磁场样本数据；

逻辑关系模块，所述逻辑关系模块用于根据所述磁场样本数据建立电流和环形传感器阵列测量系统的偏转数据与各单轴TMR芯片的磁感应强度的关系式；

计算模块，所述计算模块用于构建DNN神经网络模型并采用所述磁场样本数据进行训练，得到训练后的DNN神经网络模型，并结合所述关系式确定长直导线的电流计算值。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的方法的步骤。

本发明的有益效果：本发明提出一种基于单轴TMR传感信号深度学习的电流计算方法及系统，首先构建长直导线和环形传感器阵列测量系统的磁场模型，以环形传感器阵列测量系统相对长直导线的偏移和旋转来等效替代长直导线的偏心和倾斜，可用于获取长直导线任意偏心、倾斜情况下的磁场数据；该磁场模型通过环形传感器阵列测量系统的偏转，模拟长直导线偏心和倾斜的任意情形，减少了引入模型的未知参数，简化了模型，更方便研究人员获取在长直导线偏心和倾斜时的数据，该磁场模型通过改变环形传感器阵列测量系统的姿态能够获取大量的样本数据，采用样本数据训练构建的DNN神经网络模型，利用DNN神经网络模型的预测数据计算长直导线的电流值，利用本发明所提供的电流计算方法进行电流计算时，能大大减小长直导线偏心和倾斜带来的误差影响，能实现高精度测量。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的方法流程图；

图2为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的磁场模型建立过程示意图，其中，图2a为环形传感器阵列测量系统的偏移示意图，图2b为环形传感器阵列测量系统以其中心为原点绕Z轴旋转的示意图，图2c为环形传感器阵列测量系统以其中心为原点绕X轴旋转的示意图；

图3为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的各电流值关于预测数据中旋转角度theta的误差分析示意图，图3a为根据磁感应强度B1所得的电流值关于旋转角度theta的误差分析示意图，图3b为根据磁感应强度B2所得的电流值关于旋转角度theta的误差分析示意图，图3c为根据磁感应强度B3所得的电流值关于旋转角度theta的误差分析示意图，图3d为根据磁感应强度B4所得的电流值关于旋转角度theta的误差分析示意图；

图4为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的各电流值关于预测数据中旋转角度phi的误差分析示意图，图4a为根据磁感应强度B1所得的电流值关于旋转角度phi的误差分析示意图，图4b为根据磁感应强度B2所得的电流值关于旋转角度phi的误差分析示意图，图4c为根据磁感应强度B3所得的电流值关于旋转角度phi的误差分析示意图，图4d为根据磁感应强度B4所得的电流值关于旋转角度phi的误差分析示意图；

图5为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的各电流值关于预测数据中偏移距离R0的误差分析示意图，图5a为根据B1所得的电流值关于偏移距离R0的误差分析示意图，图5b为根据B2所得的电流值关于偏移距离R0的误差分析示意图，图5c为根据B3所得的电流值关于偏移距离R0的误差分析示意图，图5d为根据B4所得的电流值关于偏移距离R0的误差分析示意图；

图6为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的电流计算值关于预测数据中旋转角度theta的误差分析示意图；

图7为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的电流计算值关于预测数据中旋转角度phi的误差分析示意图；

图8为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的电流计算值关于预测数据中偏移距离R0的误差分析示意图；

图9为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的利用传统安培定理所得的电流计算值关于预测数据中旋转角度theta的误差分析示意图；

图10为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的利用传统安培定理所得的电流计算值关于预测数据中旋转角度phi的误差分析示意图；

图11为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的利用传统安培定理所得的电流计算值关于预测数据中偏移距离R0的误差分析示意图；

图12为本发明一个实施例提供的一种基于单轴TMR传感信号深度学习的电流计算方法及系统的计算机设备的内部结构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1-12，为本发明的第一个实施例，该实施例提供了一种基于单轴TMR传感信号深度学习的电流计算方法及系统，包括：

根据长直导线偏心和倾斜情况下运行工况参数，建立磁场模型，所述磁场模型包括长直导线和环形传感器阵列测量系统；

其中，环形传感器阵列测量系统包括四个单轴TMR芯片，单轴芯片TMR1、TMR2、TMR3和TMR4分别位于环形传感器阵列各四分点处，各单轴TMR芯片的磁敏感方向以同一时针方向相切于环形传感器阵列，长直导线布置在环形传感器阵列的原点，磁场模型用于获取长直导线任意偏心、倾斜情况下的数据，以环形传感器阵列测量系统相对长直导线的偏移和旋转来等效替代长直导线的偏心和倾斜。

更进一步的，根据环形传感器阵列相对长直导线的偏移和旋转参数，结合磁场模型，获取长直导线任意偏心、倾斜情况下的磁场样本数据；

其中，磁场样本数据包括，以环形传感器阵列中心为原点，环形所在面为XOY面，建立空间直角坐标系；

更进一步的，将环形传感器阵列测量系统沿X轴正方向偏移距离R0；

更进一步的，将偏移后的环形传感器阵列测量系统以其中心为原点绕Z轴旋转角度theta；

更进一步的，将绕Z轴旋转后的环形传感器阵列测量系统以其中心为原点绕X轴旋转角度phi；

更进一步的，四个单轴TMR芯片所感应到的磁感应强度。

应说明的是，每偏转一次环形传感器阵列测量系统，即可得到一组样本数据，在本实施例中将流过长直导线的电流I预设为500A；将环形传感器阵列测量系统的半径预设为0.05m；将偏移距离R0的取值范围设置为0m～0.0045m，步长为0.0005m；将旋转角度theta的取值范围设置为0°～23°，步长为1°；将旋转角度phi的取值范围设置为0°～45°，步长为1°；利用建立好的磁场模型，获得偏移距离R0、绕Z轴的旋转角度theta和绕X轴的旋转角度phi在不同取值下，四个单轴TMR芯片所感应的磁感应强度B1、B2、B3和B4；以每一组偏移距离R0、旋转角度theta和旋转角度phi及其对应的磁感应强度B1、B2、B3和B4为一组样本数据，共计获取9315组样本数据。

更进一步的，根据磁场样本数据建立电流和环形传感器阵列测量系统的偏转数据与各单轴TMR芯片的磁感应强度的关系式；

更进一步的，采用矢量运算确定长直导线的电流I、环形阵列的半径R、环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta、环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi和四个单轴TMR芯片感应到的磁感应强度B1、B2、B3和B4之间的关系式：

其中，μ

f(R0

→(B1

其中，j为第j组样本数据的编号，N为所获取的样本数据的组数。

更进一步的，构建DNN神经网络模型并采用磁场样本数据进行训练，得到训练后的DNN神经网络模型，并结合关系式确定长直导线的电流计算值。

更进一步的，采用MinMaxScaler归一化方法，将磁感应强度和环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi进行相应的归一化处理；

B

theta

phi

R0

上式中，Bi

更进一步的，利用K折交叉验证方法，将归一化后的样本数据划分为训练集和测试集，测试集和训练集均以四个单轴TMR芯片所感应到的磁感应强度为DNN神经网络模型的输入，以环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi为DNN神经网络模型的输出。

IN＝(B1

OUT＝(R0

在本实施例中，利用建立好的磁场模型获取了9315组样本数据后进行归一化处理后，采用K折交叉验证方法，取K＝10，将9315组样本数据划分为训练集和测试集。其中，训练集包含7452组样本数据，测试集包含1863组样本数据，采用训练集对下述构建的DNN神经网络模型进行训练。

更进一步的，构建DNN神经网络模型并采用Adam算法进行训练，获得训练后的DNN神经网络模型。

更进一步的，将每组样本数据中的磁感应强度作为特征数据输入至训练后的DNN神经网络模型，DNN神经网络模型输出预测数据，预测数据包括环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi未反归一化前的参数值，对获取到的参数值进行反归一化后，得到环形传感器阵列测量系统的偏转数据的预测数据。

在本实施例中，利用训练后的DNN神经网络模型对9315组样本数据的特征数据进行预测，得到相应的预测数据，特征数据为每一组样本数据中的磁感应强度B1、B2、B3和B4，预测数据即为根据每一组磁感应强度所预测出的环形传感器阵列测量系统沿X轴正方向的偏移距离R0、环形传感器阵列测量系统以其中心为原点绕Z轴的旋转角度theta和环形传感器阵列测量系统以其中心为原点绕X轴的旋转角度phi的预测值。

更进一步的，还可以利用已训练好的DNN神经网络模型的参数迁移到新的神经网络模型中对新神经网络模型进行训练，从而利用迁移学习来实现不同阵列半径等情况下的电流计算。

更进一步的，确定长直导线的电流计算值包括，各电流值的表达式如下：

其中，四个单轴TMR芯片感应到的磁感应强度B1、B2、B3和B4所对应的四个电流值I1、I2、I3和I4，I

更进一步的，分析预测数据对各电流值的误差影响，误差以相对误差error表示，表达式如下：

其中，i为电流编号，I

在一个优选的实施例中，一种基于单轴TMR传感信号深度学习的电流计算系统，包括模型建立模块、数据获取模块、逻辑关系模块以及计算模块，

模型建立模块，模型建立模块用于根据长直导线偏心和倾斜情况下运行工况参数，建立磁场模型，磁场模型包括长直导线和环形传感器阵列测量系统；

数据获取模块，数据获取模块用于根据环形传感器阵列相对长直导线的偏移和旋转参数，结合磁场模型，获取长直导线任意偏心、倾斜情况下的磁场样本数据；

逻辑关系模块，逻辑关系模块用于根据磁场样本数据建立电流和环形传感器阵列测量系统的偏转数据与各单轴TMR芯片的磁感应强度的关系式；

计算模块，计算模块用于构建DNN神经网络模型并采用磁场样本数据进行训练，得到训练后的DNN神经网络模型，并结合关系式确定长直导线的电流计算值。

上述各单元模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于单轴TMR传感信号深度学习的电流计算方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

根据长直导线偏心和倾斜情况下运行工况参数，建立磁场模型，磁场模型包括长直导线和环形传感器阵列测量系统；

根据环形传感器阵列相对长直导线的偏移和旋转参数，结合磁场模型，获取长直导线任意偏心、倾斜情况下的磁场样本数据；

根据磁场样本数据建立电流和环形传感器阵列测量系统的偏转数据与各单轴TMR芯片的磁感应强度的关系式；

构建DNN神经网络模型并采用磁场样本数据进行训练，得到训练后的DNN神经网络模型，并结合关系式确定长直导线的电流计算值。

实施例2

参照图1-12，为本发明的一个实施例，提供了一种基于单轴TMR传感信号深度学习的电流计算方法及系统，为了验证本发明的有益效果，通过对比实验进行科学论证。

图3为本发明各电流值对预测数据中旋转角度theta的误差分析示意图；图4为本发明各电流值对预测数据中旋转角度phi的误差分析示意图；图5为本发明各电流值对预测数据中偏移距离R0的误差分析示意图。从图3、图4和图5可以看出，对于偏移距离R0、旋转角度theta和旋转角度phi，各电流值I1、I2、I3和I4的误差都在2％以内。

图6、图7和图8，为预测数据对电流计算值Iavg的误差影响。其中，图6为电流计算值Iavg关于预测数据中旋转角度theta的误差分析示意图；图7为电流计算值Iavg关于预测数据中旋转角度phi的误差分析示意图；图8为电流计算值Iavg关于预测数据中偏移距离R0的误差分析示意图，在本实施例条件下电流计算值Iavg的平均误差和最大误差如下表所示：

从上表可以看出，电流计算值Iavg的最大误差在1.55％左右，平均误差在0.0504％左右，极大程度上佐证了本发明所提供的电流计算方法的可靠性和高精度。

为凸显本发明所提供的电流计算方法的优势，在此给出了利用传统计算方法，即依据安培环路定理所计算出的电流误差作对比分析。参照图9、图10和图11，图9为利用传统安培定理所得的电流计算值关于预测数据中旋转角度theta的误差分析示意图；图10为利用传统安培定理所得的电流计算值关于预测数据中旋转角度phi的误差分析示意图；图11为利用传统安培定理所得的电流计算值关于预测数据中偏移距离R0的误差分析示意图。在本实施例条件下两种方法得到的电流计算值的平均误差和最大误差的对比情况如下表所示：

/>

从上表可以看出，利用传统安培定理所得的电流计算值的最大误差可达16.5％左右，平均误差则在5.04％左右，相对于本发明提供的计算方法，有力的说明了减小甚至消除长直导线偏心和倾斜带来的误差影响的必要性，也证明了本发明所提供的电流计算方法在减小长直导线偏心和倾斜带来的误差方面的巨大作用。

综上，相比于传统的利用环路安培定理的测量方法，本发明所提供的一种基于单轴TMR传感信号深度学习的电流计算方法可以大大减小长直导线偏心和倾斜带来的误差，实现对长直导线偏心和倾斜时电流的高精度测量。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。