CN105403816A - 一种光伏系统直流故障电弧的识别方法 - Google Patents

Abstract

本发明公开了一种光伏系统直流故障电弧的识别方法，步骤：(1)根据基波频率和最高谐波次数，以满足香农采样定理的采样频率采集光伏系统中的直流电流数字信号；(2)将采集到的直流电流数据进行处理进而实施Fisher识别方法；(3)故障电流状态识别过程中，对电流进行采样、提取谐波幅值并组成特征向量，将特征向量作为训练学习后、具有识别能力的Fisher识别方法的输入，即对故障电弧状态进行识别判断并输出判别结果。本发明的有益效果在于，利用Fisher识别方法，从数据的输入到结果的输出，整个过程无需设定判定阈值，可有效避免阈值难以确定的问题，提高故障电弧判别准确性。

Description

一种光伏系统直流故障电弧的识别方法

技术领域

本发明涉及一种光伏系统直流故障电弧的识别方法，主要涉及光伏发电系统的技术测试领域。

背景技术

光伏发电系统作为可再生能源发电的一个重要分支，在不同领域已得到了大规模应用。随着光伏发电系统应用时间的增长，系统安全运行的问题(包括设备安全问题及对操作人员安全问题等)已成为一个不容忽视的问题。其中，光伏发电系统的直流电弧具有能量大、难熄灭等特点，容易引发火灾，造成系统设备及财产损失。同时，由于绝缘破坏造成设备带电，易引发人员安全事故。因而对光伏发电系统直流电弧识别技术的研究，具有重要的理论及工程应用价值。目前，光伏系统直流电弧故障识别方法大多通过在时域或频域进行定量计算，找出电弧发生前后有明显变化的时频域特征量，从而设定相应阈值来判定是否有故障电弧的产生。然而，由于光伏发电系统采用太阳能电池作为输入源，系统功率、电压、电流等特征量受光照、温度、环境等因素影响较大，不同条件下光伏阵列工作点会随外部因素变化，系统特征量也随之发生改变。因此，通过阈值来判定电弧发生的方法，存在阈值难以确定、误判率高等问题。

针对目前光伏系统直流故障电弧识别方法存在的不足，本发明提供一种无需阈值设定、误判率低的光伏系统直流故障电弧识别方法。本发明基于Fisher识别方法，采用一定工作条件下直流电流的谐波分量做为特征量构成相应特征向量，通过不同工作条件下谐波电流特征向量构建特征向量空间，分别将故障和非故障情况下电流特征向量作为Fisher识别方法的输入，进行模式训练以应用于光伏系统直流电弧故障的判别。与一般故障电弧检测方法中设置阈值的方式不同，本发明采用样本训练和学习的方式进行故障电弧识别，可减少因阈值设置不当而产生的误判与失效，有效提高故障电弧检测的准确性。

发明内容

本发明要解决的技术问题是提供一种光伏系统直流故障电弧的识别方法。

本发明是通过以下技术方案来实现的。

一种光伏系统直流故障电弧的识别方法，步骤包括：

(1)对光伏系统中的直流电流进行采样，若基波频率f₁和需要的最高谐波次数n，则对光伏系统中的直流电流进行采样的采样频率fs需要满足以满足fs>2nf₁；

(2)将采集获得的直流电流数据进行离散傅立叶变换，提取电流信号的基波I₀及前n次谐波的幅值I₁，I₂，...，I_n，构建特征向量X＝[I₀，I₁，...，I_n]，通过状态已知的特征向量组成特征向量空间，作为Fisher识别方法的输入，同时将其对应的状态即故障电弧状态或非故障电弧状态作为识别算法输出，并以此作为学习样本，以学习样本完成对Fisher识别机制的训练与学习；

(3)故障电流状态识别过程中，对电流进行采样、提取谐波幅值并组成特征向量，将特征向量作为训练学习后、具有识别能力的Fisher识别方法的输入，即对故障电弧状态进行识别判断并输出判别结果，当检测出光伏发电系统发生故障电弧时，则判断为故障电弧状态；当检测出直流供电系统没有故障电弧发生时，则判断为非故障电弧状态。

进一步地，特征向量X在光伏直流发电系统中由特征量I₀，I₁，...I_n构成，即X＝[I₀，I₁，...，I_n]，其中n值不小于15。

进一步地，(1)中直流电流为光伏组串支路直流电流或者各支路经汇流箱并联汇流后总的直流电流。

进一步地，(2)中Fisher识别方法：

根据故障电流的状态，将训练样本分为两个向量空间ω₁和ω₂，分别为故障电弧状态和非故障电弧状态，并定义其中的特征向量X作为Fisher识别方法的输入时，其输出y分别为0和1。

进一步地，Fisher识别方法的具体运算步骤包括：

(1).计算各类训练样本的样本均值m_i及其输出均值y_i:

$m_i=\frac{1}{N_i}\underset{X\∈{\mathrm{\ω}}_i}{\Σ}X,y_i=\frac{1}{N_i}\underset{y\∈{\mathrm{\ω}}_i}{\Σ}y,i=1,2$

(2).计算样本类内离散度S_i和总的类内离散度S_w:

$S_i=\underset{X\∈{\mathrm{\ω}}_i}{\Σ}(X-m_i){(X-m_i)}^T,S_w=S_1+S_2$

(3).求取投影向量w^*和分割阈值y₀:

$w*=S_w^{-1}(m_1-m_2)$

$y_o=\frac{N_1{y}_1+N_2{y}_2}{N_1+N_2}$

(4).过程结束后，Fisher识别方法就具有识别判断的能力，对任意一个未知状态的特征向量X′,首先对其进行投影，求取投影值y′:

y′＝w^*X^T

比较y′与y₀的相对大小即可判断X′多对应的电弧状态。

进一步地，上述光伏系统直流故障电弧的识别方法用于光伏发电系统任何位置处的直流故障电弧检测。

本发明的有益效果：

利用电流的谐波幅值组成特征向量，实现了对电流信息特征的有效提取；利用Fisher识别方法，从数据的输入到结果的输出，整个过程无需设定判定阈值，可有效避免阈值难以确定的问题，提高故障电弧判别准确性；本方法的使用具有一般性，通过样本学习训练，可应用于不同光伏系统中任何位置的直流故障电弧识别检测。

附图说明

图1为基于Fisher识别方法光伏系统直流故障电弧检测示意图

图2为基于Fisher方法光伏系统直流故障电弧识别算法流程图

具体实施方式

下面根据附图和实施例对本发明作进一步详细说明。

步骤1：对不同条件下状态已知的故障及非故障直流电流进行采样。

如图1所示，对待测直流电流进行采样，并进行滤波等预处理。采样过程中，根据基波频率和最高谐波次数，以满足香农采样定理的采样频率采集光伏系统中的直流电流数字信号，该直流电流可为光伏组串支路直流电流，也可为各支路经汇流箱并联汇流后总的直流电流。

步骤2：利用采样直流电流构建相应的特征向量空间，并作为Fisher算法的输入进行大量样本学习训练，并不断调整训练参数以确保Fisher故障识别的准确性，构建识别模型。

将采样直流电流数据进行离散傅立叶变换，提取电流信号的基波I₀及前n次谐波的幅值I₁，I₂，...，I_n，构建特征向量X＝[I₀，I₁，...，I_n]；然后将状态已知的特征向量构成特征向量空间，作为Fisher识别方法的输入，同时将其对应的状态(故障电弧状态和非故障电弧状态)作为Fisher识别方法的输出，并以此作为学习样本，最后，利用上述学习样本完成对Fisher识别机制的训练与学习。

步骤3：故障电流状态识别过程中，对电流进行采样、提取谐波幅值并组成特征向量，将特征向量作为训练学习后、具有识别能力的Fisher识别模型的输入，从而对故障电弧状态进行识别判断并输出判别结果。当检测出光伏发电系统发生故障电弧时，则输出为故障电弧状态；当检测出直流供电系统没有故障电弧发生时，则输出为非故障电弧状态，算法实现流程如图2所示。

Fisher识别方法：

根据故障电流的状态，将训练样本分为两个向量空间ω₁和ω₂，分别为故障电弧状态和非故障电弧状态，并定义其中的特征向量X作为Fisher识别方法的输入时，其输出y分别为0和1。

具体运算步骤包括：

(1).计算各类训练样本的样本均值m_i及其输出均值y_i:

$m_i=\frac{1}{N_i}\underset{X\∈{\mathrm{\ω}}_i}{\Σ}X,y_i=\frac{1}{N_i}\underset{y\∈{\mathrm{\ω}}_i}{\Σ}y,i=1,2$

(2).计算样本类内离散度S_i和总的类内离散度S_w:

$S_i=\underset{X\∈{\mathrm{\ω}}_i}{\Σ}(X-m_i){(X-m_i)}^T,S_w=S_1+S_2$

(3).求取投影向量w^*和分割阈值y₀:

$w*=S_w^{-1}(m_1-m_2)$

$y_o=\frac{N_1{y}_1+N_2{y}_2}{N_1+N_2}$

(4).过程结束后，Fisher识别方法就具有识别判断的能力，对任意一个未知状态的特征向量X′,首先对其进行投影，求取投影值y′:

y′＝w^*X^T

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此领域技术的人士能够了解本发明内容并加以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。

Claims (6)

1.一种光伏系统直流故障电弧的识别方法，其特征在于，步骤包括：

(1)对光伏系统中的直流电流进行采样，若基波频率f₁和需要的最高谐波次数n，则对光伏系统中的直流电流进行采样的采样频率fs需要满足以满足fs>2nf₁；

(2)将采集获得的直流电流数据进行离散傅立叶变换，提取电流信号的基波I₀及前n次谐波的幅值I₁，I₂，...，I_n，构建特征向量X＝[I₀，I₁，...，I_n]，通过状态已知的特征向量组成特征向量空间，作为Fisher识别方法的输入，同时将其对应的状态即故障电弧状态或非故障电弧状态作为识别算法输出，并以此作为学习样本，以学习样本完成对Fisher识别机制的训练与学习；

(3)故障电流状态识别过程中，对电流进行采样、提取谐波幅值并组成特征向量，将特征向量作为训练学习后、具有识别能力的Fisher识别方法的输入，即对故障电弧状态进行识别判断并输出判别结果，当检测出光伏发电系统发生故障电弧时，则判断为故障电弧状态；当检测出直流供电系统没有故障电弧发生时，则判断为非故障电弧状态。

2.根据权利要求1所述的光伏系统直流故障电弧的识别方法，其特征在于，特征向量X在光伏直流发电系统中由特征量I₀，I₁，...，I_n构成，即X＝[I₀，I₁，...，I_n]，其中n值不小于15。

3.根据权利要求1所述的光伏系统直流故障电弧的识别方法，其特征在于，(1)中直流电流为光伏组串支路直流电流或者各支路经汇流箱并联汇流后总的直流电流。

4.根据权利要求1所述的光伏系统直流故障电弧的识别方法，其特征在于，(2)中Fisher识别方法：

根据故障电流的状态，将训练样本分为两个向量空间ω₁和ω₂，分别为故障电弧状态和非故障电弧状态，并定义其中的特征向量X作为Fisher识别方法的输入时，其输出y分别为0和1。

5.根据权利要求4所述的光伏系统直流故障电弧的识别方法，其特征在于，Fisher识别方法的具体运算步骤包括：

(1).计算各类训练样本的样本均值ω_i及其输出均值y_i：

$m_i=\frac{1}{N_i}\underset{X\∈{\mathrm{\ω}}_i}{\Σ}X,y_i=\frac{1}{N_i}\underset{y\∈{\mathrm{\ω}}_i}{\Σ}y,i=1,2$

(2).计算样本类内离散度S_i和总的类内离散度S_w：

$S_i=\underset{X\∈{\mathrm{\ω}}_i}{\Σ}(X-m_i){(X-m_i)}^T,S_w=S_1+S_2$

(3).求取投影向量w^*和分割阈值y₀：

$w*=S_w^{-1}(m_1-m_2)$

$y_o=\frac{N_1{y}_1+N_2{y}_2}{N_1+N_2}$

(4).过程结束后，Fisher识别方法就具有识别判断的能力，对任意一个未知状态的特征向量X′，首先对其进行投影，求取投影值y′：

y′＝w^*X^T

比较y′与y₀的相对大小即可判断X′多对应的电弧状态。

6.根据权利要求1-5任一项所述的光伏系统直流故障电弧的识别方法，其特征在于，所述光伏系统直流故障电弧的识别方法用于光伏发电系统任何位置处的直流故障电弧检测。