CN107086855A - 一种机器学习融合多时频特征的光伏系统故障电弧检测方法 - Google Patents
一种机器学习融合多时频特征的光伏系统故障电弧检测方法 Download PDFInfo
- Publication number
- CN107086855A CN107086855A CN201710278936.4A CN201710278936A CN107086855A CN 107086855 A CN107086855 A CN 107086855A CN 201710278936 A CN201710278936 A CN 201710278936A CN 107086855 A CN107086855 A CN 107086855A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic system
- time
- electric arc
- grid
- arc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 162
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000010891 electric arc Methods 0.000 claims abstract description 241
- 238000006243 chemical reaction Methods 0.000 claims abstract description 38
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 57
- 241000218691 Cupressaceae Species 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 abstract description 15
- 230000007257 malfunction Effects 0.000 abstract description 11
- 230000009471 action Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 35
- 238000005286 illumination Methods 0.000 description 22
- 230000000694 effects Effects 0.000 description 11
- 230000005611 electricity Effects 0.000 description 11
- 230000033228 biological regulation Effects 0.000 description 10
- 230000000295 complement effect Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种机器学习融合多时频特征的光伏系统故障电弧检测方法，以Ts长度的时间窗采集信号xn，经过伽柏变换得到xn在时频域内对应的方阵分布形式；经过瑞敦‑魏格纳变换得到xn在时频域内对应的矩阵分布形式，对两个矩阵元素进行时间维度的积分，选取频率维度上的特定分量进行不同处理，得到对应的多个时频特征，基于训练好的隐式马尔科夫模型融合这多个特征量，便可判断当前时间窗内光伏系统是否发生故障电弧。本发明通过融合多个有效时频特征准确辨识并网光伏系统内多种故障电弧形式，加快故障电弧动作的同时还能确保多种类弧工况不误动，由此提升了并网光伏系统安全稳定运行的能力，解决了并网光伏系统面对外界干扰可能发生潜在误动的问题。
Description
技术领域
本发明属于光伏电气故障检测技术领域，具体涉及一种使用伽柏变换和瑞敦-魏格纳变换得到多时频特征量、使用隐式马尔科夫模型融合多时频特征量的光伏系统故障电弧检测方法，由此加快动作故障电弧工况下的相应故障支路，确保多种类弧工况不发生误动作，提升了并网光伏系统安全稳定运行的能力。
背景技术
在光伏产品大规模应用之前，应用最为广泛的是交流电。针对交流故障电弧的防治，已有相应的法规、标准测试方法及相应的工业产品，例如交流故障电弧断路器(ACAFCI)。早在1999年，美国便制定了UL1699标准指导交流故障电弧断路器的研制，要求所有家庭卧室内的供电支路均要安装这类保护装置。2013年，国际电工委员会也制定了交流故障电弧断路器的国际标准IEC62606-2013。我国也于2015年开始实施相关标准GB14287.4-2014《电气火灾监控系统第四部分：故障电弧探测器》，提出关于AFDD的一般设计要求及将其作为电气火灾监控系统的重要组成部分。由此可见，交流故障电弧的防治已经得到世界各国的广泛、深入研究。目前，作为最为普遍使用的新能源直流电之一的太阳能光伏发电，应用于并网光伏系统直流侧的直流故障电弧断路器(PV DC AFCI)产品尚未成熟，对其故障电弧特性的研究也处于起步阶段。2011年美国国家电工法规(National Electric Code，NEC)在第690章节中增加了关于光伏系统直流故障电弧保护器的内容，同时北美最大的认证机构美国保险商实验室(UL)也在2011年制定UL 1699B标准，明确规定了光伏系统直流故障电弧断路器的测试方法，对NEC 2011法规690.1的内容作了进一步详述。因此，光伏系统故障电弧的防治研究迫在眉睫，相信在不久的将来，其必有较高的商业价值和广阔的市场应用。
光伏发电比起传统发电方式有很显著的优势，它具有绿色无污染、使用寿命长且检修率低的优点，现在已经广泛地在全世界的工商业、基础建筑设施及住宅区投入使用。然而光伏系统一旦出现线路绝缘老化、线路绝缘破损或者连接头松动等现象，这些非操作因素均会引发故障电弧，多样的故障电弧工况中宏观检测信号在故障态表征形式不一，现有的光伏系统故障电弧检测方法不能准确、快速地识别多样的故障电弧并加以切断发生的支路，故障电弧的高温特性便会造成光伏系统相关设备器件的严重损坏，引发区域面积停电和火灾事故，威胁周边居民生命财产安全。目前，故障电弧识别检测过程往往使用电量信号。然而，并网光伏系统运行时，光伏系统的电量输出受运行环境影响很大，譬如光伏拓扑变化、自然光照条件的变化、逆变器调节、直流开断、系统软启动等类弧工况均有可能扰动并网光伏系统的电量输出信号，形成与故障电弧类似的类弧工况干扰故障电弧的正确判断结果。如果在发生类弧工况时检测方法发生误动，则会在并网光伏系统正常运行时发生不应该的停机状态，大大减少并网光伏系统的运行时间，降低并网光伏系统的运行效率。因此，研究光伏系统故障电弧检测方法在类弧工况扰动情形下还能准确、快速识别故障电弧工况，对并网光伏系统正常稳定运行、保持并网光伏系统经济效应有着极其重要的意义。
发明内容
本发明的目的在于解决并网光伏系统内故障电弧和类弧工况的准确、可靠、快速辨识，提供了一种机器学习融合多时频特征的光伏系统故障电弧检测方法。
为达到上述目的，本发明采用了以下技术方案：
1)并网光伏系统运行中，以采样频率f对并网光伏系统内能显示故障电弧特征的输出信号逐点采样，对采样点以Ts为时间窗长度进行选取，得到检测信号xn，转至步骤2)；
2)多时频变换：对检测信号xn作伽柏变换，得到检测信号xn在时频域内对应的方阵分布形式，对检测信号xn作瑞敦-魏格纳变换，得到检测信号xn在时频域内对应的矩阵分布形式，转至步骤3)；
3)对步骤2)中两个变换得到的矩阵元素分别进行时间维度的积分运算，然后分别选取频率维度上的特定分量进行处理，得到对应的M个特征量，M>1，转至步骤4)；
4)将当前时间窗下M个特征量的值输入至隐式马尔科夫模型，通过隐式马尔科夫模型的输出值来判断是否存在故障电弧事件，若隐式马尔科夫模型的输出值为1，判断并网光伏系统在当前时间窗内可能发生故障电弧，转至步骤5)进行进一步分析；若隐式马尔科夫模型的输出值为0，判断为并网光伏系统在当前时间窗内正常运行，返回步骤1)进行下一时间窗下的检测信号分析；
5)判断隐式马尔科夫模型的连续输出高电平的个数是否满足设定标准，如果隐式马尔科夫模型连续输出1的个数达到设定标准，则判定并网光伏系统内发生故障电弧，发出切断相应故障电弧支路的控制信号；否则，判定并网光伏系统内发生类弧工况干扰，返回步骤1)继续进行下一时间窗下的检测信号分析。
所述采样频率f应至少是有效故障电弧特征频段中最大频率的两倍，在采样硬件装置允许的条件下，较高的采样频率能使所选取的故障电弧特征频段更好地反映故障电弧的根本差异特征，f的取值范围为120kHz～500MHz；所述时间窗长度与采样频率的关系为Ts＝N/f，其中N为时间窗内检测信号的采样点个数，采样点个数选取的原则为确定长度的时间窗内检测信号能反映出有效的故障电弧时频特征，N的取值范围为800～20000；考虑到时频面内频率维度的特定分量提取，f应为2N的整数倍。
所述多时频变换的各项参数基于最大程度地分离故障电弧区别于类弧工况的显著时频特征而定，伽柏变换所选用的时间窗类型优选为高斯窗；伽柏变换中的过采样度q的取值范围为3～6，优取为q＝4，时间系数Nh的取值范围为30～38，优取为Nh＝33；在瑞敦-魏格纳变换后的t-w坐标系中，任意点的极角ψ取值范围为[π/4，3×π/4)。
所述伽柏变换在时频域上的方阵形式和瑞敦-魏格纳变换在时频域上的矩阵形式在时间维度上的处理方式应能普适于各种并网光伏系统工况，且能最大程度地提取有效的故障电弧特征，如采用时间维度积分方式而非随机选取某一个或几个时间维度的特定分量构建多时频特征量。
选取伽柏变换和瑞敦-魏格纳变换后的频率维度分量构建多个故障电弧检测时频特征量的原则为：能以局部大脉冲形式准确指示故障电弧发生的时间窗，且以较大的幅值形式显示故障电弧燃烧阶段与系统类弧暂态阶段的差异，优选的，故障电弧特征频段选为40kHz～60kHz且与采样频率f无关，选取频率维度上的在故障电弧特征频段内具有相同变化趋势的分量进行累加，即基于伽柏变换得到的时频特征量采用频率维度的积分方式，基于瑞敦-魏格纳变换得到的时频特征量采用频率维度奇数行分量的累加方式。除了上述处理方式得到的两个时频特征量，还可以选择以下得到时频特征量的处理方式：例如，对频率维度采用方差或峰峰值的处理方式。
隐式马尔科夫模型的融合过程可直接在特征层上进行，不需要对各特征量进行归一化处理、阈值判断处理而在决策层上进行。
所述的隐式马尔科夫模型已经完成了机器学习训练过程，机器学习样本数量确定的原则为令隐式马尔科夫模型在短时间内得到充分的训练，机器学习样本总容量的取值范围为100000～2000000，用于隐式马尔科夫模型学习的样本数据优取总容量的1/4～1/2，剩余的样本数据则用于隐式马尔科夫模型检测；学习样本序列在输入至隐式马尔科夫进行训练时未进行故障电弧状态标识，以准确地得到隐式马尔科夫模型的各项参数为原则选取合适的机器学习训练方法，优选为Baum-Welch算法。
考虑故障电弧检测可靠性和快速性折衷处理，特征量个数M的取值范围为2～5个，优选为2个；面对故障电弧与类弧工况，构建的M个特征量中至少有一个特征量能够在任一时间窗下给出正确的判断结果，由此通过隐式马尔科夫模型得到的正确判定工况范围大大扩大。
基于所提出的多特征量能显著区分故障电弧与类弧工况，故障电弧切断标准为连续K个时间窗内隐式马尔科夫模型均输出1，以快速切除故障电弧、不误动地切除类弧工况，K的取值范围为5～10。
所述光伏系统故障电弧检测方法可通过变更学习样本数据库应用到不同逆变器负载下的并网光伏系统中，完成故障电弧与类弧工况的准确识别。
本发明具有如下有益的技术效果：
1)该方法能有效无误地防范并网光伏系统的类弧事故，尤其解决了自然光照变化、光伏拓扑变化、逆变器调节、直流开断、软启动过程等非人为环境下所产生的误动问题，大幅延长了并网光伏系统的运行时间，大幅提高了并网光伏系统的运行效率，提高了并网光伏系统安全稳定运行的能力；
2)该方法能可靠、快速动作多种故障电弧工况，实际并网光伏系统内可能产生多种多样的故障电弧，由此产生不同的检测信号，本发明多个故障电弧特征的使用大大拓宽了所能探测的故障电弧工况范围，解决了因所发生故障电弧工况的未知性而产生的拒动问题，有效防止了故障电弧给并网光伏系统运行、人身财产带来的安全威胁；
3)该方法提高了故障电弧或类弧工况辨识的可靠性，本发明对检测信号提取了多重特征量，即便其中一重特征量失效，隐式马尔科夫模型仍能利用所学习到的故障电弧统计规律及剩余其他有效的特征量作出较为准确的判断结果；
4)该方法所选用的隐式马尔科夫模型不涉及阈值比较及归一化过程，解决了多故障电弧及类弧工况下合适阈值设定过程耗时长的问题，对于不同工况的多特征量不需要进行归一化处理便可对各个时间窗作出较为准确的分类，简化了光伏系统故障电弧检测方法的判断流程，适用于实时处理过程；
5)该方法选用的隐式马尔科夫模型训练速度快、统计规律学习效率高，能在极短的时间内进行特征量的融合并加以判断，进一步加快了光伏系统故障电弧检测方法的判断时间；
6)该方法所提供的光伏系统故障电弧检测信号不局限于并网光伏系统输出电流信号，一切具有能量迁移这一故障电弧时频特性的检测信号均可作为本发明所述的光伏系统故障电弧检测方法的输入；
7)该方法具有一定的可移植性，通过变更学习样本可令光伏系统故障电弧检测方法应用于带其他逆变器负载的并网光伏系统中，譬如以三相/单相逆变器、三相/单相多级逆变器为负载的并网光伏系统，由此解决了直流故障电弧检测装置在故障电弧工况下产生的拒动问题，有效提升了并网光伏系统故障电弧检测的快速性和可靠性，避免了这些工况下故障电弧所造成的生命财产损失，同时解决了直流故障电弧检测装置在类弧工况下产生的误动问题，大幅延长了并网光伏系统的运行时间，大幅提高了并网光伏系统的运行效率，提高了并网光伏系统安全稳定运行的能力。
附图说明
图1a为本发明的并网光伏系统故障电弧检测方法原理框架图；
图1b为本发明的检测方法应用于以三相逆变器为负载的特定并网光伏系统的硬件图；
图2a为本发明的并网光伏系统故障电弧检测方法隐式马尔科夫模型训练流程图；
图2b为本发明的并网光伏系统故障电弧检测方法流程图；
图3a为应用本发明进行光伏系统故障电弧检测的通过熔丝引弧形成故障电弧的并网光伏系统输出电流信号；
图3b为应用伽柏变换进行并网光伏系统故障电弧检测的特征量波形；
图3c为应用瑞敦-魏格纳变换进行并网光伏系统故障电弧检测的特征量波形；
图3d为应用瑞敦-魏格纳变换进行并网光伏系统故障电弧检测的特征量波形的纵向放大图；
图3e为应用本发明进行并网光伏系统故障电弧检测的系统状态实时判断输出信号；
图4a为应用本发明进行光伏系统故障电弧检测的通过拉弧形成故障电弧的并网光伏系统输出电流信号；
图4b为应用伽柏变换进行并网光伏系统故障电弧检测的特征量波形；
图4c为应用瑞敦-魏格纳变换进行并网光伏系统故障电弧检测的特征量波形；
图4d为应用本发明进行并网光伏系统故障电弧检测的系统状态实时判断输出信号；
图5a为应用本发明进行光伏系统故障电弧检测的通过光伏拓扑变化形成类弧的并网光伏系统输出电流信号；
图5b为应用伽柏变换进行并网光伏系统故障电弧检测的特征量波形；
图5c为应用瑞敦-魏格纳变换进行并网光伏系统故障电弧检测的特征量波形；
图5d为应用本发明进行并网光伏系统故障电弧检测的系统状态实时判断输出信号；
图6a为应用本发明进行光伏系统故障电弧检测的通过逆变器调节形成类弧的并网光伏系统输出电流信号；
图6b为应用伽柏变换进行并网光伏系统故障电弧检测的特征量波形；
图6c为应用瑞敦-魏格纳变换进行并网光伏系统故障电弧检测的特征量波形；
图6d为应用本发明进行并网光伏系统故障电弧检测的系统状态实时判断输出信号；
图7a为应用本发明进行光伏系统故障电弧检测的通过光照变化形成类弧的并网光伏系统输出电流信号；
图7b为应用伽柏变换进行并网光伏系统故障电弧检测的特征量波形；
图7c为应用瑞敦-魏格纳变换进行并网光伏系统故障电弧检测的特征量波形；
图7d为应用本发明进行并网光伏系统故障电弧检测的系统状态实时判断输出信号；
图中：1、光伏系统；2、光伏系统直流侧故障电弧检测装置；3、脱扣装置；4、断路器；5、三相逆变器；6、检测信号装置；7、交流电网；8、光伏模块。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
如图1a所示，本发明所述光伏系统故障电弧检测方法，首先对不同类弧和故障电弧工况下的具有并网光伏系统故障电弧特征的输出信号进行实时采样，基于多时频变换对检测信号提取对应的多特征值，并作为隐式马尔科夫模型的训练学习样本，在隐式马尔科夫模型学习完毕后，便可融合多个故障电弧时频特征对输入时间窗内的检测信号识别正确的状态判断结果。
实际分析并网光伏系统内是否发生故障电弧时，只需将待识别时间窗内具有并网光伏系统故障电弧特征检测信号作为多个时频变换工具的输入，依照时间、频率维度的矩阵处理原则得到多个特征值，输入至训练好的隐式马尔科夫模型中进行辨识即可。隐式马尔科夫模型可实时输出并网光伏系统内是否发生故障电弧的0/1判定结果，发生故障电弧时输出1，判断系统正常运行时输出0。只有在隐式马尔科夫模型输出1时，才进行故障电弧切除信号触发阈值的判断，否则便确认并网光伏系统正常运行并未发生故障电弧，这也说明并网光伏系统处于多数正常状态的时间窗可少进行一步光伏系统故障电弧判断过程而直接进行下一时间窗内的检测，有利于光伏故障电弧检测方法对故障电弧检测速度的提升。若隐式马尔科夫模型在前述检测周期连续输出多个高电平1，在未达到既定输出1的周期数前，只要有一个低电平0输出，则认为此时是类弧工况的干扰引发的而不是真正的故障电弧工况。在高电平数达到触发阈值后，故障电弧便确认发生，此时检测方法才最终发出切断故障电弧支路信号，保障并网光伏系统免受故障电弧工况的火灾危害。
对本发明应用于并网光伏系统的方法进行阐述，如图1b所示，以三相逆变器负载为例说明检测硬件在并网光伏系统内的动作过程。由光伏模块8组成的光伏系统1输出直流功率，经过检测信号装置6、断路器4输入到三相逆变器5中，三相逆变器5将直流电转变为交流电输送至交流电网7。所述三相逆变器5输出侧与交流电网7采用三相三线制(A、B、C)的连接形式。并网光伏系统输出电流信号通过检测信号装置6输入至光伏系统直流侧故障电弧检测装置2进行上述故障电弧辨识过程，在正常运行时，光伏系统直流侧故障电弧检测装置2输出的低电平不动作断路器4，光伏系统1仍旧经三相逆变器5向交流电网7稳定提供电能，如果光伏系统直流侧故障电弧检测装置2检测到故障电弧，则能快速、准确地发出切断相应支路控制信号给脱扣装置3，最终控制断路器4开断整个并网光伏系统回路，三相逆变器停止工作，熄灭故障电弧并消除其给并网光伏系统带来的运行安全威胁，避免多形式下的故障电弧所造成的故障电弧特征不一所产生的光伏系统直流侧故障电弧检测装置拒动作的问题，避免类弧干扰造成正常电量信号具备故障电弧特征所产生的光伏系统直流侧故障电弧检测装置误动作的问题，由此提高并网光伏系统在多种复杂环境条件下运行的稳定性。
本发明对检测信号种类、安装位置不作要求而具有较强的可移植性，若关注的是故障电弧的电特性，该光伏系统直流侧故障电弧检测装置可置于逆变器处、汇流总线上、汇流箱内、光伏串上、连接头内或光伏模块内；若关注的是故障电弧的物理特性，该光伏系统直流侧故障电弧检测装置需合理排布于并网光伏系统范围内，具体的排布方式为现有技术，详见发明专利CN105553422A。该方法具有一定的可移植性，可适当扩大其在并网光伏系统的应用范围，通过学习其他类型并网光伏系统的故障电弧和类弧样本，本光伏系统故障电弧检测方法便能应用于带其他逆变器负载的并网光伏系统中，譬如以不同相数的逆变器、不同接线方式的逆变器和不同相数的多级逆变器为负载的并网光伏系统。
参见图2a，隐式马尔科夫模型为分类型智能学习方法，必须在通过样本学习后才能掌握特征层所反映的并网光伏系统故障电弧差别于类弧的统计规律及核心特征，之后才能用于并网光伏系统故障电弧的辨识。首先采集所关心的并网光伏系统输出电流信号，而后通过多时频变换方法得到时频域的二维矩阵形式，再通过时间、频率维度的处理得到当前时间窗的多时频特征值，作为隐式马尔科夫模型的学习样本，使用Baum-Welch算法进行隐式马尔科夫模型的样本训练过程。为了尽快投入使用隐式马尔科夫模型，学习训练隐式马尔科夫模型的速度必须加快，通过给出一定的阈值设定标准，学习训练过程一直进行直至阈值标准能准确区分故障状态和正常状态为止，因而在状态阈值多次训练后无法区分状态时，必须通过初始化参数设定在能接受的训练精度下结束隐式马尔科夫模型学习训练过程，即将隐式马尔科夫模型状态设定为2，将最高循环次数设定为30次。对于得到的大量并网光伏系统故障电弧和类弧工况下多特征值样本集，取其中的1/4～1/2作为隐式马尔科夫模型的学习训练样本，由此获得故障电弧与类弧工况的统计差异规律，剩下的1/2～3/4样本集作为隐式马尔科夫模型的检测集，明确所提出的光伏系统故障电弧检测方法的检测效果。
结合图2b，对本发明所述的机器学习融合多时频特征的光伏系统故障电弧检测方法的步骤进行具体说明：
步骤一、参数初始化过程包括设定检测信号装置对电流信号的采样频率f、时间窗采样点个数N、故障电弧触发阈值K、伽柏变换及瑞敦-魏格纳变换两种时频分析工具内的各项参数等。
并网光伏系统运行中，以频率f对并网光伏系统输出电流信号逐点取样，以设定的时间窗长度Ts对电流信号进行分析，后续对时间窗内的电流信号xn进行多时频分析过程。考虑一方面时间窗内过少的数据点无法精确反映故障电弧与类弧的根本差异特征，另一方面时间窗内过多的数据点无法快速实现伽柏变换和瑞敦-魏格纳变换分析。因此，实施例选择时间窗内数据点N＝1000，为降低检测信号采样装置硬件实现要求的同时能够反映故障电弧与类弧之间差异的故障电弧特征频段，并网光伏系统输出电流信号采样频率f取为200kHz，此时采样频率f是2N的整数倍。
步骤二、采用伽柏变换的方法对电流检测信号xn进行分析，得到该时间窗下并网光伏系统输出电流信号的方阵时频分布形式，采用瑞敦-魏格纳变换的方法对电流检测信号xn进行分析，得到该时间窗下并网光伏系统输出电流信号的矩阵时频分布形式，转至步骤三对二维矩阵元素进行处理，得到各类时频方法在当前时间窗下的一维特征值。伽柏变换所选用的时间窗类型优选为高斯窗，伽柏变换中的过采样度q优选为4，时间系数Nh优选为33；在瑞敦-魏格纳变换后的t-w坐标系中，极角ψ是变化的，由变换后的时频平面所生成的角度决定，其取值范围为[0，π)。为了令基于瑞敦-魏格纳变换构建的时频特征量能显著区分故障电弧及类弧工况差异，极角ψ的取值范围优选为[π/4，3×π/4)。
步骤三、对两个时频变换所得到的二维矩阵元素做处理，可得到多个时频特征值。考虑最快地得到故障电弧检测结果，特征量个数优选为2，例如采用下述处理方式得到所述2个特征量：首先进行时间维度的积分运算，选取频率维度上的特定分量进行累加，得到对应的两个特征值作为隐式马尔科夫模型的输入，转至步骤四对当前时间窗内并网光伏系统输出电流信号状态进行隐式马尔科夫模型识别。
对于伽柏变换和瑞敦-魏格纳变换后在时频域上的二维矩阵时间维度而言，如果只取时间轴某一列进行频率维度分析，由于能反映真实故障电弧特征的时间轴分量具有一定的随机性，这种形式的时间轴处理方式不能普适于大量的并网光伏系统故障电弧和类弧工况，故而直接对时间轴各分量进行积分才能确保所提取的特征量在大量工况均能有效。由于采用频率维度上特定分量累加的方式处理所得到的二维时频矩阵，所选取的特定频率分量应对故障电弧及类弧的反应一致。在伽柏变换后时频域中，对于低于40kHz的频率段内的任一频率而言，时变的一维特征量一般都有较明显的直流分量，与时域中电流信号的变化形式一致，如此便不能体现故障电弧和类弧工况的本质差异；而对于高于40kHz的频率段而言，类弧工况因缓变过程而无法产生如此大的频率影响力，为尽可能在保证故障电弧检测可靠性的前提下减少频率分量的计算数量，所以40kHz～60kHz频段被认定为故障电弧特征频段，这一频段的各频率分量作叠加处理最为适合。而对于瑞敦-魏格纳变换所得的时频域而言，所得的矩阵在40kHz～60kHz频段内的偶数频率行有明显的直流分量特征，与奇数频率行变化趋势不一致，所以在进行频率叠加处理时只选取奇数行相叠加。通过上述二维矩阵的时间维度、频率维度处理后，每个时间窗获取两个时频特征值，基于伽柏变换所得的一维特征量在故障电弧发生前幅值平稳、在故障电弧发生时刻出现尖峰、在故障电弧燃烧阶段尤其是稳定生弧时产生更多的大幅值脉冲，基于瑞敦-魏格纳变换所得的一维特征量在故障电弧发生前幅值平稳、在故障电弧发生时刻出现尖峰、在故障电弧燃烧阶段具有较大的输出幅值尤其是稳定生弧时产生更多的大幅值脉冲，故而这两个特征量能够准确指示故障电弧的发生并且反映故障电弧燃烧阶段与类弧工况发生时的差异性特征，选定为光伏系统故障电弧检测方法的特征层。
步骤四、将两特征值输入至训练好的隐式马尔科夫模型，以机器学习的方式去融合故障电弧的多时频特征，通过训练好的隐式马尔科夫模型的输出值来判断是否存在故障电弧，隐式马尔科夫模型输出0代表该时间窗内并网光伏系统处于正常运行状态，输出1代表该时间窗内并网光伏系统内发生了故障电弧，转至步骤五。
所述隐式马尔科夫模型训练速度快、统计规律学习效率高，能在极短的时间内进行特征量的融合并加以判断，进一步加快了光伏系统故障电弧检测方法的判断时间。该模型还不涉及阈值比较及归一化过程，使得机器学习融合过程得以直接在特征层进行，解决了多故障电弧及类弧工况下合适阈值设定过程耗时长的问题，对于不同工况的多特征量不需要进行归一化处理便可对各个时间窗作出较为准确的分类，简化了光伏系统故障电弧检测方法的判断流程，适用于实时处理过程。
步骤五、以隐式马尔科夫模型输出值初步判断此时并网光伏系统的运行状态，若输出0，则判断该时间窗内并网光伏系统处于正常运行状态，返回至步骤一进行下一时间窗内并网光伏系统输出电流信号的状态检测；若输出1，则判断该时间窗内并网光伏系统可能发生了故障电弧，需通过下述标准进一步判断确认故障电弧是否发生：连续输出1的周期是否达到切断故障电弧的周期数设定标准，如果达到标准，则确定并网光伏系统内发生了故障电弧，给相应的脱扣装置发出切断故障电弧支路信号；如果未达到标准，则判定并网光伏系统类弧工况形成了不足数量的连续1输出，返回步骤一进行下一时间窗内并网光伏系统输出电流信号的状态检测。依据本发明方案提出的多特征量具有较强的故障电弧识别能力，实施例选择阈值K＝10，此设计既避免了偶然因素引起直流故障电弧检测装置的误动作，又保证了发出故障电弧支路切断信号的快速性。
在某些类弧工况下，基于伽柏变换所得的第一特征量在某些时间窗内可能发生误判而失去类弧工况的正常判定能力，而基于瑞敦-魏格纳变换所得的第二特征量在这些时间窗内的类弧工况则不发生误判，呈现与正常态一致水平的特征值。隐式马尔科夫模型仍能利用所学习到的故障电弧统计规律及这一有效的特征量较为准确地将类弧工况判定为正常态，这就体现了检测方法关注多重特征量对于提高故障电弧或类弧工况辨识可靠性的好处。如此的光伏系统故障电弧检测方法在能够准确、快速检出多样故障电弧工况的同时，还能有效无误地防范多样的并网光伏系统类弧工况，尤其解决了自然光照变化、光伏拓扑变化、逆变器调节、直流开断、软启动过程等非人为环境下所产生的误动问题，最终提高了并网光伏系统安全稳定运行的能力。
以下阐述应用本发明的光伏系统故障电弧检测方法于并网光伏系统内的多样故障电弧形式辨识，同时也考查了并网光伏系统内源于光伏系统开断、闭合形成的系统软启动、系统直流开断类弧工况辨识。
首先，阐述本发明的光伏系统故障电弧检测方法应用于并网光伏系统内通过熔丝引弧形成故障电弧及通过软启动、直流开断形成类弧的辨识效果。
如图3a所示，以采样频率f＝200kHz获取并网光伏系统输出电流检测信号。在1.06s以前，并网光伏系统处于停机状态，此时并网光伏系统输出电流为0。在1.06s以后，并网光伏系统软启动，相应的并网光伏系统输出电流不断增大，此时电流信号处于正常态，光伏系统通过闭合线路、三相逆变器将电能输送至交流电网。在2.33s以后，并网光伏系统软启动完毕，相应的并网光伏系统输出电流也不再增大，此时电流信号处于故障态，因并网光伏系统总线发生串联故障电弧而产生较小的故障电弧电流波形，而后还在较正常电流低的故障电弧电流中体现了故障电弧所体现的不稳定性。在6.90s以后，直流开关开断并网光伏系统，三相逆变器停止工作，故障电弧熄灭。
通过伽柏变换对电流信号进行分析，所得到的时频域内二维方阵形式在时间维度上采用积分的处理方式，在频率维度上亦采用积分的处理方式，得到基于伽柏变换的第一特征量，如图3b所示。特征层上，在故障电弧发生时刻有大幅值的脉冲指示，系统软启动过程与停机过程的特征值输出水平一致，在故障电弧发生后的特征值比起软启动状态整体变大，在不稳定输出电流信号状态下发出较多的大脉冲指示，比故障电弧初期更为显著。通过瑞敦-魏格纳变换对电流信号进行分析，所得到的时频域内二维方阵形式在时间维度上采用积分的处理方式，在频率维度上只取奇数行频率分量采用累加的处理方式，得到基于瑞敦-魏格纳变换的第二特征量，如图3c所示。为体现在故障电弧初期第二特征量表征的效果较第一特征量更加，保证隐式马尔科夫模型融合后判定结果的正确性，通过放大视角观察瑞敦-魏格纳变换的第二特征量，如图3d所示。特征层上，在故障电弧发生时刻有大幅值的脉冲指示，系统软启动过程与停机过程的特征值输出水平一致，在故障电弧发生后的特征值比起软启动状态整体变大，在不稳定输出电流信号状态下发出较多的大脉冲指示，尤其在故障电弧初期，该特征量较第一特征量体现了更大的特征值输出，有利于故障电弧的准确辨识。
这样多时频特征值的互补过程造就了软启动时的电流信号得以正确的0电平输出、全故障电弧电流信号得以正确的1电平输出，直流开断后的电流信号得以正确的0电平输出，如图3e所示。将两个计算所得的时频特征值输入至隐式马尔科夫模型判断并网光伏系统内是否存在故障电弧。当隐式马尔科夫模型输出0时，则判断该时间窗内并网光伏系统处于正常运行状态，继续进行下一时间窗内并网光伏系统输出电流信号的状态检测；当隐式马尔科夫模型输出1时，则判断该时间窗内并网光伏系统可能发生了故障电弧，需通过下述标准进一步判断确认故障电弧是否发生：连续输出1的周期达到10个后，则确定并网光伏系统内发生了故障电弧，给相应的脱扣装置发出切断故障电弧支路信号，而类弧工况必然会因为某些输出0的时间窗未达到触发标准，判定此时并网光伏系统内发生了类弧工况而不发出脱扣装置控制信号，继续进行下一时间窗内并网光伏系统输出电流信号的状态检测。为验证该检测方法对故障电弧工况检测的可靠性，在检出故障电弧后检测方法仍不间断地对每个时间窗电流信号继续判断故障电弧有无发生。由图3e所示的结果，检测方法面对正常软启动电流能够给出正确的低电平指示，对所有的故障态电流信号能够给出正确的高电平指示，对直流开断后的停机电流能够给出正确的低电平指示，因而该检测方法较为准确地区分了并网光伏系统内的故障电弧和多种类弧工况。
第二，阐述本发明的光伏系统故障电弧检测方法应用于并网光伏系统内通过拉弧形成故障电弧及直流开断类弧的辨识效果。
如图4a所示，以采样频率f＝200kHz获取并网光伏系统输出电流检测信号。在1.05s以前，电流信号处于正常态，此时光伏系统通过闭合线路、三相逆变器将电能输送至交流电网；1.05s后，电流信号处于故障态，此时因并网光伏系统总线发生串联故障电弧而产生动态降低的故障电弧电流波形；1.28s时逆变器方法调节之前较低水平的故障电弧电流波形，使之动态升高，而后较高的故障电流得以维持。在4.56s以后，直流开关开断并网光伏系统，三相逆变器停止工作，故障电弧熄灭。
通过伽柏变换对电流信号进行分析，所得到的时频域内二维方阵形式在时间维度上采用积分的处理方式，在频率维度上亦采用积分的处理方式，得到基于伽柏变换的第一特征量，如图4b所示。特征层上，在故障电弧发生时刻有大幅值的脉冲指示，直流开断后电流信号的特征值输出水平较正常电流的特征输出还低，有利于该类弧状态的分离，在故障电弧发生后的特征值比起正常状态整体变大，在不稳定输出电流信号状态下发出较多的大脉冲指示，比故障电弧初期更为显著。通过瑞敦-魏格纳变换对电流信号进行分析，所得到的时频域内二维方阵形式在时间维度上采用积分的处理方式，在频率维度上只取奇数行频率分量采用累加的处理方式，得到基于瑞敦-魏格纳变换的第二特征量，如图4c所示。除了故障电弧发生时刻的大幅值脉冲指示、在故障电弧发生后的特征值整体比正常态变大的特征外，第二特征量在故障电弧初期表征的故障电弧分离效果较第一特征量更显著，第一特征量在故障电弧后期表征的故障电弧分离效果较第二特征量更显著，保证隐式马尔科夫模型融合后对故障电弧判定结果的正确性。
这样多时频特征值的互补过程造就了正常运行时的电流信号得以正确的0电平输出、全故障电弧电流信号得以正确的1电平输出，直流开断后的电流信号得以正确的0电平输出，如图4d所示。将两个计算所得的时频特征值输入至隐式马尔科夫模型判断并网光伏系统内是否存在故障电弧。当隐式马尔科夫模型输出0时，则判断该时间窗内并网光伏系统处于正常运行状态，继续进行下一时间窗内并网光伏系统输出电流信号的状态检测；当隐式马尔科夫模型输出1时，则判断该时间窗内并网光伏系统可能发生了故障电弧，需通过下述标准进一步判断确认故障电弧是否发生：连续输出1的周期达到10个后，则确定并网光伏系统内发生了故障电弧，给相应的脱扣装置发出切断故障电弧支路信号，而类弧工况必然会因为某些输出0的时间窗未达到触发标准，判定此时并网光伏系统内发生了类弧工况而不发出脱扣装置控制信号，继续进行下一时间窗内并网光伏系统输出电流信号的状态检测。为验证该检测方法对故障电弧工况检测的可靠性，在检出故障电弧后检测方法仍不间断地对每个时间窗电流信号继续判断故障电弧有无发生。由图4d所示的结果，检测方法面对正常运行电流能够给出正确的低电平指示，对所有的故障态电流信号能够给出正确的高电平指示，对直流开断后的停机电流能够给出正确的低电平指示，因而该检测方法较为准确地区分了并网光伏系统内的故障电弧和类弧工况。
下面阐述应用本发明的光伏系统故障电弧检测方法于并网光伏系统内多种源于光伏侧、逆变侧的类弧工况辨识。
首先，阐述本发明的光伏系统故障电弧检测方法应用于并网光伏系统内通过光伏拓扑变化形成类弧的辨识效果。
如图5a所示，以采样频率f＝200kHz获取并网光伏系统输出电流检测信号。在1.71s以前，电流信号处于正常态，此时光伏系统通过闭合线路、三相逆变器将电能输送至交流电网；1.71s时，电流信号仍处于正常态，此时因并网光伏系统光伏串数减少而产生陡然降低的正常电流波形，并将较低的正常电流等级得以维持；9.99s时，电流信号仍处于正常态，此时因并网光伏系统光伏串数增多而产生陡然升高的正常电流波形，并将较高的正常电流等级得以维持；12.28s时，电流信号仍处于正常态，此时因并网光伏系统光伏串数进一步的增多而产生陡然更高的正常电流波形，并将较高的正常电流等级得以维持；18.05时，电流信号仍处于正常态，此时因并网光伏系统光伏串数减少而产生陡然降低的正常电流波形。
通过伽柏变换对电流信号进行分析，所得到的时频域内二维方阵形式在时间维度上采用积分的处理方式，在频率维度上亦采用积分的处理方式，得到基于伽柏变换的第一特征量，如图5b所示。特征层上，光伏串数变化时刻均有大幅值的脉冲指示，其幅值变化趋势与光伏串数对电流变化的影响一致。通过瑞敦-魏格纳变换对电流信号进行分析，所得到的时频域内二维方阵形式在时间维度上采用积分的处理方式，在频率维度上只取奇数行频率分量采用累加的处理方式，得到基于瑞敦-魏格纳变换的第二特征量，如图5c所示。特征层上，该特征量仅在光伏串数变化时刻有大幅值的脉冲指示，特征值则与时域电流信号高低水平无关，故而第二特征量在该类弧工况下的检测效果较第一特征量更好，保证了隐式马尔科夫模型融合后对类弧判定结果的正确性。
这样多时频特征值的互补过程造就了正常运行时的电流信号得以正确的0电平输出、光伏串数增减的电流信号得以正确的0电平输出，如图5d所示。将两个计算所得的时频特征值输入至隐式马尔科夫模型判断并网光伏系统内是否存在故障电弧。当隐式马尔科夫模型输出0时，则判断该时间窗内并网光伏系统处于正常运行状态，继续进行下一时间窗内并网光伏系统输出电流信号的状态检测；当隐式马尔科夫模型输出1时，则判断该时间窗内并网光伏系统可能发生了故障电弧，需通过下述标准进一步判断确认故障电弧是否发生：连续输出1的周期达到10个后，则确定并网光伏系统内发生了故障电弧，给相应的脱扣装置发出切断故障电弧支路信号，而类弧工况必然会因为某些输出0的时间窗未达到触发标准，判定此时并网光伏系统内发生了类弧工况而不发出脱扣装置控制信号，继续进行下一时间窗内并网光伏系统输出电流信号的状态检测。为验证该检测方法对故障电弧工况检测的可靠性，在检出故障电弧后检测方法仍不间断地对每个时间窗电流信号继续判断故障电弧有无发生。由图5d所示的结果，检测方法面对正常运行时的电流信号能够给出正确的低电平指示，尽管在光伏串数变化后，只有瑞敦-魏格纳变换的特征量是有效的，但检测方法内的隐式马尔科夫模型面对这些光伏串数增减形成的类弧电流信号依然能够给出正确的低电平指示，因而该检测方法较为准确地区分了并网光伏系统内的光伏拓扑频繁变化这一类弧工况。
第二，阐述本发明的光伏系统故障电弧检测方法应用于并网光伏系统内通过光照渐变、逆变器调节形成类弧的辨识效果。
如图6a所示，以采样频率f＝200kHz获取并网光伏系统输出电流检测信号。在3.45s以前，电流信号处于正常态，此时光伏系统通过闭合线路、三相逆变器将电能输送至交流电网，这里受到光照渐变不稳定而呈现小幅度波动的电流信号；在3.45s以后，电流信号仍处于正常态，此时因逆变器调节而产生动态降低的正常电流波形，并将较低的正常电流等级得以维持。
通过伽柏变换对电流信号进行分析，所得到的时频域内二维方阵形式在时间维度上采用积分的处理方式，在频率维度上亦采用积分的处理方式，得到基于伽柏变换的第一特征量，如图6b所示。特征层上，其幅值对逆变器调节影响较光照渐变更加敏感，其幅值变化趋势与逆变器调节对电流变化的影响一致。通过瑞敦-魏格纳变换对电流信号进行分析，所得到的时频域内二维方阵形式在时间维度上采用积分的处理方式，在频率维度上只取奇数行频率分量采用累加的处理方式，得到基于瑞敦-魏格纳变换的第二特征量，如图6c所示。特征层上，该特征量基本克服了光照渐变、逆变器调节的影响，使得这些类弧工况下的特征值与正常运行时的特征值无异，特征值则与时域电流信号高低水平无关，故而第二特征量在该类弧工况下的检测效果较第一特征量更好，保证了隐式马尔科夫模型融合后对类弧判定结果的正确性。
这样多时频特征值的互补过程造就了正常运行时的电流信号得以正确的0电平输出、光照渐变时的电流信号得以正确的0电平输出、逆变器调节时的电流信号得以正确的0电平输出，如图6d所示。将两个计算所得的时频特征值输入至隐式马尔科夫模型判断并网光伏系统内是否存在故障电弧。当隐式马尔科夫模型输出0时，则判断该时间窗内并网光伏系统处于正常运行状态，继续进行下一时间窗内并网光伏系统输出电流信号的状态检测；当隐式马尔科夫模型输出1时，则判断该时间窗内并网光伏系统可能发生了故障电弧，需通过下述标准进一步判断确认故障电弧是否发生：连续输出1的周期达到10个后，则确定并网光伏系统内发生了故障电弧，给相应的脱扣装置发出切断故障电弧支路信号，而类弧工况必然会因为某些输出0的时间窗未达到触发标准，判定此时并网光伏系统内发生了类弧工况而不发出脱扣装置控制信号，继续进行下一时间窗内并网光伏系统输出电流信号的状态检测。为验证该检测方法对故障电弧工况检测的可靠性，在检出故障电弧后检测方法仍不间断地对每个时间窗电流信号继续判断故障电弧有无发生。由图6d所示的结果，检测方法面对正常运行时的电流信号能够给出正确的低电平指示，尽管在逆变器调节后，只有瑞敦-魏格纳变换的特征量是有效的，但检测方法内的隐式马尔科夫模型面对逆变器调节形成的类弧电流信号依然能够给出正确的低电平指示，因而该检测方法较为准确地区分了并网光伏系统内的光照渐变、逆变器调节这些类弧工况。
第三，阐述本发明的光伏系统故障电弧检测方法应用于并网光伏系统内通过光照变化形成类弧的辨识效果。
如图7a所示，以采样频率f＝200kHz获取并网光伏系统输出电流检测信号。在12.48s以前，电流信号处于正常态，此时光伏系统通过闭合线路、三相逆变器将电能输送至交流电网，这里受到光照渐变不稳定而呈现小幅度波动的电流信号；在12.48s以后，电流信号仍处于正常态，但此时因光照显著减小而产生动态降低的正常电流波形，并将较低的正常电流等级得以维持。
通过伽柏变换对电流信号进行分析，所得到的时频域内二维方阵形式在时间维度上采用积分的处理方式，在频率维度上亦采用积分的处理方式，得到基于伽柏变换的第一特征量，如图7b所示。特征层上，其幅值对光照显著变化影响较光照渐变更加敏感，其幅值基本消除了光照渐变因素的干扰，而在光照显著减小时的特征值变化趋势则与电流变化一致。通过瑞敦-魏格纳变换对电流信号进行分析，所得到的时频域内二维方阵形式在时间维度上采用积分的处理方式，在频率维度上只取奇数行频率分量采用累加的处理方式，得到基于瑞敦-魏格纳变换的第二特征量，如图7c所示。特征层上，该特征量基本克服了光照渐变、光照显著减小的影响，使得这些类弧工况下的特征值与正常运行时的特征值无异，特征值则与时域电流信号高低水平无关，故而第二特征量在该类弧工况下的检测效果较第一特征量更好，保证了隐式马尔科夫模型融合后对类弧判定结果的正确性。
这样多时频特征值的互补过程造就了正常运行时的电流信号得以正确的0电平输出、光照渐变时的电流信号得以正确的0电平输出、光照显著减小时的电流信号得以正确的0电平输出，如图7d所示。将两个计算所得的时频特征值输入至隐式马尔科夫模型判断并网光伏系统内是否存在故障电弧。当隐式马尔科夫模型输出0时，则判断该时间窗内并网光伏系统处于正常运行状态，继续进行下一时间窗内并网光伏系统输出电流信号的状态检测；当隐式马尔科夫模型输出1时，则判断该时间窗内并网光伏系统可能发生了故障电弧，需通过下述标准进一步判断确认故障电弧是否发生：连续输出1的周期达到10个后，则确定并网光伏系统内发生了故障电弧，给相应的脱扣装置发出切断故障电弧支路信号，而类弧工况必然会因为某些输出0的时间窗未达到触发标准，判定此时并网光伏系统内发生了类弧工况而不发出脱扣装置控制信号，继续进行下一时间窗内并网光伏系统输出电流信号的状态检测。为验证该检测方法对故障电弧工况检测的可靠性，在检出故障电弧后检测方法仍不间断地对每个时间窗电流信号继续判断故障电弧有无发生。由图7d所示的结果，检测方法面对正常运行时的电流信号能够给出正确的低电平指示，尽管在光照显著减小后，只有瑞敦-魏格纳变换的特征量是有效的，但检测方法内的隐式马尔科夫模型面对光照显著减小形成的类弧电流信号依然能够给出正确的低电平指示，因而该检测方法较为准确地区分了并网光伏系统内的光照渐变、光照显著变化这些类弧工况。
本发明所提供的光伏故障电弧检测方法通过分类型智能学习的方式掌握了光伏系统故障电弧的统计规律及核心特征，解决了多种故障电弧工况的拒动问题，可靠、快速动作实际并网光伏系统内可能产生多种多样的故障电弧，多个故障电弧特征的使用大大拓宽了所能探测的故障电弧工况范围，解决了因所发生故障电弧工况的未知性而产生的拒动问题，有效防止了故障电弧给并网光伏系统运行、人身财产带来的安全威胁。本发明也能有效无误地防范并网光伏系统的类弧事故，尤其解决了自然光照变化、光伏拓扑变化、逆变器调节、直流开断、软启动过程等非人为环境下所产生的并网光伏系统误动问题，大幅延长了并网光伏系统的运行时间，大幅提高了并网光伏系统的运行效率，提高了并网光伏系统安全稳定运行的能力。
本发明通过机器学习方式融合了多个时频特征量，即便其中一重特征量失效，隐式马尔科夫模型仍能利用所学习到的故障电弧统计规律及剩余其他有效的特征量仍能作出较为准确的判断结果，提高了故障电弧或类弧工况辨识的可靠性。与此同时，所选用的隐式马尔科夫模型训练速度快、统计规律学习效率高，能在极短的时间内进行特征量的融合并加以判断，进一步加快了光伏系统故障电弧检测方法的判断时间。隐式马尔科夫模型还不涉及阈值比较及归一化过程，解决了多故障电弧及类弧工况下合适阈值设定过程耗时长的问题，对于不同工况的多特征量不需要进行归一化处理便可对各个时间窗作出较为准确的分类，简化了光伏系统故障电弧检测方法的判断流程，适用于实时处理过程。
本发明所提供的光伏故障电弧检测方法具有一定的可移植性。一方面，本发明所提供的光伏系统故障电弧检测信号不局限于光伏系统输出电流信号，一切具有能量迁移这一故障电弧时频特性的检测信号均可作为本发明所述的光伏系统故障电弧检测方法的输入。另一方面，通过变更学习样本可令光伏系统故障电弧检测方法应用于带其他逆变器负载的并网光伏系统中，譬如以三相/单相逆变器、三相/单相多级逆变器为负载的并网光伏系统，由此解决了直流故障电弧检测装置在故障电弧工况下产生的拒动问题，有效提升了并网光伏系统故障电弧检测的快速性和可靠性，避免了这些工况下故障电弧所造成的生命财产损失，同时解决了直流故障电弧检测装置在类弧工况下产生的误动问题，大幅延长了并网光伏系统的运行时间，大幅提高了并网光伏系统的运行效率，提高了并网光伏系统安全稳定运行的能力。
Claims (10)
1.一种机器学习融合多时频特征的光伏系统故障电弧检测方法，其特征在于：该光伏系统故障电弧融合检测方法包括以下步骤：
1)并网光伏系统运行中，以采样频率f对并网光伏系统内能显示故障电弧特征的输出信号逐点采样，按照时间窗长度Ts选取采样点，得到检测信号xn，转至步骤2)；
2)对检测信号xn作伽柏变换，得到检测信号xn在时频域内对应的方阵分布形式，对检测信号xn作瑞敦-魏格纳变换，得到检测信号xn在时频域内对应的矩阵分布形式，转至步骤3)；
3)对步骤2)中两个变换得到的矩阵元素分别进行时间维度的积分运算，然后分别选取频率维度上的特定分量进行处理，得到对应的M个特征量，M>1，转至步骤4)，所述特定分量满足：准确指示故障电弧发生的时间窗，且能够显示故障电弧燃烧阶段与系统类弧暂态阶段的差异；
4)将当前时间窗下M个特征量的值输入至隐式马尔科夫模型，通过隐式马尔科夫模型的输出值来判断是否存在故障电弧事件，若隐式马尔科夫模型的输出值为1，转至步骤5)进行进一步分析；若隐式马尔科夫模型的输出值为0，判断并网光伏系统在当前时间窗内正常运行，返回步骤1)进行下一时间窗下的检测信号分析；
5)判断隐式马尔科夫模型的连续输出高电平的个数是否满足设定标准，如果隐式马尔科夫模型连续输出1的个数达到设定标准，则判定并网光伏系统内发生故障电弧；否则，判定并网光伏系统内发生类弧工况干扰，返回步骤1)继续进行下一时间窗下的检测信号分析。
2.根据权利要求1所述一种机器学习融合多时频特征的光伏系统故障电弧检测方法，其特征在于：所述采样频率f的取值范围为120kHz～500MHz；所述时间窗长度与采样频率的关系为Ts＝N/f，其中N为时间窗内检测信号的采样点个数，采样点个数N的取值范围为800～20000；f为2N的整数倍。
3.根据权利要求1所述一种机器学习融合多时频特征的光伏系统故障电弧检测方法，其特征在于：所述伽柏变换所选用的时间窗类型为高斯窗；伽柏变换中的过采样度q的取值范围为3～6，时间系数Nh的取值范围为30～38；在瑞敦-魏格纳变换后的t-w坐标系中，任意点的极角ψ取值范围为[π/4，3×π/4)。
4.根据权利要求1所述一种机器学习融合多时频特征的光伏系统故障电弧检测方法，其特征在于：所述伽柏变换在时频域上的方阵形式和瑞敦-魏格纳变换在时频域上的矩阵形式在时间维度上的处理方式为：采用时间维度积分方式而非随机选取某一个或几个时间维度的特定分量构建多时频特征量。
5.根据权利要求1所述一种机器学习融合多时频特征的光伏系统故障电弧检测方法，其特征在于：所述故障电弧特征频段选为40kHz～60kHz且与采样频率f无关；采用累加方式处理频率维度的特定分量，基于伽柏变换得到的时频特征量采用频率维度的积分方式，基于瑞敦-魏格纳变换得到的时频特征量采用频率维度奇数行分量的累加方式。
6.根据权利要求1所述一种机器学习融合多时频特征的光伏系统故障电弧检测方法，其特征在于：隐式马尔科夫模型的融合过程直接在特征层上进行，不需要对各特征量进行归一化处理、阈值判断处理。
7.根据权利要求1所述一种机器学习融合多时频特征的光伏系统直流检测方法，其特征在于：所述隐式马尔科夫模型已经完成了机器学习训练过程，机器学习样本总容量的取值范围为100000～2000000，用于隐式马尔科夫模型学习的样本数据取总容量的1/4～1/2；学习样本序列在输入至隐式马尔科夫模型进行训练时未进行故障电弧状态标识，机器学习的训练方法为Baum-Welch算法。
8.根据权利要求1所述一种机器学习融合多时频特征的光伏系统故障电弧检测方法，其特征在于：特征量个数M的取值范围为2～5个；构建的M个特征量中至少有一个特征量能够在任一时间窗下给出正确的判断结果。
9.根据权利要求1所述一种机器学习融合多时频特征的光伏系统故障电弧检测方法，其特征在于：所述设定标准为连续K个时间窗内隐式马尔科夫模型均输出1，K的取值范围为5～10。
10.根据权利要求1所述一种机器学习融合多时频特征的光伏系统故障电弧检测方法，其特征在于：所述光伏系统故障电弧检测方法可通过变更学习样本数据库应用到不同逆变器负载下的并网光伏系统中，完成故障电弧与类弧工况的准确识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710278936.4A CN107086855B (zh) | 2017-04-25 | 2017-04-25 | 一种机器学习融合多时频特征的光伏系统故障电弧检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710278936.4A CN107086855B (zh) | 2017-04-25 | 2017-04-25 | 一种机器学习融合多时频特征的光伏系统故障电弧检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107086855A true CN107086855A (zh) | 2017-08-22 |
| CN107086855B CN107086855B (zh) | 2018-10-30 |
Family
ID=59612433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710278936.4A Active CN107086855B (zh) | 2017-04-25 | 2017-04-25 | 一种机器学习融合多时频特征的光伏系统故障电弧检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107086855B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109541418A (zh) * | 2019-01-17 | 2019-03-29 | 北京腾锐视讯科技有限公司 | 一种故障电弧检测传感器及故障电弧检测方法 |
| CN109560770A (zh) * | 2018-10-29 | 2019-04-02 | 西安交通大学 | 基于自适应核函数和瞬时频率估计的光伏系统故障电弧检测方法 |
| CN109738771A (zh) * | 2019-03-12 | 2019-05-10 | 长春工程学院 | 基于深度学习的串联型故障电弧试验平台及其试验方法 |
| CN109768769A (zh) * | 2019-03-28 | 2019-05-17 | 广东电网有限责任公司 | 一种光伏系统故障电弧识别方法及装置 |
| WO2021043027A1 (zh) * | 2019-09-03 | 2021-03-11 | 复旦大学 | 一种基于机器学习的光伏系统直流故障电弧检测方法 |
| CN112904157A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于集成机器学习的故障电弧检测方法 |
| CN113095173A (zh) * | 2021-03-29 | 2021-07-09 | 西安交通大学 | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 |
| CN113094983A (zh) * | 2021-03-29 | 2021-07-09 | 西安交通大学 | 一种光伏系统直流故障电弧多维时变特性的在线模拟方法 |
| CN113297786A (zh) * | 2021-05-06 | 2021-08-24 | 西安理工大学 | 一种基于半监督式机器学习的低压故障电弧感知方法 |
| CN113777448A (zh) * | 2021-08-09 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种确定光伏组件阵列电弧故障发生时刻的方法及装置 |
| CN114447892A (zh) * | 2020-11-04 | 2022-05-06 | Abb瑞士股份有限公司 | 在电气保护系统中使用数据分析的滋扰跳闸决策管理 |
| CN117092980A (zh) * | 2023-08-05 | 2023-11-21 | 淮阴师范学院 | 一种基于大数据的电气故障检测控制系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110141644A1 (en) * | 2009-12-15 | 2011-06-16 | Hastings Jerome K | Direct current arc fault circuit interrupter, direct current arc fault detector, noise blanking circuit for a direct current arc fault circuit interrupter, and method of detecting arc faults |
| JP2013500476A (ja) * | 2009-07-23 | 2013-01-07 | エンフェイズ エナジー インコーポレイテッド | Ｄｃアーク故障を検出及び制御するための方法及び装置 |
| KR20150073870A (ko) * | 2013-12-23 | 2015-07-01 | 센사타 테크놀로지스 매사추세츠, 인크. | 멀티스트링 아크 고장 검출 디바이스의 개선된 노이즈 전파 면역성 |
-
2017
- 2017-04-25 CN CN201710278936.4A patent/CN107086855B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013500476A (ja) * | 2009-07-23 | 2013-01-07 | エンフェイズ エナジー インコーポレイテッド | Ｄｃアーク故障を検出及び制御するための方法及び装置 |
| US20110141644A1 (en) * | 2009-12-15 | 2011-06-16 | Hastings Jerome K | Direct current arc fault circuit interrupter, direct current arc fault detector, noise blanking circuit for a direct current arc fault circuit interrupter, and method of detecting arc faults |
| KR20150073870A (ko) * | 2013-12-23 | 2015-07-01 | 센사타 테크놀로지스 매사추세츠, 인크. | 멀티스트링 아크 고장 검출 디바이스의 개선된 노이즈 전파 면역성 |
Non-Patent Citations (1)
| Title |
|---|
| 陈思磊，李兴文，屈建宁: ""直流故障电弧研究综述"", 《电器与能效管理技术》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109560770A (zh) * | 2018-10-29 | 2019-04-02 | 西安交通大学 | 基于自适应核函数和瞬时频率估计的光伏系统故障电弧检测方法 |
| CN109560770B (zh) * | 2018-10-29 | 2020-03-13 | 西安交通大学 | 基于自适应核函数和瞬时频率估计的光伏系统故障电弧检测方法 |
| WO2020087752A1 (zh) * | 2018-10-29 | 2020-05-07 | 西安交通大学 | 基于自适应核函数和瞬时频率估计的光伏系统故障电弧检测方法 |
| CN109541418A (zh) * | 2019-01-17 | 2019-03-29 | 北京腾锐视讯科技有限公司 | 一种故障电弧检测传感器及故障电弧检测方法 |
| CN109738771A (zh) * | 2019-03-12 | 2019-05-10 | 长春工程学院 | 基于深度学习的串联型故障电弧试验平台及其试验方法 |
| CN109738771B (zh) * | 2019-03-12 | 2023-10-13 | 长春工程学院 | 基于深度学习的串联型故障电弧试验平台及其试验方法 |
| CN109768769A (zh) * | 2019-03-28 | 2019-05-17 | 广东电网有限责任公司 | 一种光伏系统故障电弧识别方法及装置 |
| CN109768769B (zh) * | 2019-03-28 | 2020-07-07 | 广东电网有限责任公司 | 一种光伏系统故障电弧识别方法及装置 |
| WO2021043027A1 (zh) * | 2019-09-03 | 2021-03-11 | 复旦大学 | 一种基于机器学习的光伏系统直流故障电弧检测方法 |
| CN114447892A (zh) * | 2020-11-04 | 2022-05-06 | Abb瑞士股份有限公司 | 在电气保护系统中使用数据分析的滋扰跳闸决策管理 |
| CN114447892B (zh) * | 2020-11-04 | 2023-10-24 | Abb瑞士股份有限公司 | 在电气保护系统中使用数据分析的滋扰跳闸决策管理 |
| CN112904157A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于集成机器学习的故障电弧检测方法 |
| CN113094983A (zh) * | 2021-03-29 | 2021-07-09 | 西安交通大学 | 一种光伏系统直流故障电弧多维时变特性的在线模拟方法 |
| CN113094983B (zh) * | 2021-03-29 | 2022-12-09 | 西安交通大学 | 一种光伏系统直流故障电弧多维时变特性的在线模拟方法 |
| CN113095173A (zh) * | 2021-03-29 | 2021-07-09 | 西安交通大学 | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 |
| CN113095173B (zh) * | 2021-03-29 | 2024-04-02 | 西安交通大学 | 一种Adaboost融合多分类器的光伏系统故障电弧检测方法 |
| CN113297786B (zh) * | 2021-05-06 | 2023-04-07 | 西安理工大学 | 一种基于半监督式机器学习的低压故障电弧感知方法 |
| CN113297786A (zh) * | 2021-05-06 | 2021-08-24 | 西安理工大学 | 一种基于半监督式机器学习的低压故障电弧感知方法 |
| CN113777448A (zh) * | 2021-08-09 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种确定光伏组件阵列电弧故障发生时刻的方法及装置 |
| CN117092980A (zh) * | 2023-08-05 | 2023-11-21 | 淮阴师范学院 | 一种基于大数据的电气故障检测控制系统 |
| CN117092980B (zh) * | 2023-08-05 | 2024-02-06 | 淮阴师范学院 | 一种基于大数据的电气故障检测控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107086855B (zh) | 2018-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107086855B (zh) | 一种机器学习融合多时频特征的光伏系统故障电弧检测方法 | |
| CN109560770B (zh) | 基于自适应核函数和瞬时频率估计的光伏系统故障电弧检测方法 | |
| EP2741388B1 (en) | Method and apparatus for detection and control of DC arc faults | |
| CN103438797B (zh) | 变压器绕组变形在线检测方法与系统 | |
| CN104242267B (zh) | 一种风力发电送出输电线路距离保护方法 | |
| CN104635133A (zh) | 一种新型故障电弧检测方法及装置 | |
| CN103683198B (zh) | 一种基于差动电流相邻阶次差分构成的平面上相邻点距离的励磁涌流快速识别方法 | |
| CN104767481B (zh) | 一种太阳能光伏电站的工作状态监测方法及系统 | |
| CN106961248B (zh) | 光伏系统故障电弧检测方法 | |
| CN106501668A (zh) | 一种传统配电网单相断线故障选线方法 | |
| CN103439633A (zh) | 一种小电流接地故障选线装置 | |
| CN105403816A (zh) | 一种光伏系统直流故障电弧的识别方法 | |
| CN112924750B (zh) | 故障电弧检测方法及系统 | |
| CN105138843A (zh) | 电力系统采样飞点检测及其修复方法 | |
| Livera et al. | Failure diagnosis of short-and open-circuit fault conditions in PV systems | |
| CN113109671B (zh) | 一种加速故障电流小半波阶段检测的方法 | |
| Aboshady et al. | Fault detection and classification scheme for PV system using array power and cross-strings differential currents | |
| CN104779909B (zh) | 一种太阳能光伏电站的工作状态监测方法及系统 | |
| CN109672153A (zh) | 基于abc-αβ变化的交直流互联系统交流差动保护方法 | |
| Alam et al. | A short length window-based method for islanding detection in distributed generation | |
| CN104062555B (zh) | 配电线路高阻接地故障特征谐波的辨识方法 | |
| CN105866592A (zh) | 动态无功补偿响应波形采集系统及采集方法 | |
| CN102185335A (zh) | 一种新型孤岛检测方法及系统 | |
| CN105006837B (zh) | 基于非线性动力学特性的光伏微网灾变预测方法及装置 | |
| CN107632237A (zh) | 一种基于故障后小波特征量相关性的单相接地故障选线方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |