CN110417351A - 光伏系统直流侧电弧故障检测系统及检测方法 - Google Patents
光伏系统直流侧电弧故障检测系统及检测方法 Download PDFInfo
- Publication number
- CN110417351A CN110417351A CN201910707391.3A CN201910707391A CN110417351A CN 110417351 A CN110417351 A CN 110417351A CN 201910707391 A CN201910707391 A CN 201910707391A CN 110417351 A CN110417351 A CN 110417351A
- Authority
- CN
- China
- Prior art keywords
- current
- electric arc
- data
- signal
- arbiter
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000010891 electric arc Methods 0.000 claims abstract description 61
- 230000003321 amplification Effects 0.000 claims abstract description 11
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 11
- 239000003990 capacitor Substances 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000004804 winding Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 description 9
- 238000000034 method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 150000001768 cations Chemical class 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02H—EMERGENCY PROTECTIVE CIRCUIT ARRANGEMENTS
- H02H9/00—Emergency protective circuit arrangements for limiting excess current or voltage without disconnection
- H02H9/08—Limitation or suppression of earth fault currents, e.g. Petersen coil
-
- 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
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- 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
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种光伏系统直流侧电弧故障检测系统及检测方法,采样电感串在汇流箱输出到逆变器的线路上,电容串联电流互感器一次侧绕组后并联在采样电感两端,电流互感器的二次侧绕组采集直流侧电弧的特征交流信号送滤波放大电路,滤波放大电路的输出处理后的电流信号送入数字信号处理器进行判断后,输出判断结果经过通讯模块送出。采集光伏系统直流侧交流电流信号并提取出频域的信号特征;对上述信号进行预判断;对GAN模型进行训练;判断直流故障电弧并发送警报信息。为了降低误检率并提高检测系统的鲁棒性,将生成式对抗网络引入故障电弧的判断。能够降低直流故障电弧的误检率,提高检出率,确保光伏系统直流侧安全稳定运行。
Description
技术领域
本发明涉及一种光伏直流故障电弧检测技术,特别涉及一种基于生成式对抗网络(GAN)的光伏系统直流侧电弧故障检测系统及检测方法。
背景技术
光伏发电系统作为一种绿色环保的新能源产品,近年来在全世界范围内得到了快速的发展和广泛的应用。随着由大量太阳能板构成的大型“太阳能场”不断向越来越多的更小型住宅和商业安装的演变,越来越需要建立安全措施以避免发生与高电压相关的灾难性事件,这些事件通常是由故障电弧导致的。当线路或电气接头出现故障时,高电压直流线路可能会产生电弧,这些电弧可使装置带电,可能会使接触装置的人触电,甚至是引发火灾造成大范围财产损失。
电弧是一种气体游离放电现象,当高电压直流系统中间隙两点之间受到外部电场作用,电子向阳极移动,正离子向阴极移动,如果正离子的能量能使阴极游离出新的电子,即形成电弧。故障电弧的类型可以按产生的方式分为三类:串联电弧,并联电弧和接地电弧。电弧类型也分为直流电弧和交流电弧,其中因为直流电弧中电流没有过零点,产生之后无法自行熄灭而持续燃烧,和交流电弧相比具有更容易引发火灾等事故的特性。接地电弧通常是指相线与地、接地的金属或者设备外壳间产生的电弧短路故障,可以采取短路保护装置应对。并联电弧通常是发生在相线之间,多是由于导体绝缘破坏所致,由于并联电弧发生时回路电流通常会显著增大,使用电弧故障断路器可以有效消除并联电弧故障。而对于串联电弧和并联电弧,串联故障更难检测,因为直流电弧电流的特点是类似负载电流降低特性,传统的电弧故障断路器不能准确动作切断串联电弧电路。
目前用于光伏系统的检测直流故障电弧的方法主要可以分为以下三种:
(1)基于电弧物理特性的检测方法:主要有视觉、热变化等物理方法,视觉和热变化的方法是通过俯视角度观察光伏阵列和观察探测器颜色的变化来检测电弧。由于该方法需要使用热成像仪或其他阵列前端的设备,在实际应用中需安装在故障电弧的发生点附近,且成本较高不经济,并不适合光伏系统的实际应用。
(2)基于电弧数学模型的检测方法:目前的电弧模型主要分为两类,一类是物理数学模型,该类模型考虑了湍流、非平衡热力学效应、辐射等实际因素的影响,导致系统求解条件复杂,建立模型后需要耗费较长时间来求解,因此,在实际工程中难以得到广泛地应用。另一类是黑盒模型,只考虑模型中电弧与外部相关参数所存在的关系,通过合理的简化与科学抽象的途径,便能简单直接地反映出电弧与实际电路拓扑和工作条件的关系,在实际分析中占主要地位。
(3)基于电压、电流信号时频域特性的检测方法:根据线路产生电弧时的电流、电压变化来检测电弧。由于直流串行电弧故障电流波形一般情况下幅值小于正常工作时的电流幅值;某个时段波形会变陡峭,即在某时刻di/dt变化过大;而且电弧故障的电压、电流波形中存在高频噪声分量;故障电弧产生后有一个瞬间压降等的电弧故障特点,如果电弧检测电路检测到回路中的电流电压满足以上全部或者一定数量的特征,则认为回路发生了电弧故障。
基于电流电压波形变化的检测方法简单,且检测位置受限制较小,只需要在逆变器上安装一个电弧检测装置就可以精确地检测到故障电弧,成为目前的主流方法。但是这种方法也存在很大的不足,由于光伏系统受光照和温度变化的影响,输出电流和电压的幅值不稳定,容易造成检测器的误判。
发明内容
本发明是针对光伏系统直流侧传统的故障电弧检测装置容易受到干扰,准确率低,误检率高的问题,提出了一种光伏系统直流侧电弧故障检测系统及检测方法,通过直流故障电弧预判断及GAN的分类判断,能够在光伏系统运行中准确检测直流故障电弧的发生,以便及时对直流故障电弧予以阻断,保障光伏系统的安全运行。
本发明的技术方案为:一种光伏系统直流侧电弧故障检测系统,光伏阵列输出直流电流,多条直流支路在汇流箱中并联汇流后,总的直流电流输入逆变器中,逆变器将直流电转变为交流电输送至电网,采样电感串在汇流箱输出到逆变器的线路上,电容串联电流互感器一次侧绕组后并联在采样电感两端,电流互感器的二次侧绕组采集直流侧电弧的特征交流信号送滤波放大电路,滤波放大电路的输出处理后的电流信号送入数字信号处理器进行判断后,输出判断结果经过通讯模块送出。
所述光伏系统直流侧电弧故障检测系统的检测方法,具体包括如下步骤:
1)采集光伏系统直流侧的电流信号并处理,具体为:信号采集模块位于光伏系统直流侧汇流箱和逆变器之间,将采集的实时电流信号通过硬件滤波放大电路保留40kHz-100kHz的电流信号,并采用加窗傅里叶变换转换到频域中。
数字信号处理器接收滤波放大电路输出处理后的电流信号,首先通过模数转换对电流信号进行转换,再对采样到的数字量进行加窗傅里叶变换分析,采集1024个数据为一组序列;对总数为1024的数据序列进行高斯窗函数加权处理;使用快速傅氏变换对加权后的数据加窗序列进行频谱变换,取转换后取数据的前513频点,将第一个频点去除,得到512个频点构成特征向量的电流信号频谱,作为一组电流数据;
2)对步骤1)处理后的的电流数据进行直流故障电弧预判断:采集的N组电流数据,i=1,2,…,N,经加窗傅里叶变换到频域后,每组频域中的数据表示为Ifft,计算每个频点上的均值u和标准差d以及参考值A,其中j为第几个频点,j=1,2,…,512,A=99.73%(u+3d),每个频点的幅值认为是服从正态分布的,小于此频点处的参考值A时有99.73%的概率认为该频点的值是在正常运行时产生的,统计超过频点处A值的数量S,当S大于此频点的采样数的15%,此时预判断为直流故障电弧,记录判断向量为1,进入GAN模型训练,未超出的,记录判断向量为0,进行下一个频点判断;
3)对GAN模型进行训练,并利用训练完成的判别器判断上述步骤处理所得电流数据是否为直流故障电弧电流数据:
将步骤2)预判断后的电流信号频谱进行归一化处理,将数据归一化到[0,1]之间,用作GAN模型输入,
首先建立生成式对抗网络模型,包含两部分,一个生成器G,生成器G为神经网络,输入数据为归一化处理后的一部分直流故障电弧对应特征向量的数据信号z’和随机噪声p(z),G拟合并生成直流故障电弧发生时的电流数据的分布以便欺骗判别器D,G输出一组电流频点特征信息G(z);一个判别器D,判别器D为神经网络,D的输入数据为生成的直流故障电弧情况下的电流频点信息G(z)和归一化处理后的全部直流故障电弧对应特征向量的数据信号x,进行真实性判断,输出为一个0到1之间的标量概率值,代表判别器输入样本为真实的概率,即输出值越接近1判别器越确信输入样本为真,输出值越接近0,判别器越确信输入样本为假,在判别过程中要尽可能使D(G(z))=0,D(x)=1;
然后,生成器和判别器二者进行相互对抗更新迭代,直到达到一个纳什均衡,此时极值为0.5,这时生成器G能够拟合真实数据的分布,判别器D难以判断输入来自真实样本还是生成器产生的数据,将生成器G生成的故障电弧的电流信息作为样本扩充判别器的模式识别样本集;
用训练完成的判别器D判断光伏系统直流侧是否产生故障电弧;
4)若判定发生直流故障电弧,则启动报警机制,通过通讯模块向管理员发出报警信号,同时采取相应的保护动作。
本发明的有益效果在于:本发明光伏系统直流侧电弧故障检测系统及检测方法,降低误检率,提高检测准确率,不受安装条件限制,不易受干扰。
附图说明
图1为本发明在光伏系统直流侧故障电弧检测装置结构示意图;
图2为本发明在光伏系统直流故障电弧电流信息采集模块中滤波放大电路结构框图;
图3为本发明基于生成式对抗网络的光伏系统直流侧故障电弧检测方法流程图。
具体实施方式
如图1为本发明在光伏系统直流侧故障电弧检测装置结构示意图,光伏阵列101输出直流电流,多条直流支路在汇流箱102中并联汇流,将总的直流电流输入逆变器103中,逆变器将直流电转变为交流电输送至电网104,考虑到成本,不宜在每条支路采集电流进行分析,因此对汇流后电流进行采集。由于在直流侧电弧发生时,对线路中电流直流分量的有效值和平均值几乎没有影响,所以系统中设计的数据采集方式通过采集回路中的交流分量进行分析处理。采样电感105串在汇流箱输出到逆变器103的线路上,电容106串联电流互感器107一次侧绕组后并联在采样电感105两端,电容106通交流阻直流,电容106一方面能够使得电弧的特征交流信号通过传递给电流互感器107,另一方面阻断了线路中较大的直流电流通过,能够保护电流互感器工作在安全的电流范围内,电流电流互感器107接在电容106后,采集线路中的交流分量,电感105并联在电容106和电流互感器107一侧。通过电流互感器107实时采集光伏系统的电流交流分量信号,将采集信号输入滤波放大电路108,对电流信号进行滤波和放大,只保留特定频段的电流信号(这里保留40kHz-100kHz频段信号,减少光伏系统中逆变器开关频率的影响。因为在该频域范围内,低于100kHz发生电弧故障的电流拥有更多的谐波且整体幅值高于正常情况,高于40kHz的电流信号可以避开逆变器噪声干扰),滤波放大电路108的输出处理后的电流信号送入数字信号处理器109进行判断后,输出判断结果经过通讯模块110送出。
图2为本发明在光伏系统直流故障电弧电流信息采集模块中滤波放大电路结构框图,电流互感器107的二次侧绕组接电压跟随器111,电压跟随器111用于对电流信号进行信号隔离和改善阻抗特性;电压跟随器111输出先通过有源高通滤波器112,对电流信号进行高通滤波,滤除信号中不需要的低频段部分;再经过有源低通滤波器113,用于对电流信号进行低通滤波,滤除信号中不需要的高频段部分。有源高通滤波器112和有源低通滤波器113共同组成带通滤波器,保留电流信号中需要的特定频段;滤波后信号送入运算放大器114对信号进行适当放大。
图3为本发明基于生成式对抗网络的光伏系统直流侧故障电弧检测方法流程图。电流互感器105采集电流信号(S1),经过滤波放大电路106对电流信号进行滤波和放大(S2),只保留特定频段的电流信号,滤波放大电路106的输出处理后的电流信号接数字信号处理器107的模数转换引脚(当需要提高模数转换精度时,可以外扩高精度的模数转换芯片,将模数转换结果接至数字信号处理器的数字I/O引脚),数字信号处理器107通过模数转换功能对电流信号进行采样,为了保证等时间间距采样,数字信号处理器107采用定时器去触发ADC采样,程序一直查询ADC转换完成标志位,转换完成一次后将数据保存到RAM中,清除转换完成标志位接着下一个循环,直到采样完成规定长度的点数为止。然后数字信号处理器107将采样到的数字量进行加窗傅里叶变换分析(S3),其中设置DSP定时器每隔4μs触发一次数据采集模块,即采用采样频率250kHz对电路中的电流进行数据采集,共采集1024个数据为一组序列;对总数为1024的数据序列进行高斯窗函数加权处理;使用FFT(快速傅氏变换)对加权后的数据加窗序列进行频谱变换,取转换后数据的前一半即共513频点,为了减小直流分量的影响,将第一个频点去除,此时得到512个频点构成特征向量的电流信号频谱,作为一组电流数据,作为下一步预判断识别的输入。
接着将经加窗FFT分析得到的512个频点电流信号模值进行预判断识别(S4),选取设置对比方法:具体为采集的N组电流数据,经加窗傅里叶变换到频域后,每组频域中的数据表示为Ifft,计算每个频点上的均值u和标准差d(j为第几个频点,共计512个频点(j=1,2…512),)以及此频点参考值A=99.73%(u+3d),每个频点的幅值可以认为是服从正态分布的,小于此频点处的参考值A时有99.73%的概率认为该频点的值是在正常运行时产生的,统计超过频点处A值的数量S,当S大于此频点的采样数的15%(即512个频点中有超过15%的频点为异常值),此时预判断为直流故障电弧,记录判断向量为1,进入GAN模型训练,未超出的,记录判断向量为0,进行下一个频点判断。
接着将预判断后的电流信号频谱进行归一化处理,将数据归一化到[0,1]之间,用作判别器判断输入。对做判断的GAN进行训练(S5),训练具体步骤为:首先建立生成式对抗网络,生成式对抗网络包含两部分,一个生成器G,生成器由三层神经网络构成,即输入层、隐含层和输出层。输入层两个节点为实验采集的直流故障电弧频点特征信息z’(即实验采集的电流信号经加窗傅里叶后各频点幅值分布特征处理后,并经过预判断后进行归一化处理的直流故障电弧对应数据信息;与D真实样本集的区别在于数据集的数量,输入给生成器G的z’是真实样本集的一部分数据,作用是给输入层一部分带有标签区别于随机噪声的数据,以提高学习的效率和数据更新的方向,比如真实数据集5000组,z’500组,具体数量占比不高,根据神经网络训练效果进行调整)和随机噪声p(z),隐含层为5个节点,激活函数为sigmoid函数,输出层为1个节点,输出一组电流频点特征信息G(z)(此处电流频点特征信息为生成的直流故障电弧情况下的特征,是一组长度512的一维向量),G尽可能的去拟合并生成直流故障电弧发生时的电流数据的分布以便欺骗判别器;一个判别器D,同样也由三层神经网络构成,即输入层、隐含层和输出层。判别器的输入数据为:生成的直流故障电弧情况下的电流频点信息G(z)和真实样本集信息x(即为预判断后进行归一化处理的全部直流故障电弧对应数据信息),进行真实性判断,输出为一个0到1之间的标量概率值,代表判别器输入样本为真实的概率,(即输出值越接近1判别器越确信输入样本为真,输出值越接近0,判别器越确信输入样本为假),在判别过程中要尽可能使D(G(z))=0,D(x)=1;生成器G和判别器D交替训练,利用反向传播算法,更新模型的参数。生成器和判别器二者进行相互对抗更新迭代(GAN的目标函数是一个最大最小化的函数问题,即目标函数V(G,D),(Ex~Pdata(x)是指真实情况下有电弧发生的电流数据的分布的数学期望,Ex~PG(z)是指生成器生成的有电弧发生的电流数据的分布的数学期望)此处根据判别模型和生成模型的损失函数,利用反向传播算法,更新两个模型的参数,在迭代过程中实现对抗),直到达到一个纳什均衡,此时极值为0.5,这时生成器G已经能够拟合真实数据的分布,判别器D难以判断输入数据来自真实样本还是生成器数据,将生成器生成故障电弧的电流信息作为样本扩充判别器的模式识别样本,以提高泛化性。用训练完成的判别器D判断光伏系统直流侧是否产生故障电弧(S6,S7),主要评估参数包括电流信号频点电弧发生的次数、频度、持续时间,进而判断光伏系统直流侧是否产生故障电弧。
若判断系统发生了直流故障电弧(S8),则应通过通讯模块108报警,可连至光伏系统直流侧相应的脱扣装置随即启动,断开汇流支路和交流电网的连接,使得光伏系统处于独立断电状态,从而实现保护光伏系统安全运行,避免光伏发电并网故障电弧对电网进一步的损害。
本实施例通过使用数字信号处理器分析直流电弧检测电路信号的特征,并结合预判断和生成对抗性神经网络进行模式识别分类,进而判断光伏系统直流侧是否产生了故障直流电弧,根据电弧发生的次数、频度、持续时间建立故障电弧判断模型综合判断光伏系统直流侧是否发生故障,提高故障电弧检测的泛化性,若发生故障则报警并可以使连接的相应脱扣装置启动,使故障电路处于断电状态,达到了保障光伏发电系统安全运行、避免并网对电网造成损害的目的。
上述实施例仅用以说明本发明而非限制,任何本领域的普通技术人员应当理解,可以对本发明进行修改、变形或者同等替换,而不脱离本发明的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种光伏系统直流侧电弧故障检测系统,光伏阵列输出直流电流,多条直流支路在汇流箱中并联汇流后,总的直流电流输入逆变器中,逆变器将直流电转变为交流电输送至电网,其特征在于,采样电感串在汇流箱输出到逆变器的线路上,电容串联电流互感器一次侧绕组后并联在采样电感两端,电流互感器的二次侧绕组采集直流侧电弧的特征交流信号送滤波放大电路,滤波放大电路的输出处理后的电流信号送入数字信号处理器进行判断后,输出判断结果经过通讯模块送出。
2.根据权利要求1所述光伏系统直流侧电弧故障检测系统的检测方法,其特征在于,具体包括如下步骤:
1)采集光伏系统直流侧的电流信号并处理,具体为:信号采集模块位于光伏系统直流侧汇流箱和逆变器之间,将采集的实时电流信号通过硬件滤波放大电路保留40kHz-100kHz的电流信号,并采用加窗傅里叶变换转换到频域中。
数字信号处理器接收滤波放大电路输出处理后的电流信号,首先通过模数转换对电流信号进行转换,再对采样到的数字量进行加窗傅里叶变换分析,采集1024个数据为一组序列;对总数为1024的数据序列进行高斯窗函数加权处理;使用快速傅氏变换对加权后的数据加窗序列进行频谱变换,取转换后取数据的前513频点,将第一个频点去除,得到512个频点构成特征向量的电流信号频谱,作为一组电流数据;
2)对步骤1)处理后的的电流数据进行直流故障电弧预判断:采集的N组电流数据,i=1,2,…,N,经加窗傅里叶变换到频域后,每组频域中的数据表示为Ifft,计算每个频点上的均值u和标准差d以及参考值A,其中j为第几个频点,j=1,2,…,512,A=99.73%(u+3d),每个频点的幅值认为是服从正态分布的,小于此频点处的参考值A时有99.73%的概率认为该频点的值是在正常运行时产生的,统计超过频点处A值的数量S,当S大于此频点的采样数的15%,此时预判断为直流故障电弧,记录判断向量为1,进入GAN模型训练,未超出的,记录判断向量为0,进行下一个频点判断;
3)对GAN模型进行训练,并利用训练完成的判别器判断上述步骤处理所得电流数据是否为直流故障电弧电流数据:
将步骤2)预判断后的电流信号频谱进行归一化处理,将数据归一化到[0,1]之间,用作GAN模型输入,
首先建立生成式对抗网络模型,包含两部分,一个生成器G,生成器G为神经网络,输入数据为归一化处理后的一部分直流故障电弧对应特征向量的数据信号z’和随机噪声p(z),G拟合并生成直流故障电弧发生时的电流数据的分布以便欺骗判别器D,G输出一组电流频点特征信息G(z);一个判别器D,判别器D为神经网络,D的输入数据为生成的直流故障电弧情况下的电流频点信息G(z)和归一化处理后的全部直流故障电弧对应特征向量的数据信号x,进行真实性判断,输出为一个0到1之间的标量概率值,代表判别器输入样本为真实的概率,即输出值越接近1判别器越确信输入样本为真,输出值越接近0,判别器越确信输入样本为假,在判别过程中要尽可能使D(G(z))=0,D(x)=1;
然后,生成器和判别器二者进行相互对抗更新迭代,直到达到一个纳什均衡,此时极值为0.5,这时生成器G能够拟合真实数据的分布,判别器D难以判断输入来自真实样本还是生成器产生的数据,将生成器G生成的故障电弧的电流信息作为样本扩充判别器的模式识别样本集;
用训练完成的判别器D判断光伏系统直流侧是否产生故障电弧;
4)若判定发生直流故障电弧,则启动报警机制,通过通讯模块向管理员发出报警信号,同时采取相应的保护动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707391.3A CN110417351A (zh) | 2019-08-01 | 2019-08-01 | 光伏系统直流侧电弧故障检测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707391.3A CN110417351A (zh) | 2019-08-01 | 2019-08-01 | 光伏系统直流侧电弧故障检测系统及检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110417351A true CN110417351A (zh) | 2019-11-05 |
Family
ID=68365114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910707391.3A Pending CN110417351A (zh) | 2019-08-01 | 2019-08-01 | 光伏系统直流侧电弧故障检测系统及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110417351A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824320A (zh) * | 2019-12-16 | 2020-02-21 | 常熟开关制造有限公司(原常熟开关厂) | 直流电弧故障检测方法及装置 |
CN111289852A (zh) * | 2020-02-24 | 2020-06-16 | 深圳供电局有限公司 | 电弧检测装置及方法 |
CN111983400A (zh) * | 2020-08-11 | 2020-11-24 | 上海交通大学 | 主动式光伏组串直流电弧故障检测和故障定位系统及方法 |
CN112305308A (zh) * | 2020-10-21 | 2021-02-02 | 阳光电源股份有限公司 | 一种直流电弧检测方法、装置及组串逆变器 |
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 |
CN113128153A (zh) * | 2021-04-20 | 2021-07-16 | 合肥工业大学 | 一种光伏电站中复合阈值触发的主动变频故障录波方法 |
CN113203903A (zh) * | 2021-04-27 | 2021-08-03 | 合肥工业大学 | 一种光伏逆变器直流侧故障检测与成因定位方法 |
CN113253063A (zh) * | 2020-10-29 | 2021-08-13 | 诸暨市迪朗物联科技有限公司 | 基于长短时记忆网络深度学习的故障电弧检测系统及方法 |
CN113311227A (zh) * | 2021-06-10 | 2021-08-27 | 中国科学技术大学先进技术研究院 | 一种用于故障电弧诊断技术的电流信号降噪方法 |
CN113376516A (zh) * | 2021-06-07 | 2021-09-10 | 科润智能控制股份有限公司 | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 |
CN113687258A (zh) * | 2021-09-10 | 2021-11-23 | 阳光电源股份有限公司 | 一种直流电源供电系统及其直流电弧检测方法和装置 |
WO2022032884A1 (zh) * | 2020-08-12 | 2022-02-17 | 阳光电源股份有限公司 | 光伏系统直流侧电力电子设备及其测试系统和控制方法 |
EP3958422A1 (en) * | 2020-08-19 | 2022-02-23 | Hitachi Energy Switzerland AG | Method and computer system for generating a decision logic for a controller |
EP3958423A1 (en) * | 2020-08-19 | 2022-02-23 | Hitachi Energy Switzerland AG | Method and computer system for generating a decision logic for a controller |
CN114280440A (zh) * | 2022-03-04 | 2022-04-05 | 固德威技术股份有限公司 | 一种光伏直流电弧故障识别装置、识别方法及光伏系统 |
CN114374249A (zh) * | 2022-01-19 | 2022-04-19 | 阳光电源股份有限公司 | 一种储能系统及其拉弧处理方法 |
CN114499702A (zh) * | 2022-03-28 | 2022-05-13 | 成都锢德科技有限公司 | 一种便携式实时信号采集分析识别系统 |
CN114567254A (zh) * | 2022-04-28 | 2022-05-31 | 华中科技大学 | 一种低电流等级下的直流电弧自动检测及断路系统 |
CN115728627A (zh) * | 2022-10-09 | 2023-03-03 | 上海新联合电气有限公司 | 一种电气动静触头故障预判断系统 |
CN116031894A (zh) * | 2023-03-29 | 2023-04-28 | 武汉新能源接入装备与技术研究院有限公司 | 一种有源滤波器的控制方法 |
CN117148049A (zh) * | 2023-10-31 | 2023-12-01 | 锦浪科技股份有限公司 | 一种直流拉弧故障检测系统、方法及光伏并网系统 |
-
2019
- 2019-08-01 CN CN201910707391.3A patent/CN110417351A/zh active Pending
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110824320A (zh) * | 2019-12-16 | 2020-02-21 | 常熟开关制造有限公司(原常熟开关厂) | 直流电弧故障检测方法及装置 |
CN110824320B (zh) * | 2019-12-16 | 2022-02-11 | 常熟开关制造有限公司(原常熟开关厂) | 直流电弧故障检测方法及装置 |
CN111289852A (zh) * | 2020-02-24 | 2020-06-16 | 深圳供电局有限公司 | 电弧检测装置及方法 |
CN111983400A (zh) * | 2020-08-11 | 2020-11-24 | 上海交通大学 | 主动式光伏组串直流电弧故障检测和故障定位系统及方法 |
WO2022032884A1 (zh) * | 2020-08-12 | 2022-02-17 | 阳光电源股份有限公司 | 光伏系统直流侧电力电子设备及其测试系统和控制方法 |
EP3958422A1 (en) * | 2020-08-19 | 2022-02-23 | Hitachi Energy Switzerland AG | Method and computer system for generating a decision logic for a controller |
WO2022038206A1 (en) | 2020-08-19 | 2022-02-24 | Hitachi Energy Switzerland Ag | Method and computer system for generating a decision logic for a controller |
EP3958423A1 (en) * | 2020-08-19 | 2022-02-23 | Hitachi Energy Switzerland AG | Method and computer system for generating a decision logic for a controller |
CN112305308A (zh) * | 2020-10-21 | 2021-02-02 | 阳光电源股份有限公司 | 一种直流电弧检测方法、装置及组串逆变器 |
CN112305308B (zh) * | 2020-10-21 | 2023-08-11 | 阳光电源股份有限公司 | 一种直流电弧检测方法、装置及组串逆变器 |
CN113253063A (zh) * | 2020-10-29 | 2021-08-13 | 诸暨市迪朗物联科技有限公司 | 基于长短时记忆网络深度学习的故障电弧检测系统及方法 |
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 |
CN113128153A (zh) * | 2021-04-20 | 2021-07-16 | 合肥工业大学 | 一种光伏电站中复合阈值触发的主动变频故障录波方法 |
CN113128153B (zh) * | 2021-04-20 | 2022-08-30 | 合肥工业大学 | 一种光伏电站中复合阈值触发的主动变频故障录波方法 |
CN113203903B (zh) * | 2021-04-27 | 2022-05-03 | 合肥工业大学 | 一种光伏逆变器直流侧故障检测与成因定位方法 |
CN113203903A (zh) * | 2021-04-27 | 2021-08-03 | 合肥工业大学 | 一种光伏逆变器直流侧故障检测与成因定位方法 |
CN113376516A (zh) * | 2021-06-07 | 2021-09-10 | 科润智能控制股份有限公司 | 一种基于深度学习的中压真空断路器运行故障自诊断与预警方法 |
CN113311227A (zh) * | 2021-06-10 | 2021-08-27 | 中国科学技术大学先进技术研究院 | 一种用于故障电弧诊断技术的电流信号降噪方法 |
CN113311227B (zh) * | 2021-06-10 | 2022-06-24 | 中国科学技术大学先进技术研究院 | 一种用于故障电弧诊断技术的电流信号降噪方法 |
CN113687258A (zh) * | 2021-09-10 | 2021-11-23 | 阳光电源股份有限公司 | 一种直流电源供电系统及其直流电弧检测方法和装置 |
CN114374249A (zh) * | 2022-01-19 | 2022-04-19 | 阳光电源股份有限公司 | 一种储能系统及其拉弧处理方法 |
CN114374249B (zh) * | 2022-01-19 | 2024-05-14 | 阳光电源股份有限公司 | 一种储能系统及其拉弧处理方法 |
CN114280440A (zh) * | 2022-03-04 | 2022-04-05 | 固德威技术股份有限公司 | 一种光伏直流电弧故障识别装置、识别方法及光伏系统 |
CN114499702B (zh) * | 2022-03-28 | 2022-07-12 | 成都锢德科技有限公司 | 一种便携式实时信号采集分析识别系统 |
CN114499702A (zh) * | 2022-03-28 | 2022-05-13 | 成都锢德科技有限公司 | 一种便携式实时信号采集分析识别系统 |
CN114567254B (zh) * | 2022-04-28 | 2022-07-19 | 华中科技大学 | 一种低电流等级下的直流电弧自动检测及断路系统 |
CN114567254A (zh) * | 2022-04-28 | 2022-05-31 | 华中科技大学 | 一种低电流等级下的直流电弧自动检测及断路系统 |
CN115728627A (zh) * | 2022-10-09 | 2023-03-03 | 上海新联合电气有限公司 | 一种电气动静触头故障预判断系统 |
CN116031894A (zh) * | 2023-03-29 | 2023-04-28 | 武汉新能源接入装备与技术研究院有限公司 | 一种有源滤波器的控制方法 |
CN116031894B (zh) * | 2023-03-29 | 2023-06-02 | 武汉新能源接入装备与技术研究院有限公司 | 一种有源滤波器的控制方法 |
CN117148049A (zh) * | 2023-10-31 | 2023-12-01 | 锦浪科技股份有限公司 | 一种直流拉弧故障检测系统、方法及光伏并网系统 |
CN117148049B (zh) * | 2023-10-31 | 2024-01-26 | 锦浪科技股份有限公司 | 一种直流拉弧故障检测系统、方法及光伏并网系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110417351A (zh) | 光伏系统直流侧电弧故障检测系统及检测方法 | |
WO2020015277A1 (zh) | 一种基于全景信息的弧光故障识别装置及方法 | |
Chen et al. | Intelligent transient overvoltages location in distribution systems using wavelet packet decomposition and general regression neural networks | |
US7069116B2 (en) | High impedance fault detection | |
CN107340459B (zh) | 一种直流故障电弧检测方法及系统 | |
CN106934421A (zh) | 基于2dpca及svm的变电站电力变压器故障检测系统及检测方法 | |
CN103323749A (zh) | 多分类器信息融合的局部放电诊断方法 | |
CN111458599A (zh) | 基于一维卷积神经网络的串联电弧故障检测方法 | |
KR100918313B1 (ko) | 지능형 전기품질 진단 분석 방법 | |
Prasad et al. | Importance of artificial neural networks for location of faults in transmission systems: A survey | |
CN110320467A (zh) | 一种低压直流断路器故障诊断方法 | |
Gao et al. | Fault line detection using waveform fusion and one-dimensional convolutional neural network in resonant grounding distribution systems | |
CN108230602A (zh) | 基于Labview的电气火灾预警系统 | |
Du et al. | Detection of single line-to-ground fault using convolutional neural network and task decomposition framework in distribution systems | |
Lin et al. | A dual-window transient energy ratio-based adaptive single-phase reclosure criterion for EHV transmission line | |
Ghaderi et al. | High impedance fault detection method efficiency: simulation vs. real-world data acquisition | |
Rao et al. | Fault recognition and diagnosis based on a decision tree for power distribution systems | |
Chu et al. | TDV-LSTM: A new methodology for series arc fault detection in low power AC systems | |
KR100495771B1 (ko) | 뉴로퍼지 네트워크를 이용한 전력계통의 고장검출 및 그판별방법 | |
CN115808600B (zh) | 基于数学形态学和模式识别的直流电弧检测方法 | |
Geethanjali | Combined wavelet transfoms and neural network (WNN) based fault detection and classification in transmission lines | |
de Souza et al. | High impedance fault detection in distribution systems: An approach based on fourier transform and artificial neural networks | |
Abohagar et al. | Back propagation neural network aided wavelet transform for high impedance fault detection and faulty phase selection | |
Ramamurthy et al. | High Impedance Fault detection using DWT for transmission and distribution networks | |
Wang et al. | Synthetic data in DC microgrids: Label creation for ensemble learning for fault isolation |
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 |