CN112924750A - 故障电弧检测方法及系统 - Google Patents
故障电弧检测方法及系统 Download PDFInfo
- Publication number
- CN112924750A CN112924750A CN202110076366.7A CN202110076366A CN112924750A CN 112924750 A CN112924750 A CN 112924750A CN 202110076366 A CN202110076366 A CN 202110076366A CN 112924750 A CN112924750 A CN 112924750A
- Authority
- CN
- China
- Prior art keywords
- fault arc
- arc
- similarity
- fault
- current
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
- G01R23/165—Spectrum analysis; Fourier analysis using filters
Abstract
本发明提供了故障电弧检测方法及系统,涉及电弧检测领域。故障电弧检测方法用于检测待测线路是否存在故障电弧。监控待测线路中的电流的目标分量:定义多个时段并且每个时段内均对目标分量进行多次采样以获得一组采样数据,从而多个时段分别对应着多组采样数据。需要将每个时段内的一组采样数据执行快速傅立叶变换,以得到每个时段的频谱数据。将任意相邻两个时段对应的两组频谱数据实施相似度计算,获得一个相似度值并藉此由多个时段所对应的多组频谱数据计算出多个相似度值。如果多个相似度值中一个或数个相似度值不在预定的阈值范围内,判断待测线路存在故障电弧。
Description
技术领域
本发明主要涉及到电弧检测领域,更确切的说,涉及到应用于光伏发电系统的用于检测直流电弧现象的电弧监测系统以及电弧监测方法。
背景技术
伴随着传统能源的短缺和电力技术的发展,光伏受到越来越广泛的关注,光伏能源在电力运用上须满足安全规范。电弧是气体放电现象,电流流经诸如空气之类的绝缘介质所产生的火花即是气体放电的表现形式。检测电弧和积极采取应对措施是维持光伏能源系统处于安全规范下的关键要素。尽管业界竭力的试图寻找电弧现象的规律和共性以寻求电弧的精确检测手段,然而难以回避的事实是,目前在业界很难针对电弧给出合理并严格的检测机理亦很难设计出对应的精确检测仪器。市面上能够起到实际检测作用的量产型电弧检测产品寥寥可数,真实有效的直流电弧检测产品面对的近乎是空白市场。
电力系统中接触不良、老化、短路等引起拉弧起火的事故越来越频繁,可见直流电弧故障检测在光伏系统中日益重要。直流电弧故障是电气类火灾的罪魁祸首,光伏系统一旦发生了直流电弧故障,由于没有过零点保护、且光伏组件在阳光照射下产生源源不断的能量则使系统的故障电弧存在稳定的燃烧环境。倘若不及时有效地采取措施,会产生数千度以上的高温现象并引发火灾,某些物质熔化甚至蒸发产生大量的有毒气体,进而危及人身生命安全和导致社会的经济遭受重大损失。
依照电流性质划分电弧大致可分为直流电弧和交流电弧。熟知的交流电之应用时间较早以及交流故障电弧已经存在较为成熟的检测方法和商业化产品,然而光伏系统的起步时间较晚再加之直流电弧的本质特性与交流电相迥异,典型的例如直流电流并无交流电那样存在着过零点特征,因此光伏场合无法套用交流电弧的检测手段。影响直流电弧电学性质的变量原本就纷繁多样,又因光伏使用环境的不同更促使电弧复杂化。业界普遍认识到建立直流电弧的数学模型较为困难,尽管部分电弧模型被提及,但这些简化模型通常是基于电弧的某些单一特性或若干个非常有限的特性而进行的研究,事实上光伏环境中必然存在的噪声和电力系统的偶发性干扰极易误导电弧检测,造成错误的检测结果,动态变化的光照强度和环境温度及大量存在的开关噪声等都是误判漏判的干扰源。本申请之目标是检测出光伏系统中存在的真实直流电弧故障以避免故障电弧引发的火灾等事故。
传统故障电弧检测手段之检测能力较差的主因是:需要先行制定出一套或多套故障电弧参数特性,然后将实际检测到的电流参数信息与故障电弧参数特性比对,如果实际检测到的电流参数信息符合故障电弧参数特性则认为发生真实电弧事件、反之若实际检测到的电流参数信息不符合故障电弧参数特性则认为未发生真实电弧事件。最大的弊端是每个待测场景的电力系统均存在差异、每个待测场景的逆变器型号亦不同,所以传统故障电弧检测手段总是存在检测误差甚至错误,这些固有的弊端几乎不可抗拒。
总而言之,因为电弧的频谱特征变化多端,如果单纯从频谱特征去判断是否存在着真实的故障电弧则是难度很大的任务:主因是作为比对目标的故障电弧参数特性之标准当前并无统一定论,制定标准电弧参数特性的意义不大;再者是实际检测到的电流参数信息必然会或多或少的存在着天然的误差,这都是无法测到电弧或误报电弧的缘由。
发明内容
本申请涉及到一种故障电弧检测方法,用于检测待测线路是否存在故障电弧:
监控所述待测线路中的电流的目标分量:
定义多个时段,每个时段内均对所述目标分量进行多次采样以获得一组采样数据;
从而多个时段分别对应着多组采样数据;
将每个时段内的一组采样数据执行快速傅立叶变换,以得到每个时段的频谱数据;
将任意相邻的两个时段对应的两组频谱数据实施相似度计算,获得一个相似度值;
藉此由多个时段所对应的多组频谱数据计算出多个相似度值。
故障电弧检测的判断依据:如果其中一个或数个相似度值不在预定的阈值范围内则判断出所述待测线路存在着故障电弧。
故障电弧检测的判断依据:如果出现了数个相似度值连续不在预定的阈值范围内的情况则判断所述待测线路存在着故障电弧。
上述的故障电弧检测方法:所述目标分量包括所述电流的高频分量。
上述的故障电弧检测方法:所述待测线路包括由光伏组件向逆变器供电的直流线路。
上述的故障电弧检测方法:每个时段的频谱数据包括了频域上所分布的各个频率分量以及各个频率分量各自所对应的幅值。
上述的故障电弧检测方法:所述目标分量经过滤波和放大后再采样,并执行模数转换以获得数字化的采样数据。
上述的故障电弧检测方法:在将相似度值与预定的阈值范围进行比较之前,通过低通滤波的方式,先将非故障电弧引起的相似度值不在阈值范围的情况过滤掉。
上述的故障电弧检测方法:相似度值具有事先设定的最大值和最小值,则预定的阈值范围的下限值大于所述最小值、但是下限值小于所述最大值,以及预定的阈值范围的上限值等于所述的最大值。
本申请涉及到一种故障电弧检测系统,检测待测线路是否存在故障电弧,包括:
电流检测模块,用于侦测所述待测线路中的电流的目标分量;
电流处理模块,通过滤波和放大的方式获得所述的目标分量;
电弧计算模块,对所述目标分量进行频谱稳定性分析,计算出是否存在故障电弧;
频谱稳定性分析包括:
定义多个时段,所述的目标分量在每个时段内经由多次采样后获得一组采样数据;
从而多个时段分别对应着多组采样数据;
将每个时段内的一组采样数据执行快速傅立叶变换,以得到每个时段的频谱数据;
将任意相邻的两个时段对应的两组频谱数据实施相似度计算,获得一个相似度值;
藉此由多个时段所对应的多组频谱数据计算出多个相似度值;
如果数个相似度值不在预定的阈值范围内,则判断所述待测线路存在故障电弧。
上述的故障电弧检测系统:所述目标分量包括所述电流的高频分量;
所述电流检测模块包括高频电流传感器或者罗氏线圈传感器,用于测量高频分量。
上述的故障电弧检测系统:电流处理模块至少包括带通滤波器和放大电路:带通滤波器在所述电流中过滤出所述目标分量,放大电路对所述目标分量进行放大处理。
上述的故障电弧检测系统:电流处理模块至少包括采样电路,用于在每个时段内对所述的目标分量进行多次采样,以获得每个时段内的一组采样数据。
上述的故障电弧检测系统:电弧计算模块至少包括采样电路,用于在每个时段内对所述的目标分量进行多次采样,以获得每个时段内的一组采样数据。
上述的故障电弧检测系统:所述电弧计算模块包括实施频谱稳定性分析的处理器。
上述的故障电弧检测系统:在将相似度值与预定的阈值范围进行比较之前,通过低通滤波的方式,先将非故障电弧引起的相似度值不在阈值范围的情况过滤掉。
本申请涉及到一种故障电弧检测方法,用于检测待测线路是否存在故障电弧:
监测所述待测线路中的电流的高频分量;
定义多个时段,每个时段内均对所述高频分量进行多次采样以获得一组采样数据;
从而多个时段分别对应着多组采样数据;
将每个时段内的一组采样数据执行快速傅立叶变换,以得到每个时段的频谱数据;
将任意相邻的两个时段对应的两组频谱数据实施相似度计算:
如果多个时段的频谱数据是相似的则表明不存在故障电弧;
相反的,如果其中至少有数个时段的频谱数据不相似则表明存在故障电弧。
上述的故障电弧检测方法:每个时段的频谱数据包括频域上分布的各个频率分量以及各个频率分量各自对应的幅值。
上述的故障电弧检测方法:在判断频谱数据是否相似时,通过低通滤波的方式,先将非故障电弧引起的频谱数据不相似的情况过滤掉。
上述的故障电弧检测方法:待测线路包括由光伏组件向逆变器供电的直流线路;
非故障电弧引起的频谱数据不相似的情况至少包括逆变器的干扰。
上述的故障电弧检测方法:在多个时段中,任意相邻的两个时段在时间上是连续的或者示任意相邻的两个时段在时间上是不连续的。
本申请涉及到一种故障电弧检测系统,主要用于检测电流的高频分量是否表征着故障电弧,其特征在于,包括处理器以及存储在所述处理器上故障电弧检测程序,所述故障电弧检测程序被所述处理器运行时执行的步骤包括:
对所述高频分量在每个时段内的一组采样数据均实施快速傅立叶变换,以得到每个时段的频谱数据;
将任意相邻的两个时段对应的两组频谱数据实施相似度计算,获得一个相似度值;
从而由多个时段对应的多组频谱数据计算出一系列相似度值;
判断一系列相似度值是否持续稳定在预定的阈值范围,若否,则认为所述高频分量表征着故障电弧;
其中判断相似度值是否在预定的阈值范围之前,先进行低通滤波,将非故障电弧引起的相似度值偶然跳变到阈值范围之外的情况过滤掉。
上述的故障电弧检测系统:相似度值具有事先规定的最大值和最小值,则预定的阈值范围的下限值大于所述最小值、但是下限值小于所述最大值,以及预定的阈值范围的上限值刚好等于所述的最大值。
附图说明
为使上述目的和特征及优点能够更加明显易懂,下面结合附图对具体实施方式做详细的阐释,阅读以下详细说明并参照以下附图之后,本发明的特征和优势将显而易见。
图1是定义多个时段且每个时段对目标分量多次采样以获得一组采样数据。
图2是光伏组件先串联再并联并为执行逆变的逆变器供电的光伏发电系统。
图3是通过低通滤波先将非故障电弧所引起的相似度值跳变的情况过滤掉。
图4是故障电弧检测系统所展示的部分电路模块以及高频分量的处理过程。
图5是多个时段对应的多组频谱数据计算相似度值且少量相似度值在跳变。
图6是多个时段对应的多组频谱数据计算相似度值且大量相似度值在跳变。
图7是相邻两个时段在时间上是连续的或相邻两时段在时间上是不连续的。
具体实施方式
下面将结合各实施例,对本发明的方案进行清楚完整的阐述,所描述的实施例仅是本发明用作叙述说明所用的实施例而非全部的实施例,基于该等实施例,本领域的技术人员在没有做出创造性劳动的前提下所获得的方案都属于本发明的保护范围。
参见图1,检测待测线路是否存在故障电弧之故障电弧检测方法:需要监控流经待测线路中的电流的目标分量100例如高频分量或中高频分量。注意目标分量100展示在图中的波形并不是真实的波形,仅仅是作为一种代表或标记,因为目标分量100最原始的真实波形是非常杂乱无序的,并不像图中那么富有规则感。甚至在时间轴T上随着时间的推移还会发现目标分量100的真实波形会持续产生不可预计的动态变化。
参见图1,定义多个时段例如图中展示的时段101、102、103……等。每个时段内需要对目标分量100进行多次采样以获得一组采样数据。例如某一个时段101之内主张需要对目标分量100进行多次采样获得第一组采样数据,例如某一个时段102之内主张需要对目标分量100进行多次采样获得第二组采样数据,例如某一个时段103之内主张需要对目标分量100进行多次采样获得第三组采样数据,例如某一个时段104之内主张需要对目标分量100进行多次采样获得第四组采样数据,例如某一个时段105之内主张需要对目标分量100进行多次采样获得第五组采样数据,例如某一个时段106之内主张需要对目标分量100进行多次采样获得第六组采样数据。同样可在其他任一时段之内亦主张对目标分量100进行多次采样获得该任一时段内的一组采样数据。基于文章篇幅的限制本申请不再赘述更多的时段,仅以前述代表性的时段为范例来解释。同时在本申请中值得强调的是,时段101之前允许存在时间更早的时段、时段106之后自然允许存在时间更晚的时段,图中所展示的数个时段仅仅是全部时段的少量截取部分。在可选的范例中可知多个时段对应着多组采样数据。除了前文提及的六组采样数据之外,如果存在着时间更早的时段或存在时间更晚的时段,则有Q个时段就应该生成Q组采样数据,只不过图示的可选实施例可以用正整数Q取六的情况来阐释说明,Q>1。
参见图1,在可选的范例中假设图中展示的时段101、102、103……中:任意相邻的两个时段中前一个时段结束之后紧接着是后一个时段。例如前一个时段101结束之后就是后一个时段102、前一时段102结束后是后一时段103、前一个时段103结束之后就是后一个时段104、前一时段104结束后是后一时段105、前一个时段105结束之后就是后一个时段106。换而言之,任意相邻的两个时段在时间上是连续的。
参见图1,需将每一个时段内的一组采样数据执行快速傅立叶变换,从而得到每个时段的频谱数据。如时段101的第一组采样数据由快速傅立叶变换FFT,从而得到此时段的频谱数据SD1。时段102的第二组采样数据由快速傅立叶变换FFT,从而得到此时段的频谱数据SD2。时段103的第三组采样数据由快速傅立叶变换FFT,从而得到此时段的频谱数据SD3。时段104的第四组采样数据由快速傅立叶变换FFT,从而得到此时段的频谱数据SD4。时段105的第五组采样数据由快速傅立叶变换FFT,从而得到此时段的频谱数据SD5。时段106的第六组采样数据由快速傅立叶变换FFT,从而得到此时段的频谱数据SD6。除了上文提及的六组频谱数据之外,如果存在着时间更早的时段或存在时间更晚的时段,则有Q个时段就应该生成Q组频谱数据。每个时段的频谱数据例如可以包括频域上各个频率分量对应的幅值。注意在快速傅立叶变换过程中,通常而言频谱分析指的是将信号例如高频分量做傅里叶变换从而进行的分析,频谱分析习惯是包括幅频谱和相频谱两方面,最常用的则是幅频谱。基于幅频谱的分析,设定每个时段的频谱数据包括了频域上分布的各个频率分量及各个频率分量对应的幅值。具体而言:频域上分布的各个频率分量(frequency componet)是所述采样数据在实施快速傅立叶变换后在频域上的频率分布点或称频谱分布点,频率分量分布在哪些具体的频率值上则和电流的前述高频分量是紧密相关。经傅立叶变换后可以得知任一频率分量的具体频率值、幅值和相位等较精确的重要信息。注意每个时段的频谱数据不仅包括频域上分布的各个频率分量及还包括了各个频率分量所对应的幅值,是因为通过傅立叶变换知晓各个频率分量也自然知晓了各个频率分量它们各自的频率值。因此换句话说,每个时段的频谱数据包括频域上分布的各个频率分量以及包括各个频率分量对应的频率和幅值。
参见图1,本申请下文内容涉及相似度计算。关于相似度阐明如下:相似度又称相关度或者相关性,主旨是通过计算来判断两个变量的相关程度。现有技术在相似度研究方面的已颇有成果,例如常见的基于距离的算法包括:欧几里德距离、曼哈顿距离及马哈拉诺比斯距离、切比雪夫距离、明可夫斯基距离及海明距离等等。再例如常见的基于相似度的算法包括:余弦相似度(Cosine)及调整余弦相似度(Adjusted Cosine)、甚至是皮尔森相关系数(Pearson Correlation Coefficient)、Jaccard相似系数和广义Jaccard相似系数以及对数似然相似度/对数似然相似率等等。相似度(similarity)算法在本申请中视为已知的现有技术而不再单独赘述其基本原理和具体的算法细节。
参见图1,将任意相邻的两个时段对应的两组频谱数据实施相似度计算以获得一个相似度值,藉此由多个时段所对应的多组频谱数据计算出一系列相似度值。如将任意相邻的两个时段101-102对应的频谱数据SD1-SD2实施相似度计算获得相似度值201,相邻的两个时段102-103对应的频谱数据SD2-SD3实施相似度计算获得相似度值202,相邻的两个时段103-104对应的频谱数据SD3-SD4实施相似度计算获得相似度值203,相邻的两个时段104-105对应的频谱数据SD4-SD5实施相似度计算获得相似度值204,相邻的两个时段105-106对应的频谱数据SD5-SD6实施相似度计算获得相似度值205。在可选的实施例中如果时段101之前允许存在时间更早的时段,那么时段101的前一个时段对应的频谱数据允许和频谱数据SD1实施相似度计算从而获得一个相似度值;同理在可选的实施例中如果时段106之后允许存在时间更晚的时段,那么时段106的后一个时段对应的频谱数据允许和频谱数据SD6实施相似度计算从而获得一个相似度值。如果认为所有的相似度值构成了一个数据集合,需要分析此数据集合才能判定电弧情况。
参见图1,在图示的那些相似度值201、202、203……中,如果其中数个相似度值不在预定的阈值范围内,判断待测线路存在故障电弧。或者严格的说,其中数个相似度值连续不在预定的阈值范围内,可判断待测线路存在故障电弧,此时因为相似度值不具有持续的稳定性则证实了至少有数个时段的频谱数据不相似。如果多个时段的频谱数据是相似的则数据集合中近乎所有相似度值均在预定阈值范围内。如果多个时段中至少有数个时段的频谱数据是不相似的,则数据集合至少有部分相似度值不在预定阈值范围内。
参见图1,前述基于频谱稳定性的算法,完全克服了现有技术的缺点。主要的优点是电弧检测的普遍适用性强、不挑逆变器类型。因为评判依据是:判断频谱随着时间的变化是否具有较持久的稳定性,而不是制定出一套标准化的电弧频谱特征(比对目标)和将侦测到的高频信号与制定的电弧频谱特征进行比对。本申请没有利用电弧特征来比对出系统是否有电弧、而是利用电弧的频谱不稳定的特性,对电弧的识别能力很强。
参见图2,光伏组件阵列是光伏发电系统从光能到电能转换的基础。图示的光伏组件阵列中安装有电池组串。关于电池组串:每一个电池组串由多个相互串联连接的光伏组件串接构成,光伏组件还可以替换成燃料电池或化学电池等直流电源。多个不同的电池组串它们之间是并联连接的关系:虽然每一个电池组串由多个光伏组件构成而且内部的多个光伏组件是串联的关系,但是多个不同的电池组串的彼此之间是相互并联的连接关系并共同向光伏逆变器INVT之类的能源收集装置提供电能。在某个电池组串中本申请以串联型的多级光伏组件PV1-PVN为例,它们各自的输出电压相互叠加后将总的具有较高电势的串级电压提供给逆变器INVT,逆变器INVT汇聚串联的多级光伏组件各自的输出功率后再进行直流电到交流电的逆变。诸多电池组串如ST1-STK彼此间是并联连接关系且各组串的串级电流汇总后的总电流视为逆变器的输入电流。K和N是大于1的正整数。
参见图2,目前对于光伏发电系统直流侧电弧故障检测的两类方法之第一类是基于电压电流波形变化的检测方法。在电弧故障发生时电弧两端的电流会瞬间变化而电弧两端的电压也瞬间变化。此类方法的优点是检测方法的原理容易理解,且电压和电流是能轻易检测和测量的对象,故而是普遍采用的方案。但由于光伏发电系统受光照强度和环境温度等因素的影响较大,输出电流电压的幅值天然的就具有不稳定性,例如阴影遮挡或者光照的忽强忽弱都会产生电流和电压的瞬时变化,再者逆变器输出的交流电导致输入侧与生俱来的电流脉动亦会改变光伏组件的输出特性。因此此类方法的弊端之一就是很难区分电流和电压的变化是由环境原因造成的还是由于电弧故障引起的变化。
参见图2,目前对于光伏发电系统直流侧电弧故障检测的两类方法之第二类方法是基于频率特性的检测方法。电弧伴随着高频杂波信号并体现电弧特征,正常工作情况下这些高频杂波信号不会出现。因此这些信号的出现表明有直流电弧故障。部分商家基于第二类方法生产了专用的直流电弧故障检测器。以上检测均是在光伏组件和汇流箱或逆变器端所进行的检测,是对整个光伏系统直流侧电弧故障检测而非组件级的检测。当电弧故障出现时会出现火灾隐患,现有的方案无法快速定位故障点,需要运维人员对所有光伏组件和线缆再次排查,工作量巨大且效率低下,安全隐患较大。排除故障电弧的时间导致整个光伏系统的关停,不仅仅难以做到及时准确并快速的预警处理与事件响应,进一步还会造成电站发电收益的损失。传统电弧故障检测方案的最大弊端是漏判和误判,光伏系统本身存在着大量的开关噪声和环境因素都会对真实电弧检测造成干扰。因此实施组串级别的电弧检测也即排查出发生电弧的具体组串显得尤为重要、也最棘手。
参见图2,当前光伏电弧故障技术都是采用被动的检测技术。具体而言就是通过检测分析光伏组串的电流或电压的高频特征,来分辨系统中有没有电弧故障。光伏系统有三大因素导致了这种方法实现起来非常困难:第一是光伏系统当中有诸多干扰源,尤其是逆变器的干扰,逆变器处于不同工况,对直流组串侧上的电流和电压干扰也不同,且这个干扰也与逆变器的交流侧有关。这类不确定性的干扰给电弧检测带来巨大的困难。第二是许多情况下直流电弧非常稳定,对电流或电压的改变不是十分明显,这样增加了通过电流或电压特征来识别电弧的难度,本申请的目标之一是克服该些疑虑。第三是不同光伏电站的现场布线和运行环境等都不同,针对不同的电站很难找出统一的一套电弧识别方法。
参见图2,直流电弧是气体放电现象、绝缘情况下产生高强度瞬时电流。跟交流电弧不尽相同的是,直流电弧没有过零点,意味着如果发生了直流电弧故障,触发部位会维持相当长一段时间稳定燃烧而不会熄灭。在光伏电站中电缆接头没有拧紧,会导致接触不良以及接插件或某些开关的可靠性问题、绝缘层长时间老化、由于外力导致绝缘层破损等状况都会造成直流电弧。随着电站运行时间增加,出现直流电弧的概率也增加。不考虑其他接触件以及绝缘部位,在10MW的分布式电站中光接触点便超过了80000个从而它们时刻存在发生直流电弧的可能性。即便在25年的电站运行时间内只有1/1000接触点可能发生直流电弧,该电站也会发生80次直流电弧事件,火灾的概率非常之高。
参见图2,第一个光伏组件PV1的输出电压为VO1、第二个光伏组件PV2的输出电压记载为VO2,依此类推,第N个光伏组件PVN的输出电压为VON:以至于第一串即左侧的组串ST1上的总串级电压通过计算大约为VO1+VO2+…VON=V1。不同的多组电池组串并联连接并为逆变器供电。多级光伏组件PV1至PVN是串联连接,多级光伏组件各自输出电压相叠加至传输线上。传输线的电压较之单个光伏组件高得多,如图所示逆变器从传输线上将直流电的传输线电压逆变转换成交流电,这是传统的方案。光伏组件串联连接构成组串且逆变器会竭力让组串工作在最大工作点。
参见图2,前文是以第一串组串ST1作为可选范例来阐释说明的。再譬如以任选的某个组串STK:第一个光伏组件PV1的输出电压为VO1、第二个光伏组件PV2的输出电压记载为VO2,依此类推,第N个光伏组件PVN的输出电压为VON。以至于第K串即右侧的组串STK上的总串级电压通过计算大约为VO1+VO2+…VON=VK。总的串级电压其实就是直流母线的母线电压,母线电流在下文会继续介绍。
参见图2,在分布式或集中式光伏电站中值得关注的问题是:阴影遮挡造成众多光伏组件间的失配。问题还在于:光伏组件的电池输出特性体现在输出电压和输出电流与光强及环境温度等外部因素存在着密切的关联,外部因素的不确定性,导致最大输出功率和最大功率点的对应电压跟随外部因素的变化而变化。例如光伏组件输出的功率功率具有随机性和剧烈的波动性,而这种随机的不可控的特性,有很高的几率对电网造成较大的冲击而且也还可能对一些重要负荷运行造成负面的影响。基于这些疑虑,考虑外部因素而实现光伏组件最大功率点追踪是业界实现能量和收益最大化的核心目标。
参见图2,随着环境和传统能源问题的日趋严峻,光伏发电技术已被越来越多的国家和地区所重视并将其视为优先发展对象,光伏发电又是新能源发电技术中最成熟和最具开发条件的规模发电方式之一。太阳能光伏组件在当前主流技术的方向分为单晶硅太阳电池和多晶硅太阳电池、非晶硅太阳能电池等,硅电池要求的使用年限一般高达二十多年的寿命所以对光伏组件的长期性和持久性管控是必不可少的。众所周知的问题是很多因素都会导致光伏组件的发电效率降低,例如光伏组件自身之间的制造差异、安装差异或阴影遮挡或最大功率追踪适配等因素都会引起效率低下。以阴影遮挡为范例,如果部分光伏组件被云朵或建筑物或树影或污垢等类似情况遮挡后,部分组件就会由电源变成负载而不再产生电能并消耗其他光伏组件的输出功率。还例如当出现同一串电池板因为产品一致性问题不好或发生阴影遮挡等导致部分电池不能正常发电时,整串的电池组串的效率损失很严重而且逆变器尤其是集中式的逆变器接入的电池板阵列很多时,会导致各个组串的电池板不能够在自己的最大功率点运行,这些都是电能和发电量的损失的诱因。由于光伏组件在发生热斑效应严重的地方局部温度可能较高,有的甚至超过150℃,导致组件局部区域烧毁或形成暗斑、焊点融化、封装材料老化、玻璃炸裂、焊带腐蚀等永久性破坏,会给光伏组件的安全性和可靠性造成极大地的隐患。毫无疑虑,光伏系统亟待解决的问题就是对光伏组件的实时管控以及对光伏组件的管理,具体需求是能够实时地管控每一块被安装的光伏电池板的工作状态和工作参数,能可靠地对光伏组件的电压异常、电流异常、温度异常等异常情况进行预警并采取某些应对措施,这对发生异常的电池组件采取类似于组件级主动安全关断或其他的应急断电措施是十分有意义和十分必要的。
参见图2,光伏逆变器INVT具最大功率点追踪MPPT功能。光伏发电受温度和辐照度的影响很大,为了在相同条件下获得更多的电能,提高系统的运行效率,光伏电池的最大功率点追踪成为光伏产业发展中长期面临的问题。早期对光伏阵列最大功率点追踪技术的研究主要是定电压跟踪法、光伏阵列组合法以及实际测量法。定电压跟踪法实际上是等效于稳压控制,并没有达到最大功率点跟踪的目的。光伏阵列组合法是针对不同的负载调节光伏阵列串并联的个数,不具有实时性。实际测量法是用额外的光伏阵列模组以建立光伏阵列在一定日照量及温度时的参考模型,这种方法没有考虑实时的遮蔽情况和各电池板的差异性。目前光伏阵列的最大功率跟踪方法主要分为基于数学模型的方法、基于扰动的自寻优法和基于智能技术的方法。基于数学模型的方法是以建立优化的数学模型为出发点来构造求解方法及光伏阵列特性曲线,从而得出光伏阵列的最大功率之输出,所以光伏电池的等效电路模型及各种参数的正确性是需要着重考虑的。
参见图2,功率优化之常用的MPPT方法的原理及特点:如早期用于光伏组件的输出功率控制主要利用电压回授法Constant Voltage Tracking,这种跟踪方式忽略了温度对太阳电池的开路电压的影响,所以开路电压法和短路电流法被提出来了,它们的共性基本是非常近似的处理最大功率点。为了更精准的捕获最大功率点,扰动观察法和占空比扰动法甚至电导增量法等被提出来了。扰动观察法原理为测量当前阵列功率,然后在原输出电压上再增加一个小电压分量扰动,输出功率会发生改变,测量改变后的功率并比较改变前后功率的大小即可知道功率变化的方向,如果功率增大就继续使用原扰动而如果减小则改变原扰动方向。占空比扰动工作原理为:光伏阵列和负载之间的接口通常采用脉冲宽度调制信号控制的电压变换器,从而可通过调整脉冲宽度调制信号的占空比来调节变换器的输入与输出关系,从而实现阻抗匹配的功能,因此占空比的大小实质上已经决定了光伏电池的输出功率的大小。电导增量法与前述扰动观察法可说是殊途同归,最大的差别仅仅在于逻辑判断式与测量参数,虽然增量电导法仍然是以改变光伏电池输出电压来达到最大功率点但是借着修改逻辑判断式来减少在最大功率点附近的振荡的现象,使其适应于日照强度和温度瞬息变化的气候。实际测量法、模糊逻辑法、功率数学模型、间歇扫描跟踪法以及最优梯度方法、三点重心比较法等属不太常用的最大功率点追踪法。藉此可以获悉在光伏能源业界使用的所谓MPPT算法是多样性的,本申请不再重复赘述。
参见图2,光伏组件阵列是光伏发电系统从光能到电能转换的基础。光伏组件阵列中装有电池组串,每个电池组串由串联的光伏组件PV1至PVN串接构成。光伏组件阵列提供的总电能由直流传输线输送给能源收集装置或能量收集装置,能源收集装置含如图所示的将直流电逆变成交流电的逆变器INVT或包括为蓄电池充电的充电器。通常每个光伏组件的正负极之间连接有与光伏组件并联的旁路二极管,以便在光伏组件的输出功率下降时该光伏组件可以被与其配套的旁路二极管予以旁路掉,而不是让输出功率下降的光伏组件进入负压区否则会导致光伏组件两端的极高功率耗散,甚至会引起燃烧。
参见图2,每个组串的功率与电压曲线中,相同的环境条件下每个组串具有唯一的最大输出功率点,在最大功率点左侧光伏组件的输出功率随光伏组件的输出电压上升而呈现出上升的趋势。到达最大功率点后,光伏组串的输出功率又迅速下降,而且下降的速度远大于上升速度,即最大功率点右侧光伏组件的输出功率随光伏组件的输出电压上升而呈现出下降的趋势。组串最大功率点对应的输出电压约等于其开路电压的78-80%左右。
参见图2,各个组串ST1-STK各自的串级电流汇总后的总电流IB被视为功率转换装置即逆变器INVT的输入电流,并联的各组串ST1-STK产生的直流电提供给逆变器以实施直流电到交流电的逆变转换。电弧初步勘察例如在汇流的总电流IB处来予以监测和得到初步勘察结果、当然也可以是直接在各组串ST1-STK处直接勘察。
参见图2,电流检测模块DETC检测组串ST1-STK之串级电流予以汇总之后的总电流的电流特性。电流检测模块DETC:通常配置有处理器和额外的用于检测电流的外设硬件譬如电流数据由电流传感器等外设硬件采集,电流数据传递给处理器的前提下处理器可用于分析总电流的电流特性。与处理器具有相同功能的等同器件:逻辑器件、软件驱动或者复数的微处理器或门阵列、状态机、控制器、控制装置、芯片。电流检测模块可以直接集成到逆变器当中,因为汇总的总电流本身就要输送给该逆变器。当然电流检测模块也可以作为独立的模块,且允许它和逆变器建立有线或无线通信关系。如果电流检测模块不单独配置任何处理器则其电流数据可以传递给其他处理器来完成电流特性的分析。
参见图2,在可选的实施例中,故障电弧检测方法用于检测某些待测线路是否存在故障电弧而待测线路包括光伏组件向逆变器INVT供电的直流线路。这里的直流线路既可以是图中的直流母线也可以是串接起任一组串的支线线路。任一组串例如STK等均是被连接在一对直流母线之间,图示的总电流IB其实就是直流母线的母线电流。与此相对的支线则是用于将某个组串独立的串接起来,如组串ST1中光伏组件PV1-PVN被一个支线串接起来、而组串ST2中光伏组件PV1-PVN被另一支线串接起来,所以认为每个电池组串当中光伏组件PV1至PVN是被一个支线线路串联起来的。总之前述待测线路既可以是直流母线也可以是串接起任何一串光伏组件的支线线路或其他场合的直流线路。
参见图3,在可选的实施例中,在将相似度值与预定的阈值范围进行比较之前先通过低通滤波的方式,将非故障电弧引起的相似度值不在阈值范围的情况过滤掉。前文已经假设相似度值201-205等一系列的相似度值构成了一个数据集合:在将任一相似度值与预定的阈值范围进行比较之前,先通过低通滤波LF的方式,将非故障电弧引起的相似度值不在阈值范围的情况过滤掉。由于数据集合当中那些非故障电弧引起的不在阈值范围的相似度值属于低通滤波的对象,所以非故障电弧引起的相似度值之跳变不认为是电弧。
参见图2,防止误判断是故障电弧保护技术的重要课题之一。譬如误判断状况包括正常的工作电弧、浪涌电流、非正弦波形、多种负载、交叉干扰等一系列因素。如果在判断故障电弧阶段,发生了误判,就会影响其他电器设备的正常运行,那么显而易见这就失去了保护的意义。本文所记载的低误动作率的故障电弧判断方案刚好满足需求。
参见图2,光伏组件不匹配具有隐蔽性,许多太阳能发电系统可能忽略或毫不知情光伏组件的不匹配问题,导致能源浪费。不匹配的原因是多方面的,主要机理是电压和电流的组合不匹配造成的,局部异物遮蔽和飘动的云朵、附近物体的遮挡或表面污染及不同的安装倾角和安装朝向、老化和温度变化及其他因素,光伏组件的不匹配直接诱发光伏组件产生不平衡电量损失。光伏逆变器INVT带有最大功率点追踪功能。
参见图2,光伏能源系统中产生的电弧可分为正常电弧和非正常电弧两种。断路器的正常关断等操作所引起的电弧属正常电弧,而电线老化、接触不良等故障引起的电弧属于不正常电弧,这就代表着电弧检测要正确地分辨好弧和坏弧。因为存在着这样复杂的因素往往给故障电弧检测带来了较大的挑战,同时也给检测的算法提出更高的要求。本申请的故障电弧检测是在电弧产生的初始阶段,通过各类传感器检测电弧在总电流上或在支路线路处的串级电流上的各种参数变化,加以分析来判断是否有电弧产生,不仅精确的识别出好弧和坏弧还能识别出串联式的好弧和坏弧以及并联式的好弧和坏弧。
参见图3,需注意到电弧事件并不一定是危害度高的直流电弧故障。例如插拔开关或电机旋转等动作会使电力系统发生电弧,但这种电弧并不会持续存在而是是瞬时性的并且也不会影响系统和设备的正常工作,所以称这类电弧为好弧即正常电弧。除正常电弧外因为线路短路、绝缘老化、线路接触不良等原因引起并能够持续燃烧以及易引燃周围易燃物的电弧称为坏弧也即直流故障电弧。甄别电弧事件是正常电弧还是直流故障电弧的关键点就在于在将相似度值与预定的阈值范围进行比较之前,通过低通滤波LF的方式先行将非故障电弧引起的相似度值不在阈值范围的情况过滤掉,非故障电弧引起相似度值不在阈值范围的情况主要就包括了好弧即正常电弧的情况。
参见图4,故障电弧检测系统还包括:电流检测模块DETC并且用于侦测待测线路中的电流的目标分量如高频和中频分量等。电流检测模块DETC例如包括高频电流传感器或者包括罗氏线圈传感器等,如测量电流中的高频分量,电弧属于高频分量。待测线路往往以靠近或者穿过高频电流传感器或罗氏线圈传感器的方式来捕捉高频分量。
参见图4,故障电弧检测系统还包括:电流处理模块301且用于通过滤波和放大的方式获得目标分量。电流处理模块301至少包括带通滤波器和放大电路:带通滤波器在所述电流中过滤出所述目标分量,放大电路对所述目标分量进行放大处理。因侦测和分析的目标是高频分量,但是高频分量必然会混入其他杂波,所以可利用带通滤波器将电流中除了高频分量以外的其他杂波过滤掉、仅保留高频分量。高频分量的信号强度可能不足以直接进行精确分析,所以可利用放大电路对所述目标分量进行放大处理。放大之后的目标分量可以作为采样的对象而实施采样,而且对目标分量的采样可以作为电流处理模块的功能也可以不作为电流处理模块的功能。例如如果要求电流处理模块具有采样功能则可以为其配备高速的采样芯片而且现有的采样芯片大部分已兼容模数转换功能。还例如假设不要求电流处理模块具有采样功能,那么采样步骤可由后续其他模块来完成。总而言之电流处理模块既可以配备对高频分量实施采样的采样模块又可以不配备任何采样模块。
参见图4,故障电弧检测系统还包括:电弧计算模块302且用于对所述目标分量进行频谱稳定性分析,计算出是否存在着故障电弧。电弧计算模块302带有处理器而且处理器的运算功能主要是满足电流高频分量的频谱稳定性计算。与处理器具有相同功能的等同器件或替代元件:逻辑器件、数字信号处理芯片、状态机、控制器、控制装置、软件驱动或复数的微处理器、门阵列、其他类似的芯片等。电弧计算模块302执行的频谱稳定性分析主要包括了:将每个时段内的一组采样数据执行快速傅立叶变换FFT从而得到每个时段的频谱数据、将任意相邻的两个时段对应的两组频谱数据实施相似度计算从而获得相应的一相似度值,藉此由多个时段所对应的多组频谱数据计算出多个相似度值、判断相似度值是否在预定的阈值范围之内,若否,则判断存在故障电弧。考虑到电弧计算模块带有的处理器在大部分场景下已经具备模拟到数字的数据采样功能,所以对高频分量实施采样的采样功能可直接由电弧计算模块完成。当然也可以为电弧计算模块配备单独的采样芯片来对高频分量实施采样而不必由处理器承担此任务,然后具有模数转换功能的采样芯片再将采样数据传输给处理器来执行该频谱稳定性计算。总而言之电弧计算模块既可以配备对高频分量实施采样的采样模块又可以不配备任何额外的采样模块。
参见图4,电弧计算模块302实施的步骤S10:将每个时段内的一组采样数据执行快速傅立叶变换FFT从而得到每个时段的频谱数据,如图1的频谱数据SD1-SD6等。
参见图4,电弧计算模块302实施的步骤S20:将任意相邻的两个时段对应的两组频谱数据实施相似度计算以获得一个相似度值,藉此由多个时段所对应的多组频谱数据计算出多个相似度值,如图1的相似度值201-205等。
参见图4,电弧计算模块302实施的步骤S30:在将相似度值与预定的阈值范围进行比较之前,通过低通滤波LF(Low-pass Filter)的方式,先将非故障电弧引起的相似度值不在阈值范围的情况过滤掉。在可选范例中可使用数字滤波的技术。
参见图4,电弧计算模块302实施的步骤S40:判断一系列相似度值是否持续稳定在预定的阈值范围,若否,则认为高频分量表征着故障电弧。例如如果认为所有的相似度值构成了数据集合,只要分析此数据集合就能判定电弧情况:判断数据集合中一系列相似度值是否持续稳定在预定的阈值范围,若否,则认为高频分量表征着故障电弧。如果多个时段的频谱数据是相似的则表明不存在故障电弧;相反的,如果多个时段中至少有数个时段的频谱数据不相似则表明存在故障电弧。
参见图5,在可选的实施例中,相似度值具有最大值A和最小值B,相似度值越大说明相关性越强、相似度值越小说明相关性越低。在可选的实施例中,预定的阈值范围的上限值取相似度值的最大值A而预定的阈值范围的下限值M满足B<M<A。换而言之就是允许阈值范围的上限值等于相似度值的最大值、但是阈值范围的下限值需小于相似度值的最大值并且阈值范围的下限值需大于相似度值的最小值。那么下限值就是阈值范围的最低的取值以及上限值就是阈值范围的最高的取值。值得注意的是,相似度值的最大值和最小值在业界是相似度(similarity)算法所规定的。
参见图5,在可选的实施例中,阈值范围的下限值和上限值界定了一个范围,若相似度值不在该界定的阈值范围内,则判断高频分量存在着故障电弧。相反,若相似度值位于该界定的阈值范围内则判断高频分量不存在着任何故障电弧。图5和图6在下文内容中将会以具体的图示范例来解释这种电弧存在与否的判断方法,需强调的是,下文的图示范例仅仅是以数量有限的若干个相似度值作为示意性的实施例,而实质上相似度值的实际数量远远超过图示的范例,囿于篇幅有限,所以没有全部展示。
参见图5,藉由多个时段例如101-106等所对应的多组频谱数据SD1-SD6可计算出多个相似度值201-205等,可结合图1的范例,但是需注意本实施例使用到的相似度值的数量远远不止图1所展示的有限个相似度值。阈值范围的下限为M而上限为A且如果其中数个相似度值不在预定的阈值范围M-A内,举例的相似度值206-207、209等不在预定的阈值范围M-A内,则判断待测线路存在故障电弧。
参见图5,相似度值的最大值为A而最小值为B:最大值A的情况表示相互比较的变量的相似度值几乎完全一样;相反的是,最小值B的情况表示相互比较的变量的相似度值几乎完全不一样。相似度值越大说明相关性越强、相似度值越小说明相关性越低而且业界习惯用范围表达式[B,A]来表示相似度值的范围。有些场合用[-1,1]来表示相似度值的范围也即相似度值在负1和正1之间浮动,但是也有一些场合用[0,1]来表示相似度值的范围也即相似度值在为0和正1之间浮动,当然A和B也有其他的取值类型。而前文提及的阈值范围M-A之M需大于最小值B但小于最大值A,B<M<A。本申请也可以用业界习惯的范围表达式[M,A]来表示阈值范围,它的上限值是A而下限值是M。举例例如使用阈值范围[0.5,1]或[0.6,1]等范围来界定阈值范围,当然M的实际取值是任意可调的而不必受限于这些作为举例说明的详细数值。
参见图5,阈值范围用区域ZONE来表示。引起数个相似度值206-207、209等不在预定的阈值范围M-A之内的因素可能是存在故障电弧,因为故障电弧极易导致高频分量的频谱数据出现持续性不稳定的情形。相似度值在区域ZONE则判定对电流的高频分量做持续的频谱计算过程中高频分量的频谱形状保持稳定,说明没有电弧故障。相反的若相似度值落在区域ZONE外则判定高频分量的频谱形状发生了变化、或者说如果出现了数个相似度值连续不在预定的阈值范围内的情况,则说明有电弧故障。
参见图6,正常的工作电弧、浪涌电流、非正弦波形、多种负载、交叉干扰等一系列因素都会导致频谱形状或频谱数据的跳变。逆变器INVT开始启用的启动动作或者工作状态的切换等操作也会引起频谱数据的跳变。然而这些情况都属于非故障电弧引起的相似度值偶然跳变的现象,皆会导致相似度值落在区域ZONE之外。正鉴于非故障电弧引起的相似度值偶然性的跳变到阈值范围M-A之外,若将这种现象判定为故障电弧,显然就属于典型的误判。如果在判断故障电弧阶段,发生了误判,就失去了检测的意义。在可选的实施例中可假设已跳变到阈值范围M-A之外的相似度值207为非故障电弧引起的。
参见图6,显然频谱数据的偶发性跳变需要被排除掉,例如相似度值207偶然性跳变到阈值范围M-A之外就需要被剔除、防止其误判为故障。但是相似度值207偶然性跳变到阈值范围M-A外又是天然存在的、不可避免的,因此在判断频谱数据是否相似时可通过低通滤波LF的方式,先将非故障电弧引起的频谱数据不相似的情况过滤掉。而频谱数据之变化导致落在区域ZONE之外的那些相似度值207就是低通滤波的对象,需要将非故障电弧引起的频谱数据不相似的情况过滤掉、或是将非故障电弧引起的相似度值偶然跳变到阈值范围外即区域ZONE外的情况如相似度值207过滤掉。试想,本来直流线路没有任何故障电弧,却因正常电弧、浪涌电流、非正弦波形、多种负载等因素或因逆变器的启动或工作状态的切换等因素而导致出现了相似度值207,若直接认定直流线路存在着故障电弧,显然有悖于本申请的电弧检测主旨,而低通滤波显得尤为重要。
参见图6,在将相似度值与预定的阈值范围进行比较之前,由低通滤波的方式将非故障电弧引起的相似度值例如207不在阈值范围的情况过滤掉。那么除了207以外余下的其他的相似度值应该都在阈值范围内即在区域ZONE内,前提是无故障电弧。而如果存在着故障电弧,相似度值如207即使被低通滤波步骤过滤掉,那么除了207以外余下的其他所有相似度值中仍然有数个相似度值不在阈值范围内即不在区域ZONE,这时候低通滤波步骤过滤掉非故障电弧事件的过滤作用是有效的,但无法使除了207以外余下的其他的所有相似度值都在阈值范围内即在区域ZONE内,如图5所示的范例,是因为故障电弧引起的相似度值不在预定的阈值范围的情况无法被低通滤波过滤掉。
参见图4,在可选的实施例中,本故障电弧检测系统用于检测电流的高频分量是否表征着故障电弧,检测系统包括处理器以及存储在处理器上故障电弧检测程序,故障电弧检测程序被处理器运行时执行的步骤包括:S10、对高频分量在每个时段内的一组采样数据均实施快速傅立叶变换,以得到每个时段的频谱数据。S20、将任意相邻的两个时段对应的两组频谱数据实施相似度计算,获得一个相似度值;并由多个时段对应的多组频谱数据计算出一系列相似度值。S40、判断一系列相似度值是否持续稳定在阈值范围、若否则认为前述高频分量表征着故障电弧。在判断相似度值是否在预定的阈值范围之前,先进行低通滤波例如步骤S30,非故障电弧引起的相似度值偶然跳变到阈值范围外的情况则可由低通滤波的步骤S30来过滤掉。电弧计算模块302之处理器可执行该些步骤。
参见图7,定义多个时段例如图中展示的时段101、102、103……等。每个时段内需要对目标分量100进行多次采样以获得一组采样数据。例如某一个时段101之内主张需要对目标分量100进行多次采样获得第一组采样数据,例如某一个时段102之内主张需要对目标分量100进行多次采样获得第二组采样数据,例如某一个时段103之内主张需要对目标分量100进行多次采样获得第三组采样数据。此外还在其他任一时段之内亦主张对目标分量100进行多次采样获得该任一时段内的一组采样数据。基于文章篇幅的限制本申请不再赘述更多的时段,仅以前述代表性的时段为范例来解释。同时在本申请中值得强调的是,时段101之前允许存在时间更早的时段、时段103之后自然允许存在时间更晚的时段,图中所展示的数个时段仅仅是全部时段的少量截取部分。在可选的范例中可知多个时段对应着多组采样数据:除了前文提及的三组采样数据之外,如果存在着时间更早的时段或存在时间更晚的时段,则有M个时段就应该生成M组采样数据,只不过图示的可选实施例可以用正整数M取六的情况来阐释说明,M>1。
参见图7,在可选的范例中假设图中展示的时段101、102、103……中:相邻的两个时段中前一个时段结束后间隔小段时间才是后一个时段。如前一个时段101结束之后并间隔一小段时间后才是后一个时段102、按相同的道理,如前一个时段102结束之后并间隔一小段时间后才是后一个时段103。相邻时段间隔开。意思是指任意相邻的两个时段中的前一个时段与后一个时段之间穿插或间隔有一小段时间、且前一个时段与后一个时段之间穿插或间隔的这一小段时间不对高频分量进行采样。换而言之,任意相邻的两个时段在时间上是不连续的。任意相邻的两个时段之间的间隙时间不对高频分量采样。
参见图7,在可选的实施例中,逆变器INVT具最大功率点追踪功能这种技术方案在前文内容中已经详细阐明。在执行最大功率点追踪的过程中,要寻找最大功率点就必须周期性的调节逆变器的输入电流之大小和调节输入电压之大小。逆变器的输入电流也即各组串的串级电流汇总后的总电流、逆变器的输入电压也即各组串的串级电压。在可选的实施例中当发生故障电弧时,也即检测到相似度值不在预定的阈值范围内时或者说检测出待测线路存在着故障电弧时,可以将逆变器INVT执行最大功率点追踪而周期性地调节逆变器的输入电流大小、输入电压大小的周期值来予以调大。在可选的范例中例如原先的初始周期值上调到调整后的周期值,调整后的周期值高于初始周期值。则逆变器在测出故障电弧之前是以初始周期值来周期性的调节该逆变器的输入电流大小、输入电压大小以执行最大功率点追踪,而逆变器在测出故障电弧之后是以调整后的周期值来周期性调节逆变器输入电流的大小、输入电压的大小以执行最大功率点追踪。其缘由,主要就是考虑到光伏组件受光照强度和环境因素的影响较大:光伏组件的输出电流和电压天然就存在不稳定性和瞬时变化特点,尤其是光伏逆变器本身的大量开关噪声辐射影响,将会导致电流中的谐波的含量会增多,以至于电弧特征值出现的某些非故障电弧的信号增量往往会误判为直流电弧故障即坏弧。假设在检测到发生故障电弧时,主张将逆变器执行最大功率点追踪而周期性调节逆变器的输入电流大小、输入电压大小的周期值予以调大:倘若故障电弧是真实的直流故障电弧,那么周期值予以调大后相似度值仍然不在预定的阈值范围内。反之若故障电弧不是真实的直流故障电弧如是好弧,那么在实施将周期值调大的动作时,相似度值会恢复到位于预定的阈值范围内。因此监测到故障电弧时,在可选的实施例中可以将逆变器执行最大功率点追踪而周期性地调节逆变器的输入电流大小、输入电压的大小的周期值予以调大来进一步甄别检测到故障电弧是否是真实的故障电弧。本范例还适用于图1。
参见图7,需将每一个时段内的一组采样数据执行快速傅立叶变换,从而得到每个时段的频谱数据。如时段101的第一组采样数据由快速傅立叶变换FFT,从而得到此时段的频谱数据SD1。时段102的第二组采样数据由快速傅立叶变换FFT,从而得到此时段的频谱数据SD2。时段103的第三组采样数据由快速傅立叶变换FFT,从而得到此时段的频谱数据SD3。除了上文提及的三组频谱数据之外,如果存在着时间更早的时段或存在时间更晚的时段,则有M个时段就应该生成M组频谱数据。每个时段的频谱数据包括频域上分布的各个频率分量及包括各个频率分量所对应的幅值,考虑到通过傅立叶变换知晓各个频率分量也自然知晓了各个频率分量它们各自的频率值。因此也认为每个时段的频谱数据包括频域上分布的各个频率分量及包括各个频率分量对应的频率和幅值。
参见图7,将任意相邻的两个时段对应的两组频谱数据实施相似度计算以获得一个相似度值,藉此由多个时段所对应的多组频谱数据计算出多个相似度值。例如将任意相邻的两个时段101-102对应的频谱数据SD1-SD2实施相似度计算获得相似度值201,相邻的两个时段102-103对应的频谱数据SD2-SD3实施相似度计算获得相似度值202。在可选的实施例中如果时段101之前允许存在时间更早的时段,那么时段101的前一个时段对应的频谱数据允许和频谱数据SD1实施相似度计算从而获得一个相似度值;同理在可选的实施例中如果时段103之后允许存在时间更晚的时段,那么时段103的后一个时段对应的频谱数据允许和频谱数据SD3实施相似度计算从而获得一个相似度值。如果认为所有的相似度值构成了一个数据集合,只要分析此数据集合就能判定电弧情况。
参见图7,在图示的那些相似度值201、202、203……中,如果其中数个相似度值不在预定的阈值范围内,判断待测线路存在故障电弧。或者严格的说,其中数个相似度值连续不在预定的阈值范围内,可判断待测线路存在故障电弧,此时因为相似度值不具有持续的稳定性则证实了至少有数个时段的频谱数据不相似。如果多个时段的频谱数据是相似的则数据集合中近乎所有相似度值均在预定阈值范围内。如果多个时段中至少有数个时段的频谱数据是不相似的,则数据集合至少有部分相似度值不在预定阈值范围内。频谱数据是否相似的依据主要是:判断相似度值是否在预定的阈值范围内。例如若出现了数个相似度值连续不在预定的阈值范围内的情况,则判断待测线路存在着故障电弧。
参见图1,在可选的实施例中,令每一个时段为一个计算窗口(如1mS)并要求在每个计算窗口计算出一组频谱数据:后一个计算窗口的频谱数据与其前一个计算窗口的频谱数据做相似度计算,如果为相似,则说明高频分量的频谱变化不大,同时证实了待测线路这一对象运行稳定,无电弧故障。相反的是,如果不相似,即频谱变化较大则证实了待测线路运行并不稳定,有电弧故障。非故障电弧事件引起频谱数据变化的干扰也会导致相似度值不在阈值范围。非故障电弧事件典型的包括正常的工作电弧、浪涌电流、非正弦波形或多种负载、交叉干扰、逆变器的启动动作或工作状态的切换等。非故障电弧事件引起的干扰如逆变器的干扰在计算窗口这样的时间维度(毫秒mS级)上是稳定的,因为非故障电弧事件引起的干扰一般是秒级的。换言之,非故障电弧事件造成频谱数据的偶然跳变或相似度值的偶然跳变绝大部分不会持续很久,在时间轴上非故障电弧事件出现一下或几下后会马上又迅速的消失。因此可在判断相似度值是否在预定的阈值范围之前,先进行低通滤波并将非故障电弧引起的相似度值偶然跳变到阈值范围之外的情况过滤掉。
参见图1,在可选的实施例中,在每一个时段都以1Mhz的采样速率来对该高频分量进行多次采样。采样频率,也称为采样速度或者采样率,定义了每秒从连续信号中提取并组成离散信号的采样个数,用赫兹(Hz)等表示。允许每一个时段采样1024次或者是也可以说以每1024个采样数据作为一个计算窗口,使每个时段约为1毫秒。每个时段或计算窗口的时间长度计算方式如是1/1Mhz乘以1024。如果每个时段对高频分量进行采样的采样速率是给定的、采样次数是给定的,大体上可认为每个时段或每个计算窗口的时间长度计算方式是采样频率的倒数值乘以采样次数。在可选的实施例中,本申请可设计每个时段之时间长度为1毫秒左右。这样有一优势:在计算窗口这样的时间维度上来观察会发现非故障电弧事件引起的干扰如逆变器的干扰不会造成频谱数据稳定性问题,也就不会再造成电弧误判问题,尤其是佐以低通滤波LF。例如逆变器启用或者工作状态的切换变化所造成的干扰通常都是秒级的。那么任意相邻两组频谱数据实施相似度计算的过程相当于是可近似地屏蔽掉非故障电弧事件引起的干扰:频谱数据包括频域上分布的各个频率分量以及各个频率分量对应的幅值。两组频谱数据实施相似度计算,除了单纯比较两组频谱数据各自的频率分量在频域上的分布点的相似程度之外、还会比较两组频谱数据的频率值相近或说频率值相同的频率分量的幅值的相似程度。属多维度数据计算。所以两组频谱数据的相似度计算获得的一相似度值至少体现两方面:前一组频谱数据的频率分量在频域上的分布点与后一组频谱数据的频率分量在频域上的分布点间的相似程度、前一组频谱数据和后一组频谱数据的频率值相同的频率分量的幅值的相似程度。两组频谱数据中前一组频谱数据是指相邻两个时段中前一个时段所对应的一组频谱数据、两组频谱数据中后一组频谱数据是指相邻两个时段中后一个时段所对应的一组频谱数据。换言之,如果频谱形状保持稳定则说明无电弧故障,如果频谱形状持续的变化则说明有电弧故障。而多维数据计算中频率分量的分布情况与频率分量的幅值并不是孤立的、而是相互掣肘。
参见图1,在可选的实施例中,相似度算法可以减少总数据处理量。任一组频谱数据原本的数据量是巨大的,但两组频谱数据之相似度计算仅为一相似度值,所以原本需要处理的复杂而又海量的数据被简单化、精简化:相当于数据压缩。处理器处理复杂而又海量的频谱数据时必然要付出时间成本,而故障电弧特性就是气体放电现象、故障电弧的频谱变化是瞬息万变的,若频谱数据的处理速度滞后于故障电弧的频谱变化,即用较早时刻的频谱信息推算当前时刻的电弧现象,这显然是不准确和存在较大误差的。本申请解决这类弊端的手段是,每得到一个相似度值就得出一次电弧判断结果,不断计算出相似度值就等效于是持续而又准时地反馈出电弧判断结果、近乎不存在任何滞后效应,频谱数据的相似度值计算与故障电弧的频谱变化几乎是同步。这是针对故障电弧这类气体放电现象而减少数据处理量所带来的极大优势之一,可尽早发现故障电弧和及时地灭弧。因此将任意相邻两个时段对应的两组频谱数据实施相似度计算获得一相似度值、由多个时段对应的多组频谱数据计算出一系列相似度值的作用之一是:用于缩小判断高频分量是否存在故障电弧的判断速率与故障电弧造成的频谱数据的变化速率之间的速率差异或速度差异。其较直接的有益效果是减少处理器的运算量和提高处理器的运算速度。而体现在故障电弧预警方面的有益效果则是一旦出现故障电弧即同步预警,拉弧起火的事故被消灭在萌芽瞬间。
参见图1,在可选的实施例中,将任意相邻的两个时段对应的两组频谱数据实施相似度计算以获得一个相似度值,也就是说,可藉此由多个时段所对应的多组频谱数据计算出多个相似度值,以及判断相似度值是否在预定的阈值范围内,判断方式为:在任意相邻的两个时段当中将后一个时段的频谱数据和前一个时段的频谱数据进行比较;如果相似度值不在预定的阈值范围内,则判断所述待测线路存在故障电弧;具体而言是,每得到一个相似度值就得出一次是否存在故障电弧的判断结果;后一个时段的频谱数据相对于前一个时段的频谱数据是否具有稳定性,是判断是否存在故障电弧的唯一判断依据。按照本设计规则可以不断的判断每一个相似度值是否在预定阈值范围之内。本实施例的优势是频谱数据的相似度值计算与故障电弧的频谱变化几乎同步,电弧判断不存在滞后效应。
参见图1,在可选的实施例中,经过相似度算法,数据量会大大减少。例如在前述范例中数据处理量从采样时的1uS一个数据变成了每个时段1mS一个数据。这个相似度说明了电流信号频谱的稳定性,如果电流信号频谱稳定,说明系统没有电弧。当有电弧故障存在时则相似度的值就会变得很差,经过相似度算法就体现出来了。
参见图1,在可选的实施例中,作为可选项而非必须项,在侦测或是感应故障电弧时电流传感器允许去捕获在1KHZ至100KHZ的范围内的高频分量。当然这里的数值范围仅仅是高频分量的示范性频段,而实质上在电路领域所言的高频信号的频段范围都适用于本申请中高频分量的频段范围。尤其在是直流电领域中,传统的所谓电弧信号的频段范围都适用于本申请中术语“高频分量”的频段范围。
参见图3,在可选的实施例中,低通滤波器实施低通滤波LF的作用:前述的相似度虽然在一定程度上以及能反映出来是不是有电弧故障,但实际情况下,有一些不是电弧的正常操作也会偶然引起频谱的跳变。例如当逆变器开始动作时、切换工作状态时等。当这种非故障电弧也会引起频谱的跳变,频谱形状从一种形状跳变到另外一种形状。这时相似度只会跳跃一下就又稳定到相似了。由低通滤波器可以很容易把这种情况滤除。
参见图1,此检测技术的优点:传统的基于频谱算法的电弧检测技术例如可制定故障电弧参数特性,然后将实测的电流参数信息与故障电弧参数特性比对。传统的基于频谱算法的电弧检测技术允许是基于频谱特征的。基于频谱特征的算法之缺点:必须使用指定的适配型逆变器,因为每个逆变器引起的类似电弧信号的频谱特征不同;考虑到逆变器自身干扰的频谱特征随着工作时间会产生变化、所以长时间工作稳定性差;另外因电弧的频谱特征变化多端,单独从频谱特征判断是否有电弧难度大、检测能力差。本申请中提出的基于频谱稳定性的算法,完全克服了上述缺点。其优点为:适应性强和不挑逆变器。因为是观察频谱随着时间的推移而发生的变化,但不是限制于频谱特征本身。再者根本就没有跟进频谱特征来判断是否是电弧,而是利用了电弧的频谱是不稳定的这个特性,所以对真实存在的故障电弧的识别能力强,这些是传统电弧检测技术所不具备的。
以上通过说明和附图,给出了具体实施方式的特定结构的典型实施例,上述发明提出了现有的较佳实施例,但这些内容并不作为局限。对于本领域的技术人员而言,阅读上述说明后各种变化和修正无疑将显而易见。因此所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容都应认为仍属本发明的意图和范围内。
Claims (18)
1.一种故障电弧检测方法,用于检测待测线路是否存在故障电弧,其特征在于:
监控所述待测线路中的电流的目标分量:
定义多个时段,每个时段内均对所述目标分量进行多次采样以获得一组采样数据;
从而多个时段分别对应着多组采样数据;
将每个时段内的一组采样数据执行快速傅立叶变换,以得到每个时段的频谱数据;
将任意相邻的两个时段对应的两组频谱数据实施相似度计算,获得一个相似度值;
藉此由多个时段所对应的多组频谱数据计算出多个相似度值;
如果相似度值不在预定的阈值范围内,则判断所述待测线路存在故障电弧。
2.根据权利要求1所述的故障电弧检测方法,其特征在于:
所述目标分量包括所述电流的高频分量。
3.根据权利要求1所述的故障电弧检测方法,其特征在于:
所述待测线路包括由光伏组件向逆变器供电的直流线路。
4.根据权利要求1所述的故障电弧检测方法,其特征在于:
每个时段的频谱数据包括频域上分布的各个频率分量以及各个频率分量对应的幅值。
5.根据权利要求1所述的故障电弧检测方法,其特征在于:
所述目标分量经过滤波和放大后再采样,并执行模数转换以获得数字化的采样数据。
6.根据权利要求1所述的故障电弧检测方法,其特征在于:
在将相似度值与预定的阈值范围进行比较之前,通过低通滤波的方式,先将非故障电弧引起的相似度值不在阈值范围的情况过滤掉。
7.一种故障电弧检测系统,检测待测线路是否存在故障电弧,其特征在于,包括:
电流检测模块,用于侦测所述待测线路中的电流的目标分量;
电流处理模块,通过滤波和放大的方式获得所述的目标分量;
电弧计算模块,对所述目标分量进行频谱稳定性分析,计算出是否存在故障电弧;
频谱稳定性分析包括:
定义多个时段,所述的目标分量在每个时段内经由多次采样后获得一组采样数据;
从而多个时段分别对应着多组采样数据;
将每个时段内的一组采样数据执行快速傅立叶变换,以得到每个时段的频谱数据;
将任意相邻的两个时段对应的两组频谱数据实施相似度计算,获得一个相似度值;
藉此由多个时段所对应的多组频谱数据计算出多个相似度值;
如果出现了数个相似度值连续不在预定的阈值范围内的情况,则判断所述待测线路存在着故障电弧。
8.根据权利要求7所述的故障电弧检测系统,其特征在于:
所述目标分量包括所述电流的高频分量;
所述电流检测模块包括高频电流传感器或者罗氏线圈传感器,用于测量高频分量。
9.根据权利要求7所述的故障电弧检测系统,其特征在于:
所述电流处理模块至少包括带通滤波器和放大电路:带通滤波器在所述电流中过滤出所述目标分量,放大电路对所述目标分量进行放大处理。
10.根据权利要求7所述的故障电弧检测系统,其特征在于:
所述电弧计算模块包括实施频谱稳定性分析的处理器。
11.根据权利要求10所述的故障电弧检测系统,其特征在于:
在将相似度值与预定的阈值范围进行比较之前,通过低通滤波的方式,先将非故障电弧引起的相似度值不在阈值范围的情况过滤掉。
12.一种故障电弧检测方法,用于检测待测线路是否存在故障电弧,其特征在于:
监测所述待测线路中的电流的高频分量;
定义多个时段,每个时段内均对所述高频分量进行多次采样以获得一组采样数据;
从而多个时段分别对应着多组采样数据;
将每个时段内的一组采样数据执行快速傅立叶变换,以得到每个时段的频谱数据;
将任意相邻的两个时段对应的两组频谱数据实施相似度计算:
如果多个时段的频谱数据是相似的则表明不存在故障电弧;
相反的,如果其中至少有数个时段的频谱数据不相似则表明存在故障电弧。
13.根据权利要求12所述的故障电弧检测方法,其特征在于:
每个时段的频谱数据包括频域上分布的各个频率分量以及各个频率分量对应的幅值。
14.根据权利要求12所述的故障电弧检测方法,其特征在于:
在判断频谱数据是否相似时,通过低通滤波的方式,先将非故障电弧引起的频谱数据不相似的情况过滤掉。
15.根据权利要求14所述的故障电弧检测方法,其特征在于:
所述待测线路包括由光伏组件向逆变器供电的直流线路;
非故障电弧引起的频谱数据不相似的情况至少包括逆变器的干扰。
16.根据权利要求12所述的故障电弧检测方法,其特征在于:
在多个时段中,任意相邻的两个时段在时间上是连续的,或者任意相邻的两个时段在时间上是不连续的。
17.一种故障电弧检测系统,用于检测电流的高频分量是否表征着故障电弧,其特征在于,包括处理器以及存储在所述处理器上故障电弧检测程序,所述故障电弧检测程序被所述处理器运行时执行的步骤包括:
对所述高频分量在每个时段内的一组采样数据均实施快速傅立叶变换,以得到每个时段的频谱数据;
将任意相邻的两个时段对应的两组频谱数据实施相似度计算,获得一个相似度值;
从而由多个时段对应的多组频谱数据计算出一系列相似度值;
判断一系列相似度值是否持续稳定在预定的阈值范围,若否,则认为所述高频分量表征着故障电弧;
其中判断相似度值是否在预定的阈值范围之前,先进行低通滤波,将非故障电弧引起的相似度值偶然跳变到阈值范围之外的情况过滤掉。
18.根据权利要求17所述的故障电弧检测系统,其特征在于:
相似度值具有事先规定的最大值和最小值,则预定的阈值范围的下限值大于所述最小值但是小于所述最大值,以及预定的阈值范围的上限值为所述最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076366.7A CN112924750B (zh) | 2021-01-20 | 2021-01-20 | 故障电弧检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110076366.7A CN112924750B (zh) | 2021-01-20 | 2021-01-20 | 故障电弧检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112924750A true CN112924750A (zh) | 2021-06-08 |
CN112924750B CN112924750B (zh) | 2022-08-02 |
Family
ID=76164888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110076366.7A Active CN112924750B (zh) | 2021-01-20 | 2021-01-20 | 故障电弧检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112924750B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567803A (zh) * | 2021-06-25 | 2021-10-29 | 国网青海省电力公司果洛供电公司 | 基于Tanimoto相似度的小电流接地故障定位方法及系统 |
CN117332619A (zh) * | 2023-11-30 | 2024-01-02 | 华南理工大学 | 一种基于场路耦合的电弧根跳跃模型的建立方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282398A1 (en) * | 2015-03-25 | 2016-09-29 | Delta Electronics (Shanghai) Co., Ltd | Method and Device for ARC Fault Detection for Photovoltaic Inverter and Photovoltaic Inverter Using the Same |
CN108370148A (zh) * | 2015-12-16 | 2018-08-03 | 罗伯特·博世有限公司 | 电弧识别设备、相对应的方法和电子部件 |
US20180313887A1 (en) * | 2015-08-31 | 2018-11-01 | Shanghai Chint Power Systems Co., Ltd. | Direct current fault arc detection method background |
CN110717144A (zh) * | 2019-08-19 | 2020-01-21 | 珠海格力电器股份有限公司 | 一种故障电弧检测方法、装置、终端及存储介质 |
CN111257684A (zh) * | 2020-04-01 | 2020-06-09 | 浙江人民电器有限公司 | 一种电弧故障检测的方法及系统 |
CN111474451A (zh) * | 2020-04-26 | 2020-07-31 | 威胜集团有限公司 | 提高故障电弧准确率的检测方法、装置和可读存储介质 |
CN112731087A (zh) * | 2021-01-20 | 2021-04-30 | 丰郅(上海)新能源科技有限公司 | 用于光伏领域的故障电弧检测系统及检测方法 |
-
2021
- 2021-01-20 CN CN202110076366.7A patent/CN112924750B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160282398A1 (en) * | 2015-03-25 | 2016-09-29 | Delta Electronics (Shanghai) Co., Ltd | Method and Device for ARC Fault Detection for Photovoltaic Inverter and Photovoltaic Inverter Using the Same |
US20180313887A1 (en) * | 2015-08-31 | 2018-11-01 | Shanghai Chint Power Systems Co., Ltd. | Direct current fault arc detection method background |
CN108370148A (zh) * | 2015-12-16 | 2018-08-03 | 罗伯特·博世有限公司 | 电弧识别设备、相对应的方法和电子部件 |
CN110717144A (zh) * | 2019-08-19 | 2020-01-21 | 珠海格力电器股份有限公司 | 一种故障电弧检测方法、装置、终端及存储介质 |
CN111257684A (zh) * | 2020-04-01 | 2020-06-09 | 浙江人民电器有限公司 | 一种电弧故障检测的方法及系统 |
CN111474451A (zh) * | 2020-04-26 | 2020-07-31 | 威胜集团有限公司 | 提高故障电弧准确率的检测方法、装置和可读存储介质 |
CN112731087A (zh) * | 2021-01-20 | 2021-04-30 | 丰郅(上海)新能源科技有限公司 | 用于光伏领域的故障电弧检测系统及检测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113567803A (zh) * | 2021-06-25 | 2021-10-29 | 国网青海省电力公司果洛供电公司 | 基于Tanimoto相似度的小电流接地故障定位方法及系统 |
CN113567803B (zh) * | 2021-06-25 | 2023-12-01 | 国网青海省电力公司果洛供电公司 | 基于Tanimoto相似度的小电流接地故障定位方法及系统 |
CN117332619A (zh) * | 2023-11-30 | 2024-01-02 | 华南理工大学 | 一种基于场路耦合的电弧根跳跃模型的建立方法及系统 |
CN117332619B (zh) * | 2023-11-30 | 2024-02-20 | 华南理工大学 | 一种基于场路耦合的电弧根跳跃模型的建立方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112924750B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731087B (zh) | 用于光伏领域的故障电弧检测系统及检测方法 | |
Pillai et al. | A comprehensive review on protection challenges and fault diagnosis in PV systems | |
US11489490B2 (en) | Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation | |
CN112462176B (zh) | 支持检测光伏系统直流电弧故障的装置及方法 | |
Ahmadi et al. | A new method for detecting series arc fault in photovoltaic systems based on the blind-source separation | |
Johnson et al. | Photovoltaic DC arc fault detector testing at Sandia National Laboratories | |
CN112924750B (zh) | 故障电弧检测方法及系统 | |
CN110504918B (zh) | 电弧检测装置以及电弧检测方法 | |
Zhao et al. | Fault experiments in a commercial-scale PV laboratory and fault detection using local outlier factor | |
CN109239517B (zh) | 一种新的光伏系统直流电弧故障及类型的辨识方法 | |
US9465909B2 (en) | Systems and methods of discriminating DC arcs and load switching noise | |
CN107340459A (zh) | 一种直流故障电弧检测方法及系统 | |
US20240077544A1 (en) | Arc discharge detection method and detection device for battery system, and battery energy storage system | |
Spataru et al. | Detection of increased series losses in PV arrays using Fuzzy Inference Systems | |
US20160276977A1 (en) | Electric arc detection in photovoltaic installations | |
WO2019127440A1 (zh) | 一种直流电弧的处理方法及装置 | |
US20140142874A1 (en) | Home run arc detection at the photovoltaic string level using multiple current sensors | |
Strobl | Arc fault detection in DC microgrids | |
CN109596956B (zh) | 直流串联电弧检测方法及装置 | |
Eslami et al. | An improved protection strategy based on PCC-SVM algorithm for identification of high impedance arcing fault in smart microgrids in the presence of distributed generation | |
CN109888729A (zh) | 一种预警型变压器保护方法和装置 | |
CN112468086B (zh) | 应用于光伏能源的电弧监测系统及电弧监测方法 | |
KR102263463B1 (ko) | 아크 검출기를 포함하는 태양광 발전장치 | |
Osmani et al. | A critical review of PV systems’ faults with the relevant detection methods | |
CN112200998A (zh) | 应用于电力设备的早期火灾预警方法、系统及其存储介质 |
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 |