CN113514724A - 光伏系统及其电弧检测方法、装置 - Google Patents
光伏系统及其电弧检测方法、装置 Download PDFInfo
- Publication number
- CN113514724A CN113514724A CN202110801506.2A CN202110801506A CN113514724A CN 113514724 A CN113514724 A CN 113514724A CN 202110801506 A CN202110801506 A CN 202110801506A CN 113514724 A CN113514724 A CN 113514724A
- Authority
- CN
- China
- Prior art keywords
- characteristic parameters
- characteristic
- frequency
- arc
- training set
- 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 81
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000010801 machine learning Methods 0.000 claims abstract description 45
- 230000009467 reduction Effects 0.000 claims abstract description 31
- 230000008030 elimination Effects 0.000 claims abstract description 19
- 238000003379 elimination reaction Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000003066 decision tree Methods 0.000 claims description 33
- 238000002790 cross-validation Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 238000010891 electric arc Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 3
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 3
- 238000004904 shortening Methods 0.000 description 3
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明实施例公开了一种光伏系统及其电弧检测方法、装置。该方法包括:采集所述直流侧电流的交流分量样本;从所述交流分量样本中提取特征参数,并为所述交流分量样本打标签;根据全部所述特征参数和所述标签,形成训练集;使用所述训练集训练机器学习算法;采用反向特征消除对所述训练集中的特征参数进行降维,确定降维后的所述特征参数作为电弧检测的特征参数。与现有技术相比,本发明实施例简化了机器学习模型、提高了模型预测速度。
Description
技术领域
本发明实施例涉及光伏技术领域,尤其涉及一种光伏系统及其电弧检测方法、装置。
背景技术
电弧是一种气体放电现象,会产生高温、高亮度和辐射。当出现电弧现象时,若不及时灭弧处置,可能会导致线缆损坏、发电量损失,甚至是火灾。在光伏系统中,直流侧常见的电弧种类之一是串联电弧,常见于光伏组件的MC4端子处。为了在电弧出现时及时切断该支路,需要在光伏系统中增加电弧检测功能。
在现有技术中,常见的电弧检测方式是采集直流侧电流信号,并对信号进行时域或频域分析,提取特征参数后与预设的阈值对比,判断是否出现电弧。然而,在电流较大时,电弧特征不明显,通过阈值比较的方式难以有效检测出电弧。使用机器学习可以较好地融合时域和频域的多种参数,从多维度综合判断是否出现电弧,提高电弧检测的准确性。然而,现有的机器学习方法模型复杂,影响了模型训练速度和预测速度。
发明内容
本发明实施例提供一种光伏系统及其电弧检测方法、装置,以简化机器学习模型、提高模型训练速度和预测速度。
第一方面,本发明实施例提供了一种光伏系统的电弧检测方法,包括:
采集所述直流侧电流的交流分量样本;
从所述交流分量样本中提取特征参数,并为所述交流分量样本打标签;根据全部所述特征参数和所述标签,形成训练集;
使用所述训练集训练机器学习算法;
采用反向特征消除对所述训练集中的特征参数进行降维,确定降维后的所述特征参数作为电弧检测的特征参数。
可选地,所述机器学习算法为决策树。
可选地,所述采用反向特征消除对所述特征参数进行降维,确定降维后的所述特征参数作为电弧检测的特征参数,包括:
采用所述训练集训练决策树,得到第一交叉验证准确率;
从所述训练集中减少一个特征参数后,重新训练决策树,得到第二交叉验证准确率;
若所述第一交叉验证准确率与所述第二交叉验证准确率的差值小于或等于准确率比较阈值,则去除所述特征参数;否则更换一个所述特征参数;
重复减少特征参数重新训练决策树的步骤,直至没有可减少的所述特征参数,剩下的所述特征参数为所述降维后的特征参数。
可选地,所述特征参数包括:无量纲时域特征参数和频域特征参数;
所述无量纲时域特征参数包括:峭度、偏度、波形因子、峰值因子和脉冲因子;
所述频域特征参数包括:平均频率、重心频率、频率均方根和频率标准差;
所述降维后的特征参数包括:所述峭度、所述偏度和所述平均频率。
可选地,所述形成训练集,包括:
将一种工况下的全部所述特征参数和所述标签排列,形成特征向量;
在不同工况下,重复形成特征向量的步骤,形成所述训练集。
可选地,电弧的频率在第一频率和第二频率之间;
对所述交流分量样本的采样频率大于或等于2倍的所述第二频率;
在从所述交流分量样本中提取全部所述特征参数之前,还包括:采用截止频率小于第一频率的高通滤波器对所述交流分量样本进行滤波。
第二方面,本发明实施例还提供了一种光伏系统的电弧检测学习装置,包括:
样本获取模块,用于采集所述直流侧电流的交流分量样本;
训练集形成模块,用于从所述交流分量样本中提取特征参数,并为所述交流分量样本打标签;根据全部所述特征参数和所述标签,形成训练集;
机器学习算法训练模块,用于使用所述训练集训练机器学习算法;
降维模块,用于采用反向特征消除对所述训练集中的特征参数进行降维,确定降维后的所述特征参数作为电弧检测的特征参数。
第三方面,本发明实施例还提供了一种光伏系统的电弧检测方法,包括:
采集所述直流侧电流的交流分量;
从所述直流侧电流的交流分量中提取特征参数,形成特征向量;
根据所述特征向量和机器学习算法,判断是否出现电弧。
可选地,所述机器学习算法为决策树。
可选地,所述特征参数包括:峭度、偏度和平均频率。
可选地,判断出现电弧的条件还包括:
连续采集至少三个采样周期,判断出现电弧的样本数大于次数阈值,则判定所述光伏系统的直流侧出现电弧。
第四方面,本发明实施例还提供了一种光伏系统的电弧检测装置,包括:
采样模块,用于采集所述直流侧电流的交流分量,所述交流分量包括多种特征参数;
参数提取模块,用于从所述直流侧电流的交流分量中提取特征参数,作为降维后的特征参数,形成特征向量;
电弧判断模块,用于根据所述特征向量和机器学习算法,判断是否出现电弧。
第五方面,本发明实施例还提供了一种光伏系统,包括:如本发明任意实施例所述的检测装置,所述检测装置部署于所述光伏系统的直流侧。
本发明实施例采用反向特征消除的方式,对特征参数进行降维,可以大幅减少特征参数的数量,简化了机器学习模型,一方面可以缩短提取特征参数的时间;另一方面可以降低模型复杂程度,缩短训练时间和预测时间,进而加快电弧检测速度。两方面综合在一起,可以有效提升电弧检测的速度,降低电弧造成的风险。因此,本发明实施例有利于避免误报电弧断开支路造成的发电量损失。
附图说明
图1为本发明实施例提供的一种光伏系统的电弧检测方法的流程示意图;
图2为本发明实施例提供的一种反向特征消除的流程示意图;
图3为本发明实施例提供的另一种光伏系统的电弧检测方法的流程示意图;
图4为本发明实施例提供的一种光伏系统的电弧检测装置的结构示意图;
图5为本发明实施例提供的又一种光伏系统的电弧检测方法的流程示意图;
图6为本发明实施例提供的另一种光伏系统的电弧检测装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
本发明实施例提供了一种光伏系统的电弧检测方法,该方法由光伏系统直的电弧检测装置执行,该装置由软件和/或硬件实现。该方法通过机器学习能够训练得到用于电弧检测的降维后的特征参数,因此,该方法可作为电弧检测的前期机器学习方法。图1为本发明实施例提供的一种光伏系统的电弧检测方法的流程示意图。参见图1,光伏系统的电弧检测方法包括以下步骤:
S110、采集直流侧电流的交流分量样本。
其中,光伏系统的直流侧通常是指逆变器或汇流箱的直流侧,交流分量是指逆变器或汇流箱直流侧电流的交流分量,示例性地,通过电流互感器采集交流分量样本。交流分量样本包括n组,将交流分量样本记为x(n)。假设电弧的频率在第一频率F1kHz和第二频率F2kHz之间,那么对交流分量样本的采样频率FS≥2F2kHz;即采样频率FS大于或等于2倍的第二频率F2kHz,以满足采样原理。
S120、从交流分量样本中提取特征参数,并为交流分量样本打标签;根据全部特征参数和标签,形成训练集。
其中,特征参数是指能够表征交流分量特性的各项参数,特征参数可以包括无量纲时域特征参数和频域特征参数。例如,无量纲时域特征参数包括:峭度Ku、偏度Sk、波形因子S、峰值因子C和脉冲因子I等;频域特征参数包括:平均频率Xmean、重心频率FC、频率均方根RMSF和频率标准差RVF等。
为样本x(n)打标签是指,将正常工作的样本和电弧故障的样本标记为不同的数值,即定义电弧标志位。例如,正常工作时的样本x(i)标记为0,电弧故障的样本x(j)标记为1,其中,i≠j。
在S120中,形成训练集的方式有多种,例如,首先,将一种工况下的全部特征参数和标签排列,形成特征向量。例如,该特征向量为{峭度,偏度,波形因子,峰值因子,脉冲因子,平均频率,重心频率,频率均方根,频率标准差,电弧标志位}。然后,在不同工况下,重复形成特征向量的步骤,形成训练集。不同工况包括大量正常工作下的样本和电弧故障时的样本,样本数量越多,机器学习效果越好。
S130、使用训练集训练机器学习算法。
其中,机器学习算法包括决策树和支持向量机等,优选为决策树。相较于支持向量机,决策树拥有更快的预测速度与训练速度,因此,采用决策树既可以缩短电弧检测的时间,也便于后期对模型进行调优升级。
S140、采用反向特征消除对训练集中的特征参数进行降维,确定降维后的特征参数作为电弧检测的特征参数。
其中,电弧检测通常要持续观察几个连续样本后,综合多次判断的结果给出最终判定,从而避免误报电弧断开支路造成的发电量损失,因此,需要加快提取特征参数和预测的速度。
反向特征消除是指采用部分特征参数进行机器学习,并判断机器学习的效果,若机器学习效果与采用全部特征参数进行机器学习的效果近似,则判定为可以采用部分特征参数进行机器学习的模型来检测电弧。因此,本发明实施例可以大幅减少特征参数的数量,一方面可以缩短提取特征参数的时间;另一方面可以降低模型复杂程度,缩短训练时间和预测时间,进而加快电弧检测速度。两方面综合在一起,可以有效提升电弧检测的速度,降低电弧造成的风险。
示例性地,降维后的特征参数包括:峭度、偏度和平均频率。光伏发电受到天气的影响,逆变器或汇流箱的负载不断变化,即光伏系统的工况不断变化。其中,峭度和偏度为无量纲时域特征参数,采用这两个特征参数检测电弧可以减弱工况变化对预测结果的影响,提高特征参数的稳定性,更好地表征电弧特征,尤其是在大电流情况下。
由此可见,本发明实施例可以确定全部特征参数中最合适的特征参数,例如对工况不敏感的无量纲时域特征参数,在确保检测结果的准确性的基础上,具有较快的预测速度。因此,本发明实施例能够满足电弧检测领域的机器学习需要具备的两个特点,即对工况不敏感和具有较快的预测速度。
下面以训练决策树为例,对反向特征消除的步骤进行具体说明。
图2为本发明实施例提供的一种反向特征消除的流程示意图。参见图2,在上述各实施例的基础上,可选地,S140、采用反向特征消除对特征参数进行降维,确定降维后的特征参数作为电弧检测的特征参数,包括以下步骤:
S141、采用训练集训练决策树,得到第一交叉验证准确率η0。
其中,该训练集为包含全部特征参数的训练集。假设总共有N个特征参数(例如,N=9),根据S141,使用N个特征参数训练得到的模型具有第一交叉验证准确率为η0。
S142、从训练集中减少一个特征参数后,重新训练决策树,得到第二交叉验证准确率η1。
其中,减少一个特征参数后剩下的N-1个特征参数,使用N-1个特征参数训练得到的模型具有第二交叉验证准确率η1。
S143、若第一交叉验证准确率η0与第二交叉验证准确率η1的差值小于或等于准确率比较阈值Δη,则去除特征参数;否则更换一个特征参数。
其中,准确率比较阈值Δη为反向特征消除的误差阈值,该误差阈值通常设置的较小,具体地,第二交叉验证准确率η1与第一交叉验证准确率η0越接近,被删除的特征参数在电弧检测中的作用越小,采用降维后的特征参数的预测结果越准确。即若η0-η1≤Δη,说明该特征参数对模型准确率影响很小,可以去除;否则,说明该特征参数对模型准确率影响较大,不可以去除。
S144、重复减少特征参数重新训练决策树的步骤,直至没有可减少的特征参数,剩下的特征参数为降维后的特征参数。
其中,当减少一个特征参数后,可以继续减少特征参数,采用N-2个特征参数重新训练决策树,以此类推,直到没有可以删除的特征参数。示例性地,最终从9个特征参数中删除了6个特征参数,确定用于分类的特征参数为:峭度、偏度和平均频率,原本9个特征参数被降维至3个,模型的复杂度也相应降低。
由此可见,通过S141-S144,实现了对特征参数的降维,可以大幅减少特征参数的数量,简化了机器学习模型。
在上述各实施例的基础上,可选地,在从交流分量样本中提取全部特征参数之前,还包括:采用截止频率小于第一频率的高通滤波器对交流分量样本进行滤波,以去除低频干扰,同时保留电弧频段频域特征。
图3为本发明实施例提供的另一种光伏系统的电弧检测方法的流程示意图。参见图3,在上述各实施例的基础上,可选地,光伏系统直流侧电弧检测的机器学习方法包括以下步骤:
S210、采集逆变器或汇流箱直流侧电流的交流分量样本x(n)。
其中,交流分量样本x(n)为电流信号,以下称为电流信号x(n)。假设电弧频率在F1kHz-F2kHz范围内,根据采样原理,采样频率需不小于样本频率的2倍,因此,采样频率FS≥2 F2kHz。
S220、使用高通滤波器过滤电流信号x(n)。
其中,使用截止频率小于F1kHz的高通滤波器过滤电流信号,去除低频干扰,同时保留电弧频段频域特征。
S230、提取常用的无量纲时域特征参数。
其中,无量纲时域特征参数包括:峭度Ku、偏度Sk、波形因子S、峰值因子C和脉冲因子I。具体地,峭度Ku由如下公式计算得到:
偏度Sk由如下公式计算得到:
波形因子S由如下公式计算得到:
峰值因子C由如下公式计算得到:
脉冲因子I由如下公式计算得到:
S240、对电流信号进行快速傅里叶变换(FFT)。
S250、提取常用的频域特征参数。
其中,频域特征参数包括:平均频率Xmean、重心频率FC、频率均方根RMSF和频率标准差RVF。具体地,平均频率Xmean由如下公式计算得到:
重心频率FC由如下公式计算得到:
频率均方根RMSF由如下公式计算得到:
频率标准差RVF由如下公式计算得到:
其中,
X(n)为快速傅里叶变换后的电流频域信号,f(n)为每个点对应的频率。
S260、为样本打上标签,正常工作时的样本标记为0,电弧故障的样本标记为1,形成训练集。
其中,首先形成用于训练的特征向量:{峭度,偏度,波形因子,峰值因子,脉冲因子,平均频率,重心频率,频率均方根,频率标准差,电弧标志位}。然后在不同工况下重复S210-S260,采集大量正常工作下的样本和电弧故障时的样本,形成训练集。
S270、使用由全部特征参数形成的训练集训练决策树。
其中,使用由全部特征参数形成的训练集训练决策树,能够得到第一交叉验证准确率η0。
S280、使用反向特征消除的方式进行降维。
其中,该步骤具体包括:
步骤1)假设总共有N个特征参数(本方案中N=9),根据S270,使用N个特征参数训练得到的模型的第一交叉验证准确率为η0。
步骤2)设定一个较小的误差阈值Δη。
步骤3)删除一个特征参数,使用剩下的N-1个特征参数训练决策树,得到第二交叉验证准确率η1。
步骤4)若η0-η1≤Δη,说明该特征参数对模型准确率影响很小,可以去除;否则,说明该特征参数对模型准确率影响较大,不可以去除,更换一个特征参数。
步骤5)重复步骤3)-步骤4),直到没有可以删除的特征参数。
由此可见,通过S210-S280,可以实现特征参数的降维处理,示例性地,最终确定用于分类的特征参数为:峭度、偏度和平均频率,原本9个特征参数被降维至3个,模型的复杂度也相应降低。
与上述各实施例提供的光伏系统的电弧检测方法对应,本发明实施例还提供了一种光伏系统的电弧检测装置,该装置可执行本发明任意实施例所提供的光伏系统的电弧检测方法,具备相应的有益效果。图4为本发明实施例提供的一种光伏系统的电弧检测装置的结构示意图。参见图4,该装置包括样本获取模块310、训练集形成模块320、机器学习算法训练模块330和降维模块340。样本获取模块310用于采集直流侧电流的交流分量样本。训练集形成模块320用于从交流分量样本中提取特征参数,并为交流分量样本打标签;根据全部特征参数和标签,形成训练集。机器学习算法训练模块330用于使用所述训练集训练机器学习算法。降维模块340用于采用反向特征消除对训练集中的特征参数进行降维,确定降维后的特征参数作为电弧检测的特征参数。
可选地,机器学习算法为决策树。降维模块包括:第一训练集单元、第二训练集单元、准确率确定单元和重复单元。第一训练集单元用于采用训练集训练决策树,得到第一交叉验证准确率。第二训练集单元用于从训练集中减少一个特征参数后,重新训练决策树,得到第二交叉验证准确率。准确率确定单元用于在第一交叉验证准确率与第二交叉验证准确率的差值小于或等于准确率比较阈值时,去除特征参数;否则更换一个特征参数。重复单元用于重复减少特征参数重新训练决策树的步骤,直至没有可减少的特征参数,剩下的特征参数为降维后的特征参数。
可选地,特征参数包括:无量纲时域特征参数和频域特征参数。无量纲时域特征参数包括:峭度、偏度、波形因子、峰值因子和脉冲因子;频域特征参数包括:平均频率、重心频率、频率均方根和频率标准差。降维后的特征参数包括:峭度、偏度和平均频率。
可选地,训练集形成模块包括:特征向量形成单元和训练集形成单元。特征向量形成单元用于将一种工况下的全部特征参数和标签排列,形成特征向量。训练集形成单元用于在不同工况下,重复形成特征向量的步骤,形成训练集。
可选地,电弧的频率在第一频率和第二频率之间,样本获取模块对交流分量样本的采样频率大于或等于2倍的第二频率。光伏系统直流侧电弧检测的机器学习装置还包括高通滤波模块,高通滤波模块用于采用截止频率小于第一频率的高通滤波器对直流侧电流的交流分量样本进行滤波。
本发明实施例还提供了一种光伏系统的电弧检测方法,该检测方法可以采用本发明任意实施例所提供的训练好的模型,具备相应的有益效果。具体地,将训练好的模型编译为可以在逆变器或汇流箱中执行的文件,导入逆变器或汇流箱用于检测电弧。该检测方法可以由光伏系统的电弧检测装置执行,该装置由硬件和/或软件实现。因此,该电弧检测方法可作为电弧检测的实际应用方法。
图5为本发明实施例提供的又一种光伏系统的电检测方法的流程示意图。
参见图5,光伏系统直流侧电弧的检测方法包括以下步骤:
S410、采集直流侧电流的交流分量。
其中,采集逆变器或汇流箱直流侧的电流信号。
S420、对直流侧电流的交流分量进行高通滤波;
S430、从滤波后的直流侧电流的交流分量中提取特征参数,形成特征向量。
示例性地,特征参数包括:峭度、偏度和平均频率。
S440、根据特征向量和机器学习算法,判断是否出现电弧。
示例性地,机器学习算法为决策树。将特征向量输入决策树,若输出1,则认为出现电弧;若输出0,则无电弧。
本发明实施例采用降维后的特征参数进行机器学习,判断是否出现电弧,缩短了提取特征参数的时间,从而缩短了预测时间,加快了电弧检测速度,降低了电弧造成的风险。因此,本发明实施例有利于避免误报电弧断开支路造成的发电量损失。
在上述各实施例的基础上,可选地,判断出现电弧的条件还包括:连续采集至少三个采样周期,判断出现电弧的样本数大于次数阈值,则判定光伏系统的直流侧出现电弧。示例性地,统计每M个连续的采样周期内输出为1的次数,若大于次数阈值m,则判断实际发生电弧,逆变器或汇流箱执行灭弧操作。这样设置,进一步降低了电弧误判的次数,提升了电弧检测的准确性。其中,连续采样周期数量M和次数阈值m可以根据实际情况进行调整,本发明不做限定。
在上述各实施例的基础上,以某125kW逆变器机型的电弧实验数据为例进行实验验证。电弧发生频段为44kHz-100kHz,采样频率为250kHz,高通滤波器截止频率为40kHz,采样点数为10000,采样间隔为0.02秒,样本数为1200。使用Matlab分类学习器进行实验,实验结果如表1所示。
表1
由表1可知,提取全部9个特征参数,用时5.48秒,训练得到的决策树的第一交叉验证准确率η0为91.1%,预测速度为63000次每秒,训练用时为1.8162秒;
确定比较阈值Δη为1%,进行反向特征消除,最终确定3个特征参数为峭度、偏度、平均频率,提取参数用时3.74秒,训练得到的决策树的第二交叉验证准确率η1为90.5%,预测速度为67000次每秒,训练时间为1.798秒。经过反向特征消除后,特征参数数量由9个降至3个,提取特征参数用时更短,预测速度提升,训练时间降低。
对比使用相同特征参数的支持向量机,决策树预测速度更快,训练时间更短,准确率持平。
综上,本发明实施例实现了以下有益效果:
第一、本发明实施例采用反向特征消除的方式,对特征参数进行降维,可以大幅减少特征参数的数量,简化了机器学习模型,一方面可以缩短提取特征参数的时间;另一方面可以降低模型复杂程度,缩短训练时间和预测时间,进而加快电弧检测速度。两方面综合在一起,可以有效提升电弧检测的速度,降低电弧造成的风险。因此,本发明实施例有利于避免误报电弧断开支路造成的发电量损失。
第二、本发明实施例使用无量纲时域参数作为特征参数,可以有效减少工况变化带来的影响,提高特征参数的稳定性,更好地表征电弧特征,尤其是在大电流情况下。
第三、本发明实施例使用决策树对电弧特征进行检测,相较于支持向量机,拥有更快的预测速度与训练速度,既可以缩短电弧检测的时间,也便于后期对模型进行调优升级。
与上述各实施例提供的在光伏系统中实际应用的电弧检测方法对应,本发明实施例还提供了一种光伏系统的电弧检测装置,该检测装置用于执行本发明任意实施例所提供的光伏系统的电弧检测方法,具备相应的有益效果。该检测装置可以由硬件和/或软件实现,示例性地,该装置还可以称为机器学习模型,可以编译为能够在逆变器或汇流箱中执行的文件。因此,该检测装置可作为电弧检测的实际应用装置。图6为本发明实施例提供的一种光伏系统的电弧检测装置的结构示意图。参见图6,该检测装置包括:采样模块510、高通滤波模块520、参数提取模块530和电弧判断模块540。采样模块510用于采集直流侧电流的交流分量。高通滤波模块520用于对直流侧电流的交流分量进行高通滤波。参数提取模块530用于从滤波后的直流侧电流的交流分量中提取特征参数,形成特征向量。示例性地,特征参数包括:峭度、偏度和平均频率。电弧判断模块540用于根据特征向量和机器学习算法,判断是否出现电弧。示例性地,机器学习算法为决策树。
可选地,光伏系统直流侧电弧的检测装置还包括:采样判断模块,用于在连续采集至少三个采样周期后,判断出现电弧的样本数大于次数阈值,则判定所述光伏系统的直流侧出现电弧;否则判定为未出现电弧。
本发明实施例还提供了一种光伏系统,该光伏系统包括:如本发明任意实施例所提供的检测装置,其技术原理和产生的效果类似,这里不再赘述。检测装置部署于光伏系统的直流侧。示例性地,该检测装置部署于逆变器或汇流箱的直流侧。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (13)
1.一种光伏系统的电弧检测方法,其特征在于,包括:
采集直流侧电流的交流分量样本;
从所述交流分量样本中提取特征参数,并为所述交流分量样本打标签;根据全部所述特征参数和所述标签,形成训练集;
使用所述训练集训练机器学习算法;
采用反向特征消除对所述训练集中的特征参数进行降维,确定降维后的所述特征参数作为电弧检测的特征参数。
2.根据权利要求1所述的光伏系统的电弧检测方法,其特征在于,所述机器学习算法为决策树。
3.根据权利要求2所述的光伏系统的电弧检测方法,其特征在于,所述采用反向特征消除对所述特征参数进行降维,确定降维后的所述特征参数作为电弧检测的特征参数,包括:
采用所述训练集训练决策树,得到第一交叉验证准确率;
从所述训练集中减少一个特征参数后,重新训练决策树,得到第二交叉验证准确率;
若所述第一交叉验证准确率与所述第二交叉验证准确率的差值小于或等于准确率比较阈值,则去除所述特征参数;否则更换一个所述特征参数;
重复减少特征参数重新训练决策树的步骤,直至没有可减少的所述特征参数,剩下的所述特征参数为所述降维后的特征参数。
4.根据权利要求1所述的光伏系统的电弧检测方法,其特征在于,所述特征参数包括:无量纲时域特征参数和频域特征参数;
所述无量纲时域特征参数包括:峭度、偏度、波形因子、峰值因子和脉冲因子;
所述频域特征参数包括:平均频率、重心频率、频率均方根和频率标准差;
所述降维后的特征参数包括:所述峭度、所述偏度和所述平均频率。
5.根据权利要求1所述的光伏系统的电弧检测方法,其特征在于,所述形成训练集,包括:
将一种工况下的全部所述特征参数和所述标签排列,形成特征向量;
在不同工况下,重复形成特征向量的步骤,形成所述训练集。
6.根据权利要求1所述的光伏系统的电弧检测方法,其特征在于,电弧的频率在第一频率和第二频率之间;
对所述交流分量样本的采样频率大于或等于2倍的所述第二频率;
在从所述交流分量样本中提取全部所述特征参数之前,还包括:采用截止频率小于第一频率的高通滤波器对所述交流分量样本进行滤波。
7.一种光伏系统的电弧检测装置,其特征在于,包括:
样本获取模块,用于采集直流侧电流的交流分量样本;
训练集形成模块,用于从所述交流分量样本中提取特征参数,并为所述交流分量样本打标签;根据全部所述特征参数和所述标签,形成训练集;
机器学习算法训练模块,用于使用所述训练集训练机器学习算法;
降维模块,用于采用反向特征消除对所述训练集中的特征参数进行降维,确定降维后的所述特征参数作为电弧检测的特征参数。
8.一种光伏系统的电弧检测方法,其特征在于,包括:
采集直流侧电流的交流分量;
从所述直流侧电流的交流分量中提取特征参数,形成特征向量;
根据所述特征向量和机器学习算法,判断是否出现电弧。
9.根据权利要求8所述的光伏系统的电弧检测方法,其特征在于,所述机器学习算法为决策树。
10.根据权利要求8所述的光伏系统的电弧检测方法,其特征在于,所述特征参数包括:峭度、偏度和平均频率。
11.根据权利要求8-10任一项所述的光伏系统的电弧检测方法,其特征在于,判断出现电弧的条件还包括:
连续采集至少三个采样周期,判断出现电弧的样本数大于次数阈值,则判定所述光伏系统的直流侧出现电弧。
12.一种光伏系统的电弧检测装置,其特征在于,包括:
采样模块,用于采集直流侧电流的交流分量;
参数提取模块,用于从所述直流侧电流的交流分量提取特征参数,形成特征向量;
电弧判断模块,用于根据所述特征向量和机器学习算法,判断是否出现电弧。
13.一种光伏系统,其特征在于,包括:如权利要求12所述的检测装置,所述检测装置部署于所述光伏系统的直流侧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801506.2A CN113514724A (zh) | 2021-07-15 | 2021-07-15 | 光伏系统及其电弧检测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801506.2A CN113514724A (zh) | 2021-07-15 | 2021-07-15 | 光伏系统及其电弧检测方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113514724A true CN113514724A (zh) | 2021-10-19 |
Family
ID=78067308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801506.2A Pending CN113514724A (zh) | 2021-07-15 | 2021-07-15 | 光伏系统及其电弧检测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113514724A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076933A (zh) * | 2023-10-16 | 2023-11-17 | 锦浪科技股份有限公司 | 电弧判断模型的训练、光伏直流电弧检测方法及计算设备 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160020729A1 (en) * | 2014-07-21 | 2016-01-21 | Sungrow Power Supply Co., Ltd. | Method, device, and system for detecting direct-current arc fault of photovoltaic system |
CN108037422A (zh) * | 2017-12-07 | 2018-05-15 | 国网冀北电力有限公司秦皇岛供电公司 | 一种光伏系统直流电弧故障特征提取和识别方法及装置 |
CN108960436A (zh) * | 2018-07-09 | 2018-12-07 | 上海应用技术大学 | 特征选择方法 |
CN110568327A (zh) * | 2019-09-03 | 2019-12-13 | 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 |
CN111123048A (zh) * | 2019-12-23 | 2020-05-08 | 温州大学 | 一种基于卷积神经网络的串联故障电弧检测装置及方法 |
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 |
CN111612640A (zh) * | 2020-05-27 | 2020-09-01 | 上海海事大学 | 一种数据驱动的车险欺诈识别方法 |
CN111707908A (zh) * | 2020-07-29 | 2020-09-25 | 中国科学技术大学先进技术研究院 | 多负载回路串联故障电弧检测方法、装置以及存储介质 |
CN112270129A (zh) * | 2020-11-09 | 2021-01-26 | 威海精讯畅通电子科技有限公司 | 一种基于大数据分析的植物长势预测方法 |
CN112290887A (zh) * | 2020-09-23 | 2021-01-29 | 合肥工业大学 | 一种基于l-m算法改进的bp神经网络电弧检测模型 |
CN113076986A (zh) * | 2021-03-29 | 2021-07-06 | 西安交通大学 | 过滤式与封装式评价策略相结合的光伏故障电弧特征选择方法 |
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 |
-
2021
- 2021-07-15 CN CN202110801506.2A patent/CN113514724A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160020729A1 (en) * | 2014-07-21 | 2016-01-21 | Sungrow Power Supply Co., Ltd. | Method, device, and system for detecting direct-current arc fault of photovoltaic system |
CN108037422A (zh) * | 2017-12-07 | 2018-05-15 | 国网冀北电力有限公司秦皇岛供电公司 | 一种光伏系统直流电弧故障特征提取和识别方法及装置 |
CN108960436A (zh) * | 2018-07-09 | 2018-12-07 | 上海应用技术大学 | 特征选择方法 |
CN110568327A (zh) * | 2019-09-03 | 2019-12-13 | 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 |
CN111123048A (zh) * | 2019-12-23 | 2020-05-08 | 温州大学 | 一种基于卷积神经网络的串联故障电弧检测装置及方法 |
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 |
CN111612640A (zh) * | 2020-05-27 | 2020-09-01 | 上海海事大学 | 一种数据驱动的车险欺诈识别方法 |
CN111707908A (zh) * | 2020-07-29 | 2020-09-25 | 中国科学技术大学先进技术研究院 | 多负载回路串联故障电弧检测方法、装置以及存储介质 |
CN112290887A (zh) * | 2020-09-23 | 2021-01-29 | 合肥工业大学 | 一种基于l-m算法改进的bp神经网络电弧检测模型 |
CN112270129A (zh) * | 2020-11-09 | 2021-01-26 | 威海精讯畅通电子科技有限公司 | 一种基于大数据分析的植物长势预测方法 |
CN113076986A (zh) * | 2021-03-29 | 2021-07-06 | 西安交通大学 | 过滤式与封装式评价策略相结合的光伏故障电弧特征选择方法 |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117076933A (zh) * | 2023-10-16 | 2023-11-17 | 锦浪科技股份有限公司 | 电弧判断模型的训练、光伏直流电弧检测方法及计算设备 |
CN117076933B (zh) * | 2023-10-16 | 2024-02-06 | 锦浪科技股份有限公司 | 电弧判断模型的训练、光伏直流电弧检测方法及计算设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568327B (zh) | 一种基于机器学习的光伏系统直流故障电弧检测方法 | |
CN110007197B (zh) | 串联电弧故障检测系统及检测方法 | |
EP4024063B1 (en) | Fault-arc identification method, device and apparatus, and storage medium | |
CN110677125B (zh) | 电弧故障检测的方法及装置 | |
CN105403816A (zh) | 一种光伏系统直流故障电弧的识别方法 | |
CN106597160B (zh) | 一种电子设备故障检测方法和装置 | |
CN113514724A (zh) | 光伏系统及其电弧检测方法、装置 | |
CN114325256A (zh) | 一种电力设备局部放电识别方法、系统、设备及存储介质 | |
CN112417763A (zh) | 输电线路的缺陷诊断方法、装置、设备及存储介质 | |
CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
Le et al. | Ensemble machine learning based adaptive arc fault detection for DC distribution systems | |
CN113608073A (zh) | 变频谐振下电缆局部放电脉冲分离方法 | |
CN112067961A (zh) | 电弧故障检测方法、系统及存储介质 | |
CN116256599A (zh) | 配电电缆故障燃弧初始时间点的计算方法及装置 | |
CN111693829A (zh) | 非接触式超声波检测的局部放电噪声与放电区分的方法 | |
CN115808600B (zh) | 基于数学形态学和模式识别的直流电弧检测方法 | |
CN115327325A (zh) | 充电桩串联电弧故障检测方法、装置及电子设备 | |
CN108923372B (zh) | 一种基于录波文件的励磁涌流分析方法 | |
CN113589119A (zh) | 一种基于软阈值函数的局部放电故障检测方法 | |
CN112701683A (zh) | 非侵入式负荷检测与分解方法、系统以及存储介质 | |
CN117313021B (zh) | 一种电力设备异常检测分析方法、系统、终端及介质 | |
CN111579947B (zh) | 应用于直流系统的串联电弧多特征检测 | |
CN113625192A (zh) | 一种基于频谱分析的高压电力设备接地故障检测方法 | |
CN112800917B (zh) | 一种断路器不平衡监测数据集过采样方法 | |
CN112086933B (zh) | 一种应用于继电保护装置中的adc异常数据判别方法及装置 |
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 |