CN113866572A - 多电力电子装置接入条件下的直流故障电弧检测及定位方法 - Google Patents
多电力电子装置接入条件下的直流故障电弧检测及定位方法 Download PDFInfo
- Publication number
- CN113866572A CN113866572A CN202111040540.9A CN202111040540A CN113866572A CN 113866572 A CN113866572 A CN 113866572A CN 202111040540 A CN202111040540 A CN 202111040540A CN 113866572 A CN113866572 A CN 113866572A
- Authority
- CN
- China
- Prior art keywords
- fault
- fault arc
- line
- neural network
- lines
- 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 82
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 230000000306 recurrent effect Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1263—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation
- G01R31/1272—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of solid or fluid materials, e.g. insulation films, bulk material; of semiconductors or LV electronic components or parts; of cable, line or wire insulation of cable, line or wire insulation, e.g. using partial discharge measurements
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，对直流系统内每条线路上的电流信号进行采集，按时间窗对采集的电流信号xn进行特征提取，通过循环神经网络模型结合提取的特征实现故障电弧检测与定位。本发明应用故障电弧特征共性大幅提升了检测方法对直流系统开放运行所引发的故障电弧多变性与差异性的适应力，应用故障电弧特征差异提升了故障线路定位准确率及其他线路故障电弧检测对故障线路串话干扰的抵御能力。本发明提升了故障线路的后续维护效率，保障直流系统安全、经济运行。
Description
技术领域
本发明属于直流电气故障检测技术领域，涉及一种多电力电子装置接入条件下利用小波特征量(即小波特征)的共性检出多类直流故障电弧，而后利用小波特征量在不同线路(例如，不同支路)中呈现的特征差异定位故障线路的方法。
背景技术
现有直流故障电弧检测及定位研究重点关注并网光伏系统，研究表明光伏逆变器对故障电弧特征有着显著的屏蔽效应，导致故障电弧难以被有效检出。而双碳背景下，多种直流源荷将大量接入低压(≤1500V)配用电系统，直流故障电弧将受到多元电力电子装置带来的耦合干扰影响，变化的直流故障电弧特性大幅增加了直流故障电弧的检测难度，引发现有检测特征失效而增加保护装置拒动风险。与此同时，多电力电子装置运行条件下的故障电弧特性会发生复杂串扰现象，现有故障电弧信号处理方法的识别度低、易受到干扰，导致相应正常线路受故障电弧特性影响而引发保护装置误动问题。由此严重影响系统经济运行与高效运行维护。此外，现有故障电弧辨识方法重点关注故障电弧检测，涉及故障电弧定位问题则较少，用于系统状态判别的阈值设定过于复杂，不能实现自校正，从而导致故障电弧检测算法的适用性较差。
目前亟需一种能够较好地适应直流开放场景各类即插即用装置接入支路所带来的动态电弧耦合特性差异与变化，并在多元电力电子装置接入条件下对直流故障电弧进行有效的检测与定位的技术。
发明内容
本发明的目的在于提供一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，通过准确检测多电力电子装置接入条件下的直流故障电弧，避免多元源荷灵活接入、切出所带来的动态电弧耦合特性变化而引发的故障电弧保护装置拒动问题；以及通过精准识别故障电弧发生的所在线路，避免因故障电弧串话干扰引发的故障电弧保护装置误动问题。
为达到上述目的，本发明采用了以下技术方案：
该直流故障电弧检测及定位方法包括以下步骤：对直流系统多条线路(例如，包括总线及由该总线引出的多级支路中的一部分线路或全部线路，多级支路中的一部分或全部支路上接入了电力电子装置)，应用循环神经网络模型并依据不同线路故障电弧特征的共性进行故障电弧检测；在检测到一条具有故障电弧特征的线路后，即可判定该线路为故障线路，或者在检测到两条以上具有故障电弧特征的线路后，应用循环神经网络模型并依据不同线路故障电弧特征的差异进行故障电弧定位分析，然后根据分析所得故障电弧定位信息判定故障线路。
优选的，所述故障电弧特征为提取自直流系统的电流信号的、且能够在1～40A范围内同一系统电流等级条件下，辨识总线或本级某支路上所发生的故障电弧与该总线或支路所连接的总线、上级支路、下级支路以及同级其他支路中的一条以上线路上发生故障电弧时的串话干扰的特征。
优选的，判断提取自电流信号的特征能够辨识故障电弧与串话干扰的依据为：该特征在故障电弧情况较串话干扰情况的提升比的增幅不低于20％，从而保证多支路串话干扰条件下准确的识别故障电弧(即该特征在故障电弧与串话干扰情况下存在显著差异)。
优选的，所述提升比为直流系统状态改变后较改变前所提取特征的对应特征值的增加比例。
优选的，所述特征在多支路运行条件下的故障电弧情形中均保持提升比在1.4以上，从而结合以上辨识故障电弧的特征提升比下限要求，保证特征在不同支路接入过程中故障电弧检测的有效性。
优选的，所述特征是通过对电流信号进行小波变换和特征分析而提取得到；小波变换参数为：采用Rbio3.1小波基，并选择频段20～100kHz上的小波系数；特征分析具体采用对选择的小波系数进行平方和、绝对值和、或方差值分析的方式。
优选的，所述直流故障电弧检测及定位方法具体包括以下步骤：
1)对直流系统内在运行的(未因为故障等原因而切出)各条线路上的电流信号按照采样频率为200kHz～1MHz进行采集，直至得到一个时间窗的电流信号xn，时间窗的数据点数目为5000～10000；
2)对采集自每条线路的电流信号xn进行特征提取，将提取自每条线路的对应特征分别输入故障检测循环神经网络模型进行状态辨识，得到由该循环神经网络模型输出的状态判断值，若针对进行状态辨识的所有线路均输出表示正常的状态判断值，转至步骤1)继续对下一个时间窗的电流信号xn进行采集；若针对进行状态辨识的所有线路存在输出表示故障的状态判断值的线路，则转至步骤3)；
3)对经过故障检测循环神经网络模型的状态辨识且输出表示故障的状态判断值的线路以时间窗为周期进行统计，若这些线路中的一部分或全部线路在所经过的连续5个周期以上的状态辨识中均出现表示故障的状态判断值，则判断直流系统发生故障电弧，并转至步骤4)进行故障线路的定位分析；否则判断直流系统发生串话干扰，并转至步骤1)继续对下一个时间窗的电流信号xn进行采集；
4)若待定位分析的线路(即在连续5个周期以上的状态辨识中均出现表示故障的状态判断值的线路)的数目不超过1条，则认定该线路为故障状态(该线路即为实际发生故障电弧的系统线路)，并发出故障电弧切断信号，否则将待定位分析的线路中的每条线路自开始判断故障电弧发生以后在各时间窗提取的特征分别输入故障定位循环神经网络模型进行状态辨识，得到由该循环神经网络模型输出的针对该线路及与其相关的线路(包括相连的上级总线或支路、相连的下级支路和同级的其他支路)在对应时间窗的状态判断结果(即输出表示各相关线路中某线路为故障电弧所在系统线路的状态判断值)；根据状态判断结果，若将任意待定位分析的线路判断为故障状态(即判断为故障电弧所在系统线路)的频次占比不低于75％，则认定该线路为故障状态，并发出故障电弧切断信号；否则，认定该线路未发生故障电弧，转至步骤1)继续对下一个时间窗的电流信号xn进行采集。
优选的，所述故障检测循环神经网络模型中，用于标记特征的状态判断值分为表示正常的状态判断值0与表示故障的状态判断值1；所述故障定位循环神经网络模型中，用于标记特征的状态判断值为1，2，3，…，N+1，其中N为直流系统中支路总数。
优选的，所述故障检测循环神经网络模型及故障定位循环神经网络模型所采用的模型训练过程的结束判断条件为：验证集输出结果的相对误差小于10％，且验证集与训练集输出结果的相对误差的方差小于6％，从而防止循环神经网络模型因过拟合问题出现故障电弧检测准确率下降的现象，其中，验证集数据量为训练集数据量的30％～35％。
优选的，若针对进行状态辨识的所有线路存在输出表示故障的状态判断值的线路，则在认定处于故障状态的线路后由云平台利用收集的线路对应特征对故障检测循环神经网络模型以及故障定位循环神经网络模型进行再训练，训练结束后利用获得的新的模型参数对各线路的故障检测循环神经网络模型以及进行了定位分析的线路的故障定位循环神经网络模型进行自校正。
本发明的有益效果体现在：
本发明应用多电力电子装置接入的线路运行条件下的直流故障电弧共性特征进行故障电弧检测，有利于适应双碳背景下多种直流源荷接入带来的故障电弧多变性与差异性，进而解决现有故障电弧检测存在失效风险的问题；同时应用直流故障电弧特征差异有效区分串话干扰等现象并实现了故障电弧定位。本发明能够适应直流场景的开放性，并提升对故障线路的后续运行维护效率，从而保障直流系统安全、经济运行。
进一步的，本发明所应用的故障电弧特征能有效反映本地线路(例如，发生故障电弧的某支路)的故障电弧与相关的其他线路(例如，发生故障电弧的支路所连接的上级支路/总线、下级支路以及同级其他支路)发生故障电弧时对本地线路引发的串话干扰现象的区别，有效解决直流系统中任意线路受到其他线路故障影响而引发的故障电弧定位及保护装置误动难题。
进一步的，本发明采用的循环神经网络模型不仅可有效避免复杂的阈值设定过程，而且能通过模型参数的自校正过程，从而应用一体化模型同时实现故障电弧检测、定位，大幅减少了故障电弧诊断的运算时间、硬件存储占用需求，有利于直流系统的经济运行与高效运行维护。
附图说明
图1为本发明的多电力电子装置接入条件下的直流故障电弧检测及定位方法流程图。
图2a为应用本发明进行总线直流故障电弧检测的多电力电子装置接入直流系统实验原理图。
图2b为应用本发明进行总线直流故障电弧检测的总线电流信号。
图2c为应用本发明进行总线直流故障电弧检测的电流小波特征量提取结果。
图2d为应用本发明进行总线直流故障电弧检测的判断值输出结果。
图2e为应用本发明进行总线直流故障电弧检测的检测值输出结果。
图3a为应用本发明进行支路直流故障电弧检测的多电力电子装置接入直流系统实验原理图。
图3b为应用本发明进行支路直流故障电弧检测的总线电流信号。
图3c为应用本发明进行支路直流故障电弧检测的DC/DC支路电流信号。
图3d为应用本发明进行支路直流故障电弧检测的逆变器支路电流信号。
图3e为应用本发明进行支路直流故障电弧检测的总线电流小波特征量提取结果。
图3f为应用本发明进行支路直流故障电弧检测的DC/DC支路电流小波特征量提取结果。
图3g为应用本发明进行支路直流故障电弧检测的逆变器支路电流小波特征量提取结果。
图3h为应用本发明进行支路直流故障电弧检测的DC/DC支路检测值输出结果。
图3i为应用本发明进行支路直流故障电弧检测的逆变器支路检测值输出结果。
图3j为应用现有检测方法进行支路直流故障电弧检测的逆变器支路检测值输出结果。
图4a为DC/DC支路处发生故障电弧条件下多线路直流故障电弧特征的提升比指标分析结果。
图4b为多类线路位置处分别发生故障电弧条件下本地支路直流故障电弧特征提取结果；图中，1、2、3分别指代总线、逆变器支路、DC/DC支路生弧时逆变器支路电流小波特征量对应标记的状态判断值。
图4c为应用本发明进行本地支路在多类线路位置处分别发生故障电弧时的定位判断结果。
具体实施方式
下面结合附图和实施例对本发明进行进一步详细说明。所述实施例仅用于解释本发明，而非对本发明保护范围的限制。
(一)多电力电子装置接入条件下的直流故障电弧检测及定位方法
结合图1，对本发明提出的多电力电子装置接入条件下的直流故障电弧检测及定位方法的步骤进行具体说明。其中，步骤一至步骤三用于直流故障电弧检测，步骤四用于直流故障电弧定位。
步骤一、对含两支路、一总线的实验直流系统内每条线路上的电流信号利用各条线路上的直流故障电弧保护装置按采样频率1MHz进行采集，直至分别得到一个时间窗(即故障电弧检测及定位分析的周期)的电流信号xn；所述时间窗的点数取为8000。
步骤二、对每条线路对应的电流信号xn进行小波变换、特征量分析以提取特征，应用循环神经网络模型作为检测模型(检测模型位于各直流故障电弧保护装置中，直流故障电弧保护装置将其所在线路作为本地线路，各本地线路的检测模型参数相同)进行状态辨识，得到系统状态判断值结果，若根据每条线路的对应特征所得系统状态判断值为0(即模型输出为低电平)，转至步骤一继续对下一个时间窗的电流信号xn进行采集；若根据每条线路的对应特征所得系统状态判断值存在为1(即模型输出为高电平)的情况，则转至步骤三。
上述循环神经网络模型在进行故障电弧检测前，可以利用实验直流系统并将该系统某支路上故障电弧发生前、后的电流小波特征分别进行0、1状态标记，将其他支路及总线发生故障电弧并引发串话干扰条件下上述某支路的电流小波特征进行0状态标记，进而组成循环神经网络模型进行故障电弧检测的系统状态判断的训练集数据。所述循环神经网络模型需经过验证集数据的测试，验证集数据量为训练集数据量的34％；模型训练过程结束的判断条件为：验证集输出结果的相对误差小于10％，且验证集与训练集输出结果的相对误差的方差值小于4％。
在小波变换后选择既定频段小波系数构建特征，进而实现正常状态和故障状态在特征层上的状态分离。在实验直流系统中通过脉冲指示发现，故障电弧发生时刻故障电弧状态的特征值输出始终保持高水平时，相应的特征才有利于故障状态的判别。因而需要通过构建指标判断，进而选择效果更为优良的故障电弧特征；例如，为了使所述故障电弧特征能够在1～40A范围内同一系统电流等级条件下，辨识本级某支路的故障电弧情况与相连上级总线或支路、相连下级支路、同级其他支路发生故障电弧时的串话干扰情况，可以采用以下判断特征能够有效进行辨识的依据：两种情况下特征的提升比相差30％(以串话干扰情况下特征提升比为基准)。
所述提升比指标的计算方法为：系统状态改变前后(系统由正常运行改变为一处或多处线路发生故障电弧)特征值的增加比例(以改变前为基准)。由此从定量角度对比小波特征与其他特征，进而实现特征选择，即以数值大小最为直观地选择具备更好区分效果的小波特征(提升越显著的特征越有效)。
所述特征在多支路运行条件下的故障电弧情形中均保持提升比在1.5以上或1.6以上(一般需要与以上“提升比相差30％”同时满足)。
步骤三、将所有线路在当前时间窗的状态判断值和对应特征发送至云平台，云平台对系统状态判断值进行统计，若存在某个或某些线路连续经过5个周期的状态辨识，系统状态判断值持续表现为高电平时，则判断系统发生故障电弧，输出检测值1，转至步骤四进行故障电弧的定位分析；否则判断系统发生串话干扰，输出检测值0，转至步骤一继续对下一个时间窗的电流信号xn进行采集。
步骤四、对系统状态判断值持续表现为高电平的每条线路，应用循环神经网络模型作为定位模型进行状态辨识，即对云平台的故障电弧特征数据库存储的自开始判断该线路故障电弧发生以后的时间窗所对应特征(即上述5个周期的特征数据)按时间窗顺序逐一调用，并输入该线路上的对应定位模型，得到该定位模型对故障电弧所在系统中的线路位置(涉及系统状态判断值持续表现为高电平的某个支路或总线及与其相连的上级总线或支路、相连下级支路、同级其他支路中的一条线路)的判断结果，若定位模型所在线路作为故障线路的对应状态判断值占所得全部判断结果的比例不低于设定限值(折中考虑准确定位需求和个别周期误识别概率进行综合确定限值为75％)，则认定该线路为故障状态，对所述线路发出故障电弧切断信号。
故障电弧发生后进行故障线路定位是十分必要的。由于总线与故障支路一样必然有电弧特征的反应，因此，需要依据当前检测支路上测得信号判断故障电弧发生位置。总线如发生故障，支路同样存在进行相应的定位模型判断的需要，即总线发生故障电弧、支路发生故障电弧时总线电流特征也存在差异。
上述循环神经网络模型在进行故障电弧定位前，可以利用实验直流系统并将其不同位置(例如一总线、两个支路共计3条不同线路，分别用状态判断值1、2、3代表)生弧条件下，实验直流系统中待训练定位模型所在支路(假如为线路2，即本地支路)的线路电流小波特征量进行生弧线路标记(例如分别标记为1、2、3)，进而组成循环神经网络模型进行故障电弧定位判断的训练集数据(即同一线路的3个标记状态判断值的特征量)。考虑到直流系统中通常由一条总线和N条不同级别的支路组成，有N+1个故障线路可能性，故某条线路能够标记的特征量最多有N+1个状态，例如，从1，2，…，N+1中分别选择与本地支路相连上级总线或支路、本支路、同级其他支路以及相连下级支路对应的状态判断值。
所述循环神经网络模型需经过验证集数据的测试，验证集数据量为训练集数据量34％；模型训练过程结束的判断条件为：验证集输出结果的相对误差小于10％，且验证集与训练集输出结果的相对误差的方差值小于4％。
模型参数的自校正：通过利用由检测模型判断为故障的线路所发送至云平台的特征数据，在定位模型认定故障状态后更新云平台的故障电弧特征数据库，并对循环神经网络模型进行再训练并按上述条件结束训练过程，完成训练后将新的模型参数发送至本地线路进行对应检测模型、定位模型的参数校正。相比于现有的阈值比较方式，可以实现在更广阔情况(不断产生的新的故障电弧特征)下的准确检测和精准定位效果。
(二)应用本发明的直流故障电弧检测方法进行直流总线生弧的实例分析
如图2a所示，直流系统接入两条电力电子装置支路，包括逆变器并网支路(简称逆变器支路)、DC/DC变换器带电子负载支路(简称DC/DC支路)，直流故障电弧发生于汇流总线上。
所采集的总线回路电流信号如图2b所示，直流系统接入两条电力电子装置支路正常运行，分别工作于1.5A、6.5A；断开K1后发生直流故障电弧，系统进入故障状态后，系统电流出现下降趋势、波动显著；而后将各支路开断，整个直流系统停机。
按照本发明所述的直流故障电弧检测方法，利用小波变换对图2b所示的总线电流信号进行基于Rbio3.1小波基的时频域分析，选择频段31.25-39.0625kHz上的小波系数并通过进行平方和分析以构建特征量，所得结果如图2c所示。从图中可以清晰地看到，所构建特征量在故障状态下呈现出远大于正常状态的幅值水平，这种显著的特征值差异证实其对故障电弧状态检测的有效性。
按本发明提出的检测模型(具体为特征驱动LSTM深度学习模型)并依据图2c所示的特征量进行系统状态判断，由图2d所示的状态判断结果可知，所提出的检测模型可较为准确地判断出故障电弧状态。如图2e所示，在满足算法设定的故障电弧检测标准后，所得故障电弧检测结果与真实值相一致，并且高电平输出保持到整个故障过程结束，可以有效地检出所发生的故障电弧。
(三)应用本发明的直流故障电弧检测方法进行直流支路生弧的实例分析
如图3a所示，将直流故障电弧发生器放置于DC/DC支路的高压侧，增加支路电流信号测点。对于总线上的电流信号测点(总线检测模型)而言，对DC/DC支路所发生的故障电弧不应检出；对于逆变器支路的测点(逆变器支路检测模型)而言，对DC/DC支路所发生的故障电弧不应检出。
所采集的总线回路电流信号如图3b所示，直流系统接入两条电力电子装置支路正常运行；断开K1后DC/DC支路发生直流故障电弧，系统进入故障状态后，依据基尔霍夫电流定律，总线电流信号必然包含直流故障电弧信息，故而故障状态下的总线电流出现较大波动幅值，此时亟需直流故障电弧定位方法以明确故障发生线路位置，以便高效推进直流系统的故障电弧发生后的运行维护进程。而后将各支路开断，整个直流系统停机。所采集的DC/DC支路电流信号如图3c所示，断开K1后DC/DC支路发生直流故障电弧，系统进入故障状态后，在DC/DC支路负载与正常运行的同级其他支路(逆变器支路)影响下，故障支路电流信号并未呈现显著的下降趋势，引发部分关注信号变化的时域特征量失效，需要研究多电力电子装置接入条件下的故障电弧检测方法。所采集的逆变器支路电流信号如图3d所示，断开K1后DC/DC支路发生直流故障电弧，系统进入故障状态后影响正常运行的逆变器支路的电流，根据采集的电流信号可见电流所呈现出的相似的(与以上DC/DC支路相似)下降趋势，加上串话干扰可能引发的电弧高频噪声沿线路传导，在故障发生时刻呈现相似的故障电弧现象，引发现有特征量(指上述时域特征量)对正常运行逆变器支路的误识别(现有时域特征量只关心电流信号的下降趋势，显然在这种其它支路发生故障引发的串话干扰条件下也会存在对故障电弧的误判)，因而直流故障电弧检测方法还应有效抵御其他支路故障对本地支路产生的干扰现象。
本发明对相关线路的电流信号进行小波变换(进行基于Rbio3.1小波基的时频域分析)及选择频段31.25-39.0625kHz上的小波系数进行平方和分析，构建的特征量结果如图3e、图3f、图3g所示。DC/DC支路发生直流故障电弧，电流信号的小波特征在总线及两支路上均呈现出幅值增大的趋势，这种现象势必引发正常总线及逆变器支路的状态误判现象，不利于多电力电子装置接入条件下直流系统内的故障电弧准确检测、定位与运行维护。结合图2c所示的总线故障电弧电流信号的小波特征，可考虑应用小波特征的共性特点检测直流故障电弧。
同样应用特征驱动LSTM深度学习模型，并依据图3f和3g所示的小波特征进行系统状态判断，所得检测结果(图3h和3i)表明检测模型可100％正确识别故障发生的DC/DC支路(逆变器支路正常运行)，表明本发明所采用的循环神经网络模型可避免DC/DC支路发生故障电弧对逆变器支路电流信号引发的串话干扰问题，准确检测多电力电子装置接入条件下的故障电弧情形。
本发明采用的检测模型属于神经网络模型的改进，所应用的循环神经网络对于序列化的数据有很强的模型拟合能力，即网络隐含层不仅自连还互连，进而能够通过充分考虑训练信息的相互关联性输出更精准地预测结果。而应用现有检测模型，例如随机森林模型(王毅；陈进；李松浓等，基于时频域分析和随机森林的故障电弧检测.电子测量与仪器学报,35(05),2021.)所得电平判断结果如图3j所示，可见DC/DC支路生弧下检测模型对逆变器支路的电平判断存在较多的判断值误判输出，对比图3i的结果后则表明本发明所提出的检测方法及时准确地区分了故障电弧与串话干扰现象。
(四)应用本发明的直流故障电弧定位方法诊断直流支路生弧的实例分析
应用本发明所提出的提升比指标对图3e、图3f、图3g所示的小波特征进行分析，所得结果如图4a所示。由图4a可见小波特征量的提升比在故障的DC/DC支路中呈现较高幅值水平，而在正常的总线和逆变器支路中呈现相对较低的幅值水平，这种小波特征在故障线路与非故障线路上呈现的差异可被应用作为故障电弧发生位置的认定依据。而在检测到故障电弧发生后进行有效的电弧定位，仅断开故障支路、保障其他多条非故障支路正常运行，这将有利于保障系统经济运行和高效运行维护。
如图4b所示，在逆变器支路处检测总线、逆变器支路、DC/DC支路三类线路位置处发生故障电弧时的电流信号，由图4b可看出，三类线路位置处发生的故障电弧将会在逆变器支路处呈现显著差异的特征形态。其中特征还是进行基于Rbio3.1小波基的时频域分析后利用小波系数(选择频段31.25-39.0625kHz上的小波系数)进行平方和分析而获得的特征量(作为训练集或验证集的样本，图4b中总线生弧条件下DC-DC支路电流小波特征值标记状态判断值1、DC-DC支路生弧条件下DC-DC支路电流小波特征值标记状态判断值2、逆变器支路生弧条件下DC-DC支路电流小波特征值标记值状态判断3)。
按照本发明所提出的直流故障电弧定位方法，将以上构建的特征(总线生弧条件下逆变器支路电流小波特征值、逆变器支路生弧条件下逆变器支路电流小波特征值、DC-DC支路生弧条件下逆变器支路电流小波特征值)输入特征驱动LSTM深度学习模型，所得的电弧发生位置判断结果如图4c所示。对比真实位置结果，可以看出本发明的直流故障电弧定位方法具有较高的准确率，基于模型实时输出的状态辨识结果便能准确判断出故障电弧所发生的线路。
Claims (10)
1.一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：该直流故障电弧检测及定位方法包括以下步骤：对直流系统多条线路应用循环神经网络模型并依据不同线路故障电弧特征的共性进行故障电弧检测；在检测到一条具有故障电弧特征的线路后，即可判定该线路为故障线路，或者在检测到两条以上具有故障电弧特征的线路后，应用循环神经网络模型并依据不同线路故障电弧特征的差异进行故障电弧定位分析，然后根据分析所得故障电弧定位信息判定故障线路。
2.根据权利要求1所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述故障电弧特征为提取自直流系统的电流信号、且能够在1～40A范围内同一系统电流等级条件下，辨识总线或本级某支路上所发生的故障电弧与该总线或支路所连接的总线、上级支路、下级支路以及同级其他支路中的一条以上线路上发生故障电弧时的串话干扰的特征。
3.根据权利要求2所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：判断提取自电流信号的特征能够辨识故障电弧与串话干扰的依据为：该特征在故障电弧情况较串话干扰情况的提升比的增幅不低于20％。
4.根据权利要求3所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述提升比为直流系统状态改变后较改变前所提取特征的对应特征值的增加比例。
5.根据权利要求2所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述特征在多支路运行条件下的故障电弧情形中均保持提升比在1.4以上。
6.根据权利要求2所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述特征是通过对电流信号进行小波变换和特征分析而提取得到；小波变换参数为：采用Rbio3.1小波基，并选择频段20～100kHz上的小波系数；特征分析具体采用对选择的小波系数进行平方和、绝对值和、或方差值分析的方式。
7.根据权利要求1所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述直流故障电弧检测及定位方法具体包括以下步骤：
1)对直流系统内在运行的各条线路上的电流信号按照采样频率为200kHz～1MHz进行采集，直至得到一个时间窗的电流信号xn，时间窗的数据点数目为5000～10000；
2)对采集自每条线路的电流信号xn进行特征提取，将提取自每条线路的对应特征分别输入故障检测循环神经网络模型进行状态辨识，得到由该循环神经网络模型输出的状态判断值，若均输出表示正常的状态判断值，转至步骤1)继续对下一个时间窗的电流信号xn进行采集；若存在输出表示故障的状态判断值的线路，则转至步骤3)；
3)对经过故障检测循环神经网络模型的状态辨识且输出表示故障的状态判断值的线路以时间窗为周期进行统计，若这些线路中的一部分或全部线路在所经过的连续5个周期以上的状态辨识中均出现表示故障的状态判断值，则判断直流系统发生故障电弧，并转至步骤4)；否则判断直流系统发生串话干扰，并转至步骤1)继续对下一个时间窗的电流信号xn进行采集；
4)若待定位分析的线路，即在连续5个周期以上的状态辨识中均出现表示故障的状态判断值的线路的数目不超过1条，则认定该线路为故障状态，并发出故障电弧切断信号，否则将待定位分析的线路中的每条线路自开始判断故障电弧发生以后在各时间窗提取的特征分别输入故障定位循环神经网络模型进行状态辨识，得到由该循环神经网络模型输出的针对该线路及与其相关的线路在对应时间窗的状态判断结果；根据状态判断结果，若将任意待定位分析的线路判断为故障状态的频次占比不低于75％，则认定该线路为故障状态，并发出故障电弧切断信号；否则，认定该线路未发生故障电弧，转至步骤1)继续对下一个时间窗的电流信号xn进行采集。
8.根据权利要求7所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述故障检测循环神经网络模型中，用于标记特征的状态判断值分为表示正常的状态判断值0与表示故障的状态判断值1；所述故障定位循环神经网络模型中，用于标记特征的状态判断值为1，2，3，…，N+1，其中N为直流系统中支路总数。
9.根据权利要求7所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述故障检测循环神经网络模型及故障定位循环神经网络模型所采用的模型训练过程的结束判断条件为：验证集输出结果的相对误差小于10％，且验证集与训练集输出结果的相对误差的方差小于6％，验证集数据量为训练集数据量的30％～35％。
10.根据权利要求7所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：若针对进行状态辨识的所有线路存在输出表示故障的状态判断值的线路，则在认定处于故障状态的线路后由云平台利用收集的对应线路特征对故障检测循环神经网络模型以及故障定位循环神经网络模型进行再训练，训练结束后利用获得的新的模型参数对各线路的故障检测循环神经网络模型以及进行了定位分析的线路的故障定位循环神经网络模型进行自校正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111040540.9A CN113866572B (zh) | 2021-09-06 | 2021-09-06 | 多电力电子装置接入条件下的直流故障电弧检测及定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111040540.9A CN113866572B (zh) | 2021-09-06 | 2021-09-06 | 多电力电子装置接入条件下的直流故障电弧检测及定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113866572A true CN113866572A (zh) | 2021-12-31 |
| CN113866572B CN113866572B (zh) | 2024-05-28 |
Family
ID=78989779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111040540.9A Active CN113866572B (zh) | 2021-09-06 | 2021-09-06 | 多电力电子装置接入条件下的直流故障电弧检测及定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113866572B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103163430A (zh) * | 2013-03-29 | 2013-06-19 | 昆明理工大学 | 一种利用复小波和ann结合的谐振接地系统故障选线方法 |
| CN103454535A (zh) * | 2013-09-16 | 2013-12-18 | 福州大学 | 一种综合负载串联电弧故障辨识方法 |
| CN109308522A (zh) * | 2018-09-03 | 2019-02-05 | 河海大学常州校区 | 一种基于循环神经网络的gis故障预测方法 |
| GB201905751D0 (en) * | 2019-04-25 | 2019-06-05 | Eaton Intelligent Power Ltd | Arc fault detector |
| CN110646703A (zh) * | 2018-06-26 | 2020-01-03 | 中国电力科学研究院有限公司 | 一种配电网单相接地故障选线方法及系统 |
| 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 |
| 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 |
| CN112363021A (zh) * | 2020-11-13 | 2021-02-12 | 重庆大学 | 一种分布式线路故障检测与定位系统及方法 |
| WO2021057107A1 (zh) * | 2019-09-23 | 2021-04-01 | 华为技术有限公司 | 直流电弧检测方法、装置、设备、系统及存储介质 |
| 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 |
| CN113298124A (zh) * | 2021-05-08 | 2021-08-24 | 西安理工大学 | 一种基于参数匹配的多层次直流故障电弧检测方法 |
-
2021
- 2021-09-06 CN CN202111040540.9A patent/CN113866572B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103163430A (zh) * | 2013-03-29 | 2013-06-19 | 昆明理工大学 | 一种利用复小波和ann结合的谐振接地系统故障选线方法 |
| CN103454535A (zh) * | 2013-09-16 | 2013-12-18 | 福州大学 | 一种综合负载串联电弧故障辨识方法 |
| CN110646703A (zh) * | 2018-06-26 | 2020-01-03 | 中国电力科学研究院有限公司 | 一种配电网单相接地故障选线方法及系统 |
| CN109308522A (zh) * | 2018-09-03 | 2019-02-05 | 河海大学常州校区 | 一种基于循环神经网络的gis故障预测方法 |
| GB201905751D0 (en) * | 2019-04-25 | 2019-06-05 | Eaton Intelligent Power Ltd | Arc fault detector |
| WO2021057107A1 (zh) * | 2019-09-23 | 2021-04-01 | 华为技术有限公司 | 直流电弧检测方法、装置、设备、系统及存储介质 |
| 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 |
| 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 |
| CN112363021A (zh) * | 2020-11-13 | 2021-02-12 | 重庆大学 | 一种分布式线路故障检测与定位系统及方法 |
| 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 |
| CN113298124A (zh) * | 2021-05-08 | 2021-08-24 | 西安理工大学 | 一种基于参数匹配的多层次直流故障电弧检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 余琼芳 等: "基于深度长短时记忆网络的多支路串联故障电弧检测方法", 《计算机应用》, vol. 41, no. 1, 30 June 2021 (2021-06-30) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113866572B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020087752A1 (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 | |
| CN108008244B (zh) | 一种小电流接地故障多层次递进式分类识别方法 | |
| CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
| CN108416362A (zh) | 一种道岔异常预警与故障诊断方法 | |
| CN106443335A (zh) | 雷击故障识别方法及系统 | |
| CN107451004A (zh) | 一种基于定性趋势分析的道岔故障诊断方法 | |
| CN103675610B (zh) | 局部放电在线检测中的特征因子提取方法 | |
| CN113076986B (zh) | 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 | |
| CN103018629A (zh) | 一种基于马拉算法的电力系统故障录波数据分析方法 | |
| CN102435910A (zh) | 基于支持向量分类的功率电子电路健康监测方法 | |
| CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN109490685B (zh) | 基于油中溶解气体在线监测的变压器早期缺陷预警方法 | |
| CN113466597A (zh) | 一种轨道交通供电系统设备状态智能检测方法 | |
| CN112183628B (zh) | 基于多种线性时频变换的交流电弧故障检测方法及系统 | |
| CN110927527A (zh) | 基于暂态能量双通道及信息融合的瞬时性故障感知方法 | |
| CN113866572A (zh) | 多电力电子装置接入条件下的直流故障电弧检测及定位方法 | |
| CN112327200A (zh) | Dc-ac逆变器电路的健康表征及健康基线构建方法 | |
| CN109946597B (zh) | 基于机电信号的分接开关运行状态评估方法 | |
| CN106980051B (zh) | 一种间歇性串联型故障电弧识别方法 | |
| Saikia et al. | Detection and classification of power quality disturbances using wavelet transform, fuzzy logic and neural network | |
| CN113848471A (zh) | 继电保护系统的故障智能定位方法及系统 | |
| CN109580260A (zh) | 一种轨道车辆门系统的亚健康诊断方法 | |
| CN113610119A (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
| CN116842425A (zh) | 一种低压交流系统中故障电弧的检测方法 | |
| CN116628620A (zh) | 一种非侵入式负荷识别计算方法 |
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 |