CN114047399A - 一种光伏直流电弧故障识别方法及装置 - Google Patents

Abstract

本发明提供了一种光伏直流电弧故障识别方法及装置，涉及电弧监测的技术领域，所述方法包括S1：获取第一正常电流和电弧电流数据矩阵，并对正常电流和电弧电流数据矩阵进行归一化处理以获取第二正常电流和电弧电流数据矩阵；S2：获取第二正常电流和电弧电流数据矩阵的协方差矩阵，获取第二正常电流和电弧电流数据矩阵的协方差矩阵的特征根以及特征向量以确定贡献率并输出第三正常电流和电弧电流数据矩阵；S3：将第三正常电流和电弧电流数据矩阵采用K折交叉验证法构建K‑SVM模型或采用萤火虫算法构建FA‑SVM模型；S4：利用K‑SVM或FA‑SVM模型对电弧进行识别。通过本发明提供的方法及装置可以提高现有技术中电弧故障识别的准确率，减少电弧故障识别的误判率。

Description

一种光伏直流电弧故障识别方法及装置

技术领域

本发明涉及电流故障识别的技术领域，尤其是涉及一种光伏直流电弧故障识别方法及装置。

背景技术

随着光伏发电等直流电源和负载的发展，直流供电系统得到广泛关注。但设备或系统运行时间过长、恶劣的工作环境等可能会引起线路老化，动物撕咬等也会导致线路发生断裂，这种情况下极易引发电弧的产生。直流电弧不存在过零点，较难熄灭，容易扩大故障范围，如不采取措施，极易引燃附近的可燃物，造成火灾。因此，对直流电弧的特性和检测方法进行研究显得尤为重要。通过对比电弧故障发生前后的电流波形，提取出能表征故障状态的特征量，进而实现对直流电弧故障的识别。

目前，提出的电弧故障检测的方法主要分为三类：

(1)基于电弧物理特性的检测

电弧故障发生时，通常伴随弧声、弧光、紫外线、温升及电磁辐射等物理特性，可依此作为故障检测依据。基于电弧物理特性的故障识别方法虽然可以获得较好地检测结果，但存在一定的局限性。这类检测方法受位置限制，仅适用于开关柜和配电柜等设备的故障检测，在建筑电气检测中效果并不好。另外，建筑线路中还存在许多由开关闭合产生的好弧，容易发生误判现象。

(2)基于时频域特征的检测方法

由于检测电弧的物理特性受位置限制，故把研究重点放在了对电弧电流的时频域特性分析上。时频域的分析主要借助于小波变换法、傅里叶分析法、经验模态分解、奇异值分解法、希尔伯特黄变换等工具对线路的电流变化进行分析。电弧的时频域检测方法是基于电弧故障发生时的电流变化识别故障的，选用的方法不同，时域和频域选取的特征量会随之不同，但原理都是提取能区分正常状态和故障状态的特征量。这种方法通常需要选取一定的阈值，若检测出的特征值低于阈值则认为故障未发生，反之，若检测出的特征值高于阈值，则认为发生了电弧故障。由此可见，阈值的选择对电弧故障检测的准确率有重大影响，阈值选的过高或过低都会使准确率下降，出现误判漏判的现象。

(3)基于人工智能的检测方法

人工智能的方法相较于上述两种传统的方法有更高的准确率，故本发明提出一种基于SVM的直流电弧故障检测方法，在训练SVM模型时，需要对两个参数进行选择，参数是否最优对SVM模型的精度有很大的影响。使用K折交叉验证来确定最优参数的方法适用于小规模的数据，且依赖性较强。本发明提出一种萤火虫优化算法进行参数选择，经对比，基于萤火虫寻优算法的SVM模型更加精确，识别电弧故障的正确率更高。

发明内容

有鉴于此，本发明的目的在于提供一种光伏直流电弧故障识别方法及装置，以提高现有技术中电弧故障识别的准确率，减少电弧故障识别的误判率。

本发明提供了一种光伏直流电弧故障识别方法，具体按照如下步骤进行：

S1：获取第一正常电流和电弧电流数据矩阵，并对所述正常电流和电弧电流数据矩阵进行归一化处理以获取第二正常电流和电弧电流数据矩阵；

S2：获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵，获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵的特征根以及特征向量以确定贡献率并输出第三正常电流和电弧电流数据矩阵；

S3：将所述第三正常电流和电弧电流数据矩阵采用K折交叉验证法构建K-SVM模型；

或采用萤火虫算法构建FA-SVM模型；

S4：利用所述K-SVM或所述FA-SVM模型对电弧进行识别。

优选的，所述S3：将所述第三电弧电流数据矩阵采用K折交叉验证法构建K-SVM模型的步骤包括：

将所述第三正常电流和电弧电流数据矩阵划分划分为第一测试集以及第一训练集；

将所述第一训练集等比例划分为K份，并设定惩罚参数c和RBF核参数g的取值范围；

将等分为K份的数据中的第N(1≤N≤K)份数据作为测试集，其余数据作为训练集进行第一次训练，并输出此次训练的精度，重新选取K份数据中除去第一次作为测试集的其余K-1份数据中的任一份作为新的测试集，其余数据作为训练集进行第二次训练，并输出此次训练的精度，每次选择与前面不同的测试集进行训练，重新执行输出训练精度的步骤K次，将K次训练的精度求取平均值，并输出此过程的惩罚参数c和RBF核参数g，按照c和g的变化步长重新选取一组c和g参数，并执行上述K次训练的步骤，求取此次训练的精度的平均值，若此次的精度大于上次，则输出此次的精度以及c和g；否则输出上次的精度以及c和g，该过程进行直到迭代全部完成，最终输出最优的精度以及最优精度对应的c和g。

优选的，所述采用萤火虫算法构建FA-SVM模型的步骤包括：

定义惩罚参数c以及RBF核参数g为萤火虫寻优目标函数的一组解，也即一个萤火虫代表一组惩罚参数c和RBF核参数g，并获取各自范围内每组所述惩罚参数c以及RBF核参数g的相对亮度；

基于所述惩罚参数c以及RBF核参数g的相对亮度确定所述萤火虫获取所述萤火虫目标的移动方向以使所述相对亮度低的惩罚参数c以及RBF核参数g移向相对亮度高的惩罚参数c以及RBF核参数g；

更新萤火虫目标位置重新计算萤火虫目标亮度，重新执行所述定义惩罚参数c以及RBF核参数g为萤火虫寻优目标并获取两组所述惩罚参数c以及RBF核参数g的相对亮度的步骤。

优选的，所述步骤还包括：

采用如下公式获取各自范围内每组所述惩罚参数c以及RBF核参数g的相对亮度：

I₀—萤火虫的自身亮度；

γ—光强吸收系数(可设置为常数)

r_ij为萤火虫i和j之间的距离；

β₀是萤火虫自身的吸引度；

采用如下公式实时更新每个萤火虫的位置：

α—步长因子，取值为[0,1]；

Rand—均匀分布的因子，取值为[0,1]。

另一方面，本发明提供了一种光伏直流电弧故障识别装置，包括：

第一数据获取模块：用于获取第一正常电流和电弧电流数据矩阵，并对所述正常电流和电弧电流数据矩阵进行归一化处理以获取第二正常电流和电弧电流数据矩阵；

第二数据获取模块：用于获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵，获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵的特征根以及特征向量以确定贡献率并输出第三正常电流和电弧电流数据矩阵；

模型构建模块：将所述第三正常电流和电弧电流数据矩阵采用K折交叉验证法构建K-SVM模型；

或采用萤火虫算法构建FA-SVM模型；

电弧识别模块：用于利用所述K-SVM或所述FA-SVM模型对电弧进行识别。

本发明实施例带来了以下有益效果：本发明提供了一种光伏直流电弧故障识别方法及装置，所述方法包括S1：获取第一正常电流和电弧电流数据矩阵，并对正常电流和电弧电流数据矩阵进行归一化处理以获取第二正常电流和电弧电流数据矩阵；S2：获取第二正常电流和电弧电流数据矩阵的协方差矩阵，获取第二正常电流和电弧电流数据矩阵的协方差矩阵的特征根以及特征向量以确定贡献率并输出第三正常电流和电弧电流数据矩阵；S3：将第三正常电流和电弧电流数据矩阵采用K折交叉验证法构建K-SVM模型或采用萤火虫算法构建FA-SVM模型；S4：利用K-SVM或FA-SVM模型对电弧进行识别。通过本发明提供的方法及装置可以提高现有技术中电弧故障识别的准确率，减少电弧故障识别的误判率。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种光伏直流电弧故障识别方法流程图；

图2为本发明实施例提供的一种光伏直流电弧故障识别方法第三正常电流和电弧电流数据矩阵获取流程图；

图3为本发明实施例提供的一种光伏直流电弧故障识别方法采用K折交叉验证法构建K-SVM模型示意图；

图4为本发明实施例提供的萤火虫算法示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，光伏发电等直流电源和负载的发展，直流供电系统得到广泛关注。但设备或系统运行时间过长、恶劣的工作环境等可能会引起线路老化，动物撕咬等也会导致线路发生断裂，这种情况下极易引发电弧的产生。直流电弧不存在过零点，较难熄灭，容易扩大故障范围，如不采取措施，极易引燃附近的可燃物，造成火灾。因此，对直流电弧的特性和检测方法进行研究显得尤为重要，基于此，本发明实施例提供的一种光伏直流电弧故障识别方法，可以提高现有技术中电弧故障识别的准确率，减少电弧故障识别的误判率。。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种光伏直流电弧故障识别方法进行详细介绍。

本发明提供了一种光伏直流电弧故障识别方法，具体按照如下步骤进行：

S1：获取第一正常电流和电弧电流数据矩阵，并对所述正常电流和电弧电流数据矩阵进行归一化处理以获取第二正常电流和电弧电流数据矩阵；

进一步的，所述正常电流和电弧电流数据矩阵为：

在本发明提供的实施例中，对所述电弧电流数据矩阵进行归一化处理以使所述电弧电流数据矩阵的每个值处于0-1之间；

S2：获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵，获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵的特征根以及特征向量以确定贡献率并输出第三正常电流和电弧电流数据矩阵；

在本发明提供的实施例中，所述特征根的大小代表了该指标对分析对象的贡献程度；

优选的，基于特征根确定主成分的个数，使累计贡献程度达到85％时的贡献度最大的几个特征量，定义为主成分；

进一步的，贡献度以及累计贡献度的公式分别为：

λ_i—协方差矩阵的特征根

ω_i—第i个特征量的贡献度；

ω_∑＝∑λ_i

ω_∑—累计贡献程度；

S3：将所述第三电弧电流数据矩阵采用K折交叉验证法构建K-SVM模型；

或采用萤火虫算法构建FA-SVM模型；

S4：利用所述K-SVM或所述FA-SVM模型对电弧进行识别。

优选的，所述S3：将所述第三电弧电流数据矩阵采用K折交叉验证法构建K-SVM模型的步骤包括：

优选的，所述S3：将所述第三电弧电流数据矩阵采用K折交叉验证法构建K-SVM模型的步骤包括：

将所述第三正常电流和电弧电流数据矩阵划分划分为第一测试集以及第一训练集；

将所述第一训练集等比例划分为K份，并设定惩罚参数c和RBF核参数g的取值范围；

将等分为K份的数据中的第N(1≤N≤K)份数据作为测试集，其余数据作为训练集进行第一次训练，并输出此次训练的精度，重新选取K份数据中除去第一次作为测试集的其余K-1份数据中的任一份作为新的测试集，其余数据作为训练集进行第二次训练，并输出此次训练的精度，每次选择与前面不同的测试集进行训练，重新执行输出训练精度的步骤K次，将K次训练的精度求取平均值，并输出此过程的惩罚参数c和RBF核参数g，按照c和g的变化步长重新选取一组c和g参数，并执行上述K次训练的步骤，求取此次训练的精度的平均值，若此次的精度大于上次，则输出此次的精度以及c和g；否则输出上次的精度以及c和g，该过程进行直到迭代全部完成，最终输出最优的精度以及最优精度对应的c和g。

进一步的，结合图3，将所述第三电弧电流数据矩阵分为测试集和训练集。首先对训练集进行等比例划分，共划分为K份，不同的K的取值划分的比例不同。K份数据中的一份作为测试数据，其余K-1份作为训练数据，将这个过程在K份数据上依次循环，并对得到的K个评估结果进行合并，最终的结果为K次测试结果的平均值，以此作为该模型的评价结果，通过选取不同的K值，得到的结果不同，即SVM模型的训练精度不同，故选取其中训练精度最高的K值来进行SVM模型的参数寻优，得到最优参数训练的SVM，最后利用测试数据对K-SVM模型的精度进行检测，最终得到了最优参数训练的可用于光伏直流电弧故障检测的SVM模型；

优选的，所述采用萤火虫算法构建FA-SVM模型的步骤包括：

结合图4，在本发明提供的实施例中，6、7、8三只萤火虫分别代表目标函数的一个解，这三只萤火虫各自都有自身亮度，萤火虫的亮度与目标函数值相关，，假设亮度关系6>8>7，此时说明萤火虫6的位置优于8优于7，且6、7、8三只萤火虫有各自视野范围(即搜索半径)。每个萤火虫在各自的搜索半径内找发光比自身强的萤火虫，以7为例，其搜索半径用红色圆表示，在该搜索半径中包含6和8两个萤火虫，这两只萤火虫的亮度均比自身亮度高，此时需要遵循亮度越高吸引度越大的规则，故萤火虫7将向萤火虫6进行靠拢。若6和8两只萤火虫亮度相同，则应遵循空间距离越近吸引度越大的原则进行移动，萤火虫7将向萤火虫8进行移动。对于萤火虫8来说，搜索范围内未找到比自己亮度更高的萤火虫，此时可以加大自己的视野范围再次寻找。在不断的位置更新中，找到全局亮度最强的位置，即问题的最优解；

具体采用如下方式构建FA-SVM模型：

定义惩罚参数c以及RBF核参数g为萤火虫寻优的目标函数的一组解，也即一个萤火虫代表一组惩罚参数c和RBF核参数g，并获取各自范围内每组所述惩罚参数c以及RBF核参数g的相对亮度；

基于所述惩罚参数c以及RBF核参数g的相对亮度确定所述萤火虫获取所述萤火虫目标的移动方向以使所述相对亮度低的惩罚参数c以及RBF核参数g移向相对亮度高的惩罚参数c以及RBF核参数g；

更新萤火虫目标位置重新计算萤火虫目标亮度，重新执行所述定义惩罚参数c以及RBF核参数g为萤火虫目标并获取各自范围内每组所述惩罚参数c以及RBF核参数g的相对亮度的步骤。

优选的，所述步骤还包括：

采用如下公式获取各自范围内每组所述惩罚参数c以及RBF核参数g的相对亮度：

o₀—萤火虫的自身亮度；

γ—光强吸收系数(可设置为常数)

r_ij为萤火虫i和j之间的距离；

β₀是萤火虫自身的吸引度；

采用如下公式实时更新每个萤火虫的位置：

α—步长因子，取值为[0,1]；

Rand—均匀分布的因子，取值为[0,1]。

实施例二：

本发明实施例二提供了一种光伏直流电弧故障识别装置，包括：

第一数据获取模块：用于获取第一正常电流和电弧电流数据矩阵，并对所述正常电流和电弧电流数据矩阵进行归一化处理以获取第二正常电流和电弧电流数据矩阵；

第二数据获取模块：用于获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵，获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵的特征根以及特征向量以确定贡献率并输出第三正常电流和电弧电流数据矩阵；

模型构建模块：将所述第三正常电流和电弧电流数据矩阵采用K折交叉验证法构建K-SVM模型；

或采用萤火虫算法构建FA-SVM模型；

电弧识别模块：用于利用所述K-SVM或所述FA-SVM模型对电弧进行识别。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (5)

1.一种光伏直流电弧故障识别方法，其特征在于，具体按照如下步骤进行：

S1：获取第一正常电流和电弧电流数据矩阵，并对所述正常电流和电弧电流数据矩阵进行归一化处理以获取第二正常电流和电弧电流数据矩阵；

S2：获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵，获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵的特征根以及特征向量以确定贡献率并输出第三正常电流和电弧电流数据矩阵；

S3：将所述第三正常电流和电弧电流数据矩阵采用K折交叉验证法构建K-SVM模型；

或采用萤火虫算法构建FA-SVM模型；

S4：利用所述K-SVM或所述FA-SVM模型对电弧进行识别。

2.根据权利要求1所述的方法，其特征在于，所述S3：将所述第三电弧电流数据矩阵采用K折交叉验证法构建K-SVM模型的步骤包括：

将所述第三正常电流和电弧电流数据矩阵划分划分为第一测试集以及第一训练集；

将所述第一训练集等比例划分为K份，并设定惩罚参数c和RBF核参数g的取值范围；

将等分为K份的数据中的第N(1≤N≤K)份数据作为测试集，其余数据作为训练集进行第一次训练，并输出此次训练的精度，重新选取K份数据中除去第一次作为测试集的其余K-1份数据中的任一份作为新的测试集，其余数据作为训练集进行第二次训练，并输出此次训练的精度，每次选择与前面不同的测试集进行训练，重新执行输出训练精度的步骤K次，将K次训练的精度求取平均值，并输出此过程的惩罚参数c和RBF核参数g，按照c和g的变化步长重新选取一组c和g参数，并执行上述K次训练的步骤，求取此次训练的精度的平均值，若此次的精度大于上次，则输出此次的精度以及c和g；否则输出上次的精度以及c和g，该过程进行直到迭代全部完成，最终输出最优的精度以及最优精度对应的c和g。

3.根据权利要求1所述的方法，其特征在于，所述采用萤火虫算法构建FA-SVM模型的步骤包括：

定义惩罚参数c以及RBF核参数g为萤火虫寻优目标函数的一组解，也即一个萤火虫代表一组惩罚参数c和RBF核参数g，并获取各自范围内每组所述惩罚参数c以及RBF核参数g的相对亮度；

基于所述惩罚参数c以及RBF核参数g的相对亮度确定所述萤火虫获取所述萤火虫目标的移动方向以使所述相对亮度低的惩罚参数c以及RBF核参数g移向相对亮度高的惩罚参数c以及RBF核参数g；

更新萤火虫目标位置重新计算萤火虫目标亮度，重新执行所述定义惩罚参数c以及RBF核参数g为萤火虫寻优目标并获取两组所述惩罚参数c以及RBF核参数g的相对亮度的步骤。

4.根据权利要求3所述的方法，其特征在于，所述步骤还包括：

采用如下公式获取各自范围内每组所述惩罚参数c以及RBF核参数g的相对亮度：

I₀—萤火虫的自身亮度；

γ—光强吸收系数(可设置为常数)

r_ij为萤火虫i和j之间的距离；

β₀是萤火虫自身的吸引度；

采用如下公式实时更新每个萤火虫的位置：

α—步长因子，取值为[0,1]；

Rand—均匀分布的因子，取值为[0,1]。

5.一种光伏直流电弧故障识别装置，其特征在于，包括：

第一数据获取模块：用于获取第一正常电流和电弧电流数据矩阵，并对所述正常电流和电弧电流数据矩阵进行归一化处理以获取第二正常电流和电弧电流数据矩阵；

第二数据获取模块：用于获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵，获取所述第二正常电流和电弧电流数据矩阵的协方差矩阵的特征根以及特征向量以确定贡献率并输出第三正常电流和电弧电流数据矩阵；

模型构建模块：用于将所述第三正常电流和电弧电流数据矩阵采用K折交叉验证法构建K-SVM模型；

或采用萤火虫算法构建FA-SVM模型；

电弧识别模块：用于利用所述K-SVM或所述FA-SVM模型对电弧进行识别。

Images