CN116819250A - 一种对于光伏系统中故障电弧的探测方法 - Google Patents
一种对于光伏系统中故障电弧的探测方法 Download PDFInfo
- Publication number
- CN116819250A CN116819250A CN202310768827.6A CN202310768827A CN116819250A CN 116819250 A CN116819250 A CN 116819250A CN 202310768827 A CN202310768827 A CN 202310768827A CN 116819250 A CN116819250 A CN 116819250A
- Authority
- CN
- China
- Prior art keywords
- arc
- fault
- signal
- photovoltaic system
- fault arc
- 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
- 238000000034 method Methods 0.000 title claims description 29
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010248 power generation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 206010002515 Animal bite Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供一种对于光伏系统中故障电弧的探测方法，包括，在故障电弧工况下，采集对于故障电弧的检测信号；对所述检测信号进行小波分解处理，提取与所述检测信号对应匹配的信号频谱，得到对应的信号特征量；根据预先计算的皮尔逊相关系数对得到的信号特征量与正常工况下的信号进行相似性度量，得到与所述信号特征量对应的度量值；将所述度量值作为输入量输入到预先训练的电弧故障概率预测模型，对所述度量值进行概率预测，并根据预测结果确定故障电弧的诊断，得到最终的故障电弧的探测结果。本发明有效无误地防范并网光伏系统的类弧事故，大幅延长了并网光伏系统的运行时间，提高并网光伏系统的运行效率，提高并网光伏系统安全稳定运行的能力。
Description
技术领域
本发明涉及光伏系统中故障电弧的探测技术领域，特别是涉及一种对于光伏系统中故障电弧的探测方法。
背景技术
随着光伏发电系统规模的不断扩大，特别是屋顶光伏系统的日益增多，光伏系统故障电弧的危害受到业界的高度关注。2011年美国电工法规NEC(National ElectricalCode)提出，在光伏发电系统中要配备相应的电弧保护装置。随后，美国保险商实验室UL(Underwriters Laboratories)也推出了用于光伏系统直流电弧保护装置进行测试的1699B草案。电弧是一种随机的气体游离放电现象。在光伏系统中，随着光伏发电系统使用年限的增加，电子器件逐渐老化、机械损伤、进水或腐蚀、电缆线路风化严重，安装接头的松动以及动物的噬咬，都会使直流线路破损，连接接头松动，导致光伏系统中电弧故障产生的概率增加。电弧的特点是温度较高，持续时间较短并释放大量的热，可能造成火灾甚至爆炸，严重威胁光伏系统安全运行。光伏系统中直流电弧故障所带来的危害如光伏火灾等严重制约着光伏系统的发展。
因此，光伏系统故障电弧的防治研究迫在眉睫，其必有较高的商业价值和广阔的市场应用。光伏发电比起传统发电方式有很显著的优势，它具有绿色无污染、使用寿命长且检修率低的优点，现在已经广泛地在全世界的工商业、基础建筑设施及住宅区投入使用。然而，光伏系统一旦出现线路绝缘老化、线路绝缘破损或者连接头松动等现象，这些非操作因素均会引发故障电弧，多样的故障电弧工况中宏观检测信号在故障态表征形式不一，现有的光伏系统故障电弧检测算法不能准确、快速地识别多样的故障电弧并加以切断发生的支路，故障电弧的高温特性便会造成光伏系统相关设备器件的严重损坏，引发区域面积停电和火灾事故，威胁周边居民生命财产安全。
目前，故障电弧识别检测过程往往使用电量信号。然而，并网光伏系统运行时，光伏系统的电量输出受运行环境影响很大，譬如光伏拓扑变化、自然光照条件的变化、逆变器调节、直流开断、系统软启动等类弧工况均有可能扰动并网光伏系统的电量输出信号，形成与故障电弧类似的类弧工况干扰故障电弧的正确判断结果。如果在发生类弧工况时检测算法发生误动，则会在并网光伏系统正常运行时发生不应该的停机状态，大大减少并网光伏系统的运行时间，降低并网光伏系统的运行效率。对光伏系统直流故障电弧进行准确有效的检测是当前的研究热点，国内外研究学者对光伏故障电弧检测的信号处理技术进行了研究，Maltzan等提出了针对光伏系统直流故障电弧的傅里叶变换和小波分解检测方法，Jay等人对光伏系统直流故障电弧进行了阻抗谱和频率响应分析，林方圆提出了傅里叶与BP神经网络结合的检测方法，但是由于光伏系统直流故障电弧不具有交流电弧的零休现象且极不稳定，使得其检测难度大，所以目前光伏直流故障电弧的检测研究尚处于萌芽阶段。
因此，研究光伏系统故障电弧检测算法在类弧工况扰动情形下还能准确、快速识别故障电弧工况，对光伏系统正常稳定运行、保持光伏系统经济效应有着极其重要的意义。
发明内容
本发明的目的在于，提出一种对于光伏系统中故障电弧的探测方法，解决如何在类弧工况扰动情形下准确、快速识别故障电弧的技术问题。
一方面，提供一种对于光伏系统中故障电弧的探测方法，包括：
在故障电弧工况下，采集对于故障电弧的检测信号；
对所述检测信号进行小波分解处理，提取与所述检测信号对应匹配的信号频谱，得到对应的信号特征量；
根据预先计算的皮尔逊相关系数对得到的信号特征量与正常工况下的信号进行相似性度量，得到与所述信号特征量对应的度量值；
将所述度量值作为输入量输入到预先训练的电弧故障概率预测模型，对所述度量值进行概率预测，并根据预测结果确定故障电弧的诊断，得到最终的故障电弧的探测结果。
优选地，所述采集对于故障电弧的检测信号具体包括：
在故障电弧工况下，对不同负载的组合中具有并网光伏系统故障电弧特征检测信号进行采样。
优选地，所述对所述检测信号进行小波分解处理具体包括：
通过预设的分解模型对不同频率的所述检测信号进行对应的分解处理，得到与所述检测信号对应的特征信号，作为信号特征量，其中，所述特征信号用以区分故障发生时与未发生时的频谱变化趋势，当所述特征信号对应的检测信号是与故障电弧对应的信号时存在明显的下降趋势。
优选地，所述预设的分解模型包括：
其中，为小波包系数，j(j＝i,i-1,…,1)为尺度参数，l和k是平移参数，n(n＝2j-1,2j-2,…,0)是频率参数，hk-2l是小波包分解中的低通滤波器组，gk-2l是高通滤波器组。
优选地，所述根据预先计算的皮尔逊相关系数对得到的信号特征量与正常工况下的信号进行相似性度量具体包括：
对所述信号特征量进行预设的时频域变换，再结合皮尔逊相关系数进行相似性度量，得到对应的度量结果，其中，度量结果包括多个与所述信号特征量对应的度量值。
优选地，所述皮尔逊相关系数根据以下公式计算：
其中，r表示皮尔逊相关系数的值，r的取值范围是[-1,1],n表示数据个数，i(i＝1,2,…,n)是数据编号，表示ai之和，/>则表示bi之和，r值的大小能够反映出两组变量间的相似程度，ai和bi表示一个n组的数据对(ai，bi)。
优选地，所述电弧故障概率预测模型具体为神经网络模型，其至少包括输入层、隐含层及输出层；
所述输入层向所述隐含层输入信号，所述隐含层处理后传递给所述输出层，若所述输出层接收的信号不满足预设的期望误差，所述输出层将该信号返回到所述输入层并修改所述隐含层的权值，直至所述输出层接收的信号满足预设的期望误差，输出最终的预测结果，其中，所述预测结果至少包括第一类和第二类。
优选地，所述电弧故障概率预测模型根据以下公式进行学习迭代：
其中，表示神经元i与神经元j经过k次迭代后的连接权值，m表示网络层数，η表示学习速率，g(k)表示均方误差。
优选地，所述电弧故障概率预测模型进行训练时，设置的学习次数为500次，训练中设置的期望误差为0.01，输入是动态时间规整对负载进行的相似性度量结果，输出是负载类别以及负载的工作状况。
优选地，所述根据预测结果确定故障电弧的诊断具体包括：
当所述预测结果值为第一类时，判定与其对应的所述检测信号为正常工作状态；
当所述预测结果值为第二类时，判定与其对应的所述检测信号为发生直流电弧故障状态。
综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的一种对于光伏系统中故障电弧的探测方法，有效无误地防范并网光伏系统的类弧事故，尤其解决了自然光照变化、光伏拓扑变化、逆变器调节、直流开断、软启动过程等非人为环境下所产生的误动问题，大幅延长了并网光伏系统的运行时间，大幅提高了并网光伏系统的运行效率，提高了并网光伏系统安全稳定运行的能力；能可靠、快速检测多种故障电弧工况，实际并网光伏系统内可能产生多种多样的故障电弧，由此产生不同的检测信号，该方法对多个故障电弧特征的使用大大拓宽了所能探测的故障电弧工况范围，解决了因所发生故障电弧工况的未知性而产生的拒动问题，有效防止了故障电弧给并网光伏系统运行、人身财产带来的安全威胁；故障电弧检测信号不局限于并网光伏系统输出电流信号，一切具有能量迁移这一故障电弧时频特性的检测信号均可作为所述的光伏系统故障电弧检测算法的输入。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中一种对于光伏系统中故障电弧的探测方法的主流程示意图。
图2为本发明实施例中一种对于光伏系统中故障电弧的探测方法的逻辑示意图。
图3为本发明实施例中特征信号图。
图4为本发明实施例中变量间的相关性与r的对应关系示意图。
图5为本发明实施例中相似性度量示意图。
图6为本发明实施例中相似性度量的度量结果示意图。
图7为本发明实施例中神经网络模型示意图。
图8为本发明实施例中神经网络对直流故障电弧的诊断结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示和图2所示，为本发明提供的一种对于光伏系统中故障电弧的探测方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：
步骤S1，在故障电弧工况下，采集对于故障电弧的检测信号；具体实施例中，在故障电弧工况下，对不同负载的组合中具有并网光伏系统故障电弧特征检测信号进行采样。
步骤S2，对所述检测信号进行小波分解处理，提取与所述检测信号对应匹配的信号频谱，得到对应的信号特征量；可理解的，采用小波包分解(Wavelet PacketDecomposition，WPD)特征提取方法用于表征。WPD是通过对小波分解(WaveletDecomposition，WD)进行改进和发展得出的一种有效分解方法，在保留了小波分解的基础功能的同时又有着自身独特的优点。传统的小波分解法仅能分解低频部分的信号，而WPD在能对低频信号进行分解的基础上还能对高频信号进行分解，最重要的是小波包分解法可以根据信号特性自适应地选择与其相匹配的信号频谱。
具体实施例中，通过预设的分解模型对不同频率的所述检测信号进行对应的分解处理，得到与所述检测信号对应的特征信号，作为信号特征量，其中，所述特征信号用以区分故障发生时与未发生时的频谱变化趋势，当所述特征信号对应的检测信号是与故障电弧对应的信号时存在明显的下降趋势。
其中，所述预设的分解模型包括：
其中，为小波包系数，j(j＝i,i-1,…,1)为尺度参数，l和k是平移参数，n(n＝2j-1,2j-2,…,0)是频率参数，hk-2l是小波包分解中的低通滤波器组，gk-2l是高通滤波器组。实施例中，将电磁炉的数据信号进行小波包分解后得到了图3的特征信号图，当直流故障电弧发生时，特征信号有个明显的下降趋势，因此这个信号可以作为是否发生故障的判据，通过对该信号的采集，可以判断直流故障电弧是否发生。
步骤S3，根据预先计算的皮尔逊相关系数对得到的信号特征量与正常工况下的信号进行相似性度量，得到与所述信号特征量对应的度量值；可理解的，采用基于皮尔逊相关系数的电流信号相似性度量。通过计算皮尔逊相关系数(Pearson CorrelationCoefficient,PCC)，可以得到两个变量间的相关性。在故障电弧识别阶段，将结合数据库中单一工况的正常样本的基于皮尔逊相关系数的相似性度量的度量值。
具体实施例中，对所述信号特征量进行预设的时频域变换，再结合皮尔逊相关系数进行相似性度量，得到对应的度量结果，其中，度量结果包括多个与所述信号特征量对应的度量值。
所述皮尔逊相关系数根据以下公式计算：
其中，r表示皮尔逊相关系数的值，r的取值范围是[-1,1],n表示数据个数，i(i＝1,2,…,n)是数据编号，表示ai之和，/>则表示bi之和，r值的大小能够反映出两组变量间的相似程度，变量间的相关性与r的绝对值呈正相关，具体的对应关系如图4所示，ai和bi表示一个n组的数据对(ai，bi)。
图5是直接将采集到的电磁炉数据结合皮尔逊相关系数与其他负载进行相似性度量，理论上同种负载的相似性最高，度量值应该远大于与其他负载，但是图5中三类负载的度量值r几乎相同，也就是说直接对电流进行度量不能检测出是否产生直流故障电弧。通过对不同负载的实验数据直接进行相似性度量，发现度量结果并不能很好的诊断直流故障电弧，这是由于实际电路在正常工作时也会发生一定的波动，直接根据波动情况来进行检测直流故障电弧是不准确的，因此我们需要对采集到的数据进一步处理，提取电信号的特征值进行电弧信息表征后才能进行有效度量，体现了表征信息的必要性。分别针对图5中的三种负载在正常工作状态下以及发生直流故障电弧时的电流数据先进行WPD时频域变换，然后再结合皮尔逊相关系数进行相似性度量，WPD结合皮尔逊相关系数进行相似性度量的度量结果如图6所示。特征度量结果相较于图3，能够清晰的表征出多负载场景下的故障电弧状态
步骤S4，将所述度量值作为输入量输入到预先训练的电弧故障概率预测模型，对所述度量值进行概率预测，并根据预测结果确定故障电弧的诊断，得到最终的故障电弧的探测结果。可理解的，通过基于皮尔逊相关系数对小波包分解后的数据进行相似性度量能够诊断直流故障电弧，然后对其度量值进行概率预测，从而实现故障电弧的诊断。图7是BP神经网络模型(Back Propagtion，BP)的结构图，它是一种通过误差逆向传播算法训练的三层前馈神经网络，是目前比较常用的概率预测模型之一。
具体实施中，所述电弧故障概率预测模型具体为神经网络模型，其至少包括输入层、隐含层及输出层；所述输入层向所述隐含层输入信号，所述隐含层处理后传递给所述输出层，若所述输出层接收的信号不满足预设的期望误差，所述输出层将该信号返回到所述输入层并修改所述隐含层的权值，直至所述输出层接收的信号满足预设的期望误差，输出最终的预测结果，其中，所述预测结果至少包括第一类和第二类。BP神经网络的计算过程是单向的，输入层向隐含层输入信号，隐含层处理后传递给输出层，若不满足期望，输出层会将信号返回到输入层，然后修改隐含层的权值，从而减小误差，直至输出满足期望，因此BP神经网络的学习速度很慢，其中，所述电弧故障概率预测模型根据以下公式进行学习迭代：
其中，表示神经元i与神经元j经过k次迭代后的连接权值，m表示网络层数，η表示学习速率，g(k)表示均方误差。
其中，所述电弧故障概率预测模型进行训练时，设置的学习次数为500次，训练中设置的期望误差为0.01，输入是动态时间规整对负载进行的相似性度量结果，输出是负载类别以及负载的工作状况。本次概率预测过程中采用梯度下降法来训练BP神经网络，设置的学习次数为500次，训练中设置的期望误差为0.01，输入是动态时间规整对负载进行的相似性度量结果D，输出是负载类别以及负载的工作状况。接下来对直流故障电流的诊断进行深度学习，然后对加湿器的度量值进行概率预测，判断加湿器的工作状态。BP神经网络对加湿器在不同工作状态下的度量值D进行概率预测，通过设定概率值选取当下的唯一状态指示，基于BP神经网络对直流故障电弧的诊断结果如图8所示。图中正常样本与故障样本各100个且序号连续，输出结果1表示正常工作，0表示发生直流电弧故障，结合多周期的BP神经网络状态综合指示，便可得到理想的诊断结果
具体地，所述根据预测结果确定故障电弧的诊断具体包括：当所述预测结果值为第一类时，判定与其对应的所述检测信号为正常工作状态；当所述预测结果值为第二类时，判定与其对应的所述检测信号为发生直流电弧故障状态。
综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的一种对于光伏系统中故障电弧的探测方法，有效无误地防范并网光伏系统的类弧事故，尤其解决了自然光照变化、光伏拓扑变化、逆变器调节、直流开断、软启动过程等非人为环境下所产生的误动问题，大幅延长了并网光伏系统的运行时间，大幅提高了并网光伏系统的运行效率，提高了并网光伏系统安全稳定运行的能力；能可靠、快速检测多种故障电弧工况，实际并网光伏系统内可能产生多种多样的故障电弧，由此产生不同的检测信号，该方法对多个故障电弧特征的使用大大拓宽了所能探测的故障电弧工况范围，解决了因所发生故障电弧工况的未知性而产生的拒动问题，有效防止了故障电弧给并网光伏系统运行、人身财产带来的安全威胁；故障电弧检测信号不局限于并网光伏系统输出电流信号，一切具有能量迁移这一故障电弧时频特性的检测信号均可作为所述的光伏系统故障电弧检测算法的输入。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种对于光伏系统中故障电弧的探测方法，其特征在于，包括：
在故障电弧工况下，采集对于故障电弧的检测信号；
对所述检测信号进行小波分解处理，提取与所述检测信号对应匹配的信号频谱，得到对应的信号特征量；
根据预先计算的皮尔逊相关系数对得到的信号特征量与正常工况下的信号进行相似性度量，得到与所述信号特征量对应的度量值；
将所述度量值作为输入量输入到预先训练的电弧故障概率预测模型，对所述度量值进行概率预测，并根据预测结果确定故障电弧的诊断，得到最终的故障电弧的探测结果。
2.如权利要求1所述的方法，其特征在于，所述采集对于故障电弧的检测信号具体包括：
在故障电弧工况下，对不同负载的组合中具有并网光伏系统故障电弧特征检测信号进行采样。
3.如权利要求2所述的方法，其特征在于，所述对所述检测信号进行小波分解处理具体包括：
通过预设的分解模型对不同频率的所述检测信号进行对应的分解处理，得到与所述检测信号对应的特征信号，作为信号特征量，其中，所述特征信号用以区分故障发生时与未发生时的频谱变化趋势，当所述特征信号对应的检测信号是与故障电弧对应的信号时存在明显的下降趋势。
4.如权利要求3所述的方法，其特征在于，所述预设的分解模型包括：
其中，为小波包系数，j(j＝i,i-1,…,1)为尺度参数，l和k是平移参数，n(n＝2j-1,2j-2,…,0)是频率参数，hk-2l是小波包分解中的低通滤波器组，gk-2l是高通滤波器组。
5.如权利要求4所述的方法，其特征在于，所述根据预先计算的皮尔逊相关系数对得到的信号特征量与正常工况下的信号进行相似性度量具体包括：
对所述信号特征量进行预设的时频域变换，再结合皮尔逊相关系数进行相似性度量，得到对应的度量结果，其中，度量结果包括多个与所述信号特征量对应的度量值。
6.如权利要求5所述的方法，其特征在于，所述皮尔逊相关系数根据以下公式计算：
其中，r表示皮尔逊相关系数的值，r的取值范围是[-1,1],n表示数据个数，i(i＝1,2,…,n)是数据编号，表示ai之和，/>则表示bi之和，r值的大小能够反映出两组变量间的相似程度，ai和bi表示一个n组的数据对(ai，bi)。
7.如权利要求6所述的方法，其特征在于，所述电弧故障概率预测模型具体为神经网络模型，其至少包括输入层、隐含层及输出层；
所述输入层向所述隐含层输入信号，所述隐含层处理后传递给所述输出层，若所述输出层接收的信号不满足预设的期望误差，所述输出层将该信号返回到所述输入层并修改所述隐含层的权值，直至所述输出层接收的信号满足预设的期望误差，输出最终的预测结果，其中，所述预测结果至少包括第一类和第二类。
8.如权利要求7所述的方法，其特征在于，所述电弧故障概率预测模型根据以下公式进行学习迭代：
其中，表示神经元i与神经元j经过k次迭代后的连接权值，m表示网络层数，η表示学习速率，g(k)表示均方误差。
9.如权利要求8所述的方法，其特征在于，所述电弧故障概率预测模型进行训练时，设置的学习次数为500次，训练中设置的期望误差为0.01，输入是动态时间规整对负载进行的相似性度量结果，输出是负载类别以及负载的工作状况。
10.如权利要求9所述的方法，其特征在于，所述根据预测结果确定故障电弧的诊断具体包括：
当所述预测结果值为第一类时，判定与其对应的所述检测信号为正常工作状态；
当所述预测结果值为第二类时，判定与其对应的所述检测信号为发生直流电弧故障状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768827.6A CN116819250A (zh) | 2023-06-27 | 2023-06-27 | 一种对于光伏系统中故障电弧的探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310768827.6A CN116819250A (zh) | 2023-06-27 | 2023-06-27 | 一种对于光伏系统中故障电弧的探测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116819250A true CN116819250A (zh) | 2023-09-29 |
Family
ID=88119872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310768827.6A Pending CN116819250A (zh) | 2023-06-27 | 2023-06-27 | 一种对于光伏系统中故障电弧的探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819250A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117081502A (zh) * | 2023-10-16 | 2023-11-17 | 锦浪科技股份有限公司 | 一种光伏直流电弧监测平台及其控制方法 |
| 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 |
-
2023
- 2023-06-27 CN CN202310768827.6A patent/CN116819250A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117081502A (zh) * | 2023-10-16 | 2023-11-17 | 锦浪科技股份有限公司 | 一种光伏直流电弧监测平台及其控制方法 |
| 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 |
| CN117081502B (zh) * | 2023-10-16 | 2024-02-06 | 锦浪科技股份有限公司 | 一种光伏直流电弧监测平台及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116819250A (zh) | 一种对于光伏系统中故障电弧的探测方法 | |
| CN106908674B (zh) | 一种基于多状态量预测的变压器状态评估方法 | |
| CN109239517B (zh) | 一种新的光伏系统直流电弧故障及类型的辨识方法 | |
| CN114169237B (zh) | 结合eemd-lstm及孤立森林算法的电力电缆接头温度异常预警方法 | |
| CN116595459A (zh) | 一种基于电场信号的污闪预警方法及系统 | |
| Fatama et al. | A multi feature based islanding classification technique for distributed generation systems | |
| CN109831033A (zh) | 一种供电线路预警保护设备及分段监测预警系统 | |
| CN111610416A (zh) | 一种串联电弧故障智能断路器 | |
| CN115479631A (zh) | 高压交流海缆机械故障与电气故障诊断方法及系统 | |
| CN112183628A (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 | |
| CN116930669A (zh) | 一种光伏逆变器故障检测方法及检测系统 | |
| CN113484658B (zh) | 电弧故障的诊断方法、系统、介质及电子设备 | |
| CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
| CN112345885A (zh) | 一种高压直流输电线路故障检测方法 | |
| CN117110798A (zh) | 智能配电网的故障检测方法和系统 | |
| 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 | |
| CN113514720B (zh) | 一种边缘侧低压交流串联的电弧故障识别方法 | |
| CN116068339A (zh) | 电力系统线路故障检测判别方法 | |
| CN111025098B (zh) | 基于泄漏电流时域变化因子的电缆绝缘老化程度判断方法 | |
| CN113721116A (zh) | 基于局部放电、油压检测的故障识别方法、系统 | |
| CN111561992A (zh) | 一种利用b抽样的变压器运行状态振声检测方法和系统 | |
| CN113078615A (zh) | 大型电力变压器主动保护方法和装置 | |
| Gomathy et al. | IPSO based fault analysis in power transformer | |
| CN117743815B (zh) | 一种断路器多路振动传感器信号优选方法及系统 | |
| Kaya et al. | Series dc arc fault detection method |
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 |