CN109560770B - 基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法 - Google Patents
基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法 Download PDFInfo
- Publication number
- CN109560770B CN109560770B CN201811269779.1A CN201811269779A CN109560770B CN 109560770 B CN109560770 B CN 109560770B CN 201811269779 A CN201811269779 A CN 201811269779A CN 109560770 B CN109560770 B CN 109560770B
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- photovoltaic system
- fault arc
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 73
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 abstract description 11
- 230000035772 mutation Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 19
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000009466 transformation Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000010891 electric arc Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法：以TNCT长度的时间窗采集信号xt，经过非线性调频小波变换得到xt的迭代时频图，基于所选迭代时频图内的频率分量构造特征量，用以判断频谱能量增大的时刻；在发现存在能量增大的突变点后，经过自适应最优核时频分布得到xt在时频域内对应的矩阵分布形式，对该矩阵按时间维度求平方和得列向量，选定多个频段，对每个频段进行频率维度的积分运算，得到多个特征值输入至训练好的朴素贝叶斯模型，判断当前时段内的光伏***状态。本发明通过多个有效的时频特征准确辨识光伏***内故障电弧的同时还能确保多种类弧工况下不误动，使光伏***安全稳定运行。
Description
技术领域
本发明属于光伏***电气故障检测领域，具体涉及一种基于非线性调频小波变换寻找频谱能量增大的时刻，并将基于自适应最优核时频分布得到的多个时频特征输入至朴素贝叶斯模型，以判断光伏***运行状态的方法，由此确保多种类弧工况干扰情况下也能准确判断故障电弧，从而可以熄灭相应故障电弧，保障光伏***的安全运行。
背景技术
目前电力电子半导体技术的发展令直流变压可通过直流变换器实现，占比越来越高的广义直流负荷通过直流变换器可连接至非水可再生发电***。这种直流微型电网架构可通过减少变换环节降低供电***运营成本、提升***供电效率。对于典型非水可再生发电***之一的太阳能光伏发电***而言，一旦***内出现线路绝缘老化、线路破损或者连接松动等现象，所引发的故障电弧现象会引起火灾事故，威胁着***供电和人身用电安全。
目前，光伏***故障电弧的特征捕获往往利用其电特性。然而，光伏***在日出时必然会经历启动过程，在运行时也必然会经历直流负载的正常投切过程，这些正常的***暂态过渡过程也会对采集的***电量信号产生影响，形成与故障电弧相同的时域形态，这些工况统称为类弧。类弧工况会形成一些与故障电弧相似的特征表达，干扰着故障电弧的正确判断，会引发故障电弧检测装置的误动，对光伏***造成频繁的不必要停机状态，严重影响着***供电稳定性，大幅降低了光伏***的运行效率。
现阶段应用于光伏***的故障电弧保护产品尚未成熟，对其故障电弧特性的研究也处于起步阶段，研究如何有效区分故障电弧与类弧对故障电弧特性的理论研究有着至关重要的价值。因此，研究光伏***故障电弧的独特特征，基于这些独有的故障电弧特性构建完备的故障电弧检测算法，使之在类弧扰动的情形下还能准确、可靠、快速地辨识故障电弧，对光伏***可靠供电和维护用电安全有着极其重要的意义。
发明内容
本发明的目的在于提供一种基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法，解决光伏***内存在类弧干扰的情况下准确、可靠、快速辨识故障电弧的问题。
为达到上述目的，本发明采用了以下技术方案：
1)对光伏***内的电流信号，以TNCT为时间窗长度进行逐点采样，得到检测信号xt，转至步骤2)；
2)对检测信号xt作非线性调频小波变换，得到检测信号xt多次迭代的复数时频矩阵，通过选定u个迭代复数时频矩阵，以及对选定的迭代复数时频矩阵中指定频率分量处元素的模进行频率维度(频率轴方向)的平方和运算，构造n个特征量NCi(t)，i＝1,2,3…,n(n表示所构造的特征量总数)，并形成n×TNCT的二维矩阵M，将M沿时间维度(时间轴方向)求取后一时刻(后一列)相对前一时刻(前一列)的特征量变化，并与阈值列向量Y进行相应元素比较，若该时间窗内某采样时刻(不含时间窗内第一个时刻)对应的特征量变化的值大于相应阈值的个数超过m个，则判断该时间窗的电流信号存在频谱能量增大，将检测信号xt等分为y个时段，转至步骤3)作进一步的判断；否则，判断该采样时刻光伏***处于正常工作状态，继续进行下一采样时刻的对应特征量变化的比较，直至根据该时间窗的检测信号均判断为光伏***处于正常工作状态时，返回步骤1)开始进行下一时间窗的检测信号采集与判断；
3)从频谱能量增大时刻所在时段的下一时段开始作自适应最优核时频分布，得到在时频域内对应的复数时频矩阵，选定频率维度上r个有效的频段，对相应元素的实部进行时间维度的平方和运算得相应列向量，然后对选定的每个频段进行频率维度的积分运算，构造得到r个特征量作为输入向量，转至步骤4)；
4)利用训练好的朴素贝叶斯模型及对应的r个特征量的值对该输入向量进行状态分类，若输出值为0，则判定该时段呈现故障电弧状态，转至步骤5)；若输出值为1，则判定是类弧干扰，清零计数变量，返回步骤1)开始进行下一时间窗的检测信号采集与判断；
5)对经所述朴素贝叶斯模型进行状态分类计算所得的输出值为0的时段个数利用计数变量进行计数，当输出值为0的时段个数达到p个时，则判断光伏***发生故障电弧，发出电路开断的控制信号以熄灭故障电弧，否则继续按照步骤3)进行下一时段的检测信号分析。
优选的，所述电流信号为由霍尔传感器采样并经高通滤波后的信号或者为直接由电流互感器采样的信号。
优选的，所述时间窗长度TNCT的选取原则为确定长度的时间窗内检测信号能反映出有效的故障电弧时频特征，TNCT的取值范围为4～40ms；所划分时段数y的取值范围为2～10。
优选的，所述步骤2)及步骤3)中，多时频变换的各项参数基于最大程度地分离故障电弧区别于类弧工况的显著时频特征而定；其中，非线性调频小波变换所选用的多项式阶次的取值范围为10～30；迭代终止条件为迭代达到既定次数即停止，迭代次数的取值范围为3～8；自适应最优核时频分布的输出频率划分尺度的取值范围为256～8192。
优选的，所述非线性调频小波变换的有效迭代次数(即u)和频率分量的选取原则为能以脉冲形式准确指示故障电弧发生时刻所在的时间窗，以较大的幅值形式显示故障电弧状态与类弧状态的差异且该差异具有一致性；有效迭代次数u的取值范围为2～5；所述频率分量根据故障电弧特征频段进行指定，不同迭代次数上选定的故障电弧特征频段个数相同或不同，故障电弧特征频段均在5～50kHz的范围内选定，不同迭代次数所选定的故障电弧特征频段部分重叠或连续分割或存在间隔；根据有效迭代次数及频段分量所构造的特征量总数n的取值范围为5～10。
优选的，对基于非线性调频小波变换构造的n个特征量NCi(t)采用阈值判断处理方式，所述阈值列向量Y中的阈值设定原则为能够获取信号在各特征量层面上的幅值变化模式，不同特征量NCi(t)对应设定的阈值相同或不同，用于判断当前采样时刻下频谱能量是否增大的阈值个数m的取值范围为n-2～n。
优选的，所述自适应最优核时频分布完成后，对频率维度上有效的r个频段进行选取的原则为能以脉冲形式准确指示故障电弧发生所在的时间窗，以较大的幅值形式显示故障电弧状态与类弧状态的差异且该差异具有一致性；r个频段根据故障电弧特征频段选定，故障电弧特征频段在(0,50]kHz的范围进行选定，所选定的故障电弧特征频段部分重叠或连续分割或存在间隔；所构造的对应特征量总数r的取值范围为3～7。
优选的，所述朴素贝叶斯模型在学习训练过程中的输出状态标记方式为：对应时段内的电弧电压为零，则标记为1，对应时段内的电弧电压非零，则标记为0；训练样本容量的取值范围为1500～3000。
优选的，所述p为故障电弧触发阈值，选取原则为以快速切除故障电弧、不误动地区分类弧工况而定，取值范围为18～120。
本发明具有如下有益的技术效果：
1)本发明中的非线性调频小波变换使计算结果更精确，可更为准确地描述信号中复杂频率的变化规律，对故障电弧的时频能量集中度好，能较线性时频变换获得更好的故障电弧时频特征聚集性，提升了故障电弧特征的抗噪声干扰能力；
2)本发明中的自适应时频分析对信号自相关函数进行截取，细致刻画了信号的细节部分，使得信号时频分辨率之间不存在相互制约关系，获得了较好的时频局部化结果，达到了算法分析所需的时频分布精度要求，有利于发现故障电弧差别于类弧的独特特征，该分析方法折中控制了交叉项的抑制与自项的衰减，解决了时频分辨率提升时引发的交叉项干扰问题；
3)本发明对检测信号提取了多重特征量，通过非线性调频小波变换的特征量组筛除正常状态和大部分类弧状态，只有故障电弧状态和少部分类弧状态才需要进行自适应时频分析和朴素贝叶斯模型的计算，非线性调频小波变换和自适应时频分析需要存储的中间矩阵极少，相应的特征量均可采用实时计算替换模式，大幅减少了检测算法所需消耗的内存，降低了故障电弧检测对硬件的依赖；
4)本发明在非线性调频小波变换及其特征量计算时，每次采用较宽的时间窗对正常状态电流信号进行运算，变换本身的精细时间尺度有利于定位故障电弧发生时刻，在检测到疑似故障电弧发生时刻后，采用较窄宽的分析时段对该状态电流信号进行运算，非线性调频小波变换和自适应时频分析的交错计算时序切实提升了检测算法的计算速度，满足了故障电弧检测的快速性要求；
5)本发明在非线性调频小波变换和自适应时频分析的每个层级均提出多个特征量构成的特征量组，在可能造成某个特征量失效的情况下，特征量组内的其他特征量仍能确保***状态的有效判断，两个层级之间的相互配合可大幅提升故障电弧或类弧工况分类的准确性，满足了故障电弧检测的可靠性要求。
进一步的，本发明充分利用非线性调频小波变换和自适应时频分析的优势，提炼各自的最优时频特征，所构建的检测算法能在防范***类弧干扰的情况下可靠、准确、快速地动作故障电弧，确保准确区分故障电弧和由负载投切、***启动等因素引发的类弧工况，在保障安全用电的同时充分保障了光伏***的供电稳定性。
附图说明
图1为本发明实施例中的光伏***故障电弧检测算法的硬件实现原理框架图。
图2为本发明实施例中的光伏***故障电弧检测算法流程图。
图3a为故障电弧的电流信号。
图3b、图3c、图3d、图3e、图3f、图3g分别为应用非线性调频小波变换进行光伏***故障电弧检测的特征量波形，各特征量所采用的频段选为NC1：第二次迭代所得时频图内的8.3kHz～12.4kHz；NC2：第二次迭代所得时频图内的12.5kHz～16.6kHz；NC3：第二次迭代所得时频图内的29.2kHz～33.3kHz；NC4：第三次迭代所得时频图内的8.3kHz～12.4kHz；NC5：第三次迭代所得时频图内的25kHz～29.1kHz；NC6：第三次迭代所得时频图内的29.2kHz～33.3kHz。
图3h、图3i、图3j、图3k、图3l分别为应用自适应最优核时频分布进行光伏***故障电弧检测的特征量波形，各特征量所采用的频段选为AOK1：24.4kHz～30.4kHz；AOK2：18.3kHz～24.3kHz；AOK3：12.2kHz～18.2kHz；AOK4：6.1kHz～12.1kHz；AOK5：0.1～6.0kHz。
图3m为应用本发明进行光伏***故障电弧检测的***状态判断输出信号(针对图3a)。
图4a为负载投切的类弧电流信号。
图4b、图4c、图4d、图4e、图4f、图4g分别为应用非线性调频小波变换进行光伏***故障电弧检测的特征量波形，各特征量所采用的频段分别选为NC1、NC2、NC3、NC4、NC5、NC6。
图4h为应用本发明进行光伏***故障电弧检测的***状态判断输出信号(针对图4a)。
图5a为***启动的类弧电流信号。
图5b、图5c、图5d、图5e、图5f、图5g分别为应用非线性调频小波变换进行光伏***故障电弧检测的特征量波形，各特征量所采用的频段分别选为NC1、NC2、NC3、NC4、NC5、NC6。
图5h、图5i、图5j、图5k、图5l分别为应用自适应最优核时频分布进行光伏***故障电弧检测的特征量波形，各特征量所采用的频段选为AOK1、AOK2、AOK3、AOK4、AOK5。
图5m为应用本发明进行光伏***故障电弧检测的***状态判断输出信号(针对图5a)。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
(一)本发明提出的光伏***故障电弧检测算法的硬件实现
首先对不同类弧工况和故障电弧工况下的光伏***电流信号按时间窗采样，若所述电流信号为霍尔传感器采集得到，经高通滤波(滤波的目的是去除直流分量)后进行后续的特征层处理；若所述电流信号为电流互感器采集得到，则直接进行后续的特征层处理。所述霍尔传感器或电流互感器安装在所需监测的光伏串内或光伏阵列汇流直流母线上，亦可共用逆变器进行***电流采集的装置。如图1所示，采集到的电流信号输入至直流故障电弧检测装置，经高通滤波、A/D转换模块输入至DSP处理模块，在DSP模块处理过程中，电流信号经过基于非线性调频小波变换的多特征量处理得到对应的二维矩阵M，用以判断频谱能量增大的时刻。在发现存在能量增大的突变点后，对当前时间窗长度下的电流信号进行更为精细尺度的划分，形成多个时段，从能量增大的下一时段开始作自适应最优核时频分布，得到相应的多特征值作为朴素贝叶斯模型的输入向量。
利用电流信号对应的电弧电压信号这一先验知识在输入向量最后一行附加类别标记，生成朴素贝叶斯模型的训练学习样本，在朴素贝叶斯模型学习完毕，并测试训练所得模型进行状态分类的准确率后，便可对输入时间窗内的电流采样信号提取到多个基于自适应最优核时频分布的时频特征，输入至训练好的朴素贝叶斯模型中进行状态判断。朴素贝叶斯模型可实时输出光伏***内是否发生故障电弧的0/1判定结果，发生故障电弧时输出0，判断***正常运行时输出1。只有在朴素贝叶斯模型连续输出0到达指定时段个数时，才进行故障电弧切除信号的触发，即经DSP处理模块输出的控制信号经D/A转换模块驱动继电器动作，控制光伏***相应支路处的断路器进行切断动作；在朴素贝叶斯模型未达到既定输出0的周期数前，只要其有一个1输出，则认为此时是类弧工况的干扰引发而不是真正的故障电弧工况。
(二)本发明提出的光伏***故障电弧检测算法流程
以TNCT长度的时间窗采集信号xt，经过非线性调频小波变换得到xt的迭代时频图，基于所选迭代时频图内的频率分量构造特征量，用以判断频谱能量增大的时刻；在发现存在能量增大的突变点(能量增大的时刻)后，经过自适应最优核时频分布得到xt在时频域内对应的矩阵分布形式，对该矩阵按行(时间维度)求平方和得列向量，选定多个频段，对每个频段进行频率维度的积分运算，得到多个特征值输入至训练好的朴素贝叶斯模型，便可判断当前时段内的光伏***状态。本发明通过多个有效的时频特征准确辨识光伏***内故障电弧的同时，还能确保多种类弧工况下不误动，由此提升了光伏***安全稳定运行的能力。
该光伏***故障电弧检测算法的核心为基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法，算法的具体步骤如下(图2)：
步骤一、参数初始化过程包括时间窗长度TNCT、阈值列向量Y、m(频谱能量增大触发阈值)、故障电弧触发阈值p，以及非线性调频小波变换及自适应最优核时频分布两种时频分析工具内的各项参数(非线性调频小波变换所选用的多项式阶次，迭代次数、自适应最优核时频分布的输出频率划分尺度)等。
光伏***运行中，以设定的时间窗长度TNCT对电流信号进行采集。这里的电流信号是采用霍尔传感器检测并经高通滤波后的信号或者由电流互感器等所测不含直流分量的信号。考虑非线性调频小波变换所得的时间、频率分辨率之间的相互约束关系，若时间窗取的过短，会导致非线性调频小波变换所得二维复数时频矩阵的频率划分精度不够，无法反应故障电弧差异于类弧的根本特征；若时间窗取的过长，则加重了所述算法对检测装置硬件在内存和主频上的要求。因此，所述时间窗长度TNCT的取值范围为4～40ms。
步骤二、采用非线性调频小波变换的方法对第t个时间窗下采集的电流检测信号xt进行分析，得到该时间窗下光伏***输出电流信号多次迭代后的复数矩阵时频分布形式。选定u个迭代复数时频矩阵，对指定频率分量处元素的模进行频率维度的平方和运算(即对选定迭代次数下的时频矩阵按所选故障电弧特征频段沿频率维度作能量积分)，构造n个特征量。其中，通过对比正常、类弧与故障电弧状态下的幅值差异，并考虑在保证故障电弧检测可靠性的前提下尽可能减少迭代及频率分量的计算，确定有效迭代次数u(有效迭代次数等于迭代复数时频矩阵选定个数，是小于或等于迭代终止时的迭代次数的)的取值范围为2～5。所选择的有效迭代次数上所选定的指定频率分量个数可不同，但均在故障电弧特征频段5～50kHz的范围内选定，由各有效迭代次数(u)下的频段分量所构造的特征量总数n的取值范围为5～10。
这n个特征量在该时间窗内形成二维矩阵M，将其沿时间维度与阈值列向量Y进行相应元素比较，若二维矩阵M(M为n×TNCT的二维矩阵)对应特征量的值(由于特征值本身较大，故实际选取其相较于前一时刻的对应特征量的值的变化)大于相应阈值的个数超过m个，则判断该时间窗的电流信号存在频谱能量增大，转至步骤三作进一步的判断，否则判断该采样时刻处于正常工作状态，继续进行下一采样时刻的对应特征值比较直至该时间窗的检测信号均为光伏***正常工作状态，返回步骤一继续采样。其中，m的取值范围为n-2～n。
步骤三、将电流检测信号xt等分为y段(所划分时段y的取值范围为2～10)，从能量增大的下一时段开始采用自适应最优核时频分布的方法对xt的对应时段逐段进行分析，得到该时段下光伏***输出电流信号在时频域内对应的复数矩阵时频分布形式。为尽可能在保证故障电弧检测可靠性的前提下减少计算数量、提高判断效率和速度，对相应元素(即有效的频段)的实部进行时间维度的平方和运算得相应列向量，对每个有效频段进行频率维度的积分运算得到多特征量的值作为输入向量，转至步骤四进行朴素贝叶斯模型识别。
其中，自适应最优核时频分布的输出频率划分尺度的取值范围为256～8192。在构建特征量时考虑故障电弧特征频段均在(0,50]kHz的范围进行选定，根据选定结果确定有效频段，所构造的特征量总数r的取值范围为3～7。
步骤四、利用训练好的朴素贝叶斯模型对该输入向量进行状态分类，若该时段呈现故障电弧状态，则输出值为0，转至步骤五；否则输出值为1，判定是类弧干扰，清零计数变量，返回步骤一进行下一时间窗内的检测信号分析。
其中，朴素贝叶斯模型在学习训练过程中的标记：对应时段内的电弧电压信号为零，则标记为1，对应时段内的电弧电压非零，则标记为0，训练样本容量的取值范围为1500～3000。
步骤五、对经朴素贝叶斯模型计算得到的输出值为0的时段个数进行计数，当时段个数达到p个时，则判断光伏***内发生故障电弧，发出电路开断的控制信号以熄灭故障电弧，否则，返回步骤三进行下一时段内的检测信号分析。
其中，为快速切除故障电弧、不误动地区分类弧工况，所述故障电弧触发阈值p的取值范围为18～120。
在某些类弧工况下，基于非线性调频小波变换所得的特征量在某些时间窗内可能发生阈值误判而失去类弧工况的正常判定能力，而基于自适应最优核时频分布所得的特征量在这些时间窗内的类弧工况则不发生误判，呈现与故障态不同的特征值。朴素贝叶斯模型仍能利用所学习到的故障电弧统计规律较为准确地将类弧工况判定为正常态，由此体现了本发明检测算法关注多重特征量对于提高类弧工况干扰下可靠辨识故障电弧能力的优势。本发明依据提出的多特征量具有较强的故障电弧识别能力，既避免了偶然因素引起直流故障电弧检测装置的误动作，又保证了发出故障电弧支路切断信号的快速性。
(三)上述光伏***故障电弧检测算法对故障电弧工况的辨识效果
如图3a所示的光伏***输出电流检测信号，在0.6648s以前，光伏***处于正常工作状态，0.6648s***出现故障电弧，电流信号出现大幅值脉冲，此后一直处于故障电弧状态。
通过非线性调频小波变换对电流信号进行分析，对所得到的时频域内二维复数矩阵内指定频率分量的元素取模，在频率维度上采用积分的处理方式(即平方和运算)，构建基于非线性调频小波变换的6个特征量(如图3b～图3g所示)。各个特征量均在故障电弧发生时刻有大幅值的脉冲指示，特征值变化大于相应所设定的阈值(对应阈值列向量Y设为[30，35，75，60，40，30])，均可判定存在频谱能量增大。由于判断为频谱能量增大的特征量个数大于初始给定阈值(M＝5)，对图3a所示故障电弧脉冲后的电流信号进行后续的自适应最优核时频分布及朴素贝叶斯模型分析。
通过自适应最优核时频分布对电流信号进行分析，所得到的时频域内二维复数矩阵内相应元素的实部沿时间维度采用平方和运算的处理方式，在频率维度上采用积分的处理方式，得到基于自适应最优核时频分布的5个特征量。为了显示正常与故障电弧状态的差异，给出全部时段电流信号的自适应最优核时频分布计算结果，如图3h～图3l所示。其中，各个特征量均在故障电弧发生时刻有短暂、极大幅值的脉冲指示，在故障电弧发生后的特征值较正常工作状态整体变大，这种一致的大幅值状态有利于故障电弧的准确辨识。
将上述计算所得的5个时频特征值输入至训练好的朴素贝叶斯模型，判断光伏***内是否存在故障电弧。当朴素贝叶斯模型输出1时，则判断该时段内光伏***处于类弧状态，前述非线性调频小波变换发生了误判，继续进行下一时段内光伏***输出电流信号的状态检测；当朴素贝叶斯模型输出0时，则判断该时段内光伏***可能发生了故障电弧，还需通过所设定的故障电弧切除标准(P)进一步确认故障电弧的发生，即连续输出0的周期达到100个后，则确定光伏***内发生了故障电弧，给相应的断路器发出切断故障电弧支路信号。如图3m所示的结果，检测算法面对正常工作电流能够给出正确的输出(判断其未达到故障电弧切除标准的要求)，对故障态电流信号能够给出正确的输出(判断其达到故障电弧切除标准的要求)。
(四)上述光伏***故障电弧检测算法对光伏***内多种源于正常操作形成的类弧工况的辨识效果
4.1对于光伏***内通过负载切换所形成类弧的辨识效果
如图4a所示的光伏***输出电流检测信号，在1.093s以前，光伏***处于正常工作状态，1.093s发生负载切换过程，形成时域上类似的电流突变过程。
通过非线性调频小波变换对电流信号进行分析，对所得到的时频域内二维复数矩阵内各元素取模，在频率维度上采用积分的处理方式(即平方和运算)，构建基于非线性调频小波变换的6个特征量如图4b～图4g所示。其中，各个特征量均在***切换负载时刻幅值显著降低，特征值变化小于Y中相应给定阈值，均可判定不存在频谱能量增大。由于判断频谱能量增大的特征量个数小于设定阈值m，电流信号不进行后续的自适应最优核时频分布及朴素贝叶斯模型分析步骤，如图4h所示的结果，阈值(m)判定能够给出正确的输出，判断该时间窗内光伏***处于正常工作状态，继续进行下一时间窗内光伏***输出电流信号的状态检测。
4.2对光伏***内通过***启动所形成类弧的辨识效果
如图5a所示的光伏***输出电流检测信号，在2.256s以前，光伏***处于正常停机状态，2.256s时，***开始启动过程，形成类似于图4a的较小时域电流幅值等级，2.586s时，***结束启动过程，形成较大的时域电流幅值等级，进入正常工作状态。
通过非线性调频小波变换对电流信号进行分析，对所得到的时频域内二维复数矩阵内各元素取模，在频率维度上采用积分的处理方式(即平方和运算)，构建基于非线性调频小波变换的6个特征量。2.256s时刻的类弧工况与图4a所示类弧工况类似，故而相应基于非线性调频小波变换所构建的特征量幅值也会出现如图4b～图4g一样的显著降低过程，特征值变化小于相应阈值，阈值判定处于正常工作状态，尽管如图5h～图5l所示基于自适应最优核时频分布分析所构建的特征量出现如图3h～图3l一样的故障电弧模式，但基于非线性调频小波变换能够预先给出正确的判断，不进行后续的自适应最优核时频分布分析。
这里的非线性调频小波变换层级仅给出进行后续自适应最优核时频分布及朴素贝叶斯模型分析的对应电流分析结果，如图5b～图5g所示。2.586s时，基于非线性调频小波变换的各特征量均出现如图3b～图3g所示的持续幅值增大过程，判定存在频谱能量增大，转至后续的自适应最优核时频分布分析步骤。通过自适应最优核时频分布对电流信号进行分析，所得到的时频域内二维复数矩阵内相应元素的实部沿时间维度采用平方和运算的处理方式，在频率维度上采用积分的处理方式，得到基于自适应最优核时频分布的5个特征量，全部时段电流信号的计算结果如图5h～图5l所示。各个特征量在2.586s之前的特征值均幅值极小，其幅值状态明显区别于故障电弧发生之前的正常工作状态(如图3h～图3l内0.6s之前的幅值等级和图5h～图5l内2.8s以后的幅值等级)，故而***启动过程与正常工作状态是存在显著的模式差别的，这也证实了基于自适应最优核时频分布所构建的特征量是具有区分故障电弧和类弧工况能力的。2.256s及2.586s时刻分别由非线性调频小波变换、自适应最优核时频分布发挥作用完成了正确的***状态判断过程，这充分说明了多元方法综合判断对准确判断故障电弧的重要性。
将五个计算所得的时频特征值输入至朴素贝叶斯模型，朴素贝叶斯模型因持续出现的1输出而达不到触发标准P，判定此时光伏***内发生了类弧工况，从而不发出断路器控制信号，继续进行下一时间窗内光伏***输出电流信号的状态检测。如图5m所示的结果，检测算法能够给出正确的输出(判断其未达到故障电弧切除标准的要求)，不造成误判。
总之，本发明所提供的光伏故障电弧检测方法分为非线性调频小波变换-阈值判断和自适应最优核时频分布-朴素贝叶斯模型分类两步，前一步计算分辨率高，对于故障电弧的发生时刻捕捉精准，一旦识别当前分析时间窗内有能量增大趋势能够迅速进入后一步。后一步与前一步的交错时序令整个算法消耗内存少，计算效率高。两步中均构建了多个时频特征量，即使个别特征量失效，仍能依靠其他有效特征量正确完成故障电弧与类弧的有效辨识，提高了故障电弧或类弧工况辨识的可靠性，解决了类弧工况干扰下准确、可靠、快速动作光伏***内故障电弧的问题，有效防止了故障电弧给光伏***运行、人身财产带来的安全威胁。
Claims (9)
1.一种基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法，其特征在于：该光伏***故障电弧检测方法包括以下步骤：
1)对光伏***内的电流信号，以TNCT为时间窗长度进行逐点采样，得到检测信号xt，转至步骤2)；
2)对检测信号xt作非线性调频小波变换，得到检测信号xt多次迭代的复数时频矩阵，通过选定u个迭代复数时频矩阵，以及对选定的迭代复数时频矩阵中指定频率分量处元素的模进行频率维度的平方和运算，构造n个特征量NCi(t)，i＝1,2,3…,n，并形成n×TNCT的二维矩阵M，将M沿时间维度求取后一时刻相对前一时刻的特征量变化，并与阈值列向量Y进行相应元素比较，若该时间窗内某采样时刻对应的特征量变化的值大于相应阈值的个数超过m个，则判断该时间窗的电流信号存在频谱能量增大，将检测信号xt等分为y个时段，转至步骤3)；否则，判断该采样时刻光伏***处于正常工作状态，继续进行下一采样时刻的对应特征量变化的比较，直至该时间窗的检测信号均为光伏***正常工作状态时，返回步骤1)进行下一时间窗的检测信号采集；
3)从频谱能量增大的下一时段开始作自适应最优核时频分布，得到在时频域内对应的复数时频矩阵，选定频率维度上r个频段，对相应元素的实部进行时间维度的平方和运算得相应列向量，然后对选定的每个频段进行频率维度的积分运算，构造得到r个特征量作为输入向量，转至步骤4)；
4)利用训练好的朴素贝叶斯模型及对应的r个特征量的值对该输入向量进行状态分类，若输出值为0，则判定该时段呈现故障电弧状态，转至步骤5)；若输出值为1，则判定是类弧干扰，清零计数变量，返回步骤1)进行下一时间窗的检测信号采集；
5)对经所述朴素贝叶斯模型进行状态分类所得的输出值为0的时段个数利用计数变量进行计数，当输出值为0的时段个数达到p个时，则判断光伏***发生故障电弧，发出电路开断的控制信号以熄灭故障电弧，否则继续按照步骤3)进行下一时段的检测信号分析。
2.根据权利要求1所述一种基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法，其特征在于：所述电流信号为由霍尔传感器采样并经高通滤波后的信号或者为直接由电流互感器采样的信号。
3.根据权利要求1所述一种基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法，其特征在于：所述TNCT的取值范围为4～40ms；y的取值范围为2～10。
4.根据权利要求1所述一种基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法，其特征在于：所述非线性调频小波变换所选用的多项式阶次的取值范围为10～30；迭代终止条件为迭代达到既定次数即停止，迭代次数的取值范围为3～8；自适应最优核时频分布的输出频率划分尺度的取值范围为256～8192。
5.根据权利要求1所述一种基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法，其特征在于：所述u的取值范围为2～5；所述频率分量根据故障电弧特征频段进行指定，不同迭代次数上选定的故障电弧特征频段个数相同或不同，故障电弧特征频段均在5～50kHz的范围内选定，所选定的故障电弧特征频段部分重叠或连续分割或存在间隔；n的取值范围为5～10。
6.根据权利要求1所述一种基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法，其特征在于：所述阈值列向量Y中的阈值设定原则为能够获取信号在各特征量层面上的幅值变化模式，不同特征量NCi(t)对应设定的阈值相同或不同；m的取值范围为n-2～n。
7.根据权利要求1所述一种基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法，其特征在于：所述r个频段根据故障电弧特征频段选定，故障电弧特征频段在(0,50]kHz的范围进行选定，所选定的故障电弧特征频段部分重叠或连续分割或存在间隔；r的取值范围为3～7。
8.根据权利要求1所述一种基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法，其特征在于：所述朴素贝叶斯模型在学习训练过程中的输出状态标记方式为：对应时段内的电弧电压为零，则标记为1，对应时段内的电弧电压非零，则标记为0；训练样本容量的取值范围为1500～3000。
9.根据权利要求1所述一种基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法，其特征在于：所述p的取值范围为18～120。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811269779.1A CN109560770B (zh) | 2018-10-29 | 2018-10-29 | 基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法 |
| PCT/CN2018/125440 WO2020087752A1 (zh) | 2018-10-29 | 2018-12-29 | 基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法 |
| US16/629,033 US11489490B2 (en) | 2018-10-29 | 2018-12-29 | Arc fault detection method for photovoltaic system based on adaptive kernel function and instantaneous frequency estimation |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811269779.1A CN109560770B (zh) | 2018-10-29 | 2018-10-29 | 基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109560770A CN109560770A (zh) | 2019-04-02 |
| CN109560770B true CN109560770B (zh) | 2020-03-13 |
Family
ID=65865434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811269779.1A Active CN109560770B (zh) | 2018-10-29 | 2018-10-29 | 基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11489490B2 (zh) |
| CN (1) | CN109560770B (zh) |
| WO (1) | WO2020087752A1 (zh) |
Families Citing this family (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110045252B (zh) * | 2019-05-06 | 2020-11-10 | 西安交通大学 | 一种利用频谱能量积分的串联直流电弧检测方法 |
| CN111846095B (zh) * | 2019-05-14 | 2022-05-17 | 北京骑胜科技有限公司 | 一种故障检测设备、电助力车及故障检测方法 |
| CN112345891A (zh) * | 2019-08-07 | 2021-02-09 | 青岛鼎信通讯股份有限公司 | 一种基于电流多通道时频特征提取的故障电弧检测方法 |
| CN110969194B (zh) * | 2019-11-21 | 2023-12-19 | 国网辽宁省电力有限公司电力科学研究院 | 基于改进型卷积神经网络的电缆早期故障定位方法 |
| CN112433128B (zh) * | 2020-10-13 | 2022-12-02 | 西安理工大学 | 一种基于随机共振的直流故障电弧诊断方法及装置 |
| CN113219374B (zh) * | 2021-03-05 | 2024-04-30 | 国网江苏省电力有限公司徐州供电分公司 | 一种变压器电压故障检测方法 |
| CN113095173B (zh) * | 2021-03-29 | 2024-04-02 | 西安交通大学 | 一种Adaboost融合多分类器的光伏***故障电弧检测方法 |
| CN113297786B (zh) * | 2021-05-06 | 2023-04-07 | 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 |
| CN113298124B (zh) * | 2021-05-08 | 2023-03-24 | 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 |
| CN113626352B (zh) * | 2021-07-01 | 2024-04-30 | 珠海全志科技股份有限公司 | 内存控制器的读取校准方法、计算机装置和可读存储介质 |
| CN113437723B (zh) * | 2021-07-06 | 2022-08-12 | 丰郅(上海)新能源科技有限公司 | 故障电弧的检测方法 |
| CN113740672B (zh) * | 2021-07-14 | 2023-06-06 | 国网江苏省电力有限公司电力科学研究院 | 一种基于k线图的光伏组件阵列电弧故障的检测方法 |
| CN113659542B (zh) * | 2021-07-26 | 2024-03-05 | 西安理工大学 | 一种低压直流配用电***故障电弧保护方法 |
| CN114034960A (zh) * | 2021-11-25 | 2022-02-11 | 国网重庆市电力公司电力科学研究院 | 一种基于弱电弧特征的故障电弧检测方法 |
| CN114062880B (zh) * | 2021-12-20 | 2022-12-13 | 西安交通大学 | 基于自适应信号处理及cart树集成学习的直流故障电弧检测方法 |
| CN114566936B (zh) * | 2022-02-14 | 2023-10-31 | 福建华电电力工程有限公司 | 一种火电厂低压交流***继电保护脱扣触发方法与装置 |
| CN114282689B (zh) * | 2022-03-04 | 2022-05-31 | 苏芯物联技术(南京)有限公司 | 一种普适焊接起弧实时智能检测方法及*** |
| CN114814478A (zh) * | 2022-03-08 | 2022-07-29 | 福州大学 | 一种电弧状态观测器及其建立方法 |
| CN114371342B (zh) * | 2022-03-21 | 2022-05-27 | 国仪量子(合肥)技术有限公司 | Fpga及基于其的实时信号测频方法以及锁相放大器 |
| CN114584069B (zh) * | 2022-05-05 | 2022-08-05 | 华中科技大学 | 一种光伏直流电弧检测方法及*** |
| CN114755546B (zh) * | 2022-06-14 | 2022-08-26 | 锦浪科技股份有限公司 | 一种光伏***直流故障电弧的检测方法、装置及光伏*** |
| CN114880627B (zh) * | 2022-07-08 | 2022-09-23 | 西南交通大学 | 一种基于迭代解调时变滤波的自适应瞬时频率估计方法 |
| CN115144182B (zh) * | 2022-09-01 | 2023-01-17 | 杭州景业智能科技股份有限公司 | 轴承健康状态监测方法、装置、计算机设备及存储介质 |
| CN115293303B (zh) * | 2022-10-10 | 2023-01-24 | 广东电网有限责任公司中山供电局 | 一种高压输电线网监测方法、***、设备和介质 |
| CN116132485B (zh) * | 2023-04-04 | 2023-08-11 | 广州极联智能科技有限公司 | 一种智能化项目快捷调试部署方法及*** |
| CN117763399B (zh) * | 2024-02-21 | 2024-05-14 | 电子科技大学 | 一种自适应变长信号输入的神经网络分类方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106154120A (zh) * | 2015-03-25 | 2016-11-23 | 台达电子企业管理（上海）有限公司 | 光伏逆变器的电弧故障检测方法、装置及光伏逆变器 |
| CN107086855A (zh) * | 2017-04-25 | 2017-08-22 | 西安交通大学 | 一种机器学习融合多时频特征的光伏***故障电弧检测方法 |
| CN107154783A (zh) * | 2017-04-18 | 2017-09-12 | 西安交通大学 | 应用独立成分分析和s变换检测***过程耦合情况下光伏***故障电弧的方法 |
| CN107181460A (zh) * | 2016-03-09 | 2017-09-19 | 上海英孚特电子技术有限公司 | 一种光伏***电弧故障检测方法 |
| CN107294494A (zh) * | 2017-07-03 | 2017-10-24 | 上海岩芯电子科技有限公司 | 光伏***直流侧电弧故障检测装置及其检测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8547669B2 (en) * | 2011-01-12 | 2013-10-01 | Schneider Electric USA, Inc. | Arc fault mitigation for photovoltaic systems |
| US9945894B2 (en) * | 2012-02-29 | 2018-04-17 | Innovative Scientific Solutions, Inc. | Arc fault detection |
| US9025287B2 (en) * | 2012-12-19 | 2015-05-05 | Stmicroelectronics S.R.L. | Arc fault detection equipment and method using low frequency harmonic current analysis |
| CN106443297B (zh) * | 2016-09-07 | 2018-05-22 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
-
2018
- 2018-10-29 CN CN201811269779.1A patent/CN109560770B/zh active Active
- 2018-12-29 US US16/629,033 patent/US11489490B2/en active Active
- 2018-12-29 WO PCT/CN2018/125440 patent/WO2020087752A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106154120A (zh) * | 2015-03-25 | 2016-11-23 | 台达电子企业管理（上海）有限公司 | 光伏逆变器的电弧故障检测方法、装置及光伏逆变器 |
| CN107181460A (zh) * | 2016-03-09 | 2017-09-19 | 上海英孚特电子技术有限公司 | 一种光伏***电弧故障检测方法 |
| CN107154783A (zh) * | 2017-04-18 | 2017-09-12 | 西安交通大学 | 应用独立成分分析和s变换检测***过程耦合情况下光伏***故障电弧的方法 |
| CN107086855A (zh) * | 2017-04-25 | 2017-08-22 | 西安交通大学 | 一种机器学习融合多时频特征的光伏***故障电弧检测方法 |
| CN107294494A (zh) * | 2017-07-03 | 2017-10-24 | 上海岩芯电子科技有限公司 | 光伏***直流侧电弧故障检测装置及其检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109560770A (zh) | 2019-04-02 |
| WO2020087752A1 (zh) | 2020-05-07 |
| US20210036656A1 (en) | 2021-02-04 |
| US11489490B2 (en) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109560770B (zh) | 基于自适应核函数和瞬时频率估计的光伏***故障电弧检测方法 | |
| CN110221200B (zh) | 一种基于深度学习的万能式断路器附件故障诊断方法 | |
| US20230160942A1 (en) | Fault arc signal detection method using convolutional neural network | |
| CN101673934B (zh) | 串联电弧故障断路器及其串联电弧故障保护的方法 | |
| WO2020015277A1 (zh) | 一种基于全景信息的弧光故障识别装置及方法 | |
| EP1939995A2 (en) | Methods and systems for detecting series arcs in electrical systems | |
| CN110007197B (zh) | 串联电弧故障检测***及检测方法 | |
| Bhui et al. | Application of recurrence quantification analysis to power system dynamic studies | |
| CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
| CN112183628B (zh) | 基于多种线性时频变换的交流电弧故障检测方法及*** | |
| CN112731087B (zh) | 用于光伏领域的故障电弧检测***及检测方法 | |
| CN115048985B (zh) | 一种电气设备故障判别方法 | |
| CN104237777A (zh) | 基于核主元分析的支持向量机高压断路器故障诊断方法 | |
| CN110398669A (zh) | 电弧故障检测方法 | |
| CN112924750B (zh) | 故障电弧检测方法及*** | |
| Fatama et al. | A multi feature based islanding classification technique for distributed generation systems | |
| CN113376474A (zh) | 一种基于广义s变换的神经网络故障电弧识别***及方法 | |
| CN113866572B (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 | |
| Zhang et al. | Incipient fault identification of distribution networks based on feature matching of power disturbance data | |
| CN113297786B (zh) | 一种基于半监督式机器学习的低压故障电弧感知方法 | |
| CN109635430B (zh) | 电网输电线路暂态信号监测方法和*** | |
| CN104198893B (zh) | 自适应故障电流检测方法 | |
| CN104062555B (zh) | 配电线路高阻接地故障特征谐波的辨识方法 | |
| CN114062880B (zh) | 基于自适应信号处理及cart树集成学习的直流故障电弧检测方法 | |
| Fan et al. | Research on partial discharge identification of power transformer based on chaotic characteristics extracted by GP algorithm |
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 |