CN110568327B - 一种基于机器学习的光伏***直流故障电弧检测方法 - Google Patents
一种基于机器学习的光伏***直流故障电弧检测方法 Download PDFInfo
- Publication number
- CN110568327B CN110568327B CN201910826133.7A CN201910826133A CN110568327B CN 110568327 B CN110568327 B CN 110568327B CN 201910826133 A CN201910826133 A CN 201910826133A CN 110568327 B CN110568327 B CN 110568327B
- Authority
- CN
- China
- Prior art keywords
- current
- fault arc
- time
- photovoltaic system
- direct
- 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 42
- 238000010801 machine learning Methods 0.000 title claims abstract description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 2
- 238000007477 logistic regression Methods 0.000 claims 2
- 238000004904 shortening Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 2
- 238000010891 electric arc Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001681 protective effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Photovoltaic Devices (AREA)
- Inverter Devices (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明属于光伏电气故障检测领域,具体为一种基于机器学习训练的光伏***直流故障电弧检测方法。该方法包括以下步骤:逆变器采集光伏***直流侧的实时电流信号;分析得到其频域特征和时域特征;通过三种模型判断故障电弧是否发生;如果判定光伏***产生了直流故障电弧,则启动报警机制。本发明采用基于机器学习的检测算法可以提高检测准确性,小电流和大电流情况下均实用;也能避免阈值设定不能适应所有情况带来的误检操作,有效降低误检率。
Description
技术领域
本发明属于光伏电气故障检测领域,具体涉及一种基于机器学习的光伏***直流故障电弧检测方法。
背景技术
电弧是一种气体放电现象,指电流通过某些绝缘介质(例如空气)所产生的瞬间火花,是一种气体放电现象。弧光放电是一种自持放电,区别于其他类型放电的特征是弧光放电的维持电压很低。目前很难给弧光放电下一个严格的定义,单纯从放电的电特性来说,弧光放电是一种阴极位降低,电流密度大的放电,一般来说具有负的伏安特性。
在光伏***中,故障电弧一旦产生,若不采取及时有效的防护措施,持续的直流电弧会产生3000℃以上的高温,进而引发火灾。近年来欧美陆续发生多起由故障电弧引发的火灾事故,造成程度不一的设备损坏。2011年美国电工法规(NEC)规定光伏***中应配备检测故障电弧的检测装置与断路器。美国保险商实验室(UL)也推出相应的开发测试方法与机制。
目前多数研究者提出的检测方法针对电弧的特性进行被动检测,其缺点在于在一些大电流情况下,电弧特征表现不是很明显,容易造成误检。误检一旦出现就会造成整个光伏***的停运,带来不必要的损失。
发明内容
本发明的目的在于提出一种电弧特征表现明显,不易造成误检的基于机器学习的光伏***直流故障电弧检测方法。
本发明提出的一种基于机器学习的光伏***直流故障电弧检测方法,所述检测方法通过光伏***实现;所述光伏***包括光伏阵列、汇流箱、逆变器和交流电网;所述光伏阵列的输出端连接汇流箱的输入端,汇流箱的输出端连接逆变器的输入端,逆变器的输出端连接交流电网,所述汇流箱和逆变器所连电路之间设有电流采集装置,所述光伏阵列与汇流箱之间设有开关;所述检测方法包括以下步骤:
(1):逆变器通过电流采集装置采集光伏***直流侧的光伏阵列所得到的实时电流信号;采样时间为T1秒,相邻两次采样之间的间隔时间为T2秒;
(2):对步骤(1)采集得到的实时电流信号进行分析,得到其频域特征和时域特征;
当所述时域特征表现为直流故障电弧发生时,电流方差a2会突然增大,增大的程度由具体的光伏***配置参数而定;电流方差a2的计算公式为式中,a2为电流方差,Ai为采样电流值,a1为电流平均值,N为采样个数;
当所述频域特征表现为直流故障电弧发生时,特定频段fa-fb下,小波分解的小波系数的方差a3会突然增大,增大的程度由具体的光伏***功率水平决定;方差a3的计算公式为式中,a3为方差,di为电流信号小波分解后的系数,为N个采样个数的平均值,N为采样个数;fa为选定频段区间的下限,fb为选定频段区间的上限;
当所述频域特征表现为直流故障电弧发生时,特定频段fa-fb下,小波分解的小波系数的能量a4会突然增大,增大的程度由具体的光伏***功率水平决定;能量a4的计算公式为a4=d2,式中,d为特定频段下小波分解的系数。fa为选定频段区间的下限,fb为选定频段区间的上限;
当所述频域特征表现为直流故障电弧发生时,特定频段fa-fb下,小波分解的小波系数d的极大值减平均值的绝对值a5会突然增大,增大的程度由具体的光伏***功率水平决定;绝对值a5的计算公式为式中,dmax为特定频段下小波分解系数的极大值,为特定频段下小波分解的系数平均值;fa为选定频段区间的下限,fb为选定频段区间的上限;
(3):使用步骤(2)中故障电弧特性的时频特征和时域特征分别在随机森林、支持向量机和决策树3种模型识别是否发生了直流故障电弧。读取Flag1值,计算Flag值。
(3.1)如果flag=0;判定本次检测直流故障电弧没有发生。
(3.2)如果flag=1;判定本次检测直流故障电弧有可能发生,采样时间缩短。
(3.3)如果flag=2;判定本次检测直流故障电弧发生。
(4):如果步骤(3)判定光伏***产生了直流故障电弧,Flag+1,并进行判断:
(4.1)如果此时Flag=2;判定直流故障电弧发生。断路器动作,断开电路,并发出警报信息。
(4.2)如果此时Flag=1;延时200ms进行下一次检测。
如果没有检测到直流故障电弧发生,仍然对Flag的值进行判断:
(4.3)如果此时Flag=1;对Flag1置1,存储Flag1的值等待下一次检测;
如果此时Flag=0;对Flag1清0,等待下一次检测。
本发明中,通过在光伏***的汇流箱与逆变器之间设有的电流采集装置为串入线圈感应式实时电流采集装置,其用于实现步骤(1)中所述的采集光伏***直流侧的实时电流信号。
相比于现有技术,本发明的有益效果在于:
(1)采用基于机器学习的检测方式可以提高检测准确性,小电流和大电流情况下均实用;
(2)可以适应光伏***实际运行时的多种情况,降低误检率。
附图说明
图1是检测光伏***直流故障电弧的实时电流采集位置示意图。
图2是基于机器学习检测的光伏***直流故障电弧检测方法的步骤流程图。
图中标号:1为光伏阵列、2为汇流箱、3为逆变器、4为交流电网、5为实时电流采集装置。
具体实施方式
下面以具体实施例结合附图对本发明做详细说明,此示意图以及说明仅用来解释发明,但并不作为对本发明的限定。
实施例1:
本实例以某10kW屋顶光伏电站实验数据为例来进行光伏直流故障电弧检测。
如图1所示,光伏阵列1输出直流电流,多条直流支路在汇流箱2中并联汇流,将总的直流电流输入逆变器3中,逆变器将直流电转变为交流电输送至交流电网4,同时由逆变器控制发出检测信号。
如图2所示,本发明提出了一种基于机器学习检测的光伏***直流故障电弧检测方法,主要采用以下的技术方案判定光伏***是否存在直流故障电弧,其具体步骤如下:
(1):采集光伏***直流侧的光伏阵列所得到的实时电流信号;采样时间为0.1秒,两次采样之间的间隔时间为0.5秒。读取Flag1值,计算Flag值。
(2):对步骤(2)采集得到的实时电流信号进行分析,计算时频域特征。
4)特征值4:40kHz-80kHz频段下,小波分解的小波系数的能量a4,计算公式为a4=d2,式中,d为下小波分解的系数。
5)特征值5:40kHz-80kHz频段下,小波分解的小波系数d的极大值减平均值的绝对值,计算公式为式中,dmax为频段40kHz-80kHz下小波分解系数的极大值,为频段40kHz-80kHz下小波分解的系数平均值。
计算结果如下表1所示。
表1故障电流和正常电流实例计算结果
电弧电流 | 正常电流 | |
特征值1 | 4.0891 | 4.4271 |
特征值2 | 0.0024 | 0.0015 |
特征值3 | 2.98E-04 | 2.78E-04 |
特征值4 | 0.3768 | 0.3521 |
特征值5 | 0.0776 | 0.0543 |
(3):使用步骤(2)中故障电弧特性的时频特征和时域特征分别在随机森林、支持向量机和决策树3种模型识别是否发生了直流故障电弧。读取Flag1值,计算Flag值。
1.如果flag=0;判定本次检测直流故障电弧没有发生。
2.如果flag=1;判定本次检测直流故障电弧有可能发生,采样时间缩短。
3.如果flag=2;判定本次检测直流故障电弧发生。
(4):如果步骤(3)判定光伏***产生了直流故障电弧,Flag+1,并进行判断:
1.如果此时Flag=2;判定直流故障电弧发生。断路器动作,断开电路,并发出警报信息。
2.如果此时Flag=1;延时200ms进行下一次检测。
如果没有检测到直流故障电弧发生,仍然对Flag的值进行判断:
1.如果此时Flag=1;对Flag1置1,存储Flag1的值等待下一次检测。
2.如果此时Flag=0;对Flag1清0,等待下一次检测。
Claims (2)
1.一种基于机器学习的光伏***直流故障电弧检测方法,其特征在于,所述检测方法通过光伏***实现;所述光伏***包括光伏阵列、汇流箱、逆变器和交流电网;所述光伏阵列的输出端连接汇流箱的输入端,汇流箱的输出端连接逆变器的输入端,逆变器的输出端连接交流电网,所述汇流箱和逆变器所连电路之间设有电流采集装置,所述光伏阵列与汇流箱之间设有开关;所述检测方法包括以下步骤:
(1):逆变器通过电流采集装置采集光伏***直流侧的光伏阵列所得到的实时电流信号;采样时间为T1秒,相邻两次采样之间的间隔时间为T2秒;
(2):对步骤(1)采集得到的实时电流信号进行分析,得到其频域特征和时域特征;
当所述时域特征表现为直流故障电弧发生时,电流方差a2会突然增大,增大的程度由具体的光伏***配置参数而定;电流方差a2的计算公式为式中,a2为电流方差,Ai为采样电流值,a1为电流平均值,N为采样个数;
当所述频域特征表现为直流故障电弧发生时,特定频段fa-fb下,小波分解的小波系数的方差a3会突然增大,增大的程度由具体的光伏***功率水平决定;方差a3的计算公式为式中,a3为方差,di为电流信号小波分解后的系数,为特定频段下小波分解的系数平均值,N为采样个数;fa为选定频段区间的下限,fb为选定频段区间的上限;
当所述频域特征表现为直流故障电弧发生时,特定频段fa-fb下,小波分解的小波系数的能量a4会突然增大,增大的程度由具体的光伏***功率水平决定;能量a4的计算公式为a4=d2,式中,d为特定频段下小波分解的系数;fa为选定频段区间的下限,fb为选定频段区间的上限;
当所述频域特征表现为直流故障电弧发生时,特定频段fa-fb下,小波分解的小波系数d的极大值减平均值的绝对值a5会突然增大,增大的程度由具体的光伏***功率水平决定;绝对值a5的计算公式为式中,dmax为特定频段下小波分解系数的极大值,为特定频段下小波分解的系数平均值,fa为选定频段区间的下限,fb为选定频段区间的上限;
(3):使用步骤(2)中故障电弧特性的频域 特征和时域特征分别在随机森林、支持向量机和逻辑回归3种模型识别是否发生了直流故障电弧;支持向量机模型识别结果为FlagA,随机森林模型识别结果为FlagB,逻辑回归模型识别结果为FlagC,flag=FlagA+FlagB+FlagC;
(3.1)如果flag=0;判定本次检测直流故障电弧没有发生;
(3.2)如果flag=1;判定本次检测直流故障电弧有可能发生,采样时间缩短;
(3.3)如果flag=2;判定本次检测直流故障电弧发生;
(4):如果步骤(3)判定光伏***产生了直流故障电弧,Flag+1,并进行判断:
(4.1)如果此时Flag=2;判定直流故障电弧发生;断路器动作,断开电路,并发出警报信息;
(4.2)如果此时Flag=1;延时200ms进行下一次检测;
如果没有检测到直流故障电弧发生,仍然对Flag的值进行判断:
(4.3)如果此时Flag=1;对Flag1置1,存储Flag1的值等待下一次检测;
如果此时Flag=0;对Flag1清0,等待下一次检测。
2.根据权利要求1所述的基于机器学习的光伏***直流故障电弧检测方法,其特征在于,在光伏***的汇流箱与逆变器之间设有的电流采集装置为串入线圈感应式实时电流采集装置,其用于实现步骤(1)中所述的采集光伏***直流侧的实时电流信号。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910826133.7A CN110568327B (zh) | 2019-09-03 | 2019-09-03 | 一种基于机器学习的光伏***直流故障电弧检测方法 |
PCT/CN2020/111017 WO2021043027A1 (zh) | 2019-09-03 | 2020-08-25 | 一种基于机器学习的光伏***直流故障电弧检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910826133.7A CN110568327B (zh) | 2019-09-03 | 2019-09-03 | 一种基于机器学习的光伏***直流故障电弧检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110568327A CN110568327A (zh) | 2019-12-13 |
CN110568327B true CN110568327B (zh) | 2021-08-20 |
Family
ID=68777463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910826133.7A Active CN110568327B (zh) | 2019-09-03 | 2019-09-03 | 一种基于机器学习的光伏***直流故障电弧检测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110568327B (zh) |
WO (1) | WO2021043027A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110568327B (zh) * | 2019-09-03 | 2021-08-20 | 复旦大学 | 一种基于机器学习的光伏***直流故障电弧检测方法 |
CN111245365B (zh) * | 2020-01-09 | 2020-12-15 | 南京工业大学 | 基于动态加权深度森林的光伏组件故障诊断方法 |
CN112305308B (zh) * | 2020-10-21 | 2023-08-11 | 阳光电源股份有限公司 | 一种直流电弧检测方法、装置及组串逆变器 |
CN113253063A (zh) * | 2020-10-29 | 2021-08-13 | 诸暨市迪朗物联科技有限公司 | 基于长短时记忆网络深度学习的故障电弧检测***及方法 |
CN112462176B (zh) * | 2020-11-13 | 2022-06-28 | 丰郅(上海)新能源科技有限公司 | 支持检测光伏***直流电弧故障的装置及方法 |
CN112904156A (zh) * | 2021-01-19 | 2021-06-04 | 重庆邮电大学 | 一种基于频域分类的故障电弧检测方法 |
CN113514724A (zh) * | 2021-07-15 | 2021-10-19 | 阳光电源股份有限公司 | 光伏***及其电弧检测方法、装置 |
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*** |
CN115616364B (zh) * | 2022-12-16 | 2023-03-17 | 中国科学技术大学先进技术研究院 | 故障电弧检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245897A (zh) * | 2013-05-02 | 2013-08-14 | 复旦大学 | 一种使用多重判据的光伏***直流故障电弧检测方法 |
CN107064752A (zh) * | 2017-03-22 | 2017-08-18 | 北京航空航天大学 | 一种航空故障电弧检测的判别算法 |
CN108075728A (zh) * | 2016-11-15 | 2018-05-25 | 上海英孚特电子技术有限公司 | 一种光伏***直流侧电弧故障类型辨识及保护装置 |
CN108362981A (zh) * | 2018-01-09 | 2018-08-03 | 复旦大学 | 一种主/被动检测结合的光伏***直流故障电弧检测方法 |
CN109239517A (zh) * | 2018-09-12 | 2019-01-18 | 国网青海省电力公司电力科学研究院 | 一种新的光伏***直流电弧故障及类型的辨识方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102331543B (zh) * | 2011-06-23 | 2013-11-13 | 上海市安全生产科学研究所 | 基于支持向量机的故障电弧检测方法 |
CN105403816A (zh) * | 2015-10-30 | 2016-03-16 | 国家电网公司 | 一种光伏***直流故障电弧的识别方法 |
CN107086855B (zh) * | 2017-04-25 | 2018-10-30 | 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 |
US10790779B2 (en) * | 2017-06-05 | 2020-09-29 | The Texas A&M University System | Systems and methods for determining arc events using wavelet decomposition and support vector machines |
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***直流电弧故障特征提取和识别方法及装置 |
CN108508297B (zh) * | 2018-04-04 | 2020-12-15 | 杭州家和物联技术有限公司 | 一种基于突变系数和svm的故障电弧检测方法 |
CN110568327B (zh) * | 2019-09-03 | 2021-08-20 | 复旦大学 | 一种基于机器学习的光伏***直流故障电弧检测方法 |
-
2019
- 2019-09-03 CN CN201910826133.7A patent/CN110568327B/zh active Active
-
2020
- 2020-08-25 WO PCT/CN2020/111017 patent/WO2021043027A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245897A (zh) * | 2013-05-02 | 2013-08-14 | 复旦大学 | 一种使用多重判据的光伏***直流故障电弧检测方法 |
CN108075728A (zh) * | 2016-11-15 | 2018-05-25 | 上海英孚特电子技术有限公司 | 一种光伏***直流侧电弧故障类型辨识及保护装置 |
CN107064752A (zh) * | 2017-03-22 | 2017-08-18 | 北京航空航天大学 | 一种航空故障电弧检测的判别算法 |
CN108362981A (zh) * | 2018-01-09 | 2018-08-03 | 复旦大学 | 一种主/被动检测结合的光伏***直流故障电弧检测方法 |
CN109239517A (zh) * | 2018-09-12 | 2019-01-18 | 国网青海省电力公司电力科学研究院 | 一种新的光伏***直流电弧故障及类型的辨识方法 |
Non-Patent Citations (10)
Title |
---|
A Novel Arc Fault Detection Method Integrated Random Forest, Improved Multi-scale Permutation Entropy and Wavelet Packet Transform;Zhendong Yin 等;《Electronics》;20190402;第1-26页 * |
An innovative photovoltaic DC arc fault detection method through multiple criteria algorithm based on a new arc initiation method;Yuan Gao 等;《2014 IEEE 40th Photovoltaic Specialist Conference (PVSC)》;20141016;第3188-3192页 * |
Diagnosis of Series DC Arc Faults—A Machine Learning Approach;Rory David Telford 等;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;20170831;第13卷(第4期);第1598-1609页 * |
Series Arc Fault Identification for Photovoltaic System Based on Time-Domain and Time-Frequency-Domain Analysis;Silei Chen 等;《IEEE JOURNAL OF PHOTOVOLTAICS》;20170731;第7卷(第4期);第1105-1114页 * |
光伏直流电弧故障检测方法研究综述;王尧 等;《电器与能效管理技术》;20181231;第1-6、37页 * |
光伏***直流电弧故障特征及检测方法研究;牟龙华 等;《中国电机工程学报》;20161005;第36卷(第19期);第5236-5244页 * |
基于多维特征量的航空串联故障电弧检测;崔芮华 等;《科学技术与工程》;20170531;第17卷(第13期);第38-43段 * |
基于机器学习方法的直流电弧故障检测;丁鑫 等;《传感器与微***》;20171231;第36卷(第11期);第123-127页 * |
基于随机森林的电气火灾故障电弧识别方法研究;孙超 等;《通信电源技术》;20190825;第36卷(第8期);第14-16、21页 * |
基于频域能量和小波系数方差的光伏***故障电弧判断方法;韩明 等;《合肥工业大学学报》;20170831;第40卷(第8期);第1070-1073页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110568327A (zh) | 2019-12-13 |
WO2021043027A1 (zh) | 2021-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568327B (zh) | 一种基于机器学习的光伏***直流故障电弧检测方法 | |
CN108362981B (zh) | 一种主/被动检测结合的光伏***直流故障电弧检测方法 | |
Yi et al. | Line-to-line fault detection for photovoltaic arrays based on multiresolution signal decomposition and two-stage support vector machine | |
CN107340459B (zh) | 一种直流故障电弧检测方法及*** | |
WO2020015277A1 (zh) | 一种基于全景信息的弧光故障识别装置及方法 | |
CN102288857B (zh) | 一种故障电弧的辨识检测方法及其检测保护装置 | |
CN102809718A (zh) | 一种gis超高频局部放电信号识别方法 | |
CN102135555B (zh) | 低压***串联电弧故障识别方法 | |
CN210111945U (zh) | 光伏***直流侧电弧故障检测*** | |
CN114584069B (zh) | 一种光伏直流电弧检测方法及*** | |
CN105510760A (zh) | 一种基于小波分析的短路故障数据检测方法 | |
CN112904156A (zh) | 一种基于频域分类的故障电弧检测方法 | |
CN103163353B (zh) | 基于电流波形相空间重构和分形理论的电弧故障检测方法 | |
GB2375244A (en) | Arc fault detection system | |
CN116819250A (zh) | 一种对于光伏***中故障电弧的探测方法 | |
CN115808600B (zh) | 基于数学形态学和模式识别的直流电弧检测方法 | |
CN112198400A (zh) | 基于频谱感知特性的高压开关柜局部放电在线检测方法 | |
CN110568300B (zh) | 一种基于多源信息的配电网单相接地故障辨识方法 | |
CN116699282A (zh) | 一种基于多种信息提取的输配电线路异常检测方法 | |
CN113917294B (zh) | 基于小波分解的智能自适应电弧检测方法及其应用装置 | |
CN113514720B (zh) | 一种边缘侧低压交流串联的电弧故障识别方法 | |
KR102527458B1 (ko) | 태양광 발전 시스템의 화재예방을 위한 아크 이상 유무 판별 장치 | |
CN114441901A (zh) | 结合参数采集模块和智能插座的多负载故障电弧检测方法 | |
CN113514724A (zh) | 光伏***及其电弧检测方法、装置 | |
Kavi et al. | DC arc-fault detection in PV systems using multistage morphological fault detection 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 |