CN113094983A - 一种光伏***直流故障电弧多维时变特性的在线模拟方法 - Google Patents
一种光伏***直流故障电弧多维时变特性的在线模拟方法 Download PDFInfo
- Publication number
- CN113094983A CN113094983A CN202110333953.XA CN202110333953A CN113094983A CN 113094983 A CN113094983 A CN 113094983A CN 202110333953 A CN202110333953 A CN 202110333953A CN 113094983 A CN113094983 A CN 113094983A
- Authority
- CN
- China
- Prior art keywords
- fault arc
- direct
- model
- current
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004088 simulation Methods 0.000 title claims abstract description 57
- 238000010891 electric arc Methods 0.000 title description 2
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims description 35
- 238000007637 random forest analysis Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 238000010183 spectrum analysis Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000002485 combustion reaction Methods 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种光伏***直流故障电弧多维时变特性的在线模拟方法，经过U‑I模型模拟直流故障电弧的时域特性，经过粉红噪声模型模拟直流故障电弧的频域特性，构建滤波器对粉红噪声模型进行修正，并将两个模型进行叠加，得到用于多故障电弧特性同步模拟的静态光伏***直流故障电弧模型；在U‑I模型、粉红噪声模型中引入时间因素变量，进而分别建立在不同电弧燃烧演变过程中生弧间隙、回路电流等影响故障电弧特性关键参数与故障电弧时频特性之间的动态关联模型。本发明建立了具有多维时变故障电弧特性演变全过程表达功能的动静态光伏***直流故障电弧数学模型，实现了不同应用场景和***结构条件下故障电弧特性变化的有效模拟。
Description
技术领域
本发明属于光伏电气故障检测技术领域，具体涉及一种光伏***直流故障电弧多维时变特性的在线模拟方法。
背景技术
随着光伏、储能和电动汽车等大量接入配电网，电力电子化设备大幅增多，配用电***的直流化日益成为重要的发展方向。相比于交流***，直流综合能源***可以方便地实现可再生能源、直流和变频负荷的高效接入和灵活管理，并提供高效、安全的用电服务。
光伏***的内在组成使其容易出现接线松动、组件老化、绝缘损坏等问题，即光伏***中多个位置都可能出现故障电弧，导致光伏电弧故障比其他类型的直流电弧故障发生的频率更高。光伏***长期运行过程中故障电弧引发的用电安全问题危及光伏***和电力***的正常运行。并且随着光伏***电压等级不断提高、接线形式日益复杂，导致故障电弧的发生概率增加。因此，及时检测故障电弧和灭弧具有十分重要的意义。然而，与广泛开展的交流故障电弧研究相比，直流故障电弧的相关研究还存在很多问题，例如，缺乏能够实现多维故障电弧特性演变全过程表达功能的动态光伏***直流故障电弧模型，限制了故障电弧检测算法的开发，也不利于深入研究不同应用场景和***结构条件下故障电弧特性变化机理，以及高性能光伏***直流故障电弧检测装置的研制。
常用的粉红噪声的生成方法主要有：Paul Kellet的加权和滤波器法、RobertBristow-Johnson的零极点滤波器法、Voss算法。Paul Kellet的加权和滤波器法是目前性能最佳的方法，但是计算量大、计算过程十分复杂。Robert Bristow-Johnson的零极点滤波器法的计算量较大、计算过程复杂，且拟合效果差。Voss算法虽然计算量少、过程简单，但是实现性能极差，与理想粉红噪声存在极大的偏差。同时，粉红噪声以往在用于仿真某一时段的故障电弧频谱分布时，无法清晰描绘频谱随着时间变化的波动。
发明内容
本发明的目的在于提供一种光伏***直流故障电弧多维时变特性的在线模拟方法。
为达到上述目的，本发明采用了以下技术方案：
该故障电弧模拟方法包括以下步骤：
1)建立光伏***仿真模型，该仿真模型包括位于相应光伏***的光伏阵列输出端的受控电流源模块，所述受控电流源模块选自以下直流故障电弧模型中的任意一种：
直流故障电弧模型一：采用U-I模型，模拟直流故障电弧的静态时域特性；
直流故障电弧模型二：采用粉红噪声模型，模拟直流故障电弧的静态频域特性；
直流故障电弧模型三：通过将模型一和模型二叠加，同步静态模拟光伏***直流故障电弧的多维故障电弧特性；
直流故障电弧模型四：通过在模型三的各叠加部分(模型一、模型二)中引入时间因素变量，同步动态模拟光伏***直流故障电弧的多维故障电弧时变特性；
2)利用在不同应用场景和/或***结构条件下的直流故障电弧实验数据对U-I模型进行参数拟合，并对粉红噪声模型进行参数整定；
3)运行所述仿真模型，并进行故障电弧特性演变的全过程模拟。
优选的，所述U-I模型表示为：
其中，A、B、C、D为取决于实验条件的电弧常数(可以通过拟合获得)，L为生弧间隙(单位为mm)，Varc为故障电弧电压(单位为V)，Iarc为故障电弧电流(单位为A)。
优选的，所述A、B、C、D分别为29.4～36.25、0.19～0.25、11.77～13.811、0.019～0.030。
优选的，所述A、B、C、D是利用一定生弧间隙下实验测得的故障电弧电流以及故障电弧电压数据进行拟合而得到。
优选的，所述粉红噪声模型的构建方法包括以下步骤：通过数字滤波器将白噪声转化为粉红噪声。
优选的，所述数字滤波器的传递函数表示为：
本发明采用的7阶传递函数，计算过程简单，且与理想粉红噪声拟合度更高。
优选的，所述粉红噪声模型的构建方法还包括以下步骤：分析所述实验数据中的直流故障电弧电流的频谱特征，根据分析结果对粉红噪声进行修正。
优选的，所述粉红噪声模型中，采用低通滤波器、高通滤波器或相级联的低通滤波器和高通滤波器进行修正，使修正后的粉红噪声形成与所述直流故障电弧电流的频谱特征相吻合的故障电弧噪声分布形态。
优选的，所述低通滤波器及高通滤波器选自巴特沃斯滤波器。
优选的，所述U-I模型中引入时间因素变量的方法包括以下步骤：将生弧间隙L构建为时间t的函数，该函数表示为：
其中，v为分离速度(单位为mm/s)，t0为分离到最大生弧间隙所需的时间，Lmax为最大生弧间隙，所述函数作为模型一(U-I模型)与时间因素变量的关联模型，也可以在不同应用场景和/或***结构条件下进行参数(v、Lmax)整定。
优选的，所述粉红噪声模型中引入时间因素变量的方法包括以下步骤：对直流故障电弧频谱的N个频段上随时间变化的频谱特征值输出分别建立随机森林模型，并将各频段上所建立的随机森林模型进行训练后共同构成一定时间窗下故障电弧电流频谱预测结果的全频段分布整体模型。引入粉红噪声模型的时间因素变量是指利用机器学习的方法确定了全频段频谱特征幅值随时间变化的趋势，使得粉红噪声确定的频谱幅值可随着时间准确变化，较好地反映故障电弧时频信息，获取更清晰、精细的故障电弧特征。
优选的，所述随机森林模型的训练包括以下步骤：将0-100kHz细化(例如，平均划分)为N个小频段，以每个时间窗内的电流值、生弧间隙作为样本特征量(其中，电流值为***回路电流值，生弧间隙会影响后续机器学***均预测准确率不低于80％。所述随机森林模型作为模型二(粉红噪声模型)与时间因素变量的关联模型，也可以在不同应用场景和/或***结构条件下进行参数整定。
优选的，所述N为8～12(例如，10)，使得故障电弧频谱的刻画更为精细准确；与此对应的时间窗为1～4ms(例如，3ms)。
本发明的有益效果体现在：
1)该方法能有效地模拟故障电弧的时域特性：电弧电压和电弧电流随时间的变化。通过将建立的故障电弧模型引入光伏***中进行仿真模拟，能够反映不同电弧燃烧演变过程中生弧间隙、回路电流等关键参数对故障电弧电气参数的影响，由此建立故障电弧时域特性的标准化仿真模型，用以揭示直流***中故障电弧电压和电流等关键电气参数的状态变化规律。
2)该方法能有效地模拟故障电弧的频域特性：故障电弧的频谱特征。通过构建粉红噪声模型，并利用低通和高通滤波器对构建的粉红噪声模型进行修正，得到故障电弧的频域模型，能够正确模拟不同工况下故障电弧的频谱特征，由此建立故障电弧频域特性的标准化仿真模型，用以揭示直流***中故障电弧频域特征的变化规律。
3)该方法具有广泛的适用性，通过在在U-I模型中引入时间因素变量，基于训练后的随机森林模型向粉红噪声模型中引入时间因素变量，构建实现多维故障电弧特性演变全过程的动态光伏***直流故障电弧模型，能够正确模拟不同因素影响下故障电弧的时变特征，进而提出故障电弧在线模拟方法，通过改变构建的模型参数，实现不同工况下故障电弧的有效模拟，由此实现光伏***内直流故障电弧演变全过程的在线模拟，从而通过揭示不同应用场景和***结构条件下故障电弧特性变化机理，为高性能光伏***直流故障电弧检测装置研制提供了有效灵敏度验证的仿真技术手段。
附图说明
图1为实施例中构建的光伏***直流故障电弧多维时变特性在线模拟***的结构框图；其中，Discrete代表离散时间仿真(一步的仿真时间为1e-6s，即仿真频率为1MHz)。
图2为图1所示在线模拟***中故障电弧模型的结构图。
图3为光伏***直流故障电压、电流的仿真和实验结果对比图。
图4为所构建的粉红噪声模型的频谱分析图。
图5a为光伏***直流故障电弧噪声的仿真和实验结果对比图(欧姆尼克逆变器：Omniksol-20k-TL2)。
图5b为光伏***直流故障电弧噪声的仿真和实验结果对比图(固拓逆变器：GW8000-DT)。
图6a为故障电弧电流波形在10-20kHz频段内随时间变化的仿真频谱与实际频谱对比图。
图6b为故障电弧电流波形在0-100kHz内不同频段上仿真频谱与实际频谱的预测准确率结果图。
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。
本发明通过融合多个直流故障电弧模型，准确模拟光伏***内多种直流故障电弧特性，实现光伏***内直流故障电弧演变全过程的在线模拟，为高性能光伏***直流故障电弧检测装置研制提供了有效的灵敏度验证仿真技术手段。由此解决了不同应用场景和***结构条件下故障电弧特性变化机理的深入研究问题。
参见图1，本发明的光伏***直流故障电弧多维时变特性的在线模拟***整体组成包括光伏阵列、故障电弧模型、MPPT控制器、BOOST变换器、逆变器、变压器及交流电网。其中，光伏阵列的输出可通过调节温度和光照强度来调节。
在线模拟举例：在matlab中设置为离散时间的仿真，一步的仿真时间为1e-6s，即仿真频率为1MHz。光伏阵列为电流源，产生主回路电流，可由温度和光照强度控制光伏阵列输出的电流大小。MPPT控制器使得光伏阵列工作在最大功率点，以获得最大的效率。BOOST变换器将光伏阵列输出的电压进行升压，再通过逆变器将直流电逆变为交流电后并入交流电网。故障电弧模型串联进入线路母线中，通过受控电流源(Controlled Current Source)的形式来控制回路中电流的变化。
上述故障电弧模型包括：构建一U-I模型模拟直流故障电弧的静态时域特性；构建一个以上通过滤波器修正的粉红噪声模型模拟直流故障电弧的静态频域特性；在上述U-I模型中引入时间因素变量，并基于训练后的随机森林模型向上述粉红噪声模型中引入时间因素变量，模拟光伏***直流故障电弧多维时变特性；由此实现光伏***内直流故障电弧演变全过程的在线模拟。
参见图2，用于光伏***直流故障电弧多维时变特性的在线模拟的故障电弧模型的构建具体包括以下步骤：
1)构建U-I模型，并利用实验测得的电弧电流、电弧电压等实验数据拟合获取U-I模型参数，模拟直流故障电弧的静态时域特性(例如，可实现直流故障电弧静态时域特性的在线模拟)。
所述U-I模型为：
其中，A、B、C、D为取决于实验条件的电弧常数，L为生弧间隙(单位为mm)，Varc为故障电弧电压(单位为V)，Iarc为故障电弧电流(单位为A)。
可以利用生弧间隙在0.8～6.4mm条件下实验测得的故障电弧电流、故障电弧电压数据对常数A、B、C、D进行拟合，拟合效果评价指标Adjusted R-square至少大于0.95认为模型中的拟合参数有效，A、B、C、D分别为32.83、0.22、12.79、0.024。
实验举例：设置故障电弧发生装置的生弧间隙为3.2mm，速度为2mm/s。利用电流传感器测量电弧电流，利用电压传感器测量电弧电压。当***正常工作时，启动故障电弧发生装置，则实验回路中产生相应0～3.2mm的故障电弧，记录此时的电弧电压和电弧电流，用于数据拟合。调整生弧间隙和***正常工作时的电流，可以获取不同电弧电流、生弧间隙，以及电弧电压的数据(参考文献：Time–Frequency Distribution Characteristic andModel Simulation of Photovoltaic Series Arc Fault With Power ElectronicEquipment)。
参见图3，在0-2.4s时，光伏***正常运行，没有故障电弧发生；在2.4秒时，故障电弧点燃，生弧间隙L以2mm/s的速度由0线性增大至3.2mm，形成3.2mm生弧间隙，4s后生弧间隙保持在3.2mm，电弧燃烧稳定。故障电弧发生时，电流急剧下降，电压急剧上升。随着生弧间隙的增大，电弧电流逐渐减小，电弧电压平稳增大。当生弧间隙达到设定的最大值，电弧电压和电流保持相对稳定。将仿真结果与试验结果的故障电弧电流和电压进行比较，结果表明，仿真的故障电弧电压和电流的变化与实验结果一致。
2)构建粉红噪声模型，用以模拟直流故障电弧的静态频域特性；所述粉红噪声模型的构建方法具体如下。
设计数字滤波器，其传递函数为：
通过设计的数字滤波器，将白噪声转化为粉红噪声。
参见图4，粉红噪声是以每倍频程下降3dB分布，可以看出构建的粉红噪声频谱分析图符合这一变化特性。
构建滤波器，并依据对实验获得的直流故障电弧电流分析所得频谱结果(实验频谱)调整滤波器参数，对上述粉红噪声进行修正。其中，构建的滤波器为：一个低通滤波器级联一个高通滤波器；利用低通滤波器对粉红噪声的低频特性进行修正，利用高通滤波器对粉红噪声的高频特性进行修正。
上述高、低通滤波器均为巴特沃斯滤波器，滤波器参数依据实验获取的故障电弧电流频谱分析结果进行调整。
参见图5a和图5b，利用构建的低通滤波器和高通滤波器对图4所示的粉红噪声频谱进行修正，经过修正后，通过对于在不同逆变器条件下发生的故障电弧波形的频谱分析，可以看出，经过低、高通滤波器对粉红噪声的修正，故障电弧的仿真频谱和实验频谱吻合度较高。
另外，若光伏***作用条件下的故障电弧电流频谱分析结果为双峰频谱形态，则将上述修正后的粉红噪声模型调整峰值频率和幅值(通过调整高低滤波器的参数)后进行级联，进而更加准确地模拟这一故障电弧噪声分布形态。例如，将两个经过高低通滤波器修正后的粉红噪声级联，其中，第一组高通滤波器参数：1阶、截止频率1～20kHz(例如，8kHz)；第一组低通滤波器参数：4阶、截止频率60～120kHz(例如，105kHz)；第二组高通滤波器参数：9阶、截止频率100～140kHz(例如，120kHz)；第二组低通滤波器参数：5阶、截止频率100～140kHz(120kHz)。
3)在U-I模型中引入时间因素变量，并基于训练后的随机森林模型向粉红噪声模型中引入时间因素变量，然后将这两个引入时间因素变量的模型进行叠加，形成光伏***直流故障电弧多特性模拟的动态数学模型，实现多维故障电弧特性演变的全过程表达功能。
在U-I模型中引入时间因素变量的方法为：将生弧间隙L构建为时间t的函数，根据美国保险商实验室(UL)制定的UL1699B标准，时间函数选为：
其中，v为分离速度(单位为mm/s)，t0为分离到最大生弧间隙所需的时间，Lmax为最大生弧间隙。
基于训练后的随机森林模型向粉红噪声模型中引入时间因素变量的方法为：
S1)将0-100kHz细化为N个(例如，N为10)小频段，使得故障电弧频谱的刻画更为准确，更好地对故障电弧频谱进行细致的模拟，与此对应时间窗为3ms。
S2)将每个时间窗作为一个样本，以每个时间窗内的电流值、生弧间隙作为样本特征量，将时间窗内电流的频谱分析结果作为样本标签构建数据库样本。选取样本的50％作为训练集，将训练集的特征与标签输入至模型中进行训练，将余下的50％数据作为测试集，根据测试集的预测结果与实际结果的比对效果得到已训练模型的预测准确率，调整随机森林模型参数使得训练模型在全频段上的平均预测准确率不低于80％。
S3)按照上述步骤S2对每个小频段上随时间变化的频谱特征值输出分别建立随机森林模型，最终综合N个小频段模型构成对应3ms故障电弧电流频谱预测结果的全频段分布整体模型，即构成整体预测模型组。
参见图6a和图6b，通过实时输入3ms时间窗内的电流仿真数据，可以输出该时间窗的频谱预测结果。可以看出本发明所建立的基于随机森林模型输出得到的电流频谱与实际频谱在不同频段均具有相同的变化趋势，且数值准确率较高，频谱输出较为准确。
总之，本发明涉及一种光伏***直流故障电弧多维时变特性的在线模拟方法。通过构建U-I模型模拟直流故障电弧的时域特性，构建滤波器修正的粉红噪声模型模拟直流故障电弧的频域特性，进一步在U-I模型中引入时间因素变量，并基于训练后的随机森林模型向粉红噪声模型中引入时间因素变量，从而实现光伏***直流故障电弧多维时变特性的在线模拟。通过改变构建的模型参数，能够在线输出故障电弧电气信号，实现不同工况下故障电弧多维特性演变全过程的有效表达，有助于揭示低压直流用电***不同源、荷类型及***工作电压等级对故障电弧电气特性的定性影响趋势。本发明通过光伏***内直流故障电弧演变全过程的在线模拟，有助于深入研究并揭示不同应用场景和***结构条件下故障电弧特性变化机理，从而为故障电弧检测算法的开发、高性能光伏***直流故障电弧检测装置的研制提供参考依据。
Claims (10)
1.一种光伏***直流故障电弧多维时变特性的在线模拟方法，其特征在于：包括以下步骤：
1)建立光伏***仿真模型，该仿真模型包括位于相应光伏***中的受控电流源模块，所述受控电流源模块选自以下直流故障电弧模型中的任意一种：
直流故障电弧模型一：采用U-I模型，模拟直流故障电弧的静态时域特性；
直流故障电弧模型二：采用粉红噪声模型，模拟直流故障电弧的静态频域特性；
直流故障电弧模型三：通过将模型一和模型二叠加，同步静态模拟光伏***直流故障电弧的多维故障电弧特性；
直流故障电弧模型四：通过在模型三的各叠加部分中引入时间因素变量，同步动态模拟光伏***直流故障电弧的多维故障电弧时变特性；
2)利用在不同应用场景和/或***结构条件下的直流故障电弧实验数据对U-I模型进行参数拟合；
3)运行所述仿真模型，并进行故障电弧特性演变的全过程模拟。
2.根据权利要求1所述一种光伏***直流故障电弧多维时变特性的在线模拟方法，其特征在于：所述U-I模型表示为：
其中，A、B、C、D为电弧常数，L为生弧间隙，Varc为故障电弧电压，Iarc为故障电弧电流。
3.根据权利要求2所述一种光伏***直流故障电弧多维时变特性的在线模拟方法，其特征在于：所述A、B、C、D分别为29.4～36.25、0.19～0.25、11.77～13.811、0.019～0.030。
4.根据权利要求1所述一种光伏***直流故障电弧多维时变特性的在线模拟方法，其特征在于：所述粉红噪声模型的构建方法包括以下步骤：通过数字滤波器将白噪声转化为粉红噪声。
5.根据权利要求4所述一种光伏***直流故障电弧多维时变特性的在线模拟方法，其特征在于：所述数字滤波器的传递函数表示为：
6.根据权利要求4所述一种光伏***直流故障电弧多维时变特性的在线模拟方法，其特征在于：所述粉红噪声模型的构建方法还包括以下步骤：分析所述实验数据中的直流故障电弧电流的频谱特征，根据分析结果对粉红噪声进行修正。
7.根据权利要求6所述一种光伏***直流故障电弧多维时变特性的在线模拟方法，其特征在于：所述粉红噪声模型中，采用低通滤波器和/或高通滤波器进行修正，使修正后的粉红噪声形成与所述直流故障电弧电流的频谱特征相吻合的故障电弧噪声分布形态。
8.根据权利要求1所述一种光伏***直流故障电弧多维时变特性的在线模拟方法，其特征在于：所述U-I模型中引入时间因素变量的方法包括以下步骤：将生弧间隙L构建为时间t的函数，该函数表示为：
其中，v为分离速度，t0为分离到最大生弧间隙所需的时间，Lmax为最大生弧间隙。
9.根据权利要求1所述一种光伏***直流故障电弧多维时变特性的在线模拟方法，其特征在于：所述粉红噪声模型中引入时间因素变量的方法包括以下步骤：对直流故障电弧频谱的N个频段上随时间变化的频谱特征值输出分别建立随机森林模型，并将各频段上所建立的随机森林模型进行训练后共同构成一定时间窗下故障电弧电流频谱预测结果的全频段分布整体模型。
10.根据权利要求9所述一种光伏***直流故障电弧多维时变特性的在线模拟方法，其特征在于：所述随机森林模型的训练包括以下步骤：将0-100kHz细化为N个小频段，以每个时间窗内的电流值、生弧间隙作为样本特征量，并以该时间窗内电流的频谱分析结果作为样本标签，构建针对单个小频段的训练集和测试集，训练过程中调整随机森林模型参数，使得训练模型在全频段上的平均预测准确率不低于80％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110333953.XA CN113094983B (zh) | 2021-03-29 | 2021-03-29 | 一种光伏***直流故障电弧多维时变特性的在线模拟方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110333953.XA CN113094983B (zh) | 2021-03-29 | 2021-03-29 | 一种光伏***直流故障电弧多维时变特性的在线模拟方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113094983A true CN113094983A (zh) | 2021-07-09 |
| CN113094983B CN113094983B (zh) | 2022-12-09 |
Family
ID=76670412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110333953.XA Active CN113094983B (zh) | 2021-03-29 | 2021-03-29 | 一种光伏***直流故障电弧多维时变特性的在线模拟方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113094983B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113552447A (zh) * | 2021-07-27 | 2021-10-26 | 上海电机学院 | 一种基于随机森林的串联电弧故障检测方法 |
| CN113705147A (zh) * | 2021-09-01 | 2021-11-26 | 上海大学 | 一种直流微网故障电弧建模与仿真方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400019A (zh) * | 2013-08-26 | 2013-11-20 | 上海交通大学 | 基于Matlab/Simulink的交流故障电弧仿真方法 |
| US20160020729A1 (en) * | 2014-07-21 | 2016-01-21 | Sungrow Power Supply Co., Ltd. | Method, device, and system for detecting direct-current arc fault of photovoltaic system |
| 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 |
| CN110417351A (zh) * | 2019-08-01 | 2019-11-05 | 上海理工大学 | 光伏***直流侧电弧故障检测***及检测方法 |
-
2021
- 2021-03-29 CN CN202110333953.XA patent/CN113094983B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103400019A (zh) * | 2013-08-26 | 2013-11-20 | 上海交通大学 | 基于Matlab/Simulink的交流故障电弧仿真方法 |
| US20160020729A1 (en) * | 2014-07-21 | 2016-01-21 | Sungrow Power Supply Co., Ltd. | Method, device, and system for detecting direct-current arc fault of photovoltaic system |
| 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 |
| CN110417351A (zh) * | 2019-08-01 | 2019-11-05 | 上海理工大学 | 光伏***直流侧电弧故障检测***及检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| SILEI CHEN等: "PV Series Arc Fault Recognition under Different Working Conditions with Joint Detection Method", 《IEEE XPLORE》 * |
| 马健凯等: "基于支持向量机的光伏***电弧检测方法", 《山东建筑大学学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113552447A (zh) * | 2021-07-27 | 2021-10-26 | 上海电机学院 | 一种基于随机森林的串联电弧故障检测方法 |
| CN113705147A (zh) * | 2021-09-01 | 2021-11-26 | 上海大学 | 一种直流微网故障电弧建模与仿真方法及*** |
| CN113705147B (zh) * | 2021-09-01 | 2024-03-19 | 上海大学 | 一种直流微网故障电弧建模与仿真方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113094983B (zh) | 2022-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yao et al. | Characteristic study and time-domain discrete-wavelet-transform based hybrid detection of series DC arc faults | |
| Gargoom et al. | Automatic classification and characterization of power quality events | |
| CN113094983B (zh) | 一种光伏***直流故障电弧多维时变特性的在线模拟方法 | |
| CN110376497B (zh) | 基于全相位深度学习的低压配电***串联故障电弧识别法 | |
| CN103592528B (zh) | 一种基于动态轨迹灵敏度的光伏逆变器模型参数辨识方法 | |
| Eghtedarpour et al. | Intelligent identification of flicker source in distribution systems | |
| CN112305319B (zh) | 一种用于在线监测换流变压器阀侧套管参数的方法和*** | |
| Liu et al. | Adaptive spectral trend based optimized EWT for monitoring the parameters of multiple power quality disturbances | |
| Yılmaz et al. | Automated classification of power quality disturbances in a SOFC&PV-based distributed generator using a hybrid machine learning method with high noise immunity | |
| Wang et al. | A novel series arc fault detection method based on mel-frequency cepstral coefficients and fully connected neural network | |
| Gao et al. | High-impedance arc fault modeling for distribution networks based on dynamic geometry dimension | |
| Hong et al. | Stochastic voltage-flicker power flow | |
| Samet et al. | A two-level neural network approach for flicker source location | |
| Castañeda | Stochastic harmonic emission model of aggregate residential customers | |
| CN110174602A (zh) | 非线性负荷串联电弧故障判定方法及应用 | |
| Fahad et al. | A voltage flicker severity analysis module for multiple electric arc furnace operation | |
| CN114325107A (zh) | 一种谐波阻抗计算结果准确性判断方法 | |
| Wilson et al. | Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning | |
| Yu et al. | Series arc fault detection of complex branch based on CNN_LSTM model | |
| Omran et al. | Photovoltaic system DC series arc fault: a case study | |
| Shang et al. | Series arc fault identification based on complete ensemble empirical mode decomposition with adaptive noise and convolutional neural network | |
| Kumar et al. | A Comparative Analysis of Harmonics Distortion and Transient Monitor in LABVIEW | |
| Lv | An improved EMD-based method for series fault arc identification | |
| CN116050244A (zh) | 一种电动自行车充电安全隐患的在线模拟方法和*** | |
| Ma et al. | Fault Identification in Power Distribution Systems based on Domain Adaptation Probabilistic Learning |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240129 Address after: No.28, Xianning West Road, Beilin District, Xi'an City, Shaanxi Province Patentee after: XI'AN JIAOTONG University Country or region after: China Patentee after: Electric Power Research Institute of State Grid Shaanxi Electric Power Co.,Ltd. Address before: 710049 No. 28 West Xianning Road, Shaanxi, Xi'an Patentee before: XI'AN JIAOTONG University Country or region before: China Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute |
|
| TR01 | Transfer of patent right |