CN115712820A - 一种微弱直流故障电弧检测方法及装置 - Google Patents
一种微弱直流故障电弧检测方法及装置 Download PDFInfo
- Publication number
- CN115712820A CN115712820A CN202211499632.8A CN202211499632A CN115712820A CN 115712820 A CN115712820 A CN 115712820A CN 202211499632 A CN202211499632 A CN 202211499632A CN 115712820 A CN115712820 A CN 115712820A
- Authority
- CN
- China
- Prior art keywords
- arc
- fault
- current
- wavelet
- photovoltaic system
- 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
Images
Classifications
-
- 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
- Photovoltaic Devices (AREA)
Abstract
本发明公开一种微弱直流故障电弧检测方法及装置,其中,方法包括:步骤S1,对信号源为光伏***多联机工况下的直流母线电流与电压信号进行采样,得到含有电弧故障的电压信号与电流信号;步骤S2,对采集到的含有电弧故障的电压信号与电流信号进行小波分解处理,得到小波系数排列熵的特征量;步骤S3,将得到的小波系数排列熵的特征量输入到预设机器学习模型,通过预设机器学习模型检测是否发生了电弧故障,若是则返回步骤S1,否则执行步骤S4;步骤S4,判断检测结果是否达到切断故障电弧的触发标准,若是则判定为故障电弧工况,否则判定为类弧工况。本发明可以保证微弱直流故障电弧检出的快速性、准确性,避免此类电弧因拒动而引发的电气火灾问题。
Description
技术领域
本发明涉及电力***技术领域,具体涉及一种微弱直流故障电弧检测方法及装置。
背景技术
随着光伏***的不断扩大,在带来环保型强、高效和可再生的优势之外,大型光伏***的大面积应用也为安全问题带来了巨大的隐患,在光伏***直流一侧发生故障电弧是导致火灾的一大原因。瑞士Mont Soleil伏发电站、英国BP公司的光伏组件都曾发生过火灾,而经过调查,两个地方起火的原因都是因为直流故障电弧引起的。在相同的燃烧条件或者相同的实验环境下,与交流故障电弧相比直流故障电弧更加难以熄灭,极易引起火灾事故。关于交流电弧的检测早已开始。常用的检测技术包括小波变换、神经网络等。至今对于交流电弧的特征提取和模式识别技术已经趋于成熟和完善。
但不同于交流故障电弧的周期性和过零点特征,直流电弧本身的随机性使得故障检测编的困难,加之对于直流电弧故障检测的研究起步较晚,国内外对该问题并没有全面的认识与研究。鉴于光伏***的广泛应用,使得对于直流故障电弧的故障检测变得尤为重要。
直流电弧故障的检测方法,一般从时域与频域两方面进行故障电弧的特征提取。Alam MK等人对光伏故障信号从时域角度研究了故障电弧的检测问题,提出了时域反射法。赵尚程等通过小波变换对故障电弧的特征频带进行提取,移动窗口统计小波分解后的高频系数能量值,依次来描述故障电弧的复杂程度。吴春华通过小波变换后小波系数的均方值和能量值作为多种特征值输入到BP神经网络中得到了良好的分析结果。Gu等人利用五层小波对电流进行分解,计算频带的能量的平均值及标准差,加入神经网络中对故障电弧进行检测。
虽然上述方法综合考虑到了时域与频域的特征,但是所用到的算法较复杂并且需要大量的数据作为训练集,而且也没有解决环境、开关的频率噪声干扰问题,所以如何在不受噪声干扰的条件下快速、准确的检测出故障电弧变得尤为重要。若仍用上述相关手段通过小波系数特征和原始信号排列熵处理多联机运行等工况下的微弱直流电弧故障无法得到有效识别正常与故障的电弧特征值,最终导致检测算法失效。
发明内容
本发明所要解决的技术问题在于,提供一种微弱直流故障电弧检测方法及装置,以在多元强耦合噪声干扰条件下快速、准确地检测出故障电弧。
为解决上述技术问题,本发明提供一种微弱直流故障电弧检测方法,包括:
步骤S1,对信号源为光伏***多联机工况下的直流母线电流与电压信号进行采样,得到含有电弧故障的电压信号与电流信号;
步骤S2,对采集到的含有电弧故障的电压信号与电流信号进行小波分解处理,得到小波系数排列熵的特征量;
步骤S3,将得到的小波系数排列熵的特征量输入到预设机器学习模型,通过所述预设机器学习模型检测是否发生了电弧故障,若是则返回步骤S1,进行下一时间窗内对信号源的采样,否则执行步骤S4;
步骤S4,判断检测结果是否达到切断故障电弧的触发标准,若是则判定为故障电弧工况,否则判定为类弧工况。
进一步地,所述步骤S2中,对所述步骤S1采集到的当前时间窗内含有电弧故障的检测信号进行小波分解处理时,采用的小波基函数为“rbio 3.1”,进行4层分解得到16组小波系数,提取频段范围为93.75kHz~125kHz的小波系数并进行重构。
进一步地,所述步骤S3中,通过机器学习模型的结果来判断原光伏***是否发生了电弧故障,输出检测结果为0表示原光伏***正常运行,则返回至所述步骤S1进行下一时间窗内光伏***输出电流信号的状态检测。
进一步地,所述步骤S4具体包括:判断连续输出检测结果为1的周期是否达到切断故障电弧的周期数触发标准,如果达到触发标准,则确定光伏***内发生了故障电弧,将给相应的脱扣装置发出切断故障电弧支路信号;如果未达到触发标准,则判定并网光伏***类弧工况形成了不足数量的连续1输出,返回所述步骤S1进行下一时间窗内光伏***输出电流信号的状态检测。
进一步地,所述步骤S1的采样频率f=1000kHz。
本发明还提供一种微弱直流故障电弧检测装置,包括:
采样模块,用于对信号源为光伏***多联机工况下的直流母线电流与电压信号进行采样,得到含有电弧故障的电压信号与电流信号;
小波处理模块,用于对采集到的含有电弧故障的电压信号与电流信号进行小波分解处理,得到小波系数排列熵的特征量;
第一判断模块,用于将得到的小波系数排列熵的特征量输入到预设机器学习模型,通过所述预设机器学习模型检测是否发生了电弧故障,若是则由所述采样模块进行下一时间窗内对信号源的采样;
第二判断模块,用于在预设机器学习模型输出检测结果为1时,进一步判断检测结果是否达到切断故障电弧的触发标准,若是则判定为故障电弧工况,否则判定为类弧工况。
进一步地,所述小波处理模块对所述采样模块采集到的当前时间窗内含有电弧故障的检测信号进行小波分解处理时,采用的小波基函数为“rbio 3.1”,进行4层分解得到16组小波系数,提取频段范围为93.75kHz~125kHz的小波系数并进行重构。
进一步地,所述第一判断模块通过机器学习模型的结果来判断原光伏***是否发生了电弧故障,输出检测结果为0表示原光伏***正常运行,则由所述采样模块进行下一时间窗内光伏***输出电流信号的状态检测。
进一步地,所述第二判断模块具体用于:判断连续输出检测结果为1的周期是否达到切断故障电弧的周期数触发标准,如果达到触发标准,则确定光伏***内发生了故障电弧,将给相应的脱扣装置发出切断故障电弧支路信号;如果未达到触发标准,则判定并网光伏***类弧工况形成了不足数量的连续1输出,返回所述步骤S1进行下一时间窗内光伏***输出电流信号的状态检测。
进一步地,所述采样模块的采样频率f=1000kHz。
实施本发明具有如下有益效果:本发明提出的排列熵特征结合电流小波分解系数,能够有效提取在环境、设备运行、开关频率等多元强耦合噪声干扰条件下的故障电弧信息,保证微弱直流故障电弧检出的快速性、准确性,避免此类电弧因拒动而引发的电气火灾问题。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一一种微弱直流故障电弧检测方法的流程示意图。
图2是本发明实施例一一种微弱直流故障电弧检测方法的具体流程示意图。
图3是本发明实施例中微弱直流故障电弧的电信号波形图。
图4是本发明实施例中微弱直流故障电弧电流信号的排列熵结果示意图。
图5是本发明实施例中微弱直流故障电弧电流信号的小波变换结果示意图。
图6是本发明实施例中微弱直流故障电弧电流信号小波变换的排列熵结果示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
对于前述现有技术亟待解决的多联机直流故障电弧检测问题,本发明采用小波分解得到各频段的小波系数,选取故障前后有较大差异的频段计算排列熵,得到准确判断故障状态的排列熵特征量。由此,请参照图1所示,本发明实施例一提供一种微弱直流故障电弧检测方法,包括:
步骤S1,对信号源为光伏***多联机工况下的直流母线电流与电压信号进行采样,得到含有电弧故障的电压信号与电流信号;
步骤S2,对采集到的含有电弧故障的电压信号与电流信号进行小波分解处理,得到小波系数排列熵的特征量;
步骤S3,将得到的小波系数排列熵的特征量输入到预设机器学习模型,通过所述预设机器学习模型检测是否发生了电弧故障,若是则返回步骤S1,进行下一时间窗内对信号源的采样,否则执行步骤S4;
步骤S4,判断检测结果是否达到切断故障电弧的触发标准,若是则判定为故障电弧工况,否则判定为类弧工况。
具体地,请结合图2所示,步骤S1中,采样频率f=1000kHz,采集得到的含有电弧故障的电压信号与电流信号x如图3所示。取时间长度为Ts的信号xn。
步骤S2中,对步骤S1采集到的当前时间窗内含有电弧故障的检测信号进行小波分解处理时,采用的小波基函数为“rbio 3.1”,进行4层分解得到16组小波系数,提取频段范围为93.75kHz~125kHz的小波系数并进行重构,提取原则为该频段的小波系数较其他频段对于正常与故障有明显差异,重构所得信号如图5所示,并对重构的信号计算排列熵,得到小波系数排列熵的特征量,如图6所示。
步骤S3中,将得到的小波系数排列熵的特征量输入预设机器学习模型,通过机器学习模型的结果来判断原光伏***是否发生了电弧故障,输出检测结果为0表示原光伏***正常运行,则返回至步骤S1进行下一时间窗内光伏***输出电流信号的状态检测;输出检测结果为1表示原光伏***发生电弧故障,转至步骤S4。
步骤S4,预设机器学习模型输出检测结果为1,表示该时间窗内光伏***可能发生了电弧故障,还需通过下述方式进一步确认电弧故障是否发生:判断连续输出检测结果为1的周期是否达到切断故障电弧的周期数触发标准,如果达到触发标准,则确定光伏***内发生了故障电弧,将给相应的脱扣装置发出切断故障电弧支路信号;如果未达到触发标准,则判定并网光伏***类弧工况形成了不足数量的连续1输出,返回步骤S1进行下一时间窗内光伏***输出电流信号的状态检测。
再如图4所示,若直接对原始电流信号进行排列熵特征提取,显然其故障电弧特征的显著程度远不如图6显著。因此,依据本发明提出的小波系数熵具有较强的故障电弧识别能力,此设计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。
本发明解决了以往小波系数特征值、原始信号排列熵特征值在光伏多联机直流***中判断失效的问题,进而提出了以小波系数排列熵为特征量的有效判断手段,实现了对电弧故障的准确、及时判断要求。
相应于本发明实施例一提供的一种微弱直流故障电弧检测方法,本发明实施例二提供一种微弱直流故障电弧检测装置,包括:
采样模块,用于对信号源为光伏***多联机工况下的直流母线电流与电压信号进行采样,得到含有电弧故障的电压信号与电流信号;
小波处理模块,用于对采集到的含有电弧故障的电压信号与电流信号进行小波分解处理,得到小波系数排列熵的特征量;
第一判断模块,用于将得到的小波系数排列熵的特征量输入到预设机器学习模型,通过所述预设机器学习模型检测是否发生了电弧故障,若是则由所述采样模块进行下一时间窗内对信号源的采样;
第二判断模块,用于在预设机器学习模型输出检测结果为1时,进一步判断检测结果是否达到切断故障电弧的触发标准,若是则判定为故障电弧工况,否则判定为类弧工况。
进一步地,所述小波处理模块对所述采样模块采集到的当前时间窗内含有电弧故障的检测信号进行小波分解处理时,采用的小波基函数为“rbio 3.1”,进行4层分解得到16组小波系数,提取频段范围为93.75kHz~125kHz的小波系数并进行重构。
进一步地,所述第一判断模块通过机器学习模型的结果来判断原光伏***是否发生了电弧故障,输出检测结果为0表示原光伏***正常运行,则由所述采样模块进行下一时间窗内光伏***输出电流信号的状态检测。
进一步地,所述第二判断模块具体用于:判断连续输出检测结果为1的周期是否达到切断故障电弧的周期数触发标准,如果达到触发标准,则确定光伏***内发生了故障电弧,将给相应的脱扣装置发出切断故障电弧支路信号;如果未达到触发标准,则判定并网光伏***类弧工况形成了不足数量的连续1输出,返回所述步骤S1进行下一时间窗内光伏***输出电流信号的状态检测。
进一步地,所述采样模块的采样频率f=1000kHz。
有关本实施例的工作原理及过程,请参照前述本发明实施例一的说明,此处不再赘述。
通过上述说明可知,与现有技术相比,本发明的有益效果在于:本发明提出的排列熵特征结合电流小波分解系数,能够有效提取在环境、设备运行、开关频率等多元强耦合噪声干扰条件下的故障电弧信息,保证微弱直流故障电弧检出的快速性、准确性,避免此类电弧因拒动而引发的电气火灾问题。
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的权利范围,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)
1.一种微弱直流故障电弧检测方法,其特征在于,包括:
步骤S1,对信号源为光伏***多联机工况下的直流母线电流与电压信号进行采样,得到含有电弧故障的电压信号与电流信号;
步骤S2,对采集到的含有电弧故障的电压信号与电流信号进行小波分解处理,得到小波系数排列熵的特征量;
步骤S3,将得到的小波系数排列熵的特征量输入到预设机器学习模型,通过所述预设机器学习模型检测是否发生了电弧故障,若是则返回步骤S1,进行下一时间窗内对信号源的采样,否则执行步骤S4;
步骤S4,判断检测结果是否达到切断故障电弧的触发标准,若是则判定为故障电弧工况,否则判定为类弧工况。
2.根据权利要求1所述的方法,其特征在于,所述步骤S2中,对所述步骤S1采集到的当前时间窗内含有电弧故障的检测信号进行小波分解处理时,采用的小波基函数为“rbio3.1”,进行4层分解得到16组小波系数,提取频段范围为93.75kHz~125kHz的小波系数并进行重构。
3.根据权利要求2所述的方法,其特征在于,所述步骤S3中,通过机器学习模型的结果来判断原光伏***是否发生了电弧故障,输出检测结果为0表示原光伏***正常运行,则返回至所述步骤S1进行下一时间窗内光伏***输出电流信号的状态检测。
4.根据权利要求1所述的方法,其特征在于,所述步骤S4具体包括:判断连续输出检测结果为1的周期是否达到切断故障电弧的周期数触发标准,如果达到触发标准,则确定光伏***内发生了故障电弧,将给相应的脱扣装置发出切断故障电弧支路信号;如果未达到触发标准,则判定并网光伏***类弧工况形成了不足数量的连续1输出,返回所述步骤S1进行下一时间窗内光伏***输出电流信号的状态检测。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述步骤S1的采样频率f=1000kHz。
6.一种微弱直流故障电弧检测装置,其特征在于,包括:
采样模块,用于对信号源为光伏***多联机工况下的直流母线电流与电压信号进行采样,得到含有电弧故障的电压信号与电流信号;
小波处理模块,用于对采集到的含有电弧故障的电压信号与电流信号进行小波分解处理,得到小波系数排列熵的特征量;
第一判断模块,用于将得到的小波系数排列熵的特征量输入到预设机器学习模型,通过所述预设机器学习模型检测是否发生了电弧故障,若是则由所述采样模块进行下一时间窗内对信号源的采样;
第二判断模块,用于在预设机器学习模型输出检测结果为1时,进一步判断检测结果是否达到切断故障电弧的触发标准,若是则判定为故障电弧工况,否则判定为类弧工况。
7.根据权利要求6所述的装置,其特征在于,所述小波处理模块对所述采样模块采集到的当前时间窗内含有电弧故障的检测信号进行小波分解处理时,采用的小波基函数为“rbio 3.1”,进行4层分解得到16组小波系数,提取频段范围为93.75kHz~125kHz的小波系数并进行重构。
8.根据权利要求7所述的装置,其特征在于,所述第一判断模块通过机器学习模型的结果来判断原光伏***是否发生了电弧故障,输出检测结果为0表示原光伏***正常运行,则由所述采样模块进行下一时间窗内光伏***输出电流信号的状态检测。
9.根据权利要求6所述的装置,其特征在于,所述第二判断模块具体用于:判断连续输出检测结果为1的周期是否达到切断故障电弧的周期数触发标准,如果达到触发标准,则确定光伏***内发生了故障电弧,将给相应的脱扣装置发出切断故障电弧支路信号;如果未达到触发标准,则判定并网光伏***类弧工况形成了不足数量的连续1输出,返回所述步骤S1进行下一时间窗内光伏***输出电流信号的状态检测。
10.根据权利要求6-9任一项所述的装置,其特征在于,所述采样模块的采样频率f=1000kHz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211499632.8A CN115712820A (zh) | 2022-11-28 | 2022-11-28 | 一种微弱直流故障电弧检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211499632.8A CN115712820A (zh) | 2022-11-28 | 2022-11-28 | 一种微弱直流故障电弧检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115712820A true CN115712820A (zh) | 2023-02-24 |
Family
ID=85235012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211499632.8A Pending CN115712820A (zh) | 2022-11-28 | 2022-11-28 | 一种微弱直流故障电弧检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115712820A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148049A (zh) * | 2023-10-31 | 2023-12-01 | 锦浪科技股份有限公司 | 一种直流拉弧故障检测***、方法及光伏并网*** |
-
2022
- 2022-11-28 CN CN202211499632.8A patent/CN115712820A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148049A (zh) * | 2023-10-31 | 2023-12-01 | 锦浪科技股份有限公司 | 一种直流拉弧故障检测***、方法及光伏并网*** |
CN117148049B (zh) * | 2023-10-31 | 2024-01-26 | 锦浪科技股份有限公司 | 一种直流拉弧故障检测***、方法及光伏并网*** |
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 | |
CN106950459B (zh) | 一种分布式单相接地故障判定方法 | |
CN110007198B (zh) | 一种单相接地故障启动方法 | |
CN115712820A (zh) | 一种微弱直流故障电弧检测方法及装置 | |
CN205193210U (zh) | 一种直流故障电弧检测装置 | |
Imani et al. | A novel time-domain method for fault detection and classification in VSC-HVDC transmission lines | |
CN103712551A (zh) | 配电网变压器低压绕组变形在线监测装置及方法 | |
Khafidli et al. | Implementation AC series arc fault recognition using mikrokontroller based on fast Fourier transform | |
CN105510760A (zh) | 一种基于小波分析的短路故障数据检测方法 | |
CN110677125A (zh) | 电弧故障检测的方法及装置 | |
Yunmei et al. | Wavelet packet analysis applied in detection of low-voltage DC arc fault | |
CN112183628B (zh) | 基于多种线性时频变换的交流电弧故障检测方法及*** | |
CN106771798A (zh) | 一种基于小波系数均差值的故障电弧检测方法 | |
CN114527361A (zh) | 确定交流回路电弧故障的方法及装置 | |
CN111381127A (zh) | 矿山供电***单相接地故障及绝缘监测的方法和装置 | |
Duan et al. | An arc fault diagnostic method for low voltage lines using the difference of wavelet coefficients | |
CN106980051A (zh) | 一种间歇性串联型故障电弧识别技术 | |
CN113466593A (zh) | 一种非侵入式负荷监测安全防护方法及样本库建立方法 | |
CN112345885A (zh) | 一种高压直流输电线路故障检测方法 | |
CN109387728A (zh) | 一种单相接地故障选线方法和*** | |
Chen et al. | Recognition of series arc fault based on the Hilbert Huang Transform | |
CN116298665A (zh) | 一种配电电缆弧光接地故障判定方法及*** | |
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 | |
Lu et al. | A new series arc fault identification method based on wavelet transform | |
CN110568300A (zh) | 一种基于多源信息的配电网单相接地故障辨识方法 |
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 |