CN117076933B - 电弧判断模型的训练、光伏直流电弧检测方法及计算设备 - Google Patents

电弧判断模型的训练、光伏直流电弧检测方法及计算设备 Download PDF

Info

Publication number
CN117076933B
CN117076933B CN202311329795.6A CN202311329795A CN117076933B CN 117076933 B CN117076933 B CN 117076933B CN 202311329795 A CN202311329795 A CN 202311329795A CN 117076933 B CN117076933 B CN 117076933B
Authority
CN
China
Prior art keywords
arc
model
frequency
training
preset
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
Application number
CN202311329795.6A
Other languages
English (en)
Other versions
CN117076933A (zh
Inventor
许颇
张文平
王一鸣
杨毅博
王宝龙
林万双
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ginlong Technologies Co Ltd
Original Assignee
Ginlong Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ginlong Technologies Co Ltd filed Critical Ginlong Technologies Co Ltd
Priority to CN202311329795.6A priority Critical patent/CN117076933B/zh
Publication of CN117076933A publication Critical patent/CN117076933A/zh
Application granted granted Critical
Publication of CN117076933B publication Critical patent/CN117076933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Discrete Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提供了一种电弧判断模型的训练、光伏直流电弧检测方法及计算设备，涉及光伏发电技术领域，电弧判断模型的训练方法包括：获取光伏侧电流的交流分量；根据交流分量得到预设次频率分量；确定预设次频率分量的频率数值之和以及预设次频率分量中频率数值大于预设数值的频率个数；将频率数值之和以及频率个数作为训练数据集对电弧判断模型进行训练。本发明的有益效果：能够提高光伏直流电弧检测的准确性。

Description

电弧判断模型的训练、光伏直流电弧检测方法及计算设备
技术领域
本发明涉及光伏发电技术领域，具体而言，涉及一种电弧判断模型的训练、光伏直流电弧检测方法及计算设备。
背景技术
随着光伏的快速发展，光伏***的可靠性要求越来越高。大型光伏***一旦发生火灾，会造成巨大经济损失。据研究表明，光伏电站的火灾多数都由直流拉弧造成。因此，直流拉弧监测（AFCI，Arc-Fault Circuit-Interrupter）越来越得到重视。
现有的电弧检测方法通常采用采样装置采样光伏电压或光伏电流，再直接对其进行分析，然而这种判断方法容易造成误判，从而影响发电量甚至造成故障。
发明内容
本发明解决的问题是如何提高光伏直流电弧检测的准确性。
为解决上述问题，本发明提供了一种电弧判断模型的训练方法，包括步骤：
获取光伏侧电流的交流分量；
根据所述交流分量得到预设次频率分量；
确定所述预设次频率分量的频率数值之和以及所述预设次频率分量中频率数值大于预设数值的频率个数；
将所述频率数值之和以及所述频率个数作为训练数据集对电弧判断模型进行训练。
本发明的电弧判断模型的训练方法，通过对采样得到的交流电流进行转换以确定出多个频率分量，进而在频率分量中统计频率数值之和以及符合相应规则的频率个数，以此对光伏侧的原始数据进一步分析，进而作为电弧判断模型的训练数据集，频率参数能够更好地反映光侧电弧的发生情况，以此结合电弧判断模型，以通过模型训练和应用，进而能够更准确地进行光伏直流电弧的检测。
进一步地，所述根据所述交流分量得到预设次频率分量包括步骤：
对所述交流分量进行FFT分析得到1-m次频率分量，其中，所述1-m次频率分量中每个频率分量与相邻的前一频率分量的频率差为预设频率；
筛除所述1-m次频率分量中的低频分量和高频分量，得到所述预设次频率分量。
进一步地，所述频率数值之和包括所述预设次频率分量中所有频率数值之和，以及对所述预设次频率分量进行分组后，分别确定的各所述分组的频率数值之和。
进一步地，所述的电弧判断模型的训练方法还包括步骤：
备份电弧判断结果，其中，所述电弧判断结果根据训练得到的所述电弧判断模型的输出数据与预设门槛值对比得到；
当所述备份处于预设情况时，更新所述预设门槛值，和/或根据所述电弧判断结果对应的所述电弧判断模型的输入数据再次训练所述电弧判断模型。
进一步地，所述电弧判断模型包括部署于光伏设备处的本地模型和部署于服务器处的云端模型，其中，所述本地模型的输出数据用于与所述预设门槛值对比以得到所述电弧判断结果；所述电弧判断模型的训练方法还包括：
当所述备份处于预设情况时，将所述电弧判断结果以及所述电弧判断结果对应的所述本地模型的输入数据输入所述云端模型，以得到云端模型参数；
根据所述云端模型参数对所述本地模型进行更新。
进一步地，所述电弧判断结果包括判断正确以及无弧且判断错误；所述电弧判断模型的训练方法还包括步骤：
当所述无弧且判断错误的结果备份数量达到第一预设数量时，判定所述备份处于所述预设情况；和/或
当所述判断正确的结果备份数量达到第二预设数量，且所述无弧且判断错误的结果备份数量未达到所述第一预设数量时，删除备份最久的数据以及保留最新的数据。
进一步地，所述电弧判断模型包括输入层、隐含层和输出层；所述将所述频率数值之和以及所述频率个数作为训练数据集对电弧判断模型进行训练包括：
将所述训练数据集输入初始模型以得到模型参数，其中，所述模型参数包括所述输入层到所述隐含层的权值W1和所述隐含层的阈值B1，以及所述隐含层到所述输出层的权值W2和隐含层的阈值B2；
根据所述模型参数对所述初始模型不断进行更新，直至符合预设条件，以获得所述电弧判断模型。
进一步地，所述隐含层的输出的确定公式包括步骤：
；
所述输出层的输出的确定公式包括：
；
其中，n表示第n次迭代，X表示所述输入层的输出，函数f为激活函数。
本发明还提出了一种光伏直流电弧检测方法，包括：
获取待测设备的预设次频率分量的频率数值之和以及所述预设次频率分量中频率数值大于预设数值的频率个数；
根据所述频率数值之和、所述频率个数以及如上所述的电弧判断模型的训练方法训练得到的电弧判断模型进行电弧判断。
本发明的光伏直流电弧检测方法的技术效果与上述电弧判断模型的训练方法的技术效果相近似，在此不再进行赘述。
本发明还提出了一种计算设备，包括存储器和处理器，所述存储器，用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现如上所述的电弧判断模型的训练方法和/或如上所述的光伏直流电弧检测方法。
本发明的计算设备的技术效果与上述电弧判断模型的训练方法以及光伏直流电弧检测方法的技术效果相近似，在此不再进行赘述。
附图说明
图1为本发明实施例所述的电弧判断模型的训练方法的流程图一；
图2为本发明实施例所述的电弧判断模型的训练方法的流程图二；
图3为本发明实施例所述的电弧判断模型的训练方法的流程图三；
图4为本发明实施例所述的光伏直流电弧检测方法的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种行驶来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
参照图1所示，本发明实施例提出了一种电弧判断模型的训练方法，包括：
获取光伏侧电流的交流分量。
具体地，可以在光伏设备本地侧设置电流采集模块，以采集高频交流分量，可以只采集PV（photovoltaic，光伏）正母线，也可以一起采集PV的正负母线的电流。
根据所述交流分量得到预设次频率分量。
交流分量为时域信号，可以通过时域频域转换，进而得到频率分量。在一个可选的实施例中，通过FFT（Fast Fourier Transform，快速傅里叶变换）分析，以将交流分量进行转换，得到1-m次频率分量，第1次频率分量的频率为预设频率，以后在所述1-m次频率分量中每个频率分量与相邻的前一频率分量的频率差为预设频率，本发明实施例中，m为512，预设频率为250Hz，通过筛除上述1-m次频率分量中的高频分量和低频分量，以减小后续判断误差，最终得到上述预设次频率分量，以用于后续进行分析。
确定所述预设次频率分量的频率数值之和以及所述预设次频率分量中频率数值大于预设数值的频率个数。
其中，预设次频率分量的频率数值之和可以是所有频率分量对应的频率数值的总和，也可以是依据实际情况划分或筛选的部分频率分量对应的频率数值之和，预设数值可以根据实际情况进行设定，本发明实施例中预设数值设为1，即统计频率数值大于1的频率个数。
将所述频率数值之和以及所述频率个数作为训练数据集对电弧判断模型进行训练。
通过对采样得到的交流电流进行频域转换以确定出多个频率分量，进而在频率分量中统计频率数值之和以及符合相应规则的频率个数，以此对光伏侧的原始数据进一步分析，进而作为电弧判断模型的训练数据集，频率参数能够更好地反映光侧电弧的发生情况，以此结合电弧判断模型，其基于神经网络模型，以此通过神经网络模型训练和应用，进而能够更准确地进行光伏直流电弧的检测。
在上述电弧判断模型的训练过程中，可以通过设置相关参数，如训练次数、学习速率、目标误差以及相关的初始权值和阈值等进行训练迭代，最终输出结果与检测的实际结果进行对比，基于损失函数以及迭代次数等调整模型的参数，以此完成电弧判断模型的训练，其具体的模型结构以及训练过程，可以根据实际情况进行设定。
本发明的一个可选的实施例中，所述频率数值之和包括所述预设次频率分量中所有频率数值之和，以及对所述预设次频率分量进行分组后，分别确定的各所述分组的频率数值之和。
参照图2所示，对于得到的k=1-512次频率分量，其第1个频率分量（k=1的频率分量）为250Hz，然后依次每个频率分量相较前一频率分量高250Hz，最终第512次频率分量的频率数值为128kHz，通过对其低频分量和高频分量进行筛选，例如，本发明实施例中，将低频分量设定为小于41kHz的频率分量，高频分量设置为大于102.5kHz的频率分量。以此，将前162和408之后的频率分量筛除，其中间的频率分量保留，即预设次频率分量为163-408次频率分量，也即最终剩余保留的频带为41-102.5kHz。
对于上述筛选得到的预设次频率分量，通过计算其所有频率数值之和，即163-408次频率分量的所有频率数值之和，以及对预设次频率分量进行分组求和，并分别确定分组的频率数值之和，以此总和及各分组的分组和共同作为电弧判断模型的训练数据。本发明实施例中，按顺序将预设次频率分量等间隔地分为6组，分别为分组1-分组6，依次为S1=163-203次, S2=204-244次，S3=245-285次, S4=286-326次, S5=327-367次以及S6=368-408次的频率分组，分别计算各分组的频率数值分组和，即图2中的S1-S6，计算出来的分组和与预设次频率分量的频率数值总和Stotal以及得到的频率数值大于1的频率个数N等8组输入作为电弧判断模型的训练方法的训练数据集。
在本发明实施例中，所述电弧判断模型包括输入层、隐含层和输出层；所述将所述频率数值之和以及所述频率个数作为训练数据集对电弧判断模型进行训练包括：
将所述训练数据集输入初始模型以得到模型参数，其中，所述模型参数包括所述输入层到所述隐含层的权值W1和所述隐含层的阈值B1，以及所述隐含层到所述输出层的权值W2和隐含层的阈值B2；
根据所述模型参数对所述初始模型不断进行更新，直至符合预设条件，以获得所述电弧判断模型；
根据所述模型参数对所述电弧判断模型进行更新。
其中，所述隐含层的输出的确定公式包括：
；
所述输出层的输出的确定公式包括：
；
其中，n表示第n次迭代，X表示所述输入层的输出，函数f为激活函数。
参照图2所示，本发明实施例中，上述训练数据集输入电弧判断模型后，可通过输入层进行归一化处理以及叠加随机噪声，以此防止过度拟合，然后设置训练参数，具体包括训练次数、学习速率、目标误差、初始的权值和阈值，利用神经网络迭代方法，在电弧判断模型的前向传播过程中，输入层的输出X与权值W1以及阈值B1结合激活函数共同求得隐含层的输出YH，进一步地，在输出层，结合隐含层的输出YH与权值W2以及阈值B2共同求得输出层的输出YO，该输出也即电弧判断模型的输出，以此完成电弧判断模型的前向传播过程，通过结合输出所对应的电弧判断结果与真实数据进行比较，计算误差值进而从输出层往输入层逐层计算梯度，根据梯度下降算法，确定上述模型的权值和阈值，以用于更新模型以减小误差。
本发明实施例中，激活函数的确定公式包括：，输出层的输出YO可以通过与预设门槛值比对，而确定是否产生了直流电弧。
参照图2所示，在本发明的一个具体的实施例中，首先获取PV侧电流的交流分量，进行FFT分析，得到1~512次频率分量，每个点250Hz，覆盖的范围为0.25kHz~128kHz。然后，去除其中低频和高频分量，将前162次和408次以后的点去除，剩余的频带为41kHz到102.5kHz。接下来，将这些频率点分成6组，第一组为163次到203次，第二组为204次到244次，第三组为245次到285次，第四组为286次到326次，第五组为327次到367次，第六组为368次到408次。然后，计算电弧判断模型的8个输入，分别为所有频率分量的频率数值之和Stotal，第一组频率数值之和S1，第二组频率数值之和S2，第三组频率数值之和S3，第四组频率数值之和S4，第五组频率数值之和S5，第六组频率数值之和S6，和统计数值大于1的频率个数N，将这8个输入作为训练数据集，送入电弧判断模型，首先进行归一化处理，并在信号叠加随机噪声，防止过度拟合，完成相应训练次数后，得到最终的参数，包括输入层到隐含层的权重W1和隐含层的阈值B1，隐含层到输出层的权重W2和隐含层的阈值B2，将这些参数更新到模型中后，即可进行电弧检测。
在本发明的一个可选的实施例中，电弧判断模型的训练方法还包括步骤：
备份电弧判断结果，其中，所述电弧判断结果根据训练得到的所述电弧判断模型的输出数据与预设门槛值对比得到；
当所述备份处于预设情况时，更新所述预设门槛值，和/或根据所述电弧判断结果对应的所述电弧判断模型的输入数据再次训练所述电弧判断模型。
可以理解，上述训练后的电弧判断模型可以用于判断光伏设备是否产生直流电弧，在采用电弧判断模型的情况下，并不能保证每次判断均准确，以及电弧判断模型也存在提高判断精度和效率的空间，因此在本发明实施例中，训练得到的所述电弧判断模型的输出数据与预设门槛值对比得到电弧判断结果，进一步地，对电弧判断结果进行备份，具体地，可以在光伏设备本地设置存储设备进行该数据的备份。后续当这些备份处于预设情况，例如出现判断错误、判断正确的数量达到一定程度、判断错误的数量达到一定程度等等情况时，可以对上述电弧判断模型再次进行更新，或者是调整用于与模型输出对比的预设门槛值，以此提高电弧判断的精度。
其中，在备份电弧判断结果时，可以同时备份该判断结果对应的电弧判断模型的输入数据，以便后续调用这些数据进行电弧判断模型的再次训练。
对于电弧判断模型的再次训练，本发明中，可以通过离线训练和在线训练进行。
在离线训练中，参照图2所示，其在备份满足预设情况时，暂停电弧判断模型用于电弧判断，结合上述备份的判断结果对应的电弧判断模型的输入数据，确定得到各个权值和阈值后，对电弧判断模型再次更新，以此后续基于更新的电弧判断模型来进行电弧判断。
而对于在线训练，本发明的一个可选的实施例中，所述电弧判断模型包括部署于光伏设备处的本地模型和部署于服务器处的云端模型，其中，所述本地模型的输出数据用于与所述预设门槛值对比以得到所述电弧判断结果；所述电弧判断模型的训练方法还包括步骤：
当所述备份处于预设情况时，将所述电弧判断结果以及所述电弧判断结果对应的所述本地模型的输入数据输入所述云端模型，以得到云端模型参数；
根据所述云端模型参数对所述本地模型进行更新。
参照图3所示，电弧判断模型包括本地模型和云端模型，其中本地模型可以部署于AFCI（直流拉弧监测）装置处，具体地，部署于光伏设备的光伏逆变器处，以便于直接及时地进行电流检测以及后续是否产生直流电弧的判断。而对于云端模型，其部署于服务器侧，其采用与本地模型一致的结构，主要用于模型的训练过程。
在本地模型通过初始的训练及部署后，用于电弧的判断，其输出数据与预设门槛值进行对比以得到上述电弧判断结果，该电弧判断结果在本地进行备份，同时，备份与该电弧判断结果对应的本地模型的输入数据，以便后续结合上述备份的数据对模型进行重新训练。
当备份处于预设情况时，控制本地侧将上述数据进行上传，以此云端模型可以将上述上传的模型作为训练数据集进行云端模型的训练，在云端模型训练过程中，即能够得到云端模型参数，也即上述权值和阈值等数据，将这些数据发送至本地模型，以此对本地模型进行更新。由此确保了本地模型的及时更新，保证了电弧判断的精度，且无需停机进行训练。
在本发明的一个可选的实施例中，所述电弧判断结果包括判断正确以及无弧且判断错误；所述电弧判断模型的训练方法还包括：
当所述无弧且判断错误的结果备份数量达到第一预设数量时，判定所述备份处于所述预设情况；和/或
当所述判断正确的结果备份数量达到第二预设数量，且所述无弧且判断错误的结果备份数量未达到所述第一预设数量时，删除备份最久的数据以及保留最新的数据。
参照图3所示，本发明实施例中，电弧判断结果中判断正确的结果还具体包括有弧且判断正确以及无弧且判断正确等两种，对于这两种数据以及其对应的模型输入数据均进行备份。
对于无弧且判断错误的结果，如果其备份数量达到第一预设数量，则表明模型的判断出现了较多次的错误，且该错误容易造成比较大的影响，因此，此时即判定备份处于预设情况，将上述判断结果以及与模型输入数据均进行上传，以此通过云端模型的训练对本地模型进行更新，以尽快对本地模型进行修正，避免产生严重后果。其中，第一预设数量可以设置为10。
而对于判断正确的结果和模型输入数据，同时进行备份，以便于后续结合无弧且判断错误的结果和对应的模型输入数据提供更多的训练数据集供云端模型训练。为了防止本地侧的存储设备容量不足，造成其它数据无法备份，因此，对于判断正确的结果和模型输入数据的备份，设置有存储上限，具体地，对于有弧且判断正确以及无弧且判断正确等两种备份数据，分别设置50和40组备份数据上限，当其备份上限达到50组或者达到40组时，把最久的一条历史数据删掉，然后加入最新的数据，这样保证数据最新，且不超过限制的条数，而在无弧且判断错误的结果备份数量达到10组时，则将上述数据全部上传。
在其它实施例中，本地备份电弧判断结果和所述电弧判断结果对应的所述本地模型的输入数据的设备向云端模型传输数据的方式也可以采用轮询方式，如云端过一段时间便发送指令给本地，此时也即本地接收到该指令时，判定备份处于预设情况，进而将上述备份的数据传输至云端模型，以进行云端模型的训练过程，然后将训练过程中得到的权值和阈值发送至本地模型进行本地模型的更新。
本发明另一实施例的一种光伏直流电弧检测方法，包括：
获取待测设备的预设次频率分量的频率数值之和以及所述预设次频率分量中频率数值大于预设数值的频率个数；
根据所述频率数值之和、所述频率个数以及如上所述的电弧判断模型的训练方法训练得到的电弧判断模型进行电弧判断。
本发明实施例中的光伏直流电弧检测方法，其通过获取电弧判断模型的训练方法训练得到的电弧判断模型的输出，以及获取预设门槛值，将预设门槛值与模型的输出进行比对，以此进行电弧判断。其中，通过待测设备的预设次频率分量的频率数值之和以及所述预设次频率分量中频率数值大于预设数值的频率个数，以作为电弧判断模型的输入，进而由电弧判断模型处理得到输出，进而与预设门槛值进行比对。上述频率数值之和以及所述频率个数的获取方式与电弧判断模型的训练方法相近似，具体地，在一个可选的实施例中，通过获得待测设备的光伏侧电流的交流分量，通过处理得到预设次频率分量，进而统计其中的频率数值之和以及频率数值大于预设数值的频率个数。本发明的光伏直流电弧检测方法具有与上述电弧判断模型的训练方法相近似的技术效果，在此不再进行赘述。
参照图4所示，本发明的一个具体的实施例中，首先获取PV侧电流的交流分量，进行FFT分析，得到1~512次频率分量，每个点250Hz，覆盖的范围为0.25kHz~128kHz。然后，去除其中低频和超高频分量，具体来说，前162次和408次以后的点去除，剩余的频带为41kHz到102.5kHz。接下来，将这些频率点分成6组，第一组为163次到203次，第二组为204次到244次，第三组为245次到285次，第四组为286次到326次，第五组为327次到367次，第六组为368次到408次。然后，计算电弧判断模型的8个输入，分别为所有频率分量的频率数值之和Stotal，第一组频率数值之和S1，第二组频率数值之和S2，第三组频率数值之和S3，第四组频率数值之和S4，第五组频率数值之和S5，第六组频率数值之和S6，和统计数值大于1的频率个数N。将这8个输入送入电弧判断模型的计算单元，首先进行归一化处理，然后利用输入层到隐含层的权重W1和隐含层的阈值B1，得到隐含层的输出YH，然后利用隐含层到输出层的权重W2和隐含层的阈值B2，得到输出层的输出YO。输出结果YO与预设门槛值YT比较，判断是否有弧发生。
本发明另一实施例的一种计算设备，包括存储器和处理器，所述存储器，用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现如上所述的电弧判断模型的训练方法和/或如上所述的光伏直流电弧检测方法。
本发明中的计算设备，其具有与上述电弧判断模型的训练方法和光伏直流电弧检测方法相近似的技术效果，在此不再进行赘述。
虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术操作工在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (9)

1.一种电弧判断模型的训练方法，其特征在于，包括：
获取光伏侧电流的交流分量；
根据所述交流分量得到预设次频率分量；
确定所述预设次频率分量的频率数值之和以及所述预设次频率分量中频率数值大于预设数值的频率个数，其中，所述频率数值之和包括所述预设次频率分量中所有频率数值之和，以及对所述预设次频率分量进行分组后，分别确定的各所述分组的频率数值之和；
将所述频率数值之和以及所述频率个数作为训练数据集对电弧判断模型进行训练。
2.根据权利要求1所述的电弧判断模型的训练方法，其特征在于，所述根据所述交流分量得到预设次频率分量包括：
对所述交流分量进行FFT分析得到1-m次频率分量，其中，所述1-m次频率分量中每个频率分量与相邻的前一频率分量的频率差为预设频率；
筛除所述1-m次频率分量中的低频分量和高频分量，得到所述预设次频率分量。
3.根据权利要求1所述的电弧判断模型的训练方法，其特征在于，还包括：
备份电弧判断结果，其中，所述电弧判断结果根据训练得到的所述电弧判断模型的输出数据与预设门槛值对比得到；
当所述备份处于预设情况时，更新所述预设门槛值，和/或根据所述电弧判断结果对应的所述电弧判断模型的输入数据再次训练所述电弧判断模型。
4.根据权利要求3所述的电弧判断模型的训练方法，其特征在于，所述电弧判断模型包括部署于光伏设备处的本地模型和部署于服务器处的云端模型，其中，所述本地模型的输出数据用于与所述预设门槛值对比以得到所述电弧判断结果；所述电弧判断模型的训练方法还包括：
当所述备份处于所述预设情况时，将所述电弧判断结果以及所述电弧判断结果对应的所述本地模型的输入数据输入所述云端模型，以得到云端模型参数；
根据所述云端模型参数对所述本地模型进行更新。
5.根据权利要求4所述的电弧判断模型的训练方法，其特征在于，所述电弧判断结果包括判断正确以及无弧且判断错误；所述电弧判断模型的训练方法还包括：
当所述无弧且判断错误的结果备份数量达到第一预设数量时，判定所述备份处于所述预设情况；和/或
当所述判断正确的结果备份数量达到第二预设数量，且所述无弧且判断错误的结果备份数量未达到所述第一预设数量时，删除备份最久的数据以及保留最新的数据。
6.根据权利要求1-5任一项所述的电弧判断模型的训练方法，其特征在于，所述电弧判断模型包括输入层、隐含层和输出层；所述将所述频率数值之和以及所述频率个数作为训练数据集对电弧判断模型进行训练包括：
将所述训练数据集输入初始模型以得到模型参数，其中，所述模型参数包括所述输入层到所述隐含层的权值W1和所述隐含层的阈值B1，以及所述隐含层到所述输出层的权值W2和隐含层的阈值B2；
根据所述模型参数对所述初始模型不断进行更新，直至符合预设条件，以获得所述电弧判断模型。
7.根据权利要求6所述的电弧判断模型的训练方法，其特征在于，所述隐含层的输出的确定公式包括：
；
所述输出层的输出的确定公式包括：
；
其中，n表示第n次迭代，X表示所述输入层的输出，函数 f为激活函数。
8.一种光伏直流电弧检测方法，其特征在于，包括：
获取待测设备的预设次频率分量的频率数值之和以及所述预设次频率分量中频率数值大于预设数值的频率个数；
根据所述频率数值之和、所述频率个数以及如权利要求1-7任一项所述的电弧判断模型的训练方法训练得到的电弧判断模型进行电弧判断。
9.一种计算设备，其特征在于，包括存储器和处理器，所述存储器，用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现如权利要求1至7任一项所述的电弧判断模型的训练方法和/或如权利要求8所述的光伏直流电弧检测方法。
CN202311329795.6A 2023-10-16 2023-10-16 电弧判断模型的训练、光伏直流电弧检测方法及计算设备 Active CN117076933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311329795.6A CN117076933B (zh) 2023-10-16 2023-10-16 电弧判断模型的训练、光伏直流电弧检测方法及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311329795.6A CN117076933B (zh) 2023-10-16 2023-10-16 电弧判断模型的训练、光伏直流电弧检测方法及计算设备

Publications (2)

Publication Number Publication Date
CN117076933A CN117076933A (zh) 2023-11-17
CN117076933B true CN117076933B (zh) 2024-02-06

Family

ID=88710151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311329795.6A Active CN117076933B (zh) 2023-10-16 2023-10-16 电弧判断模型的训练、光伏直流电弧检测方法及计算设备

Country Status (1)

Country Link
CN (1) CN117076933B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004186A (zh) * 2010-11-08 2011-04-06 北京航空航天大学 一种消除频谱泄漏的高准确度正弦信号测量方法与装置
CN104898013A (zh) * 2015-06-09 2015-09-09 北京联合大学 一种利用声学测量诊断电路故障的方法及***
CN106771594A (zh) * 2016-12-08 2017-05-31 清华大学 一种电力***的次/超同步谐波检测方法
JP2017190996A (ja) * 2016-04-13 2017-10-19 富士電機機器制御株式会社 アーク故障検出装置
CN108107329A (zh) * 2016-11-24 2018-06-01 上海航空电器有限公司 一种交流电弧频域检测方法
CN109521301A (zh) * 2018-11-30 2019-03-26 北京航空航天大学 一种故障电弧产生装置及其检测方法
US10848198B1 (en) * 2019-08-22 2020-11-24 Schneider Electric USA, Inc. Spectral reduction on AC current and voltage in communicating circuit breakers
CN112505512A (zh) * 2020-01-02 2021-03-16 青岛鼎信通讯股份有限公司 一种故障电弧的识别方法、装置、设备及介质
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
CN113779861A (zh) * 2021-07-23 2021-12-10 国网河北省电力有限公司电力科学研究院 光伏功率的预测方法及终端设备
CN114584069A (zh) * 2022-05-05 2022-06-03 华中科技大学 一种光伏直流电弧检测方法及***
CN115184729A (zh) * 2022-07-20 2022-10-14 国网辽宁省电力有限公司电力科学研究院 一种自动检测并处理间歇性电弧接地故障的模拟***和方法
CN115905835A (zh) * 2022-11-15 2023-04-04 国网四川省电力公司电力科学研究院 一种融合多维特征的低压交流电弧故障诊断方法
CN116526969A (zh) * 2023-04-04 2023-08-01 重庆邮电大学 基于线性调频z变换和小波包分解的光伏故障电弧检测方法
WO2023171880A1 (ko) * 2022-03-08 2023-09-14 주식회사 케이에너지시스템 다중 주파수 대역 판별 기능을 구비한 아크 감지장치
CN116819250A (zh) * 2023-06-27 2023-09-29 深圳供电局有限公司 一种对于光伏***中故障电弧的探测方法
CN116842425A (zh) * 2023-06-27 2023-10-03 深圳供电局有限公司 一种低压交流***中故障电弧的检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9553486B2 (en) * 2013-03-04 2017-01-24 Hello Inc. Monitoring system and device with sensors that is remotely powered
JP6464836B2 (ja) * 2015-03-09 2019-02-06 オムロン株式会社 アーク検出装置およびアーク検出方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102004186A (zh) * 2010-11-08 2011-04-06 北京航空航天大学 一种消除频谱泄漏的高准确度正弦信号测量方法与装置
CN104898013A (zh) * 2015-06-09 2015-09-09 北京联合大学 一种利用声学测量诊断电路故障的方法及***
JP2017190996A (ja) * 2016-04-13 2017-10-19 富士電機機器制御株式会社 アーク故障検出装置
CN108107329A (zh) * 2016-11-24 2018-06-01 上海航空电器有限公司 一种交流电弧频域检测方法
CN106771594A (zh) * 2016-12-08 2017-05-31 清华大学 一种电力***的次/超同步谐波检测方法
CN109521301A (zh) * 2018-11-30 2019-03-26 北京航空航天大学 一种故障电弧产生装置及其检测方法
US10848198B1 (en) * 2019-08-22 2020-11-24 Schneider Electric USA, Inc. Spectral reduction on AC current and voltage in communicating circuit breakers
CN112505512A (zh) * 2020-01-02 2021-03-16 青岛鼎信通讯股份有限公司 一种故障电弧的识别方法、装置、设备及介质
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
CN113779861A (zh) * 2021-07-23 2021-12-10 国网河北省电力有限公司电力科学研究院 光伏功率的预测方法及终端设备
WO2023171880A1 (ko) * 2022-03-08 2023-09-14 주식회사 케이에너지시스템 다중 주파수 대역 판별 기능을 구비한 아크 감지장치
CN114584069A (zh) * 2022-05-05 2022-06-03 华中科技大学 一种光伏直流电弧检测方法及***
CN115184729A (zh) * 2022-07-20 2022-10-14 国网辽宁省电力有限公司电力科学研究院 一种自动检测并处理间歇性电弧接地故障的模拟***和方法
CN115905835A (zh) * 2022-11-15 2023-04-04 国网四川省电力公司电力科学研究院 一种融合多维特征的低压交流电弧故障诊断方法
CN116526969A (zh) * 2023-04-04 2023-08-01 重庆邮电大学 基于线性调频z变换和小波包分解的光伏故障电弧检测方法
CN116819250A (zh) * 2023-06-27 2023-09-29 深圳供电局有限公司 一种对于光伏***中故障电弧的探测方法
CN116842425A (zh) * 2023-06-27 2023-10-03 深圳供电局有限公司 一种低压交流***中故障电弧的检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Series Arc Fault Detection Method Based on Category Recognition and Artificial Neural Network;Xiangyu Han 等;《electronics》;第9卷(第9期);第1367页 *
基于5G通信的焊接设备远程控***设计与实现;董娜 等;《电焊机》;第52卷(第1期);第7-16页 *

Also Published As

Publication number Publication date
CN117076933A (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
US11544917B2 (en) Power electronic circuit fault diagnosis method based on optimizing deep belief network
EP3460496B1 (en) A method and apparatus for automatic localization of a fault
EP3422518B1 (en) A method for recognizing contingencies in a power supply network
CN108761287B (zh) 一种变压器局部放电类型识别方法
CN111523785A (zh) 一种基于生成对抗网络的电力***动态安全评估方法
CN108646149A (zh) 基于电流特征提取的故障电弧识别方法
CN112799898B (zh) 基于分布式故障检测的互联***故障节点定位方法及***
CN102809718A (zh) 一种gis超高频局部放电信号识别方法
EP3422517B1 (en) A method for recognizing contingencies in a power supply network
CN110829417A (zh) 基于lstm双结构模型的电力***暂态稳定预测方法
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
Leh et al. Fault detection method using ANN for power transmission line
Wadi et al. An anomaly-based technique for fault detection in power system networks
CN112966879A (zh) 环境试验箱故障预测方法、装置、计算机设备及存储介质
CN104634603A (zh) 一种复杂设备早期故障诊断方法
Frimpong et al. On-line determination of transient stability status using MLPNN
CN112200038A (zh) 一种基于cnn的电力***振荡类型的快速辨识方法
Harish et al. Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine
CN114021671B (zh) 一种有源配电网在线故障处理方法和***
CN109635430B (zh) 电网输电线路暂态信号监测方法和***
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
CN117076933B (zh) 电弧判断模型的训练、光伏直流电弧检测方法及计算设备
Ray et al. Hybrid technique for fault location of a distribution line
CN114386024A (zh) 基于集成学习的电力内网终端设备异常攻击检测方法
CN113139430A (zh) 用于故障检测的声信号分析方法、故障检测的方法、装置

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